Prevedere le promozioni: baseline, uplift e cannibalizzazione

Prevedere una promozione significa stimare separatamente tre elementi: la baseline, cioè ciò che si sarebbe venduto senza la promozione, l'uplift, cioè il volume aggiuntivo causato dalla promozione, e la cannibalizzazione, cioè il volume che essa sottrae ad altri prodotti. La maggior parte degli errori di previsione nelle promozioni nasce dal mescolare questi tre elementi, quindi un buon metodo li tiene distinti.

Questo approfondimento descrive ciascuna componente, i dati necessari, come misurare l'accuratezza e dove il machine learning aiuta e dove no. Si basa su fonti accademiche e di riferimento pubblicate ed evita affermazioni su risultati di specifici retailer.

Che cos'è la baseline di una promozione?

La baseline è una stima delle vendite nel periodo promozionale se non si fosse svolta alcuna promozione. Non viene mai osservata direttamente, quindi va modellata. L'uplift è poi la differenza tra le vendite effettive e quella baseline. Se la baseline è sbagliata, lo è anche ogni valore di uplift costruito su di essa.

Una baseline semplice prende l'ultimo valore prima della promozione. Uno studio sulla cannibalizzazione dell'Università Aalto ha usato proprio questo approccio naive, prendendo l'ultimo valore pre-promozione e confrontandolo con la prima settimana di promozione, e ha osservato che opzioni migliori come l'interpolazione lineare con smoothing o Prophet avrebbero funzionato meglio. Nella sua simulazione, l'interpolazione basata sullo smoothing è risultata migliore di circa il 40-50% rispetto alla baseline naive. Lo studio ha usato dati simulati, quindi l'entità del guadagno sarà diversa con dati reali, ma la direzione è utile: la qualità della baseline conta moltissimo.

Nella moda una baseline è più difficile che nel largo consumo alimentare. Gli stili hanno vita breve, le taglie si vendono in modo non uniforme e un articolo in promozione può non aver mai avuto un periodo senza promozione. I team prendono allora informazioni da articoli simili, stagioni precedenti o dalle prime settimane dello stesso stile.

Come si stima l'uplift promozionale?

L'uplift si stima confrontando le vendite promozionali con la baseline, di solito in unità. Dipende da profondità dello sconto, meccanica promozionale (percentuale di sconto, bundle, spedizione gratuita), canale, tempistica, supporto di marketing e disponibilità di stock. Un modello apprende questi effetti dalle promozioni passate, quindi richiede un registro di ogni promozione con date, meccaniche e perimetro.

• Registrare ogni promozione con date di inizio e fine, profondità, meccanica, canale e articoli coinvolti.
• Registrare la disponibilità di stock, perché una rottura di stock in una settimana promozionale appare come uplift debole quando in realtà sono vendite perse.
• Registrare le attività sovrapposte, come campagne, invii di email e sconti guidati dal wholesale presso i partner retail.
• Mantenere uno storico pulito senza promozioni per lo stesso articolo o per articoli comparabili, perché è da lì che la baseline impara.

Leggi anche

IA per merchandiser e planner: una guida pratica

Che cos'è la cannibalizzazione e perché conta?

La cannibalizzazione è un calo delle vendite di un prodotto causato dall'attività della stessa azienda. Le definizioni di riferimento la descrivono come perdita di volume di vendita, ricavi o quota causata dal lancio di un nuovo prodotto da parte della stessa azienda, e indicano gli sconti come un esempio: prezzi più bassi su un prodotto sottraggono acquirenti ad alternative più costose, e l'effetto svanisce quando i prezzi tornano normali.

Lo studio Aalto la definisce con maggiore precisione per le promozioni: la quota dell'uplift di volume di un articolo in promozione sottratta ai prodotti sostitutivi. Lavora sul volume anziché sul fatturato, perché il volume è più direttamente legato alla scelta del consumatore. Valori negativi indicano complementarità, cioè due articoli che si vendono insieme. Per un merchandiser ciò significa che una promozione con un forte uplift su uno stile può spostare vendite tra stili anziché creare nuova domanda.

Come stimano la cannibalizzazione i metodi di machine learning?

Il paper Aalto descrive un metodo di minimi quadrati alternati con regolarizzazione elastic net che stima una matrice di cannibalizzazione tra coppie di articoli. Maschera gli uplift per gli articoli non in promozione, vincola a zero l'auto-cannibalizzazione e usa un controllo di validazione per limitare l'overfitting. Nelle simulazioni il metodo convergeva alla stessa soluzione indipendentemente dal punto di partenza, ma l'errore cresceva con più prodotti e più rumore. Gli autori riportano un tempo di esecuzione di circa due ore su un portatile per 40 prodotti su tre anni di dati reali di negozio, e osservano che i dati reali del retail daranno probabilmente risultati meno accurati perché il comportamento dei consumatori si discosta dalle ipotesi del modello.

La lettura sobria è che la cannibalizzazione tra singoli articoli si può stimare, ma non con precisione, e non per assortimenti molto ampi senza semplificazioni. Molti team la stimano quindi a livello di gruppi di prodotti, oppure la usano solo per individuare i cannibalizzatori più forti anziché per calcolare numeri esatti, che è l'uso suggerito dagli stessi autori.

Come valutare una previsione promozionale?

L'accuratezza va giudicata su dati che il modello non ha mai visto. Il manuale di previsione di Hyndman e Athanasopoulos raccomanda un test set di circa il 20% del campione, lungo almeno quanto l'orizzonte di previsione più lungo, e avverte che un buon adattamento ai dati di addestramento non garantisce buone previsioni. Elenca inoltre i punti deboli degli errori percentuali: il MAPE è indefinito quando un valore effettivo è zero, instabile vicino a zero e penalizza più gli errori negativi di quelli positivi. Gli errori scalati come il MASE dividono per l'errore di una previsione naive, quindi un valore inferiore a 1 batte il benchmark naive.

Lo stesso testo afferma che qualsiasi nuovo metodo di previsione va confrontato con i metodi naive e naive stagionale, e che se non riesce a batterli non vale la pena considerarlo. Per le promozioni, un benchmark aggiuntivo utile è la stima del pianificatore stesso, il che porta all'approccio del forecast value added descritto nella nostra guida pratica sull'argomento.

Leggi anche

IA nel merchandising della moda: che cosa fa, di che cosa ha bisogno e dove fallisce

Quali sono i limiti per la moda?

• I cicli di vita brevi lasciano poco storico per lo stesso articolo, quindi i modelli attingono da articoli simili e da stagioni precedenti.
• Un position paper sulla previsione basata sull'apprendimento nella moda osserva che metodi classici come ARIMA non possono essere adattati quando non c'è storico o ci sono poche osservazioni, caso frequente per i nuovi stili.
• I brand a forte vocazione wholesale spesso non vedono le promozioni dei propri partner, quindi il segnale di sell-out è incompleto.
• Le promozioni interagiscono tra loro e con le attività di smaltimento, quindi gli effetti misurati in un periodo possono non trasferirsi al successivo.

Usata tenendo presenti questi limiti, la previsione promozionale è un modo per rendere espliciti i presupposti di pianificazione: una baseline dichiarata, un uplift dichiarato e una stima di cannibalizzazione dichiarata, che possono essere riviste e corrette dopo l'evento.