Prevedere la domanda per nuovi prodotti

00:00:04 Sfida nella previsione dei lanci di nuovi prodotti.
00:00:35 Problemi con gli approcci tradizionali alla previsione.
00:02:00 Critica della previsione basata sulle serie temporali per i nuovi prodotti.
00:03:45 Approcci alternativi per la previsione dei nuovi prodotti.
00:07:22 Deep learning e analisi degli attributi nella previsione.
00:09:06 Influenza della domanda: attributi del prodotto come colore, taglia.
00:11:23 Deep learning per la previsione delle caratteristiche diversificate dei prodotti.
00:11:58 Incertezze nei lanci di nuovi prodotti.
00:13:38 Benefici delle previsioni probabilistiche nella gestione del rischio.
00:14:44 Implicazioni dei lanci di nuovi prodotti su quelli esistenti.
00:16:01 Concetto di cannibalizzazione del prodotto, tattiche nell’industria della moda.
00:18:02 Sensibilità della previsione dei prezzi e complicazioni nel prezzo ottimale.
00:21:20 Overfitting nei modelli statistici, impatti sulla previsione dei prezzi.
00:21:58 Progressi nella tecnologia di previsione dei prodotti.
00:24:33 Cannibalizzazione nei lanci di prodotti, ricerca sulla fedeltà dei clienti.

Sommario

In un’intervista, Joannes Vermorel, fondatore di Lokad, discute le sfide della previsione della domanda per nuovi prodotti. La previsione tradizionale basata sulle serie temporali fallisce per i nuovi prodotti a causa della mancanza di dati storici. Vermorel critica il software convenzionale di pianificazione della domanda per la sua pesante dipendenza dai dati passati. Per i prodotti innovativi, suggerisce di condurre sondaggi di mercato. Quando i nuovi prodotti sono varianti di quelli esistenti, Vermorel propone l’uso degli attributi del prodotto per anticipare la domanda. Evidenzia l’incertezza e la cannibalizzazione come sfide significative nella previsione dei nuovi prodotti, sostenendo un approccio probabilistico. Vermorel indica che la direzione futura di Lokad include lo sfruttamento del “social network” del cliente e il passaggio dal deep learning alla programmazione differenziabile.

Sommario Esteso

In un’intervista in corso, Kieran Chandler e Joannes Vermorel, il fondatore di Lokad, stanno esplorando le potenzialità e gli ostacoli nella previsione della domanda per i prodotti appena lanciati. Anche se intrinsecamente difficile e imprevedibile, Vermorel sostiene che è possibile fare previsioni per i nuovi prodotti, sebbene richieda uno sforzo significativo.

L’intervista inizia riconoscendo l’importanza di prevedere i lanci dei prodotti, il che consente alle aziende di sfruttare il solito picco di domanda successivo al rilascio di un nuovo prodotto. Tuttavia, Vermorel fa notare che il metodo di previsione standard, ovvero la previsione basata sulle serie temporali, risulta insufficiente quando applicato ai nuovi prodotti.

La previsione basata sulle serie temporali estende le tendenze storiche nel futuro, un approccio simile a prevedere le condizioni meteorologiche. Per esempio, un modello di previsione di base potrebbe calcolare la media delle vendite della settimana scorsa per prevedere le vendite della settimana successiva. Tuttavia, con un nuovo prodotto, non ci sono dati di vendita precedenti su cui basare le previsioni, rendendo questa metodologia insufficiente.

Vermorel continua a criticare il software convenzionale di pianificazione della domanda che si basa principalmente su “forme glorificate di medie mobili”, con modelli come la levigatura esponenziale, la regressione lineare e l’ARIMA che agiscono come medie mobili sofisticate. Pur considerando coefficienti stagionali e finestre di media variabili, questi modelli dipendono ancora pesantemente dai dati passati, rendendoli inadatti ai nuovi prodotti.

