Il Machine Learning Applicato alla Previsione della Domanda nel Retail
May 29, 2019 • 6 min
Nell’industria IT il machine learning è sulla bocca di tutti da qualche anno ormai, con le aziende che sembrano trovarne nuovi ambiti di applicazione per rivoluzionare il proprio business ogni settimana. Non c’è da stupirsi, quindi, che anche i retailer più all’avanguardia vogliano sfruttare le potenzialità dell’apprendimento automatico per trasformare il proprio processo di pianificazione. Ma cos’è esattamente il machine learning e come viene utilizzato nella pianificazione nel retail? Iniziamo con un esempio.
Immaginate un rivenditore che offre prodotti freschi negli aeroporti. La domanda varia non solo da un giorno all’altro, ma anche nel corso della giornata a seconda dell’affluenza dei passeggeri in aeroporto. Inserire manualmente questi dati sarebbe estremamente dispendioso in termini di tempo, e le previsioni così ricavate sarebbero quasi sicuramente soggette ad errori.
Un algoritmo di apprendimento automatico, invece, è in grado di analizzare automaticamente i dati dell’affluenza in un dato aeroporto, individuare gli schemi ricorrenti rilevanti e applicarli alla previsione della domanda senza alcun lavoro di programmazione. È così che RELEX ha aiutato WHSmith, uno dei maggiori retailer britannici, ad aumentare significativamente l’accuratezza della previsione. Si tratta di una soluzione semplice, ma al tempo stesso potente.
Al momento il machine learning è molto di monda, ma è importante sottolineare che non è la soluzione a tutti i problemi. Alla fin fine, si tratta solo di matematica, e spesso anche piuttosto semplice. È quindi molto importante comprendere bene quali sfide si vuole affrontare, perché obiettivi diversi richiedono metodi diversi. I retailer più accorti converranno che un unico strumento non è sufficiente, nemmeno se si tratta di una soluzione potente come il machine learning.
Il Machine Learning si Basa sui Dati
L’apprendimento automatico conferisce a un sistema la capacità di imparare automaticamente dai dati, senza bisogno di alcuna programmazione. Il sistema riceve dei dati, come esempi, esperienze dirette o istruzioni, nei quali cercare dei modelli ripetitivi e utilizza gli schemi rilevati per prendere decisioni migliori. In breve, l’algoritmo di apprendimento automatico non necessita di alcuna programmazione umana in quanto genera automaticamente un programma/modello sulla base dei dati che riceve (Expert System).
Il vantaggio principale di questo strumento consiste nella possibilità di elaborare grandi quantità di dati provenienti da diverse fonti senza alcun intervento umano. Il risultato ottenuto, tuttavia, dipende dalla qualità e dalla quantità dei dati forniti.
Esempi Pratici dell’Apprendimento Automatico nel Retail
Nell’esempio precedente, il machine learning è stato utilizzato per identificare la relazione esistente tra un fattore esterno (l’affluenza dei passeggeri negli aeroporti) e la domanda locale per punto vendita per prodotto. Ma la stessa tecnica può essere utilizzata per tenere conto di molti altri fattori esterni.
Condizioni Atmosferiche
Le condizioni meteorologiche sono un altro elemento che influisce notevolmente sul comportamento dei consumatori. Creare delle regole o dei modelli sulla base delle relazioni esistenti tra la domanda di un prodotto e diverse variabili meteorologiche, come pioggia, ore di sole, temperatura, etc., a prima vista può sembrare piuttosto semplice. Tuttavia, quando si guarda all’intero assortimento, la faccenda si fa più complicata. Per elaborare una tale quantità di dati, considerando sia il passato che il futuro, c’è bisogno di un sistema automatico. Una previsione di base accurata e robusta dovrebbe inoltre escludere dai dati storici eventuali effetti delle condizioni atmosferiche sulle vendite.
Quando questi processi sono automatizzati, le aziende possono affrontare proattivamente eventuali fluttuazioni della domanda locale, a patto di avere sufficiente disponibilità di prodotto. Nella rivendita di alimentari, la capacità di tenere conto degli effetti meteorologici riduce gli errori della previsione della domanda fra il 5% e il 15% a livello di prodotto per gli articoli che risentono di tali effetti e fino al 40% a livello di punto vendita e gruppo merceologico. Nel corso di un’estate insolitamente fredda e piovosa, grazie alle correzioni di RELEX basate sulle previsioni del tempo, una catena di supermercati britannica ha ottenuto un’accuratezza previsionale superiore al 90% per i prodotti sensibili alle condizioni atmosferiche.
