Ottimizzazione predittiva per il settore della moda
La moda è guidata dalla novità. Un marchio di moda deve progettare e spingere il prodotto giusto al momento giusto, al prezzo giusto e con la quantità di magazzino che serve il mercato. Poi, le promozioni vengono utilizzate prima per amplificare la domanda e poi per liquidare eventuali rimanenze di magazzino. Lokad fornisce una soluzione software statistica che offre ottimizzazione predittiva ad ogni passo del ciclo di vita del prodotto, dall'inizio alla liquidazione. La nostra tecnologia abbraccia esattamente ciò che rende la moda così incredibilmente impegnativa: cannibalizzazioni e sostituzioni onnipresenti, tendenze e stagionalità erratiche, flussi infiniti di nuovi prodotti, prezzi altamente dinamici, ecc.
Ed. Il contenuto seguente non si applica all'hard luxury, che segue un insieme di regole e vincoli molto diverso. Per maggiori informazioni, vedere Ottimizzazione predittiva per l'hard luxury.
Vizions by Zalando: la prima conferenza sulla piattaforma in Europa, 20 aprile 2017 Berlino
Cominciamo con una domanda innocente. Perché ci sono i saldi? Oggi, i saldi invernali, quelli estivi e una serie di eventi minori tra questi sono un'istituzione, soprattutto nel mondo della moda. (...) Ma perché esistono in primo luogo? Esistono per permettere ai rivenditori di liberarsi degli stock in eccesso. In primo luogo, i saldi sono una manifestazione di una previsione sbagliata. Si può argomentare che oggi siano molto di più. Vero, ma l'obiettivo iniziale rimane.
Joannes Vermorel, Fondatore di Lokad
LOKAD TV
Guarda le nostre interviste su Lokad TV e scopri di più sulla Supply Chain e sulla moda.
Ottimizzazione end-to-end su tutto il 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.
Nell'ultimo decennio, 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 per l’intero ciclo di vita di ogni prodotto del marchio. La nostra tecnologia è una combinazione di machine learning - utilizzato per estrarre modelli o previsioni dai dati - e di ottimizzazione numerica - utilizzata per generare decisioni ottimizzate.
La preparazione della nuova collezione inizia con la consegna di una ottimizzazione dell’assortimento - anche chiamata piano di gamma. La tecnologia Lokad consente di comporre la giusta gamma di taglie, colori e forme in cima ai disegni iniziali. Questo piano di gamma è destinato a aderire il più possibile ai desideri e alle aspettative della tua base di clienti. Lokad può aiutarti a generare il caso aziendale che supporta il piano di gamma e offre la possibilità ai pianificatori di perfezionare il piano con le loro intuizioni di alto livello - invece di gestire ogni singola variante di prodotto.
Non appena il piano di gamma è finalizzato, consegniamo un’ottimizzazione degli acquisti, suggerendo esattamente quanti pezzi dovrebbero essere prodotti o acquistati per ogni singola variante di prodotto - e quando ordinare. Naturalmente, la maggior parte dei prodotti non è mai stata venduta prima. Questo compito è tipicamente complicato da molteplici vincoli MOQ (Minimal Order Quantities), sconti di prezzo, nonché tempi di consegna variabili (ad es. il Capodanno cinese rallenta la produzione in Asia). Lokad può anche ottimizzare la miscela di trasporto (ad es. trasporto marittimo vs aereo) e la miscela di fonti (ad es. fornitori d’oltremare vs 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 di acquisto), un altro MOQ a livello di tessuto (ad es. un minimo di 3000 metri di tessuto per colore) e un MOQ finale a livello di fornitore (ad es. un minimo di $50.000 di merce acquistata per ordine). Affrontare tutti questi MOQ mantenendo sotto controllo i livelli di stock è un grande problema quando i MOQ sono elaborati manualmente. Lokad semplifica completamente il processo attraverso risolutori numerici che consentono di identificare l’“enveloppe” di ordine di acquisto più redditizia che soddisfa tutti i vincoli dati.
Fase 2 - post lancio della collezione
Quando il lancio della collezione si avvicina, consegniamo un’ottimizzazione dell’allocazione di stock, decidendo esattamente quanti pezzi allocare a ciascun centro di distribuzione e/o a ciascun negozio. In negozio, lo stock ha due scopi: non solo servire la domanda, ma anche attirare la clientela nel negozio. L’ottimizzazione dell’allocazione tiene debitamente conto di questo angolo del merchandising, sfruttando al meglio ogni negozio. L’ottimizzazione tiene conto dei limiti di capacità di stoccaggio (ad es. spazio sugli scaffali), nonché della capacità limitata dei team di terra di far fronte a grandi lotti di prodotti in arrivo. Anche i pacchetti e i lotti - che sono utili per ridurre i costi di manutenzione - sono curati.
