Previsioni della Domanda più Accurate Considerando Cannibalizzazione ed Effetto Alone
La promozione di un prodotto, ad esempio attraverso sconti, pubblicità ed espositori dedicati, ha spesso un impatto considerevole sulle vendite del prodotto stesso. Con una pianificazione adeguata della supply chain, basata sulla previsione delle promozioni, è possibile soddisfare l’aumento della domanda del prodotto in promozione senza causare sprechi né stock in eccesso.
In ogni caso, la promozione di un prodotto può anche avere effetti secondari significativi sulle vendite di altri prodotti non in promozione – un dato che viene spesso dimenticato o sottovalutato. Infatti, se due prodotti sono più o meno analoghi, ed uno dei due è scontato a causa di una promozione in atto, è facile che il prodotto in promozione finisca nel carrello al posto di quello a prezzo pieno. Di conseguenza, la promozione di un prodotto “cannibalizza” le vendite di prodotti similari.
Di per contro, alcuni prodotti vengono spesso acquistati insieme, e quindi la promozione del primo prodotto può causare un aumento delle vendite del secondo. Questo secondo fenomeno è chiamato effetto alone. Ignorare questi effetti secondari porta a una pianificazione non ottimale, e di conseguenza ci impedisce di trarre il massimo beneficio possibile da una promozione.
Per tenere conto degli effetti di cannibalizzazione e di alone nella previsione della domanda, occorre anzitutto riconoscere le relazioni significative tra tutte quelle disponibili, e l’unico modo efficiente di farlo consiste nell’utilizzare l’apprendimento automatico. Una possibilità è quella di analizzare i dati storici di vendita a livello di SKU-punto vendita.
Se consideriamo un sistema costituito da solo una coppia di prodotti, durante un periodo normale di vendita, cioè in assenza di promozioni e quando entrambi i prodotti sono disponibili, il sistema è in equilibrio. Entrambi i prodotti vengono acquistati, e la percentuale di vendita di ciascun prodotto viene influenzata da vari fattori. È praticamente impossibile trarre conclusioni sulle relazioni di cannibalizzazione o di alone sulla base delle vendite in questi periodi, ma tali relazioni diventano evidenti quanto l’equilibrio viene rotto – per esempio a causa di una promozione.
Se tra due prodotti esiste un rapporto di cannibalizzazione, una promozione del primo prodotto causa una diminuzione delle vendite del secondo prodotto rispetto al normale. Al contrario, in presenza di un effetto alone, se il primo prodotto è in promozione, aumentano anche le vendite del secondo prodotto, seppur in misura inferiore. Analizzando la forza e l’importanza di queste correlazioni, è possibile desumere rapporti di cannibalizzazione e di alone da grandi quantità di dati nonché quantificare la forza e l’importanza delle relazioni, allo scopo di escludere quelle poco significative.
Una volta individuate le relazioni rilevanti, è possibile introdurre gli effetti dinamici delle promozioni nel calcolo delle previsioni utilizzando un metodo simile a quello utilizzato per gli effetti normali delle promozioni. In quest’ottica l’effetto alone può essere considerato come una promozione particolare, che è attiva quando i prodotti che causano tale effetto sono in promozione. La cannibalizzazione si manifesta invece in presenza di promozioni con un effetto negativo sulle vendite.
Attualmente, RELEX è in grado di riconoscere le relazioni di cannibalizzazione e di alone sulla base dei dati storici delle vendite e delle promozioni, e di utilizzare le relazioni individuate nel calcolo delle previsioni. In questo modo è possibile migliorare l’accuratezza delle previsioni durante le promozioni, ridurre il deperimento dei prodotti cannibalizzati e aumentare la disponibilità dei prodotti caratterizzati da effetto alone. A sua volta migliora anche l’accuratezza delle previsioni in generale, perché i periodi caratterizzati da cannibalizzazione o effetto alone, che rappresentano una deviazione dallo standard, possono essere esclusi dai dati storici che sono alla base dei modelli di previsione.
Per saperne di più, potete leggere il white paper "Previsioni della domanda più accurate considerando i fenomeni di cannibalizzazione e di effetto alone" di Tuomas Viitanen, Data Scientist e collaboratore di RELEX.
