Per una catena retail di fast fashion con collezione stagionale, una catena di alimenti freschi o un retailer con shelf-life corta, la decisione di ridurre il prezzo monotonicamente lungo la stagione per smaltire lo stock — quando e di quale percentuale. In letteratura: Markdown Pricing — Smith-Achabal (1998), Bitran-Mondschein (1997), Caro-Gallien (2012).
In breve
Ti suona familiare?
- Siamo una catena fast fashion con collezione stagionale di 200-1.000 SKU; ogni stagione (estate/inverno) arriva una nuova collezione, dopo 4-12 settimane bisogna smaltire lo stock invenduto — usiamo la regola 'aggiungi 10% di sconto ogni settimana' e non sappiamo quanto siamo lontani dall'ottimo.
- Gestiamo una catena di 30-100 negozi di abbigliamento-scarpe-accessori; lo stock non venduto a fine stagione diventa dead stock al 20-35%, venduto a prezzi di salvataggio o donato.
- Siamo una catena di alimenti freschi (fruttivendolo, panificio, macelleria, piatti pronti); gli articoli giornalieri vanno smaltiti vicino alla scadenza — '30% di sconto dopo le 18' è basato su regole; quale SKU si svuota a che ora con quale sconto non è analizzato.
- Siamo un retailer e-commerce; i prezzi degli SKU sensibili alla moda possono aggiornarsi giornalmente — ma 'quale prezzo in quale giorno' lo decide il pianificatore per intuito, l'elasticità non è quantificata.
- A metà stagione un competitor ha aperto sconti del 40%; abbiamo risposto con il 30%, ma quale SKU a che percentuale era ottimale — siamo arrivati tardi o presto — non lo misuriamo.
- C'è preoccupazione per l'immagine di marca: 'sconti profondi erodono la percezione premium', ma 'quanto basso è il dead-stock accettabile a fine stagione' non ha risposta numerica.
- Ad ogni chiusura di stagione 'qual è il margine lordo reale' è intuitivo — non esiste una simulazione di 'se il timing dei markdown fosse stato ottimale, quanto avremmo guadagnato in più'.
- Dipendiamo da una piattaforma di pricing retail di un solo fornitore; è incluso un modulo di 'ottimizzazione markdown' ma quale approccio accademico (Smith-Achabal, Bitran-Mondschein, Bayesian) usa non è trasparente.
Perché è importante
Come si risolve
Profondità tecnica
Come si risolve
Profondità tecnicaIn una frase: All’inizio della stagione stima l’elasticità prezzo-domanda per ogni SKU (quanto un calo dell'1% nel prezzo alza la domanda); per le settimane rimanenti fino al termine stagione, scegli il prezzo settimanale con programmazione dinamica (induzione all’indietro — dalla fine al principio) — profitto totale massimo (incluso valore residuo di fine stagione) sotto un tetto di sconto massimo che protegge l’immagine di marca.
In letteratura di Ricerca Operativa (disciplina che usa matematica e informatica per risolvere decisioni di business) e di pricing retail il problema si chiama Markdown Pricing o Dynamic Pricing for Perishables. Le fondamenta accademiche sono state poste tra fine anni ‘90 e primi 2000: programmazione dinamica deterministica, DP stocastico con domanda Poisson, rassegne esaustive e pilot reali presso retailer fast-fashion. Soluzione in tre fasi:
1. Modellazione — calendario di stagione + curva domanda-prezzo + vincolo di monotonia. Input: (a) calendario stagione — inizio (es. estate marzo, inverno settembre), fine (4-12 settimane), punti di decisione settimanali o giornalieri, (b) dati SKU — stock iniziale, prezzo pieno, costo, categoria (moda-sensibile / basic, stagionale / continuo, esclusivo retailer / brand), (c) curva domanda-prezzo — domanda settimanale attesa a prezzo pieno + elasticità (1% di calo prezzo alza la domanda di X%); stimata da dati di stagioni precedenti (almeno 4-8 stagioni) via regressione o analogia, (d) valore di salvataggio dead-stock, (e) vincoli — step di markdown (10/20/30/40/50%), cap massimo per protezione immagine (≤50%), markdown monotono (prezzo scende, non risale — distinzione chiave con RM), prezzo minimo. Variabili decisionali: per SKU × per settimana, percentuale di markdown dal pannello. Obiettivo: massimizzare profitto totale stagione = Σ (prezzo − costo) × vendite + valore di salvataggio.
