Come pianificare le vendite e la logistica con il Machine learning, ai tempi del Coronavirus

Tabella dei Contenuti

Le previsioni basate sul machine learning possono stimare quanto impattano sulle vendite alcuni fattori esterni, come ad esempio le previsioni del meteo, le festività, le promozioni. In questo periodo i modelli predittivi possono essere usati per studiare le conseguenze delle norme di contenimento per il Coronavirus sul comparto degli acquisti online.

I modelli di previsione della domanda sono aggiornati con la nuove mole di dati che registrano il cambiamento delle abitudini di consumo e acquisto online causato dalle norme per la prevenzione della diffusione del Covid-19. Abbiamo già scherzato sulla carta igienica e sulle penne lisce, abbiamo riso dei video sullo smart working e ci siamo domandati dove comprare un quaderno nuovo per nostra figlia.
Chi fa business e deve superare una fase difficile, deve tenere tutto in conto e tradurlo in piani per futuro.

Stackline ha da poco pubblicato la classifica delle 100 categorie merceologiche in aumento e in diminuzione nell’ecommerce, rispetto all’anno precedente e mette in evidenza l’aumento delle vendite di

  • Macchine del pane + 652%
  • Attrezzi per l’allenamento + 307%
  • Monitor + 173%
  • Cibo per cani +159%
  • Hobby +117%
  • Colori per i capelli +115%
  • Ping pong +89%
  • Uffici da tavolo +89%

Tra i prodotti che si vendono di meno spiccano nella classifica, tra gli altri:

  • Le macchine fotografiche – 64%
  • I vestiti per il matrimonio -63%
  • Le forniture per eventi e compleanni -55%
  • Gli occhiali da sole -43%

#IoRestoACasa ha generato un brusco cambiamento del panorama degli ecommerce. Sono aumentati in generale gli acquisti online di alcuni prodotti essenziali, ma anche di quelli legati alla nuova organizzazione del lavoro (monitor, tastiere e mause) e del tempo libero (attrezzi per allenarsi a casa, hobby) o della cura della persone. Il divieto ha causato non solo un drastico calo delle prenotazioni dei viaggi ma anche meno vendite di valigie e macchine fotografiche.

Diminuire gli sprechi grazie a un robusto modello di previsione della domanda basato sull’apprendimento automatico

In questo nuovo scenario è necessario avere un modello robusto di machine learning per la previsione della domanda che consenta di ottimizzare il sistema di riassortimento e avere un controllo puntuale lungo tutta la filiera, dal retail alla logistica.

Nella gestione del punto vendita, ad esempio, perché non ci sia uno spreco o, peggio, un danno di immagine, la pubblicazione degli annunci pubblicitari dei prodotti a maggiore rotazione, può avvenire solo quando si ha certezza della disponibilità del prodotto e della logistica. È importante prevedere in maniera puntuale quali sono gli slot disponibili, per non mancare una consegna a domicilio.

Se risaliamo la filiera fino ai distributori, scopriamo che grazie al machine learning possono conoscere in anticipo le scorte e i flussi di merci per avere a disposizione i prodotti più richiesti al momento giusto e, cosa ancora più importante, in quantità sufficienti e sui canali adatti.

Proseguendo l’analisi del dietro le quinte, in questo periodo diventa cruciale l’organizzazione dello stock. La gestione del magazzino è nevralgica per il successo della consegna dei prodotti nei tempi prestabiliti e allo stesso tempo può essere soggetto a una serie di fattori esterni che possono compromettere la puntualità della consegna.

La gestione dei picchi di carico va programmata garantendo il distanziamento sociale, per ridurre i contatti tra le le risorse interne e assicurare la migliore condizione possibile di salute per i lavoratori. All’atto pratico il machine learning può aiutare a capire come ottimizzare il lavoro di un operatore che deve impilare i colli sui pallet. Il modello di apprendimento automatico può risolve il problema di ottimizzare il carico e ridurre il numero di pallet da spedire. Partendo dall’analisi delle dimensioni delle scatole da caricare può dare indicazioni precise cu come posizionare i colli sul pallet.

Creare un algoritmo intelligente e alimentalo con una grossa quantità di dati

Oggi le aziende hanno a disposizione una serie di dati che, trattati nel pieno rispetto della privacy, danno la possibilità di comprendere il cambiamento in atto e adeguare le strategie di business.
Perché ciò sia possibile è ovviamente necessario che le aziende siano in grado di

  • verificare la qualità dei dati disponibili
  • avere una quantità di dati sufficiente a garantire l’addestramento e il test del modello di apprendimento automatico;
  • assicurarsi di avere un accesso continuo alle informazioni, anche in futuro;
  • garantire la sicurezza dei dati senza far lievitare i costi di archiviazione.

I dati vanno rielaborati perché sia possibile lavorare sullo storico, ad esempio per inquadrare le informazioni diventate obsolete. Ad esempio, se una referenza non è più sul mercato, bisognerà basarsi sul comportamento della sua famiglia anziché cercare di utilizzare la referenza in quanto tale.

Verifica il modo in cui stai archiviando i tuoi dati oggi, per affrontare meglio le sfide di domani

Più fonti raccontano che il machine learning sarà un chiaro fattore di vantaggio competitivo. Per essere sicure di poter ottenre il massimo dalle funzioni predittive dei modelli di apprendimento automatico, le supply chain delle aziende devono verificare che il processo di archiviazione dei loro dati alimenti i database in maniera corretta e riutilizzabile in futuro.

Stefano Stravato, CEO
Dal 2004 la sua passione è progettare e realizzare piattaforme che coinvolgano persone e brand, creando valore per entrambi. Dal 2019 è alla guida di Krystal Ball, un team interdisciplinare che aiuta le aziende ad integrare soluzioni di machine learning e data science nei propri processi o prodotti. Nel 2014 ha co-fondato Fifth Beat, per progettare prodotti, servizi e organizzazioni, con le persone e per le persone. Dal quando è papà è un po’ più appassionato alle sorti del genere umano.

Smart data e machine learning a sostegno delle imprese durante la crisi Covid-19

Continua a leggere

altri approfondimenti

gradient_color_kristal-ball_logo_v1 1

Una checklist pratica per capire se il tuo business è pronto a cogliere le opportunità offerte da data science e machine learning.

gradient_color_kristal-ball_logo_v1-1.png

Smart data e machine learning a sostegno delle imprese durante la crisi Covid-19