Stoccando troppo di un prodotto, o non abbastanza, costa ai rivenditori centinaia di miliardi di dollari all'anno. Se ne immagazzinano troppo poco e finiscono, il cliente probabilmente porterà le proprie attività altrove, costano soldi al rivenditore. Se ne immagazzinano troppo, anche se, il rivenditore finisce con l'inventario in eccesso.

Un prossimo articolo in Ricerche operative , co-autore del professore in visita al MIT Sloan Amr Farahat, Dottorato '04, e Joonkyum Lee, un assistente professore alla Sogang Business School in Corea del Sud, presenta un nuovo modo di affrontare questo problema. Il loro approccio basato sui dati può aiutare i rivenditori a prendere decisioni più informate e ad aumentare i profitti.

Anche se i rivenditori possono semplicemente rifornire un articolo quando lo esauriscono può sembrare ragionevole, questo approccio non funziona per molti. "Gli acquirenti non aspetteranno che il rivenditore si rifornisca per effettuare un acquisto, " ha detto Farahat.

Anziché, i rivenditori devono prevedere in anticipo quanto venderanno di articoli specifici. Non è facile, soprattutto per i prodotti i cui tempi di rifornimento sono lunghi rispetto alla durata della loro stagione di picco di vendita.

L'effetto della sostituzione

Aiutare, Farahat e Lee hanno sviluppato quella che chiamano la trasformazione della somiglianza approssimativa.

"Questo algoritmo riconosce che esiste una relazione tra la quantità di scorte dei rivenditori e i loro profitti. Questa relazione è complicata, quindi l'abbiamo sostituito con uno più semplice che fornisce un limite superiore alle vendite, ma è un limite superiore stretto. Affrontare questo più semplice, eppure approssimativo, funzione di vendita porta alla fine a decisioni migliori, " ha detto Farahat.

I rivenditori in genere basano le loro decisioni di stoccaggio sulle vendite passate tenendo conto del periodo dell'anno, come va l'economia, cosa va di moda, e quali nuovi prodotti sono usciti che dovrebbero vendere, tra l'altro.

Secondo Farahat, se un rivenditore dispone di un singolo articolo, determinare la quantità ottimale di scorte da trasportare è semplice. Quando un venditore vende molti articoli, questo diventa più complicato a causa dei clienti che sostituiscono un articolo con un altro. "Se voglio comprare una camicia azzurra a righe per un regalo, e non trovo la taglia che mi serve in magazzino da Macy's, invece di decidere di acquistare il regalo in un altro negozio, Potrei guardare una solida maglietta blu, una camicia viola a righe, o una marca diversa. Sono in corso complessi effetti di sostituzione:è la natura della scelta del consumatore, " ha detto Farahat.

Poiché i consumatori possono prendere un numero qualsiasi di decisioni in base all'inventario disponibile, è praticamente impossibile determinare livelli di inventario ottimali. "Matematicamente, questo è tra i problemi più impegnativi dell'informatica, " ha detto Farahat.

Un approccio basato sui dati

Determinare con precisione le esigenze di inventario ottimali è irraggiungibile, ma la trasformazione della somiglianza approssimativa produce raccomandazioni basate su "approssimazioni dimostrabilmente buone". La ricerca di Farahat e Lee indica che seguendo queste raccomandazioni, alcuni rivenditori possono aspettarsi aumenti di profitto del 2-3 percento.

Raggiunge questo utilizzando i dati che i rivenditori hanno già raccolto sui loro clienti, come le aspettative di traffico in base alla stagione e al modo in cui i consumatori effettuano le scelte. Quindi approssima una previsione di vendita che può aiutare con le decisioni sull'inventario.

"Stiamo cercando di formulare raccomandazioni per i rivenditori che possono utilizzare come punto di partenza per le loro decisioni finali. Per poterlo fare, dobbiamo basarci sulle capacità di analisi predittiva che molti rivenditori stanno già sviluppando, " ha detto Farahat.

Man mano che le aziende affinano le proprie capacità di raccolta dati, la qualità di quei dati migliorerà e l'algoritmo di Farahat e Lee diventerà più utile. "Man mano che questi modelli e previsioni diventano più accurati, questo pezzo decisionale prescrittivo diventa più rilevante, " ha detto Farahat.

Condividere la ricerca

Farahat e Lee hanno eseguito migliaia di esperimenti numerici basati sulle esperienze dei rivenditori per testare il loro algoritmo. Questi test hanno tutti indicato che l'algoritmo funziona bene o meglio dei metodi precedenti per aiutare i rivenditori a pianificare il loro inventario poiché fornisce limiti superiori più rigorosi, o più precise aspettative di profitto, in più del 99 percento dei test.

The researchers would still like to test the approximate similarity transformation with retailers. Per adesso, though, they have made it available on GitHub for two reasons:They want colleagues who could build on their work to be able to do so without having to start from scratch; and "if a company has some in-house capabilities that they can take this and test it they are welcome to do so."