Previsioni della domanda più accurate considerando i fenomeni di cannibalizzazione e di effetto alone

 

Approfondimenti » White paper

Autore: Tuomas Viitanen, Data Scientist, D.Sc. (Tech.)

La promozione di un prodotto, ad esempio attraverso sconti, pubblicità e/o espositori dedicati, ha spesso un impatto considerevole sulle vendite del prodotto stesso. Una promozione può essere portata a termine con successo solo se l’aumento delle vendite viene correttamente conteggiato in tutte le fasi della supply chain. 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 tenuto in scarsa considerazione. Ignorare questi effetti secondari porta a una pianificazione non ottimale, e di conseguenza ci impedisce di trarre il massimo beneficio possibile da una promozione.

Questo whitepaper spiega come individuare gli effetti secondari di una promozione, spesso definiti come effetti di cannibalizzazione e di alone, e come utilizzare gli effetti individuati nella previsione della domanda.

I Dati di Vendita Riflettono il Comportamento del Consumatore

Mi trovo davanti al banco macelleria di un supermercato con una lista della spesa. Il prossimo prodotto in elenco è: un chilo di carne di manzo macinata. Guardando il banco, noto almeno 15 alternative, diverse per marca e per contenuto di grassi, che corrispondono ai vaghi criteri della mia lista della spesa. Alcuni prodotti sono biologici, altri sono già in forma di hamburger e conditi. Devo scegliere la stessa marca della volta scorsa o provare qualcosa di nuovo, sperando di servire ai miei amici hamburger ancora migliori? Oh, come non detto! Il prodotto X è scontato del 20%, quindi prenderò quello.

É facile trovare degli esempi di come le promozioni influenzano le nostre scelte di acquisto. Se due prodotti sono grossomodo analoghi, ed uno dei due è fortemente scontato a causa di una promozione in corso, è facile che il prodotto in promozione finisca nel carrello della spesa al posto di quello a prezzo pieno. Di conseguenza, la promozione di un prodotto diminuisce, o cannibalizza, le vendite di prodotti similari. Di per contro alcuni prodotti, come gin e acqua tonica, vengono spesso acquistati insieme, e quindi la promozione del primo prodotto può causare un aumento delle vendite del secondo. Questo fenomeno è chiamato effetto alone.

Per tenere conto degli effetti di cannibalizzazione e di alone nella previsione della domanda, occorre anzitutto riconoscere le relazioni significative tra tutte quelle disponibili, che sono probabilmente qualche milione. Il modo più semplice, anche se non il più pratico, sarebbe quello di usare il buon senso per stilare una lista delle relazioni. Il macinato di manzo a basso contenuto di grassi probabilmente cannibalizza i prodotti simili, ma che dire del macinato di manzo standard o di quello biologico a basso contenuto di grassi? Individuare tutte le relazioni rilevanti utilizzando il buon senso non è facile come si potrebbe pensare, ed inoltre creare e mantenere una lista di migliaia di prodotti sarebbe impossibile. Quindi, l’unica opzione percorribile è quella di desumere le relazioni dai dati storici utilizzando tecniche di apprendimento automatico.

Nel commercio al dettaglio disponiamo di due serie di dati che possono tornarci utili a questo scopo. La prima possibilità è quella di identificare i prodotti che vengono acquistati in alternativa e quelli che vengono spesso acquistati insieme utilizzando i dati provenienti dalle transazioni di cassa e dalle carte fedeltà, ad esempio con una regola di apprendimento automatico di Associazione. Per esempio, se due prodotti non compaiono mai insieme nello stesso scontrino o se la preferenza di un singolo consumatore sembra variare arbitrariamente tra due prodotti simili, è molto probabile che i prodotti in questione siano varianti grossomodo analoghe e che tra di loro esista una relazione di cannibalizzazione. La stessa tecnica può essere applicata anche alle relazioni di alone: se due prodotti vengono acquistati insieme più spesso di quanto ci si potrebbe aspettare, tra di loro probabilmente esiste una relazione di alone.

