00:00:04 Impatto delle promozioni sulle previsioni.
00:00:51 Variabilità delle promozioni tra i settori.
00:02:12 Sfide nella previsione della domanda guidata dalle promozioni.
00:03:58 Analisi: Rischi dei metodi tradizionali di supply chain.
00:06:00 Critica: Medie mobili e metodi di previsione.
00:08:01 Critica: Modelli di previsione delle promozioni semplici.
00:08:36 Fiducia delle aziende nelle medie mobili.
00:10:26 Necessità di dati per la previsione delle promozioni.
00:13:25 Il ruolo del machine learning nella previsione delle promozioni.
00:15:09 Il ruolo dei dati promozionali nella previsione non promozionale.
00:17:34 La velocità di apprendimento dei sistemi di machine learning.
00:20:09 Difficoltà e strategie nella previsione delle promozioni.
00:20:35 Implementare la previsione delle promozioni nelle organizzazioni.
00:23:17 Esecuzione strategica delle promozioni tramite machine learning.

Sommario

L’intervista tra Kieran Chandler e Joannes Vermorel, fondatore di Lokad, ruota attorno alle promozioni, alla previsione e all’supply chain optimization. Vermorel spiega che le promozioni possono distorcere la domanda reale, ponendo quindi una sfida nella previsione della domanda. Molte aziende risolvono questo problema revisionando lo storico delle vendite per neutralizzare gli impatti promozionali, ma questo approccio rischia di generare previsioni fuorvianti. Le aziende impiegano principalmente metodi basati sulle medie mobili per l’ottimizzazione della supply chain, che si dimostrano insufficienti nell’anticipare i picchi promozionali. Previsioni migliorate richiedono maggiore complessità, come il machine learning, ma richiedono anche dati di alta qualità sulle strategie promozionali. Vermorel evidenzia l’influenza a lungo termine delle promozioni e la necessità di una pianificazione strategica prima di implementare il machine learning nella previsione delle promozioni.

Sommario Esteso

La conversazione tra Kieran Chandler e Joannes Vermorel, fondatore di Lokad, ruota attorno al tema delle promozioni e alle loro implicazioni sulla previsione e sull’ottimizzazione della supply chain.

La discussione inizia con un esame di come le promozioni abbiano un impatto drastico sulle vendite, potenzialmente positivo se eseguito correttamente e negativo se gestito male. Esse stanno anche plasmando le aspettative dei clienti riguardo agli sconti, influenzando così i comportamenti d’acquisto. Chandler e Vermorel riconoscono che le strategie promozionali differiscono significativamente tra i settori, con alcuni comparti, come i beni di lusso, che evitano gli sconti, mentre altri, come gli ipermercati, sfruttano promozioni quotidiane.

La conversazione si sposta successivamente nella complessità delle promozioni dal punto di vista della previsione. Vermorel spiega che, sebbene le promozioni siano generalmente associate a un aumento delle vendite, questo aumento non corrisponde necessariamente a un incremento della domanda reale. Tale discrepanza emerge poiché le vendite osservate durante una promozione possono superare la domanda effettiva, dato che i consumatori colgono l’opportunità di prezzi più bassi, anche se il prodotto non è immediatamente necessario. Questo comportamento può distorcere la percezione della domanda reale.

La conversazione poi si sposta sulle implicazioni per la supply chain. Vermorel sottolinea che, nel pianificare la future demand, i professionisti della supply chain devono considerare la distorsione causata dalle promozioni. Tuttavia, molte aziende fanno affidamento su metodi tradizionali di supply chain, cercando di oscurare l’effetto delle promozioni riscrivendo lo storico delle vendite, cancellando così i picchi promozionali. Questo approccio, pur tentando di normalizzare i dati di vendita, introduce rischi poiché sostituisce i dati storici reali con costrutti artificiali, che possono portare a previsioni fuorvianti.

