Optimización Predictiva Para la Moda
La moda se impulsa por la novedad. Una marca de moda necesita diseñar y lanzar el producto adecuado en el momento oportuno, al precio correcto y con la cantidad de stock que resulte ser justo para atender el mercado. Luego, se utilizan promociones primero para amplificar la demanda y segundo para liquidar el exceso restante de stock. 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: cannibalizaciones y sustituciones ubicuas, tendencias y estacionalidades erráticas, flujos interminables de nuevos productos, precios altamente dinámicos, etc.
Ed. El siguiente contenido no se aplica a hard luxury, que sigue un conjunto muy diferente de normas y restricciones. Para más información, consulta Predictive Optimization for Hard Luxury.
Vizions by Zalando: La primera conferencia de plataformas 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 intercalados 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 una manifestación de un forecast fallido. Se puede argumentar que hoy en día son mucho más que eso. Es cierto, pero el objetivo inicial sigue siendo el mismo.
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 a lo largo del ciclo de vida completo del producto
Fase 1 - pre-colección
Muchas marcas de moda lanzan miles de nuevas referencias por colección - considerando tallas, colores, puntos de venta, etc.
En la última década, las marcas más exitosas han demostrado su capacidad para adherirse cada vez más a las últimas tendencias, aumentando su número de colecciones por año y reduciendo sus plazos de entrega.
La tecnología de optimización predictiva de Lokad aborda cada decisión a lo largo del ciclo de vida completo de cada producto de la marca. Nuestra tecnología es una mezcla 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 conocida como plan de gama. La tecnología de Lokad te permite componer la gama adecuada de tallas, colores y formas sobre los diseños iniciales. Este plan de gama está diseñado para ajustarse lo más fielmente posible a los deseos y expectativas de tu base de clientes. Lokad puede ayudarte a generar el caso de negocio que respalde el plan de gama y ofrece la posibilidad a los planificadores de perfeccionar el plan con sus conocimientos de alto nivel - en lugar de microgestionar cada variante de producto.
Tan pronto como se finalice el plan de gama, entregamos una optimización de compras, sugiriendo exactamente cuántas unidades deben producirse o adquirirse para cada variante de producto, y también cuándo realizar el pedido. Naturalmente, la mayoría de los productos nunca se han vendido antes. Esta tarea suele complicarse por múltiples restricciones de MOQ (cantidades mínimas de pedido), escalas de precios, así como por plazos de entrega variables (por ejemplo, el Año Nuevo chino que ralentiza la producción en Asia). Lokad también puede optimizar la mezcla de transporte (por ejemplo, carga marítima vs. aérea) y la mezcla de proveedores (por ejemplo, proveedores del extranjero vs local suppliers).
Como ejemplo, nuestro solucionador de MOQ puede abordar múltiples restricciones de MOQ superpuestas: puede haber un MOQ a nivel de producto (por ejemplo, un mínimo de 100 unidades por producto para cada orden de compra), otro MOQ a nivel de tela (por ejemplo, un mínimo de 3000 metros de tela por color), y un último MOQ a nivel de proveedor (por ejemplo, un mínimo de $50,000 en mercancía adquirida por pedido). 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 mediante solucionadores numéricos que permiten identificar el “enveloppe” de la orden de compra más rentable que satisfaga todas las restricciones dadas.
Fase 2 - post lanzamiento de 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 cumple dos propósitos: no solo satisfacer la demanda, sino también atraer a la clientela. La optimización de asignación tiene en cuenta adecuadamente este ángulo de merchandizing, aprovechando al máximo cada tienda. La optimización considera los límites de capacidad de almacenamiento (por ejemplo, espacio en estanterías), así como la capacidad limitada de los equipos en terreno para manejar grandes lotes entrantes de productos. También se cuidan los bundles y lotes - que son útiles para reducir los costes de manutención.
Para mantenerse al día con las últimas tendencias, identificamos los best-sellers y slow-movers. La identificación de los best-sellers, destinada a desencadenar reposiciones tempranas, se puede realizar con cantidades de stock limitadas, sondeando el mercado en un número reducido de tiendas - posiblemente únicamente a través de la plataforma e-commerce. Por el contrario, la identificación temprana de los slow-movers también es importante para retirar lo antes posible aquellos productos de las estanterías que ocupan espacio a expensas de mejores productos.