Per attenersi alle ultime tendenze, identifichiamo i best-seller e i slow-mover. L’identificazione dei best-seller, destinata a innescare i rifornimenti anticipati, può essere fatta con quantità di stock limitate, sondando il mercato in un numero limitato di negozi - eventualmente sondando il mercato attraverso la piattaforma di e-commerce. Al contrario, l’identificazione precoce dei slow-mover è importante anche per rimuovere il prima possibile quei prodotti dagli scaffali che occupano a discapito di prodotti migliori.
Per la maggior parte dei marchi di 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 ci sia nulla di avanzo alla fine della collezione, massimizzando al contempo l’ammontare complessivo del margine lordo.
Consideriamo anche gli sconti derivanti dai programmi fedeltà - uniformemente applicati su molti prodotti - che possono sostituire e talvolta integrare gli sconti a livello di prodotto.
Ottimizzazione dell'assortimento, ottimizzazione degli acquisti, ottimizzazione dell'allocazione di stock, identificazione dei best-seller e dei slow-mover, ottimizzazione dei prezzi: Lokad può essere utilizzato per ottimizzare tutte queste decisioni - e non solo - con una prospettiva coerente end-to-end sul ciclo di vita completo dei prodotti. Tuttavia, è anche possibile iniziare in modo ridotto con uno scopo più limitato. Per qualsiasi richiesta, inviaci una e-mail a contact@lokad.com
La moda richiede previsioni di domanda non classiche
L’ottimizzazione delle decisioni che coinvolgono stock e prezzi richiede informazioni accurate sul futuro. Tuttavia, la prospettiva classica di previsione della domanda è per lo più disfunzionale per quanto riguarda la moda. Lokad ha quindi sviluppato capacità di previsione uniche, progettate intorno alle sfide affrontate dalle aziende di moda.
Lavoriamo con previsioni probabilistiche: consideriamo tutti i futuri possibili e calcoliamo le rispettive probabilità. Infatti, l’incertezza della domanda è irriducibile nella moda. Non c’è speranza di produrre una previsione “perfetta”. I metodi tradizionali si aspettano che le decisioni siano prese contro la “One” previsione, rendendo tali decisioni fragili contro gli errori di previsione.
Invece di respingere l’incertezza, la abbracciamo. Attraverso le 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 non ha senso, poiché la domanda per questo prodotto è fortemente influenzata dalla presenza - o dall’assenza - di prodotti simili che competono tutti per gli stessi clienti. I metodi tradizionali che si concentrano sulle previsioni delle serie temporali perdono completamente questo punto, e la situazione di solito peggiora quando vengono utilizzati anche scorte di sicurezza o livelli di servizio.
La domanda è condizionata dal prezzo, che fa parte integrante della nostra previsione. Non solo la domanda futura è una questione di probabilità, ma quelle probabilità sono influenzate dal prezzo del prodotto - una leva operativa a disposizione dell’azienda.
Di nuovo, l'assortimento conta, e l'aumento della domanda dipende dall'intensità promozionale complessiva. Non è saggio aspettarsi lo stesso aumento se il prodotto è l'unico promosso nel negozio, rispetto a una promozione applicata all'intero negozio. Le previsioni non si fermano solo con la domanda; anche i resi e i tempi di consegna devono essere previsti.
Ogni fonte di incertezza richiede previsioni statistiche appropriate, e mentre la domanda futura è centrale, ci sono esigenze oltre la previsione della domanda e abbiamo progettato la nostra tecnologia di conseguenza. Tali previsioni sono di solito anche probabilistiche e tendono ad essere combinate con le previsioni della domanda stessa - ad esempio, prevedere la domanda nel tempo di consegna. L'ultima generazione della nostra tecnologia di previsione si basa sulla programmazione differenziabile. Questo discendente del deep learning è particolarmente adatto per affrontare 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 sta utilizzando in modo drammaticamente insufficiente i propri dati storici "di base". La maggior parte delle previsioni di domanda non sfrutta nemmeno i dati di fedeltà del cliente, e la maggior parte degli ordini di acquisto viene effettuata senza una previsione formale del tempo di consegna. Pertanto, sebbene non trascuriamo di prendere spunti da fonti di dati esterne come i social media o i dati meteorologici, riteniamo fermamente che le aziende dovrebbero iniziare facendo il massimo dei dati che già possiedono.
Scalare 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 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'aggiunta tardiva per Lokad: Lokad può elaborare terabyte di dati al giorno.
