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

Joannes Vermorel

La nozione di accuratezza delle previsioni è sottile, veramente 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 out-of-shelf (OOS). Negli ultimi mesi, la nostra conoscenza sui modelli di 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 un OOS si verifica a metà della settimana 3. I giorni contrassegnati con punti neri hanno zero vendite.

In questa situazione, la previsione è abbastanza accurata, ma a causa del problema di OOS, il confronto diretto tra vendite e 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 la percepita accuratezza delle previsioni, il che non sembra così male perché presumibilmente tutti i metodi di previsione dovrebbero essere ugualmente influenzati. Dopotutto, nessun modello di previsione è in grado di anticipare il problema di OOS.

Beh, l’OOS può fare molto peggio che semplicemente degradare l’accuratezza delle previsioni, l’OOS può anche migliorarla.

Diamo un’occhiata al grafico per illustrare questo concetto. Di nuovo, stiamo guardando i dati di vendita giornalieri, ma questa volta il problema di 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 del OOS. La previsione non è del tutto accurata perché nell’ultimo giorno della settimana 3, viene effettuato il riapprovvigionamento e le vendite non sono più zero.

Ovviamente, un modello di previsione che anticipa la durata del problema di OOS è estremamente accurato per quanto riguarda il confronto numerico vendite vs previsioni. Tuttavia, ha davvero senso? No, ovviamente non lo ha. Vogliamo prevedere la domanda non gli artefatti delle vendite. Peggio ancora, una previsione zero può portare a un riapprovvigionamento zero che, a sua volta, prolunga la durata effettiva del problema di OOS (e aumenta ulteriormente l’accuratezza del nostro modello di previsione entusiasta di OOS). Questa situazione non è ovviamente desiderabile, non importa quanto sia buona la previsione dal punto di vista numerico ingenuo.

Cattivo caso di sovradattamento OOS

Abbiamo scoperto che la situazione illustrata dal 2° grafico è lontana dall’essere insolita. Infatti, con il 8% di indisponibilità sugli scaffali (una cifra tipica nel settore del retail) e un approssimativo 30% di MAPE sulle previsioni giornaliere, le situazioni di 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 zero vendite (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 zero vendite su un prodotto di punta, allora prevedi zero vendite per 7 giorni” può ridurre l’errore di previsione di alcuni punti percentuali sfruttando direttamente il modello OOS. Ovviamente, pochi praticanti inserirebbero esplicitamente una regola del genere tra i loro modelli di previsione, ma anche un modello autoregressivo lineare moderatamente complesso potrebbe apprendere questo modello in misura significativa, e quindi sovradattarsi a OOS.

Naturalmente, Shelfcheck è qui per aiutare su queste questioni di OOS. Rimanete sintonizzati.

Commenti dei lettori (2)

Ciao Lars, Grazie per il tuo follow-up. A livello di negozio, le cose sono davvero 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 con precisione l’impatto di un aggiustamento del prezzo del 5% per un particolare articolo. Tuttavia, le promozioni (che sono anche un effetto di prezzo, seppur importante) hanno effetti misurabili anche a livello di negozio. Poi, Shelfcheck integra le informazioni giornaliere sui prezzi. Tuttavia, abbiamo scoperto 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 ne hai bisogno per migliorare notevolmente ogni singola configurazione che abbiamo osservato finora nel settore del retail. Quindi, in futuro, le informazioni sui prezzi ma anche i dati dettagliati sulla fedeltà diventeranno sempre più critici per rimanere competitivi nel mercato delle previsioni. Joannes Vermorel (6 anni fa)

Ciao, nel settore Food & Beverage la quantità effettivamente venduta ha spesso una forte correlazione con il prezzo effettivo di vendita. Questo viene spesso modellato utilizzando l’Indice di Elasticità Prezzo= variazione della quantità % / variazione del prezzo %. Nella mia esperienza, le previsioni statistiche unidimensionali che guardano solo alla quantità effettivamente venduta senza considerare il prezzo medio effettivo diventano piuttosto inutili = una completa perdita di tempo. Sei d’accordo e qual è la tua opinione in proposito? Lars (6 anni fa)