PREVISIONE DELLE SCORTE PER RETI DI VENDITA AL DETTAGLIO CON LOKAD

La tecnologia dietro Lokad aiuta i rivenditori di articoli vari di qualsiasi dimensione ad aumentare la disponibilità dei prodotti riducendo al minimo la quantità di scorte sia a livello di negozio che a livello di magazzino. L'alto livello di automazione associato a Lokad lo rende adatto anche per selezioni di prodotti complesse senza dover coinvolgere personale aggiuntivo. La tecnologia di previsione dei quantili è appositamente progettata per supportare alti livelli di servizio, anche quando le vendite sono sia intermittenti che erratiche. Inoltre, grazie al cloud computing, Lokad è in grado di scalare fino a migliaia di negozi.

salescast retail right in inventory optimization software
Worten, un rivenditore di elettronica, ha oltre 300 negozi e un negozio online, offrendo prodotti diversi per gli amanti della tecnologia.

Worten sostiene una strategia digitale con negozi e un tocco umano. La nostra partnership con LOKAD ci consente di digitalizzare e rinnovare l'intelligenza della nostra gestione, garantendo che i nostri negozi siano meglio preparati a dare ai clienti ciò che desiderano. In definitiva, questa partnership rappresenta una svolta tecnologica e gestionale nella nostra visione e gestione della supply chain.

Bruno Thiago Saraiva, Responsabile dello Stock presso Worten

quotation shape left

Automazione completa per assortimenti complessi

Lokad importa dati storici sulle vendite e produce direttamente previsioni delle scorte; e quando diciamo “direttamente”, intendiamo proprio così. Non sono previste configurazioni statistiche di alcun tipo durante la generazione delle previsioni con Lokad. Ciò rende Lokad facilmente accessibile ai suoi utenti, anche a coloro che non hanno competenze statistiche.

Quando sono previste interventi manuali per garantire il corretto funzionamento delle previsioni, non c’è fine: ci sono troppi prodotti, troppi negozi.

Molte soluzioni di previsione classiche offrono la possibilità di “regolare” le previsioni, ma per quanto riguarda il commercio di articoli vari, abbiamo osservato più volte che tali funzionalità

sono estremamente fuorvianti. Quando sono previsti interventi manuali per garantire il corretto funzionamento delle previsioni, non c’è fine: ci sono troppi prodotti, troppi negozi. L’automazione totale è semplicemente l’unica opzione in questo caso.

retail_networks_chart

La tecnologia di previsione unica di Lokad sfrutta le correlazioni tra i prodotti. Infatti, quando si analizza un singolo prodotto, quasi mai sono disponibili dati storici sufficienti. Fortunatamente, le aziende spesso vendono centinaia, se non migliaia, di prodotti contemporaneamente e, quindi, sfruttando tutti i modelli che possono essere osservati in relazione agli altri beni presenti in un catalogo di prodotti, Lokad evita la complessa necessità di “regolare” manualmente le previsioni. Questo può essere visto come un comportamento indesiderabile “blackbox”, ma la nostra esperienza indica che anche i modelli di previsione lineari semplici, nella pratica, si comportano come blackbox per le reti di vendita al dettaglio, perché non c’è mai abbastanza tempo per rivedere manualmente più di una piccola frazione dei risultati prodotti quotidianamente.

I sistemi di previsione classici sono anche afflitti da casi limite: prodotti con una storia di vendite troppo breve, prodotti con volumi di vendita troppo bassi, prodotti con profili di stagionalità poco chiari, ecc. La nostra tecnologia di previsione non lascia indietro nessun prodotto, per garantire una copertura del 100% dell’intero assortimento.

I modelli di previsione avanzati che sfruttano le correlazioni tra i prodotti e i negozi sono un must-have per le reti di vendita al dettaglio, proprio perché hanno così tanti dati da correlare in primo luogo.

