Nel Fashion le serie storiche lunghe non bastano a prevedere le scelte dei clienti
Tutti vogliono formulare ipotesi affidabili sui comportamenti dei consumatori. La verità è che ottimizzare le decisioni distributive e l’assortimento nel punto vendita in base alle previsioni della domanda è diventato sempre più difficile per chi opera nell’industria dell’abbigliamento. Troppe variabili contribuiscono a condizionare le scelte quotidiane dei clienti, rendendole squisitamente accidentali. Ciò vale sia per il fashion tradizionale, che lavora sul concetto classico di collezione moda, sia per il fast fashion. Risultato? Rotture di stock e merce invenduta, che dal negozio ritorna in magazzino. Aggiungiamoci l’effetto Covid-19, e il disastro è servito.
Uno degli approcci consolidati al demand forecasting consiste, com’è noto, nell’analisi delle serie storiche. La sua efficacia si basa su un’assunzione: nonostante alcune discontinuità e al netto degli effetti di calendario, i comportamenti futuri tendono a ripetere quelli del passato. L’analisi delle serie storiche è risolvibile non solo con modelli di tipo deterministico, nei quali la componente casuale è minima, ma anche con un approccio probabilistico. Il che la rende applicabile anche ai contesti come la previsione della domanda nel largo consumo in genere, e più specificamente nell’abbigliamento.
Flessibilità algoritmica: è l’ora del demand sensing
Oggi però è necessario un approccio più flessibile. Per questo nasce la soluzione di demand intelligence di Ublique, la suite di Spindox a supporto del decision making. Flessibilità vuol dire combinazione di diversi modelli di matematici e tecniche di machine learning, secondo l’approccio della composite AI, per accrescere la capacità di analisi del sistema di forecasting. In particolare all’analisi delle serie storiche lunghe Ublique affianca modelli di demand sensing che ragionano su serie storiche molto più brevi: dati giornalieri di sell-in, dati di sell-out a livello di singolo punto vendita, variabili esterne correlabili alla domanda (come l’andamento della crisi pandemica, i fenomeni metereologici o altri fattori occasionali).
In Ublique il demand sensing non sostituisce il forecasting tradizionale, ma lo integra. Esso si basa su modelli matematici che lavorano a partire dalle informazioni quotidiane e da set di dati reali, formulando previsioni sulla domanda a breve termine. Il predittore diventa così più accurato, con effetti benefici sull’efficienza della filiera logistica.
Supply chain resiliente
Il demand sensing si rivela indispensabile in contesti come quello dell’emergenza sanitaria, nei quali la resilienza della catena distributiva è tutto. Pensiamo, per esempio, alla situazione che si determina quando i magazzini non possono consegnare la merce ai punti vendita, perché il passaggio in zona rossa ne decreta la temporanea chiusura, o quando essi ricevono dagli stessi punti vendita la merce invenduta per cause di forze maggiore. In questo caso il riassortimento non può essere guidato da regole predeterminate. Occorre utilizzare tutti i dati disponibili – provenienti dall’inventory management e da fonti esterne – per ripianificare le scelte anche su base quotidiana.
Ublique risolve il problema della resilienza non solo con la flessibilità degli algoritmi, ma anche con un’infrastruttura robusta e scalabile, capace di orchestrare un tempo reale grandi quantitativi di dati, integrandosi con tutti i sistemi alimentanti.
