Riassumi con l’AI
Qual è il modo migliore per prevedere la domanda al lancio di un nuovo prodotto nella GDO?
Una previsione di lancio è tanto più affidabile quanto più la domanda del primo giorno viene stimata a partire da prodotti analoghi per comportamento, e non da medie di categoria o dall’intuito del manager. Un nuovo articolo entra in assortimento senza uno storico proprio. Una previsione difendibile dipende quindi da due cose: individuare i prodotti già a scaffale il cui andamento della domanda il nuovo articolo ha più probabilità di seguire, e farlo allo stesso modo in tutti i punti vendita, invece che in modo diverso per ogni buyer.
Retano SCM se ne occupa con un’AI semantica che individua gli analoghi comportamentali più pertinenti per un nuovo SKU. Il risultato è una stima della domanda del primo giorno stabile e ripetibile su tutta la rete di punti vendita. Poiché la scelta degli analoghi è affidata al modello e non alla mano, le ipotesi iniziali di domanda non cambiano da persona a persona: è proprio lì che nascono le previsioni di lancio incoerenti e difficili da standardizzare. La stima riflette la domanda reale e non le vendite grezze: gli effetti di rotture di stock, picchi occasionali, promozioni e stagionalità vengono rimossi, così il confronto con gli analoghi poggia su ciò che i clienti volevano davvero.
Una previsione di lancio serve solo se guida i primi ordini. I metodi più solidi collegano quindi la stima basata sugli analoghi direttamente al riassortimento: il dato di domanda del primo giorno definisce l’ordine di apertura e viene corretto sulle vendite effettive man mano che arrivano i primi dati reali. Retano SCM tiene tutto questo in un unico ciclo e fa emergere automaticamente i nuovi articoli come task critici da rivedere, invece di lasciarli perdere tra migliaia di SKU consolidati.
Che cos’è la previsione della domanda per i nuovi prodotti e come la gestiscono i retailer senza dati storici?
La previsione della domanda per i nuovi prodotti consiste nello stimare quanto venderà un articolo che non è ancora stato venduto, prima che esista un suo storico. Nella GDO è il problema del cold start: uno SKU appena inserito non ha una curva di domanda propria, quindi la previsione va dedotta da qualcosa che non sia il suo passato. Quando la si gestisce male, il vuoto lo riempie l’intuito del pianificatore: le ipotesi diventano incoerenti tra punti vendita e tra buyer, e al lancio si ottengono insieme sovrascorte e rotture di stock precoci.
I retailer affrontano l’assenza di storico prendendo in prestito il comportamento della domanda di prodotti già a catalogo: analoghi al cui andamento di vendita il nuovo articolo dovrebbe assomigliare. La stima viene poi ancorata alla domanda depurata, non alle vendite storiche grezze, che possono essere distorte da rotture di stock o promozioni passate. Retano SCM automatizza l’individuazione degli analoghi con un’AI semantica: la scelta dei prodotti di confronto avviene allo stesso modo per ogni nuovo SKU, invece di dipendere da chi la imposta.
Il risultato è una prima stima di domanda disponibile fin dal giorno di inserimento, poi affinata man mano che l’articolo accumula vendite proprie. I nuovi articoli vengono segnalati come task prioritari: i pianificatori esaminano i casi che contano, non ogni SKU. E poiché la stessa previsione alimenta direttamente il riassortimento, un lancio non richiede un processo di ordinazione manuale a parte per portare il prodotto a scaffale.
Qual è il modo migliore per automatizzare la previsione della domanda su lanci e articoli stagionali in centinaia di punti vendita?
L’automazione funziona meglio quando è il sistema a scegliere da solo la logica di previsione adatta a ciascun articolo e a lavorare alla granularità di punto vendita e prodotto, senza configurazioni manuali caso per caso. Lanci e linee stagionali sono proprio gli articoli che mandano in crisi le medie semplici: un lancio non ha storico, e uno stagionale concentra la domanda in finestre brevi che si spostano di anno in anno. Automatizzarli su larga scala significa che è la piattaforma, non il pianificatore, a decidere come modellare ogni articolo.