2. Soluzione — Smith-Achabal deterministico, Bitran-Mondschein stocastico, Bayesian + Thompson sampling. Smith-Achabal (1998) DP deterministico — curva di domanda deterministica, induzione all’indietro calcola il prezzo ottimale settimanale; semplice e veloce, calcolabile a mano a scala SKU+negozio singolo. Bitran-Mondschein (1997) DP stocastico — domanda Poisson, prezzi aggiornati settimanalmente; scala media (50-300 SKU) in minuti. MIP multi-prodotto — effetti di cannibalizzazione (sconto su SKU X colpisce vendite SKU Y); MIP su calendario × pannello SKU × pannello markdown, solver commerciale o open-source maturo risolve in minuti-ore (200-1.000 SKU). Bayesian dynamic pricing + Thompson sampling — elasticità incerta, aggiornamento Bayesiano settimanale, Thompson bilancia esplorazione-sfruttamento; approccio moderno per il re-pricing giornaliero e-commerce; Caro-Gallien (2012) applicato in pilota fast fashion. Euristica + simulazione — regola semplice + simulazione; non accademicamente ottimale ma semplice. Disposizione fine stagione — outlet / donazione / carry-over come input di valore di salvataggio.
3. Integrazione sul campo — pannello prezzi + flusso di approvazione + calibrazione fine stagione. Output a quattro strati: (a) pannello settimanale di raccomandazione prezzi — per SKU × settimana, prezzo suggerito, vendite attese, stock atteso fine stagione, contributo al margine, (b) visualizzazione calendario markdown — tipo Gantt: quale SKU con quale banda di sconto in quale settimana; approvato a inizio stagione, rivisto in caso di scostamento, (c) report di tracking prezzi competitor — giornaliero/settimanale, allarme se scostamento > X% con revisione raccomandata, (d) report rendimento + calibrazione fine stagione — reale vs. previsto, scostamento di elasticità, ratio dead stock, margine lordo; questo report aggiorna il modello della prossima stagione. Integrazione superiore: PIM, POS, piattaforma e-commerce, WMS, flusso di approvazione del category manager. Il flusso di approvazione è critico: i suggerimenti ottimali non si applicano automaticamente, il category manager approva (specialmente per variazioni > X%); immagine e posizionamento di marca restano giudizio umano. Comitato fine stagione (4× l’anno): reale vs. plan margine, ratio dead stock, calibrazione elasticità, lezioni per il prossimo modello.
Alternative
Manuale + foglio di calcolo con regola di markdown
GratuitoZero licenza
Per chi: Retailer piccolo (negozio singolo, <100 SKU/stagione), collezione semplice
- + Zero costo software
- + Esperienza sul campo del category manager in primo piano
- + Regola singola (es. 10% sett 4, 20% sett 6, 30% sett 8) applicata velocemente
- + Ciclo di approvazione corto
- − Oltre 100 SKU non si costruisce curva tempo-prezzo manualmente
- − Elasticità non stimata, solo intuitiva
- − Dead stock 20-35% — ottimale -20-30%, non misurato
- − Tracking competitor in ritardo — manuale
- − Calibrazione fine stagione non scritta
Solver open-source + modello markdown proprio
Open SourceLicenza libera; 12-24 settimane sviluppo interno o 500K-1,5M TRY consulenza
Per chi: Retailer medio con team tecnico, integrazione PIM/POS desiderata
- + Zero costo licenza
- + Calendari di markdown deterministici e stocastici e approcci bayesiani di pricing dinamico sono maturi nella letteratura aperta
- + Modello elasticità calibrato su dati propri
- + Modulo cannibalizzazione multi-prodotto estendibile
- + Codice aperto — trasparenza auditabile
- − Richiede OR + data science + integrazione interni
- − Da prototipo accademico a produzione 6-12 mesi
- − Flusso di approvazione + UI da costruire a parte
- − Manutenzione a carico del retailer
Piattaforma pricing retail con modulo markdown
Aziendale400K-2M TRY licenza + 150K-600K TRY/anno manutenzione (osservazione mercato TR)
Per chi: Catena retail medio-grande (30-150 negozi, 500-3.000 SKU/stagione), PIM/POS/e-commerce integrati
- + Modulo markdown pronto (librerie accademiche all'interno)
- + PIM + POS + e-commerce + WMS integrati
- + Flusso di approvazione + tracker competitor integrati
- + Supporto operativo + formazione
- + Interfaccia in lingua locale
- − Quale approccio accademico è usato può non essere trasparente
- − Modello di calibrazione elasticità spesso scatola nera — negoziabile
- − Licenza alta + rollout lungo (9-15 mesi)
