Previsione della domanda nel settore della moda
Prevedere è difficile. Prevedere il futuro della moda è estremamente difficile. Di conseguenza, per la maggior parte, l’industria della moda si affida ancora a metodi rudimentali come Open-To-Buy, che altro non sono che medie mobili top-down ingigantite. Eppure, la maggior parte degli operatori della supply chain sostenerebbe che finché non esiste qualcosa che possa effettivamente battere Open-To-Buy nel mondo reale, allora Open-To-Buy non è superato, non importa quanto rudimentale possa essere il metodo. Infatti, fino a poco tempo fa, le nostre osservazioni erano allineate a ciò che le aziende di moda ci dicevano: nulla funziona davvero per la moda e l’indovinare rimane la migliore opzione tra tutte le altre, anche meno soddisfacenti, alternative.
Il nostro motore di previsione probabilistica, rilasciato l’anno scorso, è diventato un punto di svolta per la moda. Dopo anni di lotta con i modelli di domanda della moda, finalmente abbiamo un motore di previsione che è nativamente progettato per le sfide specifiche del settore della moda. Negli ultimi mesi, abbiamo guidato le supply chain di diverse aziende di moda e, beh, funziona davvero! Considerando il track record dei fornitori di previsione nell’industria della moda, le probabilità non erano davvero a nostro favore.
La domanda nel settore della moda è tipicamente guidata dalla novità e i nuovi prodotti si uniscono attraverso le collezioni. Le collezioni sono essenziali dal punto di vista della moda; tuttavia, allo stesso tempo, rappresentano una sfida di previsione massiccia.
La domanda deve essere prevista per prodotti che non sono ancora stati venduti.
La moda non riguarda prodotti che non sono stati venduti per molto tempo, la moda riguarda prodotti che non sono stati venduti affatto. Questa prospettiva è un abbinamento fondamentale con l’approccio di previsione delle serie temporali che rappresenta la base di quasi tutti i sistemi di previsione, tranne Lokad. Infatti, da un punto di vista delle serie temporali, nel caso della moda, le serie temporali non hanno profondità storica, quindi non c’è nulla su cui fare affidamento per scopi di previsione.
Il motore di previsione probabilistica di Lokad adotta una posizione completamente diversa: sfrutta attivamente i diversi attributi del prodotto: marca, stile, colore, tessuto, taglia, fascia di prezzo, categoria, ecc., al fine di costruire una previsione della domanda basata sulle prestazioni di prodotti simili nelle collezioni precedenti.
Una delle cose che il motore di previsione di Lokad non fa è richiedere l’abbinamento manuale dei prodotti tra le collezioni. In primo luogo, stabilire questi abbinamenti è molto complicato e estremamente dispendioso in termini di tempo. Gli operatori della supply chain non dovrebbero essere schiavi dei propri sistemi; se i sistemi richiedono migliaia di prodotti da abbinare manualmente, è probabile che questo tempo sarebbe meglio investito nella produzione di una previsione manuale che beneficia direttamente delle intuizioni umane. In secondo luogo, nella moda, il mapping 1 a 1 tra le vecchie e le nuove collezioni non ha effettivamente senso nella maggior parte dei casi. Le nuove collezioni sono inclini a ridefinire i codici in modi sottili ma importanti: un prodotto può diventare molti e viceversa. Una metodologia che si basa esclusivamente su abbinamenti 1 a 1 è garantita per fornire risultati piuttosto ingenui sulle collezioni future.
Il motore di previsione di Lokad si basa su calcoli di tutte queste somiglianze in modo completamente automatizzato attraverso algoritmi di machine learning. L’intelligenza artificiale è ora molto di moda nei media, ma sotto la superficie si riduce a algoritmi di machine learning che hanno subito progressi costanti e graduale nel corso degli ultimi 3 decenni. Lokad sfrutta diverse classi di algoritmi di machine learning, adattati per scopi di supply chain.
Inoltre, Lokad fornisce previsioni probabilistiche. Invece di fornire una sola previsione della domanda - la mediana o la media - che è (quasi) garantita di essere errata, Lokad fornisce le probabilità per (quasi) tutti gli scenari di domanda. Questo aspetto è di importanza critica per l’industria della moda perché l’incertezza è irriducibile; e un buon ordine di fornitura spesso si riduce a un’analisi del rischio.
Nella moda, i due principali rischi sono le opportunità perdute se non c’è abbastanza stock e la svalutazione delle scorte se i beni devono essere venduti con uno sconto molto aggressivo durante il periodo dei saldi - al fine di liquidare le rimanenti scorte di una collezione. Lokad ha capacità native per affrontare questa specifica analisi del rischio che è così importante nella moda.
Intrigato dalle capacità di Lokad per la moda? Non esitare a prenotare una chiamata di demo con noi.
