Che cos'è lo store clustering e come lo migliora l'IA?

Lo store clustering è la pratica di raggruppare i negozi con domanda simile, così che ogni gruppo riceva un assortimento, un mix di taglie e una profondità di stock adatti ai propri clienti. L'IA lo migliora creando i cluster in base a comportamenti di vendita dettagliati, come il mix di categorie, livelli di prezzo, colori e taglie venduti da ciascun negozio, anziché basarsi solo su dimensione, regione o fatturato. Il risultato è un numero gestibile di profili di negozio, a metà strada tra un unico assortimento per tutti e un piano diverso per ogni punto vendita.

Perché i retailer di moda raggruppano i negozi in cluster?

Una catena con centinaia di punti vendita non può pianificare ogni negozio singolarmente, ma un unico assortimento nazionale ignora differenze evidenti: un flagship in città vende in modo diverso da un outlet, un negozio sulla costa da uno in montagna. Il clustering crea un livello intermedio. I planner costruiscono assortimenti, curve taglie e regole di allocazione per cluster, per poi adattarli ai singoli negozi dove necessario.

La ricerca sull'ottimizzazione dell'assortimento mostra perché l'adattamento locale è importante. Fisher e Vaidyanathan, su Management Science nel 2014, hanno sviluppato un metodo per scegliere quali prodotti debba avere ciascun negozio limitando il numero di assortimenti distinti, tenendo conto dei clienti che ripiegano su un sostituto quando la prima scelta manca. Le raccomandazioni implementate hanno aumentato le vendite del 5,8% negli pneumatici e del 3,6% nei prodotti per la cura dell'auto, le due categorie in cui sono state messe in pratica. Lo studio non riguardava la moda, ma il principio di un numero limitato di assortimenti su misura è lo stesso a cui serve il clustering.

Come costruisce l'IA i cluster di negozi?

Il punto di partenza abituale è un profilo per negozio, descritto da molte variabili. Gli algoritmi di clustering raggruppano poi i negozi i cui profili sono vicini tra loro. Un metodo comune è il k-means che, come osserva la documentazione di scikit-learn, richiede di specificare in anticipo il numero di cluster e presuppone cluster all'incirca compatti e di forma regolare, ipotesi che le reti di negozi reali non sempre soddisfano. Altre tecniche gestiscono forme irregolari o ponderano le variabili in modo diverso.

Leggi anche

Come H&M usa l'IA: domanda, allocazione e digital twin

Che cosa mostra la ricerca sullo store clustering nella moda?

Una tesi di laurea magistrale del 2019 presso la facoltà di ingegneria dell'Università di Porto, realizzata con una società di consulenza in tecnologie per il retail, ha testato il clustering per due retailer di moda: una catena internazionale presente in 32 paesi e un retailer attivo in un solo paese. Ha confrontato metodi statistici e di machine learning per ponderare gli attributi dei negozi, per poi raggruppare i negozi con gli algoritmi k-means e neural gas.

• Per il retailer internazionale l'attributo più importante era il canale di vendita, seguito dal paese.
• Metodi di ponderazione diversi producevano cluster diversi, e uno di essi attribuiva un peso quasi nullo agli attributi con molti valori, come il paese.
• Il clustering sulle vendite a un livello di prodotto più dettagliato produceva cluster migliori rispetto a un livello generico.
• Per il retailer attivo in un solo paese la qualità dei cluster era scarsa, e l'attributo più rilevante era la regione.
• L'autore raccomandava un numero ridotto di cluster, all'incirca da tre a sei, osservando però che i retailer che desiderano una maggiore differenziazione potrebbero averne bisogno di più.

La lezione per chi opera sul campo è che il clustering è sensibile alle scelte di impostazione. Quali variabili vengono incluse, come vengono ponderate e a quale livello di prodotto vengono aggregate le vendite possono cambiare il risultato quanto l'algoritmo.

Quanti cluster di negozi dovrebbe avere un retailer?

Non esiste una risposta unica. Troppo pochi cluster nascondono differenze reali; troppi ricreano la complessità che il clustering doveva eliminare e frammentano la gamma in quantità troppo piccole per essere acquistate in modo efficiente. Misure statistiche come l'indice di silhouette e l'indice di Calinski-Harabasz, entrambi usati nello studio di Porto, aiutano a confrontare quanto siano ben separati insiemi di cluster alternativi. Il numero finale è una decisione di business che bilancia l'adattamento locale con la complessità di acquisto e allocazione.

I dati online aggiungono un'ulteriore dimensione. Le vendite degli ordini e-commerce consegnati ai codici postali attorno a ciascun negozio possono rivelare una domanda che il negozio stesso non ha mai intercettato, ad esempio per taglie o colori che non aveva in assortimento. Dove le norme sulla protezione dei dati e il consenso dei clienti lo consentono, combinare la domanda del negozio e quella online per bacino d'utenza offre un quadro delle preferenze locali più completo delle sole vendite in negozio.

Come vengono usati i cluster di negozi nella pianificazione moda?

1. Assortimento: decidere quali modelli e colori ha ciascun cluster.
2. Curve taglie: stabilire la ripartizione per taglia inviata ai negozi di ciascun cluster.
3. Profondità e allocazione: decidere le quantità iniziali per negozio e quanto trattenere per il riassortimento.
4. Tempistica: lanciare le categorie stagionali prima o dopo a seconda del cluster climatico.
5. Ribassi: adattare la tempistica dei saldi ai cluster con schemi di sell-through diversi.

L'allocazione è il punto in cui i cluster incontrano l'operatività quotidiana. La ricerca di Zara con alcuni accademici, pubblicata su Operations Research nel 2015, ha mostrato il valore di combinare previsioni a livello di negozio con le decisioni su quanto inviare inizialmente e quanto trattenere: in un esperimento sul campo con 34 articoli, le vendite di stagione sono aumentate di circa il 2% e le unità invendute a fine stagione sono diminuite di circa il 4%.

Leggi anche

Open-to-buy spiegato: come i retailer di moda pianificano il budget di acquisto

Quali sono i limiti dello store clustering con l'IA?

I cluster sono costruiti sulle vendite passate, che riflettono gli assortimenti passati. Se un negozio non ha mai ricevuto taglie petite o una linea premium, il suo storico non mostrerà domanda per esse, e il modello può perpetuare la lacuna. Anche i cluster invecchiano: nuovi negozi, ristrutturazioni e cambiamenti nella clientela locale modificano i profili. I retailer dovrebbero rivedere i cluster almeno a ogni stagione, testare le modifiche su un sottoinsieme di negozi e confrontare i piani basati sui cluster con il sell-through effettivo, anziché fidarsi solo della bontà statistica.