ファッションの予測最適化

ファッションは新しさによって駆動されます。ファッションブランドは、市場に対応するために、適切な時期に適切な価格で正確に必要な在庫量を持つ正しい商品を設計し、提供する必要があります。その後、需要を増幅させるためにプロモーションが使用され、残りの在庫を売り切るためにも使用されます。Lokadは、製品のライフサイクルのすべての段階で予測最適化を提供する統計ソフトウェアソリューションを提供しています。私たちのテクノロジーは、ファッションが非常に困難にする要素を正確に取り入れています。普遍的なカニバリゼーションと代替、不規則なトレンドと季節変動、絶え間ない新製品の流れ、非常にダイナミックな価格などです。

注:以下のコンテンツは、非常に異なるルールと制約に従うハードラグジュアリーには適用されません。詳細については、ハードラグジュアリーの予測最適化をご覧ください。

drawing-fashion-models

Vizions by Zalando: ヨーロッパ初のプラットフォームカンファレンス 2017年4月20日、ベルリン

まずは無害な質問から始めましょう。なぜセールが存在すると思いますか?今日では、ウィンターセール、サマーセール、その他の小規模なイベントがファッション業界では定番となっています。(...)しかし、なぜ最初に存在するのでしょうか?それは、在庫過剰を処分するためです。セールは、予測が誤った結果の表れであると言えます。今日では、それ以上の意味を持つようになっていることは確かですが、最初の目標は変わりません。

Joannes Vermorel、Lokadの創設者

quotation shape left

LOKAD TV
Lokad TVのインタビューをご覧いただき、サプライチェーンとファッションについてさらに学びましょう。

製品のライフサイクル全体にわたるエンドツーエンドの最適化

フェーズ1 - プレコレクション

多くのファッションブランドは、コレクションごとに数千の新しいリファレンスを発売しています - サイズ、色、販売ポイントなどを考慮しています。

store-front-new-collection

過去10年間で、最も成功したブランドは、最新のトレンドにますます適合し、年間のコレクション数を増やし、リードタイムを短縮する能力を示してきました。

Lokadの予測最適化技術は、ブランドのすべての製品について、製品のライフサイクル全体を通じて、すべての単一の意思決定に取り組みます。当社の技術は、データからパターンや予測を抽出するために使用される機械学習と、最適化された意思決定を生成するために使用される数値最適化の組み合わせです。

新しいコレクションの準備は、アソートメント最適化(またはレンジプランとも呼ばれる)の配信から始まります。Lokadの技術を使用すると、初期デザインに加えて、適切なサイズ、色、形状の範囲を作成できます。このレンジプランは、顧客層の希望と期待にできるだけ近づけることを目的としています。Lokadは、レンジプランをサポートするビジネスケースを生成するのに役立ち、プランナーが高レベルの洞察を活用してプランを洗練させることができるようにします - つまり、すべての製品バリアントを細かく管理するのではなく、高レベルでの洞察に基づいてプランを洗練させることができます。

レンジプランが最終的に決定されると、各製品バリアントごとに生産または購入する単位数と注文時期を正確に提案する購買最適化を提供します。当然のことながら、ほとんどの製品は以前に販売されたことがありません。このタスクは、複数のMOQ(最小注文数量)制約、価格の変動、さらにはリードタイムの変動(例:中国の新年によるアジアでの生産の遅れ)によって通常複雑になります。Lokadは、輸送ミックス(海上輸送対空輸)、およびソースミックス(海外サプライヤー対地元サプライヤー)も最適化することができます。

例えば、当社のMOQソルバーは、複数の重複するMOQ制約に対処することができます。製品レベルでのMOQ(例:注文ごとに製品ごとに最低100個の単位)、生地レベルでのMOQ(例:色ごとに最低3000メートルの生地)、およびサプライヤーレベルでの最低注文額(例:注文ごとに最低$50,000の商品購入)があるかもしれません。これらのすべてのMOQを処理する際に在庫レベルを管理することは、MOQが手動で処理される場合には非常に手間のかかる作業です。Lokadは、すべての指定された制約を満たす最も利益の高い注文「エンベロープ」を特定することができる数値ソルバーを通じて、プロセスを完全に効率化します。