La seconda possibilità è quella di utilizzare i dati storici di vendita a livello di SKU-punto vendita. Anche questi dati riflettono le relazioni esistenti tra i prodotti, e in fin dei conti la domanda futura è anche ciò che ci interessa prevedere. 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, come ad esempio la marca, il prezzo e la presentazione. 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 in seguito a una promozione.

Se tra due prodotti esiste un rapporto di cannibalizzazione, una promozione del primo prodotto dovrebbe causare un aumento delle sue vendite, ma anche una diminuzione delle vendite del secondo prodotto rispetto al normale. In altre parole, gli effetti della promozione sulle vendite dei due prodotti hanno una correlazione negativa. D’altro canto, un effetto alone dà vita a una correlazione positiva, cioè se il primo prodotto è in promozione, aumentano anche le vendite del secondo prodotto. Analizzando la forza e l’importanza di queste correlazioni, è possibile desumere rapporti di cannibalizzazione e di alone da grandi quantità di dati in maniera piuttosto efficiente. Inoltre, questa tecnica permette di quantificare la forza e l’importanza delle relazioni, e quindi di escludere quelle poco significative.

Previsioni ancora più Accurate Considerando i Fenomeni di Cannibalizzazione ed Effetto Alone

Una volta che le relazioni rilevanti sono state individuate, 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. Mentre le normali attività di promozione tendono a determinare un aumento delle vendite del prodotto in promozione, l’effetto alone causa un aumento delle vendite di tutti i prodotti correlati nel periodo della promozione. Quindi, l’effetto alone può essere considerato alla stregua di una promozione particolare, che è attiva quando i prodotti che causano tale effetto sono in promozione. Occorre comunque tenere a mente che l’effetto alone è più debole dell’effetto della campagna che ne è all’origine, a meno che i prodotti coinvolti non vengano sempre acquistati insieme. La cannibalizzazione si manifesta invece in presenza di promozioni con un effetto negativo sulle vendite. Come illustrato in Figura 1, di solito l’effetto primario di una promozione sul prodotto che ne è oggetto è molto più rilevante dell’effetto secondario della cannibalizzazione su prodotti analoghi.

Figura 1
Figura 1: Le promozioni di prodotti simili (periodi rossi) causano una diminuzione delle vendite di queste patata congelate del 10-25% rispetto alle settimane precedenti e successive alle promozioni. L’effetto di cannibalizzazione, comunque, è notevolmente più debole dell’effetto delle promozioni sul prodotto interessato (in blu).

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, sfruttando la versatilità degli strumenti di previsione delle promozioni. Considerando queste relazioni 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.

Ci riserviamo di studiare ulteriormente le opportunità fornite dai dati provenienti dalle transazioni di cassa. È possibile che la soluzione migliore risieda in un modello ibrido che utilizza tutti i dati facilmente reperibili.

Questo progetto ha ricevuto un finanziamento dal programma di ricerca e innovazione dell’Unione Europea Horizon 2020 in base all’accordo No 726825.

Tuomas Viitanen

Tuomas Viitanen

Data Scientist, D.Sc. (Tech.)

Phone+358 40 7631 963

Tuomas Viitanen è un Data Scientist con esperienza in fisica della reazione computazionale (fissione).

Interessati a conoscere i casi studio dei nostri clienti?

Scoprite come aiutiamo i clienti nella pratica.

Leggi i Casi Studio

Volete ricevere un avviso quanto vengono pubblicati materiali simili?

Iscriviti per ricevere un'email mensile con un riassunto dei nostri migliori contenuti in inglese.



É possibile annullare l’iscrizione in qualsiasi momento. I tuoi dati vengono memorizzati solo per scopi di comunicazione business-to-business. Vedi la nostra politica sulla privacy.