Optimización Predictiva Para la Moda
La moda se impulsa por la novedad. Una marca de moda necesita diseñar y lanzar el producto correcto en el momento adecuado, al precio justo y con la cantidad de stock que resulta ser exactamente la necesaria para atender al mercado. Luego, se utilizan promociones primero para amplificar la demanda y, en segundo lugar, para liquidar cualquier exceso de stocks. Lokad ofrece una solución de software estadístico que proporciona optimización predictiva en cada paso del ciclo de vida del producto, desde su concepción hasta su liquidación. Nuestra tecnología abraza exactamente lo que hace que la moda sea tan increíblemente desafiante: canibalizaciones y sustituciones ubicuas, tendencias y estacionalidades erráticas, flujos interminables de nuevos productos, precios altamente dinámicos, etc.
Ed. El siguiente contenido no se aplica al hard luxury, que sigue un conjunto muy diferente de reglas y restricciones. Para más información, vea Optimización Predictiva para Hard Luxury.
Vizions by Zalando: La primera conferencia de plataforma de Europa, 20 de abril de 2017, Berlín
Comencemos con una pregunta inocente. ¿Por qué crees que existen las rebajas? Hoy en día, las rebajas de invierno, las rebajas de verano y una serie de eventos más pequeños entre medio son una institución, especialmente en la moda. (...) Pero, ¿por qué existen en primer lugar? Existen para permitir a los minoristas deshacerse del exceso de stock. En primer lugar, las rebajas son la manifestación de un forecast que salió mal. Se puede argumentar que hoy en día son mucho más que eso. Cierto, pero la meta inicial sigue siendo la misma.
Joannes Vermorel, Fundador de Lokad
LOKAD TV
Echa un vistazo a nuestras entrevistas en Lokad TV y conoce más sobre Supply Chain y moda.
Optimización de extremo a extremo sobre el ciclo de vida completo del producto
Fase 1 - precolección
Muchas marcas de moda lanzan miles de nuevas referencias por colección - considerando tallas, colores, puntos de venta, etc.
Durante la última década, las marcas más exitosas han demostrado su capacidad para adaptarse cada vez más a las últimas tendencias, aumentando su número de colecciones al año y reduciendo sus tiempos de entrega.
La tecnología de optimización predictiva de Lokad aborda cada decisión a lo largo de todo el ciclo de vida de cada producto de la marca. Nuestra tecnología es una combinación de machine learning - utilizado para extraer patrones o predicciones de los datos - y de optimización numérica - utilizada para generar decisiones optimizadas.
La preparación de la nueva colección comienza con la entrega de una optimización de surtido - también denominada plan de gama. La tecnología de Lokad te permite componer la gama adecuada de tallas, colores y formas a partir de los diseños iniciales. Este plan de gama está destinado a ajustarse lo más posible a los deseos y expectativas de tu base de clientes. Lokad puede ayudarte a generar el caso de negocio que respalda el plan de gama, y ofrece a los planners la posibilidad de refinar el plan con sus conocimientos estratégicos - en oposición a microgestionar cada variante de producto.
Tan pronto como el plan de gama se finaliza, entregamos una optimización de compras, sugiriendo exactamente cuántas unidades deben producirse o comprarse para cada variante de producto - y cuándo pedirlas también. Naturalmente, la mayoría de los productos nunca se han vendido antes. Esta tarea se complica típicamente por múltiples restricciones de MOQ (Cantidades Mínimas de Pedido), escalas de precios, así como tiempos de entrega variables (p.ej., el Año Nuevo Chino ralentizando la producción en Asia). Lokad también puede optimizar la combinación de transporte (p.ej., transporte marítimo vs. aéreo) y la combinación de proveedores (p.ej., proveedores del extranjero vs. proveedores locales).
Como ejemplo, nuestro solucionador de MOQ puede abordar múltiples restricciones de MOQ superpuestas: puede haber un MOQ a nivel de producto (p.ej., un mínimo de 100 unidades por producto en cada orden de compra), otro MOQ a nivel de tela (p.ej., un mínimo de 3000 metros de tela por color), y un último MOQ a nivel de proveedor (p.ej., un mínimo de $50,000 en mercancía comprada por orden). Abordar todos estos MOQs mientras se mantienen los niveles de stock bajo control es un gran problema cuando se procesan manualmente. Lokad agiliza el proceso por completo a través de solucionadores numéricos que permiten identificar la “envolvente” de orden de compra más rentable que satisface todas las restricciones dadas.
Fase 2 - postlanzamiento de la colección
Cuando se avecina el lanzamiento de la colección, entregamos una optimización de asignación de stock, decidiendo exactamente cuántas unidades asignar a cada centro de distribución y/o a cada tienda. En la tienda, el stock tiene dos propósitos: no solo atender la demanda, sino también atraer a la clientela. La optimización de asignación tiene en cuenta correctamente este ángulo de mercadeo, aprovechando al máximo cada tienda. La optimización considera los límites de capacidad de almacenamiento (p.ej., espacio en estanterías), así como la capacidad limitada de los equipos de planta para manejar grandes lotes entrantes de productos. También se cuidan los packs y lotes - que son útiles para reducir los costos de manutención.
