Ціна однієї помилки: як 2 сантиметри тканини заморожують бюджет
Три роки тому до мене за консалтингом звернувся власник мережі доволі успішних бутіків. Він був у розпачі: на складі «зависла» партія із двохсот класичних чорних штанів. Закупник був упевнений в успіху, адже «чорні штани — це одвічна класика, їх купують завжди». Але вони провисіли сезон, другий, третій.
Я приїхала на склад, взяла ці штани до рук і одразу зрозуміла, в чому річ. Лінія талії була занижена рівно на 2 сантиметри в порівнянні з тим силуетом, який жінки вже почали шукати після масового переходу на високу посадку, а ширина штанини звужувалась до низу, хоча світ уже дивився у бік wide-leg. Ідеально пошита, якісна річ із відмінної суміші вовни стала стовідсотковим неліквідом через нюанси лекала. Докладніше про технології, які рятують індустрію від подібних провалів, ми розповіли у нашому повному гіді з аналітики для fashion-бізнесу.
Саме тому грамотно збудована асортиментна матриця магазину одягу — це не питання інтуїції баєра. Це математика. Сьогодні я, Ізабелла Гарсія, хочу поговорити з вами про те, як штучний інтелект змінює правила гри в закупівлі, поєднуючи холодний розрахунок даних із нашою гарячою любов'ю до стилю.
Чому класична асортиментна матриця магазину одягу більше не працює
Нас десятиліттями вчили золотому правилу: 70% асортименту має становити база, 20% — модні сезонні речі та 10% — ультрамодні тренди. Забудьте про цю формулу. В епоху мікротрендів та fast-fashion вона безнадійно застаріла.
Проблема традиційного підходу полягає у «інтуїтивних» закупівлях. Байєр дивиться в Excel-таблицю і бачить: минулого травня ми продали 500 бежевих тренчів. Значить, у травні потрібно замовити 550. Але історична аналітика не враховує контекст. Можливо, минулої весни цей тренч одягла популярна інфлюєнсерка, чи погода була аномально дощовою. Спираючись тільки на минуле, ви неминуче отримуєте ефект «випаленої землі», коли неліквід заморожує оборотний капітал.
За даними звіту McKinsey The State of Fashion (2024), близько 30% всього одягу, що виробляється у світі, ніколи не продається за повною ціною. Третина вашого бюджету вирушає на вішалки з табличкою «Sale -70%» або, що ще гірше, на утилізацію. Щоб цього уникнути, бренди запроваджують розумні алгоритми. До речі, якщо ви хочете комплексно підійти до рентабельності, рекомендую вивчити матеріал про те, як збільшити середній чек у магазині одягу за допомогою крос-сейлу.
Міф про «вічну базу»: пастка для fashion-бізнесу
Найнебезпечніша помилка, з якою я стикаюся, — віра в безпеку базового гардеробу. Багато брендів (особливо в середньому ціновому сегменті 50–150 €) намагаються виживати, відшиваючи ті самі базові футболки та жакети роками.
«Базова біла сорочка 2018 року та базова біла сорочка 2024 року – це дві абсолютно різні речі. Змінюються обсяги, лінія плеча, щільність тканини, форма коміра».
ІІ помічає цю мікро-еволюцію силуету краще, ніж людське око. Глобальна зміна лайфстайлу - наприклад, перехід на віддалення - за кілька місяців зробила жорсткі костюмні тканини незатребуваними. Купуючи «безпечні» позиції у величезних обсягах, ви ризикуєте найбільше, тому що база теж має свій термін придатності.
Штучний інтелект як новий головний баєр: як це працює
Перехід від історичної аналітики до предиктивної (predictive analytics) – це квантовий стрибок. ІІ не запитує «що ми продали вчора?», він вважає «що вони захочуть купити завтра?».
Для цього нейромережі збирають колосальний обсяг даних: пошукові запити, активність у соціальних мережах, макроекономічні фактори та навіть довгострокові прогнози погоди. Але справжня магія відбувається завдяки комп'ютерному зору. Алгоритми сканують мільйони фотографій стрітстайлу з тижнів моди у Парижі, Мілані та Копенгагені. Вони розбивають образи на пікселі, аналізуючи відтінки, фактури та довжини.
Яскравий приклад із недавньої практики: великі fashion-конгломерати, які використовують ІІ, передбачили тотальний бум на глибокий колір «бургунді» (cherry red) майже за 8 місяців до того, як він з'явився у мас-маркеті на кшталт Zara чи COS. Поки звичайні закупівлі сумнівалися, алгоритм чітко показав висхідний тренд. Про те, як ще технології змінюють ритейл, читайте у статті про персоналізацію в e-commerce.
Формула ідеальної закупівлі: як ІІ рятує бюджет від неліквіду
Одна з головних помилок для формування асортименту — створення єдиної матриці для всієї мережі. Асортиментна матриця магазину одягу у жвавому фінансовому кварталі мегаполісу та в спокійному спальному районі – це два різні всесвіти.
