Uno dei limiti storici delle soluzioni software omnicanale nel settore del procurement era di non essere in grado di offrire una reale ottimizzazione, costituendo una perdita in termini di redditività per i rivenditori.
Tuttavia, questo scenario sta subendo un cambiamento significativo in tempi assai rapidi: l’integrazione di molteplici soluzioni di vendita e reso, ma anche di algoritmi predittivi, di costante tracciamento delle merci, di indicizzazione puntuale delle scorte e di tecnologie come il Machine Learning stanno invertendo la proporzione, rendendo il procurement una pratica dinamica ed interattiva rispetto alle aspettative dei clienti.
Ominicanalità e procurement digitale si evolvono a vicenda, come dimostrano le soluzioni che si affacciano sul mercato da parte delle firme più quotate a livello internazionale.
Il concetto di Omnicanalità: un nuovo livello di esperienza per il consumatore
Il termine “omnicanalità” si riferisce alla capacità di inviare e ricevere i prodotti in modi diversi. Oggi, oltre al tradizionale acquisto in negozio, è possibile effettuare ordini online con consegna a domicilio o ritiro in negozio, senza contare molte altre opzioni di spedizione e reso.
Un sistema di gestione degli ordini omnicanale (Omnichannel Order Management system) è cruciale per soddisfare le crescenti aspettative dei clienti. Per esempio, nelle nuove implementazioni omnicanale di Manhattan Associates, i dettagli sulle consegne e i ritiri devono essere visualizzati sulla pagina del prodotto del sito di e-commerce, migliorando quella che viene chiamata ‘soddisfazione del cliente’.
L’OOM permette a un’organizzazione di eseguire la gestione degli ordini su tutti i canali e percorsi di flusso di esecuzione. Recentemente, soluzioni avanzate di ottimizzazione sono state introdotte da aziende come Manhattan Associates e Blue Yonder, consentendo un utilizzo più efficiente dei dati e delle risorse.
Ottimizzazione per la promessa degli ordini
Le regole tradizionali utilizzate nell’omnicanalità spesso lasciano margini di profitto inutilizzati. Le nuove soluzioni di ottimizzazione integrano la visibilità dell’inventario di rete con modelli di previsione della domanda e logica dei vincoli, offrendo un approccio più avanzato.
È assodato che un OOM acceda all’inventario delle scorte e che possa indicare quali prodotti sono meglio collocati per il prelievo rispetto ad un determinato ordine: tuttavia, oggi il sistema deve suggerire anche l’opzione di consegna e di ritiro più conveniente in base al luogo di destinazione ed ai tempi. Non sempre mettere in gerarchia corretta queste variabili risulta facile.
Quando Blue Yonder o Manhattan Associates parlano di ottimizzazione della promessa degli ordini, si riferiscono a fornire una data di promessa accurata insieme alla posizione ottimale per soddisfare un ordine e massimizzare la redditività.
Per esempio, alcuni di questi software possono anche calcolare il corretto ammontare di ore per la preparazione di un prodotto prima della spedizione, integrando richieste accessorie come le personalizzazioni.
Il ricorso a modelli di domanda può poi influenzare le decisioni, come, ad esempio, nella liquidazione di prodotti in scadenza: l’ottimizzazione non coinvolge soltanto l’aspetto della ‘logistica’ in senso stretto, bensì attiene anche al mettere assieme parametri decisionali riguardanti il ciclo di vita commerciale di un prodotto. Nel caso di un capo di abbigliamento, capire quando la parabola commerciale sarà in discesa e, quindi, quando applicare sconti per essere sicuri di esaurire le scorte prima che siano invendibili rappresenta un grande passo avanti.
Accuratezza dell’inventario: Il ruolo del Machine Learning
I rivenditori evitano promesse eccessive per evitare delusioni ai clienti. Tuttavia, parametri troppo conservativi possono portare a promesse troppo poco competitive. L’uso del machine learning aiuta a parametrizzare in modo accurato la promessa dell’ordine, considerando fattori come tempi di transito, capacità di prelievo e dati storici.
Non è raro che, per tenersi un margine di sicurezza, molti rivenditori dichiarino tempi di consegna di gran lunga superiori a quelli davvero necessario: un po’ di prudenza non guasta, ma il rischio è di perdere clienti per via di una scarsa competitività. Secondo Manhattan Associates, l’85% delle consegne eseguite entro i tempi dichiarati potevano verificarsi almeno 1 giorno e mezzo, se non due, prima.
La precisione dell’inventario è una sfida, specialmente nei negozi fisici. Mentre Blue Yonder utilizza microservizi come “Commits and Fulfillment Optimization”, Manhattan Associates suggerisce l’uso di tecnologie come l’RFID per migliorare l’accuratezza dell’inventario.
I problemi da affrontare sono molti, prima di tutto ‘umani’: pochi gestori di punti vendita fisici eseguono effettivamente uno scanning delle scorte, senza contare che l’indicizzazione dei prodotti in-store è per forza di cose soggetta ad imprecisioni. Vi possono infatti essere prelievi di articoli che sfuggono al monitoraggio o che vengono inseriti solo in un secondo tempo; in partenza non è rare che vi siano disallineamenti tra quanto censito in magazzino e quanto visto in disponibilità in negozio.
L’integrazione di funzionalità di ottimizzazione e machine learning nei sistemi di gestione degli ordini omnicanale segna un passo cruciale nell’evoluzione di queste soluzioni. Il futuro del procurement omnicanale si prospetta più efficiente, predittivo e, soprattutto, in grado di massimizzare la redditività.
