Budowanie biznesu w oparciu o dane nie jest już trendem, a koniecznością. Reguła data is new money sprawdza się także w retailu. Zaawansowana analiza danych z wykorzystaniem AI pozwala bowiem automatyzować i optymalizować procesy w łańcuchu dostaw. Efekt? Wzrost sprzedaży i ograniczenie kosztów. Widać to w branży fashion, obarczonej wieloma wyzwaniami w zakresie prognozowania popytu i planowania zamówień.
Według danych Statisa*, w 2023 roku przychody na rynku modowym w Polsce wyniosą 15,6 miliardów dolarów. Szacuje się, że rynek będzie rósł w tempie 6,05 proc. rocznie (CAGR 2023-2027), a ważną rolę w tym wzroście odegra segment eCommerce. Metryki te potwierdzają duży potencjał branży, której rozwój napędzają digitalizacja i nowe technologie. Jednak tym, co budzi niepewność są echa pandemii i zerwanych łańcuchów dostaw, a także codzienne wyzwania w zakresie przewidywania popytu, planowania produkcji i zatowarowania sklepów.
Czy da się prognozować sprzedaż i popyt w branży fashion?
Trudności w prognozowaniu przyszłych zdarzeń biznesowych wynikają wprost ze specyfiki branży fast fashion. Szybkie zmiany trendów, krótki cykl życia produktów sezonowych i długie lead time’y, nierzadko spędzają sen z powiek demand plannerów. Jednocześnie silna presja konkurentów i wysokie oczekiwania klientów motywują do poszukiwania rozwiązań, które usprawnią zasadniczą część procesu planowania zamówień, pozwolą ograniczyć lub nawet wyeliminować błędy prognoz popytu oraz błędne decyzje podejmowane w oparciu o intuicję, a nie fakty.
Tu z pomocą przychodzą sztuczna inteligencja i uczenie maszynowe. Potencjał zaawansowanej analizy danych można wykorzystać m.in. do optymalizacji zarządzania łańcuchem dostaw i replenishmentem, prognozowania sprzedaży i popytu oraz generowania planów produkcji i zamówień do dostawców.
– Droga do osiągnięcia celów biznesowych poprzez AI nie zawsze jest oczywista. W branży fashion za sprawą danych historycznych jesteśmy w stanie uwzględniać powtarzalne trendy, wzory czy kroje, które cieszyły się większą popularnością w konkretnym sklepie, bądź kanale sprzedaży. Kluczowe jest jednak sumienne gromadzenie danych, bo to w nich zawarte są odpowiedzi na wiele pytań – zauważa Michał Koziara, CEO 3Soft S.A. i współtwórca platformy Occubee.
Brak danych historycznych wyzwaniem dla prognozowania
Co jeśli nie dysponujemy danymi historycznymi? Ta sytuacja dotyczy wielu retailerów modowych i jest pokłosiem częstego wprowadzania nowych produktów i kolekcji do sprzedaży. W tym przypadku rozwiązaniem mogą być prognozy generowane na podstawie danych historycznych dla produktów podobnych. Dla przykładu: AI może oszacować, jak dużą popularnością będzie cieszył się produkt o konkretnym kroju, na podstawie historycznej sprzedaży produktów o tym samym kroju.
Drugim aspektem jest zbieranie danych od razu po wprowadzeniu produktu na rynek, co pozwala algorytmom sztucznej inteligencji niemal natychmiast rozpocząć pracę. Gromadzenie na bieżąco danych sprzedażowych umożliwia modelom deep learningowym szybką naukę i wpływa na jakość prognoz, już od pojawienia się produktu na półkach sklepowych.
Przesunięcia międzysklepowe i problemy z dostępnością w sklepie
Wyzwaniem dla branży modowej są także braki na stockach i przesunięcia międzysklepowe.
– W branży fashion dąży się do sytuacji, podczas której w sklepach, w których odnotowuje się duży popyt, jest zagwarantowana wysoka dostępność produktów, na które to zapotrzebowanie występuje. Za sprawą prognoz jesteśmy w stanie osiągnąć taki stan rzeczy. Retailer zyskuje wtedy możliwość sprzedania klientowi towaru, którego szuka – bez odsyłania go do innych sklepów czy zapraszania ponownie po ściągnięciu produktu z magazynu do sklepu. W ten sposób niwelowane jest ryzyko utraconej sprzedaży – mówi Michał Koziara.
Sprzedaż online i offline – jak zarządzać towarem w magazynie?
Obecnie w strategiach biznesowych retailerów wiodącym postulatem jest rozwój kanału online. Działanie w środowisku omnichannel sprawia jednak, że retailerzy stają przed dylematem: ile produktów przeznaczyć na kanał online, a ile na offline? W tradycyjnym podejściu podział ten jest realizowany w oparciu o zdefiniowane „na sztywno” proporcje. Wtedy jednak nierzadko dochodzi do sytuacji, w której w jednym kanale występuje overstock, a w drugim out-of-stock dla tego samego produktu.
Dzięki zaawansowanej analizie danych możliwe jest lepsze przewidywanie zapotrzebowania dla danego kanału, a także dynamiczne alokowanie towarów w ramach różnych kanałów. Dla przykładu: po zaobserwowaniu znaczącego wzrostu sprzedaży w kanale online, na bieżąco uczące się modele machine learning spowodują przesunięcie do niego towaru zarezerwowanego początkowo na kanał offline.
Dane źródłem przewagi konkurencyjnej
Za sprawą analizy danych z udziałem sztucznej inteligencji w branży fashion możliwe jest prognozowanie sprzedaży na poziomie sklepu, produktu, a także wyłapanie zmienności w czasie. Ponadto, zestawiając prognozę sprzedaży i stock sklepowy, można przewidzieć, kiedy ilość towaru w sklepie spadnie do poziomu skutkującego brakiem produktu, zanim taki spadek nastąpi. Zyskujemy czas, a więc możliwość uzupełnienia produktów w sklepach, a w konsekwencji uniknięcia wystąpienia out-of-stocków, co przyczynia się finalnie do zwiększenia sprzedaży.
– Choć prognozowanie zapotrzebowania w branży fashion nie należy do najłatwiejszych, to ma biznesowe uzasadnienie. Wysoka konkurencyjność i rosnące wymagania klientów sprawiają, że firmy muszą rozwijać się w duchu data-driven już dziś, aby utrzymać swoją pozycję rynkową w przyszłości. Warto podkreślić, że nie dotyczy to wyłącznie największych graczy. Dzięki rozwiązaniom SaaS, takim jak Occubee, z siły sztucznej inteligencji mogą korzystać również średni i rozwijający się retailerzy – podsumowuje Michał Koziara.
Chcesz dowiedzieć się więcej o tym, jak zaawansowana analiza danych pozwala optymalizować procesy biznesowe w branży modowej? Pobierz e-book „Czy da się prognozować sprzedaż w branży fashion? 5 wyzwań i jak sobie z nimi radzi sztuczna inteligencja”.
*Źródło: https://www.statista.com/outlook/cmo/apparel/poland