L'assenza di scaffale può spiegare 1/4 dell'errore di previsione del negozio
La nozione di accuratezza delle previsioni è sottile, davvero sottile. È buon senso dire che più le previsioni sono vicine al futuro, meglio è, eppure il buon senso può essere completamente sbagliato.
Con il lancio di Shelfcheck, il nostro ottimizzatore di disponibilità sugli scaffali, abbiamo iniziato a elaborare molti più dati a livello di punto vendita, cercando di rilevare automaticamente i problemi di assenza di scaffale (OOS). Negli ultimi mesi, la nostra conoscenza dei modelli OOS è significativamente migliorata, e oggi questa conoscenza viene riciclata nella nostra tecnologia di previsione principale.
Illustreremo la situazione. Il grafico qui sotto rappresenta le vendite aggregate giornaliere a livello di negozio per un determinato prodotto. Il negozio è aperto 7/7. Una previsione di sette giorni viene prodotta alla fine della settimana 2, ma si verifica un OOS a metà della settimana 3. I giorni contrassegnati con punti neri hanno vendite nulle.
In questa situazione, la previsione è abbastanza accurata, ma a causa del problema OOS, il confronto diretto tra le vendite e le previsioni sembra come se la previsione sovrastimasse significativamente le vendite, il che non è il caso, almeno non nei giorni non OOS. La misurazione della sovrastima è un artefatto causato dall’OOS stesso.
Finora, sembra che l’OOS possa solo degradare l’accuratezza delle previsioni percepita, il che non sembra troppo male perché presumibilmente tutti i metodi di previsione dovrebbero essere ugualmente influenzati. Dopotutto, nessun modello di previsione è in grado di anticipare il problema OOS.
Beh, l’OOS può fare molto peggio che semplicemente degradare l’accuratezza delle previsioni, può anche migliorarla.
Vediamo il grafico per illustrare questo concetto. Ancora una volta, stiamo osservando i dati di vendita giornalieri, ma questa volta il problema OOS inizia nell’ultimo giorno della settimana 2.
La previsione per la settimana 3 è zero per tutta la settimana. Il modello di previsione sta anticipando la durata dell’OOS. La previsione non è del tutto accurata perché nell’ultimo giorno della settimana 3 viene effettuato un rifornimento e le vendite tornano a non essere nulle.
Ovviamente, un modello di previsione che anticipa la durata del problema OOS è estremamente accurato per quanto riguarda il confronto numerico vendite vs previsioni. Ma ha davvero senso? No, ovviamente no. Vogliamo prevedere la domanda, non gli artefatti delle vendite. Inoltre, una previsione zero può portare a un rifornimento zero che, a sua volta, prolunga la durata effettiva del problema OOS (e aumenta ulteriormente l’accuratezza del nostro modello di previsione entusiasta dell’OOS). Questa situazione ovviamente non è desiderabile, indipendentemente da quanto sia buona la previsione dal punto di vista numerico.
Caso peggiore di sovradattamento OOS
Abbiamo scoperto che la situazione illustrata dal secondo grafico è lontana dall’essere insolita. Infatti, con un’indisponibilità sugli scaffali del 8% (una cifra tipica nel settore del commercio al dettaglio) e un’approssimazione del 30% MAPE sulle previsioni giornaliere, le situazioni OOS rappresentano tipicamente il 8% x 100 / 30 ≈ 27% ≈ 1/4 dell’errore di previsione totale misurato. Infatti, per definizione di MAPE, una previsione non zero in un giorno di vendite nulle (OOS) genera un errore del 100%.
Poiché la frazione dell’errore causato da OOS è significativa, abbiamo scoperto che una semplice euristica come “se l’ultimo giorno ha vendite nulle su un prodotto di grande successo, allora prevedi vendite nulle per 7 giorni” può ridurre l’errore di previsione di alcuni punti percentuali sfruttando direttamente il pattern OOS. Ovviamente, pochi professionisti includerebbero esplicitamente una regola del genere nei loro modelli di previsione, ma anche un modello autoregressivo lineare moderatamente complesso può “imparare” questo pattern in modo significativo e quindi sovradattarsi a OOS.
Naturalmente, Shelfcheck è qui per aiutare in queste questioni OOS. Rimanete sintonizzati.
Commenti dei lettori (2)
Ciao Lars, Grazie per il tuo follow-up. A livello di negozio, le cose sono molto rumorose. Pensate a 1 o 2 unità vendute al giorno per articolo come caso tipico. Il prezzo è certamente importante, ma nella pratica, a livello di negozio, è molto difficile quantificare precisamente l’impatto di una variazione del 5% del prezzo per un determinato articolo. Tuttavia, le promozioni (che sono anche un effetto del prezzo, sebbene molto importante) hanno effetti misurabili anche a livello di negozio. Quindi, Shelfcheck integra le informazioni giornaliere sui prezzi. Tuttavia, abbiamo scoperto che nel settore del Food & Beverage è molto possibile superare significativamente (in termini di previsione) l’accuratezza dei sistemi esistenti senza sfruttare le informazioni sui prezzi. Tuttavia, non sto dicendo che le informazioni sui prezzi sono inutili, ma che non ne hai bisogno per migliorare notevolmente ogni singola configurazione che abbiamo osservato finora nel settore del commercio al dettaglio. In futuro, le informazioni sui prezzi ma anche i dati di fedeltà dettagliati diventeranno sempre più critici per rimanere competitivi nel mercato delle previsioni. 6 anni fa | Joannes Vermorel
Ciao, nel settore del Food & Beverage, la quantità effettiva venduta spesso ha una forte correlazione con il prezzo effettivo di vendita. Questo viene spesso modellato utilizzando l’Indice di Elasticità del Prezzo = variazione % della quantità / variazione % del prezzo. Nella mia esperienza, una previsione statistica unidimensionale che guarda solo alla quantità effettiva venduta senza considerare il prezzo medio effettivo diventa piuttosto inutile = una completa perdita di tempo. Sei d’accordo e qual è la tua opinione in merito? 6 anni fa | Lars
