Come creare proposte di assortimento generate dall'IA per gli account retail

Una proposta di assortimento generata dall'IA è un ordine di apertura suggerito per un singolo account retail: quali modelli, colori, taglie e quantità il brand ritiene adatti a quel negozio, dati il suo storico e la nuova collezione. Per costruirla servono dati di vendita affidabili a livello di account, un modo per ricondurre i nuovi modelli a quelli passati, regole commerciali esplicite e un agente che esamini il risultato con il buyer. Fatta bene, accorcia gli appuntamenti e rende gli assortimenti più coerenti; fatta male, si limita a ripetere la stagione precedente.

Che cos'è una proposta di assortimento con IA nel wholesale?

Nel wholesale i buyer iniziano di solito una stagione con un ordine vuoto o con una copia di quello della stagione precedente. Una proposta di assortimento sostituisce questa pagina bianca con una bozza precompilata generata per ciascun account. Le piattaforme wholesale propongono già funzioni di questo tipo: il paper di JOOR sulle tendenze del wholesale di dicembre 2025 cita le raccomandazioni di assortimento tra le funzioni di IA che utilizza, accanto all'analisi dei dati e ai suggerimenti di contatto con i retailer. Molti brand costruiscono inoltre le proposte internamente, a partire dai dati dell'ERP e delle app di vendita.

La proposta è una raccomandazione, non una decisione. A maggio 2026 Gartner ha riportato, sulla base di un sondaggio su 645 buyer B2B, che il 69% preferisce verificare con gli agenti di vendita gli insight generati dall'IA. Nella moda, dove i buyer difendono il proprio gusto e i propri obiettivi di margine, il ruolo dell'agente nello spiegare e adattare la proposta è centrale.

Di quali dati c'è bisogno prima di iniziare?

Leggi anche

Come può l'IA aiutare gli agenti di vendita della moda a prepararsi, vendere e seguire i clienti?

Come si costruisce la proposta passo dopo passo?

1. Ripulire e collegare lo storico degli account. Collegare almeno due o tre stagioni di righe d'ordine a un ID account stabile e agli attributi dei modelli. Senza questo passaggio, il modello apprende rumore.
2. Descrivere ogni nuovo modello tramite attributi. Categoria, fascia di prezzo, tessuto, vestibilità, famiglia di colore e tema permettono al sistema di trovare modelli passati comparabili, dato che i nuovi modelli non hanno vendite proprie.
3. Segmentare gli account. Raggruppare i negozi con profili e comportamenti d'acquisto simili, così che un piccolo account con uno storico limitato possa attingere informazioni dagli account affini.
4. Generare una bozza per account. Assegnare un punteggio a ogni nuovo modello per ogni account, selezionare le righe più adatte entro il budget e proporre quantità e curve taglie in base allo storico.
5. Applicare le regole commerciali. Far rispettare minimi, esclusive, limiti di distribuzione e modelli di punta irrinunciabili dopo che il modello ha assegnato i punteggi, così che la politica commerciale non sia mai lasciata all'algoritmo.
6. Motivare ogni riga. Mostrare all'agente una breve motivazione, ad esempio «un modello simile ha avuto un buon sell-through in questo negozio lo scorso autunno», così che la proposta possa essere difesa davanti al buyer.
7. Rivedere durante l'appuntamento e registrare le modifiche. Ogni riga accettata, modificata o respinta è un dato di addestramento per la stagione successiva.

Come dovrebbero usare le proposte gli agenti durante l'appuntamento d'acquisto?

Gli agenti dovrebbero presentare la proposta come una bozza che riflette lo storico del buyer stesso, e poi invitarlo a modificarla. Uno schema utile è concordare prima il budget totale e la ripartizione per categoria, per poi passare in rassegna le righe su cui il modello è meno sicuro. A maggio 2026 Gartner ha riportato che le organizzazioni di vendita che forniscono ai venditori next best action basate sull'IA hanno 2,6 volte più probabilità di ottenere una crescita commerciale; in un appuntamento d'acquisto, l'equivalente è un breve elenco di aggiunte e tagli suggeriti, non un foglio di calcolo di cento righe.

Gli agenti possiedono inoltre conoscenze che il sistema non ha: la ristrutturazione di un negozio, un nuovo buyer, l'apertura di un concorrente nelle vicinanze. Un semplice campo nell'app di vendita per registrare questo contesto, e la possibilità di modificare la proposta indicando un motivo, migliorano sia l'ordine attuale sia il modello successivo.

Anche la tempistica conta. Inviare la proposta al buyer qualche giorno prima dell'appuntamento gli permette di confrontarla con il proprio open-to-buy e di arrivare con delle domande, il che di solito rende l'incontro più breve e mirato. Per gli account che ordinano senza appuntamento, la proposta può essere condivisa direttamente nel portale ordini come bozza modificabile, con l'agente disponibile per domande. In entrambi i casi il brand dovrebbe registrare quale versione ha visto il buyer, così che i confronti successivi tra proposta e ordine finale siano significativi e il modello impari da decisioni reali e non da supposizioni.

Quali sono i rischi principali delle proposte di assortimento con IA?

• Omologazione: account simili ricevono proposte quasi identiche, erodendo la differenziazione a cui i retailer tengono.
• Distorsione a favore degli account ricchi di dati: i grandi account con uno storico lungo ricevono proposte migliori dei piccoli indipendenti.
• Falsa precisione: quantità calcolate al pezzo suggeriscono una certezza che i dati non supportano.
• Confusione sulle responsabilità: se una proposta rende meno del previsto, deve essere chiaro che la decisione finale l'hanno presa il buyer e il brand.
• Accesso ai dati: i dati di sell-out condivisi dai retailer devono essere usati solo entro la finalità concordata.

Le condizioni di mercato aumentano la pressione. A novembre 2025 McKinsey e The Business of Fashion hanno riportato che il 46% dei manager si aspettava un peggioramento delle condizioni del settore nel 2026. In un mercato prudente, una proposta che sovrastima la profondità mina rapidamente la fiducia, per cui quantità prudenti con chiare opzioni di riassortimento sono di solito la scelta più saggia.

Leggi anche

Come condurre sessioni d'acquisto a distanza con i key account in uno showroom digitale

Come si misura se le proposte funzionano?

Monitorate ogni stagione un piccolo insieme di indicatori: la quota di righe della proposta accettate senza modifiche, l'entità delle modifiche per categoria, il tempo per appuntamento e il sell-through di fine stagione delle righe della proposta accettate rispetto a quelle aggiunte manualmente. Confrontate i risultati con un gruppo di controllo di account o con una semplice proposta basata su regole. Se le proposte dell'IA vengono accettate ma non vendono meglio delle scelte del buyer, il beneficio è la comodità più che la performance, il che può comunque valere la pena, ma va descritto con onestà.