Dalla candeggina estiva ai carrelli

Dalla candeggina estiva ai carrelli “segreti”: quando l’intelligenza artificiale svela la spesa degli italiani   Cosa lega un aceto alla candeggina in inverno, o alle glasse in estate? Un’analisi di Tuidi su 15 grandi punti vendita dimostra come il Double Machine Learning trasformi i legami invisibili tra i prodotti in una leva per i margini […]

Dalla candeggina estiva ai carrelli “segreti”: quando l’intelligenza artificiale svela la spesa degli italiani

Cosa lega un aceto alla candeggina in inverno, o alle glasse in estate? Un’analisi di Tuidi su 15 grandi punti vendita dimostra come il Double Machine Learning trasformi i legami invisibili tra i prodotti in una leva per i margini dei retailer

Cosa hanno in comune una gomma da masticare e uno shampoo? E l’aceto con la candeggina? A prima vista sembrano abbinamenti casuali, nati da un acquisto distratto tra le corsie del supermercato. Eppure, dietro a questi carrelli “insoliti” si nascondono schemi rigidamente matematici e abitudini di consumo profonde, che cambiano radicalmente a seconda della stagione e del punto vendita.

A svelarlo è l’analisi delle dinamiche d’acquisto firmata da Tuidi, (https://www.tuidi.ai/), tech company che sviluppa piattaforme AI capaci di trasformare la previsione della domanda in decisioni operative per Retail e Brand del Largo Consumo.

Per misurare la forza di queste associazioni, l’analisi utilizza il lift, un indice che indica quanto la presenza di un prodotto aumenta la probabilità di acquistarne un altro rispetto alla sua media generale, individuando due comportamenti chiave:

• I fedelissimi dell’impulso (es. le gomme da masticare): creano associazioni stabili tutto l’anno. Chi le acquista ha una probabilità 3,4 volte superiore alla media di comprare caramelle, 2,6 volte di prendere lo shampoo e 2,5 volte il dentifricio, senza variazioni tra estate e inverno.

• I trasformisti della stagione (es. l’aceto): cambiano completamente compagno a seconda del clima. In inverno finiscono nel carrello insieme alla candeggina con una probabilità 3,8 volte superiore alla media; in estate il legame si sposta sui condimenti, abbinandosi alle glasse (7,5 volte la media), all’olio d’oliva (4,1 volte) e all’aglio (3,5 volte).

Le dinamiche osservate non sono regole universali: una relazione valida in uno specifico punto vendita potrebbe non ripetersi altrove, a causa di differenze geografiche, tipologie di clientela o contesti locali. È qui che entra in gioco la tecnologia sviluppata da Tuidi.

Dal carrello alla sopravvivenza della GDO

Decifrare queste connessioni non è solo una curiosità statistica, ma una necessità vitale in un momento storico in cui la GDO italiana affronta una pressione fortissima: la mobilità dei clienti tra le diverse insegne è salita del 16,5% tra il 2019 e il 2025 (dati Circana), mentre i punti vendita sono cresciuti del 14% a fronte di una popolazione in calo.

Per andare oltre la semplice coincidenza e isolare il reale effetto causale tra le referenze, Tuidi unisce la statistica al Deep Learning (per integrare meteo, promozioni e contesto) e al Double Machine Learning, la tecnologia che misura l’impatto effettivo di un prodotto sull’altro.

«L’analisi statistica classica vede che due prodotti finiscono nello stesso scontrino, ma non va oltre: non sa dire se sia un legame reale o una coincidenza, né in quali condizioni tenga. Spesso dietro c’è un terzo fattore che li muove entrambi – spiega Vincenzo Morelli, co-founder di Tuidi -. Ed è qui che il Deep Learning fa un salto diverso: impara come ogni relazione si comporta in base alle differenti variabili esogene ed endogene, rilevandone nuove che nessuno gli ha indicato. Il Double Machine Learning chiude il cerchio e isola l’effetto reale: quanto un prodotto sposta davvero le vendite dell’altro, al netto di tutto il resto. È la differenza tra osservare una coincidenza e misurare una leva su cui decidere».

Il processo si articola in tre passaggi: l’analisi statistica individua le relazioni non spurie; i modelli di Deep Learning integrano le variabili di contesto (stagionalità, prezzo, promozioni, meteo e caratteristiche del punto vendita); infine, il Double Machine Learning (tecnica statistica basata su algoritmi di apprendimento automatico) misura con precisione l’effettivo impatto causale tra le referenze.

Dalla teoria al bilancio: l’impatto sul business

Interpretando gli scontrini come una rete dinamica di relazioni, il sistema individua probabilità di acquisto, effetti di trascinamento e fenomeni di cannibalizzazione. Su questa base, Tuidi supporta i retailer nell’ottimizzare assortimenti, politiche di pricing e approvvigionamento.

«Il retail alimentare vive di margini sottili: qui ogni decimale conta –  conclude Giulio Martinacci, co-founder di Tuidi – .È il motivo per cui un’analisi come questa ha un valore economico diretto: non si limita a descrivere, ma rende più precise centinaia di decisioni quotidiane, dalle scelte di prezzo a quelle di assortimento. Abbiamo stimato che un miglioramento anche solo del 10% nella precisione di queste stime possa valere circa mezzo punto di margine lordo: su volumi come quelli del retail, è una differenza che arriva a bilancio»