Il machine learning nella pianificazione del retail

La previsione della domanda attraverso la valutazione di molte variabili eterogenee: dal meteo alla cannibalizzazione promozionale, in modo dinamico. Una nuova frontiera

Il retail non risulta immune al fascino del machine learning e diverse sperimentazioni dei suoi usi sono in atto per ottenerne delle best practice. Ma di cosa si tratta nello specifico? Per machine learning (o apprendimento automatico) si intende una branca dell'intelligenza artificiale volta alla progressiva elaborazione della performance di un algoritmo sulla base di pattern nei dati.

Sono molti i vantaggi dell’apprendimento automatico: conferendo ad un sistema la capacità di imparare automaticamente da grandi quantità di dati (molti di più di quanto potrebbe fare un intervento umano e senza bisogno di alcuna programmazione), questa tecnologia identifica modelli ripetitivi e utilizza schemi rilevati per prendere decisioni migliori. Grandi sono, allora, le potenzialità del machine learning, che se associato al retail, vede, ad esempio, nella previsione della domanda un ambito di applicazione ovvio per il settore, con un livello di complessità variabile a seconda che la previsione debba servire per la pianificazione a breve, medio e lungo termine. Si possono, quindi, combinare più metodi previsionali (ad esempio temporali o causali), in modo da ottimizzare la risposta del sistema sulla base di punti di forza e di debolezza, come la stabilità, la reattività, la quantità di dati necessari, l’orizzonte temporale della pianificazione e l’efficienza computazionale.

La soluzione RELEX di previsione della domanda utilizza algoritmi di apprendimento automatico per stimare l’impatto sulle vendite di fattori esterni, con lo scopo di aumentare significativamente l’accuratezza della previsione. Questa soluzione ha permesso di creare correlazioni complesse, ricavandone soluzioni output chiare, mettendo a fattor comune fenomeni come, ad esempio, le condizioni meteorologiche o la cannibalizzazione.
Le condizioni meteorologiche sono, infatti, un elemento che influisce notevolmente sul comportamento dei consumatori. Creare delle regole o dei modelli sulla base delle relazioni esistenti tra la domanda di un prodotto e diverse variabili meteorologiche, come pioggia, ore di sole, temperatura, ecc., facendo riferimento all'intero assortimento, non è banale, dato che bisogna elaborare una tale quantità di dati futuri e passati. Una previsione di base accurata e robusta grazie al machine learning permette, invece, di escludere dai dati storici eventuali effetti delle condizioni atmosferiche sulle vendite.

Un ulteriore esempio è fornito dalla strategia di vendita, e dalle promozioni in particolare. A differenza delle condizioni meteorologiche, che possono avere un effetto variabile sulla domanda, la promozione di un prodotto ha sempre un impatto positivo diretto sulle vendite del prodotto stesso. Tuttavia, spesso le aziende dimenticano di considerare le conseguenze che la promozione di un prodotto può avere sulle vendite di altri prodotti non in promozione. Quando l’aumento della domanda di un prodotto provoca il calo della domanda di un altro, si parla di cannibalizzazione. Ecco, quindi, che le tecniche di machine learning applicate a tale caso migliorano notevolmente l’accuratezza della previsione durante le campagne promozionali e riducono il rischio di deperimento dei prodotti soggetti a cannibalizzazione.

Quali prospettive per il futuro di questa tecnologia per il retail? Di sicuro vi sono ottime opportunità d'utilizzo soprattutto per la natura complessa in termini quantitativi del parco dati proprio del settore del retail. Continuare la sperimentazione, grazie a soluzioni come quella offerta da RELEX, permette di sfruttare l'eccezionale velocità e potenza di calcolo basata su in-memory computing e la capacità di integrazione dei dati. La chiave del successo starà nel sapere, però, applicare le tecnologie di machine learning in combinazione con metodi complementari per fornire le migliori soluzioni possibili ai problemi più complessi nella pianificazione del retail.

WHSmith, un caso di studio

RELEX ha messo a disposizione le sue tecnologie per l’ottimizzazione del sistema di riassortimento dell’azienda britannica WHSmith, presente con 1.400 punti vendita nel mondo, di cui 350 nel Regno Unito, il cui core business sono i libri, la cancelleria e il cibo take away (panini, insalate e pasticcini). A fine 2016 WHSmith presentava criticità relative all'inefficiente gestione degli ordinativi, dovuta alla mancanza di previsioni quantitative e alla limitata capacità di stoccaggio degli store, per i quali i prodotti devono essere il più freschi possibile quando raggiungono gli scaffali, e non essere a rischio di deperimento.