Affrontando il problema della previsione per prodotti completamente nuovi, come il primo iPhone, Vermorel suggerisce che le previsioni statistiche hanno bisogno di un set rilevante di osservazioni passate. Senza prodotti simili in precedenza, generare una previsione fondata statisticamente è quasi impossibile.

Una strategia per scenari unici potrebbe coinvolgere il sondaggio del mercato e la misurazione delle opinioni dei consumatori. Nonostante l’elevato costo e il tempo necessario, Vermorel crede che per lanci importanti come l’iPhone, che probabilmente hanno richiesto centinaia di milioni in ricerca e sviluppo, la spesa per una dettagliata ricerca di mercato potrebbe essere giustificata.

Vermorel inizia delineando le sfide affrontate durante il lancio di molteplici nuovi prodotti. Sostiene che molti nuovi prodotti non sono completamente innovativi, ma sono spesso varianti di prodotti esistenti, semplificando le stime delle vendite future. Utilizza l’industria della moda come esempio, notando che, sebbene presentino nuove collezioni ogni stagione, esse sono solitamente composte da articoli familiari, come camicie o scarpe, con caratteristiche diverse.

Per prevedere le vendite di nuovi prodotti, Vermorel propone di confrontare il nuovo prodotto con quelli esistenti usando attributi condivisi, un metodo che, secondo lui, è significativamente diverso dal software tradizionale di previsione. Questi attributi, come taglia e colore, possono offrire preziose informazioni. Per esempio, taglie estreme o colori specifici potrebbero non vendere bene quanto quelli più comuni.

Il metodo tipico per prevedere le vendite di nuovi prodotti chiede a un manager della supply chain di stabilire un collegamento tra un prodotto nuovo e uno esistente. Vermorel critica questo processo come tedioso, specialmente quando si lanciano migliaia di nuovi prodotti. Richiede l’ispezione manuale di un vasto archivio di lanci passati. Una mappatura errata basata esclusivamente sull’intuizione può portare a una previsione completamente fuori bersaglio.

Vermorel propone un approccio più intelligente, che utilizza gli attributi del prodotto per predire la domanda. A seconda del settore, questi attributi potrebbero variare da taglia, colore, fascia di prezzo e modelli per articoli di moda a cartucce compatibili e altre caratteristiche per l’elettronica di consumo. Questa varietà richiede un algoritmo statistico capace di gestire un’ampia gamma di caratteristiche, in cui moderne tecnologie di machine learning come il deep learning potrebbero essere vantaggiose.

La conversazione si sposta poi sull’incertezza intrinseca associata alle previsioni per i nuovi prodotti. Vermorel riconosce che il livello di incertezza durante un lancio di un prodotto è solitamente abbastanza elevato, e suggerisce che una previsione probabilistica potrebbe essere più utile in tal caso. Pur non essendo molto precisa, il vantaggio è nel riconoscere e tenere in considerazione i rischi associati, poiché la previsione fornisce un intervallo di futuri potenziali.

Joannes richiama l’attenzione sul problema della cannibalizzazione, in particolare durante il lancio di nuovi prodotti, poiché spesso sottraggono quote di mercato a quelli esistenti.

possono cannibalizzare le vendite di quelle più vecchie. Per contrastare ciò, il settore solitamente svuota le collezioni vecchie tramite sconti prima di introdurre quelle nuove.

La discussione continua con una situazione ipotetica. Se Apple lanciasse un iPhone in diversi colori contemporaneamente, offrendo una varietà di scelte, ciò potrebbe aumentare le vendite, ma potrebbe anche portare a una competizione interna tra i prodotti.

In relazione alla sensibilità dei prezzi, Kieran chiede a Joannes se è possibile prevedere la domanda basandosi sui cambiamenti di prezzo. Joannes conferma, ma spiega che ciò aggiunge ulteriore complessità al problema. Questa discussione conduce nel regno del reinforcement learning e alla necessità di un equilibrio attento per evitare l"overfitting, quando un modello performa bene sui dati noti ma male su quelli sconosciuti.