Inoltre, a differenza degli approcci tradizionali, la nostra capacità di previsione non si basa sul collegamento manuale di prodotti più vecchi e più nuovi dicendo al sistema quale prodotto più vecchio dovrebbe essere considerato il più rilevante per la previsione del nuovo prodotto.
Invece, il nostro motore di previsione si basa esclusivamente su algoritmi avanzati di machine learning per rilevare automaticamente le somiglianze che possono esistere tra i prodotti e per identificare, da solo, quali prodotti specifici sono rilevanti per la previsione di un nuovo prodotto nella collezione.
Questa rilevazione automatica delle somiglianze si basa sui numerosi attributi del prodotto che sono tipicamente presenti nella moda: tipo di prodotto, famiglia di prodotto, taglia, colore, tessuto, stile, punto di prezzo, marca, ecc. Sebbene si possa essere preoccupati per la quantità di dati richiesti, la nostra esperienza presso Lokad indica che i dati del catalogo, come esistono per il funzionamento delle faccette di un front-end di e-commerce ad esempio, sono di solito sufficienti per ottenere buoni risultati.
Le soluzioni di previsione tradizionali basate sull’accoppiamento manuale tra i prodotti richiedono troppo tempo per essere efficaci - ci sono troppi accoppiamenti da considerare - poiché è proprio l’accoppiamento che costituisce 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 dell’accoppiamento manuale non riesce a fornire il valore necessario. Lokad affronta la sfida di petto, concentrandosi sulla difficoltà principale della sfida, invece di passare il peso agli utenti.
Tuttavia, presso Lokad, sebbene possiamo riferirci a questo processo di previsione come accoppiamento di prodotto, non assumiamo che esista una mappatura 1 a 1 tra i prodotti di una vecchia e una nuova collezione. Ad esempio, un prodotto può essere diviso in più varianti, che possono generare cannibalizzazioni. Quindi, un altro prodotto potrebbe essere veramente “nuovo”, senza prodotti passati molto simili. In tal caso, il motore di previsione ricorre a considerazioni più ampie, come la categoria di prodotto, la famiglia, la marca o il punto di prezzo del prodotto.
Driver economici e whiteboxing
Le decisioni devono essere ottimizzate in base ai loro rendimenti attesi espressi in dollari o euro, non in percentuale.
Tutti i fattori che plasmano il costo e la ricompensa di una decisione sono collettivamente definiti come driver economici: includono il margine lordo, il costo di trasporto, il costo di mantenimento dell'inventario, il costo di opportunità dello spazio sullo scaffale, la buona volontà del cliente, ecc. Lokad modellizza esplicitamente tutti questi driver economici, tenendo conto delle specificità del mercato della moda.
Ad esempio, ogni volta che un prodotto viene venduto con uno sconto, crea un'aspettativa da parte del cliente di beneficiare di uno sconto simile in futuro.
Il primo scopo di questi driver economici è quello di supportare il processo di ottimizzazione numerica che genera le decisioni (ad esempio, le quantità di ordine di acquisto o gli sconti sui prodotti). Non c’è ottimizzazione senza misurazione: i driver economici sono letteralmente ciò che rende il processo di ottimizzazione funzionante.
Lokad non è un sostituto per profonde intuizioni strategiche (che provengono dall’esperienza del tuo team), la nostra tecnologia è semplicemente progettata per rendere possibile la distribuzione su larga scala di quelle intuizioni strategiche - come riflessa attraverso i driver economici - in ogni singola decisione presa dall’azienda.
Il secondo scopo di questi driver è il processo di “whiteboxing”. Lo scopo del processo di whiteboxing è quello di fornire ai tuoi team un alto grado di trasparenza per ogni singola decisione generata da Lokad. Il tuo team deve capire perché Lokad suggerisce questa decisione. Per raggiungere questo obiettivo, ogni decisione generata da Lokad viene fornita con il proprio set di metriche - misurate in euro o dollari - che spiegano l’intento commerciale della decisione. Queste metriche sono i diversi riflessi dei driver economici. La nostra esperienza indica che questo approccio è superiore rispetto a cercare di fare luce sulla stampa fine algoritmica del calcolo, che non solo è incredibilmente noioso, ma anche in gran parte privo di senso tranne che per gli esperti di machine learning o gli esperti di ottimizzazione numerica.
Dal punto di vista della gestione, i driver economici sono un potente meccanismo per orientare l’azienda nella giusta direzione. Questi driver non sono visti come “immobili” ma al contrario sono sempre suscettibili di cambiamento, al fine di riflettere l’evoluzione del mercato. La tecnologia di Lokad è progettata per fornire un alto grado di agilità: con sforzi limitati, è possibile elaborare complessi scenari what-if che rappresentano varie strategie alternative.