L’intelligenza artificiale (AI) sta facendo molto parlare di sé nel settore retail. Il motivo è ovvio: le aziende oggi possono raccogliere grandi quantità di dati sulle transazioni e sulle interazioni con i clienti finali, sia online che nei negozi tradizionali. Allo stesso tempo, i retailer devono prendere miliardi di decisioni per adeguare i propri livelli di stock, la capacità e il fabbisogno di personale con l’andamento, in continua evoluzione, della domanda dei consumatori. In breve, retail e intelligenza artificiale sono fatti l’uno per l’altra.
Il recente clamore sull’intelligenza artificiale nel retail ha determinato una sorta di corsa all’oro. I fornitori di applicazioni tecnologiche si stanno affrettando ad applicare l’etichetta “AI inside” ai propri prodotti, facendo apparire le proprie soluzioni più intelligenti di quanto non siano in realtà. In questo contesto, non c’è da meravigliarsi che molti retailer siano confusi. L’intelligenza artificiale è solo fuffa, o le aziende che devono ancora implementarla sono imperdonabilmente in ritardo e rischiano di uscire di scena?
Questo white paper non si propone di fornire una visione sul futuro dell’AI, e tantomeno una tabella di marcia. Il nostro obiettivo qui è quello di dare una panoramica accurata di come i retailer stanno utilizzando l’intelligenza artificiale per ottimizzare le loro attività oggi. Iniziamo col capire cos’è l’AI.
1. L’Intelligenza Artificiale è un Algoritmo, non una Persona
I fornitori di soluzioni tecnologiche fanno di tutto per promuovere i propri algoritmi come “intelligenti”, li fanno sembrare il più umani possibile dando loro perfino nomi umani come Siri, Alexa, Einstein o Watson… è fondamentale non dimenticare, però, che l’intelligenza artificiale non è una persona, e nemmeno un’unica entità.
Siamo ancora lontani dall’intelligenza artificiale generale in grado di risolvere creativamente problemi generici. Stiamo facendo, invece, grandi progressi nell’AI specializzata che risolve problemi ben definiti (come gli algoritmi per il riconoscimento delle immagini) e nelle combinazioni di diversi tipi di AI specializzata (come le auto a guida autonoma).
In breve, quella che oggi chiamiamo intelligenza artificiale è né più e né meno che un insieme di algoritmi. Alcuni di essi sono costituiti da componenti semplici ingegnosamente combinati per produrre un ragionamento così complesso che i data scientist faticano a spiegarlo (si pensi al deep learning). Altri sono così elementari che un qualunque studente di informatica sarebbe in grado di codificarli in un programma in grado di battere un giocatore in carne ed ossa in giochi come il mancala (si pensi agli algoritmi minimax).
Algoritmi diversi di AI non sono migliori o peggiori. Semplicemente, utilizzano diversi tipi di dati e servono a risolvere problemi diversi.
Ciò significa che alle aziende retail non serve l’”AI” in quanto tale, ma aggiungere gli algoritmi di intelligenza artificiale alla propria cassetta degli attrezzi, integrandoli con strumenti più tradizionali come l’analisi statistica e l’euristica basata su regole. Inoltre, i retailer devono continuare ad utilizzare il potenziale umano per definire le priorità aziendali e risolvere problemi generici o senza precedenti.
Quindi, a parte la moda del momento, in che modo l’applicazione pragmatica dell’intelligenza artificiale aiuta i retailer ad ottimizzare il proprio business?
2. L’AI Permette Decisioni più Automatiche, Granulari e Accurate
L’AI consente alle aziende retail di prendere più rapidamente decisioni accurate, un bene inestimabile in un settore con milioni di flussi di merci da considerare. Nelle previsioni di vendita, ad esempio, gli algoritmi di apprendimento automatico prendono in esame centinaia di fattori potenzialmente in grado di influenzare la domanda, cosa che un demand planner in carne ed ossa non riuscirebbe mai a fare… L’applicazione dell’AI nel retail non è limitata alla previsione della domanda: le aziende possono trarre vantaggi ancora maggiori sfruttandola per ottimizzare l’intera gamma delle proprie operazioni.