ІІ допомагає провести ювелірну локалізацію. Він оптимізує глибину (кількість одиниць одного SKU) та ширину (різноманітність моделей) асортименту під конкретну точку. Більше того, алгоритми вибудовують матрицю за принципами створення ідеальної капсули. Як стиліст, я завжди говорю: речі повинні «продавати» один одного. Якщо ви повісили в зал розкішний лляний жакет за 180 €, поруч обов'язково повинен висіти шовковий топ, що ідеально підходить до нього, за 60 €. Про цей принцип ми докладно говорили у посібнику зі створення капсульного гардеробу.
Крім того, ІІ включає динамічне ціноутворення. Замість того, щоб чекати кінця сезону і робити обвальну знижку в 50%, система може порекомендувати знизити ціну лише на 5% прямо зараз, помітивши падіння інтересу до конкретної моделі. Це зберігає вашу маржинальність.
Інтелектуальний розподіл розмірів
Кінець епохи сліпого розподілу 1-2-2-1 (одна XS, дві S, дві M, одна L) настав. Цей розподіл десятиліттями генерував величезні збитки.
ІІ аналізує антропометричні дані конкретного регіону продажу. Він знає, що у північних країнах скандинавського типу попит на розміри L і XL+ історично вищий, а азіатському регіоні матриця повинна зміщуватися убік XS і XXS. Інтелектуальне розподіл розмірів знижує видатки складські залишки до 40% (дані WGSN, 2023).
Ваш ідеальний образ починається тут
Приєднуйтесь до тисяч користувачів, які щодня виглядають бездоганно з MioLook.
Почати безкоштовноКреатив vs Аналітика: чи вб'є нейромережу професію дизайнера та стиліста?
В промисловості витає страх: «ІІ зробить всю моду однаковою, вивіреною до міліметра, але бездушною». Скажу чесно: це міф.
Як практикуючий стиліст, я не боюся ІІ, я його обожнюю. Машина ніколи не зможе замінити емпатії. Нейросеть не подивиться в очі клієнтці і не скаже: «У цій сукні ви виглядаєте розкішно, вона підкреслює ваш характер». Але машина подбає про те, щоб ця сукня потрібного відтінку та розміру гарантовано висіла на складі.
У цьому полягає головна синергія людини і алгоритму. ІІ бере на себе рутинні розрахунки комерційної бази, страхує ризики та звільняє бюджет. А на заощаджені гроші дизайнер може дозволити собі сміливі творчі експерименти. Аналітика дає полотно та фарби, а ми, люди, додаємо туди емоції, середземноморську пристрасть та харизму.
Коли ІІ не працює? Алгоритми часто пасують перед абсолютно новими, авангардними формами (наприклад, деконструктивізм), для яких просто немає історичних даних чи візуальних патернів у минулому. Тут інтуїція візіонера все ще керує балом.
Чек-лист: 5 кроків до впровадження AI-аналітики для оптимізації асортименту
Перехід на data-driven підхід не відбувається за день. Якщо ви власник fashion-бізнесу, ось ваш покроковий план без води:
- Оцифрування даних. ІІ харчується даними. Вам потрібно перевести в цифровий формат абсолютно всі історичні продажі, повернення та залишки щонайменше за останні 2 роки. Почитайте, як знизити відсоток повернення одягу щоб ваші дані були чистішими.
- Інтеграція систем. Зв'яжіть ERP-систему складів з CRM та програмами лояльності. Алгоритм повинен бачити зв'язок між покупкою блузки та профілем клієнта (вік, частота покупок, середній чек).
- Мікро-тестування. Не віддавайте ІІ одразу весь бюджет. Протестуйте predictive-інструменти на вузькій капсулі, наприклад, тільки на сезонному верхньому одязі (пальто та куртки) або денімі.
- Зміна mindset (мислення) команди. Це найскладніший етап. Байєри з 15-річним стажем чинитимуть опір рішенням машини. Важливо навчити команду читати дашборди та довіряти цифрам більше, ніж власному «чуттю».
- Моніторинг у реальному часі. Мода більше не мешкає двома сезонами. Цикл fast fashion потребує коригування матриці кожні 2-3 тижні на основі актуального попиту.
Екосистема MioLook: як дані користувальницьких гардеробів змінюють ритейл
Звідки береться найчистіша і найчесніша аналітика? Не з подіумів, та якщо з реальних шаф звичайних жінок. І тут на сцену виходять такі рішення, як віртуальні примірювальні та розумні гардероби.
Коли користувачі оцифровують свої речі в програмі MioLook , Алгоритми (в знеособленому вигляді) аналізують реальний гардеробний склад. Якщо система бачить, що десятки тисяч жінок мають широкі джинси, але їм відчайдушно не вистачає вкорочених кардиганів для створення гармонійного образу, це стає прямим сигналом для рітейлу.
Розуміючи, яких елементів не вистачає в особистих капсулах вашої цільової аудиторії, ви формуєте матрицю під 100% підтверджений попит. А інтеграція віртуальної примірювальної на сайт допомагає клієнтам заздалегідь зрозуміти посадку, знижуючи повернення.
Асортиментна матриця майбутнього – це не Excel-таблиця. Це живий, безперервний діалог між брендом та клієнтом, перекладений мовою алгоритмів. Штучний інтелект не забирає у моди душу, він просто прибирає із неї зайве сміття на складах, залишаючи нам простір для чистого стилю.