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 mismo tiempo que se maximiza el margen bruto total
También tomamos en cuenta los descuentos que provienen de programas de fidelidad - aplicados de manera 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 best-sellers y slow-movers, optimización de precios: Lokad se puede utilizar para optimizar todas estas decisiones - y más - con una perspectiva consistente de extremo a extremo sobre el ciclo de vida completo de los productos. Sin embargo, también es posible comenzar en pequeño con un alcance más limitado. 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 insights precisos sobre el futuro. Sin embargo, la perspectiva clásica de forecast de demanda es mayormente disfuncional en lo que respecta a la moda. Por ello, Lokad ha desarrollado capacidades únicas de forecast diseñadas en su núcleo alrededor de 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 irreductible en la moda. No hay esperanza de producir un forecast “perfecto”. Los métodos tradicionales esperan que las decisiones se tomen en base al forecast “único”, haciendo esas decisiones frágiles ante 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 cannibalización y sustitución. Hacer forecast de la demanda de un producto de forma aislada carece de sentido, ya que la demanda de dicho 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 pasan completamente por alto 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, lo cual es una parte integral de nuestro forecast. No solo la futura demanda es cuestión de probabilidades, sino que esas probabilidades se ven influenciadas 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 global. No es prudente 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 se deben forecastear las devoluciones y los plazos 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 propios forecasts de demanda, por ejemplo, forecastear la demanda durante el plazo de entrega. La última generación de nuestra tecnología de forecast se basa en differentiable programming. Este descendiente del deep learning es particularmente adecuado para lidiar con la demanda esporádica e intermitente, tal como se observa comúnmente en la industria de la moda.
¿Qué hay de la meteorología y las redes sociales?
Nuestra experiencia indica que la mayoría de las empresas subutilizan de manera dramática sus propios datos históricos “básicos”. La mayoría de los forecasts de demanda ni siquiera aprovechan los datos de fidelidad del cliente, y la mayoría de las órdenes de compra se realizan sin un forecast formal de plazos de entrega. Por lo tanto, aunque no descartamos tomar pistas de fuentes de datos externas como las redes sociales o los datos meteorológicos, creemos firmemente que las empresas deberían comenzar aprovechando al máximo los datos que ya poseen.
Escalando 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 nativamente para computación en la nube. A diferencia de las soluciones tradicionales, la nube no es una ocurrencia tardía para Lokad: Lokad puede procesar terabytes de datos diariamente.
Además, a diferencia de los enfoques tradicionales, nuestra capacidad de forecast no se basa en vincular manualmente productos antiguos y nuevos diciéndole al sistema qué producto antiguo debe ser considerado como el más relevante para forecast del 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, y para identificar, por sí mismo, qué productos específicos son relevantes para forecast de un nuevo producto en la colección.
La 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, tejido, estilo, punto de precio, marca, etc. Aunque uno podría preocuparse por la cantidad de datos requeridos, nuestra experiencia en Lokad indica que los datos de catálogo, tal como existen para operar las facetas de un front-end de ecommerce, suelen ser suficientes para lograr buenos resultados.
Las soluciones tradicionales de forecast que se basan en el emparejamiento manual entre productos son demasiado lentas para ser efectivas - hay demasiados pares a considerar - ya que es precisamente el emparejamiento el que resulta ser el ingrediente principal de los forecast.
Debido a la ineficacia de este método, las empresas tienden a volver a sus hojas de cálculo, ya que la solución de forecast basada en el emparejamiento manual no logra entregar el valor necesario. Lokad aborda el desafío de frente, centrándose en la dificultad central 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 1 a 1 entre productos de una colección antigua y una nueva. Por ejemplo, un producto puede dividirse en múltiples variantes, lo que puede generar canibalizaciones. Luego, otro producto podría ser verdaderamente “nuevo”, sin productos pasados de estrecha correspondencia. En tal caso, el motor de forecast recurre a consideraciones más amplias, como la categoría del producto, la familia, la marca o el punto de precio.
Impulsores 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 moldean el costo y la recompensa de una decisión se engloban bajo el término impulsores económicos: incluyen el margen bruto, el costo de mantenimiento de inventario, el costo de transporte, el costo de oportunidad del espacio en estante, la lealtad del cliente, etc. Lokad modela explícitamente todos estos impulsores económicos, teniendo en cuenta las especificidades del mercado de la moda.
Por ejemplo, cada vez que se vende un producto con descuento, se crea en el cliente la expectativa de beneficiarse de un descuento similar en el futuro.
El primer propósito de esos impulsores 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 existe optimización sin medición: los impulsores económicos son, literalmente, lo que hace funcionar el proceso de optimización.
Lokad no es un sustituto de perspectivas estratégicas profundas (estas provienen de la experiencia de tu equipo), nuestra tecnología está diseñada simplemente para permitir desplegar a escala esas perspectivas estratégicas - tal como se reflejan en los impulsores económicos - en cada decisión tomada por la empresa.
El segundo propósito de esos impulsores 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 impulsores económicos. Nuestra experiencia indica que este enfoque es superior a intentar arrojar luz sobre la letra pequeña algorítmica del cálculo, lo cual no solo es increíblemente tedioso, sino también en gran medida insensato salvo para expertos en machine learning o en optimización numérica.
Desde una perspectiva gerencial, los impulsores económicos son un mecanismo poderoso para dirigir la empresa en la dirección correcta. Estos impulsores no se consideran “inmutables”, sino que, por el contrario, siempre son susceptibles de cambio para 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.