フェーズ2 - コレクションの発売後

コレクションの発売が迫ると、在庫割り当て最適化を提供し、各配送センターや各店舗に割り当てる単位数を正確に決定します。店舗内では、在庫は需要をサービスするだけでなく、店舗の顧客を引き付けるためにも使用されます。割り当て最適化は、このマーチャンダイジングの視点を適切に考慮し、すべての店舗を最大限に活用します。最適化では、収納能力の制限(例:棚のスペース)や、大量の商品の入荷に対応するための現場チームの制限も考慮されます。また、マニュテンションコストを下げるのに便利なバンドルやロットも扱われます。

最新のトレンドに合わせるために、ベストセラーとスロームーバーを特定します。ベストセラーの特定は、早期の補充を促すために行われ、限られた在庫数量で行うことができます - おそらく、電子商取引プラットフォームを通じて市場を調査するだけで行うことができます。逆に、スロームーバーの早期特定も重要です。これにより、より良い製品のために占有されている棚からできるだけ早くこれらの製品を取り除くことができます。

ほとんどのファストファッションブランドでは、割引やその他のプロモーションメカニズムがブランドのDNAの一部です。Lokadは、価格最適化の機能を提供し、コレクションの最後に残らないように価格を下げるタイミングを提案します。同時に、総利益を最大化します。

また、多くの製品に均一に適用されるロイヤリティプログラムからの割引も考慮に入れています。これは、製品レベルの割引を置き換え、または補完する場合があります。

fashion-collection-sale

アソートメントの最適化、購買の最適化、在庫の割り当ての最適化、ベストセラーとスロームーバーの特定、価格の最適化:Lokadは、これらのすべての意思決定を最適化するために使用できます。製品のライフサイクル全体にわたる一貫した視点で。ただし、より狭い範囲で小規模に始めることも可能です。お問い合わせは、contact@lokad.comまでメールでお願いします。

ファッションにはクラシックではない需要予測が必要です

在庫と価格に関する意思決定の最適化には、将来に関する正確な洞察が必要です。ただし、ファッションに関しては、クラシックな需要予測の視点はほとんど機能しません。そのため、Lokadは、ファッション企業が直面する課題を中心に設計されたユニークな予測能力を開発しました。

私たちは確率的予測を使用しています。すべての可能な将来を考慮し、それぞれの確率を計算します。実際、ファッションでは需要の不確実性は不可避です。完璧な予測を行うことはできません。従来の方法では、意思決定は「1つの」予測に対して行われることを期待しており、これらの意思決定は予測の誤差に対して脆弱です。

不確実性を無視するのではなく、それを受け入れます。確率的予測を通じて、リスクと機会をバランスさせます。

予測はアソートメントレベルで行われ、カニバリゼーション効果や代替効果を考慮に入れます。製品の需要を単独で予測することは意味がありません。なぜなら、この製品の需要は、同じ顧客を競合する類似製品の存在または不在に強く影響を受けるからです。従来の方法では、時系列予測に焦点を当てた方法ではこの点を完全に見逃し、安全在庫やサービスレベルも使用する場合、通常は状況が悪化します。

需要は価格によって条件付けられます。将来の需要は確率の問題ですが、それらの確率は会社の手による製品の価格に影響を受けます。

再度、アソートメントが重要であり、需要の増加は全体的なプロモーションの強度に依存します。製品が店舗で単独でプロモーションされる場合と比較して、店舗全体に適用されるプロモーションでは同じ需要の増加を期待することは賢明ではありません。予測は需要だけでなく、返品やリードタイムも予測する必要があります。

不確実性のあらゆる要素には適切な統計的予測が必要であり、将来の需要が中心ですが、需要予測を超えるニーズもあり、私たちはそれに応じて技術を開発しています。これらの予測は通常確率的であり、需要予測自体と組み合わせられる傾向があります - たとえば、リードタイムにわたる需要の予測。最新世代の予測技術は、差分可能プログラミングに基づいています。この深層学習の子孫は、ファッション業界でよく見られるスパースで断続的な需要に対処するのに特に適しています。

social-media

天気やソーシャルメディアはどうですか?

