Quando a IA Planejou a Moda e Nada Aconteceu

A indústria da moda é conhecida por sua notória alta produção de resíduos. Os varejistas atraem consumidores através de coleções frequentes com ciclos de vida mais curtos e sortimentos mais amplos. Com as manchetes de hoje sobre o aumento do estoque parado na indústria, sustentar essa estratégia representa um grande risco para a existência de muitos varejistas.

Em um dos meus artigos anteriores, “Repensando Formatos Tradicionais para Permanecer Relevante no Ambiente de Varejo Moderno Pós-Covid de Hoje”, discuti os desafios globais pós-covid-19 para melhorar a venda a preço cheio. A partir de 2023, estima-se que cerca de 30% de todas as roupas fabricadas mundialmente nunca são vendidas (Fashion United). Este marco é uma péssima notícia para o nosso planeta e uma notícia terrível para os gerentes de varejo que contemplam táticas, dado que as próximas duas temporadas já foram planejadas. Mais descontos colocarão em risco a lucratividade de curto prazo da empresa, mas também o posicionamento da marca a longo prazo. 

A questão intrigante é: por que os varejistas erram tanto em seus planos quando a tecnologia disponível para eles é tão avançada? Os modelos de previsão baseados em IA prontos para uso de hoje podem usar dados históricos de longo prazo e prever variáveis como sentimentos de mercado e tendências de moda, que antes se limitavam à opinião de especialistas. A realidade um tanto decepcionante é que, embora o planejamento baseado em IA tenha se tornado tão proeminente hoje, ele não mudou muito o benchmark de vendas durante a temporada, nem a parcela de estoque não vendido. 

Neste artigo, usaremos o bom senso para desafiar a convenção de que os varejistas precisam de um melhor planejamento de temporada para terminá-las sem estoque não vendido. Descreveremos a espiral negativa inerente à indústria da moda e usaremos uma abordagem de causa e efeito para encontrar sua raiz. Eventualmente, ilustraremos os métodos em temporada e as ferramentas de IA que têm o poder de mitigar consideravelmente o problema do estoque parado. Em uma nota pessoal, espero sinceramente que este artigo sirva como um alívio para merchandisers centrais, planejadores e diretores de cadeia de suprimentos que operam em ambientes excessivamente estressados e são injustamente responsabilizados por resultados de temporada ruins.  

Por que o varejo de moda está em uma espiral negativa?

Vamos assumir um ambiente de varejo sem fatores de ruído. Novo estoque é entregue ao centro de distribuição no prazo e completo. Os consumidores visitam as lojas, navegam pelo sortimento de novos produtos e compram de acordo com suas preferências. Podemos chamar os produtos que vendem bem de produtos de alta rotatividade e aqueles que não vendem bem de produtos de baixa rotatividade. Nós, é claro, queremos produzir apenas produtos de alta rotatividade, mas a realidade é que produtos de alta e baixa rotatividade são distribuídos de acordo com a regra 80/20 quando uma coleção é composta por múltiplos estilos, cores e tamanhos. Grande parte da coleção se revelará produtos de baixa rotatividade, enquanto apenas alguns produtos se revelarão produtos de alta rotatividade. Como os produtos de alta rotatividade naturalmente vendem mais rápido do que o planejado, eles esgotam rapidamente para reposição, e sua participação na loja diminui com o tempo. Com mais coleções chegando, a prateleira é ocupada por mais produtos de baixa rotatividade e menos produtos de alta rotatividade, e menos espaço fica disponível para exibir novos produtos – a chance dos consumidores encontrarem o produto que desejam em seu tamanho diminui drasticamente. Felizmente para os varejistas, o período de liquidação de fim de temporada é o momento para a loja liquidar o estoque não vendido através de grandes descontos e recomeçar. 

Ao longo de mais de uma década analisando dados do varejo de moda, aprendemos que mais de 50% do estoque em uma prateleira antes do final da temporada pertence a SKUs que contribuíram com apenas 5% das vendas sazonais. Diferentes critérios para identificar itens de baixa rotatividade não mudarão muito a distribuição; no final, os varejistas estavam mais errados do que certos! Os designers estavam errados? Ou talvez o planejador? Felizmente, hoje temos acesso ilimitado a dados para saber que esse resultado teve pouco a ver com ambos. Se mapearmos o estoque entre diferentes lojas, descobrimos que itens de baixa rotatividade em uma loja podem ser categorizados como itens de alta rotatividade em várias outras lojas. Itens de alta e baixa rotatividade são, em sua maioria, definições específicas de loja. Tragicamente, os mesmos itens de alta rotatividade que esgotaram cedo na temporada e levaram à perda de vendas em uma loja, acabam também perdendo margem em outras lojas quando liquidados nos descontos de fim de temporada. Uma simples análise entre lojas revelará que as lojas tinham capacidade de vender mais de 50% do estoque de baixa rotatividade durante a temporada se o tivessem no momento e local certos.

