Branded content
 

Dat rode zwembroeken bij warm weer over de toonbanken van Spaanse modewinkels vliegen, valt goed te verklaren. Maar wanneer je antwoord zoekt op de vraag waarom een regenjas in een winkel in Oost-Nederland beter verkoopt dan in onze hoofdstad, wordt het al gauw nattevingerwerk. Precies om die reden dook America Today in de wereld van demand forecasting. Dit zijn de eerste bevindingen.

Het is een hoofdpijndossier voor talloze retailers: voorraden. Te weinig items in het magazijn van een winkel zorgt voor ongewenste gemiste sales, terwijl de andere kant van de medaille niet veel beter is. Aan het einde van een seizoen wil je (ook om milieu-overwegingen) geen halve kledingcollectie moeten weggooien. Een perfecte balans was voor Linda Jager, head of merchandising bij America Today, een utopie. 

“Verdeeld over tachtig kanalen heb je te maken met spelregels die continu veranderen. Want afgezien van je eigen winkels (circa zestig, red.), heb je ook nog te maken met partners als Wehkamp en Zalando. Waar leg je wel en niet je items neer? En welke marge pak je dan?” Nogmaals: hoofdpijndossier. 

Om deze complexe materie te versimpelen zette America Today hier vanaf begin 2019 een team van vijf medewerkers op. Deze medewerkers, die allocators genoemd werden, mochten dagelijks met Excel aan de gang om te bepalen welke nieuwe artikelen er werden ingekocht en hoeveel van deze items in welke winkel moesten liggen. “Als we in het weekend een aanbieding hadden, moesten de allocators op maandag gehaast alle voorraden checken en direct schakelen om alles weer aan te vullen of door te schuiven.” 

Van kleur tot weer

America Today had behoefte aan meer diepte-informatie om gerichter voorraden te kunnen aanvullen en zodoende slimmer te kunnen verkopen. In deze zoektocht kwam Jager terecht bij softwareleverancier Thunderstock, dat middels artificial intelligence gebruikmaakt van demand forecasting. 

Daarna ging het snel. Ongeordende data van jarenlange verkoop- en voorraadhistorie werden verzameld en verrijkt met context. Modeitems van jassen tot broeken, kregen artikeleigenschappen mee zoals kleur en materiaal. Ook werden labels zoals verkooplocaties, weersomstandigheden tijdens de verkoop en jaargetijden meegegeven. “Al die variabelen zijn kenmerkend voor de modeindustrie en ontzettend belangrijk. Als het harder regent dan normaal, heb je direct ander klantgedrag.”

In de stappen die volgen, worden AI-modellen ingezet. Verbanden worden gelegd, waardoor het bijvoorbeeld inzichtelijk wordt waarom in winkel A of B te veel voorraad is ontstaan, maar een item in winkel C vrij snel uitverkocht was. Na de implementatie zag Jager daarom een wereld van verschil. In cijfers: veertig procent minder gemiste verkopen en dertig procent minder overtollige voorraad. Alles doordat er meer diepte-informatie beschikbaar werd over de verkopen mode-items in de winkels en online.

Voor de allocators werd real-time inzichtelijk wat de verkoop doet, en dus ook of het nodig is om bepaalde artikelen in een winkel aan te vullen. Jager: “Als we bijvoorbeeld een lounge-set willen verkopen, één van onze bestverkochte items, kan je daar nu heel eenvoudig de verkooppotentie en het verwachte resultaat aan koppelen, én een lifecycle. Dat zit zo: als een allocator ervoor kiest om de eerste vier weken minimaal een X-aantal sets in de winkel te hebben liggen – omdat de displays er anders niet mooi uit zien – kijkt het model continu naar wat er moet gebeuren om dat minimum in alle winkels hetzelfde te houden.”

Mensen blijven verantwoordelijk 

Hoewel artificial intelligence alles te maken heeft met technologie, draait het volgens Jager om de medewerkers. “Niet alleen konden we het aantal allocators terugbrengen van vijf naar twee – zij hadden veel meer inzicht in wat er gebeurde met de mode-items en waarom. Het is namelijk niet zo dat de tools keuzes voor ons maken: er blijven altijd mensen verantwoordelijk voor hoe de productstromen lopen.”

Met de datasets liggen echter niet alleen kansen voor slimme bevoorrading, vindt Jager. “Het is zonde als we daar niet meer mee kunnen doen. Vooral binnen onze inkoopmodule liggen er echt nog kansen.” De head of merchandising noemt het voorbeeld van het inkopen van een zwarte leren jas. “Op basis van historische data suggereert het AI-model aan de hand van die artikelkenmerken waar het artikel op lijkt. Daarmee kan ik worden geadviseerd over de verwachte verkoop in bepaalde winkels, waardoor ik kan beslissen hoeveel stuks ik moet inkopen.” Binnen het inkoopproces loopt America Today op dit moment nog tegen beperkingen aan. “Nogmaals: je wilt zoveel mogelijk artikelen verkopen en geen overstock hebben. Die balans is niet alleen moeilijk te vinden met bestaande kledingitems: ook voor nieuwe producten vormt het een uitdaging.” 

Jager verwacht minder foutmarges wanneer de datamodules ook in het inkoopproces een rol gaan spelen. “Het is heel simpel: met achtergrondinformatie kom je beslagen ten ijs. Het kan bijvoorbeeld enorm verschillen wáár je iets neerlegt. Een regenjas kan je misschien in het oosten van het land beter verkopen dan in Amsterdam. Als je deze informatie al kunt halen uit bestaande datasets, scheelt dat mogelijk veel gemiste verkopen.”

Financiële resultaten kan Jager nog niet delen – de verbeteringen op inkoopgebied moeten immers nog worden doorgevoerd – maar dit is voor de manager niet het einddoel. “We willen dat onze klanten er blij van worden, en het is nog mooier als we dat van tevoren al kunnen bepalen.” Of AI de holy grail is voor America Today? “Het heeft ons veel gebracht, en hopelijk heeft het ook nog veel meer voor ons in petto. Maar toch vervangt het nooit dat er iemand nodig is om beslissingen te maken. Mensen weten nu aan welke knoppen ze moeten draaien om bepaalde dingen te kunnen veranderen. En dat werkt: mensen vinden hun werk leuker geworden. Ze zijn niet meer domweg bezig met het aanvullen van informatie, maar kunnen ook echt de diepte ingaan.”