Come il Machine Learning Prevede le Rotture di Stock 3 Settimane Prima che Accadano
Un rivenditore di prodotti di bellezza di medie dimensioni con circa 3.500 SKU aveva un problema persistente. Ogni mese, l'8-12% dei prodotti più venduti raggiungeva lo zero di inventario prima che il rifornimento arrivasse. Ogni rottura di stock su un articolo popolare costava circa 2.800 $ al giorno in vendite perse, senza contare il danno alla fiducia dei clienti e la spesa pubblicitaria sprecata per portare traffico su pagine prodotto esaurite.
Il team di gestione dell'inventario controllava i livelli di stock quotidianamente e piazzava i riordini quando l'inventario raggiungeva una soglia predeterminata. Il problema era che la soglia era statica, un numero fisso di unità basato sulla media delle vendite giornaliere degli ultimi 90 giorni. Quando la domanda aumentava improvvisamente a causa di una menzione virale su TikTok o di un concorrente che esauriva un prodotto simile, la soglia statica non riusciva a reagire abbastanza velocemente.
Perché i Punti di Riordino Statici Falliscono
Un punto di riordino statico presuppone che la domanda futura sarà simile a quella passata e che i tempi di consegna dei fornitori siano costanti. Entrambe le ipotesi vengono regolarmente smentite. La domanda per singoli SKU nell'ecommerce è irregolare. Un prodotto potrebbe vendere 20 unità al giorno per tre settimane e poi improvvisamente venderne 60 al giorno perché un influencer lo ha menzionato, un concorrente ha alzato il prezzo, o è iniziato un cambio stagionale. Quando noti l'accelerazione nel controllo giornaliero dell'inventario, potresti già essere a due settimane di domanda elevata con un tempo di consegna del fornitore di tre settimane davanti a te.
I tempi di consegna dei fornitori sono altrettanto variabili. Un fornitore che normalmente consegna in 14 giorni potrebbe impiegarne 21 durante la sua alta stagione, dopo una carenza di materie prime o a causa di ritardi nelle spedizioni. Se il tuo punto di riordino presuppone un tempo di consegna di 14 giorni e quello effettivo è di 21 giorni, hai un gap di sette giorni in cui stai vendendo inventario che pensavi fosse già stato rifornito.
Cosa Monitora il Modello ML
Un modello di previsione delle rotture di stock elabora simultaneamente più flussi di dati. L'input principale è la velocità di vendita, non come semplice media ma come serie temporale con componenti di trend e stagionalità. Il modello rileva l'accelerazione (vendite più rapide rispetto alla settimana precedente), la decelerazione e i pattern ciclici specifici per ogni SKU.
La posizione dell'inventario (stock attuale disponibile più unità in transito meno unità allocate a ordini in sospeso) fornisce al modello il lato dell'offerta dell'equazione. Combinata con la domanda prevista, il modello calcola una metrica stimata di giorni di copertura che si aggiorna dinamicamente.
I dati sulle performance dei fornitori aggiungono una dimensione cruciale. Tracciando le date di consegna effettive rispetto a quelle previste per ogni fornitore nel tempo, il modello costruisce una distribuzione dei tempi di consegna probabili anziché utilizzare una singola stima puntuale. Se il Fornitore A consegna in 12-18 giorni con una mediana di 14, il modello utilizza l'intera distribuzione nel calcolo della probabilità di rottura di stock.
I segnali esterni forniscono un preavviso sui cambiamenti della domanda. Il volume di ricerca per il prodotto o la categoria su Google, le menzioni sui social media, i livelli di stock dei concorrenti (spesso rilevabili dalle loro pagine prodotto che mostrano disponibilità limitata) e i calendari stagionali alimentano tutti la previsione della domanda. Un picco improvviso nel volume di ricerca su Google per un prodotto spesso precede un picco di vendite di 5-10 giorni, il che fornisce al modello un segnale anticipato che la traiettoria attuale dell'inventario potrebbe non reggere.
