Ottimizzazione Predittiva Per la Moda
La moda è guidata dalla novità. Un marchio di moda deve progettare e promuovere il prodotto giusto al momento giusto, al prezzo giusto e con una quantità di scorte che risulti appena sufficiente a soddisfare il mercato. Successivamente, le promozioni sono utilizzate prima per amplificare la domanda e poi per liquidare l'eccesso di scorte residuo. Lokad offre una soluzione software statistica che fornisce un'ottimizzazione predittiva in ogni fase del ciclo di vita del prodotto, dalla sua concezione fino alla liquidazione. La nostra tecnologia abbraccia esattamente ciò che rende la moda così incredibilmente sfidante: cannibalizzazioni e sostituzioni pervasive, tendenze e stagionalità erratiche, flussi interminabili di nuovi prodotti, prezzi altamente dinamici, ecc.
Nota: Il contenuto seguente non si applica al settore hard luxury, che segue un insieme di regole e vincoli molto diversi. Per maggiori informazioni, vedere Predictive Optimization for Hard Luxury.
Vizions by Zalando: la prima conferenza di piattaforma in Europa, 20 aprile 2017, Berlino
Iniziamo con una domanda apparentemente innocente. Perché pensate che esistano gli sconti? Al giorno d’oggi, i saldi invernali, i saldi estivi e numerosi altri eventi minori sono un'istituzione, specialmente nella moda. (...) Ma perché esistono in primo luogo? Esistono per permettere ai rivenditori di liberarsi dell'eccesso di scorte. In origine, i saldi sono la manifestazione di una previsione andata male. Si può sostenere che oggi siano molto più di questo. È vero, ma l'obiettivo iniziale rimane lo stesso.
Joannes Vermorel, Fondatore di Lokad
LOKAD TV
Dai un'occhiata alle nostre interviste su Lokad TV e scopri di più su Supply Chain e moda.
Ottimizzazione end-to-end sull'intero ciclo di vita del prodotto
Fase 1 - pre-collezione
Molti marchi di moda lanciano migliaia di nuove referenze per collezione - considerando taglie, colori, punti vendita, ecc.
Negli ultimi dieci anni, i marchi di maggior successo hanno dimostrato la loro capacità di aderire sempre di più alle ultime tendenze, aumentando il numero di collezioni all'anno e riducendo i tempi di consegna.
La tecnologia di ottimizzazione predittiva di Lokad affronta ogni singola decisione lungo l’intero ciclo di vita di ciascun prodotto del marchio. La nostra tecnologia è una combinazione di machine learning - utilizzato per estrarre pattern o previsioni dai dati - e di ottimizzazione numerica - impiegata per generare decisioni ottimizzate.
La preparazione della nuova collezione inizia con la fornitura di un’ottimizzazione dell’assortimento - nota anche come range plan. La tecnologia di Lokad ti consente di comporre il giusto assortimento di taglie, colori e forme a partire dai design iniziali. Questo range plan è pensato per allinearsi il più possibile ai desideri e alle aspettative della tua clientela. Lokad può aiutarti a generare il business case che supporta il range plan, e offre la possibilità ai planner di affinare il piano con i loro insight di alto livello - in contrasto con la gestione micro di ogni singola variante di prodotto.
Non appena il range plan è finalizzato, forniamo un’ottimizzazione degli acquisti, suggerendo esattamente quante unità debbano essere prodotte o acquistate per ogni singola variante di prodotto - e quando effettuare l’ordine. Naturalmente, la maggior parte dei prodotti non è mai stata venduta in precedenza. Questo compito è tipicamente complicato da molteplici vincoli di MOQ (Quantità Minime d’Ordine), scalette di prezzo, nonché da tempi di consegna variabili (ad es. il Capodanno cinese che rallenta la produzione in Asia). Lokad può anche ottimizzare il mix di trasporto (ad es. spedizione marittima vs aerea) e il mix di fornitori (ad es. fornitori esteri vs fornitori locali).