Para seguir las últimas tendencias, identificamos a los más vendidos y a los de poca rotación. La identificación de los más vendidos, destinada a desencadenar reposiciones tempranas, se puede realizar con cantidades de stock limitadas, sondeando el mercado en un número reducido de tiendas - posiblemente solo a través de la plataforma de ecommerce. Por el contrario, la identificación temprana de los de poca rotación también es importante para retirar lo antes posible aquellos productos de las estanterías que ocupan espacio en detrimento de productos mejores.
Para la mayoría de las marcas de fast fashion, los descuentos y otros mecanismos promocionales son parte del ADN de la marca. Lokad ofrece capacidades de optimización de precios, sugiriendo cuándo bajar el precio para asegurar que no quede nada al final de la colección, al tiempo que se maximiza la cantidad total de margen bruto
También tenemos en cuenta los descuentos que provienen de programas de fidelización - aplicados de forma uniforme a muchos productos - que pueden reemplazar y, a veces, complementar los descuentos a nivel de producto.
Optimización de surtido, optimización de compras, optimización de asignación de stock, identificación de los más vendidos y de los de poca rotación, optimización de precios: Lokad puede utilizarse para optimizar todas estas decisiones - y más - con una perspectiva end-to-end consistente sobre el ciclo de vida completo de los productos. Sin embargo, también es posible comenzar en pequeño con un alcance más reducido. Para cualquier consulta, envíanos un correo electrónico a contact@lokad.com
La moda requiere forecasts de demanda no clásicos
La optimización de decisiones que involucran stocks y precios requiere conocimientos precisos sobre el futuro. Sin embargo, la perspectiva clásica de forecast de demanda es en gran medida disfuncional en lo que respecta a la moda. Por ello, Lokad ha desarrollado capacidades únicas de forecast, diseñadas en su núcleo en torno a los desafíos que enfrentan las empresas de moda.
Trabajamos con forecasts probabilísticos: consideramos todos los futuros posibles, y calculamos sus respectivas probabilidades. De hecho, la incertidumbre de la demanda es irreducible en la moda. No hay esperanza de producir un forecast “perfecto”. Los métodos tradicionales esperan que la decisión se tome basándose en el “único” forecast, haciendo que esas decisiones sean frágiles frente a errores de forecast.
En lugar de descartar la incertidumbre, la abrazamos. A través de forecasts probabilísticos, equilibramos riesgos y oportunidades.
Los forecasts operan a nivel de surtido para tener en cuenta los efectos de canibalización y sustitución. Hacer un forecast de la demanda de un producto de manera aislada no tiene sentido, ya que la demanda de ese producto está fuertemente influenciada por la presencia - o ausencia - de productos similares que compiten por los mismos clientes. Los métodos tradicionales que se centran en forecasts de series temporales pierden totalmente este punto, y la situación suele empeorar cuando también se utilizan stocks de seguridad o niveles de servicio.
La demanda está condicionada por la fijación de precios, la cual es una parte integral de nuestro forecast. No solo la demanda futura es cuestión de probabilidades, sino que esas probabilidades se ven influidas por el precio del producto - una palanca accionable a disposición de la empresa.
Una vez más, el surtido importa, y el aumento de la demanda depende de la intensidad promocional general. No es sensato esperar el mismo aumento si el producto es el único que se promociona en la tienda, en comparación con una promoción aplicada a toda la tienda. Los forecasts no se detienen solo en la demanda; también deben forecastearse las devoluciones y los tiempos de entrega.
Toda fuente de incertidumbre requiere forecasts estadísticos adecuados, y aunque la demanda futura es central, existen necesidades más allá del forecast de demanda y hemos diseñado nuestra tecnología en consecuencia. Esos forecasts también suelen ser probabilísticos y tienden a combinarse con los forecasts de demanda en sí mismos - por ejemplo, forecastear la demanda durante el tiempo de entrega. La última generación de nuestra tecnología de forecast se basa en differentiable programming. Este descendiente del deep learning es particularmente adecuado para tratar con una demanda escasa e intermitente, como la observada comúnmente en la industria de la moda.
¿Qué hay del clima y las redes sociales?
Nuestra experiencia indica que la mayoría de las empresas están subutilizando de forma dramática sus propios datos históricos “básicos”. La mayoría de los forecasts de demanda ni siquiera aprovechan los datos de fidelidad de clientes, y la mayoría de las órdenes de compra se realizan sin un forecast formal de tiempos de entrega. Así, aunque no descartamos tomar pistas de fuentes de datos externas como las redes sociales o los datos meteorológicos, creemos firmemente que las empresas deben comenzar aprovechando al máximo los datos que ya poseen.