2.1 Previsioni della Domanda più Accurate con l’Intelligenza Artificiale
Ciò che è iniziato con alcuni precursori (tra cui RELEX) è diventato la norma nel corso degli anni. Oggi, molti retailer utilizzano il machine learning nella previsione della domanda per prevedere l’impatto sulle vendite di fattori esterni, come ad esempio le condizioni meteorologiche. Attualmente, i fornitori di tecnologie per il retail offrono o si stanno attrezzando per offrire l’apprendimento automatico nella previsione della domanda.
Il machine learning conferisce a un sistema di previsione la possibilità di apprendere automaticamente e migliorare le proprie previsioni utilizzando solo i dati, senza necessità di programmazione aggiuntiva. Poiché i retailer generano enormi quantità di dati, la tecnologia di apprendimento automatico permette risultati rapidi. Quando un sistema di apprendimento automatico riceve dei dati – più sono, meglio è – va in cerca di modelli da utilizzare in futuro per prendere decisioni migliori.
Il machine learning consente di incorporare nelle previsioni di vendita un’ampia gamma di fattori e relazioni potenzialmente in grado di influenzare la domanda. Si tratta di un vantaggio importante, poiché i soli dati meteorologici possono essere costituiti da centinaia di fattori diversi.
Quando l’apprendimento automatico viene implementato correttamente nella previsione della domanda nel retail, sfruttando i dati disponibili per affrontare in modo efficace le sfide comuni, offre numerosi vantaggi:
- Acquisizione di modelli di domanda ricorrenti come giorni della settimana e stagioni
- Previsione dell’impatto delle promozioni, delle variazioni di prezzo e di altre decisioni commerciali aziendali
- Calcolo dell’impatto dell’affluenza dei consumatori, degli eventi locali, delle condizioni meteorologiche e di altri fattori esterni noti
In situazioni semplici, ad esempio in caso di variazioni ricorrenti della domanda, il machine learning offre una precisione di previsione equivalente o leggermente superiore rispetto ai metodi previsionali tradizionali. Tuttavia, quando si affrontano situazioni complesse, ad esempio promozioni sovrapposte o cannibalizzazione delle vendite, la previsione basata sull’apprendimento automatico supera nettamente gli approcci di previsione tradizionali.
2.2 Intelligenza Artificiale per Operazioni più Efficienti
Una previsione della domanda migliore non offre molti vantaggi di per sé, se non viene messa a frutto. L’ottimizzazione delle operazioni basata sulla previsione è un’area in cui l’intelligenza artificiale può dare risultati incredibili. Spesso, l’ottimizzazione dei turni di lavoro e della supply chain basata sulla previsione fornisce un ritorno dell’investimento addirittura superiore a quello del miglioramento della previsione della domanda in sé. Per un grande retailer, il risparmio annuale può ammontare a decine di milioni di euro.
2.2.1 L’AI nell’Ottimizzazione dei Turni di Lavoro
Il personale è una risorsa fondamentale nel retail, ma anche uno dei costi maggiori, pari al 10-20% circa del fatturato. Una pianificazione più accurata dei turni di lavoro consente di ridurre le ore in eccesso e quindi di risparmiare milioni di euro l’anno. Al tempo stesso, favorisce la soddisfazione e la produttività dei dipendenti, un carico di lavoro gestibile e quindi un elevato livello di servizio ai clienti.
La gestione automatizzata o ottimizzazione dei turni di lavoro è un problema multiforme troppo complesso da risolvere senza l’uso dell’intelligenza artificiale. Per raggiungere risultati ottimali, infatti, occorre considerare contemporaneamente molteplici fattori. Anzitutto, per stimare con precisione il carico di lavoro servono diverse previsioni:
- Per calcolare il personale necessario per il servizio ai clienti, ad esempio alle casse, è necessario prevedere l’affluenza dei consumatori
- Per quantificare il carico di lavoro di rifornimento del punto vendita, ad esempio per la messa a scaffale, occorre conoscere i volumi delle consegne in arrivo
- Per il lavoro di evasione, ad esempio il prelievo degli ordini, sono necessarie previsioni di ordini online e righe d’ordine
Questo carico di lavoro totale deve quindi essere ottimizzato in modo che le mansioni più urgenti, come il servizio ai clienti, vengano effettuate quando serve, e quelle meno urgenti vengano pianificate di conseguenza per consentire turni di lavoro equilibrati.
