Previsioni di vendita e ciclo di vita del prodotto
Prevedere la domanda è difficile, e generare previsioni affidabili per l'intero ciclo di vita del prodotto, dal lancio, alla crescita, alla maturità, al declino, è ancora più difficile. Questo vale per qualsiasi azienda per cui sia importante rinnovare il portafoglio prodotti, e soprattutto in settori come il retail, l'elettronica e le parti di ricambio.
Prevedere l'introduzione di nuovi prodotti è difficile perché non si dispone di una storia di vendita, e non si può sapere con che velocità il prodotto entrerà sul mercato. I primi dati sulle vendite possono essere notoriamente ingannevoli perché in genere si spedisce un gran numero di nuovi prodotti a centri di distribuzione o negozi per riempire espositori e scaffali, creando un'impennata iniziale che non è necessariamente un buon indicatore della domanda.
La domanda di prodotti sostitutivi o parti di ricambio è per certi versi più facili da prevedere, ma anche in questo caso la complessità può derivare dalle strategie del canale, se si creano picchi di domanda imprevisti o se è difficile determinare quali articoli passati sono più indicati per prevedere il comportamento della domanda del nuovo prodotto.
La pianificazione della fine del ciclo di vita e la pianificazione delle campagne richiedono un corretto bilanciamento tra la necessità di soddisfare la domanda e i livelli di stock, per evitare il rischio di scorte in eccesso o obsolete. L'obiettivo è garantire la disponibilità del prodotto, e anche un’uscita dal mercato e un fine vita senza intoppi.
Molte aziende gestiscono questa variabilità della domanda con processi manuali intensivi. Spesso adottano un approccio diverso per ciascuna fase del ciclo di vita, con algoritmi distinti. Devono capire quando passare da una fase all'altra e prendere questa decisione in base al piano, non alla domanda effettiva. Questo tipo di processo perturba la supply chain, inviando un segnale lungo la filiera che non si basa su dati reali di domanda, ma piuttosto sull'algoritmo di pianificazione.
La realtà è che il ciclo di vita del prodotto è fluido: un prodotto non "decide" improvvisamente di passare da una fase all'altra. I prodotti in genere maturano in modo fluido e il sistema deve effettuare una transizione parimenti fluida con quel modello di domanda.
Ciclo di vita del prodotto
I software in grado di rilevare in maniera tempestiva la domanda e le variazioni più piccole o evidenti nella domanda (demand sensing) possono suggerire se il prodotto è in maturazione o in transizione verso un profilo di fine vita. Una soluzione di modellazione della domanda dovrebbe monitorare e rilevare automaticamente la domanda e avvisare l'utente in base alle sole eccezioni se qualcosa è fuori dall'ordinario. Il processo diventa quindi più diretto, la supply chain più fluida e regolare, al servizio dell'intero ciclo di vita del prodotto.
Spesso la risposta si trova a valle: più si va a valle, più puro è il segnale della domanda. Che si tratti di introduzione, maturità o fine vita, se riusciamo ad avvicinarci al punto vendita, abbiamo un segnale precoce della domanda in ogni fase del ciclo.
Le nuove fonti di dati e l'automazione garantita dai motori di machine learning migliorano le previsioni di vendita lungo tutto il ciclo di vita. Ad esempio, se il nuovo prodotto compare sul sito web dell’azienda, possiamo tenere traccia di indicatori come il numero di clic o visualizzazioni di pagina, il numero di download di una pagina di specifiche del prodotto, o il tempo trascorso da un utente su una pagina che contiene descrizioni dettagliate. L’annuncio della sostituzione di un prodotto su Twitter permette di contare il numero di tweet e retweet. Una notizia pubblicata su Facebook o Instagram permette di contare le condivisioni e i Like come primi indicatori di interesse.
Prevedere la domanda per l’intero ciclo di vita del prodotto è ancora una sfida, ma nuovi processi, dati, e metodi previsionali basati su machine learning permettono di farlo in maniera più facile e affidabile.
