Ottimizzazione Predittiva per il Settore della Moda
La moda è guidata dalla novità. Un marchio di moda deve progettare e promuovere il prodotto giusto al momento giusto, al prezzo giusto e con la quantità di stock che si rivela sufficiente per servire il mercato. Successivamente, le promozioni vengono utilizzate prima per amplificare la domanda e poi per liquidare eventuali rimanenze di stock. Lokad fornisce una soluzione software statistica che offre ottimizzazione predittiva ad ogni fase del ciclo di vita del prodotto, dall'inizio alla liquidazione. La nostra tecnologia abbraccia esattamente ciò che rende la moda così incredibilmente impegnativa: cannibalizzazioni e sostituzioni onnipresenti, tendenze e stagionalità erratiche, flussi infiniti di nuovi prodotti, prezzi altamente dinamici, ecc.
Ed. Il contenuto seguente non si applica al settore del lusso, che segue un insieme di regole e vincoli molto diverso. Per ulteriori informazioni, consultare Ottimizzazione Predittiva per il Settore del Lusso.
Vizions by Zalando: la prima conferenza sulla piattaforma in Europa, 20 aprile 2017, Berlino
Iniziamo con una domanda innocente. Perché pensi che ci siano i saldi? Oggi, i saldi invernali, i saldi estivi e una serie di eventi minori nel mezzo sono un'istituzione, soprattutto nel campo della moda. (...) Ma perché esistono in primo luogo? Esistono per consentire ai rivenditori di sbarazzarsi degli stock in eccesso. In primo luogo, i saldi sono una manifestazione di una previsione sbagliata. Si può argomentare che oggi siano molto di più. Vero, ma l'obiettivo iniziale rimane.
Joannes Vermorel, Fondatore di Lokad
LOKAD TV
Dai un'occhiata alle nostre interviste su Lokad TV e scopri di più sulla Supply Chain e sulla moda.
Ottimizzazione end-to-end sull'intero ciclo di vita del prodotto
Fase 1 - pre-collezione
Molti brand di moda lanciano migliaia di nuove referenze per collezione - considerando taglie, colori, punti vendita, ecc.
Nell'ultimo decennio, i brand di maggior successo hanno dimostrato la loro capacità di aderire sempre di più alle ultime tendenze, aumentando il numero di collezioni all'anno e riducendo i tempi di produzione.
La tecnologia di ottimizzazione predittiva di Lokad affronta ogni singola decisione per l’intero ciclo di vita di ogni prodotto del brand. La nostra tecnologia è una combinazione di machine learning - utilizzato per estrarre modelli o previsioni dai dati - e di ottimizzazione numerica - utilizzata per generare decisioni ottimizzate.
La preparazione della nuova collezione inizia con la consegna di una ottimizzazione dell’assortimento - anche chiamata piano di gamma. La tecnologia di Lokad ti consente di comporre la giusta gamma di taglie, colori e forme in aggiunta ai disegni iniziali. Questo piano di gamma è destinato ad adattarsi il più possibile ai desideri e alle aspettative della tua base di clienti. Lokad può aiutarti a generare il caso aziendale che supporta il piano di gamma e offre la possibilità ai pianificatori di perfezionare il piano con le loro intuizioni di alto livello - invece di gestire ogni singola variante di prodotto in modo dettagliato.
Non appena il piano di gamma è finalizzato, forniamo un’ottimizzazione degli acquisti, suggerendo esattamente quante unità dovrebbero essere prodotte o acquistate per ogni singola variante di prodotto - e quando ordinare. Naturalmente, la maggior parte dei prodotti non è mai stata venduta in precedenza. Questo compito è tipicamente complicato da molteplici vincoli di MOQ (Quantità Minima d’Ordine), sconti di prezzo e tempi di consegna variabili (ad esempio, il Capodanno cinese rallenta la produzione in Asia). Lokad può anche ottimizzare la combinazione di trasporto (ad esempio, trasporto marittimo vs aereo) e la combinazione di fornitori (ad esempio, fornitori esteri vs fornitori locali).
