Per comprendere il problema dell’adozione dell’intelligenza artificiale nel retail, è necessario fare prima un po’ di storia. Una storia basata sul processo di ottimizzazione dei prezzi.
Il Markdown
Nei primi anni 2000 una nuova tecnologia si è affacciata nel mercato retail: i software per l’ottimizzazione dei prezzi. Il primo caso d’uso si è incentrato sull’ottimizzazione del markdown, con il fine di vendere le rimanenze il più rapidamente possibile e con il massimo margine possibile. I rivenditori spesso trovano grandi difficoltà a gestire e vendere i troppi articoli rimasti invenduti e l’ottimizzazione del markdown è stata la loro salvezza – aiutandoli a vendere gli articoli in eccesso senza perdere troppo margine.
L’ottimizzazione del markdown ha prodotto risultati contro-intuitivi e inizialmente è stata respinta, ma a poco a poco i retailer hanno compreso il suo valore e sempre più rivenditori di prodotti dal ciclo di vita breve si sono trovati nella posizione di desiderare questa tecnologia per mettersi al riparo da decisioni d’acquisto errate.
I retailer abitualmente attendono il più a lungo possibile prima di abbassare il prezzo di un prodotto e quando si decidono a farlo lo fanno in maniera netta con una breve ondata di tagli. Quello che l’ottimizzazione del markdown ha fatto (e lo fa ancora oggi) è raccomandare tagli meno netti, ma prima di quando farebbe il rivenditore.
Se un prodotto ha un ciclo di vita di 12 settimane, invece di aspettare fino all’ottava settimana per ridurre i prezzi del 40%, del 50%, 60% e infine del 75%, inizierai a tagliare i prezzi ad esempio del 25% durante la sesta settimana e a seguire una serie di tagli meno netti fino a quando tutte le rimanenze non verranno vendute. Se, entro la sesta settimana, l’inventario non si muove, non ha senso mantenerlo ad un prezzo normale – il margine totale su zero vendite è zero euro. Al contrario effettuare un taglio, seppur ridotto, mette il prodotto in movimento e ne favorisce la vendita, evitando una maggiore quantità di vendite con il 40% di sconto.
La cadenza degli sconti
La seconda novità che l’ottimizzazione del markdown ha prodotto è stato frammentare la cadenza degli sconti. Invece di scontare tutti i prodotti nello stesso momento in tutti i negozi, i rivenditori oggi possono applicare scontistiche in tempi diversi in negozi diversi.
Ad esempio, potrebbe non avere senso scontare i bikini a fine agosto a Palermo, ma potrebbe averne a Milano. Inoltre, l’ottimizzazione del markdown potrebbe consigliare di scontare colori specifici di uno stesso prodotto: scontare il bianco ed il giallo subito, ma continuare a vendere il rosso ed il blu a prezzo pieno, ad esempio.
I dettaglianti inizialmente hanno resistito a questa idea, sulla base del fatto che i consumatori, secondo loro, non avrebbero tollerato di pagare il prezzo intero per il rosso quando il bianco fosse stato prezzato la metà. Successivamente si è però scoperto che ciò non rappresentava un problema: è una spiegazione abbastanza semplice dire “il bianco ed il giallo non stanno vendendo, per questo sono scontati, a differenza del rosso”.
Il prezzo base
L’ottimizzazione del markdown non è però l’intera storia dell’ottimizzazione dei prezzi. Il Markdown esiste per sbarazzarsi di cattivi acquisti pagandone il prezzo minore. Ma, in primo luogo, è necessario solo se fai brutti acquisti. O, per lo meno, è a disposizione per quando il sell-through non corrisponde al piano.
Una volta che la maggior parte dei rivenditori si sono dotati di strumenti per l’ottimizzazione del markdown, i fornitori hanno cominciato a trattare altri strumenti analoghi. Due in particolare: l’ottimizzazione delle promozioni e l’ottimizzazione dei prezzi iniziali.
L’ottimizzazione del prezzo iniziale è esattamente ciò che sembra: quale dovrebbe essere il prezzo iniziale di un prodotto (quando si parla di prodotti con un ciclo di vita breve) o quale dovrebbe essere il prezzo “normale” di un prodotto, per gli articoli che hanno un ciclo di vita più lungo, con acquisti ripetuti?
Prediamo il caso del ghiaccio in sacchetti, un articolo che viene spesso acquistato per le feste. Nessuno guarda al prezzo del ghiaccio. Un esperimento ha dimostrato la validità degli strumenti per l’ottimizzazione dei prezzi proprio proponendo una modifica al prezzo iniziale del ghiaccio . Si è provato a raddoppiarne il prezzo.
Il ghiaccio è un prodotto di convenienza, il che significa che si compra nel luogo in cui si acquista la spesa in modo da non dover fare un viaggio aggiuntivo solo per prendere il ghiaccio. Inoltre è acquistato abbastanza di rado, il che implica che in genere le persone non hanno un prezzo di riferimento su quanto debba costare il ghiaccio.
Molti store manager erano scettici all’idea di raddoppiare da un giorno a quello successivo il prezzo di un articolo ed erano convinti che le vendite di ghiaccio sarebbero calate drasticamente.
Il risultato fu invece che la domanda di ghiaccio rimase invariata, l’unica cosa che cambiò (in meglio) fu il margine.
Convincere i retailer che l’intelligenza artificiale li può aiutare è la nuova sfida di oggi – la maggior parte delle soluzioni di intelligenza artificiale svolgono un lavoro complicato da spiegare, ma a volte si deve mostrare loro che c’è qualcosa di nuovo da imparare e che il modo tradizionale di lavorare può cambiare.
Conclusione
La differenza fra l’ottimizzazione dei prezzi e l’intelligenza artificiale è che l’ottimizzazione dei prezzi prometteva di semplificare i lavori esistenti e, di fatto, ha creato interi reparti di determinazione dei prezzi all’interno dei reparti di merchandising. Con l’avvento dell’intelligenza artificiale, la promessa è in realtà una minaccia – non ci sono nuovi lavori di merchandising (forse alcuni in IT), ma al contrario si potrebbero perdere i posti di lavoro esistenti a causa dell’automatizzazione dei processi.
Il fattore che rende oggi difficile l’adozione di soluzioni di intelligenza artificiale è il fatto che le sue raccomandazioni e predizioni non vengono spiegate, non c’è un perché. Inoltre oggi non abbiamo sufficienti controlli sulle capacità di apprendimento dell’IA. Nessuno ci garantisce che essa non vada al di fuori dei binari che ci aspettiamo.
Nell’ottimizzazione dei prezzi, i software sui consigli circa i prezzi base hanno impiegato molto tempo prima di essere adottati e ancora non sono molte le aziende che hanno adottato queste soluzioni. L’IA deve imparare la lezione sull’ottimizzazione dei prezzi e affrontarle. Il retail è uno dei primi ad adottare l’intelligenza artificiale, ma questo da solo non ne garantisce il successo.
Articolo tratto da: https://www.forbes.com/sites/nikkibaird/2019/02/24/the-retail-ai-adoption-problem/#7fe5bd7c2eb0