Quando si modificano le fasce di prezzo, ad esempio, un marchio potrebbe entrare in un territorio sconosciuto in cui i dati passati diventano meno rilevanti. I marchi tipicamente aggiustano i loro prezzi lentamente, usando questo processo come opportunità di apprendimento. Joannes chiarisce che l’overfitting può diventare un problema se i marchi iniziano ad utilizzare i loro modelli di previsione per stabilire i prezzi. Per evitarlo, è cruciale non fare troppo affidamento sull’output del modello di previsione quando si decide il prezzo.

Cambiando argomento, Kieran chiede del futuro prossimo della previsione dei prodotti. Joannes rivela che Lokad ha recentemente introdotto un nuovo motore di previsione basato sul deep learning, che, secondo il loro benchmark, rappresenta un significativo aggiornamento e ha ridotto gli errori nella previsione dei nuovi prodotti di oltre il 20%.

Joannes sottolinea anche l’importanza di comprendere il concetto di cannibalizzazione del prodotto quando si lanciano nuovi prodotti. Anche se i rivenditori potrebbero essere tentati di pensare che lanciare molti nuovi prodotti aumenterà significativamente le vendite, Joannes ricorda che questi nuovi prodotti concorreranno per la stessa base di clienti.

La conversazione si conclude con Joannes che condivide la loro ricerca in corso per sfruttare il “social network” dei clienti, inteso come i modelli di consumo della loro base clienti. Questo sforzo nasce dalla consapevolezza che i nuovi prodotti tendono a prendere piede inizialmente all’interno della base clienti esistente. Stanno passando dal deep learning alla differentiable programming, considerata il successore del deep learning, per gestire in modo efficace questo compito complesso.

Trascrizione Completa

Kieran Chandler: Oggi discuteremo se è effettivamente possibile prevedere i nuovi prodotti e quanto possiamo avere fiducia in questi risultati. Joannes, sfortunatamente qui a Lokad non abbiamo una sfera di cristallo. Quindi, possiamo davvero fare previsioni per i nuovi prodotti?

Joannes Vermorel: La risposta breve è sì, quella più lunga è che è difficile, richiede impegno e la matematica adeguata. In sostanza, quando si pensa alla previsione, spesso si immagina un tipo specifico di previsione, qualcosa come la previsione basata sulle serie temporali. La si pensa come la previsione della temperatura per il meteo. Fondamentalmente, hai una curva, ciò che hai osservato in passato, e vuoi estendere questa curva nel futuro per ottenere la tua previsione. La previsione più semplice che si possa fare è semplicemente una media mobile. Per esempio, quali saranno le mie vendite la prossima settimana? Se faccio la media delle mie vendite della settimana scorsa, mi dà una stima approssimativa. Questo approccio è ingenuo ma in qualche modo funziona. Tuttavia, per i nuovi prodotti, crolla completamente.

Kieran Chandler: Perché dunque questo approccio delle serie temporali non funziona? Perché fallisce?

Joannes Vermorel: È perché non hai più nulla di cui fare la media. Vuoi guardare al passato e prevedere il futuro facendo la media di ciò che avevi. Ma se vuoi prevedere le vendite di un prodotto che non è ancora stato venduto, non hai alcun dato. Se prevedi semplicemente zero perché hai venduto zero la scorsa settimana, non ha senso. Lanci un prodotto, sperabilmente venderai qualche unità. L’algoritmo tradizionale della media mobile semplicemente non funziona. È interessante perché la maggior parte dei primi software di pianificazione della domanda si basava su forme glorificate di medie mobili. Esistono molti modelli statistici con nomi sofisticati ma che non sono altro che medie mobili glorificate. La levigatura esponenziale è una sorta di media mobile, la regressione lineare è a malapena migliore di una media mobile.

Kieran Chandler: Quindi, come possiamo effettivamente ottenere una previsione per qualcosa che è completamente nuovo? Se prendiamo, per esempio, l’iPhone prima che venisse rilasciato, non esisteva nulla di simile in precedenza. Possiamo davvero fare previsioni per quello?

