Ottimizzazione Predittiva per la Moda
La moda è guidata dalla novità. Un marchio di moda deve progettare e lanciare il prodotto giusto al momento giusto, al prezzo giusto e con una quantità di stock che sia appena sufficiente per servire il mercato. Successivamente, le promozioni vengono utilizzate prima per amplificare la domanda e poi per liquidare l’eccesso di scorte residuo. Lokad offre una soluzione software statistica che fornisce ottimizzazione predittiva in ogni fase del ciclo di vita del prodotto, dalla concezione alla liquidazione. La nostra tecnologia abbraccia esattamente ciò che rende la moda così incredibilmente impegnativa: cannibalizzazioni e sostituzioni ubiquitarie, tendenze e stagionalità erratiche, flussi ininterrotti di nuovi prodotti, prezzi altamente dinamici, ecc.
Ed. Il contenuto seguente non si applica al lusso hard, che segue un insieme di regole e vincoli molto diverso. Per maggiori informazioni, vedi Ottimizzazione Predittiva per il Lusso Hard.
Vizions by Zalando: la prima conferenza di piattaforma d'Europa il 20 aprile 2017 a Berlino
Iniziamo con una domanda apparentemente innocente. Perché pensi che esistano gli Sconti? Oggi, gli Sconti invernali, gli Sconti estivi e numerosi altri eventi minori rappresentano una vera istituzione, specialmente nella moda. (...) Ma perché esistono in primo luogo? Esistono per permettere ai rivenditori di liberarsi delle eccedenze di stock. Inanzitutto, gli Sconti sono la manifestazione di una previsione errata. Si può sostenere che oggi siano molto di più, ma l'obiettivo iniziale rimane.
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 nuovi 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 ogni prodotto del marchio. La nostra tecnologia è un mix di machine learning - utilizzato per estrarre pattern o previsioni dai dati - e di ottimizzazione numerica - usata per generare decisioni ottimizzate.
La preparazione della nuova collezione inizia con la consegna di un’ ottimizzazione dell’assortimento - nota anche come piano di gamma. La tecnologia Lokad ti permette di comporre la giusta gamma di taglie, colori e forme a partire dai design iniziali. Questo piano di gamma è concepito per aderire il più possibile ai desideri e alle aspettative della tua clientela. Lokad può aiutarti a generare il business case che supporta il piano di gamma e offre ai pianificatori la possibilità di perfezionare il piano con i loro insight di alto livello, invece di microgestire ogni singola variante di prodotto.
Appena il piano di gamma 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 prima. Questo compito è tipicamente complicato da molteplici vincoli MOQ (Quantità Minime d’Ordine), sconti scalari, nonché dai tempi di consegna variabili (ad esempio, il Capodanno cinese che rallenta la produzione in Asia). Lokad può anche ottimizzare il mix di trasporto (ad es. via mare contro via aerea) e il mix delle fonti (ad es. fornitori esteri contro fornitori locali).
Ad esempio, il nostro risolutore MOQ può affrontare molteplici vincoli MOQ sovrapposti: potrebbe esserci un MOQ a livello di prodotto (ad es. un minimo di 100 unità per prodotto per ogni ordine d’acquisto), un altro MOQ a livello di tessuto (ad es. un minimo di 3000 metri di tessuto per colore), e un ulteriore MOQ a livello di fornitore (ad es. un valore minimo di $50,000 di merce acquistata per ordine). Affrontare tutti questi MOQs mantenendo sotto controllo i livelli di stock è estremamente complicato quando i MOQs vengono gestiti manualmente. Lokad semplifica completamente il processo attraverso solver numerici che permettono di identificare l’“enveloppe” dell’ordine d’acquisto più redditizia che soddisfi tutti i vincoli dati.
Fase 2 - post lancio della collezione
Quando il lancio della collezione si avvicina, forniamo un’ ottimizzazione dell’allocazione dello stock, decidendo esattamente quante unità allocare a ciascun centro di distribuzione e/o a ciascun negozio. In negozio, lo stock ha due scopi: non solo soddisfare la domanda, ma anche attrarre la clientela. L’ottimizzazione dell’allocazione tiene adeguatamente in considerazione questo aspetto di merchandising, sfruttando al massimo ogni negozio. L’ottimizzazione tiene conto dei limiti di capacità di stoccaggio (ad es. spazio sugli scaffali), oltre che della capacità limitata dei team sul campo di gestire grandi lotti di prodotti in arrivo. Anche i bundle e i lotti - utili per abbassare i costi di movimentazione - vengono gestiti.
Per seguire le ultime tendenze, identifichiamo i best-seller e gli slow-mover. L’identificazione dei best-seller, intesa a innescare rifornimenti precoci, può essere effettuata con quantità di stock limitate, sondando il mercato in un numero ristretto di negozi - possibilmente solo attraverso la piattaforma e-commerce. Al contrario, l’identificazione precoce degli slow-mover è altrettanto importante per rimuovere il più rapidamente possibile quei prodotti dagli scaffali che occupano spazio a scapito di prodotti migliori.
Per la maggior parte dei marchi fast fashion, gli 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 rimanga nulla alla fine della collezione, massimizzando al contempo l’ammontare complessivo del margine lordo
Consideriamo anche gli sconti derivanti dai programmi di fidelizzazione - applicati in modo uniforme su molti prodotti - che possono sostituire e talvolta integrare gli sconti a livello di prodotto.