私たちの経験から、ほとんどの企業は自社の「基本的な」過去のデータを効果的に活用していません。ほとんどの需要予測は、顧客のロイヤリティデータを活用していないし、ほとんどの発注は正式なリードタイム予測なしで行われています。したがって、私たちはソーシャルメディアや天気データなどの外部データソースからの手がかりを無視するわけではありませんが、企業はまず手元のデータを最大限に活用するべきだと強く信じています。

課題に対応するためのスケーリング

大規模なファッションは、数百の店舗と数万のバリアントを含みます。したがって、予測エンジンは数百万のSKUポジションにスケーリングできる必要があります。私たちの予測エンジンは、クラウドコンピューティングにネイティブに設計されています。従来のソリューションとは異なり、クラウドはLokadにとって後付けではありません。Lokadは、毎日テラバイトのデータを処理できます。

fashion-store-datas

さらに、従来のアプローチとは異なり、私たちの予測能力は、新しい製品の予測に最も関連性のある古い製品をシステムに伝えることなく、手動でリンクを作成することに依存していません。

代わりに、私たちの予測エンジンは、製品間に存在する類似性を自動的に検出し、新しいコレクションの製品の予測に関連性のある特定の製品を自動的に特定するために、高度な機械学習アルゴリズムにのみ依存しています。

この類似性の自動検出は、ファッションに典型的に存在する多数の製品属性に基づいています。製品タイプ、製品ファミリー、サイズ、色、生地、スタイル、価格帯、ブランドなど。必要なデータ量について心配する必要があるかもしれませんが、Lokadの経験では、カタログデータは、たとえばeコマースフロントエンドのファセットを操作するために存在するようなものであれば、通常、十分な結果を得るために十分です。

製品間の手動ペアリングに基づく従来の予測ソリューションは、予測の主要な要素であるペアリングが行われるため、考慮すべきペアが多すぎて効果的ではありません。

この方法の無効性により、企業は必要な価値を提供できない手動ペアリング予測ソリューションとしてのスプレッドシートに戻る傾向があります。Lokadは、ユーザーに負担をかけるのではなく、課題の核心に焦点を当てることで、課題に立ち向かいます。

ただし、Lokadでは、この予測プロセスを製品のペアリングと呼ぶことができますが、古いコレクションと新しいコレクションの間に1対1のマッピングがあるとは仮定していません。たとえば、1つの製品は複数のバリアントに分割される場合があり、それによってカニバリゼーションが発生する場合があります。その後、別の製品は真に「新しい」製品であり、過去の製品との類似性がありません。その場合、予測エンジンは、製品カテゴリ、ファミリー、ブランド、価格帯などのより広範な考慮事項に戻ります。

経済ドライバーとホワイトボックス化

期待されるリターンをドルやユーロで表現したものに対して、意思決定は最適化される必要があります。

意思決定のコストと報酬を形成するすべての要素は、経済ドライバーとして総称されます。これには、粗利、在庫保有コスト、輸送コスト、棚卸しスペースの機会費用、顧客の信用などが含まれます。Lokadは、ファッション市場の特異性を考慮して、これらの経済ドライバーを明示的にモデル化しています。

たとえば、製品が割引価格で販売されると、クライアントは将来において同様の割引を受けることを期待します。

store-front-with-promotion

これらの経済ドライバーの最初の目的は、意思決定(たとえば、発注数量や製品割引)を生成する数値最適化プロセスをサポートすることです。測定なしでは最適化はありません。経済ドライバーは、最適化プロセスが機能する要素そのものです。

Lokadは深い戦略的な洞察(それらはチームの専門知識から得られるものです)の代替手段ではありません。当社のテクノロジーは、経済ドライバーを通じて反映される戦略的な洞察を規模化して展開することを可能にするために設計されています。

これらのドライバーの2番目の目的は、「ホワイトボックス化」プロセスです。ホワイトボックス化プロセスの目的は、Lokadによって生成されるすべての意思決定について、チームに高い透明性を提供することです。チームは、なぜLokadがこの意思決定を提案しているのかを理解する必要があります。そのためには、Lokadによって生成されるすべての意思決定には、ビジネスの意図を説明するユーロやドルで測定される一連のメトリックが付属しています。これらのメトリックは、経済ドライバーの異なる反映です。当社の経験から、このアプローチは、計算のアルゴリズムの詳細を明らかにしようとすることよりも優れていることが示されています。それは非常に退屈であり、機械学習の専門家や数値最適化の専門家以外にはほとんど意味がありません。

経営の観点からは、経済ドライバーは会社を正しい方向に導くための強力なメカニズムです。これらのドライバーは「不変」と見なされるのではなく、実際には常に変化する可能性があります。市場の変化を反映するために、Lokadのテクノロジーは高い機動性を提供するように設計されています。限られた努力で、さまざまな代替戦略を描写する複雑なシナリオを作成することができます。