00:00:04 Sfida nella previsione dei lanci di nuovi prodotti.
00:00:35 Problemi con gli approcci di previsione tradizionali.
00:02:00 Critica alla previsione delle serie temporali per i nuovi prodotti.
00:03:45 Approcci alternativi alla previsione dei nuovi prodotti.
00:07:22 Apprendimento approfondito e analisi degli attributi nella previsione.
00:09:06 Influenza della domanda: attributi del prodotto come colore, dimensione.
00:11:23 Apprendimento approfondito per la previsione di diverse caratteristiche del prodotto.
00:11:58 Incertezze nei lanci di nuovi prodotti.
00:13:38 Benefici delle previsioni probabilistiche nella gestione del rischio.
00:14:44 Implicazioni del lancio di nuovi prodotti su quelli esistenti.
00:16:01 Concetto di cannibalizzazione del prodotto, tattiche dell’industria della moda.
00:18:02 Sensibilità della previsione dei prezzi e complicazioni del prezzo ottimale.
00:21:20 Sovradattamento nella modellazione statistica, 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 del cliente.
Riassunto
In un’intervista, Joannes Vermorel, fondatore di Lokad, discute delle sfide nella previsione della domanda di nuovi prodotti. La previsione delle serie temporali tradizionali non funziona per i nuovi prodotti a causa della mancanza di dati storici. Vermorel critica il software tradizionale di pianificazione della domanda per la sua forte dipendenza dai dati passati. Per i prodotti nuovi, suggerisce di condurre indagini di mercato. Quando i nuovi prodotti sono variazioni di quelli esistenti, Vermorel propone di utilizzare gli attributi del prodotto per anticipare la domanda. Sottolinea l’incertezza e la cannibalizzazione come sfide significative nella previsione dei nuovi prodotti, sostenendo un approccio probabilistico. Vermorel indica che la futura direzione di Lokad include l’utilizzo del “social network” del cliente e la transizione dall’apprendimento approfondito alla programmazione differenziabile.
Riassunto Esteso
In un’intervista in corso, Kieran Chandler e Joannes Vermorel, fondatore di Lokad, stanno esplorando il potenziale e gli ostacoli nella previsione della domanda per i prodotti appena lanciati. Anche se è intrinsecamente difficile e imprevedibile, Vermorel sostiene che sia possibile prevedere i nuovi prodotti, anche se richiede un notevole sforzo.
L’intervista inizia riconoscendo l’importanza della previsione dei lanci di prodotti, che consente alle aziende di sfruttare l’aumento usuale della domanda dopo il lancio di un nuovo prodotto. Tuttavia, Vermorel fa notare che il metodo di previsione standard, la previsione delle serie temporali, non funziona quando viene applicato ai nuovi prodotti.
La previsione delle serie temporali estende le tendenze storiche nel futuro, un approccio simile alla previsione dei modelli meteorologici. Ad 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 insufficiente questa metodologia.
Vermorel continua a criticare il software tradizionale di pianificazione della domanda che si basa principalmente su “forme esaltate di medie mobili”, con modelli come la media mobile esponenziale, la regressione lineare e ARIMA che agiscono come medie mobili sofisticate. Sebbene questi modelli possano considerare coefficienti stagionali e finestre di media mobile variabili, dipendono ancora pesantemente dai dati passati, rendendoli inadatti per i nuovi prodotti.
Affrontando il problema delle previsioni per prodotti completamente nuovi, come il primo iPhone, Vermorel suggerisce che le previsioni statistiche abbiano bisogno di un insieme rilevante di osservazioni passate. Senza prodotti precedenti simili, generare una previsione fondata statisticamente è quasi impossibile.
Una strategia per scenari unici di questo tipo potrebbe prevedere un’indagine di mercato e la misurazione delle opinioni dei consumatori. Nonostante il costo elevato e il tempo necessario, Vermorel ritiene che per lanci importanti come l’iPhone, che probabilmente costa centinaia di milioni in ricerca e sviluppo, l’investimento in dettagliate ricerche di mercato potrebbe essere giustificato.