- − Personalizzazione a regolamentazione locale aggiunge tempo
- − Rischio lock-in con singolo fornitore
Piattaforma OR retail internazionale + modello markdown proprio
Aziendale1-4M EUR licenza + 300K-1M EUR/anno manutenzione
Per chi: Catena retail grande (150+ negozi, 3.000+ SKU/stagione, multi-paese + e-commerce + multi-marca)
- + DP di markdown deterministico + DP di markdown stocastico + pricing dinamico bayesiano + campionamento esplorazione-sfruttamento integrati
- + Modulo cannibalizzazione multi-prodotto maturo
- + Coordinamento multi-canale (negozio + e-commerce + outlet)
- + Modulo ricco di scrape + segnali prezzi competitor
- + Metodologia trasparente — i guadagni di margine e di dead stock sono verificabili in modo indipendente
- − Licenza alta + rollout lungo (12-24 mesi)
- − Personalizzazione a regolamentazione locale aggiunge tempo
- − Richiede team interni OR + integrazione
- − Scope ampio — può essere sovradimensionato a taglia media
Raccomandazione
Chiedi nell'incontro
- Cosa gira sotto al motore di ottimizzazione markdown — un programma dinamico deterministico, un programma dinamico stocastico con domanda Poisson, apprendimento bayesiano con campionamento esplorazione-sfruttamento, un MIP multi-prodotto, o un motore euristico/regola? La variante scelta è documentata nella specifica?
- Come si stima l'elasticità prezzo-domanda — regressione su dati precedenti, analogia di prodotti simili, o input utente? Come si riporta l'errore di stima?
- Come si esprime il vincolo di markdown monotono (prezzo scende, non risale) nel modello? Sono supportate eccezioni di rebound (fine campagna)?
- È modellata la cannibalizzazione multi-prodotto o gli SKU si risolvono indipendentemente?
- È supportato il cap massimo di sconto per protezione immagine (≤50%)? Come si fissa la soglia di dead-stock accettabile sotto il cap?
- C'è un tracker di prezzi competitor — giornaliero/settimanale automatico o manuale? Genera revisioni markdown attivate da segnali?
- In un pilota con dati operativi reali (12-16 settimane, includendo una chiusura di stagione), come si presenta il risparmio vs. la regola manuale — margine +X%, dead stock -X%, clearance +X%?
- Se il contratto termina, in quale formato standard si possono esportare storico markdown, calibrazione elasticità, dati fine stagione e parametri dell'algoritmo?
Dettagli tecnici
Nota redazionale
Nel quotidiano questo problema si chiama “saldi di fine stagione”, “prezzo outlet”, “clearance” o “liquidazione stock”. Il nome accademico è Markdown Pricing o Dynamic Pricing for Perishables; riferimenti classici Smith-Achabal (1998) deterministico e Bitran-Mondschein (1997) stocastico. Rassegna moderna: Elmaghraby-Keskinocak (2003); libro canonico: Talluri-van Ryzin (2004); famoso articolo di applicazione: Caro-Gallien (2012) — pilota reale in un fast fashion.
Distinzione da #006 Revenue Management: RM imposta prezzi per prodotti a capacità fissa + scadenza temporale (posti aerei, camere d’albergo, biglietti) con traiettoria dinamica su-giù; la capacità non si esaurisce a fine stagione ma si resetta giornalmente. Markdown imposta prezzi per prodotti legati a stock + legati a stagione con traiettoria monotonicamente decrescente; lo stock non si resetta e l’eccedenza diventa dead stock. I due problemi sono vicini di capitolo nel libro RM ma la matematica differisce.
Distinzione da #011 Newsvendor: Newsvendor è la decisione di quantità d’ordine in singolo periodo prima della stagione; markdown è la decisione all’interno della stagione. Sequenziali.
Distinzione da #017 Assortment Planning: Assortment Planning decide ‘quale SKU a scaffale’ (inizio stagione); markdown ‘a che prezzo si vende ciò che è listato’ (dentro la stagione).
Punto più trascurato sul campo: stima dell’elasticità prezzo-domanda. I modelli accademici prendono l’elasticità come input; i praticanti non la calcolano, usano intuito. Caro-Gallien (2012) in un fast fashion: stima di elasticità + ottimo dinamico hanno alzato il margine di clearance del 5-8% oltre la regola. Elasticità a livello categoria (moda-sensibile alta, basic bassa), SKU o segmento; regressione su dati precedenti o analogia. Senza errore di stima misurato, l’algoritmo appare ottimale ma raccomanda male sul campo; la calibrazione fine stagione è obbligatoria.
