Quando a IA planejou a moda e nada aconteceu

O setor da moda é conhecido por sua notória alta produção de resíduos. Os varejistas atraem os consumidores por meio de coleções frequentes com ciclos de vida mais curtos e sortimentos mais amplos. Com as manchetes atuais sobre o aumento do estoque morto no setor, a manutenção dessa estratégia representa um grande risco para a existência de muitos varejistas.

Em um dos meus artigos anteriores, "Repensando os formatos tradicionais para permanecer relevante no atual ambiente de varejo moderno pós-covid", discuti os desafios globais pós-covid-19 para melhorar a venda pelo preço total. Até 2023, estima-se que cerca de 30% de todas as roupas fabricadas no mundo nunca serão vendidas (Fashion United). Essa referência é uma péssima notícia para o nosso planeta e uma péssima notícia para os gerentes de varejo que contemplam táticas, uma vez que as próximas duas temporadas já foram planejadas. Mais descontos colocarão em risco a lucratividade da empresa a curto prazo, mas também o posicionamento da marca a longo prazo.

A questão intrigante é: por que os varejistas erram tanto em seus planos quando a tecnologia disponível para eles é tão avançada? Os modelos atuais de previsão baseados em IA, prontos para uso, podem usar dados históricos de longo prazo e prever variáveis como sentimentos do mercado e tendências da moda que costumavam ser limitadas à opinião de especialistas. A realidade um tanto decepcionante é que, embora o planejamento baseado em IA tenha se tornado tão proeminente hoje em dia, ele não mudou muito a referência de vendas durante a estação, nem a participação do estoque não vendido.

Neste artigo, usaremos o bom senso para desafiar a convenção de que os varejistas precisam de um melhor planejamento sazonal para terminar as estações sem estoques não vendidos. Descreveremos a espiral negativa inerente ao setor de moda e usaremos uma abordagem de causa e efeito para encontrar sua causa principal. Por fim, ilustraremos os métodos e as ferramentas de IA durante a temporada que têm o poder de reduzir consideravelmente a captura de estoque morto. Em uma observação pessoal, espero sinceramente que este artigo sirva de alívio para os merchandisers centrais, planejadores e diretores da cadeia de suprimentos que estão operando em ambientes de estresse excessivo e são injustamente responsabilizados pelos resultados ruins da temporada.  

 

Por que o varejo de moda está em uma espiral negativa?

Vamos supor um ambiente de varejo sem fatores de ruído. O novo estoque é entregue ao centro de distribuição no prazo e na totalidade. Os consumidores visitam as lojas, examinam o sortimento de novos produtos e compram de acordo com suas preferências. Podemos chamar os produtos que são bem vendidos de fast movers e os que não são bem vendidos de slow movers. É claro que queremos produzir apenas produtos de alta rotatividade, mas a realidade é que os produtos de alta rotatividade e os de baixa rotatividade são distribuídos de acordo com a regra 20-80 quando uma coleção é composta de vários estilos, cores e tamanhos. Grande parte da coleção acabará sendo de baixa rotatividade, enquanto apenas alguns produtos acabarão sendo de alta rotatividade. Como os produtos de alta rotatividade naturalmente vendem mais rápido do que o planejado, eles ficam sem estoque para reposição rapidamente, e sua participação na loja diminui com o tempo. Com mais coleções chegando, a prateleira é ocupada por mais produtos de baixa rotatividade e menos produtos de alta rotatividade, e há menos espaço disponível para exibir novos produtos - a chance de os consumidores encontrarem o produto que desejam em seu tamanho diminui drasticamente. Felizmente para os varejistas, o período de Liquidação de Fim de Temporada é o momento em que a loja liquida o estoque não vendido por meio de grandes descontos e começa de novo.

Ao longo de uma década de análise de dados de varejo de moda, aprendemos que mais de 50% do estoque em uma prateleira antes do final da estação pertence a SKUs que contribuíram com apenas 5% das vendas sazonais. Critérios diferentes para identificar os slow movers não mudarão muito a distribuição, afinal, os varejistas estavam mais errados do que certos! Será que os designers estavam errados? Ou talvez o planejador? Felizmente, hoje temos acesso ilimitado aos dados para saber que esse resultado teve pouco a ver com ambos. Se mapearmos o estoque entre diferentes lojas, descobriremos que os produtos de movimentação lenta em uma loja podem ser classificados como produtos de movimentação rápida em várias outras lojas. Fast movers e slow movers são, em sua maioria, definições específicas da loja. Tragicamente, os mesmos produtos de movimento rápido que ficaram sem estoque no início da temporada e levaram à perda de vendas em uma loja, acabam também perdendo margem em outras lojas quando liquidados com os descontos do final da temporada. Uma simples análise entre lojas revelará que as lojas tinham a capacidade de vender mais de 50% do estoque de movimentação lenta durante a temporada se o tivessem no momento certo e no lugar certo.