Vermorel inizia delineando le sfide affrontate durante il lancio di molti nuovi prodotti. Sostiene che molti nuovi prodotti non sono completamente nuovi, ma spesso sono variazioni di prodotti esistenti, semplificando le stime delle vendite future. Usa l’industria della moda come esempio, notando che sebbene introducano nuove collezioni ogni stagione, di solito sono 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 utilizzando attributi comuni, un metodo che ritiene significativamente diverso dal software di previsione convenzionale. Questi attributi, come la dimensione e il colore, possono offrire preziose informazioni. Ad esempio, le dimensioni estreme o i colori specifici potrebbero non vendere altrettanto bene quanto quelli più comuni.
Il metodo tipico per prevedere le vendite di nuovi prodotti chiede a un responsabile della supply chain di stabilire un collegamento tra un nuovo e un vecchio prodotto. Vermorel critica questo processo come noioso, specialmente quando si lanciano migliaia di nuovi prodotti. Richiede l’ispezione manuale di un vasto archivio di lanci passati. Qualsiasi mappatura errata basata esclusivamente sull’intuizione può rendere la previsione completamente fuori bersaglio.
Vermorel propone un approccio più intelligente, utilizzando gli attributi del prodotto per prevedere la domanda. A seconda del settore, questi attributi potrebbero variare dalla dimensione, al colore, al prezzo e ai modelli per gli articoli di moda, alle cartucce compatibili e ad altre caratteristiche per l’elettronica di consumo. Questa varietà richiede un algoritmo statistico in grado di gestire una vasta gamma di caratteristiche, in cui le moderne tecnologie di apprendimento automatico come il deep learning potrebbero essere utili.
La conversazione passa quindi all’incertezza intrinseca associata alle previsioni di nuovi prodotti. Vermorel riconosce che il livello di incertezza durante il lancio di un prodotto è di solito molto alto e suggerisce che una previsione probabilistica potrebbe essere più utile in questo caso. Sebbene una tale previsione potrebbe non essere molto precisa, il vantaggio sta nel riconoscere e considerare i rischi associati poiché la previsione fornisce una gamma di futuri potenziali.
Joannes attira l’attenzione sul problema della cannibalizzazione, in particolare durante il lancio di nuovi prodotti, poiché spesso si prendono quote di mercato da quelli esistenti. Questo problema è diffuso nell’industria della moda, dove le nuove collezioni
possono cannibalizzare le vendite di quelle più vecchie. Per contrastare questo fenomeno, l’industria di solito svende le vecchie collezioni prima di introdurne di nuove.
La discussione prosegue con una situazione ipotetica. Se Apple dovesse lanciare un iPhone in diversi colori contemporaneamente, offrire una varietà di scelte potrebbe aumentare le vendite, ma potrebbe anche portare a una competizione interna tra i prodotti.
In relazione alla sensibilità al prezzo, Kieran chiede a Joannes se sia possibile prevedere la domanda in base alle variazioni di prezzo. Joannes conferma che è possibile, ma spiega che ciò aggiunge ulteriore complessità alla questione. Questa discussione porta nel campo dell’apprendimento per rinforzo e alla necessità di un equilibrio attento per evitare l’overfitting, quando un modello si comporta bene su dati noti ma male su dati sconosciuti.
Quando si modificano i punti di prezzo, ad esempio, un marchio potrebbe entrare in territorio sconosciuto in cui i dati passati diventano meno rilevanti. Di solito i marchi adeguano i loro prezzi lentamente, utilizzando questo processo come opportunità di apprendimento. Joannes precisa che l’overfitting può diventare un problema se i marchi iniziano a utilizzare i loro modelli di previsione per stabilire i prezzi. Per evitarlo, è fondamentale non fare affidamento eccessivo sui risultati del proprio modello di previsione quando si decide il prezzo.
Cambiando argomento, Kieran chiede informazioni sul futuro prossimo delle previsioni di prodotto. Joannes rivela che Lokad ha recentemente introdotto un nuovo motore di previsione basato sull’apprendimento profondo, che, secondo il loro benchmark, rappresenta un miglioramento significativo e ha ridotto gli errori nelle previsioni di nuovi prodotti di oltre il 20%.
Joannes sottolinea anche l’importanza di comprendere il concetto di cannibalizzazione del prodotto durante il lancio di nuovi prodotti. Mentre i rivenditori potrebbero essere tentati di pensare che il lancio di molti nuovi prodotti aumenterà significativamente le vendite, Joannes ci ricorda che questi nuovi prodotti si contenderanno la stessa base di clienti.
