Analisi Comportamento d'Acquisto: Definisci l'Assortimento con i Dati

L’analisi del comportamento d’acquisto, in particolare nel Fashion & Luxury, oggi richiede un nuovo approccio rispetto al passato.

L’analisi del comportamento d’acquisto, in particolare nel Fashion & Luxury, oggi richiede un nuovo approccio rispetto al passato. In un mercato nel quale il brand ormai si è quasi trasformato in una commodity, occorre riuscire a definire il fabbisogno del cliente identificando i cosiddetti “attributi olistici” del prodotto. In altri termini, è fondamentale capire quali sono non tanto gli attributi intrinseci di un determinato prodotto, quanto quelli che gli riconosce il cliente. L’innovazione risiede perciò nel ragionare fuori dagli schemi, tenendo conto ad esempio della funzione d’uso di un capo d’abbigliamento o di un accessorio. La camicia bianca va considerato un indumento casual o formale? Dipende se viene abbinata a un paio di jeans oppure se la si indossa con giacca e cravatta. La funzione d’uso guida il comportamento d’acquisto e, di conseguenza, aiuta a pianificare l’assortimento selezionando il punto vendita che abbia la maggiore probabilità di vendere la camicia bianca in questione. 

Comportamento d’acquisto in chiave data-driven 

Analogo ragionamento va fatto con riguardo alla clusterizzazione del cliente, partendo dal presupposto che gli odierni consumatori sono molto selettivi. Basti pensate ai clienti LOHAS (Lifestyles of Health and Sustainability), che hanno fatto della sostenibilità il proprio stile di vita. Nel loro caso, la caratteristica tecnica del prodotto prevale sulla notorietà del brand. Il comportamento d’acquisto, quindi, apre nuovi mercati nei quali lo stesso cliente può essere sollecitato a replicare gli acquisti, a patto che l’azienda sia in grado di intercettarne correttamente le esigenze. Per farlo ha a disposizione una quantità di dati enorme che proviene dai tanti software utilizzati, a cominciare dal CRM, grazie ai quali l’analisi del comportamento d’acquisto può avvenire in chiave data-driven. Sono i dati, e non le sensazioni, che possono così guidare buyer, merchandiser, responsabili marketing. E sono sempre i dati che rivoluzionano il meccanismo consueto della tentata vendita che di solito procede, appunto, per tentativi. 

Dalla tentata vendita alla riduzione del time to market 

La pandemia, da questo punto di vista, ha accelerato questo sistema innovativo di analisi del comportamento d’acquisto, perché ha reso necessaria l’ottimizzazione degli investimenti destinati ad avere una resa maggiore. La tentata vendita, basata su stock alti di magazzino e un assortimento che ruota molto lentamente, è un paradigma che poteva andare bene quando la logica della produzione seguiva quella della stagionalità. Nell’attuale congiuntura, il fattore tempo si è aggiunto come quarta dimensione alle altre tre (cliente, punto vendita e prodotto), andando a incidere anche sui cicli produttivi e contribuendo a ridurre il time to market delle aziende. Perfino i brand del lusso hanno accorciato il tempo di attraversamento nelle loro fabbriche, convertendole in smart factory o prevedendo linee di produzione dedicate ai prodotti con più alto potenziale. In sostanza, i calcoli statistici su cui deve fondarsi un metodo data-driven oggi non sono finalizzati soltanto a definire l’assortimento, ma anche a massimizzare l’efficienza produttiva. 

AI e competenze per l’analisi del comportamento d’acquisto 

La stagionalità, come criterio standard delle uscite delle collezioni moda, tende ad avere un ruolo marginale anche negli strumenti di pianificazione come i Merchandise Financial Planning con cui programmare, fra l’altro, l’assortimento nei punti vendita. Prelevare sempre di più l’esperienza sulla gestione del dato dal modello fast fashion permette di gestire una domanda di mercato continuamente mutevole grazie alla definizione di un assortimento più veloce orientato al cliente e a una logica di produzione snella. A governare tutto questo cooperano gli algoritmi di intelligenza artificiale (AI), che supportano l’azienda nell’utilizzo di quegli attributi olistici a cui si è fatto cenno all’inizio. Ma, prima ancora, per condurre un’analisi realmente data-driven sul comportamento d’acquisto bisogna ricorrere a specifiche competenze e a professionalità, come quella del data scientist e di esperti del settore, in grado di saper interpretare le informazioni e di modellare l’algoritmo giusto per rispondere all’esigenza del cliente.