L’emergenza pandemica, prima, e le problematiche che sono seguite in tempi estremamente ravvicinati, hanno messo a dura prova le supply chain di tutto il mondo.
In particolare, i blocchi e le interruzioni delle catene di approvvigionamento globali hanno posto a rischio non solo il servizio ai consumatori ma spesso anche la continuità stessa di alcune realtà aziendali.
L’esplosione dell’e-commerce, maturata negli stessi tempi, quasi come una reazione dei mercati alle chiusure ed ai divieti di libera mobilità delle persone, mentre da una parte ha creato una nuova e, per tanti, inattesa opportunità, dall’altra ha evidenziato le criticità del sistema di fornitura.
Non stupisce, quindi, che molte aziende commerciali abbiano deciso, in quel particolare periodo, di “blindare” letteralmente le proprie scorte portandole anche al di sopra dei limiti generalmente ritenuti di buona e normale gestione, con l’obiettivo di non perdere l’occasione offerta dal commercio elettronico.
Significativo a tale proposito il caso di Inditex, società galiziana più nota attraverso il suo marchio più rappresentativo, Zara, che nel 2022 ha aumentato fortemente i livelli dei suoi stock per proteggersi da eventuali problemi di approvvigionamento, per puntare decisamente sul canale dell’e-commerce.
Una scelta, quest’ultima, che l’azienda spagnola ha compiuto ed accelerato nella sua attuazione, fin dalle prime chiusure dovute al Coronavirus e nella quale ha coinvolto tutta la sua struttura logistica, inclusi i negozi vissuti come parte integrante del processo logistico e di servizio al cliente.
Leggi anche:
Reslotting del magazzino, più efficiente con l’AI
La gestione delle scorte
Lavorare con alti livelli di scorte, soprattutto se si opera in mercati “volatili” e soggetti agli umori della moda, può comportare rischi rilevanti se non si ha la capacità di realizzare un incontro virtuoso tra offerta e domanda.
Riuscire, pertanto, a ridurre le giacenze di magazzino a fine anno a poco più del 5% rispetto all’anno precedente, come evidenziato dai risultati di vendita di Inditex nel 2022, è impresa che merita grande considerazione.
Tanto più che la riduzione, valutata nel 30%, è stata operata in soli tre mesi, in finale d’anno.
Il segreto, oltre che alle abilità commerciali, è da attribuirsi ad un ottima gestione delle scorte che è diretta conseguenza della capacità di formulare previsioni dell’andamento della domanda particolarmente precise ed accurate.
La previsione del mercato, appare, quindi, la chiave di lettura non solo della gestione delle scorte di magazzino ma anche della scelta degli indirizzi di approvvigionamenti che, nel settore specifico dell’abbigliamento, risultano essenziali considerata la brevità temporale delle collezioni e, conseguentemente, la flessibilità richiesta per mantenerne la leadership.
Leggi anche:
Magazzino: investimenti più cauti e mirati, maggiore attenzione alla produttività
La centralità dei dati
Conoscere il cliente per essere in grado di intuirne le attese e le motivazioni d’acquisto, con quell’anticipo che consente di acquisire un decisivo vantaggio competitivo sui concorrenti, si pone come condizione per un corretto processo di formulazione dei futuri andamenti del mercato.
A tale proposito, il vero “tesoro” di cui dispongono le aziende sono i dati, ad esempio, sugli acquisti effettuati, sul profilo dei consumatori, le loro preferenze o reazioni, etc che vengono costantemente raccolti o generati lungo le diverse fasi dell’esperienza d’acquisto.
Un ruolo importante, in tal senso, è svolto dai negozi che oltre ad essere punto d’incontro con i clienti rappresentano a tutti gli effetti delle basi logistiche e loro stessi magazzini con un proprio stock.
Da essi, pertanto, possono affluire informazioni non solo sulle caratteristiche della domanda ma anche sulla giacenza stessa.
L’elaborazione di questi dati, unitamente a quelli raccolti nelle altre fasi di approvvigionamento e quelli relativi ai fattori esterni che possono generare influenza, viene, oggi, affidato a tecnologie quali l’Intelligenza Artificiale e il Machine Learning.
Esse sono infatti in grado di superare i limiti della tradizionale previsione su base statistica realizzata prevalentemente mediante trattamento di serie storiche, introducendo algoritmi alimentati da input di vario genere per disegnare modelli previsionali molto più accurati e aderenti alla realtà nella sua variabilità.
Flessibilità e velocità di esecuzione, si uniscono, inoltre, alla capacitò di apprendere costantemente da nuove informazioni e autocorreggersi, riducendo progressivamente l’errore di previsione.