La Finestra di Preavviso di Tre Settimane
Il modello produce una probabilità di rottura di stock per ogni SKU a vari orizzonti temporali: 7 giorni, 14 giorni e 21 giorni. Un avviso tipico potrebbe apparire così: SKU #4892 (Siero alla Vitamina C 30ml) ha attualmente 340 unità disponibili. Alla velocità di vendita attuale di 28 unità al giorno, lo stock si esaurisce in circa 12 giorni. Tuttavia, il trend della domanda mostra un'accelerazione del 15% settimana su settimana. La stima di esaurimento corretta è di 9 giorni. La prossima spedizione di rifornimento di 500 unità ha un arrivo previsto in 16 giorni basato sulla distribuzione dei tempi di consegna del fornitore. La probabilità di rottura di stock in 14 giorni è del 78%.
Con questa finestra di tre settimane, il team di gestione dell'inventario ha delle opzioni. Può accelerare l'ordine esistente con il fornitore, pagando eventualmente un sovrapprezzo per una spedizione più rapida. Può piazzare un ordine ponte più piccolo con un fornitore alternativo che ha tempi di consegna più brevi. Può ridurre la spesa di marketing sul prodotto per rallentare la domanda mantenendo le vendite organiche. Può impostare una notifica di ritorno in stock per catturare la domanda durante eventuali periodi di esaurimento.
Senza il preavviso, nessuna di queste opzioni di mitigazione è disponibile. Quando un essere umano nota che l'inventario è basso attraverso controlli manuali, il tempo di consegna ha già eroso lo stock rimanente.
Costruire il Modello
L'implementazione tecnica utilizza una combinazione di previsione di serie temporali per la domanda (tipicamente Prophet o un modello LSTM personalizzato) e un modello di classificazione per la probabilità di rottura di stock. Il modello di classificazione prende la previsione della domanda, la posizione attuale dell'inventario e la distribuzione dei tempi di consegna del fornitore come input e produce una probabilità di rottura di stock entro ogni finestra temporale.
I dati di addestramento provengono dai tuoi registri storici dell'inventario. Ogni rottura di stock passata è un esempio positivo, e ogni SKU che ha mantenuto uno stock adeguato durante un determinato periodo è un esempio negativo. Servono almeno 12-18 mesi di snapshot giornalieri dell'inventario con i corrispondenti dati di vendita per addestrare un modello utile. Se non hai archiviato i livelli di inventario giornalieri, inizia ora perché questi dati sono sorprendentemente difficili da ricostruire retroattivamente.
La feature engineering è dove viene creata la maggior parte del valore. I numeri di vendita grezzi sono meno utili delle feature derivate come la media mobile a 7 giorni della velocità, la variazione della velocità settimana su settimana, il coefficiente di variazione nelle vendite giornaliere (una misura della volatilità della domanda) e il rapporto tra la velocità attuale e la media a 90 giorni. Queste feature derivate aiutano il modello a distinguere tra un prodotto con vendite costanti che si avvicina al punto di riordino e un prodotto che sta vivendo un picco di domanda che esaurirà l'inventario molto più velocemente del previsto.
Integrazione con i Sistemi Esistenti
Il modello deve integrarsi nel tuo flusso di lavoro di gestione dell'inventario, non sostituirlo. L'approccio più comune è una dashboard di avvisi giornaliera che mostra gli SKU classificati per rischio di rottura di stock, con azioni raccomandate per ciascuno. I pianificatori dell'inventario esaminano la dashboard ogni mattina e intervengono sugli articoli ad alto rischio.
Le implementazioni più avanzate automatizzano la risposta per le azioni a basso rischio. Se il modello prevede una rottura di stock e l'azione raccomandata è piazzare un riordino standard con un fornitore esistente, il sistema può generare automaticamente l'ordine di acquisto e metterlo in coda per l'approvazione con un clic da parte del responsabile dell'inventario. Questo mantiene un essere umano nel processo decisionale eliminando il lavoro manuale di creazione dell'ordine.
Per i rivenditori ecommerce che gestiscono migliaia di SKU, il monitoraggio manuale dell'inventario semplicemente non può scalare. Un essere umano che controlla 3.500 SKU al giorno inevitabilmente mancherà quelli che stanno silenziosamente accelerando verso una rottura di stock. Il modello ML controlla ogni SKU ogni ora, cattura i pattern sottili e fa emergere quelli che necessitano di attenzione. Il rivenditore di prodotti di bellezza che ha aperto questa conversazione ha ridotto il tasso di rotture di stock dall'8-12% a meno del 3% entro sei mesi dal deployment del modello di previsione, il che si è tradotto in circa 940.000 $ di ricavi annuali recuperati.