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. 

 
 
 
 

Giovanni Botta
Special Projects

copyright © Dedagroup Stealth s.p.a. Sede Legale e Amministrativa: Via Carlo Imbonati, 18 - 20159 Milano (MI)
Tel. +39 02 57775333 - dedagroupstealth@legalmail.it
P.I. e C.F.: 02042940508