L’intelligenza Artificiale reinventa i processi del Fashion
Gli algoritmi per una Supply Chain controllata e predittiva
Il periodo incerto che l’economia
globale sta affrontando ormai da diversi mesi ha notevolmente inciso non solo
sulla vita e sulle scelte delle persone, ma anche sull’assetto del Fashion
Market. Per quanto inatteso, infatti, il ciclone del cambiamento non risparmia
i players del Fashion Retail che devono ripensare gli schemi d’acquisto,
riconsiderare il concetto di “store” e assecondare le esigenze del nuovo
consumatore.
L’ultimo Report “The State of Fashion 2020” pubblicato da
McKinsey segnala, infatti, una netta trasformazione del consumatore che da
soggetto passivo diventa protagonista dell’esperienza d’acquisto, trasformandosi
in un attore sempre più esigente e desideroso di intraprendere un percorso di
spesa “problem-free”, personalizzato e soddisfacente, che faccia della sua
permanenza in negozio un’esperienza.
Il Fashion verso nuove sfide
Questo cambiamento, però, non va
considerato come un ostacolo insormontabile, bensì come un’opportunità per posare
la lente di ingrandimento sulle fragilità della Supply Chain dei prodotti,
un’occasione per riflettere su modelli operativi da rivoluzionare in modo che
facciano leva su strategie di business customer-oriented e corrano più veloce
della moda.
Una sfida, quindi, tecnologica, ma anche culturale, che vede tutti
i Fashion Player navigare sulla stessa lunghezza d’onda: parole d’ordine “innovazione
digitale” e “lead nurturing”.
Sarà sicuramente capitato a ognuno di noi durante lo shopping del weekend di vedere il desiderato paio di mocassini o la camicia che sogniamo da tanto tempo esposti in vetrina, ma appena entrati in negozio scoprire con delusione che i prodotti non sono disponibili per la nostra taglia o colore preferito.
Questi episodi sono molto più frequenti di quanto si possa immaginare e sono il risultato di una scarsa visibilità sulla lunga filiera della Supply Chain e di sistemi di monitoraggio sui rischi della fornitura deboli e poco precisi. Gli effetti di un approvvigionamento o ri-approvvigionamento (Replenishment in seguito) non ottimale si riassumono, quindi, nel fenomeno sopra descritto: il prodotto che desideriamo non è presente nel magazzino del negozio.
Come deve evolvere, quindi, la concezione del negozio affinché possa interpretare e soddisfare correttamente le aspettative del nuovo consumatore?
Il cambiamento deve partire dalla
consapevolezza dei Retailers che il maggiore ostacolo al raggiungimento degli
obiettivi di vendita è l’elevata variabilità della domanda, alla quale si
aggiunge il peso della stagionalità o la caratteristica di continuità dei
prodotti. Per questo motivo è importante adottare sistemi dinamici, capaci di
adeguarsi ai cambiamenti di contesto, rivalutando, se necessario, obiettivi e
strategie.
Le complessità del processo di
Replenishment sono ben note ai player del mondo Retail, essendo un punto
cardine importante della distribuzione nella Supply Chain. Uno dei problemi che
affiora più frequentemente durante il confronto con gli esperti del settore è
quello legato ai limiti dei processi di allocazione sub-ottimale: questo approccio,
che potremmo definire “manuale, conta sull’esperienza pluriennale di esperti
che, aggiungendo al loro vissuto sul campo una buona dose di intuito, cercano
di anticipare la domanda futura.
Le conseguenze sono varie: gli scaffali potrebbero essere sprovvisti di merce, le vendite potrebbero ridursi, viene meno l’ecosostenibilità dei prodotti a causa di ri-approvvigionamenti correttivi che innalzano i livelli di CO2 prodotta e, non da meno, si deludono le aspettative di clienti di un settore come quello del Fashion & Luxury che fa del rapporto con il consumatore un tratto unico e distintivo.
Il progetto FAIRE
Il progetto FAIRE, in sviluppo in
collaborazione con la regione Lombardia e una serie di partner tecnici qualificati
mira alla creazione di un Fashion
Replatforming Hub nasce a
partire da queste premesse e dall’idea di fondo che oggi sia necessario
separarsi da approcci algoritmici basati su formule puramente “statistiche”,
per gestire il problema dell’Inventory Management in modo proattivo, monitorando
le condizioni dello stock in tempo reale e aumentando la visibilità su tutta la
Supply Chain. Da qui il bisogno di affidarsi a soluzioni tecnologiche che già da tempo supportano molti ambiti dell’IT: stiamo parlando dell’Intelligenza Artificiale, nota semplicemente come A.I.
