Un’indagine svolta da Ispira presso le funzioni Buying & Merchandising di alcune importanti aziende di retail ha evidenziato come le attività di re-forecasting siano molto onerose e che gli strumenti di Intelligenza Artificiale possono contribuire a semplificarle notevolmente. Prendendo ad esempio una catena di 100 negozi che gestisce due stagioni all’anno, l’aggiornamento delle previsioni dei negozi, generalmente svolta a livello settimanale e a livello aggregato di prodotto, richiede la verifica di 2.000 punti di pianificazione per ogni metrica, in genere due. La ripianificazione degli obiettivi di prodotto, svolta a livello di mese/mercato e a livello dettagliato di prodotto, richiede l’imputazione di circa 700 punti di pianificazione per ogni metrica per un totale di oltre 5.000 dati complessivi
Si tratta di un lavoro ripetitivo e oneroso, gli intervistati hanno dichiarato che il tempo richiesto dal re-forecast può variare da uno a quattro giorni lavorativi per ogni merchandiser coinvolto. Con l’urgenza di completare le attività, il team interno spesso non può dedicare la giusta attenzione alle variabili che determinano una previsione bilanciata. L’esito è che i valori target inseriti sono spesso semplici elaborazioni di buon senso volte, ad esempio, a ‘smussare’ i picchi di prestazioni alte e basse
È in questo contesto che le potenzialità degli strumenti di machine learning possono fornire un notevole contributo allo svolgimento di queste attività. Gli algoritmi utilizzati analizzano i dati passati identificando 3 componenti chiave - stagionale, trend e ciclico - per produrre la predizione dei risultati futuri. Le predizioni sono utilizzate per pre-popolare gli obiettivi di vendita futuri, andando a sostituire i valori presenti negli strumenti attuali (campi vuoi, dati dello scorso anno, ultima previsione, ecc.)
Le attività richieste a merchandiser e planner nel re-forecast possono pertanto concentrarsi sulla verifica degli obiettivi che richiedono una modifica manuale. Ispira stima che la riduzione dei tempi di svolgimento con l’adozione dei sistemi evoluti di predizione sia pari al 50%
Gli algoritmi maggiormente utilizzati sono basati sulle serie mobili auto-regressive (ARIMA) e sulle reti neurali ricorrenti (RNN), tipologia di reti in grado di identificare schemi in una sequenza di temporali
Luca Peruzzi di Ispira ha dichiarato di “attendersi nei prossimi 3 anni una rapida adozione nel retail, nella moda e nel DTC degli strumenti predittivi basato su serie storiche. È un’evoluzione che va nel senso di concentrare il tempo delle risorse senior per le decisioni ad alto valore aggiunto dando agli algoritmi il compito di ricercare i pattern che i dati passati ci consegnano”
