Data Driven Merchandise Planning: quando il dato guida la collezione

Data Intelligence

,

Fashion

Data Driven Merchandise Planning: quando il dato guida la collezione

Andrea Ardizzoia | ott 08, 2020
  • Il divario tra gli articoli messi a catalogo e quelli effettivamente di successo è una costante nel Fashion Retail e porta a contrazione dei margini per le vendite in saldo, spreco di risorse naturali ed extra costi dovuti a invenduti e resi.
  • Sempre più strategico e complesso, il Merchandise Planning rischia di dipendere troppo dall’esperienza di un gruppo ristretto di esperti contesi dalle aziende del settore.
  • Le tecniche di Machine Learning sono disponibili da molti anni. Fenomeno più recente è invece l'accessibilità a basso costo di enormi capacità di calcolo offerte da piattaforme cloud per poter applicare modelli predittivi.
  • Esiste ora la possibilità reale di applicare il Machine Learning per passare da un Merchandise Planning guidato principalmente dall’esperienza a un Merchandise Planning potenziato dai dati.

Il settore Moda è caratterizzato da una successione di collezioni e capsule collection che variano in continuazione. Molti degli articoli che costituiscono queste collezioni restano però invenduti portando a contrazioni dei margini e spreco di risorse per le vendite in saldo e gli extra costi dovuti ad invenduti e resi. Questo ha un enorme impatto economico, sul valore del brand e sulla sostenibilità. 

A queste caratteristiche intrinseche si aggiunge quella che il settore Fashion è indubbiamente uno dei settori che più sta risentendo degli effetti economici delle proteste a Hong Kong prima, della pandemia COVID-19 e delle proteste Black Lives Matters in America poi.

L’attenzione alle esigenze del cliente e al conseguente successo della collezione non è mai stata così importante come lo è oggi. In questa complessità, il ruolo del Merchandise Planner diventa sempre più critico e con un impatto diretto sulla marginalità dell’azienda.

 

Merchandise Planning tradizionale

Quale articolo confermare o eliminare dal catalogo? Quanto è probabile che una SKU (Stock Keeping Unit) possa essere cancellata o oggetto di reso? Quell’articolo va inserito nella collezione continuativa? Quale prezzo dovrebbe essere assegnato a quella SKU? Qual è il periodo migliore per rilasciare quella determinata SKU?

Queste sono solo alcune delle domande a cui un Merchandise Planner si trova a dover rispondere durante le proprie giornate lavorative. La loro strategicità per il successo della collezione e dell’azienda stessa sono indiscutibili, ma quali informazioni ha a disposizione per prendere queste decisioni critiche?

L’approccio tradizionale (Top Down) vede partire l’analisi dagli obiettivi di vendite e dalle proiezioni del fatturato andando a definire Mix, Categorie, Classi e sotto Classi, Gruppi e Assortimenti.  A questo si è con il tempo affiancato un approccio (Bottom Up) che considera non solo i target, ma anche le informazioni storiche, la presenza di nuovi mercati, di nuove categorie merceologiche e di nuove strategie di prezzo.

L’innovazione tecnologica ha permesso poi di affinare tali approcci e analisi con strumenti di Data Mining e soluzioni specifiche per il Merchandise Planning, in grado di processare una grande mole di dati storici relativi alle performance e alle collezioni passate, alle abitudini dei clienti e alle principali tendenze del momento.

Il tutto a supporto di quello che, oltre ai dati, è l’altro grande asset strategico: l’esperienza e la professionalità del Merchandise Planner. Se da un lato questo è proprio del ruolo, dall’altro l’azienda non può rischiare di dipendere dalla sola esperienza di un gruppo ristretto di persone, contese dalla competizione, per prendere decisioni così strategiche.

 

Predictive Merchandise Planning

Le più recenti innovazioni tecnologiche hanno permesso di iniziare ad applicare il Machine Learning (ML) su vasta scala a casi aziendali reali. Infatti, mentre le tecniche di ML sono disponibili da molti anni, è un fenomeno più recente l'accessibilità a basso costo di enormi capacità di calcolo offerte da piattaforme cloud per poter applicare modelli predittivi. Tali modelli possono essere oggi applicati per migliorare i processi con l’obiettivo di ottenere previsioni sempre più accurate.

In questo contesto, l'applicazione del ML alla mole di dati che viene prodotta da scenari Retail, in particolare nel settore Fashion, presenta grandi potenzialità di miglioramento dei risultati di business. Il Merchandise Planning è proprio uno dei principali processi a poterne beneficiare già oggi.

Partendo dall’analisi dei dati storici di performance, come ad esempio quelli relativi a ordini, resi e invenduto, e incrociandoli con le caratteristiche elementari delle SKU (estratte da sorgenti strutturate e non strutturate come Bill of Material, composizione materiali, testi e immagini) è ad esempio possibile ottenere la predizione del potenziale vendita di nuove SKU mai prodotte in precedenza, la razionalizzazione del numero di varianti SKU in creazione catalogo, l’identificazione di similarità nascoste tra articoli e carryover, la predizione delle categorie di articoli più a rischio di cancellazione ordine o reso.

 

Machine Learning nel settore moda: Merchandise Planning tradizionale vs. Predictive Merchandise Planning

 

Supportare l’adozione del Data Driven Merchandise Planning

L’esperienza e la professionalità del Merchandise Planner da un lato, il Machine Learning abilitato dal cloud dall’altro, sono due tasselli fondamentali che necessitano di professionisti esperti per amplificarne il valore congiunto.

Professionisti in grado di mettere a disposizione dell’azienda Fashion gli strumenti e le competenze necessarie per supportare l’adozione di un Merchandise Planning guidato dai dati tramite:

  • Un motore di elaborazione del linguaggio naturale (Natural Language Processing – NLP) specifico per il settore Moda, in grado di ricostruire le caratteristiche “astratte” dei prodotti partendo da dati non strutturati quali testi del catalogo e dell’e-commerce o immagini.
  • Una logica di elaborazione e catalogazione dei dati strutturati e non di prodotto, in modo da ricostruire similarità tra collezioni. Questa logica è utilizzata come base effettuare proiezioni sul comportamento futuro di prodotti nuovi.
  • Un motore di apprendimento automatico per addestrare modelli predittivi specializzati per ciascun brand e volti a fornire predizioni sulle performance di nuovi prodotti sul mercato a fronte del comportamento di combinazioni di prodotto più o meno simili nel passato su diversi segmenti.
  • Le interfacce per l’esportazione del dato di prodotto rielaborato e arricchito e del dato previsionale a fini di visualizzazione e analisi su strumenti esterni di reportistica.
  • L’utilizzo di architettura a micro-servizi e serverless cloud, per garantire la scalabilità.

È importante sottolineare, in conclusione, che il Machine Learning non ha l’obiettivo di sostituire ambite figure chiave con anni di esperienza e professionalità indiscutibili, ma di fornire loro tutte le informazioni estraibili dai dati disponibili per supportare in decisioni ad altissima complessità e strategicità per il successo dell’azienda.

Da un Merchandise Planning guidato dall’esperienza, a uno potenziato dai dati.

 

Andrea Ardizzoia
Seguimi su LinkedIn

 


Questo articolo fa parte della serie #TechedgeTalks: punti di vista e riflessioni dei nostri Industry Leader sui principali settori del mercato. Iscriviti alla newsletter per non perderti le prossime puntate!

Altri articoli #TechedgeTalks:

Iscriviti alla newsletter

Iscriviti!