La conversazione si conclude con Joannes che condivide la loro ricerca in corso per sfruttare la “rete sociale” dei clienti, che si riferisce ai modelli di consumo della loro base clienti. Questo sforzo è guidato dalla comprensione che i nuovi prodotti tendono a guadagnare inizialmente trazione all’interno della base di clienti esistente. Stanno passando dall’apprendimento profondo alla programmazione differenziabile, considerata il successore dell’apprendimento profondo, per gestire efficacemente questa complessa attività.
Trascrizione completa
Kieran Chandler: Oggi parleremo di quanto sia effettivamente possibile prevedere i nuovi prodotti e di quanto possiamo fidarci di questi risultati. Joannes, purtroppo, qui da Lokad non abbiamo una sfera di cristallo. Quindi, possiamo effettivamente fare previsioni per i nuovi prodotti?
Joannes Vermorel: La risposta breve è sì, la risposta più lunga è che è difficile, richiede sforzo e la matematica appropriata. In sostanza, quando le persone pensano alle previsioni, spesso immaginano un tipo specifico di previsione, qualcosa come le previsioni delle serie temporali. Pensano a previsioni come quelle delle temperature 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 puoi fare è semplicemente una media mobile. Ad esempio, quali saranno le mie vendite la prossima settimana? Se faccio la media delle mie vendite della settimana scorsa, ottengo un’idea approssimativa. Questo approccio è ingenuo ma funziona più o meno. Tuttavia, per i nuovi prodotti, non funziona affatto.
Kieran Chandler: Perché questo approccio delle serie temporali non funziona allora? Perché non funziona?
Joannes Vermorel: Perché non hai più nulla da mediare. Vuoi tornare indietro nel 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 dati. Se prevedi semplicemente zero perché hai venduto zero la settimana scorsa, 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 tutti su forme ingigantite di medie mobili. Ci sono molti modelli statistici che hanno nomi fantasiosi ma non sono altro che medie mobili ingigantite. La media esponenziale è una sorta di media mobile, la regressione lineare è appena migliore di una media mobile.
Kieran Chandler: Quindi come possiamo effettivamente fare una previsione per qualcosa di completamente nuovo? Se prendiamo, ad esempio, l’esempio dell’iPhone prima che fosse lanciato, nulla di simile esisteva prima. Possiamo effettivamente fare una previsione per quello?
Joannes Vermorel: Se vuoi fare una previsione o almeno una previsione statistica, devi avere un insieme rilevante di osservazioni dal passato. Stai ancora cercando di proiettare il futuro guardando lo specchietto retrovisore, ma devi avere qualcosa su cui guardare. Se hai un prodotto completamente unico, allora dal punto di vista statistico, è finita. Non puoi lavorare statisticamente. Quello che puoi fare al meglio è sondare il mercato e prendere opinioni su se le persone lo comprerebbero o meno. Ovviamente, questo è un processo molto costoso. Apple poteva farlo per l’iPhone perché avevano probabilmente investito centinaia di milioni di dollari in ricerca e sviluppo per portare l’iPhone sul mercato. Quindi, potevano ancora permettersi di spendere qualche centinaio o migliaio di dollari per sondaggi intelligenti.
Kieran Chandler: Quindi, per una stima approssimativa di quanto venderai, ovviamente, se stai lanciando molti nuovi prodotti, non puoi permetterti di avere un processo così tedioso. La buona notizia è che se stai lanciando molte cose, quali sono le probabilità che tutto ciò che stai lanciando sia completamente nuovo? Nella pratica, quasi zero, perché non puoi lanciare centinaia di prodotti completamente unici. Se stai lanciando centinaia di prodotti ogni anno, è probabile che siano tutte variazioni dello stesso tipo di tema o argomento o stile.
Joannes Vermorel: Esattamente, puoi collegare un prodotto esistente a una caratteristica del nuovo prodotto. Se sei nel settore della moda, ad esempio, con ogni collezione avrai nuove camicie e nuove scarpe. Ma sono comunque camicie o scarpe, e questi prodotti hanno caratteristiche, come le taglie. Anche se non sai quante unità venderai, capisci che le taglie estreme non si venderanno tanto quanto la taglia predominante. Se vuoi avere un modello statistico, devi solo sfruttare questa intuizione. Se stai prevedendo quanto sarà la domanda futura per i prodotti che stai per lanciare, devi guardare tutti i lanci precedenti che hai fatto in passato e collegare il prodotto in fase di lancio ai vecchi attraverso le loro caratteristiche.