Ad esempio, il nostro risolutore di MOQ può affrontare molteplici vincoli di MOQ sovrapposti: potrebbe esserci un MOQ a livello di prodotto (ad es. un minimo di 100 unità per prodotto per ogni ordine di acquisto), un altro MOQ a livello di tessuto (ad es. un minimo di 3000 metri di tessuto per colore), e infine un MOQ a livello di fornitore (ad es. un minimo di $50,000 di merci acquistate per ordine). Risolvere tutti questi vincoli di MOQ mantenendo sotto controllo i livelli di scorte è un problema notevole quando i MOQ vengono gestiti manualmente. Lokad semplifica completamente il processo attraverso solutori numerici che consentono di identificare l’enveloppe di ordine di acquisto più redditizio in grado di soddisfare tutti i vincoli dati.
Fase 2 - post lancio della collezione
Quando il lancio della collezione si avvicina, forniamo un’ottimizzazione dell’allocazione delle scorte, decidendo esattamente quante unità allocare a ciascun centro di distribuzione e/o a ciascun punto vendita. In negozio, le scorte hanno due scopi: non solo soddisfare la domanda, ma anche attrarre la clientela. L’ottimizzazione dell’allocazione tiene adeguatamente conto di questo aspetto di merchandising, sfruttando al massimo ogni punto vendita. L’ottimizzazione considera i limiti di capacità di stoccaggio (ad es. spazio sugli scaffali), nonché la capacità limitata delle squadre sul campo di gestire grandi lotti di prodotti in arrivo. Anche i bundle e i lotti - utili per ridurre i costi di movimentazione - sono presi in considerazione.
Per rimanere al passo con le ultime tendenze, identifichiamo i best-seller e i prodotti a lenta rotazione. L’identificazione dei best-seller, finalizzata a innescare rifornimenti anticipati, può essere effettuata con quantità di scorte limitate, sondando il mercato in un numero limitato di punti vendita - possibilmente solo tramite la piattaforma e-commerce. Al contrario, l’identificazione precoce dei prodotti a lenta rotazione è altrettanto importante per rimuovere il prima possibile quei prodotti dagli scaffali che occupano spazio a discapito di prodotti migliori.
Per la maggior parte dei marchi di fast fashion, sconti e altri meccanismi promozionali fanno parte del DNA del marchio. Lokad offre capacità di ottimizzazione dei prezzi, suggerendo quando abbassare il prezzo per garantire che non rimangano eccedenze alla fine della collezione, massimizzando allo stesso tempo il margine lordo complessivo.
Consideriamo anche gli sconti provenienti da programmi di fidelizzazione - applicati uniformemente su molti prodotti - che possono sostituire e talvolta integrare gli sconti a livello di prodotto.
Ottimizzazione dell'assortimento, ottimizzazione degli acquisti, ottimizzazione dell'allocazione delle scorte, identificazione dei best-seller e dei prodotti a lenta rotazione, ottimizzazione dei prezzi: Lokad può essere utilizzato per ottimizzare tutte queste decisioni - e molto altro - con una visione end-to-end coerente dell'intero ciclo di vita dei prodotti. Tuttavia, è anche possibile iniziare in piccolo con un ambito più ristretto. Per qualsiasi richiesta, scrivici a contact@lokad.com
La moda richiede previsioni della domanda non classiche
L’ottimizzazione delle decisioni riguardanti scorte e prezzi richiede una conoscenza accurata del futuro. Tuttavia, la prospettiva classica delle previsioni della domanda risulta in gran parte disfunzionale per quanto riguarda la moda. Perciò, Lokad ha sviluppato capacità di previsione uniche, progettate attorno alle sfide che affrontano le aziende della moda.
Lavoriamo con previsioni probabilistiche: consideriamo tutti i futuri possibili e calcoliamo le rispettive probabilità. Infatti, l’incertezza della domanda nella moda è irreducibile. Non c’è speranza di produrre una previsione “perfetta”. I metodi tradizionali si aspettano che le decisioni vengano prese sulla base di una singola previsione, rendendo tali decisioni fragili agli errori di previsione.