Chandler esprime preoccupazione per questi possibili pericoli, inducendo Vermorel ad approfondire il motivo per cui le aziende scelgono questo metodo. Egli spiega che la maggior parte delle aziende utilizza tecnologie basate principalmente su varianti delle medie mobili per l’ottimizzazione della supply chain. Questi metodi, sebbene abbastanza adeguati per i periodi non promozionali, non riescono a prevedere i picchi promozionali, portando a previsioni inferiori. Questo divario prestazionale è ciò che spinge molti clienti di Lokad a cercare previsioni promozionali migliorate.

Vermorel inizia riconoscendo il ruolo significativo dei modelli statistici nel migliorare la forecast accuracy, osservando che, sebbene siano efficaci, non rappresentano la soluzione unica per accurate forecasting. Egli discute dell’uso diffuso delle medie mobili nell’industria dovuto alla loro semplicità e accessibilità, specialmente considerando che una grande parte delle supply chain opera ancora utilizzando strumenti di base come Microsoft Excel. Tuttavia, egli indica che, sebbene le medie mobili siano semplici, ottenere risultati migliori richiede una complessità significativamente maggiore.

La conversazione si sposta poi al concetto di machine learning, che rappresenta un significativo avanzamento in termini di complessità e risultati potenziali rispetto alle medie mobili. Il machine learning richiede non solo una comprensione più sofisticata dei metodi statistici, ma anche uno standard di dati di qualità superiore. In particolare, Vermorel sottolinea la necessità di dati completi e di alta qualità sulle strategie promozionali.

Le aziende devono raccogliere dati estesi su tutti gli aspetti che contribuiscono ai meccanismi delle promozioni. Ciò include non solo gli aggiustamenti di prezzo, ma anche gli sforzi di marketing che accompagnano le promozioni e le strategie di visibilità adottate. Vermorel esamina vari esempi specifici per settore, come le vendite di fine stagione nella moda o le strategie di posizionamento dei prodotti nei mercati al dettaglio.

Vermorel sottolinea inoltre l’importanza della qualità dei dati. Spiega che, sebbene piccole imprecisioni o lacune nei dati possano non far fallire immediatamente un’azienda, esse possono compromettere gravemente le prestazioni degli algoritmi di machine learning che si basano su dati accurati. Egli suggerisce che ottenere dati storici promozionali solidi richiede solitamente un notevole sforzo nel corso di diversi mesi.

L’intervista poi si sposta sull’evoluzione della raccolta dati e la sua importanza nella previsione delle promozioni. Vermorel propone che, con dati accurati, le previsioni possano individuare più efficacemente quali promozioni utilizzare e quando potrebbero funzionare al meglio. Gli algoritmi di machine learning elaborano i dati identificando e segnalando i periodi in cui le vendite erano gonfiate o probabilmente soppresse a causa delle attività promozionali. Questa strategia, spiega Vermorel, aiuta a migliorare l’accuratezza delle previsioni anche al di fuori dei periodi promozionali.

A prima vista, questo concetto può sembrare controintuitivo. Tuttavia, Vermorel lo giustifica spiegando che le promozioni hanno un effetto a catena anche su altri prodotti non promossi. Ad esempio, una promozione significativa su un prodotto può cannibalizzare le vendite dei prodotti concorrenti, rendendo la previsione più complessa. Comprendere questi effetti indiretti delle promozioni aggiunge dunque un ulteriore livello alla previsione della supply chain.

Vermorel sottolinea la necessità di anticipare eventi futuri e il loro potenziale impatto sulla supply chain. Egli propone che, se le aziende potessero comunicare tali eventi futuri a un motore di previsione basato su machine learning, quest’ultimo potrebbe sfruttare quei dati e incorporarli nelle sue previsioni.

Chandler chiede della capacità di apprendimento del machine learning e di quanto rapidamente possa dare risultati. Vermorel chiarisce che si tratta prevalentemente di un gioco di statistiche. La velocità con cui l’algoritmo di machine learning apprende dipende dalla frequenza delle promozioni. Ad esempio, se c’è una sola promozione all’anno per un prodotto, l’apprendimento sarebbe lento. Tuttavia, l’algoritmo impara più rapidamente con promozioni regolari, poiché può utilizzare dati da promozioni simili passate.