Escalando ante el desafío
La moda a gran escala implica cientos de tiendas y decenas de miles de variantes. Por lo tanto, el motor de forecast debe ser capaz de escalar hasta millones de posiciones SKU. Nuestro motor de forecast fue diseñado de forma nativa para computación en la nube. A diferencia de las soluciones tradicionales, la nube no es una idea secundaria para Lokad: Lokad puede procesar terabytes de datos a diario.
Además, a diferencia de los enfoques tradicionales, nuestra capacidad de forecast no se basa en vincular manualmente productos antiguos y nuevos indicándole al sistema cuál producto antiguo debe considerarse como el más relevante para forecastear el nuevo producto.
En cambio, nuestro motor de forecast se basa exclusivamente en algoritmos avanzados de machine learning para detectar automáticamente las similitudes que pueden existir entre productos, e identificar, por sí mismo, qué productos específicos son relevantes para forecastear un nuevo producto en la colección.
Esta detección automática de similitudes se basa en los numerosos atributos de producto que normalmente están presentes en la moda: tipo de producto, familia de producto, talla, color, tela, estilo, punto de precio, marca, etc. Aunque uno podría preocuparse por la cantidad de datos requerida, nuestra experiencia en Lokad indica que los datos del catálogo, tal como existen para operar, por ejemplo, las facetas de un e-commerce front-end, suelen ser suficientes para lograr buenos resultados.
Las soluciones tradicionales de forecast que se basan en el emparejamiento manual entre productos son demasiado laboriosas para ser efectivas - hay demasiados pares a considerar - ya que es precisamente el emparejamiento lo que resulta ser el ingrediente principal de los forecast.
Debido a la ineficacia de este método, las empresas tienden a recurrir a sus hojas de cálculo, ya que la solución de forecast basada en el emparejamiento manual no logra proporcionar el valor necesario. Lokad afronta el reto de frente, centrándose en la dificultad principal del desafío, en lugar de trasladar la carga a los usuarios.
Sin embargo, en Lokad, aunque podemos referirnos a este proceso de forecast como emparejamiento de productos, no asumimos que exista una correspondencia uno a uno entre los productos de una colección antigua y una nueva. Por ejemplo, un producto puede dividirse en múltiples variantes, lo que puede generar cannibalizaciones. Luego, otro producto podría ser verdaderamente “nuevo”, sin productos anteriores de correspondencia cercana. En tal caso, el motor de forecast recurre a consideraciones más amplias, tales como la categoría del producto, la familia, la marca o el punto de precio.
Factores económicos y whiteboxing
Las decisiones deben optimizarse en función de sus retornos esperados expresados en dólares o euros, no en porcentajes.
Todos los factores que determinan el costo y la recompensa de una decisión se denominan colectivamente como factores económicos: incluyen el margen bruto, el costo de mantenimiento de inventario, el costo de transporte, el costo de oportunidad del espacio en estantería, la buena voluntad del cliente, etc. Lokad modela explícitamente todos estos factores económicos, teniendo en cuenta las particularidades del mercado de la moda.
Por ejemplo, cada vez que se vende un producto con descuento, se crea la expectativa en el cliente de beneficiarse de un descuento similar en el futuro.
El primer objetivo de esos factores económicos es apoyar el proceso de optimización numérica que genera las decisiones (por ejemplo, las cantidades de órdenes de compra o los descuentos en productos). No hay optimización sin medición: los factores económicos son, literalmente, lo que hace funcionar el proceso de optimización.
Lokad no es un sustituto de profundas percepciones estratégicas (estas provienen de la experiencia de tu equipo), nuestra tecnología está diseñada únicamente para hacer posible desplegar a escala esas percepciones estratégicas - tal como se reflejan a través de los factores económicos - en cada decisión tomada por la empresa.
El segundo propósito de esos factores es el proceso de “whiteboxing”. El objetivo del proceso de whiteboxing es proporcionar a tus equipos un alto grado de transparencia para cada decisión generada por Lokad. Tu equipo necesita entender por qué Lokad sugiere esta decisión. Para lograrlo, cada decisión generada por Lokad viene acompañada de su propio conjunto de métricas - medidas en euros o dólares - que explican la intención comercial de la decisión. Esas métricas son las diferentes reflecciones de los factores económicos. Nuestra experiencia indica que este enfoque es superior a intentar dilucidar la letra pequeña algorítmica del cálculo, la cual no solo es increíblemente tediosa, sino también en gran medida carente de sentido, salvo para expertos en deep learning o en optimización numérica.
Desde una perspectiva de gestión, los factores económicos son un poderoso mecanismo para orientar a la empresa en la dirección correcta. Estos factores no se consideran “inmutables”, sino que, por el contrario, siempre son susceptibles de cambio, a fin de reflejar la evolución del mercado. La tecnología de Lokad está diseñada para proporcionar un alto grado de agilidad: con esfuerzos limitados, es posible elaborar complejos escenarios what-if que retraten diversas estrategias alternativas.