Secondo punto: importanza del vincolo di monotonia. Il prezzo markdown decresce monotonicamente; deriva dal comportamento d’attesa del cliente — chi si aspetta ‘il prezzo scenderà più tardi’ aspetta. Eccezioni di rebound (fine campagna) esistono, ma la formulazione base accademica assume monotonia — differenza chiave con RM.
Terzo punto: cannibalizzazione multi-prodotto. Lo sconto su un SKU influenza vendite di altri SKU della stessa categoria. Senza modellare, le previsioni di profitto totale sono errate. Modellata via MIP multi-prodotto o matrice di elasticità incrociata.
Quarto punto: vincolo di immagine di marca. Sconti profondi erodono la percezione premium; i modelli accademici lo esprimono come cap massimo (≤50%). Sotto il cap una frazione di dead stock è accettabile; sopra il cap, trasferimento a outlet o donazione.
Guida passo-passo — per PMI
Fase 1 — Misurare prima di pianificare. Almeno 4-8 stagioni di dati precedenti: per SKU, vendite settimanali, prezzo settimanale, stock residuo fine stagione, disposizione, costo. Tassonomia di categoria costruita. Flusso dati prezzi competitor stabilito; se no, giri manuali settimanali.
Fase 2 — Stimare l’elasticità. Regressione a livello di categoria su dati precedenti. Moda-sensibile: -2 a -4; basic: -0,5 a -1,5. Riportare errore (R² o MAPE). Capitale di conoscenza: matrice categoria × % markdown × settimana.
Fase 3 — Pilota. 12-16 settimane (includendo una chiusura di stagione). Sotto-insieme (50-100 SKU, una categoria) corre Smith-Achabal in parallelo alla regola manuale. Criteri scritti: margine +5%, dead stock -15%, clearance +20% minimo.
Fase 4 — Roll-out. 12-18 mesi fino a copertura SKU completa + cannibalizzazione multi-prodotto + segnale competitor + e-commerce. Comitato fine stagione trimestrale.
Rischi — cosa può andare storto
Scostamento nella stima di elasticità. Mal stimata → ottimo errato. Soluzione: calibrazione fine stagione, per categoria, R² > 0,6 minimo.
Ritardo nei prezzi competitor. Reazione 1-2 settimane in ritardo → algoritmo interpreta ‘domanda debole’ e suggerisce sconto più profondo. Soluzione: scrape giornaliero, revisione attivata da segnale, autorità di approvazione rapida del category manager.
Erosione immagine di marca. Ottimo markdown può chiedere 60-70% — percezione premium erode in 1-2 stagioni. Soluzione: cap massimo (≤50%), articoli sopra il cap a outlet / donazione.
Lock-in con singolo fornitore. Senza clausola ’esportazione annuale in formato standard di storico markdown, calibrazione elasticità, dati fine stagione, archivio segnali competitor’, cambiare fornitore costa la memoria di calibrazione inter-stagione.
Sguardo tecnico al metodo di soluzione
| Approccio | Scala tipica | Tempo di soluzione | Ottimo garantito? |
|---|---|---|---|
| Regola manuale (‘10% ogni settimana’) | Piccola (<100 SKU) | istantaneo | No, 50-70% ottimo |
| Smith-Achabal DP deterministico | Media (100-500 SKU) | secondi-minuti | Sì (sotto domanda deterministica) |
| Bitran-Mondschein DP stocastico (Poisson) | Media (100-500 SKU) | minuti | Sì (sotto Poisson) |
| MIP multi-prodotto (cannibalizzazione) | Media-grande (200-1.000 SKU) | minuti-ore | Sì (dentro la cota) |
| Bayesian dynamic pricing + Thompson sampling | E-commerce giornaliero | continuo | No, regret-bound garantito |
| Euristica + simulazione | Qualsiasi scala | secondi-minuti | No, qualità pratica |
Scelta della funzione obiettivo:
- Obiettivo 1 — Max profitto di stagione: Classico.
- Obiettivo 2 — Max % margine lordo: Focus immagine premium.
- Obiettivo 3 — Min dead stock: Se il residuo accettabile fine stagione è basso.
- Obiettivo 4 — Multi-obiettivo (profitto + immagine + dead stock): Fronte di Pareto o somma pesata.
Varianti di markdown: classico Smith-Achabal; stocastico Bitran-Mondschein; multi-prodotto; multi-negozio; e-commerce online; basato su promozioni; markdown + disposizione fine stagione; markdown + redistribuzione stock.