Qual é a causa raiz, então? 

Podemos assumir com segurança agora que o plano estava aproximadamente correto, ou pelo menos não precisamente errado. Nossa busca pela causa raiz se concentra na execução durante a temporada. 

O problema começa logo na alocação de novas coleções pelos varejistas nas lojas. As estatísticas de vendas ainda não estão disponíveis, e também não podemos usar nossa intuição para prever a taxa de venda de um estilo-cor-tamanho específico em uma loja específica. Uma prática comum dos varejistas é definir normas de curva de tamanho para categorias nas lojas. Por exemplo, se um tamanho principal de uma camisa vende em média duas peças por semana em uma loja de rua, os varejistas podem assumir duas peças como uma norma inicial para os tamanhos principais da mesma categoria em todas as lojas de rua. Mas entendemos agora que essa média é uma falácia. É uma média dos poucos itens de altíssima rotatividade que podem vender até dez peças por semana e de muitos itens de baixa rotatividade que não venderam nenhuma. Começar com um estoque superinflacionado nas lojas gera um alto estoque de itens de baixa rotatividade nas lojas e restringe o estoque restante no armazém para o reabastecimento dos itens de alta rotatividade das lojas.

Sabendo que o plano de alocação não é uma ciência exata, os varejistas tentam ajustar as normas de SKU com base na demanda real da temporada. A abordagem comum são algoritmos de previsão convencionais, como previsões contínuas e metas dinâmicas de MIN-MAX. O erro infeliz aqui é que a vida útil da coleção pode ser tão curta quanto 4-6 semanas, e a taxa média de venda de um produto típico é tão baixa quanto 1-2 peças em 2 semanas. Em tal realidade, esses algoritmos falharão em responder às tendências de demanda ou responderão constantemente a ruídos. Em palavras simples, quando obtemos estatísticas suficientes para uma previsão precisa, a temporada acaba e a maior parte do estoque está mal alocada nas lojas erradas.       

Como podemos usar a IA para sair da espiral negativa da indústria? 

Trabalhei com cientistas de dados ao longo dos anos em busca da combinação certa de tecnologia que permitirá aos varejistas melhorar consideravelmente suas operações durante a temporada por meio da automação. Reduzimos a três áreas nas quais a IA levou a avanços:

1. Agrupamento Comportamental: Uma técnica comum de IA que identifica e divide dados não rotulados em diferentes grupos, de modo que os pontos de dados sejam semelhantes. Se aplicada à demanda no nível SKU-Localização, essa abordagem tem o poder de permitir uma transição eficaz da previsão convencional para uma Previsão de Curto Prazo de resposta rápida. O algoritmo agrupa produtos em tempo real com base em seu padrão de demanda identificado e adapta seu alvo de acordo.     
2. Similaridade de Produtos: Aprende o impacto dos atributos do produto e de várias combinações de atributos do produto na demanda por produtos. Métodos conhecidos como “Features-Embedding” traduzem a informação semântica nos dados para uma forma numérica que os algoritmos podem entender e usar para encontrar quais produtos são semelhantes entre si. Essa capacidade leva a uma alocação muito mais inteligente de novos produtos com base no aprendizado obtido do comportamento de produtos semelhantes em temporadas anteriores.  
3. Previsão de Demanda Extrema: Usa dados de temporadas passadas para prever as potenciais mudanças na demanda e seu impacto no estoque da loja durante eventos especiais ou promoções. Embora este tópico não tenha sido discutido neste texto, é outra área que pode alimentar o descompasso de estoque entre as lojas. O rápido aumento no tráfego exige um aumento proativo no estoque das lojas para proteger as vendas. Sem as ferramentas para guiar os varejistas sobre quais produtos provavelmente absorverão o aumento da demanda, a abordagem humana comum é errar pelo lado seguro e aumentar proporcionalmente o estoque de todos os produtos desnecessariamente.

Varejistas que implementaram essas táticas demonstraram um aumento de 10%-20% nas vendas durante a temporada, desfrutando de margens mais altas com menos estoque nas lojas e maior frescor na temporada. Finalmente, estabelecendo operações mais escaláveis e previsíveis, onde Merchandisers e Planejadores operam em harmonia e extraem mais satisfação de seu trabalho.