A Coppel está no meio de uma estratégia de transformação de US$ 4,6 bilhões, e o uso da inteligência artificial (IA) como ferramenta para ajudar no merchandising está no topo da lista de prioridades.
A maior rede de lojas de departamentos do México testou IA preditiva usando a plataforma da First Insight em roupas femininas de marca própria em uma linha de produtos de 462 itens. A Coppel está agora expandindo esse programa piloto para incluir marcas próprias para homens e mulheres. A plataforma prevê a probabilidade de os clientes comprarem um produto com base na opinião direta do consumidor, tornando-a uma ferramenta analítica para orientar os comerciantes da Coppel sobre quais produtos de calçados de marca própria desenvolver e como posicionar e precificar os itens antes de colocá-los no mercado.
A Footwear News entrevistou Daniela Orduña, diretora divisional de mercadorias da Coppel, e Viki Zabala, diretor de estratégia e crescimento da First Insight, para obter a perspectiva deles sobre o uso de IA preditiva no merchandising de calçados.
FN: A Coppel usou tecnologia de IA antes de trabalhar com a First Insight para outras operações, como gestão da cadeia de suprimentos ou sourcing?
Daniela Orduña: Sim. A Coppel integrou recursos de IA em diversas partes do negócio. Somos um grande varejista omnicanal com um negócio significativo de serviços financeiros – lojas Coppel, BanCoppel e Afore Coppel – e a IA desempenha um papel em áreas como otimização de pesquisa de comércio eletrônico, comércio conversacional no WhatsApp e IA na modernização da cadeia de suprimentos. O que o First Insight traz é uma aplicação de IA diferente daquela que usamos historicamente. A IA que implantamos até agora está em grande parte operacional – otimizando o que já existe. A IA preditiva do First Insight funciona no que ainda não existe: ela prevê como os clientes responderão aos produtos antes de produzi-los. Essa é uma nova capacidade para nós e é onde acreditamos que reside a próxima camada de vantagem competitiva.
FN: Qual foi o raciocínio por trás da decisão agora de usar uma ferramenta preditiva de IA para desenvolvimento de produtos e merchandising?
FAZER: Nossas equipes comerciais sempre confiaram em uma combinação de experiência profissional, dados históricos de vendas e feedback direto dos clientes para tomar decisões sobre produtos e merchandising. À medida que as expectativas dos clientes continuam a evoluir e o ambiente de retalho se torna cada vez mais dinâmico, vimos uma oportunidade de fortalecer este processo de tomada de decisão com IA preditiva. Ao integrar o First Insight em nossos fluxos de trabalho de merchandising e desenvolvimento de produtos, podemos tomar decisões mais informadas, entregar produtos que atendam melhor às necessidades dos clientes e criar experiências de compra mais relevantes e envolventes.
FN: A Coppel realizou algum teste sobre o uso de IA preditiva para desenvolvimento de produtos e merchandising? E se sim, quais foram os resultados?
FAZER: Começamos com um piloto em vestuário feminino, que é a nossa maior categoria, onde testamos uma variedade de centenas de estilos. Já forneceu às nossas equipes comerciais insights adicionais valiosos para a tomada de decisões sobre marcas, produtos e tendências. Agora estamos expandindo o trabalho para categorias adicionais — incluindo vestuário masculino e calçados femininos e masculinos — usando a mesma abordagem preditiva de inteligência do consumidor para orientar as decisões de sortimento e preços em cada etapa. Esperamos ter os resultados definitivos deste piloto até o final deste ano.
FN: Qual é o feedback dos consumidores? É baseado no que eles compram e quanto? São usados grupos focais? Existe alguma seção em algum lugar onde os consumidores possam postar comentários sobre um produto? Como sabemos que os dados são representativos da base de consumidores-alvo?
Viki Zabala: Para qualquer produto que um varejista esteja considerando, coletamos feedback direto do consumidor em um ambiente fechado de pesquisa digital de um público-alvo que corresponda à sua base de clientes. Os consumidores veem o produto e respondem a perguntas estruturadas sobre intenção de compra, valor percebido e preço – além de comentários abertos, fornecidos por mais da metade dos entrevistados.
Nossa IA preditiva valida e pondera o sinal de cada respondente usando uma metodologia construída ao longo de 20 anos de correlação do feedback do consumidor com os resultados reais do mercado. Em seguida, ele converte o sinal validado em um conjunto de resultados preditivos: pontuação de valor, preço do modelo, curva de demanda e curva de elasticidade de preço. Esses resultados são previsões de como o mercado irá realmente responder, e não resultados de pesquisas.
Os varejistas nos dizem quem é seu cliente-alvo — seja uma determinada faixa etária, região, renda, perfil de compras, estilo de vida ou qualquer combinação desses — e construímos esse público a partir de nossa rede de mais de 360 milhões de consumidores reais em 180 países e 67 idiomas. Também podemos sobrepor vários perfis de consumidores no mesmo estudo, de modo que o (sistema) leve em conta como os diferentes segmentos se comportam.
FN: O que exatamente está incluído na plataforma First Insight? Como ele sabe sobre o ajuste? No caso do calçado, a plataforma pede a opinião direta do consumidor ou analisa quais sapatos são devolvidos e quais são encomendados e guardados? E quais são alguns dos exemplos de dados coletados sobre estilos de calçados? É dedo aberto versus dedo fechado? Altura do salto?
Por exemplo: A plataforma é construída com base na opinião direta do consumidor sobre os produtos antes de eles chegarem ao mercado, em vez de apenas retornar dados, análise de novos pedidos ou histórico de vendas. Capturamos o sinal do consumidor (para) a pré-produção e, em seguida, a nossa IA preditiva converte-o num conjunto de resultados que os retalhistas utilizam para tomar decisões de merchandising.