Fonti accademiche
Elencate nel frontmatter in sources. Smith e Achabal (1998) e Bitran e Mondschein (1997) in Management Science — i due riferimenti fondanti; Elmaghraby e Keskinocak (2003) rassegna esaustiva; Talluri e van Ryzin (2004) libro canonico; Caro e Gallien (2012) in Operations Research — pilota reale in un fast fashion, molto famoso in letteratura di applicazione OR.
Fonti
- Smith, S. A. e Achabal, D. D. (1998). Clearance pricing and inventory policies for retail chains. Management Science, 44(3), 285-300. Studio empirico fondante di markdown pricing in grandi catene USA.
- Bitran, G. R. e Mondschein, S. V. (1997). Periodic pricing of seasonal products in retailing. Management Science, 43(1), 64-79. DP stocastico con domanda Poisson.
- Elmaghraby, W. e Keskinocak, P. (2003). Dynamic pricing in the presence of inventory considerations: Research overview, current practices, and future directions. Management Science, 49(10), 1287-1309. Rassegna esaustiva.
- Talluri, K. T. e van Ryzin, G. J. (2004). The Theory and Practice of Revenue Management. Springer. Libro canonico RM (include capitolo markdown).
- Caro, F. e Gallien, J. (2012). Clearance pricing optimization for a fast-fashion retailer. Operations Research, 60(6), 1404-1422. Pilota + roll-out reale in un fast fashion — molto famoso in letteratura di applicazione OR.
- Centro Tesi YÖK — parole chiave: ‘markdown’, ‘sezon-sonu fiyatlama’, ‘dynamic pricing’ — 15+ tesi dall’accademia TR. tez.yok.gov.tr
Glossario
- Markdown Pricing
- Pratica retail di OR che fissa una traiettoria di prezzo tipicamente monotonicamente decrescente lungo l'orizzonte di vendita di un articolo stagionale o deperibile, bilanciando margine e rischio di dead stock.
- Dynamic Pricing for Perishables
- Classe ampia di problemi OR di pricing in cui il valore dell'articolo decresce nel tempo (alimenti freschi, moda, elettronica con nuove generazioni, camere d'albergo dopo la data di arrivo) e i prezzi devono adattarsi — monotonicamente decrescenti o su-giù.
- Revenue Management
- Fissazione dinamica del prezzo per inventario deperibile a capacità fissa (camere, posti aerei, biglietti eventi) in base alla domanda.
- Newsvendor
- Modello classico di inventario a singolo periodo che dà la quantità d'ordine ottimale per deperibili, in equilibrio tra scarto e rottura.
Problemi correlati
Decine di SKU dallo Stesso Fornitore — A Quale Frequenza Ordinare Ciascuno per Minimizzare Camion e Stock Insieme?
Questa pagina è per una PMI grossista, importatrice o produttrice che compra 50-500 SKU dallo stesso fornitore — tipicamente distribuiti su 3-15 fornitori principali. La domanda settimanale è la stessa: da questo fornitore, quali prodotti si ordinano oggi e quali possono aspettare la settimana prossima? Se ogni prodotto attiva il suo ordine, lo stesso fornitore finisce per spedire tre camion e tre fascicoli doganali a settimana; un camion, un fascicolo e un costo di setup potrebbero coprire tutto se i raggruppamenti sono giusti. La pianificazione manuale crolla oltre i 50 SKU: alcune settimane mezzo camion, altre tre ordini di fila — i costi fissi tornano come 5-15% del costo unitario del prodotto.
Quale SKU su quale scaffale e lungo quale rotta deve camminare il picker?
Un magazzino e-commerce o un CD retail omnicanale gestisce 15.000-200.000 codici prodotto (SKU) e preleva 2K-30K righe d'ordine al giorno. Un picker cammina 200-800 m per ordine e 15-30 km al giorno. Il 50-70% del cammino non genera valore. Due decisioni accoppiate: (a) **slotting** — quale SKU su quale scaffale e a quale altezza, considerando frequenza di picking, pattern di co-ordine e carico ergonomico; (b) **routing di picking** — per una lista, la sequenza di corsie e la regola di rotta scelta (S-shape, return, midpoint, largest-gap, combined). Decisioni aggiuntive: prelevare più ordini in un viaggio (batch picking), suddividere il magazzino in zone (zone picking), unire a una stazione di smistamento. Risolte insieme, la distanza per picker cala del 25-40%.