Invece di respingere l’incertezza, la abbracciamo. Attraverso previsioni probabilistiche, bilanciamo rischi e opportunità.
Le previsioni operano a livello di assortimento per tenere conto degli effetti di cannibalizzazione e sostituzione. Prevedere la domanda di un prodotto isolato è privo di senso, poiché la domanda di quel prodotto è fortemente influenzata dalla presenza - o assenza - di prodotti simili che competono per gli stessi clienti. I metodi tradizionali che si concentrano sulle previsioni serie temporali non colgono affatto questo punto, e la situazione peggiora solitamente quando vengono utilizzate scorte di sicurezza o livelli di servizio.
La domanda è condizionata dai prezzi, che costituiscono una parte integrante della nostra previsione. Non solo la domanda futura è una questione di probabilità, ma tali probabilità sono influenzate dal prezzo del prodotto - una leva azionabile a disposizione dell’azienda.
Ancora una volta, l'assortimento conta, e l'incremento della domanda dipende dall'intensità promozionale complessiva. È imprudente aspettarsi lo stesso aumento se il prodotto è l'unico promosso nel negozio, rispetto a una promozione applicata a tutto il punto vendita. Le previsioni non si fermano solo alla domanda; anche i resi e i tempi di consegna devono essere previsti.
Ogni fonte di incertezza richiede previsioni statistiche adeguate, e sebbene la domanda futura sia centrale, esistono necessità oltre le previsioni della domanda e abbiamo progettato la nostra tecnologia di conseguenza. Queste previsioni sono solitamente anch'esse probabilistiche e tendono a essere combinate con le stesse previsioni della domanda - ad es. prevedere la domanda durante il tempo di consegna. L'ultima generazione della nostra tecnologia di previsione si basa su differentiable programming. Questo discendente del deep learning è particolarmente adatto a gestire la domanda scarsa e intermittente, come comunemente osservato nell'industria della moda.
E il meteo e i social media?
La nostra esperienza indica che la maggior parte delle aziende sfrutta in maniera drammatica sotto i propri dati storici “di base”. La maggior parte delle previsioni della domanda non sfrutta nemmeno i dati di fedeltà dei clienti, e la maggior parte degli ordini di acquisto viene effettuata senza una previsione formale dei tempi di consegna. Pertanto, pur non escludendo l'uso di indizi provenienti da fonti esterne come i social media o i dati meteorologici, crediamo fermamente che le aziende dovrebbero iniziare sfruttando al massimo i dati di cui già dispongono.
Scalare per affrontare la sfida
La moda su larga scala coinvolge centinaia di negozi e decine di migliaia di varianti. Pertanto, il motore di previsione deve essere in grado di scalare fino a milioni di SKU. Il nostro motore di previsione è stato progettato nativamente per il cloud computing. A differenza delle soluzioni tradizionali, il cloud non è un ripensamento per Lokad: Lokad è in grado di elaborare terabyte di dati ogni giorno.
Inoltre, a differenza degli approcci tradizionali, la nostra capacità di previsione non si basa sul collegamento manuale di prodotti vecchi e nuovi, indicando al sistema quale prodotto vecchio debba essere considerato il più rilevante per prevedere il nuovo prodotto.
Al contrario, il nostro motore di previsione si affida esclusivamente a sofisticati algoritmi di machine learning per rilevare automaticamente le somiglianze che possono esistere tra i prodotti, e per identificare, autonomamente, quali prodotti specifici sono rilevanti per prevedere un nuovo prodotto nella collezione.
Questa rilevazione automatica delle somiglianze si basa sui numerosi attributi di prodotto tipicamente presenti nella moda: product type, product family, size, color, fabric, style, price point, brand, ecc. Sebbene si possa essere preoccupati per la quantità di dati richiesta, la nostra esperienza in Lokad indica che i dati di catalogo, così come esistono per il funzionamento delle varie faccette di un front-end e-commerce, sono di solito sufficienti per ottenere buoni risultati.