Inoltre, Vermorel chiarisce che la previsione delle promozioni non riguarda la previsione di una singola serie temporale, ma l’esame dell’impatto tipico di una promozione in condizioni simili, come sconti o canali di comunicazione. Fornisce esempi dal settore della moda, dove le promozioni di fine stagione sono comuni, e dall’e-commerce, dove i prodotti vengono costantemente promossi sulla homepage del sito web.

Rivolgendosi a CEO o aspiranti CEO, Vermorel delinea un processo per introdurre la previsione delle promozioni all’interno delle loro organizzazioni. Sottolinea la necessità di raccogliere dati, evidenziando l’importanza di dati specifici rispetto a dataset ampi. Raccomanda di raccogliere dati dettagliati sulle stesse promozioni: i prodotti, i meccanismi promozionali e altre variabili come la spedizione gratuita.

Vermorel evidenzia la necessità di avere un processo di assicurazione della qualità per garantire l’accuratezza e la rilevanza dei dati. Incoraggia inoltre i leader a riflettere sullo scopo sottostante o sull’obiettivo finale della loro strategia promozionale, poiché differisce tra vari settori. Fornisce esempi dal settore della moda e del commercio al dettaglio, ciascuno con obiettivi unici alla base delle loro promozioni.

Egli esorta le organizzazioni a considerare gli impatti a lungo termine delle loro promozioni. Queste attività, secondo lui, educano i clienti in un certo modo, il che può avere effetti duraturi. Pertanto, le aziende devono pensare strategicamente al tipo di influenza che desiderano esercitare sui loro clienti attraverso le promozioni.

Il machine learning entra in gioco una volta che le organizzazioni hanno chiarito la loro strategia e raccolto i dati rilevanti. Vermorel ribadisce che, nonostante il machine learning sia meccanicamente intelligente, non elaborerà strategie di alto livello, sottolineando che è essenziale che le aziende definiscano una strategia prima di utilizzare il machine learning per la previsione delle promozioni.

Trascrizione Completa

Kieran Chandler: Oggi su Lokad TV. Parleremo di promozioni e dell’impatto che possono avere sulle previsioni. Le promozioni possono essere incredibilmente variabili e difficili da prevedere. Se fatte bene, possono aumentare notevolmente le vendite, ma se fatte male possono ridurre la credibilità dei prodotti e alienare la clientela, inducendo l’aspettativa di enormi riduzioni di prezzo. Le promozioni spesso sfiorano le prime pagine per ogni sorta di ragioni negative. Durante il Black Friday, si possono vedere clienti che litigano per prodotti a prezzi ribassati nei grandi magazzini. Tuttavia, questi periodi sono senza dubbio importanti per i rivenditori, che spesso registrano aumenti massicci nelle vendite. Quindi Joannes, le promozioni sono incredibilmente variabili a seconda del settore in cui si opera. Per iniziare, potresti spiegare le aziende di cui stiamo parlando?

Joannes Vermorel: Sì, infatti le promozioni si presentano in una varietà di forme a seconda del settore. Vanno da industrie come il lusso, che non fanno mai promozioni – non troverai un Rolex in saldo – a industrie che hanno promozioni quotidiane, come gli ipermercati, dove si vedono promozioni giornaliere. Le promozioni possono riguardare il prezzo, come tipicamente avviene in un ipermercato dove, ad esempio, comprando due si ottiene uno gratis. Ma le promozioni anche nell’e-commerce riguardano la messa in evidenza di un prodotto. Se invii una newsletter a mezzo milione di abbonati per mettere in evidenza un prodotto, vedrai un grande aumento delle vendite, anche se non hai effettivamente diminuito il prezzo del prodotto nemmeno dell'1%. Quindi, in effetti, è la stessa parola, ma indica realtà molto diverse a seconda dell’azienda con cui si parla.

Kieran Chandler: Ok, quindi in generale dovrebbero essere una cosa molto positiva, visto che di solito si registra un aumento delle vendite. Perché, allora, complicano le cose? Perché si riscontra una difficoltà con le promozioni?