Come esempio, il nostro risolutore MOQ può affrontare molteplici vincoli di MOQ sovrapposti: potrebbe esserci un MOQ a livello di prodotto (ad esempio, un minimo di 100 unità per prodotto per ogni ordine di acquisto), un altro MOQ a livello di tessuto (ad esempio, un minimo di 3000 metri di tessuto per colore) e un MOQ finale a livello di fornitore (ad esempio, un minimo di $50.000 di merce acquistata per ordine). Affrontare tutti questi MOQ mantenendo sotto controllo i livelli di stock è un grosso problema quando i MOQ vengono elaborati manualmente. Lokad semplifica completamente il processo attraverso risolutori numerici che consentono di identificare l’“enveloppe” dell’ordine di acquisto più redditizio che soddisfa tutti i vincoli dati.
Fase 2 - post lancio collezione
Quando si avvicina il lancio della collezione, forniamo un’ottimizzazione dell’allocazione di stock, decidendo esattamente quante unità allocare a ciascun centro di distribuzione e/o a ciascun negozio. In negozio, lo stock ha due scopi: non solo soddisfare la domanda, ma anche attirare la clientela nel negozio. L’ottimizzazione dell’allocazione tiene debitamente conto di questo aspetto del merchandising, sfruttando al massimo ogni negozio. L’ottimizzazione tiene conto dei limiti di capacità di stoccaggio (ad esempio, spazio sugli scaffali), così come della capacità limitata dei team sul campo di gestire grandi lotti di prodotti in arrivo. Anche i pacchetti e i lotti - che sono utili per ridurre i costi di movimentazione - vengono gestiti.
Per rimanere al passo con le ultime tendenze, identifichiamo i best-seller e i prodotti lenti. L’identificazione dei best-seller, finalizzata a innescare rifornimenti anticipati, può essere fatta con quantità di stock limitate, sondando il mercato in un numero limitato di negozi - eventualmente solo attraverso la piattaforma di e-commerce. Al contrario, l’identificazione anticipata dei prodotti lenti è importante anche per rimuovere il prima possibile quei prodotti dagli scaffali che occupano a discapito di prodotti migliori.
Per la maggior parte dei brand di moda veloce, sconti e altri meccanismi promozionali fanno parte del DNA del marchio. Lokad offre capacità di ottimizzazione dei prezzi, suggerendo quando abbassare il prezzo al fine di garantire che non rimanga nulla alla fine della collezione, massimizzando al contempo l’ammontare complessivo del margine lordo.
Consideriamo anche gli sconti derivanti dai programmi di fedeltà - applicati uniformemente su molti prodotti - che possono sostituire e talvolta integrare gli sconti a livello di prodotto.
Ottimizzazione dell'assortimento, ottimizzazione degli acquisti, ottimizzazione dell'allocazione di stock, identificazione dei best-seller e dei prodotti lenti, ottimizzazione dei prezzi: Lokad può essere utilizzato per ottimizzare tutte queste decisioni - e altre ancora - con una prospettiva coerente end-to-end sul ciclo di vita completo dei prodotti. Tuttavia, è anche possibile iniziare in modo più limitato con un ambito più ristretto. Per qualsiasi richiesta, inviaci un'email a contact@lokad.com
La moda richiede previsioni di domanda non classiche
L’ottimizzazione delle decisioni che coinvolgono stock e prezzi richiede informazioni accurate sul futuro. Tuttavia, la prospettiva classica delle previsioni di domanda è per lo più disfunzionale per quanto riguarda la moda. Lokad ha quindi sviluppato capacità di previsione uniche, progettate intorno alle sfide affrontate dalle aziende di moda.
Lavoriamo con previsioni probabilistiche: consideriamo tutti i futuri possibili e calcoliamo le rispettive probabilità. Infatti, l’incertezza della domanda è irriducibile nella moda. Non c’è speranza di produrre una previsione “perfetta”. I metodi tradizionali si aspettano che le decisioni siano prese sulla base di una sola previsione, rendendo tali decisioni fragili rispetto agli errori di previsione.