Ottimizzazione dell'assortimento, ottimizzazione degli acquisti, ottimizzazione dell'allocazione dello stock, identificazione dei best-seller e slow-mover, ottimizzazione dei prezzi: Lokad può essere utilizzato per ottimizzare tutte queste decisioni - e non solo - 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, inviaci un'email a contact@lokad.com
La moda richiede previsioni della domanda non convenzionali
L’ottimizzazione delle decisioni che coinvolgono stock e prezzi richiede conoscenze accurate sul futuro. Tuttavia, la prospettiva classica delle previsioni della domanda risulta per lo più disfunzionale nel settore della moda. Lokad ha quindi sviluppato capacità di previsione uniche, progettate nel loro nucleo attorno alle sfide affrontate dalle aziende del settore moda.
Lavoriamo con previsioni probabilistiche: consideriamo tutti i possibili futuri e ne 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 un’unica previsione, rendendole fragili in presenza di errori di previsione.
Invece di ignorare 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 in isolamento è privo di significato, poiché la domanda di questo prodotto è fortemente influenzata dalla presenza - o assenza - di prodotti simili che competono tutti per gli stessi clienti. I metodi tradizionali, concentrandosi esclusivamente sulle serie temporali, mancano completamente questo aspetto, e la situazione tende a peggiorare quando vengono utilizzati stock di sicurezza o livelli di servizio.
La domanda è condizionata dai prezzi, che fanno 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 poco saggio aspettarsi lo stesso incremento se il prodotto è l'unico in promozione in negozio, rispetto a una promozione applicata all'intero 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 esigenze che vanno oltre le previsioni della domanda e abbiamo progettato la nostra tecnologia di conseguenza. Queste previsioni sono solitamente probabilistiche e tendono ad essere combinate con le stesse previsioni della domanda, ad esempio prevedendo la domanda nel periodo di consegna. L'ultima generazione della nostra tecnologia di previsione si basa sulla programmazione differenziabile. Questo discendente del deep learning è particolarmente adatto a gestire una domanda sporadica 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 utilizza in modo estremamente insufficiente 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 d'acquisto viene effettuata senza una previsione formale dei tempi di consegna. Pertanto, pur non escludendo l'uso di segnali provenienti da fonti esterne come i social media o i dati meteo, crediamo fermamente che le aziende debbano iniziare sfruttando al meglio i dati di cui già dispongono.
Affrontare la sfida della scalabilità
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 posizioni 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 può elaborare terabyte di dati ogni giorno.
Inoltre, a differenza degli approcci tradizionali, la nostra capacità predittiva non si basa sul collegare manualmente i prodotti vecchi e nuovi indicando al sistema quale prodotto vecchio debba essere considerato il più rilevante per prevedere il nuovo prodotto.
Invece, il nostro motore di previsione si basa esclusivamente su algoritmi avanzati di machine learning per rilevare automaticamente le similarità che possono esistere tra i prodotti e per identificare, in autonomia, quali prodotti specifici siano rilevanti per prevedere un nuovo prodotto della collezione.
Questa rilevazione automatica delle similarità si basa sui numerosi attributi del prodotto che sono 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 del catalogo, per come esistono per gestire le funzionalità di un front-end e-commerce per esempio, sono di solito sufficienti per ottenere buoni risultati.
Le soluzioni tradizionali di previsione che si basano sull’abbinamento manuale tra prodotti richiedono troppo tempo per essere efficaci - ci sono troppe coppie da considerare - poiché 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 previsionale basata sull’abbinamento manuale non riesce a fornire il valore necessario. Lokad affronta la sfida direttamente, concentrandosi sulla difficoltà centrale del problema, invece di trasferire l’onere agli utenti.
Tuttavia, in Lokad, sebbene possiamo definire questo processo di previsione come product pairing, non assumiamo che esista una corrispondenza 1-to-1 tra i prodotti di una collezione vecchia e quelli di una nuova. Per esempio, un prodotto può essere suddiviso in più varianti, il che può generare cannibalizzazioni. Inoltre, un altro prodotto potrebbe essere veramente “new”, senza prodotti passati corrispondenti. In tal caso, il motore di previsione si appoggia a considerazioni più ampie, come la categoria del prodotto, la famiglia, la brand o la price point.
Fattori economici e whiteboxing
Le decisioni devono essere ottimizzate in base ai rendimenti attesi espressi in dollari o euro, non in percentuali.
Tutti i fattori che modellano 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 di trasporto, il costo opportunità dello spazio sugli scaffali, il capitale di fiducia del cliente, ecc. Lokad modella esplicitamente tutti questi fattori economici, tenendo conto delle specificità del mercato della moda.
Per esempio, ogni volta che un prodotto viene venduto con uno sconto, si crea l'aspettativa da parte del 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 di acquisto o gli sconti sui prodotti). Non esiste ottimizzazione senza misurazione: sono proprio i fattori economici a far funzionare il processo di ottimizzazione.
Lokad non sostituisce le profonde intuizioni strategiche (che provengono dall’expertise del tuo team), la nostra tecnologia è semplicemente concepita 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 fattori 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 ha bisogno di capire perché questa decisione è suggerita da Lokad. Per ottenere ciò, ogni decisione generata da Lokad è accompagnata da un proprio set di metriche – misurate in euro o dollari – che spiegano l’intento commerciale della decisione. Queste metriche sono le diverse riflessioni dei fattori economici. La nostra esperienza indica che questo approccio è superiore rispetto al tentativo di far luce sui dettagli algoritmici del calcolo, che non solo sono incredibilmente tediosi, ma anche per lo più insensati se non per esperti di machine learning o di ottimizzazione numerica.
Dal punto di vista gestionale, i fattori economici sono un meccanismo potente per guidare l’azienda nella giusta direzione. Questi fattori non sono considerati “immutable” ma, al contrario, sono sempre suscettibili di cambiamento, per riflettere l’evoluzione del mercato. La tecnologia di Lokad è progettata per offrire un alto grado di agilità: con sforzi limitati, è possibile elaborare complessi scenari what-if che raffigurano varie strategie alternative.