Elevati livelli di servizio per la domanda intermittente

A livello di negozio, la stragrande maggioranza dei prodotti è associata a modelli di domanda intermittente, in cui vengono vendute solo poche unità distinte di prodotto ogni giorno. Tuttavia, anche se un prodotto viene venduto solo una volta alla settimana, la maggior parte dei rivenditori cerca di offrire elevati livelli di servizio per mantenere soddisfatti i propri clienti. Attraverso la sua tecnologia di previsione dei quantili, Lokad può fornire risultati accurati di previsione delle scorte anche per i prodotti che vengono venduti molto raramente.

Le soluzioni di previsione classiche si basano su previsioni classiche, cioè previsioni mediane, o in altre parole previsioni che hanno una probabilità del 50% di essere superiori o inferiori alla domanda futura. Tuttavia, a livello di negozio, le previsioni classiche semplicemente non funzionano perché la maggior parte dei prodotti viene venduta meno di una volta al giorno.

Una tecnologia di previsione che risponde direttamente a una semplice domanda: di quante unità di prodotto X ho bisogno per raggiungere il livello di servizio Y?

Alcuni strumenti cercano di affrontare questo problema prevedendo a livello settimanale o addirittura mensile per scomporre le previsioni di livello superiore in previsioni frazionarie, ma la quantità di errori associati a tali metodi è piuttosto sorprendente. Utilizzare previsioni classiche per l’ottimizzazione delle scorte affronta il problema dal punto di vista sbagliato.

Lokad ha sviluppato una tecnologia di previsione statistica per il settore del commercio al dettaglio che risponde direttamente alla seguente semplice domanda: di quante unità di prodotto X ho bisogno per raggiungere il livello di servizio Y? Invece di cercare di rispondere a questa domanda attraverso un percorso molto indiretto e altamente inaccurato che di solito coinvolge previsioni mediane e scorte di sicurezza, la tecnologia di Lokad consente di fornire una risposta diretta attraverso previsioni quantili. Di conseguenza, poiché il metodo di previsione di Lokad è diretto e non indiretto come le previsioni classiche, le prestazioni delle scorte fornite dalle previsioni quantili superano di gran lunga le prestazioni ottenute attraverso l’approccio classico.

Scaling fino a migliaia di negozi

retail_networks_stores

Fornire previsioni statistiche avanzate per migliaia di negozi può richiedere una quantità enorme di potenza di elaborazione. Lokad fornisce questa potenza di elaborazione attraverso l’utilizzo di Microsoft Azure, la piattaforma di cloud computing di Microsoft. Grazie al nostro lavoro qui a Lokad, abbiamo ricevuto il primo Azure Partner Award da Microsoft nel 2010.

In particolare, Lokad sfrutta una tecnica nota come auto-scaling, che significa che non appena un lavoro di previsione deve essere eseguito da Lokad, provvediamo dinamicamente ai server su Microsoft Azure (potenzialmente centinaia di essi a seconda della scala della rete di vendita al dettaglio) e li utilizziamo immediatamente per fornire risultati di previsione in meno di 60 minuti. Non appena viene completato un calcolo, tutti i server vengono de-provisionati.

Poiché le previsioni delle scorte sono quasi mai necessarie più di una volta al giorno, l’auto-scaling offre una riduzione diretta dei costi hardware di un fattore 24; una riduzione che può essere passata ai nostri clienti. Tuttavia, la riduzione effettiva dei costi hardware deriva dal fatto che abbiamo sviluppato una tecnologia che è fortemente orientata verso l’elaborazione ad alte prestazioni dei dati di vendita al dettaglio.

Strategie di acquisto complesse a livello di magazzino

Mentre il processo di riordino a livello di negozio è tipicamente relativamente semplice, le strategie di acquisto a livello di magazzino possono essere piuttosto complesse. Attraverso il motore di scripting di Lokad, è possibile trasformare le previsioni di domanda regolari in ordini di acquisto corretti che tengono conto di sconti, spese di spedizione, capacità del magazzino, variazioni dei tempi di consegna, ecc. Priceforge può anche essere utilizzato per stabilire tutti gli indicatori chiave di prestazione (KPI) altamente specifici del settore richiesti dai manager per monitorare le prestazioni complessive delle scorte della rete.