Para qualquer produto, a plataforma produz quatro resultados preditivos principais: pontuação de valor: uma classificação preditiva de 1 a 10 da probabilidade de um produto ser vendido pelo preço total; preço modelo: um preço médio de venda previsto, muitas vezes projetado com 8 a 16 meses de antecedência; curva de demanda: (potencial total de mercado) demanda no nível do produto, e curva de elasticidade de preço: (o que pode realmente ser atendido) entre pontos de preço, com cadências de redução modeladas.
Especificamente para calçados, os varejistas decidem quais atributos desejam avaliar. Os consumidores veem o produto – fotografia, renderizações (projetos auxiliados por computador), etc. – e respondem a perguntas estruturadas sobre silhueta, cor, material, formato do dedo do pé, altura do salto, construção da sola, dicas da marca e qualquer outro atributo sobre o qual o varejista deseja feedback….
O teste de ajuste físico ainda acontece na amostragem e no teste de desgaste. O que a IA preditiva detecta na pré-produção é se os consumidores esperam que uma silhueta específica caiba, se a largura ou o detalhe da tira criam preocupações e se o design sinaliza qualidade ou baixo custo. Essas leituras iniciais geralmente detectam problemas que, de outra forma, surgiriam como retornos posteriores.
FN: Como você determina as tendências futuras usando IA preditiva em calçados (e) como a IA preditiva também informa a Coppel sobre qual deve ser o limite de preço para qualquer estilo de calçado?
VZ: Estamos medindo o que os consumidores estão nos dizendo agora mesmo e usar isso para ajudar os varejistas a tomar melhores decisões sobre o que está por vir.
Quando milhares de consumidores respondem consistentemente de forma positiva a determinados atributos, estilos ou preços de produtos, padrões começam a surgir. Os varejistas podem ver quais conceitos estão ganhando força e quais não têm a demanda esperada. É assim que você começa a ver algo como “os consumidores estão respondendo mais fortemente aos desfiles de moda agora do que aos tênis da moda” e isso aparece no sinal antes de aparecer nas vendas.
O preço é uma grande parte do que a plataforma faz. Para um novo produto, podemos identificar o preço ideal com base no feedback do consumidor, essencialmente o preço ao qual a procura é mais forte. Também podemos perguntar diretamente aos consumidores quanto eles estariam dispostos a pagar e se sua intenção de compra muda se o preço aumentar ou diminuir em um determinado valor. Isso dá aos retalhistas uma imagem muito mais clara dos limites de preços e das oportunidades de margem do que esperar para ver o desempenho de um produto com descontos.
FN: Conte-me mais sobre como você pode usar IA preditiva para merchandising de calçados. E quanto a como determinar antecipadamente quais estilos colocar em produção?
Por exemplo: A maioria dos varejistas hoje toma decisões de merchandising usando uma combinação de histórico de vendas, previsão de tendências, experiência do comerciante e análise competitiva. Todos esses dados são importantes, mas todos olham para trás, o que significa que só podem contar aos comerciantes o que já aconteceu. A IA preditiva adiciona uma camada de entrada voltada para o futuro: o que os consumidores reais dizem sobre um produto antes de ele ser produzido.
Isto é mais importante no calçado do que em quase qualquer outra categoria. O calçado tem a taxa de retorno mais elevada de qualquer categoria DTC (direto ao consumidor), cerca de 31 por cento, a taxa de conversão online mais baixa das principais categorias de retalho, e as remarcações punem desproporcionalmente as apostas perdidas. Cada decisão de produto antes da produção tem mais peso económico no calçado do que no vestuário – que é exatamente onde o sinal preditivo de pré-produção ganha o seu sustento.
Mecanicamente, é assim que funciona para um comerciante de calçados. O comerciante faz uma análise de linha com 10, 50 ou 100 estilos candidatos competindo por slots de produção, que eles então analisam por meio do First Insight. A IA retorna uma pontuação de valor classificada para cada um, um modelo de previsão de preço, profundidade de demanda, além de uma análise de alcance e penetração que informa quais combinações de estilos funcionam melhor juntas como um sortimento. O sistema também documenta (os produtos que) terão desempenho inferior, o que muitas vezes é a questão com a qual os comerciantes mais se preocupam, porque eliminar antecipadamente as apostas erradas libera capital para as apostas certas.
FN: E se você está olhando para o que produzir, dados os prazos de entrega de cerca de um ano para calçados, a análise preditiva é principalmente dentro desse cronograma de um ano ou pode fazer previsões que vão um pouco mais longe (digamos que você queira comprar insumos brutos antecipadamente para capturar preços vantajosos para uso muito mais adiante)?
O ponto ideal é ajudar os varejistas a tomar decisões durante os ciclos ativos de desenvolvimento de produtos e merchandising, quando estão decidindo o que adquirir, produzir e projetar. Nossa IA preditiva prevê a demanda e a elasticidade de preços com 8 a 16 meses de antecedência, que é o mesmo horizonte em que um comerciante de calçados opera quando toma decisões de produção. Portanto, o sinal é cronometrado exatamente para o ciclo de merchandising.
A plataforma não é uma ferramenta de precificação de commodities, mas o sinal prospectivo do consumidor que coletamos é diretamente útil para decisões de fornecimento em um horizonte mais longo. Quanto mais cedo um varejista puder detectar uma mudança duradoura na preferência do consumidor, (como) uma silhueta específica, material, direção de cor ou caso de uso, mais confiante ele poderá se comprometer previamente com matérias-primas e capacidade.