     

Qual é a causa principal, então?

Agora podemos presumir com segurança que o plano estava aproximadamente certo ou, pelo menos, não exatamente errado. Nossa busca pela causa principal se restringe à execução durante a temporada.

O problema começa no momento em que os varejistas alocam as novas coleções nas lojas. As estatísticas referentes às vendas ainda não estão disponíveis, e também não podemos usar nossa intuição quando se trata de prever a taxa de vendas de um estilo-cor-tamanho específico em uma loja específica. Uma prática comum dos varejistas é definir normas de curva de tamanho para categorias nas lojas. Por exemplo, se um tamanho essencial de uma camisa vende em média duas unidades por semana em uma loja de rua, os varejistas podem assumir duas unidades como norma inicial para os tamanhos essenciais da mesma categoria nas lojas de rua. Mas agora entendemos que essa média é uma falácia. É uma média dos poucos vendedores super-rápidos que conseguem vender até dez peças por semana e dos muitos vendedores lentos que não vendem nada. Começar com um estoque superinflacionado nas lojas gera um alto estoque de produtos de movimento lento das lojas e restringe o estoque restante no depósito para reabastecimento dos produtos de movimento rápido das lojas.

Sabendo que o plano de alocação não é uma ciência de foguetes, os varejistas tentam ajustar as normas de SKU com base na demanda real da estação. A abordagem comum são os algoritmos de previsão convencionais, como as previsões contínuas e as metas dinâmicas MIN-MAX. O erro lamentável aqui é que a vida útil da coleção pode ser tão curta quanto 4 a 6 semanas, e a taxa média de venda de um produto típico é tão baixa quanto 1-2 unidades em 2 semanas. Nessa realidade, esses algoritmos não responderão às tendências de demanda ou responderão constantemente a ruídos. Em palavras simples, no momento em que obtemos estatísticas suficientes para uma previsão precisa, a temporada já terminou e a maior parte do estoque está colocada nas lojas erradas.       

 

Como podemos usar a IA para sair da espiral negativa do setor?

Trabalhei com cientistas de dados ao longo dos anos em busca da combinação certa de tecnologia que permitirá aos varejistas melhorar consideravelmente suas operações durante a temporada por meio da automação. Nós nos restringimos a três áreas nas quais a IA levou a avanços:

  1. Clusterização comportamental: Uma técnica comum de IA que identifica e divide dados não rotulados em grupos diferentes, de modo que os pontos de dados sejam semelhantes. Se aplicada à demanda em nível de SKU-localização, essa abordagem tem o poder de permitir uma transição eficaz da previsão convencional para uma previsão de curto prazo de resposta rápida. O algoritmo agrupa os produtos em tempo real com base em seu padrão de demanda identificado e adapta seu alvo de acordo.
  2. Similaridade de produtos: Aprende o impacto dos atributos do produto e de várias combinações de atributos do produto na demanda por produtos. Métodos bem conhecidos, como o "Features-Embedding", traduzem as informações semânticas dos dados em uma forma numérica que os algoritmos podem entender e usar para descobrir quais produtos são semelhantes entre si. Esse recurso leva a uma alocação muito mais inteligente de novos produtos com base no aprendizado obtido com o comportamento de produtos semelhantes em temporadas anteriores.
  3. Previsão de demanda extrema: Usa dados de temporadas passadas para prever as possíveis mudanças na demanda e seu impacto no estoque da loja durante eventos especiais ou reduções de preço. Embora esse tópico não tenha sido discutido neste texto, é outra área que pode alimentar a incompatibilidade de estoque entre as lojas. O rápido aumento do tráfego exige um aumento proativo do estoque nas lojas para proteger as vendas. Sem as ferramentas para orientar os varejistas sobre quais produtos provavelmente absorverão o aumento da demanda, a abordagem humana comum é errar pelo lado seguro e aumentar proporcionalmente o estoque de todos os produtos desnecessariamente.

Os varejistas que implementaram essas táticas demonstraram um aumento de 10% a 20% nas vendas durante a estação, desfrutando de margens mais altas com menos estoque nas lojas e maior frescor na estação. Por fim, o estabelecimento de operações mais escalonáveis e previsíveis, em que os comerciantes e planejadores operam em harmonia e extraem mais alegria de seu trabalho.