Joannes Vermorel: Complicano le cose perché ciò che si vuole prevedere, se si vuole ottimizzare la supply chain, è la domanda futura. Il problema è che non si osserva la domanda futura né quella passata, si osservano le vendite passate. Le vendite non sono la domanda. Le vendite vengono con ogni sorta di bias. Se non hai più stock, si verifica uno stock out, ovvero hai vendite pari a zero, ma la domanda è comunque presente. Le promozioni hanno esattamente l’effetto opposto, in quanto si possono osservare molte più vendite rispetto alla domanda effettiva. Ad esempio, se c’è una forte riduzione di prezzo, anche se le persone non ne hanno immediatamente bisogno, potrebbero iniziare ad accumulare il prodotto a casa, giusto perché lo considerano una buona opportunità. Quindi le vendite possono dare una percezione fuorviante di ciò che la domanda realmente è. La maggior parte dei professionisti della supply chain sa che non si dovrebbe semplicemente applicare una media mobile alle promozioni, perché la promozione spinge ingenuamente la domanda osservata alle stelle. Sai che alla fine della promozione, le vendite caleranno. Questo è il fenomeno di base che bisogna tenere in considerazione; altrimenti, la pianificazione sarà completamente errata.

Kieran Chandler: Quindi stai dicendo che c’è una percezione realmente fuorviante della domanda. In che modo le aziende adattano questa realtà? Come si adeguano a ciò?

Joannes Vermorel: Il metodo tradizionale di supply chain consiste nel riscrivere lo storico delle vendite per mascherare l’effetto delle promozioni. La maggior parte delle aziende prende il proprio storico delle vendite, analizza il periodo promozionale, individua il picco e cerca di cancellare i picchi dallo storico delle vendite. In questo modo, quando applicano una media mobile, questa non risulta eccessivamente influenzata dalla promozione appena terminata. Non sto dicendo che sia la soluzione giusta, ma è ciò che la maggior parte delle aziende fa ancora al giorno d’oggi.

Kieran Chandler: E rimuovere i picchi, che sono visibili a causa delle promozioni, sembra molto pericoloso. Non si otterrebbero due versioni della verità? Perché lo fanno effettivamente?

Joannes Vermorel: Hai centrato il punto; è molto pericoloso. La ragione è che stai sostituendo i dati storici di vendita, che sono accurati, con dati fittizi che hai appena inventato. È una distorsione della realtà e poi baserai la tua pianificazione su questi dati inventati. Sì, c’è un pericolo reale. È un pericolo metodologico. Se le tue correzioni sono errate, allora le tue previsioni saranno basate su input difettosi, il che potrebbe esacerbare il problema in termini di supply chain planning.

Quindi, perché la gente lo fa comunque? Se osservi il tipo di tecnologie che la maggior parte delle aziende utilizza ancora per l’ottimizzazione della supply chain, si tratta fondamentalmente di una versione glorificata delle medie mobili. Le medie mobili hanno nomi diversi - smoothing esponenziale, Holt-Winters - ma sostanzialmente sono tutte varianti delle medie mobili. Questi metodi sono solo un po’ più sfumati per gestire la stagionalità, ma il nocciolo della questione rimane una media mobile.

È per questo che, se l’unica cosa che hai è una media mobile, devi rendere compatibili con essa i tuoi dati storici di vendita, che rappresentano l’unico modello matematico a disposizione della tua azienda. Ma è una prospettiva difettosa, perché c’è molto di più rispetto alle sole medie mobili.

Kieran Chandler: Ma questi metodi statistici sono sicuramente su cui molte di queste aziende basano le loro decisioni future. Quindi, funzionano davvero? Devono essere abbastanza buoni se le aziende li usano in tutto il mondo.

Joannes Vermorel: La realtà è che non sono veramente abbastanza buoni. La maggior parte delle aziende che sono diventate nostri clienti ci diceva effettivamente che una delle motivazioni chiave era ottenere previsioni promozionali migliori, perché era un problema reale per loro.