Invece di respingere l’incertezza, la abbracciamo. Attraverso previsioni probabilistiche, bilanciamo rischi e opportunità.
Le previsioni operano a livello di assortimento al fine di tenere conto degli effetti di cannibalizzazione e sostituzione. Prevedere la domanda di un prodotto in isolamento non ha senso, poiché la domanda di questo prodotto è fortemente influenzata dalla presenza - o assenza - di prodotti simili che competono tutti per gli stessi clienti. I metodi tradizionali che si concentrano sulle previsioni di serie temporali ignorano completamente questo punto, e la situazione di solito peggiora quando vengono utilizzati anche scorte di sicurezza o livelli di servizio.
La domanda è condizionata dal prezzo, che fa parte integrante della nostra previsione. Non solo la domanda futura è una questione di probabilità, ma queste probabilità sono influenzate dal prezzo del prodotto - una leva operativa a disposizione dell’azienda.
Una volta ancora, l'assortimento conta e l'aumento della domanda dipende dall'intensità promozionale complessiva. Non è saggio aspettarsi lo stesso aumento se il prodotto è l'unico promosso nel negozio, rispetto a una promozione applicata all'intero negozio. Le previsioni non si fermano solo alla domanda; è necessario prevedere anche i resi e i tempi di consegna.
Ogni fonte di incertezza richiede previsioni statistiche adeguate e, sebbene la domanda futura sia centrale, ci sono esigenze oltre la previsione della domanda e abbiamo progettato la nostra tecnologia di conseguenza. Queste previsioni sono di solito anche probabilistiche e tendono ad essere combinate con le previsioni di domanda stesse - ad esempio, prevedendo la domanda nel tempo di consegna. L'ultima generazione della nostra tecnologia di previsione si basa sulla programmazione differenziabile. Questo discendente del deep learning è particolarmente adatto per affrontare la domanda scarsa e intermittente, come comunemente osservato nell'industria della moda.
Cosa succede con il meteo e i social media?
La nostra esperienza indica che la maggior parte delle aziende utilizza in modo drammaticamente insufficiente i propri dati storici "di base". La maggior parte delle previsioni di domanda non sfrutta nemmeno i dati di fedeltà dei clienti e la maggior parte degli ordini di acquisto viene effettuata senza una previsione formale dei tempi di consegna. Pertanto, sebbene non trascuriamo di trarre spunti da fonti di dati esterne come i social media o i dati meteorologici, riteniamo fermamente che le aziende dovrebbero iniziare sfruttando al massimo i dati che già possiedono.
Scaling up alla sfida
La moda su larga scala coinvolge centinaia di negozi e decine di migliaia di varianti. Pertanto, il motore di previsione deve essere in grado di scalare fino a milioni di posizioni SKU. Il nostro motore di previsione è stato progettato nativamente per il cloud computing. A differenza delle soluzioni tradizionali, il cloud non è un'aggiunta successiva per Lokad: Lokad può elaborare terabyte di dati al giorno.
Inoltre, a differenza degli approcci tradizionali, la nostra capacità di previsione non si basa sulla collegamento manuale di prodotti più vecchi e più nuovi, dicendo al sistema quale prodotto più vecchio dovrebbe essere considerato il più rilevante per la previsione del nuovo prodotto.
Invece, il nostro motore di previsione si basa esclusivamente su algoritmi avanzati di machine learning per rilevare automaticamente le somiglianze che possono esistere tra i prodotti e per identificare, da solo, quali prodotti specifici sono rilevanti per la previsione di un nuovo prodotto nella collezione.
Questa rilevazione automatica delle somiglianze si basa sui numerosi attributi del prodotto che sono tipicamente presenti nella moda: tipo di prodotto, famiglia di prodotti, dimensione, colore, tessuto, stile, fascia di prezzo, marca, ecc. Sebbene si possa essere preoccupati per la quantità di dati richiesti, la nostra esperienza presso Lokad indica che i dati di catalogo, come esistono per gestire le sfaccettature di un front-end di e-commerce, ad esempio, sono di solito sufficienti per ottenere buoni risultati.
