Che cosa rende un'azienda wholesale pronta per l'IA?
Nel wholesale della moda, la prontezza all'IA riguarda meno gli algoritmi e più i dati strutturati su prodotti, ordini e partner, responsabilità chiare e processi che registrano il perché delle decisioni dei buyer.
IN SINTESI Sintesi della redazione
- Un'azienda wholesale è pronta per l'IA quando i suoi dati su prodotti, clienti e ordini sono coerenti, collegati e documentati in misura sufficiente perché i modelli possano imparare da essi e le persone possano fidarsi dei risultati.
- Gartner prevede che fino a tutto il 2026 le organizzazioni abbandoneranno il 60% dei progetti di IA non supportati da dati pronti per l'IA, e ha rilevato che il 63% delle organizzazioni non dispone, o non è certo di disporre, delle giuste pratiche sui dati.
- I dati transazionali mostrano che cosa hanno ordinato i retailer; i dati comportamentali provenienti da showroom e portali aggiungono segnali su ciò che hanno considerato e scartato, spesso più utili ai fini previsionali.
- Formati di messaggio standard come i report di vendita e di inventario GS1 EANCOM facilitano la ricezione dei dati di sell-out e di stock dai partner retail in una struttura utilizzabile.
- La prontezza richiede inoltre responsabili dei dati designati, regole concordate con i partner retail e un processo di revisione umana degli output dell'IA che incidono su ordini, prezzi o allocazione.
Un'azienda wholesale è pronta per l'IA quando i suoi dati su prodotti, clienti e ordini sono abbastanza coerenti, collegati e affidabili da consentire a un modello di imparare, e quando l'organizzazione sa chi è responsabile di quei dati e chi agisce sui risultati. Alla maggior parte dei brand della moda non mancano gli algoritmi; manca lo storico strutturato di cui gli algoritmi hanno bisogno.
Che cosa significa essere pronti per l'IA per un'azienda wholesale della moda?
La prontezza all'IA è una condizione pratica, non una certificazione. Significa che le domande a cui un brand vuole che l'IA risponda, per esempio quali clienti probabilmente riordineranno, quali modelli un buyer tenderà a selezionare o che cosa contiene realmente un ordine inviato via e-mail, possono trovare risposta nei dati che il brand già raccoglie. Significa anche che i risultati possono rientrare nei sistemi in cui le persone lavorano, invece di restare in un foglio di calcolo separato.
Nel wholesale ciò è più difficile che nel retail direct-to-consumer. I dati sono distribuiti tra sistemi ERP, strumenti di gestione ordini, software di showroom, fogli di calcolo degli agenti, appunti di fiera e sistemi propri dei retailer. Ogni fonte utilizza i propri identificativi e le collezioni stagionali fanno sì che i prodotti vengano sostituiti ogni pochi mesi.
La stagionalità crea un problema specifico per l'apprendimento. Un modello non può semplicemente verificare come ha venduto un modello l'anno precedente, perché quel modello non esiste più. Deve invece imparare dagli attributi: categoria, vestibilità, tessuto, fascia di prezzo, famiglia di colore, finestra di consegna. Se tali attributi mancano, sono incoerenti o sono conservati solo in line sheet e presentazioni, lo storico delle stagioni precedenti non può essere trasferito a quella successiva. Nel wholesale della moda la qualità degli attributi non è quindi una questione estetica, ma il ponte che rende utilizzabili i dati passati.
La prontezza all'IA ha anche una dimensione commerciale. I partner retail decidono se condividere i dati di sell-out e di stock, i buyer decidono se utilizzare portali e showroom digitali e gli agenti decidono se registrare ciò che accade durante gli appuntamenti. Un brand è pronto per l'IA solo nella misura in cui queste persone glielo consentono.
Perché così tanti progetti di IA si arenano sui dati?
Lo schema è lo stesso in tutti i settori. In un'indagine su 1.203 responsabili della gestione dei dati, Gartner ha rilevato che il 63% delle organizzazioni non dispone, o non è certo di disporre, delle giuste pratiche di gestione dei dati per l'IA. Su questa base ha previsto che fino a tutto il 2026 le organizzazioni abbandoneranno il 60% dei progetti di IA non supportati da dati pronti per l'IA.
Le organizzazioni commerciali segnalano lo stesso attrito. Nella ricerca State of Sales di Salesforce, basata su un'indagine condotta tra agosto e settembre 2025 su 4.050 professionisti delle vendite, il 51% dei responsabili commerciali ha dichiarato che sistemi non collegati frenavano le loro iniziative di IA, e il 74% dei professionisti ha affermato di dare priorità alla pulizia dei dati.
Quali basi di dati contano di più?
| Base | Come dovrebbe essere | Lacuna tipica |
|---|---|---|
| Anagrafica prodotto | Un identificativo per modello, colore e taglia; attributi completi; immagini collegate | Attributi conservati in presentazioni o appunti degli agenti |
| Anagrafica clienti | ID cliente univoci, punti vendita, formati, aree geografiche, condizioni | Duplicati tra ERP e strumenti di gestione ordini |
| Storico ordini | Ordini a livello di riga con taglie, finestre di consegna, cancellazioni, resi | Conservati solo totali o fatture |
| Sell-out e stock | Report regolari di vendita e inventario dai partner in un formato concordato | Fogli di calcolo occasionali, se presenti |
| Dati di coinvolgimento | Visualizzazioni, selezioni e rimozioni in showroom e portali | Non raccolti o non collegati ai clienti |
Perché i dati comportamentali contano quanto le transazioni?