RELEX ha applicato al caso WHSmith le potenzialità dell’apprendimento automatico per il calcolo delle previsioni. Il sistema prende spunto dal contesto aeroportuale e dalle previsioni dei passeggeri in transito. Passando, quindi, ad elaborare i dati forniti dagli aeroporti, WHSmith utilizza i dati sul traffico aeroportuale per prevedere la domanda. Il sistema fornito da RELEX si è rilevato efficace per far fronte alle esigenze del cliente, offrendo previsioni realistiche sulle quantità di prodotti alimentari freschi necessari per i giorni della settimana, gestendo diverse consegne al giorno per alcuni prodotti, nonché di suddividendo le quantità in modo appropriato tra ciascuna di esse. Il breve arco temporale di conservazione degli alimenti freschi rende essenziali previsioni e riassortimenti precisi e, poiché le vendite possono variare da un giorno all'altro, i risultati migliori si ottengono attraverso previsioni e riassortimenti giornalieri.

La fase di test della tecnologia RELEX si è conclusa ad aprile 2017. Nelle 12 settimane successive all’implementazione, è stata notata una riduzione significativa dello spreco, aumentando la disponibilità di prodotti. Il tutto è stato coadiuvato dalla facile configurabilità di RELEX, che ha permesso agli esperti di WHSmith di affinare ulteriormente le funzionalità di sistema e i processi, in particolare per quanto riguarda le scorte di sicurezza, ottenendo un controllo ancora più rigoroso dell’attività. Con l’automatizzazione di gran parte delle operazioni di riassortimento di routine, il team di WHSmith è ora in grado di concentrarsi con maggior attenzione su compiti ad alto valore aggiunto, come la pianificazione e la gestione delle eccezioni.

Focalizzare i progetti

Ai e ml sono spesso considerati come le soluzioni universali per ogni esigenza di innovazione. Tuttavia, per la riuscita dei progetti basati su queste tecnologie, l’interpretazione corretta è una condizione necessaria. Per Stefano Scandelli, Senior Vice President Sales EMEA e APAC, la sfida per i retailer italiani è inserire in modo corretto questo asset tecnologico rispetto al proprio settore retail.

Per quale tipo di retail, Ai e ml sono particolarmente efficaci?
Sicuramente per tutti i contesti in presenza di prodotti alto rotanti. E tra questi il grocery e in generale il food. Le variabili interne come la pianificazione promozionale, associata a quelle esterne come l’andamento puntale del meteo, sono un terreno in cui AI e ML possono dare ottimi risultati. Si riesce a prevedere meglio la domanda, individuare i picchi di vendita e migliorare il sell-out. Questo in generale. Poi occorre valutare caso per caso anche perché occorre governare una complessità rilevante: per esempio la shelf life dei prodotti, il lead time del fornitore, l’isteresi del magazzino e così via. Poi occorre dire che in Italia queste tecniche non hanno ancora raggiunto un processo di maturazione tale da prevederne una diffusione massiccia.

Stefano Scandelli, Senior Vice President Sales EMEA e APAC

Le esperienze sull’automazione attraverso algoritmi previsionali cosa suggeriscono?
Suggeriscono che un progetto di machine learning basato su intelligenza artificiale può essere molto efficace se si hanno le idee chiare su quanto si vuole ottenere. Stiamo parlando di complessi algoritmi che aiutano a migliorare le previsioni finalizzate a automatizzare dei processi. Ma soprattutto vi sono alcuni fattori che non si possono trascurare: i dati sono fondamentali e devono essere di massima qualità. Inoltre, siccome stiamo parlando di algoritmi che “imparano” progressivamente dallo storico, il fine tuning può richiedere parecchio tempo e spesso tanto quanto lo sviluppo dell’intero progetto.

È quindi un cambiamento progressivo di capacità di governo dei processi più strategici?
Si, in larga misura. Per un retailer, implementare un progetto di AI e ML sulle previsioni, significa cambiare in positivo il valore competitivo dell’impresa. Per raggiungere questi risultati, servono obiettivi precisi, una base di dati opportuna (in qualità e quantità) e qualche anno di crescita che comprende la realizzazione del progetto e il suo affinamento. Ma i risultati sono concerti e misurabili come dimostrano i casi utente disponibili.

LASCIA UN COMMENTO

Inserisci il tuo commento
Inserisci il tuo nome