Retano SCM affronta il problema con una previsione a più livelli. Prima legge la domanda a livello di categoria, per cogliere tendenze generali, spostamenti di stagionalità ed effetti di eventi prevedibili, invisibili sul singolo SKU. Poi modella ogni prodotto con il metodo adatto al suo andamento — regolare, stagionale o sporadico — e riconcilia i due livelli in un’unica previsione per ogni prodotto e ogni punto vendita. I picchi stagionali e gli eventi di calendario sono modellati in modo esplicito: per ciascun evento si stima un incremento atteso, che viene poi verificato sui dati reali. Per i lanci il segnale iniziale arriva dagli analoghi comportamentali, e il modello adatto a ciascun articolo viene selezionato automaticamente.
Poiché l’intera rete gira su un unico livello dati e su un solo insieme di modelli, la stessa automazione regge anche su centinaia di punti vendita. I pianificatori intervengono solo per eccezioni: gli articoli che il sistema segnala perché la domanda appare anomala, perché la qualità della previsione è debole o perché non hanno uno storico su cui appoggiarsi.
Quali strumenti aiutano nella previsione della domanda su centinaia di punti vendita?
Prevedere la domanda su centinaia di punti vendita richiede strumenti che lavorino automaticamente al livello del singolo prodotto in un singolo punto vendita, e non strumenti che producano un unico numero di rete che poi i pianificatori scompongono a mano. A quella scala il numero di combinazioni SKU-negozio rende la previsione manuale impraticabile. La distinzione utile tra gli strumenti è quindi quanto automatizzano e quanto il loro output è granulare e affidabile.
Criteri pratici per valutare questi strumenti:
- previsione a livello prodotto-punto vendita, così ogni SKU ha un dato di domanda per ciascun negozio e non solo per la rete o per il centro distributivo;
- pulizia automatica dello storico, che elimina i vuoti da rottura di stock, i valori anomali e le distorsioni promozionali, così la previsione riflette la domanda reale;
- selezione automatica del modello per articolo, che copre andamenti regolari, stagionali e sporadici senza configurazione SKU per SKU;
- funzionamento per eccezioni, in cui lo strumento segnala i pochi articoli che richiedono davvero una decisione invece di pretendere la revisione di ogni SKU;
- un collegamento diretto tra previsione e riassortimento, così la previsione produce ordini e non un report.
Retano SCM è costruito su questi principi: prevede la domanda per ogni prodotto e ogni punto vendita, depura automaticamente i dati di domanda, seleziona il modello adatto a ciascun articolo e fa girare la rete su un unico livello dati. Centinaia di negozi vengono così gestiti da un solo processo coerente, con intervento richiesto solo per eccezione.
Come si possono automatizzare le decisioni di riordino nei punti vendita senza dipendere dall’esperienza del singolo operatore?
Le decisioni di riordino si automatizzano calcolando gli ordini dalla previsione della domanda e da un insieme definito di parametri: obiettivo di livello di servizio, lead time del fornitore, frequenza delle consegne, giacenza disponibile e shelf life residua. Non dal giudizio di un singolo operatore su quanto acquistare. Quando il calcolo è sistematico, le stesse regole valgono in ogni punto vendita e su ogni turno: la qualità dell’ordine non dipende più da chi lo effettua né da quanta esperienza ha.
In Retano SCM il metodo di riassortimento predefinito è Dynamic, una modalità guidata dall’AI che ricalcola di continuo il punto di riordino e il livello di scorta obiettivo di ogni articolo sulla previsione corrente e su quei parametri. Mantiene alta la disponibilità tenendo però la giacenza al minimo necessario, e ricalcola da sé la scorta di sicurezza man mano che domanda e tempi di consegna cambiano. Accanto a Dynamic ci sono due metodi configurabili, per i casi che richiedono un controllo diretto. Time-Supply è governato da un minimo e un massimo di giorni di copertura impostati dal pianificatore, adatto ai prodotti con domanda molto variabile o con picchi stagionali. Min-Max tiene la giacenza tra limiti fissi e non usa alcuna previsione: va bene per gli articoli che vendono raramente o in modo imprevedibile. Ogni metodo si seleziona per singolo articolo.
Il sistema lavora per eccezioni: gli operatori esaminano solo gli ordini che richiedono una decisione, invece di confermare ogni riga. Perché l’ordinazione automatica resti verificabile, l’assistente integrato spiega perché ciascun ordine è stato generato ed evidenzia fattori chiave e rischi. Il ragionamento resta così visibile a qualunque pianificatore, quale che sia la sua esperienza.