La tua media mobile può gestire la situazione, ma non può anticipare il rialzo o l’effetto della promozione. Anche se potrebbe non rovinare completamente le previsioni per i periodi non promozionali a causa della promozione, non fornisce comunque nulla per affrontare realmente una promozione imminente. Quindi, la media mobile ti salva in parte, ma non affronta il problema alla radice. Non produce una vera previsione promozionale, si limita a impedire che le promozioni distorcano tutte le previsioni non promozionali. E, a proposito, questo metodo è molto debole; non funziona nemmeno correttamente e comporta molti problemi.

Kieran Chandler: Allora perché queste aziende sono così contente di lavorare con queste medie mobili? Perché non cambiano? Perché esiste ancora in qualche modo questo problema?

Joannes Vermorel: Credo che una media mobile sia qualcosa a cui qualsiasi ingegnere possa pensare in circa due ore. Quindi la semplicità è molto potente. Finirai per reinventare in due ore una media mobile e una sorta di ricetta per far funzionare davvero la tua media mobile, il che è una forza molto potente.

Ricorda, circa l'80% delle supply chains a livello mondiale opera ancora su Microsoft Excel, quindi scrivere una media mobile su Excel è molto, molto facile. Probabilmente è quella la ragione.

Un’altra ragione è che se vuoi fare meglio, è notevolmente più difficile. All’improvviso devi passare dalla media mobile al machine learning. Quindi, devi passare da un metodo molto semplice che chiunque può capire, a un machine learning molto più complicato.

Kieran Chandler: Stiamo discutendo di un algoritmo che può funzionare in due ore, anche se non hai mai fatto machine learning prima. Ma per implementarlo con successo, devi anche prestare molta attenzione alla qualità dei dati riguardanti le tue promozioni. Potresti descrivere come funziona questo processo e come possiamo procedere con metodi migliori?

Joannes Vermorel: Certo. Indipendentemente da qualsiasi alternativa alle medie mobili, dobbiamo affidarci in modo significativo ai dati. Questo fattore rende il gioco molto più complesso.

Kieran Chandler: Se miriamo a fare le cose meglio, che tipo di dati dovremmo raccogliere? Dovrebbero essere gli sforzi di marketing, le variazioni di prezzo o qualcos’altro?

Joannes Vermorel: L’azienda deve raccogliere tutto ciò che contribuisce alla meccanica promozionale. Il prezzo è una cosa, sì. Se sconti il prezzo di un prodotto ma non informi nessuno dello sconto, nessuno se ne accorge, tranne le persone che avevano già intenzione di acquistare il prodotto.

Quindi, una promozione non riguarda solo il prezzo. Riguarda anche il diffondere la notizia. Far sapere al mercato che hai una promozione è cruciale. In alcuni settori come la moda, ci sono saldi di fine stagione. Tutti si aspettano questi saldi, che sono un tipo specifico di promozione. Ma in alcuni ambiti, è un gioco completamente diverso.

Ad esempio, negli ipermercati, non si tratta solo di abbassare il prezzo. Spesso, si tratta di spostare un prodotto in prima linea sulla gondola - il posizionamento super-premium alla fine del corridoio dove i prodotti sono altamente visibili. Ancora meglio, potresti posizionare un grande mucchio dei prodotti promossi all’ingresso del negozio.

Quindi, ora la domanda diventa: il tuo ERP traccia correttamente tutti questi dati? Se non riesci a tenere traccia in modo adeguato di ciò che vendi o acquisti, la tua azienda potrebbe andare in bancarotta. Se non sai cosa stai vendendo o acquistando, sia i clienti che i fornitori potrebbero truffarti, il che porterebbe al fallimento.

D’altra parte, se la data della tua promozione è registrata in modo errato nei tuoi archivi ERP, non porterà la tua azienda alla bancarotta. Ma se vuoi alimentare un algoritmo di machine learning che prevede le promozioni con dati inaccurati, non funzionerà.

