Come affrontare la rivoluzione del settore retail - Fase 1: Creare resilienza tramite una previsione più precisa della domanda

marzo 9, 2021

Far fronte ai cambiamenti imprevedibili dei comportamenti di acquisto dei clienti

Una previsione accurata della domanda è uno degli elementi più importanti di una supply chain resiliente. Quando si verificano eventi dirompenti che possono causare una rivoluzione nel comportamento dei clienti, i retailer di qualsiasi dimensione si trovano improvvisamente in difficoltà e cercano di adeguare le loro previsioni alla nuova situazione. L’esempio più recente è accaduto quando la pandemia di Coronavirus ha costretto le persone a rimanere a casa, a dedicarsi di più alla cucina e alla preparazione dei pasti, mettendo così sotto pressione le scorte alimentari.

E’ possibile che alcuni di questi comportamenti d’acquisto si mantengano e che, per esempio, le persone preferiscano rimanere a casa invece che mangiare fuori; tutto questo ha fatto nascere nuove tendenze che influiscono sull’acquisto di prodotti alimentari: mantenere sempre la dispensa ben fornita, lavorare da casa, provare prodotti a marchio privato e utilizzare nuovi canali di acquisto.

Benché i livelli delle scorte siano ancora instabili, molti consumatori si sono adeguati a ciò che riescono a trovare, dimenticando la lealtà a un marchio per provare brand più economici, marchi privati o marchi del supermercato. I consumatori hanno anche optato per canali di acquisto diversi, ordinando online o facendosi consegnare i prodotti a domicilio. Se la comodità di questi canali si conferma, è possibile che questi cambiamenti si mantengano nel lungo termine.

Purtroppo, il comparto dell’abbigliamento e delle calzature ha vissuto un’esperienza diametralmente opposta. Molti retailer sono rimasti chiusi per diverso tempo, la domanda è precipitata e la rotazione dell’inventario si è bloccata. Gli acquisti di abbigliamento sono crollati e la maggior parte dei pochi acquisti è stata effettuata online, non in negozio.

Molti consumatori che al momento lavorano da casa sono passati ad abiti più comodi, più adatti anche all’attività all’aperto. Mentre le vendite di abiti formali e professionali sono scese notevolmente, gli acquisti di abbigliamento sportivo sono invece aumentati. Anche le calzature hanno visto un forte declino delle vendite, con la sola eccezione delle scarpe sportive, la cui richiesta è decisamente aumentata.

Ma queste nuove tendenze, più incentrate sulla vita privata e su uno stile di vita salutare, dureranno nel tempo? Quando l’economia ripartirà completamente, i consumatori torneranno ai comportamenti precedenti o le opportunità di lavoro da casa e la vita attiva diventeranno la nuova normalità? La stessa domanda si applica agli acquisti di prodotti per la casa e per il miglioramento della propria abitazione. Le persone hanno iniziato nuove attività e il giardinaggio, le riparazioni, le migliorie, le ristrutturazioni e altri progetti riguardanti la casa stanno diventando le occupazioni a cui tutti dedicano tempo e denaro.

Affrontare le sfide legate alla previsione della domanda

Le sfide legate alla previsione della domanda riguardano nuovi comportamenti d’acquisto, chiusure impreviste di punti vendita e incertezze sullo sviluppo futuro delle nuove tendenze. I fornitori di software innovativi basati sull’IA collaborano con i retailer tramite team di data scientist per perfezionare i modelli di machine learning e adeguarli alle loro specifiche categorie aziendali. Utilizzando la domanda “pandemica”, i data scientist possono addestrare l’algoritmo del machine learning perché tenga conto automaticamente dei nuovi comportamenti di acquisto, eliminando i periodi di tempo non rilevanti (caratterizzati da acquisti dovuti al panico, chiusure dei negozi ecc.) e creando così modelli in grado di prevedere con accuratezza le esigenze future.

Nei modelli tradizionali, i responsabili della pianificazione della domanda devono impostare manualmente i parametri, aggregare i livelli, assegnare i prodotti simili, aggiornare manualmente le previsioni riguardanti l’aumento delle vendite dovuto a promozioni e molto altro. Invece, il machine learning è in grado di andare oltre gli effetti degli eventi più recenti e di tenere conto delle altre caratteristiche della domanda, come le previsioni sui nuovi prodotti, utilizzando attributi legati alla posizione e al prodotto, dettagli sulle promozioni, effetto alone e cannibalizzazione, dati esterni come il meteo, gli aspetti sociali, gli eventi locali e così via.

Il machine learning fornisce i modelli di domanda automatizzati e flessibili richiesti per una previsione accurata durante e dopo questo periodo di incertezza. L’intelligenza artificiale di nuova generazione nel settore retail si servirà di reti neurali, apprendimento profondo e altre tecniche di modellazione per aumentare ulteriormente l’automazione e l’accuratezza.

Avere a disposizione un team di data scientist dietro le quinte in grado di assicurare che i modelli siano elaborati alla perfezione per generare risultati accurati è un approccio molto migliore che limitarsi a formare i responsabili della pianificazione della domanda su modelli e parametri e sperare che facciano la cosa giusta. I responsabili della pianificazione della domanda devono dedicare il loro tempo alla gestione delle eccezioni, all’analisi del business, all’individuazione di opportunità e, in questo momento difficile, all’elaborazione di una strategia per affrontare la nuova normalità che ci aspetta.

Per scoprire altre strategie per assicurare alla supply chain della tua azienda la resilienza necessaria per affrontare al meglio la rivoluzione del settore retail, scarica la guida delle best practice completa.

Archiviato in
  • Cloud
  • ERP
  • Supply Chain
Settore
  • Retail
Area geografica
  • EMEA
Mettiti in comunicazione con noi

Grazie per l’interesse, ci manterremo in contatto

Infor valorizza la tua privacy.