Kieran Chandler: È interessante, soprattutto l’approccio delle caratteristiche che sembra essere abbastanza diverso da quello che viene tipicamente fatto nella maggior parte dei software di previsione. Ora, con gli avanzamenti nella tecnologia del deep learning, è questo il metodo principale utilizzato per analizzare queste caratteristiche in modo più dettagliato?
Joannes Vermorel: Sì, confrontiamolo con la prospettiva classica sulla previsione di nuovi prodotti. Inizialmente, hai modelli di media mobile, tutto qui. Per prevedere un nuovo prodotto, chiedevi al responsabile della supply chain di creare un collegamento tra un nuovo prodotto e uno vecchio. Questo approccio tradizionale richiedeva un essere umano, un responsabile della supply chain, per rispondere alla domanda: “Quale prodotto è più simile a quello che stai per lanciare?” in modo che possiamo fingere che questo prodotto sia già in vendita. Poi puoi tornare al tuo approccio di media mobile perché improvvisamente hai una serie temporale; hai 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 è incredibilmente tedioso. Dovresti investigare manualmente un intero archivio di lanci passati per fare questa mappatura. Se fai la mappatura in modo errato, basandoti solo sulla tua intuizione, allora la tua previsione è completamente inutile.
Un approccio più intelligente è sfruttare gli attributi e considerare quali attributi governano la quantità di domanda che puoi aspettarti. Tornando alla moda, le taglie sono un indicatore molto chiaro, ma il colore è anche un fattore significativo. Ad esempio, se hai abiti per bambini, è improbabile che i genitori comprino abiti bianchi in modo eccessivo perché i bambini li sporcheranno. Pertanto, il bianco candido per i bambini tende a non essere un colore così adatto. Tuttavia, per le camicie da lavoro, i colori dominanti sono probabilmente bianco, azzurro chiaro e rosa chiaro.
Kieran Chandler: Se vuoi avere, ad esempio, giallo brillante per le camicie da lavoro, è probabile che rappresenti una percentuale molto piccola delle tue vendite. Questi tipi di osservazioni possono essere fatte intuitivamente, ma le relazioni possono essere molto sottili. Gli attributi possono essere incredibilmente diversi: taglia, colore, prezzo, motivi sui vestiti. Oppure prendiamo l’elettronica di consumo, se vuoi prevedere la domanda per la prossima stampante, hai un’ampia serie di caratteristiche da considerare: cartucce compatibili, altre funzionalità, è super diverso.
Joannes Vermorel: Qui ci troviamo di fronte a una situazione in cui hai bisogno di un algoritmo che possa far fronte a questa schiacciante diversità. Ecco dove entra in gioco il deep learning, la moderna versione dell’apprendimento automatico. Gli algoritmi di deep learning sono particolarmente bravi nel gestire un insieme incredibilmente diverso di caratteristiche, che possono includere anche descrizioni in testo semplice dei prodotti.
Kieran Chandler: C’è una grande quantità di variabilità, molto da considerare. 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. La quantità di incertezza quando si lancia un nuovo prodotto è tipicamente molto alta. Se fosse facile prevedere un nuovo prodotto, probabilmente non sarebbe nuovo, sarebbe una semplice sostituzione di un sostituto quasi perfetto per uno dei tuoi prodotti esistenti. In quel caso, la mappatura manuale che ho descritto in precedenza sarebbe probabilmente adatta. Ma se stai lanciando qualcosa di anche solo leggermente nuovo, che non si allinea completamente con ciò che hai venduto in precedenza, c’è un’incertezza irriducibile. Ma va bene così. I tuoi concorrenti affrontano la stessa sfida. Per competere meglio, devi solo fare previsioni migliori rispetto a loro. Non hai una sfera di cristallo, ma è probabile che nemmeno loro ce l’abbiano.
Kieran Chandler: Con questa incertezza irriducibile, che tipo di aspettative possiamo avere?
Joannes Vermorel: Ecco dove entra in gioco il vantaggio della previsione probabilistica. Sì, la tua previsione sarà inaccurata, ma se stai facendo una previsione probabilistica, sei pienamente consapevole di questa inesattezza. Quello che vedrai nella 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 eccessivamente al di sopra o al di sotto della tua previsione. Si tratta di considerare tutte le possibilità.