Le soluzioni tradizionali di previsione basate sull’abbinamento manuale tra prodotti richiedono troppo tempo per essere efficaci - ci sono troppe coppie da considerare - dato che è proprio l’abbinamento a costituire l’ingrediente principale delle previsioni.
A causa dell’inefficacia di questo metodo, le aziende tendono a tornare ai loro fogli di calcolo poiché la soluzione di previsione basata sull’abbinamento manuale non riesce a fornire il valore necessario. Lokad affronta la sfida in prima persona, concentrandosi sulla difficoltà fondamentale del problema, anziché delegare l’onere agli utenti.
Tuttavia, in Lokad, pur potendo definire questo processo di previsione come product pairing, non assumiamo che esista una corrispondenza uno a uno tra i prodotti di una collezione vecchia e quelli di una nuova. Ad esempio, un prodotto può dividersi in più varianti, che possono generare cannibalizzazioni. Inoltre, un altro prodotto potrebbe essere veramente “nuovo”, senza prodotti passati strettamente corrispondenti. In tal caso, il motore di previsione ricade su considerazioni più ampie, come la categoria di prodotto, la famiglia, il brand o la fascia di prezzo.
Fattori economici e whiteboxing
Le decisioni devono essere ottimizzate in base ai ritorni attesi espressi in dollari o euro, non in percentuali.
Tutti i fattori che plasmano il costo e il beneficio di una decisione sono collettivamente indicati come fattori economici: includono il margine lordo, il costo di mantenimento dell'inventario, il costo dei trasporti, il costo opportunità dello spazio sugli scaffali, la fedeltà del cliente, ecc. Lokad modella esplicitamente tutti questi fattori economici, tenendo conto delle specificità del mercato della moda.
Ad esempio, ogni volta che un prodotto viene venduto con uno sconto, viene creata un'aspettativa nel cliente di beneficiare di uno sconto simile in futuro.
Il primo scopo di questi fattori economici è supportare il processo di ottimizzazione numerica che genera le decisioni (ad esempio, le quantità degli ordini d’acquisto o gli sconti sui prodotti). Non c’è ottimizzazione senza misurazione: sono proprio i fattori economici a far funzionare il processo di ottimizzazione.
Lokad non è un sostituto delle profonde intuizioni strategiche (queste provengono dall’esperienza del tuo team), la nostra tecnologia è concepita esclusivamente per rendere possibile l’implementazione su larga scala di tali intuizioni strategiche - riflesse attraverso i fattori economici - in ogni singola decisione presa dall’azienda.
Il secondo scopo di questi driver è il processo di “whiteboxing”. L’obiettivo del processo di whiteboxing è fornire ai tuoi team un alto grado di trasparenza per ogni singola decisione generata da Lokad. Il tuo team deve comprendere perché questa decisione viene suggerita da Lokad. Per questo motivo, ogni decisione generata da Lokad è accompagnata da un insieme di metriche - misurate in euro o dollari - che ne spiegano l’intento aziendale. Queste metriche sono le diverse riflessioni dei fattori economici. La nostra esperienza indica che questo approccio è superiore rispetto al tentativo di fare chiarezza nei dettagli algoritmici del calcolo, che risulta non solo incredibilmente noioso, ma anche ampiamente privo di senso se non per esperti di machine learning o di ottimizzazione numerica.
Da un punto di vista gestionale, i fattori economici rappresentano un meccanismo potente per indirizzare l’azienda nella giusta direzione. Questi driver non sono considerati “immutabili” ma, al contrario, sono sempre suscettibili di cambiamento per riflettere l’evoluzione del mercato. La tecnologia di Lokad è progettata per offrire un elevato grado di agilità: con sforzi limitati è possibile elaborare scenari complessi “what-if” che illustrano varie strategie alternative.