La tecnologia di previsione che usiamo per ottimizzare le tue scorte

Tecnologia di previsione



Offriamo le previsioni della domanda più accurate che la tecnologia possa produrre

Correlare con il deep learning

Calcolare con cloud computing e GPU

Ottimizzare con l'analisi della logistica





tecnologia del software di ottimizzazione delle scorte

Se consideriamo un singolo prodotto alla volta, non avremo mai abbastanza dati per produrre una previsione statistica accurata. Infatti, nella maggior parte dei mercati consumer, il ciclo di vita dei prodotti è inferiore ai 4 anni: ciò vuol dire che per ogni prodotto, in media, non abbiamo a disposizione neanche 2 anni di dati storici, ossia neanche il minimo necessario a condurre un'analisi di stagionalità affidabile su una singola serie temporale.

Possiamo risolvere il problema sfruttando le correlazioni statistiche, e cioè usando le informazioni ottenute su un prodotto per perfezionare la previsione su un altro prodotto. Ad esempio, Lokad identifica automaticamente la stagionalità applicabile a un prodotto anche se è in commercio da appena 3 mesi. Questo è possibile perché, se è vero che 3 mesi di dati sono troppo pochi per stabilire una stagionalità, è altrettanto vero che, se tra i dati storici sono presenti prodotti meno recenti, la stagionalità può essere estratta da questi e applicata ai nuovi prodotti.

Sfruttare le correlazioni con i dati storici è sicuramente utile a rendere le previsioni più accurate. Il rovescio della medaglia, però, è che aumenta il numero dei calcoli da eseguire. Ad esempio, correlare 1.000 prodotti cercando tutte le coppie possibili richiede quasi 1.000.000 di combinazioni. Senza contare, poi, che la maggior parte delle aziende ha in catalogo ben più di 1.000 prodotti.

Grazie al cloud computing e alle Graphics Processing Units (GPU), quando i clienti ci inviano i loro dati, possiamo occupare un computer solo quando ce n'è davvero bisogno. Così, in meno di un'ora, possiamo reinviare i risultati e di conseguenza liberare i computer occupati. Poiché il cloud che usiamo, Microsoft Azure, fattura al minuto, consumiamo unicamente la capacità di cui abbiamo bisogno. E, visto che nessuna azienda ha bisogno di fare previsioni più di una volta al giorno, questa strategia taglia le spese di hardware di oltre 24 volte rispetto ai metodi tradizionali.

Le previsioni tradizionali sono previsioni mediane: indicano, cioè, un valore che ha il 50% di possibilità di essere al di sopra o al di sotto della domanda futura. Sfortunatamente, questa visione classica non consente di tenere in conto le preoccupazioni principali della logistica: evitare le rotture di stock e ridurre le giacenze.

Nel 2016, Lokad ha introdotto il concetto di previsioni probabilistiche per la catena di distribuzione, in cui vengono stimate le probabilità per ogni livello della domanda futura. Invece che prevedere il valore di ogni singolo prodotto, Lokad prevede l'intera distribuzione di probabilità.

Le previsioni probabilistiche sono nettamente superiori a metodi di previsione più classici, soprattutto in caso di prodotti di lento rigiro, vendite intermittenti e impennate della domanda. Siamo convinti che, tra 10 anni, tutte le aziende con un approccio serio all'ottimizzazione dell'inventario passeranno al metodo probabilistico, magari con una tecnologia derivata da questa.










Previsioni as-a-service

I nostri clienti ci inviano dati attraverso file flat o, a volte, attraverso database, e noi restituiamo loro i risultati delle previsioni. Le previsioni vengono fornite come servizio, in modalità as-a-service. Ai nostri clienti non è richiesta alcuna competenza statistica, poiché le previsioni vengono gestite interamente da Lokad.

Non è necessaria alcuna configurazione statistica. Una volta ricevuti i file nel formato adeguato, anche senza clearing dei dati, Lokad restituisce i risultati in meno di un'ora. Non importa se è la prima o la decima volta che inserisci i tuoi dati in Lokad, il nostro motore di previsione è completamente automatizzato e non richiede interventi manuali.

I nostri modelli statistici

Abbiamo una ricca libreria di modelli statistici, che include grandi classici come Box-Jenkins, smorzamento esponenziale, modelli autoregressivi e tutte le loro varianti. Tuttavia, i modelli classici mal si adattano alle correlazioni. Per questo abbiamo sviluppato modelli più avanzati, in grado di sfruttare tutti i dati che ci vengono messi a disposizione.

È nostra preoccupazione costante controllare la qualità delle previsioni che facciamo. Ogni giorno simuliamo previsioni per stabilire con esattezza quali sono gli aspetti della nostra tecnologia ancora da migliorare. I risultati di questi test ci aiutano a concentrarci nello sviluppo di ciò che conta davvero. I nostri clienti possono così beneficiare di una tecnologia in continua evoluzione.