Cannibalizzazione
A differenza delle condizioni meteorologiche, che possono avere un effetto variabile sulla domanda, la promozione di un prodotto ha sempre un impatto positivo diretto sulle vendite del prodotto stesso. Tuttavia, fin troppo spesso le aziende dimenticano di considerare le conseguenze che la promozione di un prodotto può avere sulle vendite di altri prodotti non in promozione. Quando l’aumento della domanda di un prodotto provoca il calo della domanda di un altro, si parla di cannibalizzazione. Prendiamo il caso di due tipi di carne macinata: se uno è in promozione, il maggior successo riscosso dal primo macinato si traduce in un calo delle vendite del secondo. Considerare questo tipo di relazioni migliora notevolmente l’accuratezza della previsione durante le campagne promozionali e riduce il rischio di deperimento dei prodotti soggetti a cannibalizzazione.
A prima vista potrebbe sembrare facile intuire l’effetto delle promozioni sul comportamento dei consumatori, ma cosa succede se analizziamo l’intero assortimento? Come si fa a riconoscere le relazioni significative tra tutte quelle disponibili, che sono probabilmente qualche milione? La soluzione più semplice è utilizzare tecniche di machine learning che riconoscano automaticamente queste relazioni sulla base delle vendite storiche e dei dati delle promozioni.
Combinare Strumenti Diversi per un Risultato Migliore
Nel retail, la previsione della domanda è un ambito di applicazione ovvio per l’apprendimento automatico. Dal momento che la stessa previsione deve servire per la pianificazione a breve, medio e lungo termine, utilizziamo un approccio a più livelli:
- La previsione basata sul serie temporali per una stima affidabile di base che supporta la pianificazione a lungo termine
- Una combinazione di modellizzazione casuale e machine learning per rilevare l’impatto nel medio termine ad esempio di promozioni e cannibalizzazione
- L’apprendimento automatico per stimare l’effetto di fattori esterni che generalmente sono noti con scarso anticipo, come il tempo atmosferico
Ogni metodo previsionale è caratterizzato da punti di forza e di debolezza diversi, come la stabilità, la reattività, la quantità di dati necessari, l’orizzonte temporale della pianificazione e l’efficienza computazionale. Raccomandiamo quindi di utilizzare una combinazione di più metodi per ottenere i risultati migliori.
Come Sviluppare le Funzionalità dell’Apprendimento Automatico
Per cogliere appieno i benefici delle tecniche di apprendimento automatico servono quantità ingenti di dati e una potenza di calcolo eccezionale. A RELEX siamo in grado di sviluppare eccellenti funzionalità di machine learning grazie alla collaborazione con i nostri clienti. Questi ultimi ci mettono a disposizione grandi quantità di dati e noi forniamo loro l’eccezionale potenza di calcolo della nostra tecnologia basata su in-memory computing e la capacità di integrazione dei dati. RELEX dispone della velocità e delle prestazioni necessarie per eseguire calcoli di apprendimento automatico anche con la quantità di dati che caratterizza il settore retail.
In RELEX sperimentiamo continuamente nuovi metodi e abbiamo un team dedicato allo sviluppo del machine learning. Al momento, il nostro team di ricerca e sviluppo sta studiando come l’utilizzo di reti neurali con più sistemi di dati può giovare ai nostri clienti, lo sviluppo di modelli di regressione bayesiana per la vendita multi-livello e di algoritmi di classificazione per migliorare ulteriormente la previsione di nuovi prodotti.
Il machine learning è chiaramente molto più di una moda del momento. Ma invece di focalizzare l’attenzione su un solo metodo che sembra in continua evoluzione, è importante considerare qual è la sfida da affrontare e quali strumenti sono più utili di volta in volta. Crediamo che quando l’entusiasmo iniziale si sarà esaurito, l’apprendimento automatico sarà semplicemente uno strumento come un altro, da applicare in combinazione con metodi complementari per fornire le migliori soluzioni possibili ai problemi più complessi nella pianificazione del retail.
Autore
