Out-of-shelf può spiegare 1/4 dell'errore di previsione del negozio

Joannes Vermorel

La nozione di accuratezza delle previsioni è sottile, davvero sottile. È scontato dire che se più le previsioni si avvicinano al futuro, tanto meglio, eppure il senso comune può essere del tutto sbagliato.

Con il lancio di Shelfcheck, il nostro ottimizzatore di disponibilità sugli scaffali, abbiamo iniziato a processare molti più dati a livello di punto vendita, cercando di rilevare automaticamente problemi di out-of-shelf (OOS). Negli ultimi mesi, la nostra conoscenza dei modelli OOS è notevolmente migliorata, e oggi questa conoscenza viene integrata nella nostra tecnologia centrale di previsione.

Illustriamo la situazione. Il grafico sottostante rappresenta le vendite giornaliere aggregate a livello di negozio per un determinato prodotto. Il negozio è aperto 7 giorni su 7. Una previsione a sette giorni viene prodotta alla fine della settimana 2, ma un OOS si verifica a metà della settimana 3. I giorni contrassegnati con punti neri hanno vendite zero.

In questa situazione, la previsione è abbastanza accurata, ma a causa del problema OOS, il confronto diretto tra vendite e previsioni appare come se la previsione stesse sovrastimando significativamente le vendite, il che non è il caso, almeno non nei giorni senza OOS. La misura di sovrastima è un artefatto causato dall’OOS stesso.

Finora, sembra che l’OOS possa solo degradare la precisione percepita delle previsioni, il che non sembra troppo grave 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 di peggio che semplicemente degradare la precisione delle previsioni, l’OOS può anche migliorarla.

Diamo un’occhiata al grafico per illustrare questo. Ancora una volta, stiamo esaminando dati di vendite giornaliere, ma questa volta il problema OOS inizia proprio l’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 riapprovvigionamento e le vendite non sono di nuovo zero.

Ovviamente, un modello di previsione che anticipa la durata del problema OOS risulta estremamente accurato per quanto riguarda il confronto numerico vendite vs previsioni. Eppure, ha davvero senso? No, ovviamente non ne ha. Vogliamo prevedere la domanda e non degli artefatti di vendita. Peggio ancora, una previsione zero può portare a un riapprovvigionamento zero che, a sua volta, prolunga la reale durata del problema OOS (e aumenta ulteriormente la precisione del nostro modello di previsione appassionato di OOS). Questa ovviamente non è una situazione auspicabile, indipendentemente da quanto buona possa essere la previsione da un punto di vista numerico ingenuo.

Cattivo caso di overfitting OOS

Abbiamo riscontrato che la situazione illustrata dal 2° grafico è lungo dall’essere inconsueta. Infatti, con un’indisponibilità sugli scaffali dell'8% (una cifra tipica nel retail) e un approssimativo 30% di MAPE sulle previsioni giornaliere, le situazioni OOS rappresentano tipicamente l'8% x 100 / 30 ≈ 27% ≈ 1/4 dell’errore totale di previsione misurato. Infatti, per definizione di MAPE, una previsione non zero in un giorno di vendite zero (OOS) genera un errore del 100%.

Poiché la frazione dell’errore causato dall’OOS è significativa, abbiamo constatato che un’euristica semplice come “se l’ultimo giorno presenta vendite zero su un prodotto best-seller, allora prevedi vendite zero per 7 giorni” può ridurre l’errore di previsione di qualche punto percentuale sfruttando direttamente il modello OOS. Ovviamente, pochissimi professionisti inserirebbero esplicitamente una regola del genere nei loro modelli di previsione, ma anche un modello lineare autoregressivo moderatamente complesso può apprendere questo schema in modo significativo, e quindi sovradattarsi all’OOS.

Naturalmente, Shelfcheck è qui per aiutare in queste problematiche OOS. Restate sintonizzati.

Commenti dei lettori (2)

Ciao Lars, Grazie per il tuo riscontro. A livello di negozio, le cose sono davvero rumorose. Considera come tipico il caso in cui vengano vendute 1 o 2 unità al giorno per articolo. Il prezzo è certamente importante, ma in pratica, a livello di negozio, è molto difficile quantificare con precisione l’impatto di un aggiustamento del prezzo del 5% per un determinato articolo. Tuttavia, le promozioni (che sono anch’esse un effetto di prezzo, seppur notevole) hanno effetti molto misurabili anche a livello di negozio. Inoltre, Shelfcheck integra le informazioni sui prezzi giornalieri. Tuttavia, abbiamo constatato che nel settore Food & Beverage è molto possibile superare significativamente (dal punto di vista delle previsioni) l’accuratezza dei sistemi esistenti senza sfruttare le informazioni sui prezzi. Tuttavia, non sto dicendo che le informazioni sui prezzi siano inutili, semplicemente che non sono necessarie per migliorare drasticamente ogni configurazione che abbiamo osservato finora nell’industria retail. In futuro, le informazioni sui prezzi ma anche dati dettagliati sulla fedeltà diventeranno sempre più fondamentali per rimanere competitivi nel mercato delle previsioni. Joannes Vermorel (6 anni fa)

Ciao, Nel settore F&B, la quantità effettivamente venduta spesso ha una forte correlazione con il prezzo di vendita effettivo. Questo è spesso modellato utilizzando l’indice di Elasticità della domanda = variazione % della quantità / variazione % del prezzo. Nella mia esperienza, un modello di previsione statistica unidimensionale che si basa solo sulla quantità effettivamente venduta senza considerare il prezzo medio effettivo diventa piuttosto inutile = una completa perdita di tempo. Sei d’accordo e qual è la tua opinione al riguardo? Lars (6 anni fa)