PREV

Case Studies

NEXT

INDICE

Il contesto

Domande chiave

Il problema

La soluzione

I vantaggi

Massimizzare la redditività di una catena di negozi con una strategia Machine Learning interpretabile, generalizzabile ed efficiente.

Come il leader mondiale del settore Hearing Care è riuscito a migliorare la redditività della propria catena di negozi.

Stores Chain Performance Management

Il leader mondiale nell’Hearing Care necessitava di migliorare l’accuratezza nella misurazione delle performance della propria catena di negozi e di una strategia per incrementarne il fatturato nel tempo, senza aumentarne i costi o peggiorarne la qualità del servizio. Tali necessità dovevano essere soddisfatte ottimizzando un insieme di KPIs ideati dal cliente nel tempo attraverso l’esperienza. Inoltre, richiedeva una soluzione “white box”, ovvero il processo di generazione dei risultati doveva essere interpretabile in ogni sua parte. aHead Research ha proposto una soluzione per la modellazione della catena di negozi e per la valutazione delle prestazioni che sfrutta: un metodo di apprendimento non supervisionato per la segmentazione dei negozi; modelli di regressione lineare e non lineare per modellare le relazioni tra i KPIs; un motore di ottimizzazione matematico per fornire KPIs ottimizzati per guidare i miglioramenti dei punti vendita. La necessità di fornire risultati “interpretabili”, nonché coerenti con il business flow, e la presenza di rumore nei dati, rendono necessaria l’ideazione di strategie algoritmiche ad-hoc. Ad esempio, come identificare in maniera oggettiva e per ciascun negozio i KPIs critici e il loro valore target da raggiungere; come ottenere una stima robusta delle loro complesse interrelazioni; come garantire che la soluzione possa essere utilizzata anche per analisi What-If, consentendo a un esperto di dominio di sfruttare il modello per creare scenari di valutazione di KPIs specifici.

Domande chiave:

  • È necessario raggruppare negozi “simili” in clusters per garantire una comparazione “fair”? Se sì, in base a quali attributi?
  • Quali sono i criteri oggettivi che permettono di identificare i KPIs critici di ciascun negozio?
  • Per un dato KPI, come quantificare il valore target che dovrebbe raggiungere? E come garantire che tale valore sia raggiungibile?
  • Come stimare complesse interrelazioni con dati “noisy”?
  • Quale classe di problemi di ottimizzazione matematica è il più adatto?
  • Le soluzioni algoritmiche proposte ai punti precedenti sono realmente “interpretabili”?
  • La soluzione è sufficientemente veloce da calcolare per analisi What-If on-demand?
  • La soluzione è generalizzabile/riutilizzabile ad altri business?

La risposta a queste domande richiede l’utilizzo di algoritmi specifici inseriti in una strategia complessiva volta a garantire la trasparenza dell’intero processo decisionale. Da un lato, il valore ottimo dei KPIs deve essere calcolato in maniera accurata e su basi teoriche solide, al fine di garantire la massimizzazione del fatturato. Dall’altro, tutte le parti del processo decisionale devono essere oggettive, “spiegabili”, coerenti con il business flow e computazionalmente efficienti, per consentire un uso concreto della soluzione come Decision Support System in un contesto aziendale.

IL NOSTRO METODO

IL PROBLEMA

LA SOLUZIONE

I VANTAGGI

Il problema

Identificare i KPIs critici e suggerire un delta di miglioramento realizzabile per ogni negozio

Identificare i KPIs critici e quantificarne un delta di miglioramento raggiungibile nonché coerente con il business flow, è un’attività complessa per i managers. La decisione si basa sia su dati oggettivi di performance, sia su sul know-how ed esperienza personale del manager, assumendo dunque un carattere di soggettività.
La presenza di un numero elevato di KPIs (con la possibilità di introdurne di nuovi) e le complesse interrelazioni che li legano, rendono il compito ancora più arduo. Una volta presa una decisione, essa può essere valutata solo quantificandone gli effetti sul fatturato nei trimestri successivi e, in ogni caso, i drivers della decisione non sono pienamente “spiegabili”, in quanto basati sull’istinto sviluppato dal manager attraverso l’esperienza. Emerge dunque la necessità di rendere questo processo decisionale pienamente oggettivo, interpretabile e automatico.

La soluzione

La soluzione per massimizzare la redditività della catena di negozi

Il team di Data Intelligence di aHead Research ha sviluppato una soluzione Python-based, che implementa un Sistema di Supporto alle Decisioni (DSS) basato su modelli di Machine Learning e su un motore di ottimizzazione matematica. In particolare, la soluzione è composta da quattro blocchi sequenziali:

  1. Clustering gerarchico – raggruppamento dei negozi in maniera non-supervisionata;
  2. Selezione KPIs critici e identificazione valore target – selezione per ogni negozio dei KPIs da migliorare (“critici”) e calcolo di un delta di miglioramento “raggiungibile” e “coerente”;
  3. Modello interrelazioni tra i KPIs – modello di intelligenza artificiale che cattura le relazioni complesse (i.e., grafo delle relazioni) tra leve azionabili e KPIs a livello di singolo negozio;
  4. Ottimizzazione dei KPIs – motore di ottimizzazione matematica utilizzato per fornire un valore ottimale e fattibile dei KPIs critici, al fine di massimizzare i ricavi del negozio.

 

Grazie a questa tecnologia è possibile fornire un supporto concreto ai managers nelle decisioni strategiche più importanti relative alla gestione dei punti vendita:

  • Identificare le principali aree di miglioramento, in modo quantitativo e uniforme tra i negozi, sfruttando i dati storici;
  • Stabilire obiettivi di miglioramento fattibili e coerenti;
  • Comprendere le complesse interrelazioni tra i KPIs e condurre analisi What-If per simulare l’impatto quantitativo di variazioni sui KPIs leva.

    I vantaggi

    I benefici ottenuti

    La soluzione proposta è stata applicata con successo all’ampia catena di negozi (circa 500) gestita dal leader mondiale dell’Hearing Care nel territorio italiano. Per ciascun negozio, il fatturato del 2° trimestre 2021, ottenuto senza il supporto della strategia di IA, è stato confrontato con il fatturato del 2° trimestre 2022, conseguito con l’ausilio della strategia di IA. Per consentire una comparazione “fair”, il trend di crescita è stato sottratto dal fatturato del 2022. I risultati mostrano un significativo aumento del fatturato per quasi tutti i negozi, determinato dalla capacità della strategia di IA di migliorare la valutazione dello stato attuale dei punti vendita e di indicare le correzioni ottimali ai KPIs critici. I suggerimenti proposti dalla soluzione sono stati valutati positivamente dai managers, sia in termini di aree critiche identificate che di fattibilità e coerenza delle correzioni proposte.   

    Inoltre, la generalità della strategia di IA e la sua indipendenza dal tipo di business, la rendono riutilizzabile da (quasi) ogni altro tipo di catena di negozi. Gli steps sequenziali e l’interpretabilità dei modelli di Machine Learning utilizzati, permettono di capire il modo in cui i risultati vengono generati. Questa trasparenza è particolarmente utile al business, dove le soluzioni proposte devono essere non solo efficaci, ma anche spiegabili agli stakeholders. La strategia di IA è parsimoniosa nel numero di parametri usati e non richiede hardware specifici o lunghi tempi di elaborazione. Si presta dunque ad essere usata come strumento di simulazione dove dozzine di differenti scenari What-If possono essere testati per valutare l’impatto sul fatturato di differenti correzioni dei KPIs.