Infine, è necessario ottimizzare i turni ipotizzati nel rispetto delle restrizioni contrattuali (come il numero massimo e minimo di ore), e delle restrizioni normative come le pause obbligatorie e il tempo tra un turno e l’altro. L’ottimizzazione deve anche considerare che non tutti i dipendenti hanno necessariamente una formazione sufficiente per eseguire tutte le attività e suggerire le risorse più appropriate.
Applicando l’AI in modo pragmatico attraverso una combinazione di algoritmi, il problema dell’ottimizzazione dei turni può essere risolto in modo molto più accurato rispetto al passato —e in pochi secondi. L’intelligenza artificiale consente di soddisfare sia la necessità a breve termine di creare turni di lavoro efficaci ed equilibrati, sia la necessità a lungo termine di soddisfare i requisiti contrattuali e normativi.
L’impatto finanziario dell’ottimizzazione dei turni di lavoro nel business retail è enorme: i costi del personale possono calare anche 10%, che per un retailer col fatturato di 1 miliardo di euro l’anno si traduce in oltre 10 milioni di euro di risparmio. Allo stesso tempo, i dipendenti hanno carichi di lavoro più equilibrati e una migliore visibilità sui turni futuri. L’ottimizzazione consente inoltre ai responsabili dei negozi di dedicare molto meno tempo all’esecuzione di programmi manuali su computer e telefoni e a gestire in modo proattivo il proprio personale. (Per saperne di più leggi questo caso studio.)
2.2.2. AI nell’Ottimizzazione della Supply Chain
L’applicazione di approcci matematici nell’ottimizzazione della supply chain non è una novità, ma ci sono nuove opportunità anche in questo campo.
La pianificazione stocastica della supply chain, ad esempio, in ultima analisi consiste nella gestione intelligente dell’incertezza. Un esempio tangibile è sostituire le scorte di sicurezza statiche dei prodotti freschi con l’ottimizzazione degli ordini basata sulla probabilità, per considerare le fluttuazioni della domanda nel corso della settimana. Ciò consente ai rivenditori di prodotti freschi di ottimizzare il compromesso tra il rischio di sprechi e il rischio di perdita di vendite.
L’ottimizzazione del riordino degli alimenti freschi nel retail può dare risultati impressionanti. Abbiamo visto aziende ridurre lo spreco alimentare anche del 40% (leggi questo report per maggiori informazioni sul taglio dello spreco alimentare e il relativo impatto sulla sostenibilità. ) Poiché per il retailer alimentare medio il costo dello spreco equivale a oltre l’1,5% delle entrate, la sua riduzione comporta un aumento significativo della redditività.
Un altro utilizzo valido dell’intelligenza artificiale nell’ottimizzazione del retail è livellare il flusso delle merci, sia verso i centri di distribuzione che da questi ultimi ai negozi. Un flusso più livellato consente un utilizzo più efficiente della capacità nei centri di distribuzione, nei centri di micro-fulfillment e nei negozi. Ciò è particolarmente utile per i retailer che hanno investito nella robotica per la movimentazione automatizzata della merce, in quanto un utilizzo più elevato della capacità favorisce un ritorno più rapido dell’investimento fatto.
L’uso dell’intelligenza artificiale porta grandi benefici sia a monte che a valle della supply chain. L’ottimizzazione del riordino punto vendita per ottenere un flusso di merci più fluido è intrinsecamente complessa. Essa deve considerare l’intera gamma di prodotti trasportati da ogni negozio, nonché una serie di dati specifici per negozio e prodotto. Deve tenere conto della domanda locale e dello spazio disponibile a scaffale, di quali prodotti sono esposti nella stessa corsia in un punto vendita e delle date di scadenza. Applicando l’intelligenza artificiale – swarm intelligence, in questo caso – tutti i requisiti possono essere soddisfatti in modo da aumentare l’efficienza sia nei negozi che nella rete di distribuzione (leggi di più in questo caso studio).
Infine, è risaputo che, nel settore retail, gli imprevisti sono all’ordine del giorno e qualcosa è destinato ad andare storto. È molto dispendioso in termini di tempo gestire manualmente ogni ritardo di consegna, ogni problema di qualità e ogni fluttuazione della domanda inaspettata nella supply chain. I problemi ricorrenti di lieve entità andrebbero affrontati automaticamente, possibilmente prima che abbiano un impatto negativo notevole sulle operazioni.