Le soluzioni di previsione tradizionali basate sull’abbinamento manuale tra prodotti richiedono troppo tempo per essere efficaci - ci sono troppi abbinamenti da considerare - poiché è proprio l’abbinamento che costituisce l’ingrediente principale delle previsioni.
A causa dell’inefficacia di questo metodo, le aziende tendono a tornare alle loro tabelle di calcolo poiché la soluzione di previsione basata sull’abbinamento manuale non riesce a fornire il valore necessario. Lokad affronta la sfida direttamente, concentrandosi sulla difficoltà principale della sfida, anziché passare il peso agli utenti.
Tuttavia, presso Lokad, sebbene possiamo definire questo processo di previsione come abbinamento di prodotti, non assumiamo che ci sia una corrispondenza 1 a 1 tra i prodotti di una vecchia e una nuova collezione. Ad esempio, un prodotto può essere diviso in più varianti, che possono generare cannibalizzazioni. Quindi, un altro prodotto potrebbe essere veramente “nuovo”, senza prodotti passati molto simili. In tal caso, il motore di previsione si basa su considerazioni più ampie, come la categoria di prodotto, la famiglia, la marca o la fascia di prezzo.
Driver economici e whiteboxing
Le decisioni devono essere ottimizzate in base al loro rendimento atteso espresso in dollari o euro, non in percentuali.
Tutti i fattori che determinano il costo e il rendimento di una decisione sono collettivamente definiti driver economici: includono il margine lordo, il costo di mantenimento dell'inventario, il costo di trasporto, il costo opportunità dello spazio sugli scaffali, la fiducia del cliente, ecc. Lokad modella esplicitamente tutti questi driver economici, tenendo conto delle specificità del mercato della moda.
Ad esempio, ogni volta che un prodotto viene venduto con uno sconto, crea un'aspettativa da parte del cliente di beneficiare di uno sconto simile in futuro.
Il primo scopo di questi driver economici è supportare il processo di ottimizzazione numerica che genera le decisioni (ad esempio, quantità di ordini di acquisto o sconti sui prodotti). Non c’è ottimizzazione senza misurazione: i driver economici sono letteralmente ciò che rende possibile il processo di ottimizzazione.
Lokad non è un sostituto di approfondite intuizioni strategiche (queste provengono dall’esperienza del tuo team), la nostra tecnologia è semplicemente progettata per rendere possibile implementare su larga scala quelle intuizioni strategiche - come riflesse attraverso i driver economici - in ogni singola decisione presa dall’azienda.
Il secondo scopo di questi driver è il processo di “whiteboxing”. Lo scopo del processo di whiteboxing è fornire ai tuoi team un elevato grado di trasparenza per ogni singola decisione generata da Lokad. Il tuo team deve capire perché Lokad suggerisce questa decisione. Per raggiungere questo obiettivo, ogni decisione generata da Lokad è corredata da un proprio set di metriche - misurate in euro o dollari - che spiegano l’intento commerciale della decisione. Queste metriche sono le diverse riflessioni dei driver economici. La nostra esperienza indica che questo approccio è superiore nel cercare di mettere in luce i dettagli algoritmici del calcolo, che non solo è incredibilmente noioso, ma anche in gran parte privo di senso tranne che per gli esperti di machine learning o di ottimizzazione numerica.
Dal punto di vista della gestione, i driver economici sono un potente meccanismo per guidare l’azienda nella giusta direzione. Questi driver non sono considerati “immobili” ma, al contrario, sono sempre suscettibili di cambiamento, al fine di riflettere l’evoluzione del mercato. La tecnologia di Lokad è progettata per fornire un elevato grado di agilità: con sforzi limitati, è possibile elaborare complessi scenari ipotetici che rappresentano varie strategie alternative.