Abbiamo sostituito 14 report manuali su fogli di calcolo con un'unica dashboard intelligente che risponde a domande in linguaggio naturale e prevede le esigenze di inventario con 3 settimane di anticipo.
BrightMart gestiva 28 punti vendita nel sud-est degli Stati Uniti con un team centrale di acquisto che si affidava a 14 diversi report su fogli di calcolo compilati manualmente ogni lunedì. I report coprivano vendite per punto vendita, livelli di inventario, tendenze stagionali, tempi di consegna dei fornitori, performance promozionali e dati demografici dei clienti.
Il processo di compilazione dei dati consumava 22 ore di lavoro degli analisti ogni settimana. Nel momento in cui il team di acquisto riceveva i report martedì pomeriggio, i dati avevano già 48-72 ore. Peggio ancora, ogni report utilizzava metodi di calcolo leggermente diversi, portando a numeri contrastanti che innescavano dispute ricorrenti tra i team di merchandising e operazioni.
Il vero costo non era il tempo degli analisti — era il ritardo nelle decisioni. BrightMart stimava $1,4M di mancate entrate da esaurimenti scorte su articoli di tendenza perché il team di acquisto non riusciva a identificare i picchi di domanda fino alla settimana successiva. Avevano bisogno di visibilità in tempo reale che un team di analisti non poteva fornire manualmente.
Abbiamo costruito una piattaforma di analisi unificata con tre livelli: una pipeline di dati in tempo reale che acquisisce dati POS, inventario e fornitori da tutti i 28 punti vendita; un data warehouse PostgreSQL con viste materializzate per performance di query inferiori al secondo; e una dashboard Next.js con un'interfaccia intelligente di query in linguaggio naturale.
La funzionalità di linguaggio naturale utilizza l'API Claude per tradurre domande come "Quali negozi hanno avuto il maggior miglioramento del margine il mese scorso?" o "Mostrami gli articoli in crescita a Miami ma in calo ad Atlanta" in query SQL, eseguirle e presentare i risultati con visualizzazioni auto-generate. Abbiamo addestrato il sistema su oltre 200 modelli di query comuni specifici per il modello dati di BrightMart.
Il modulo di inventario predittivo analizza 18 mesi di dati storici di vendita combinati con segnali esterni (meteo, eventi locali, prezzi della concorrenza) per prevedere la domanda a livello SKU-punto vendita con 3 settimane di anticipo. Gli avvisi si attivano automaticamente quando la domanda prevista supera lo stock corrente più gli ordini in arrivo.
Revisione di tutti i 14 report, unificazione dei metodi di calcolo, progettazione dello schema del warehouse e implementazione delle pipeline di dati in tempo reale dai sistemi POS e inventario.
Costruzione della dashboard Next.js con viste basate sui ruoli per dirigenti, buyer e responsabili di negozio. Sviluppo del motore di query in linguaggio naturale basato su Claude.
Addestramento dei modelli di previsione della domanda su 18 mesi di dati storici. Validazione delle previsioni su 3 mesi di dati di test, raggiungendo un'accuratezza del 92%.
Distribuzione a tutti i 28 punti vendita in ondate di 7. Formazione di 45 utenti su 4 ruoli. Reportistica parallela per 2 settimane per validare l'accuratezza dei dati.
Nel primo trimestre dopo il lancio, il team di acquisto di BrightMart stava prendendo decisioni di inventario il 41% più velocemente — rispondendo alle tendenze in ore invece di attendere il report della settimana successiva.
Nessun impegno. Dicci cosa ti serve e ti diremo come lo risolveremmo.
“Prima aspettavo fino a martedì per numeri già obsoleti. Ora faccio una domanda alla dashboard alle 7 di mattina e prendo una decisione di acquisto prima della mia seconda riunione. Quella differenza di velocità vale milioni in un anno.”
— Chief Merchandising Officer, BrightMart Retail
Se il Suo team sta ancora compilando report manualmente, possiamo costruire una dashboard basata su AI che Le fornirà risposte in secondi invece che in giorni.
Consulenza gratuita · Generalmente rispondiamo entro 24 ore