La buona notizia è che questi tipi di eccezioni ben definite si prestano bene alla risoluzione autonoma dei problemi. Utilizzando priorità aziendali predefinite, regole e flussi di lavoro automatizzati, il software di pianificazione della supply chain può prendere decisioni intelligenti autonomamente, ad esempio allocando in modo ottimale le scorte ai negozi giusti in caso di scarsità o attivando automaticamente l’invio ottimizzato ai punti vendita della merce che si avvicina alla data di scadenza.
2.3 Intelligenza Artificiale per Decisioni Commerciali Migliori
Nel merchandising, gli algoritmi di intelligenza artificiale aiutano i retailer a comprendere appieno i modelli di acquisto dei consumatori, quindi utilizzano le informazioni ottenute per creare cluster di prodotti, clienti, punti vendita. Ad esempio, quando acquistiamo qualcosa online, il sito spesso suggerisce che potremmo “essere interessati anche a questi prodotti”. Questo tipo di suggerimenti provengono da un motore di consigli in genere basato su algoritmi di AI che analizzano i carrelli della spesa di altri consumatori.
Raggruppare i negozi in base ai modelli di acquisto locali è un’altra applicazione degli algoritmi di classificazione. Un clustering dei punti vendita efficace consente ai retailer di creare assortimenti su misura per la domanda locale senza introdurre inutili complessità nella gestione dell’assortimento.
Gli algoritmi di ottimizzazione consentono decisioni di merchandising più accurate. L’ottimizzazione dello spazio per punto vendita, ad esempio, in cui il posizionamento degli scaffali e la quantità di facing di ogni prodotto vengono ottimizzati in base alle specificità della domanda locale e al flusso di merci in entrata. Algoritmi basati sull’AI come l’annessione simulata consentono ai planner di risolvere problemi complessi di ottimizzazione degli spazi con tassi di precisione estremamente elevati. I planogrammi ottimizzati a livello locale danno benefici tangibili, poiché consentono di ridurre i costi di movimentazione delle merci e di aumentare la disponibilità a scaffale e le vendite.
Infine, l’ottimizzazione del markdown è un esempio di applicazione dell’intelligenza artificiale nel merchandising semplice ma potente, che utilizza modelli di elasticità dei prezzi per stimare l’effetto dell’applicazione degli sconti sulla domanda di un prodotto. I calcoli dell’elasticità dei prezzi non sono, ancora una volta, un concetto nuovo. Tuttavia, la capacità dei sistemi di pianificazione odierni di eseguire questi calcoli in tempo reale e per prodotto/negozio, combinata con una visibilità dei livelli di stock e una precisione della previsione senza precedenti, ha portato un concetto collaudato ad un altro livello.
L’ottimizzazione moderna e unificata del retail consente un processo di markdown altamente automatizzato che identifica autonomamente i prodotti e i negozi in grado di beneficialre dei markdown, quindi consiglia i prezzi ribassati ottimali in base alla strategia commerciale dell’azienda. Ciò consente di sbloccare nuove opportunità con poco intervento da parte dei pianificatori. L’ottimizzazione del markdown è particolarmente utile nei settori retail nei quali tradizionalmente non viene utilizzata, come quello alimentare.
I benefici sono chiari: i nostri clienti hanno visto una crescita del margine del 4,9%. L’ottimizzazione del markdown è utile anche per fare spazio nei punti vendita per i nuovi prodotti in caso di cambiamenti nell’assortimento o a fine stagione (leggi di più in questo caso studio).
3. L’Intelligenza Artificiale nell’Ottimizzazione del Retail Porta Risultati
L’intelligenza artificiale applicata all’ottimizzazione del retail può dare risultati sorprendenti: margini notevolmente migliorati, aumento delle vendite, riduzione dello spreco e utilizzo più efficace delle scorte e della capacità, con enormi vantaggi per il retailer, la clientela e anche per l’ambiente.
L’applicazione dell’AI alle vostre operazioni, tuttavia, deve essere progettata con attenzione e con un approccio pragmatico. Per garantire di sfruttare appieno tutti i vantaggi dell’intelligenza artificiale, il software di ottimizzazione deve soddisfare i seguenti requisiti:
- Gli algoritmi devono essere scelti in base ai dati disponibili e al tipo di problemi da risolvere. I metodi devono essere continuamente aggiornati con l’evoluzione dello stato dell’arte e in base alla disponibilità di nuovi dati.