Gli ordini dicono a un brand che cosa ha acquistato un retailer. Non dicono che cosa il buyer ha guardato e scartato, quali alternative ha confrontato o quali modelli ha eliminato quando il budget si è esaurito. Questi segnali spiegano perché un ordine ha una certa forma e sono spesso l'input più utile per prevedere il successivo.
Showroom digitali, portali B2B e strumenti di gestione degli appuntamenti possono registrare questi segnali come sottoprodotto del lavoro quotidiano, purché le interazioni siano collegate a clienti e prodotti identificati. Nell'arco di più stagioni si crea così uno storico di interessi e decisioni a livello di singolo cliente. Questo storico acquista valore solo se è archiviato fin dall'inizio in una struttura coerente; non può essere ricostruito a posteriori.
Come ottenere i dati di sell-out dai partner retail?
La previsione dei re-order e l'analisi del sell-through dipendono da dati di proprietà dei retailer. Alcuni partner li scambiano già tramite messaggi elettronici consolidati. Lo standard EANCOM di GS1, per esempio, comprende un report dei dati di vendita (SLSRPT) per i dati di vendita di base per punto vendita, periodo, prodotto, prezzo e quantità, e un report di inventario (INVRPT) per le giacenze effettive e pianificate, compresi i punti di riordino. I retailer più piccoli potrebbero essere in grado soltanto di esportare fogli di calcolo o di concedere l'accesso a un portale.
Qualunque sia il canale, è opportuno concordare per iscritto quali dati vengono condivisi, con quale frequenza, come saranno utilizzati e chi potrà consultarli. I retailer sono più disposti a condividere quando ricevono in cambio qualcosa di utile, come suggerimenti di riassortimento o report di benchmark.
Di che cosa ha bisogno l'organizzazione oltre ai dati?
- Responsabili designati per i dati di prodotto, clienti e ordini, con l'autorità di far rispettare gli standard.
- Integrazione tra ERP, gestione ordini e sistemi di showroom, affinché gli identificativi corrispondano senza mappature manuali.
- Revisione umana per qualsiasi output dell'IA che modifica ordini, prezzi o allocazione.
- Competenze nelle sales operations per interpretare gli output dei modelli e metterli in discussione.
- Documentazione di ciò che fa ciascun modello, dei dati che utilizza e di ciò che non deve decidere.
Come costruire passo dopo passo la prontezza all'IA?
- Unificare gli identificativi di prodotti e clienti in tutti i sistemi coinvolti nel wholesale.
- Collegare ERP e sistemi di gestione ordini tramite interfacce stabili anziché esportazioni manuali.
- Iniziare a raccogliere dati comportamentali in showroom e portali, collegati a clienti e modelli.
- Archiviare dati di ordini, coinvolgimento e sell-out in una struttura che conservi lo storico da una stagione all'altra.
- Implementare un primo caso d'uso predittivo o generativo, misurarlo rispetto a una baseline ed estendere solo ciò che funziona.
Nessuno di questi passaggi è spettacolare e nessuno richiede il modello più recente. Sono però ciò che distingue i brand i cui progetti pilota di IA arrivano all'uso quotidiano da quelli i cui progetti pilota finiscono in una presentazione.
Domande frequenti
Che cosa si intende per dati pronti per l'IA?
Sono dati accurati, identificati in modo coerente, collegati tra i sistemi e documentati abbastanza bene da poter essere utilizzati dai modelli e da rendere affidabili i risultati per le persone. Nel wholesale comprendono dati di prodotto, clienti, ordini, coinvolgimento e sell-out.
Perché i progetti di IA falliscono nel wholesale?
La maggior parte fallisce a causa dei dati più che degli algoritmi: identificativi che non corrispondono tra i sistemi, dettagli degli ordini mancanti o nessun accesso ai dati di sell-out dei retailer. Gartner prevede che fino a tutto il 2026 le organizzazioni abbandoneranno il 60% dei progetti di IA non supportati da dati pronti per l'IA.
Come può un brand ottenere i dati di sell-out dai retailer?
Attraverso scambi concordati, che possono basarsi su messaggi elettronici standard come i report di vendita e di inventario GS1 EANCOM, sull'accesso a un portale o su esportazioni regolari. Condizioni d'uso chiare e vantaggi tangibili per il retailer rendono i partner più disposti a condividere.
Da dove dovrebbe partire con l'IA un'azienda wholesale?
Dall'unificazione degli identificativi di prodotti e clienti e dalla registrazione dello storico ordini a livello di riga, per poi scegliere un caso d'uso misurabile come l'acquisizione degli ordini o i suggerimenti di re-order. L'estensione va fatta solo dopo che il primo caso d'uso ha superato una baseline documentata.
Un'edizione ogni giorno feriale. Si legge in cinque minuti. Gratuita per i professionisti del settore.