Joannes Vermorel: Se vuoi fare una previsione o almeno una previsione statistica, hai bisogno di un set rilevante di osservazioni dal passato. Stai comunque cercando di proiettare il futuro guardando allo specchietto retrovisore, ma devi avere qualcosa da cui partire. Se hai un prodotto completamente unico, allora da un punto di vista statistico è finita. Non puoi lavorare in modo statistico. Quello che puoi fare al meglio è sondare il mercato e raccogliere opinioni su se le persone lo comprerebbero o meno. Ovviamente, questo è un processo molto costoso. Apple potrebbe farlo per l’iPhone perché probabilmente aveva investito centinaia di milioni di dollari in ricerca e sviluppo per portare l’iPhone sul mercato. Quindi, potrebbero comunque permettersi di spendere qualche centinaio o migliaia di dollari per dei sondaggi intelligenti.

Kieran Chandler: Quindi, per una stima approssimativa di quanto venderai, ovviamente, se stai lanciando molti nuovi prodotti, non puoi permetterti un processo così tedioso. La buona notizia è che, se lanci una grande quantità di prodotti, quali sono le probabilità che tutto ciò che lanci sia completamente nuovo? In pratica, quasi zero, perché non puoi lanciare centinaia di prodotti completamente unici. Se lanci centinaia di prodotti ogni anno, le probabilità sono che siano tutte varianti dello stesso tema o stile.

Joannes Vermorel: Esattamente, puoi mettere in relazione un prodotto esistente con qualche caratteristica del nuovo prodotto. Se operi nel settore della moda, per esempio, con ogni collezione avrai nuove camicie e nuove scarpe. Ma restano camicie o scarpe, e questi prodotti hanno caratteristiche, come le taglie. Anche se non sai quante unità venderai, capisci che le taglie estreme non venderanno quanto la taglia predominante. Se vuoi avere un modello statistico, devi semplicemente sfruttare questa intuizione. Se stai prevedendo la domanda futura per i prodotti che stai per lanciare, devi guardare a tutti i lanci precedenti che hai effettuato e mettere in relazione il prodotto nuovo con quelli vecchi attraverso i loro attributi.

Kieran Chandler: È interessante, specialmente l’approccio basato sugli attributi che sembra essere abbastanza diverso da quanto tipicamente fatto nella maggior parte dei software di previsione. Ora, con i progressi nella tecnologia del deep learning, è questo il metodo principale utilizzato per esaminare questi attributi in maniera più dettagliata?

Joannes Vermorel: Sì, confrontiamolo con la prospettiva classica sulla previsione dei nuovi prodotti. Inizialmente, hai solo modelli di media mobile. Per prevedere un nuovo prodotto, chiederesti al supply chain manager di creare un collegamento tra un nuovo prodotto e uno vecchio. Questo approccio tradizionale richiedeva un essere umano, un supply chain manager, a rispondere alla domanda, “Quale prodotto è più simile a quello che stai per lanciare?” in modo da poter fingere che quel prodotto stia già vendendo. Poi puoi tornare al tuo approccio con la media mobile perché, improvvisamente, hai una serie temporale; hai le vendite passate per il prodotto.

Tuttavia, se stai lanciando mille nuovi prodotti e devi prendere questa decisione di mappatura per ogni nuovo prodotto che stai per lanciare, e nella tua storia probabilmente hai lanciato decine di migliaia di prodotti, allora il processo diventa incredibilmente tedioso. Dovresti esaminare manualmente un intero archivio di lanci passati per effettuare questa mappatura. Se la mappatura viene fatta in modo errato, affidandoti solo alla tua intuizione, allora la tua previsione risulterà completamente inutile.

Un approccio più intelligente è sfruttare gli attributi e considerare quali attributi determinano la quantità di domanda che puoi aspettarti. Tornando al mondo della moda, le taglie sono un indicatore molto chiaro, ma anche il colore è un fattore significativo. Per esempio, se hai abiti per bambini, è improbabile che i genitori acquistino capi eccessivamente bianchi, perché i bambini li sporcano facilmente. Pertanto, il bianco immacolato per i bambini tende a non essere un colore particolarmente adatto. Tuttavia, per le camicie da lavoro, i colori dominanti saranno probabilmente bianco, azzurro e rosa chiaro.

