Il magazzino è il cuore operativo di ogni Fashion brand, e troppo spesso ne è anche il collo di bottiglia. Un Fashion brand con più magazzini e milioni di pezzi movimentati all'anno affronta picchi stagionali brutali legati ai lanci di collezione. La sfida era aumentare la produttività del picking senza aumentare lo spazio o il personale.
La soluzione ha combinato tre tecnologie su una base SAP EWM (Extended Warehouse Management): il pick-by-vision, che guida l'operatore tramite visori e indicazioni visive invece di liste cartacee, e l'Intelligenza artificiale slotting, che riorganizza dinamicamente la posizione delle merci in funzione della domanda prevista. I prodotti che venderanno di più nelle prossime settimane vengono collocati nelle posizioni più accessibili, prima che la domanda arrivi.
Benchmark di settore osservati
- Fino a +40–45% di produttività nel picking
- Riduzione significativa degli errori di prelievo
- Riduzione del percorso medio dell'operatore grazie all'GenAI slotting
I miglioramenti sono collegati tra loro. La riduzione del percorso medio è merito dell'AI slotting: se i prodotti giusti sono nei posti giusti, l'operatore cammina meno per prelevarli. Il guadagno di produttività nasce in gran parte da qui, perché nel picking il tempo è dominato dagli spostamenti, non dal gesto di prelievo. La riduzione degli errori è invece il contributo del pick-by-vision, che conferma visivamente ogni prelievo e riduce drasticamente gli sbagli rispetto alle liste cartacee.
L'AI slotting in pratica
Lo slotting tradizionale è statico: si decide dove mettere un prodotto una volta e lo si lascia lì per mesi. Nel Fashion, dove la domanda cambia a ogni stagione e a ogni lancio, questo approccio è perdente. L'AI slotting analizza il forecast di domanda e ricolloca dinamicamente le merci, anticipando i picchi. Un capo che sta per diventare best seller viene spostato in zona oro prima dell'impennata di ordini, non dopo, quando il danno di produttività è già fatto.
Nel magazzino Fashion il vero spreco non è lo spazio: è il tempo che l'operatore passa a camminare. Mettere i prodotti giusti vicino, prima che servano, è la leva più sottovalutata di produttività.
Le condizioni del successo
Due fattori hanno reso possibile il risultato. Il primo è la qualità del forecast: l'AI slotting vale quanto vale la previsione di domanda che lo alimenta. Per questo il progetto è stato costruito sopra un demand planning solido, non in isolamento. Il secondo è l'accettazione degli operatori: il pick-by-vision cambia il modo di lavorare, e senza formazione e ascolto del personale rischia di essere percepito come un controllo invasivo invece che come un aiuto.
Oltre i numeri
L'effetto meno misurabile ma più duraturo è stato sulla capacità di assorbire i picchi. Prima, i lanci di collezione mandavano in crisi il magazzino e richiedevano personale interinale in emergenza. Dopo, lo stesso organico gestisce i picchi con margine, perché lavora in modo più efficiente e con meno errori da correggere. In un settore dove i picchi sono la norma e non l'eccezione, questa elasticità ritrovata vale quanto il miglioramento di produttività — ed è ciò che rende l'investimento sostenibile nel tempo.
Un modello replicabile
L'approccio adottato — EWM come spina dorsale, pick-by-vision per la guida operativa e intelligenza aumentata slotting alimentato dal forecast — è oggi un blueprint che applichiamo ad altri magazzini Fashion. La chiave della replicabilità sta nell'aver costruito il progetto su fondamenta solide: un demand planning affidabile e un master data pulito. Senza queste basi, l'Machine Learning slotting ricolloca le merci sulla base di previsioni sbagliate, peggiorando invece di migliorare. Con esse, ogni nuovo magazzino raggiunge in poche settimane i livelli di produttività che prima richiedevano anni di tentativi. È la dimostrazione che, nel magazzino, l'intelligenza non è nei robot ma nell'organizzazione data-driven dello spazio e del lavoro.
