From data
To meaning

Se il Machine Learning va di moda, ormai è sempre più spesso la Moda a dirigersi verso il Machine Learning. Migliorare l’efficienza della catena di distribuzione retail è un compito delicato. Previsioni poco accurate possono portare a non potere assicurare le vendite a causa della scarsità degli stock, o viceversa a ritrovarsi con grandi quantità di prodotti invenduti in giacenza nei magazzini: è qui che le tecniche di Data Science e Machine Learning vengono in aiuto.

Professionisti del fashion made in Italy di fama internazionale si sono rivolti a noi per risolvere tre problemi principali nell’ambito della loro Supply Chain: rendere più accurato ed efficiente il processo di previsione dei volumi di vendita (forecasting), migliorare la reattività nell’identificare i best seller inattesi e i cosiddetti “slow movers” (prodotti che vendono meno del previsto), ed ottimizzare l’assortimento dei prodotti all’interno dei negozi. Ai dati relativi a vendite, prodotti e clientela, già disponibili, abbiamo integrato informazioni esterne relative alla location intelligence, ai contenuti presenti sui social media e alle descrizioni dei prodotti sui cataloghi web, verificando il potenziale predittivo di tutte queste nuove fonti.  

I nostri data scientist hanno lavorato su due fronti: da un lato elaborando modelli predittivi sulla base dello storico di vendita dei prodotti già consolidati, fornendo al cliente una stima data-driven accurata sul numero di pezzi che un dato prodotto era capace di vendere in un dato negozio. Dall’altra parte, la sfida era quella di stimare il potenziale di un prodotto non ancora lanciato, calcolandone il volume di vendita futuro in un determinato negozio, area geografica, o sull’intero mercato. A tal fine, abbiamo elaborato dei modelli di Machine Learning in grado di definire una prima stima basata su come articoli simili abbiano venduto in passato. Questo permette di suggerire l’assortimento più efficiente di prodotti nei diversi store, integrando le conoscenze degli esperti di settore con le nostre tecniche di Artificial Intelligence.

La social predictivity ha contribuito alla definizione del forecast. Grazie alla piattaforma di social media monitoring Blogmeter, abbiamo collezionato centinaia di migliaia di post sui canali Instagram, Facebook e Twitter del brand, di influencer dell’ambito fashion e dei competitor, riguardanti i prodotti e gli eventi del cliente. Analizzando automaticamente i contenuti, abbiamo esplorato il potenziale predittivo sulle vendite di picchi di attenzione verso il brand sui social media.

I forecast da noi elaborati possono essere poi monitorati tramite una dashboard interattiva, che integra un sistema di alert automatici in grado di segnalare andamenti di vendita non in linea con i forecast, con la possibilità di impostare filtri, aggregare dati ed eseguire drill-down sui singoli store e per i singoli prodotti.

Abbiamo inoltre fornito al cliente una proposta di assortimento per ogni canale di distribuzione, mantenendo percentuali di efficienza soddisfacenti, in particolare sui best seller. I nostri modelli hanno poi evidenziato una maggiore propensione nell’inserire nell’assortimento prodotti rivelatisi poi dei best seller.

Abbiamo infine proposto una previsione mensile costantemente aggiornata dell’intero catalogo, con un’accuratezza soddisfacente dei forecast effettuati con un margine di anticipo che tenesse conto del lead time produttivo.

Articolo di Matteo Caserio e Francesco Tarasconi

Tags: , , , , ,