Il machine learning nel riassortimento dei cibi freschi da asporto: il Caso WHSmith

L’azienda britannica WHSmith è diventata famosa come rivenditore di libri e cancelleria.

Oggi è uno dei retailer più noti della Gran Bretagna e ha diversificato il proprio assortimento, che ora include anche 530 referenze nella categoria dei cibi freschi da asporto come panini, insalate e pasticcini.

WHSmith cercava una soluzione in grado di ottimizzare il riassortimento dei cibi freschi nei 350 negozi del Regno Unito. L’azienda voleva anche ridurre gli sprechi, prevedere le variazioni della domanda dovute a promozioni e vacanze e gestire più consegne al giorno, in quanto i negozi hanno una capacità di stoccaggio limitata e i prodotti devono essere il più freschi possibile quando raggiungono gli scaffali. 

RELEX ha convinto WHSmith per la tecnologia avanzata e la comprovata esperienza nella gestione dei prodotti alimentari freschi. La fase di specifica del progetto è iniziata a dicembre 2016, il primo negozio ha iniziato a usare il sistema a febbraio e l’utilizzo di RELEX è stato esteso a tutti i punti vendita del Regno Unito entro metà aprile.

“Nelle 12 settimane successive all’implementazione, abbiamo notato una riduzione significativa dello spreco e ci aspettiamo che il risultato migliori ulteriormente. Nel contempo la disponibilità è aumentata” ha affermato Jag Banwait, Merchandise Controller di WHSmith. 

La soluzione fornita da RELEX utilizza i profili dei giorni della settimana per calcolare previsioni accurate a livello di singolo giorno e punto vendita e permette di gestire promozioni, eventi e diverse consegne al giorno per alcuni prodotti. 

Inoltre, la soluzione sfrutta il machine learning per inserire la quantità dei passeggeri in transito negli aeroporti nel calcolo delle previsioni. Il sistema elabora i dati forniti dagli aeroporti e li utilizza per prevedere l’afflusso di clienti nei negozi WHSmith situati all’interno degli scali aeroportuali.

Le prime indicazioni mostrano che questo approccio può contribuire a migliorare la precisione delle previsioni. Il caso studio completo è disponibile qui.