Quindi, hai bisogno di un processo di assicurazione della qualità per i tuoi dati promozionali. Dalla nostra esperienza in Lokad, questo processo può richiedere molto impegno. Per la maggior parte delle aziende, sono necessari mesi di lavoro per ottenere dati storici promozionali di qualità.

Kieran Chandler: Quindi, quello che stai dicendo è che c’è stata una vera evoluzione nel settore, perché non si tratta di una metrica critica da misurare, ma di un’evoluzione nel modo in cui la misuriamo?

Joannes Vermorel: Sì, è molto difficile da misurare.

Kieran Chandler: Ipoteticamente, se un’azienda ha misurato tutte queste cose e ha raccolto tutte queste informazioni, significa che attraverso la tua previsione sarai in grado di dirci quali promozioni fare, quando funzionano meglio e che tipo di informazioni saresti in grado di generare?

Joannes Vermorel: Sì. La prima cosa da capire è che, invece di correggere i dati storici, un algoritmo di machine learning li analizza dal punto di vista dei dati storici arricchiti. Non cerchi di modificare le tue vendite. Segnalerai i periodi in cui le vendite del prodotto sono state gonfiate e i periodi in cui probabilmente sono state censurate.

Ad esempio, al termine di una promozione, se le persone hanno accumulato una scorta di prodotti, potresti osservare un calo della domanda. Potresti persino avere un periodo in cui osserverai una sorta di domanda censurata. Quindi, devi tenere conto di tutti questi fattori.

Kieran Chandler: Quindi, il primo vantaggio delle promozioni, che potrebbe non essere immediatamente evidente, è il potenziale per migliorare la qualità della tua previsione anche durante i periodi non promozionali. Questo viene realizzato attraverso l’uso di un algoritmo più efficace nel prevedere i bias. Quello che stai dicendo è che i dati promozionali vengono utilizzati anche quando non si verificano promozioni, giusto?

Joannes Vermorel: Sì, potrebbe sembrare controintuitivo, ma consideriamo un esempio. Se hai una grande promozione per una varietà di pomodoro, probabilmente cannibalizzerà le vendite di tutti gli altri prodotti non promossi. È abbastanza ovvio che una promozione significativa per un prodotto particolare avrà un effetto massiccio di cannibalizzazione su tutti gli altri prodotti in competizione con quello promosso. Quindi, le promozioni rendono le previsioni più complesse, non solo per il prodotto promosso, ma anche per tutti i prodotti non promossi.

Kieran Chandler: Capisco, quindi non è così controintuitivo come sembra a prima vista, ma richiede una certa considerazione. Ora, passiamo al tema di anticipare le promozioni future. Se sei a conoscenza di una promozione imminente, puoi anticipare il rialzo, ovvero l’aumento delle vendite, che ne deriverà. Tuttavia, questo solleva la questione del tuo processo per decidere in merito alle promozioni future. Potresti spiegare come vengono prese queste decisioni e come vengono inserite nel tuo motore di previsione?

Joannes Vermorel: Certo. La prima parte del processo consiste nel decidere le promozioni future. La seconda parte prevede di assicurarsi che queste decisioni vengano inserite nel nostro motore di previsione. Non si tratta solo di dati passati, ma anche di aspettative future. Se stiamo pianificando un evento che avrà un impatto significativo sulla supply chain, il motore di previsione deve esserne a conoscenza in anticipo. Un motore di previsione guidato dal machine learning, se informato in tempo, sarà in grado di adattarsi e riflettere l’evento imminente nelle sue previsioni.

Kieran Chandler: È affascinante, soprattutto l’idea di una promozione del decennio. Ma considerando la complessità del machine learning, quanto velocemente queste macchine possono apprendere e adattarsi? Quando si può cominciare ad aspettarsi dei risultati?