Kieran Chandler: Se vuoi avere, per esempio, un giallo brillante per le camicie da lavoro, è probabile che rappresenti una percentuale trascurabile delle tue vendite. Questi tipi di osservazioni possono essere fatte intuitivamente, ma le relazioni possono essere molto sottili. Gli attributi possono essere incredibilmente diversi – dimensione, colore, fasce di prezzo, motivi sui capi. Oppure, prendiamo l’elettronica di consumo: se vuoi prevedere la domanda per la prossima stampante, hai un ampio ventaglio di caratteristiche da considerare – cartucce compatibili, altre funzionalità – è estremamente vario.

Joannes Vermorel: È qui che ci troviamo di fronte a una situazione in cui hai bisogno di un algoritmo che possa gestire questa diversità travolgente. Ed è qui che il deep learning, il moderno approccio del machine learning, entra in gioco. Gli algoritmi di deep learning sono particolarmente efficaci nel trattare un ventaglio incredibilmente vario di caratteristiche, che possono anche includere descrizioni in testo semplice dei prodotti.

Kieran Chandler: C’è una quantità enorme di variabilità, tanto da dover considerare molto. Possiamo avere fiducia nei risultati delle previsioni per i nuovi prodotti?

Joannes Vermorel: Questo è esattamente il punto che la previsione probabilistica cerca di affrontare. Il grado di incertezza durante il lancio di un nuovo prodotto è tipicamente molto elevato. Se fosse facile prevedere un nuovo prodotto, probabilmente non sarebbe davvero nuovo, ma semplicemente un sostituto quasi perfetto di uno dei tuoi prodotti esistenti. In quel caso, la mappatura manuale che ho descritto in precedenza sarebbe probabilmente sufficiente. Ma se stai lanciando qualcosa di anche solo leggermente nuovo, che non si allinea perfettamente a ciò che vendi già, c’è un’incertezza irriducibile. Ma va bene così. I tuoi concorrenti affrontano la medesima sfida. Per superarli, tutto ciò che devi fare è prevedere meglio di loro. Non hai una sfera di cristallo, ma probabilmente nemmeno loro ce l’hanno.

Kieran Chandler: Con questa incertezza irriducibile, quali aspettative possiamo avere?

Joannes Vermorel: Ed ecco dove interviene il vantaggio della previsione probabilistica. Sì, la tua previsione sarà imprecisa, ma se stai effettuando una previsione probabilistica, sei pienamente consapevole di tale imprecisione. Quello che vedrai in pratica è una distribuzione che si estende su molti futuri possibili, in modo che le tue decisioni tengano conto del rischio di avere una domanda molto superiore o molto inferiore alla tua previsione. Si tratta di considerare tutte le possibilità.

Kieran Chandler: Se ora osserviamo le cose dal punto di vista di Lokad, stiamo considerando una gamma di probabilità per l’intero business, per l’intero catalogo. Se un singolo articolo potesse vendere tantissimo o pochissimo, questo non modificherebbe i risultati di tutte le nostre previsioni?

Joannes Vermorel: Assolutamente, lo modifica, ed è proprio questo che rende il problema ancora più impegnativo.

Kieran Chandler: Sembra piuttosto complicato. Da quanto ho capito, se vuoi produrre una previsione statistica per i nuovi prodotti, devi esaminare i lanci passati e abbinare i loro attributi per trovare prodotti pertinenti. Questo processo sembra richiamare il concetto di “matching”, ma in modo completamente automatizzato. Tuttavia, lanciare un nuovo prodotto sposta la domanda dai tuoi prodotti esistenti. Ho capito correttamente?