- Gli algoritmi devono consentire una gestione efficace dei miliardi di previsioni e delle decine di milioni di flussi di merci caratteristici del retail. Se l’elaborazione dei dati richiede troppo tempo, il risultato può essere già obsoleto nel momento in cui è pronto.
- Tutti gli algoritmi di AI devono lavorare insieme senza soluzione di continuità e supportare la pianificazione trasversale dei processi. La sfida più grande per i retailer di oggi è eliminare le inefficienze dovute alla compartimentazione dei processi e passare a una pianificazione unificate e che incida positivamente sulla redditività complessiva.
- Il ragionamento alla base di decisioni e raccomandazioni automatizzate deve essere completamente trasparente, consentendo agli utenti di fidarsi, comprendere appieno calcoli e risultati, ed eventualmente di correggerli senza dover essere data scientist.
Tuttavia, mentre l’accesso a maggiori quantità di dati, algoritmi migliori, e la sempre maggiore potenza computazionale stanno rendendo il processo decisionale più granulare, accurato e automatizzato, la competenza dei planner è ancora enormemente preziosa. Situazioni senza precedenti come la recente pandemia globale, con pochi dati da cui creare modelli, possono sicuramente verificarsi di nuovo (trovi qui un approfondimento sulle lezioni del COVID-19). Man mano che i retailer si reinventano, si creeranno nuove situazioni caratterizzate da una scarsa disponibilità di dati.
L’esperienza umana è importante, ad esempio, quando i retailer pianificano nuovi formati di punti vendita o nuovi servizi. Allo stesso modo, molti problemi complessi vengono risolti al meglio dai planner in carne ed ossa, che discutono le opzioni disponibili con i category manager o i fornitori. Infine, l’esperienza umana è essenziale per tradurre la strategia aziendale di ogni azienda in obiettivi dettagliati, che controllano il modo in cui l’intelligenza artificiale ottimizza i risultati.
Al fine di sfruttare appieno l’esperienza dei planner, i retailer hanno bisogno dell’amplificazione dell’intelligenza: la capacità di trasformare i dati in informazioni e raccomandazioni utilizzabili. Questo rende anche il lavoro dei planner più significativo, consentendo loro di dedicare meno tempo alla preparazione dei dati di routine e più tempo a prendere decisioni. Questo è il motivo per cui gli strumenti avanzati di planning devono disporre di potenti analisi integrate. Ciò garantisce che non si perda tempo a passare da un sistema all’altro o in attesa di report quando è necessario prendere decisioni.
4. 1. Fai le Domande Giuste: Come Valutare le Opzioni di AI
Tra il clamore sul valore inestimabile dei dati e la propaganda dei fornitori di soluzioni tecnologiche che non esitano a definire AI qualsiasi calcolo che non sia in excel, è difficile distinguere il vero dal falso quando si tratta di intelligenza artificiale. Come essere sicuri di stare implementando l’intelligenza artificiale nel modo corretto per migliorare la salute della propria azienda retail?
L’unico modo è quello di porre ai fornitori di soluzioni tecnologiche le domande seguenti, che tutti pensano ma pochi hanno il coraggio di fare:
- Cosa intendi quando dici che questo è basato su intelligenza artificiale?
- Quali e quanti dati sono necessari per questo lavoro?
- Come vengono utilizzati i dati? In che modo la qualità dei dati influisce sui risultati?
- In che modo il nuovo metodo è migliore del vecchio per risolvere questo problema?
- Ha qualche esempio reale di come funziona nella pratica?
- Posso parlare con alcuni dei vostri clienti che già utilizzando questo approccio?
Ognuno di noi utilizza già l’intelligenza artificiale specializzata ogni giorno, quando usa il navigatore, sfoglia le raccomandazioni dei prodotti online, o lascia che il park-assist prenda il controllo dell’auto. L’intelligenza artificiale non è magia: è un’ingegneria intelligente.
Come con la maggior parte delle innovazioni tecnologiche, non è necessario essere in grado di programmare gli algoritmi di AI o di replicare i calcoli, ma occorre sapere quando funziona (e soprattutto quando non lo fa) e perché. Un approccio pragmatico all’intelligenza artificiale consiste nel risolvere problemi reali per offrire un reale valore all’azienda.