Kieran Chandler: Se ora guardiamo le cose da una prospettiva Lokad, stiamo guardando una gamma di probabilità per l’intera attività, per l’intero catalogo. Se un singolo articolo potesse vendere una quantità enorme o molto poco, non cambierebbe i risultati di tutte le nostre previsioni?
Joannes Vermorel: Assolutamente sì, e questo è ciò che rende il problema più impegnativo.
Kieran Chandler: Sembra piuttosto complicato. Come 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 simile al concetto di ‘matching’, ma completamente automatizzato. Tuttavia, il lancio di un nuovo prodotto sposta la domanda sui tuoi prodotti esistenti. È corretto?
Joannes Vermorel: Infatti, ogni prodotto che lanci è probabile che cannibalizzi le tue vendite esistenti. Prendiamo ad esempio un rivenditore di moda che introduce un nuovo tipo di camicia. Probabilmente stavano già vendendo camicie, quindi quando arriva un nuovo design alla moda, non stai solo guadagnando quote di mercato rispetto ai tuoi concorrenti. Invece, i tuoi clienti potrebbero scegliere questo nuovo prodotto anziché un altro che stavate già vendendo. Questa situazione porta alla cannibalizzazione, che è molto difficile da gestire.
Kieran Chandler: È così difficile da gestire che è una delle principali ragioni per cui i marchi di moda hanno collezioni, giusto?
Joannes Vermorel: Esattamente. Invece di cercare di risolvere questo complesso problema di cannibalizzazione, è più facile fare una vendita, eliminare 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 le scorte in modo che non ci siano due collezioni che competono tra loro in un determinato momento.
Kieran Chandler: Quindi se vuoi affinare la tua previsione per il nuovo prodotto, non può essere fatto in modo isolato, giusto? Se lanci più prodotti, cannibalizzeranno ciò che hai e si cannibalizzeranno anche tra loro.
Joannes Vermorel: Esatto. Ad esempio, se Apple decide di lanciare un nuovo iPhone, non avrebbe le stesse vendite se rilasciasse solo un colore - ad esempio nero - rispetto a se permettesse ai clienti di scegliere tra cinque diversi colori il giorno del lancio. Mentre avere più opzioni potrebbe aumentare leggermente le vendite, ci sarebbe anche molta cannibalizzazione.
Kieran Chandler: Hai menzionato le vendite, che è come regolare il prezzo del prodotto in risposta alle tendenze di mercato. C’è un modo per prevedere la sensibilità del prezzo? È possibile prevedere la domanda di un prodotto se ne abbasso il prezzo?
Joannes Vermorel: Sì, ma questo rende il problema ancora più complicato. Richiede di andare oltre l’apprendimento supervisionato classico e passare al campo dell’apprendimento per rinforzo o ad altre situazioni avanzate. Perché? Perché controlli ciò che osserverai una volta che inizi a considerare il prezzo.
Ad esempio, un marchio di moda ha osservato solo il modello di vendita per i punti di prezzo che ha praticato in passato. Quindi, se decidi di puntare a fasce di prezzo più elevate, ti stai avventurando in territori sconosciuti in cui i tuoi dati passati non sono molto rilevanti. Molte marche farebbero una transizione graduale in modo da avere ancora la possibilità di imparare e vedere.
Da un punto di vista statistico, la sfida è che se costruisci un modello di previsione che prende un punto di prezzo come input, puoi regolare la previsione con il punto di prezzo. Tuttavia, il pericolo sta in ciò che succede se inizi a utilizzare l’output del tuo modello di previsione.
Kieran Chandler: Quindi stai parlando di un modello per trattare il prezzo. Come se si potesse costruire un modello di previsione, regolare il prezzo e fare scenari ipotetici, lanciando lo stesso prodotto a prezzi diversi. Questo approccio mira a scegliere il prezzo ottimale che ci beneficia di più. Tuttavia, se fatto in modo ingenuo, non comporterebbe un particolare problema di sovradattamento?
Joannes Vermorel: Sì, infatti. Se ripeti questo esercizio molte volte con variazioni minime di prezzo, il prezzo che sceglierai potrebbe essere solo una fluttuazione del tuo modello di previsione stesso. In sostanza, amplificherai qualsiasi problema di sovradattamento che potresti avere nel tuo processo di apprendimento. Il sovradattamento si verifica quando un modello statistico si comporta bene sui dati che hai già, ma non così bene sui dati che non hai. Ironia della sorte, quando fai una previsione statistica, vuoi che il tuo modello si comporti bene sui dati che non hai.