Joannes Vermorel: Esatto, ogni prodotto che lanci tende a cannibalizzare le tue vendite esistenti. Prendi, per esempio, un rivenditore di moda che introduce un nuovo tipo di camicia. Probabilmente vendeva già camicie, quindi quando arriva un nuovo design alla moda, non stai semplicemente conquistando quote di mercato dai tuoi concorrenti. Invece, i tuoi clienti potrebbero scegliere questo nuovo prodotto al posto di un altro che già vendevi. Questa situazione porta a cannibalizzazione, che è estremamente difficile da gestire.

Kieran Chandler: È così difficile da gestire che è una delle ragioni principali per cui i marchi di moda presentano delle collezioni, giusto?

Joannes Vermorel: Esattamente. Invece di cercare di risolvere questo complesso problema di cannibalizzazione, è più semplice organizzare un saldi, esaurire tutte le collezioni precedenti e poi iniziare una nuova collezione. In questo modo, eviti la cannibalizzazione tra la nuova collezione e quella vecchia. Hai liquidato lo stock in modo da non avere due collezioni che competono contemporaneamente.

Kieran Chandler: Quindi, se vuoi perfezionare la tua previsione per i nuovi prodotti, non può essere fatto in isolamento, giusto? Se lanci più prodotti, essi cannibalizzeranno ciò che possiedi e anche se stessi.

Joannes Vermorel: Corretto. Per esempio, se Apple decidesse di lanciare un nuovo iPhone, non otterrebbero le stesse vendite se lanciaro solo un colore — il nero, per esempio — rispetto a se permettessero ai clienti di scegliere tra cinque colori diversi il giorno del lancio. Sebbene avere più opzioni possa aumentare leggermente le vendite, si verificherebbe anche molta cannibalizzazione.

Kieran Chandler: Hai accennato alle vendite, che è come adeguare il prezzo del prodotto in risposta alle tendenze del mercato. Esiste un modo per prevedere la sensibilità del prezzo? È possibile prevedere la domanda per un prodotto se ne abbasso il prezzo?

Joannes Vermorel: Sì, ma questo complica ulteriormente il problema. Richiede di superare il classico apprendimento supervisionato per entrare nel campo del reinforcement learning o altre situazioni avanzate. Perché? Perché controlli ciò che osserverai una volta che inizi a considerare il prezzo.

Per esempio, un marchio di moda ha osservato solo il modello di vendita per le fasce di prezzo che ha praticato in passato. Quindi, se decidi di puntare a fasce di prezzo più elevate, stai entrando in territori sconosciuti in cui i dati passati non sono molto rilevanti. Molti marchi farebbero una transizione graduale in modo da avere ancora la possibilità di imparare e osservare.

Da un punto di vista statistico, la sfida è che se costruiamo un modello di previsione che prende in input una fascia di prezzo, possiamo regolare la previsione sulla base di essa. Tuttavia, il pericolo sta in ciò che accade se iniziamo a utilizzare l’output del nostro modello di previsione.

Kieran Chandler: Quindi stai parlando di un modello per gestire il pricing. Come se si potesse creare un modello di previsione, modificare il prezzo e condurre scenari what-if, ipotizzando il lancio dello stesso prodotto a prezzi differenti. Questo approccio mira a selezionare il prezzo ottimale che ci giova maggiormente. Tuttavia, se fatto in modo ingenuo, non comporterebbe un particolare problema di overfitting?

Joannes Vermorel: Sì, esattamente. Se ripeti questo esercizio molte volte con variazioni minime di prezzo, il prezzo che sceglierai potrebbe risultare semplicemente da una fluttuazione del tuo modello di previsione stesso. In sostanza, finirai per amplificare qualsiasi problema di overfitting presente nel tuo processo di apprendimento. L’overfitting si verifica quando un modello statistico funziona bene sui dati già in tuo possesso, ma non altrettanto bene su quelli che non hai. Paradossalmente, quando si effettua una previsione statistica, si desidera che il modello funzioni bene sui dati che non si possiedono.

