Il merchandiser di una catena di abbigliamento mi ha mostrato un foglio Excel a settembre 2025: "Questa è la mia vita". Era un piano di markdown costruito a sentimento. Il cardigan beige scendeva al -30% perché lui pensava di "averne troppi". Il piumino corto restava a prezzo pieno perché "vendeva". Tre mesi dopo, quel cardigan era a -50% e il piumino corto era diventato il problema principale dell'inventario invenduto.
È così che si brucia margine: con piani di sconto fatti a sensazioni, su scala di centinaia di SKU, su 200 PV, ogni stagione. Nessuno se ne accorge subito. A fine anno il P&L mostra un'erosione di margine del 4-5% e si dà la colpa al "mercato difficile".
Il Markdown Reattivo Costa Più del Sell-Through
Il markdown reattivo — abbasso il prezzo perché il prodotto non gira — ha tre problemi strutturali. Il primo è il timing: arrivi sempre tardi, perché ti accorgi del problema quando ce l'hai già davanti. Il secondo è la profondità: senza dati di elasticità, sconti il 30% quando bastava il 15%, oppure sconti il 15% quando ne serviva il 35%. Il terzo è la generalizzazione: applichi lo stesso sconto a tutto il negozio, mentre il problema riguarda due taglie e tre colori.
Risultato: vendite di liquidazione che cannibalizzano vendite a prezzo pieno, margine eroso anche sui prodotti che girano, e clienti che imparano a "aspettare i saldi" invece di comprare in stagione. Su una collezione retail tipica, il markdown reattivo costa tra il 4% e il 7% di margine annuale evitabile.
Il merchandiser senior, dopo vent'anni di mestiere, sente la pancia come parte della propria identità professionale. Mettere un modello tra lui e la decisione sembra una sfiducia. In realtà è un upgrade: la pancia resta utile sul 20% dei casi, il modello gestisce l'80% di routine.
Su una catena da 50 milioni di fatturato, sono 2-3,5 milioni che spariscono. Soldi che esistevano e che, alla chiusura della stagione, non ci sono più.
Cosa Cambia Con il Markdown Predittivo
Il markdown predittivo parte da una premessa diversa: il prezzo finale di un prodotto si decide all'inizio della stagione, non alla fine. L'AI guarda lo storico di sell-through delle SKU per cluster di tipologia, le condizioni di mercato, la rotazione delle prime 3 settimane post-ingresso, e calcola la curva di prezzo ottimale.
Il modello fa tre cose che il foglio Excel non può fare:
- Identifica i prodotti slow-mover dopo 14-21 giorni dall'ingresso, non dopo 60
- Calcola la profondità di sconto minima per attivare la rotazione, basandosi sull'elasticità storica del cluster prodotto
- Differenzia per PV, perché un cardigan beige a Milano ha una curva diversa da quello a Catania
Le catene che applicano markdown predittivo riportano un recupero di margine del 2-4% sui prodotti gestiti dal modello, rispetto allo stesso prodotto gestito a sensazione. Su 12 mesi di operatività, è la differenza tra una stagione "discreta" e una stagione "ottima".
Il Confine Tra Disciplina e Improvvisazione
C'è una resistenza culturale al markdown predittivo che vale la pena nominare. Il merchandiser senior, dopo 20 anni di mestiere, sente la "pancia" come parte della propria identità professionale. Mettere un modello tra lui e la decisione sembra una sfiducia.
In realtà è un upgrade: la pancia resta utile sul 20% dei casi (i prodotti speciali, le situazioni eccezionali), il modello gestisce l'80% di routine, e il merchandiser usa il tempo recuperato per fare il lavoro creativo che il modello non sa fare.
Quando abbiamo iniziato a far suggerire i markdown dal sistema, mi aspettavo che il merchandiser si offendesse. Invece dopo due settimane mi ha detto: 'finalmente posso pensare a cose che il sistema non sa fare'. Il modello gli ha tolto il rumore, non il mestiere.
Le catene che integrano automazioni e workflow sui dati di sell-through smettono di trattare il markdown come decisione episodica e lo trasformano in processo continuo. Ogni lunedì, il sistema propone i prodotti su cui muoversi e di quanto. Il merchandiser approva, modifica, o rifiuta — e impara nel tempo dove il modello sbaglia, così da affinare i parametri.
Quanto vale, per la tua catena, recuperare 3 punti di margine sui markdown? Probabilmente più dell'investimento in qualunque tecnologia retail tu abbia adottato negli ultimi tre anni.
FAQ
Il markdown predittivo è AI o sono modelli statistici? Entrambi. La parte di previsione di domanda usa modelli statistici robusti su serie storiche. La parte di personalizzazione cluster prodotto/PV usa machine learning supervisionato sui dati interni della catena.
Quanto storico serve per implementarlo? Almeno due stagioni complete di sell-through dettagliato per SKU/PV. Catene con meno storico possono partire da modelli a baseline industria, da affinare con i dati reali nei primi 6-9 mesi.
Il merchandiser viene sostituito? No. Cambia mansione: da decisore episodico a regista del processo. Il modello gestisce il routine, lui gestisce l'eccezionale e affina i parametri.
Photos by Eli Nir and Irham Setyaki on Unsplash
