Per la buona salute di un’azienda, nel maturo e competitivo settore del commercio al dettaglio, sono fondamentali sia la visione che l’esecuzione. La visione (o strategia nella terminologia militare) consiste nel conoscere i propri punti di forza e di debolezza, scegliere un tipo di clientela e i bisogni da soddisfare meglio e prima della concorrenza. L’esecuzione (o tattica) indica invece la capacità di definire assortimento e qualità dei prodotti/servizi, i livelli di stock e i prezzi, nonché le caratteristiche dei collaboratori, il tutto in modo coerente con la strategia ed efficace in termini di redditività.
Parlando di commercio di precisione e della sua evoluzione per mezzo delle tecniche di Intelligenza Artificiale (IA), affronteremo solo il secondo livello, quello dell’esecuzione, dove si vincono e si perdono le battaglie quotidiane nel soddisfare la clientela, battere la concorrenza e specialmente nel produrre utili per rimanere sul mercato.
Più precisamente, per commercio di precisione intendiamo quello in cui il gestore si avvale di KPI (Key Performance Indicator) per prendere decisioni quotidiane, mentre per commercio intelligente si vuole prefigurare quello in cui sono degli algoritmi di Intelligenza Artificiale a proporre delle precise azioni. Chi conosce il settore, in particolare nella base della piramide composta da piccole e medie aziende, sa quanto poco praticabile sia la prima strada. Prendere decisioni ottimali in base all’interpretazione dei dati, ammesso di averli e anche disponendo di una moderna Business Intelligence, richiede tempo e cultura.
Le proposte automatiche di rifornimento sono un primo settore che può dare impulso al miglioramento automatico dei KPI attraverso una nuova generazione di algoritmi di previsione delle vendite, volti a fornire un buon livello di servizio con il minor investimento in merce, riducendo anche i rischi di obsolescenza.
La previsione dei giorni di disponibilità della merce, prima di una prevedibile rottura di stock, e dei tempi di consegna dei rispettivi fornitori consente rifornimenti tempestivi e precisi ottimizzando automaticamente la redditività del capitale investito in merce, un KPI denominato GMROII da Gross Margin Return on Inventory Investments.
Un algoritmo evoluto impara da solo dal passato ed è in grado di tener conto anche di eventi futuri, quali condizioni metereologiche, ricorrenze, promozioni proprie o della concorrenza, ma potrebbe persino tener conto, appena resi noti, di imprevisti nella catena di fornitura (supply chain) oppure consigliare dei trasferimenti tra negozi o variazioni di prezzo.
Per gestire in modo ottimale i prezzi è necessario conoscere l’elasticità della domanda di ogni singolo prodotto, cioè il fattore di variazione della quantità venduta a fronte di una variazione del prezzo di vendita. Un algoritmo intelligente è in grado di stimare l’elasticità, approfittando delle variazioni di prezzo proposte da un diverso algoritmo di gestione del magazzino, in diminuzione per smaltire delle scorte che si stanno rivelando eccessive rispetto a prodotti simili o, al contrario, in aumento per ritardare una prevista e inevitabile rottura di stock. La gestione dinamica dei prezzi, ampiamente utilizzata dai leader dell’eCommerce, è poco praticata nel commercio tradizionale, anche perché i sistemi informativi sono mediamente poco sviluppati in questo settore.
Un altro importante dato, utile ad ottimizzare non solo il livello di stock ma anche l’assortimento, è la fungibilità o sostituibilità tra prodotti, cioè quanto le vendite si spostano sui prodotti B, C … e quanto i clienti rinunciano all’acquisto, quando manca il prodotto A. In questo caso un algoritmo intelligente può ricavare dei vantaggi anche da un fatto negativo come le inevitabili rotture di stock, andando a stimare in che modo sono cambiate le vendite rispetto alle previsioni in condizioni normali.
Le liste di raccomandazione, ampiamente utilizzate dai leader dell’eCommerce come Amazon, indicano la probabilità, per chi ha acquistato il prodotto A, che comperi anche i prodotti B, C … Si tratta chiaramente di uno strumento molto potente per la vendita assistita e per attivare promozioni su misura e quindi presumibilmente percepite come servizio gradito, piuttosto che come disturbo.
Per elaborare queste liste, uno dei problemi nei negozi tradizionali, ma anche nelle catene, è che l’Intelligenza Artificiale ha bisogno di molti dati per la fase di apprendimento e questi debbono provenire da clienti che abbiano dato il consenso alla profilazione (un sottoinsieme del totale). Anche una media catena dispone di una frazione dei dati rispetto a quelli a disposizione dei leader dell’eCommerce.
Fortunatamente un’ulteriore dose di intelligenza può aiutare a colmare questa scarsità, prendendo le vendite aggregate e quindi anonime come indicatore (proxy) del gradimento di ogni prodotto nel negozio o nella catena. Se disponibili, possono essere usati anche dei dati di mercato. Pur trattandosi di dati indiretti, hanno il vantaggio di una limitata varianza, sinonimo di buona precisione per merito dei grandi numeri, utili per integrare i relativamente piccoli numeri e alta varianza dei dati ricavati dalla profilazione.
Abbiamo intravisto un percorso in cui l’IA propone azioni immediatamente utili (ad esempio una variazione di prezzo) ma ogni azione produce anche nuovi dati che, elaborati da altri algoritmi intelligenti (ad esempio per calcolare l’elasticità della domanda), indicano direzioni ancora migliori, in un percorso di cui è difficile prevedere l’evoluzione nel medio termine, ma che sicuramente sarà esplosiva. Nel passato un salto quantitativo (più della stessa cosa) a volte ne ha prodotto uno qualitativo (nuovi modi di fare e/o modelli mentali), ma in questo caso siamo di fronte a qualcosa di simile ad una reazione a catena.
L’Intelligenza Artificiale è una tecnologia “trasversale” in grado cioè di migliorare praticamente qualunque attività umana, come è successo per le grandi invenzioni del passato quali l’elettricità, ma in un modo ancora più profondo, perché per la prima volta una macchina è capace di ricavare modelli utili per prevedere e decidere con maggiore precisione e velocità di un esperto.
Attualmente questa superiorità è limitata a settori specifici, come riconoscere immagini e in genere schemi (pattern) di dati o stimare l’evoluzione di una serie storica, ma è talmente economica da poter essere usata per gestire al meglio ogni singolo prodotto in assortimento. Il risultato, anche se singolarmente non eclatante, lo sarà certamente a livello aggregato, consentendo anche a piccole aziende di essere gestite in modo ottimale e di crescere, a patto che le scelte strategiche, ancora in mano agli umani, siano state quelle giuste.
© Copyright 2023 aKite srl – Privacy policy | Cookie policy