Kieran Chandler: Questo solleva sicuramente una domanda interessante su come si misura l’accuratezza di un modello del genere. Ma ne potremo discutere un altro giorno. Tornando alla questione del pricing, sembra che sfruttare il prezzo in un modello di questo tipo possa diventare estremamente complicato. E, naturalmente, non vorresti generare un enorme errore di overfitting attraverso l’esplorazione della variabile di prezzo, giusto?

Joannes Vermorel: Esattamente, l’esplorazione della variabile di prezzo può portare a un massiccio overfitting, un aspetto davvero difficile da gestire.

Kieran Chandler: Sembra proprio un problema piuttosto complesso da risolvere. Come ultima domanda, cosa ci riserva il prossimo futuro in termini di previsione dei nuovi prodotti? Quali avanzamenti tecnologici possiamo aspettarci?

Joannes Vermorel: Beh, proprio lo scorso dicembre abbiamo lanciato il nostro nuovo motore di previsione basato sul deep learning. Secondo il nostro benchmark interno, è stato probabilmente uno degli aggiornamenti più significativi in termini di guadagni incrementali in accuratezza. Il miglioramento nell’accuratezza nella previsione dei nuovi prodotti ha superato il 20% nella riduzione dell’errore, il che è notevole. Una cosa che abbiamo imparato con questo modello è la capacità di sfruttare le descrizioni in testo semplice, che possono essere molto utili. Per esempio, se sei un rivenditore e vuoi prevedere quante unità venderai per le scatole Lego. È un problema complicato perché, per esempio, Lego rilascia ogni anno un nuovo castello medievale.

Kieran Chandler: I castelli medievali non devono essere confusi con i castelli elfico. Uno sarà orientato ai ragazzi, mentre l’altro sarà orientato alle ragazze. Tuttavia, questa distinzione è sottile, e in realtà non possiedi tutti gli attributi dettagliati per riflettere questa differenza se vendi migliaia di giocattoli nel tuo negozio.

Joannes Vermorel: Infatti, tutto si basa sugli attributi, ma spesso non disponi di molti dati dal tuo fornitore. E non hai necessariamente il tempo di aggiungerli o modificarli manualmente. Pertanto, a volte è necessario un motore di previsione capace di elaborare la descrizione in testo semplice. Un’area su cui stiamo attualmente lavorando è sfruttare questi dettagli per ottenere previsioni più specifiche e accurate.

Per il lancio dei prodotti, è fondamentale abbracciare l’idea della cannibalizzazione. Se lanci più prodotti, non significa che le tue vendite impennino. Tutti i nuovi prodotti che lanci competono per gli stessi clienti che hai già. Quindi, uno degli ambiti di ricerca su cui ci stiamo concentrando è l’utilizzo del nostro database di loyalty.

Tipicamente, se sei un rivenditore, sai quale cliente acquista cosa. È completamente diverso dal punto di vista delle serie temporali, dove consideri solo quante unità sono state vendute al giorno o alla settimana per un determinato prodotto. Qui, vogliamo considerare la rete sociale dei clienti che hanno già acquistato i prodotti in passato. L’idea è che, quando lanci un nuovo prodotto, esso inizierà principalmente a guadagnare trazione all’interno della tua base clienti esistente.

Se desideri modelli matematici capaci di elaborare la rete sociale dei tuoi clienti, tipicamente devi passare dal deep learning alla programmazione differenziabile, che è il discendente del deep learning. È esattamente a questo punto che ci troviamo ora.

Kieran Chandler: È affascinante. Dovremo lasciarci qui, ma la previsione dei social media e della loyalty sono concetti davvero interessanti. Grazie per aver dedicato del tempo oggi.

Joannes Vermorel: Grazie a te.

Kieran Chandler: Quindi, questo è tutto per questa settimana. Se avete problemi a fare previsioni per i nuovi prodotti, ci farebbe piacere sentirvi. Inviateci un’email o lasciate un commento qui sotto. Siamo interessati a conoscere le sfide che state affrontando. Questo è tutto per questa settimana, ma ci vediamo la prossima volta. Arrivederci per ora.