Da Siri/Google Assistant sul
nostro Smartphone, al riconoscimento facciale nelle foto, fino a toccare il
settore medico e finanziario, l’AI si è fatta strada negli ambiti più svariati
della modernità, mostrando un impatto crescente sui processi industriali
moderni, incontrando il favore delle molte aziende che hanno tratto dal suo impiego
un notevole vantaggio competitivo.
Per quanto riguarda l’ambito
Fashion, l’introduzione di soluzioni di Intelligenza Artificiale apre la finestra
verso scenari futuri in cui ogni scelta umana può diventare un dato da
analizzare e trasformare in fonte di informazione per prevedere le mosse dei
consumatori del domani.
Dietro il progetto FAIRE
c’è l’obiettivo di creare un HUB di innovazione digitale nel settore Moda e
Design dove le aziende possono interagire e proporre soluzioni tecnologiche in
grado di offrire nuove esperienze al consumatore, nonché di migliorare
l'efficacia dei processi di produzione e distribuzione del prodotto finito.
Il Machine Learning nell'industria della moda
Come partner del progetto FAIRE stiamo dando un importante
contributo per introdurre tecniche di Supply Chain Planning basate su
uno o più cicli di apprendimento: per fare questo abbiamo puntato su una delle
aree più promettenti dell’AI, ossia il Machine
Learning, quel settore che gestisce algoritmi non più statici e costanti,
ma mutabili con l’esperienza.
Esattamente come succede all’uomo, il sistema
gode della capacità di “apprendere”, cambiando i risultati e le strategie in
base all’esperienza, al contesto e a quanto appreso nel tempo.
Sfruttando i pattern tipici del
Machine Learning stiamo creando dei modelli matematici con lo scopo di
veicolare la struttura degli oggetti impiegati per la soluzione, per definire
le caratteristiche del capo d’abbigliamento e dei metadati ad esso associati.
I
metadati rappresentano il biglietto da visita del prodotto, in quanto
contengono informazioni estetiche e di composizione come il colore, il
materiale, la forma, le variazioni e altri dettagli. Specificare queste caratteristiche
è una fase cruciale per l’adozione di tecniche di similarità nell’analisi dei
dati.
Insieme al nostro partner di progetto DSTech stiamo lavorando alla modellazione di reti neurali che, una volta ricevuti i dati di training, possano fornire a Stealth® The Fashion Platform delle previsioni sul Replenishment ottimale per singolo negozio o data desiderata. Con addestramenti successivi delle reti ed eventuali modifiche del loro modello, si innalzano i livelli di precisione dell’analisi predittiva. La capacità predittiva dell’approccio Machine Learning è, infatti, l’aspetto su cui puntiamo maggiormente per ottenere l’effetto così descritto da Wayne Gretzky:
“Skate to where the puck is going, not where it has been”
Questo vuol dire che leggere il
passato è essenziale solo se lo facciamo per prevedere il futuro. Sfruttando la
nostra esperienza possiamo giocare d’anticipo sui cambiamenti di vendita.
Il progetto, partito lo scorso
febbraio, ci vede oggi impegnati nelle prime fasi della definizione della
soluzione.
Abbiamo deciso di optare per un’architettura aperta che permetterà a
Stealth® The Fashion Platform di accogliere motori AI del futuro o già presenti sul mercato, senza
limitare i nostri clienti nella scelta delle soluzioni IT a loro più
congeniali. La speranza è di riuscire a dare agli Store Manager una previsione
ottimale di Replenishment per ottimizzare i processi di Pianificazione
aziendale, allineando con quanta più precisione possibile la domanda e
l’offerta.
Allargare il cerchio delle possibilità
Capire di che cosa rifornirsi,
quanto e quando: Stealth® The Fashion Platform continua ad evolversi a
sostegno dei suoi clienti, per prepararli ad affrontare con efficacia eventi e
scenari imprevisti che possono cambiare rapidamente.
L’ingegno e la capacità di
pensiero dell’uomo non saranno mai sostituibili, ma con l’intelligenza
artificiale e le tecniche di Machine Learning possiamo allargare il cerchio
delle opportunità di successo e migliorare i nostri risultati non solo
quantitativamente, ma anche qualitativamente.
La sfida è ascoltare i consumatori per elaborare risposte mirate ed
efficaci e, perché no, fare shopping presso uno dei nostri clienti e
pensare che se il capo che tanto desideriamo è disponibile, è anche merito del
buon addestramento delle nostre reti neurali.