Joannes Vermorel: Dipende in gran parte dal numero di promozioni. È un gioco di statistiche. Se stai effettuando una promozione solo una volta all’anno per un prodotto, è difficile apprendere qualcosa. Ricorda, prevedere le promozioni non significa prevedere una serie temporale. Ogni prodotto potrebbe essere promosso solo una o due volte nel corso della sua vita. Se vuoi comprendere l’impatto di una promozione, devi considerare quale sia l’impatto tipico di una promozione in condizioni simili—sconto di prezzo, meccanica promozionale, canali di comunicazione, e così via. Ad esempio, nell’industria della moda, che effettua saldi di fine stagione, hai diversi punti dati poiché avviene da quattro a otto volte all’anno. Per un ipermercato, ogni singolo prodotto è potenzialmente un punto dati.

Hanno centinaia di prodotti che vengono promossi ogni giorno, e ruotano, non sono sempre gli stessi prodotti. È qualcosa che accade costantemente nell’e-commerce. Tipicamente, hai sempre uno o due prodotti che per caso sono in prima pagina sul tuo sito e-commerce, quindi c’è un forte meccanismo promozionale in atto continuamente. Ma diventa molto difficile quando si inizia a pensare alla previsione delle promozioni. Una domanda che i nostri clienti fanno è se il nostro motore di previsione possa forse prevedere le promozioni, ma ciò che vorrebbero davvero è decidere qual è la migliore promozione, il che è una questione completamente diversa e molto difficile.

Kieran Chandler: Diciamo che alcuni dei nostri spettatori potrebbero essere CEO. Qual è il processo che dovrebbero seguire se vogliono davvero implementare la previsione delle promozioni nella loro organizzazione?

Joannes Vermorel: Innanzitutto, devono raccogliere tutti i dati rilevanti. Non sto parlando di raccogliere dati di Twitter o di ciò che le persone dicono su Facebook. Si tratta più di sapere qual è la lista dei prodotti che vengono promossi, qual è la meccanica promozionale esatta. Probabilmente hanno le proprie categorie, come “compri uno, prendi uno gratis”, o se si tratta di uno sconto in percentuale, o qualsiasi tipo di promozione, ad esempio con spedizione gratuita. Il primo passo è raccogliere quello che chiamo dati quasi transazionali. Non sono dati transazionali perché non appaiono nelle fatture o nei pagamenti, ma sono molto ben specificati. Devi raccoglierli, integrarli nel tuo sistema e predisporre un processo di assicurazione della qualità in aggiunta.

Il secondo passo è riflettere veramente sul perché si fanno le promozioni, qual è l’obiettivo finale. Il problema è che tipicamente l’obiettivo finale varia molto a seconda del settore. Ad esempio, nella moda l’obiettivo è liquidare tutto il vecchio inventario in modo da poter sempre vendere prodotti aggiornati con le ultime tendenze. Nella grande distribuzione, le promozioni di solito non sono innescate dal rivenditore, ma dal fornitore, come parte di una negoziazione per aumentare la consapevolezza di un nuovo prodotto, come un nuovo gusto di un prodotto di largo consumo. Gli obiettivi finali sono molto diversi, il che significa che quando vuoi valutare come eseguire, devi considerare l’impatto delle tue promozioni.

Stai cercando di influenzare i tuoi clienti, e dovresti davvero pensare esattamente a che tipo di influenza vuoi creare. Ad esempio, se educhi i tuoi clienti a comprare sempre i tuoi prodotti a basso prezzo perché sanno che una promozione è sempre in arrivo, allora i tuoi clienti impareranno che basta essere un po’ pazienti per ottenerli a buon mercato. Richiede un pensiero veramente strategico e questo pensiero strategico dovrebbe avvenire prima del machine learning.

Una volta che hai compreso questo, puoi avere un sistema di machine learning intelligente e capace di elaborare tutti i dati che hai raccolto in linea con il tuo pensiero strategico. Il machine learning è molto meccanico, quindi non sarà in grado di eseguire alcuna strategia di alto livello, quello è il tuo compito.

Kieran Chandler: Temo che dovremo concludere per oggi. Quando parli di educare i clienti, probabilmente mi considererei uno dei clienti meno istruiti in circolazione. Questo è tutto per questa settimana, grazie per averci seguito e ci vediamo alla prossima. Arrivederci.