Kieran Chandler: Questo solleva effettivamente una domanda interessante su come si misura l’accuratezza di un modello del genere. Ma possiamo affrontare questo argomento un altro giorno. Tornando a questa domanda sul prezzo, sembra che sfruttare il prezzo in un modello del genere potrebbe diventare estremamente complicato. E, ovviamente, non vorresti generare un enorme errore di sovradattamento attraverso l’esplorazione della variabile del prezzo, giusto?
Joannes Vermorel: Esattamente, l’esplorazione della variabile del prezzo può portare a un enorme sovradattamento, che è un aspetto molto complicato da gestire.
Kieran Chandler: Sembra che sia un problema piuttosto complesso da risolvere. Come ultima domanda, come si prospetta il futuro prossimo per quanto riguarda la previsione dei nuovi prodotti? Quali sono gli sviluppi tecnologici a cui possiamo guardare avanti?
Joannes Vermorel: Beh, proprio lo scorso dicembre, abbiamo lanciato il nostro nuovo motore di previsione basato sul deep learning. Secondo il nostro benchmark, è probabilmente stato uno dei nostri miglioramenti più significativi in termini di guadagni incrementali in termini di accuratezza. Il guadagno in accuratezza per la previsione dei nuovi prodotti era superiore al 20% nel ridurre l’errore, il che è piuttosto significativo. Una cosa che abbiamo imparato con questo modello è la capacità di sfruttare le descrizioni in testo semplice, che possono essere molto utili. Ad esempio, se sei un rivenditore e vuoi prevedere quante unità venderai per le scatole Lego. Questo è un problema complicato perché, ad esempio, Lego rilascia un nuovo castello medievale ogni anno.
Kieran Chandler: I castelli medievali non dovrebbero essere confusi con i castelli elfici. Uno sarà orientato per i ragazzi, mentre l’altro sarà orientato per le ragazze. Tuttavia, questa è una sottigliezza e non hai effettivamente tutti gli attributi di piccolo carattere per rifletterlo se stai vendendo migliaia di giocattoli nel tuo negozio.
Joannes Vermorel: Infatti, tutto si basa sugli attributi, ma spesso non hai così tanti dati dal tuo fornitore. E non hai necessariamente il tempo di aggiungerli o modificarli manualmente. Pertanto, a volte hai bisogno di un motore di previsione in grado di elaborare la descrizione in testo semplice. Una delle aree su cui stiamo lavorando attualmente è sfruttare questi dettagli per ottenere previsioni più specifiche e accurate.
Per i lanci di prodotti, è fondamentale abbracciare l’idea di cannibalizzazione. Se stai lanciando più prodotti, non significa che le tue vendite aumenteranno vertiginosamente. Tutti i nuovi prodotti che stai lanciando competono per gli stessi clienti che hai già. Quindi una delle aree di ricerca su cui ci stiamo concentrando è sfruttare il nostro database di fedeltà.
Tipicamente, se sei un rivenditore, sai quale cliente sta acquistando cosa. È completamente diverso da una prospettiva di serie temporale in cui pensi solo a quante unità sono state vendute al giorno o alla settimana per un determinato prodotto. Qui, vuoi considerare la rete sociale di clienti che hanno consumato i prodotti in passato. L’idea è che quando lanci un nuovo prodotto, questo nuovo prodotto inizierà principalmente a guadagnare trazione all’interno della tua base di clienti esistente.
Se vuoi avere modelli matematici in grado di elaborare la rete sociale dei tuoi clienti, devi tipicamente passare dal deep learning alla programmazione differenziabile, che è il discendente del deep learning. Questo è il punto in cui ci troviamo ora.
Kieran Chandler: È affascinante. Dobbiamo concludere qui, ma la previsione dei social media e la previsione della fedeltà sono concetti davvero interessanti. Grazie per il tempo che ci hai dedicato oggi.
Joannes Vermorel: Grazie.
Kieran Chandler: Quindi è tutto per questa settimana. Se stai avendo problemi nella previsione dei nuovi prodotti, ci piacerebbe sentirti. Mandaci una email o lascia un commento qui sotto. Siamo interessati a conoscere le sfide che stai affrontando. Questo è tutto per questa settimana, ma ci vedremo di nuovo la prossima volta. Arrivederci per ora.
