Due KPI per il tuo rilevatore OOS
Un paio di settimane fa, abbiamo svelato i nostri piani riguardanti Shelfcheck, il nostro futuro ottimizzatore di disponibilità sugli scaffali destinato ai negozi (fisici). Da allora, abbiamo fatto progressi costanti, elaborando una grande quantità di dati di punto vendita.
Lokad non è l’unica azienda là fuori che cerca di affrontare il problema degli OOS (fuori scaffale), ma esiste pochissima letteratura su come valutare i rispettivi meriti di due rilevatori OOS. In questo post, esaminiamo due metriche fondamentali che definiscono quanto è efficace un sistema nel rilevare gli OOS.
Intuitivamente, un rilevatore OOS indiretto (come Shelfcheck) si basa sulla divergenza tra le vendite osservate e le vendite attese. Poiché le fluttuazioni casuali (alias imprevedibili) del mercato possono sempre verificarsi, questo approccio, per costruzione, non può essere un sistema perfetto (1), è un compromesso tra sensibilità e precisione.
(1) Non essere perfetti non significa essere inutili.
La sensibilità rappresenta la percentuale di OOS (alias i positivi da rilevare) che vengono catturati dal sistema. Questo concetto è già ampiamente utilizzato in diversi ambiti, dalla diagnostica medica alla sicurezza aeroportuale. Maggiore è la sensibilità, migliore è la copertura del sistema.
Tuttavia, aumentando la sensibilità, si riduce anche la specificità del sistema, ovvero si riduce la percentuale di non-OOS segnalati come tali (alias i negativi, che non dovrebbero essere rilevati). In pratica, ciò significa che, generando sempre più allerte, il rilevatore OOS produce un numero crescente di falsi allarmi, sprecando il tempo dei team di negozio alla ricerca di problemi inesistenti.
Tuttavia, la specificità non è un criterio molto pratico nel caso del retail. Infatti, i prodotti OOS rappresentano solo una piccola frazione dei prodotti non-OOS. Numerosi studi citano l'8% di OOS come una media mondiale relativamente stabile. Pertanto, la specificità è tipicamente molto alta, oltre il 90%, anche se il rilevatore OOS dovesse produrre ipotesi del tutto casuali. Quindi, quelle alte percentuali di specificità sono in parte fuorvianti in quanto riflettono solo lo sbilanciamento esistente tra OOS e non-OOS fin dall’inizio.
Da Lokad, preferiamo la precisione che rappresenta la percentuale di OOS identificati accuratamente rispetto a tutte le allerte prodotte dal sistema. La precisione si traduce direttamente nella quantità di sforzi che non verranno sprecati dal personale di negozio nel controllare problemi inesistenti. Ad esempio, se la precisione è del 50%, significa che un’allerta su due è un falso allarme.
Né una sensibilità al 100% né una precisione al 100% sono possibili, oppure, se si ha una sensibilità al 100%, si ha una precisione pari a 0% (tutti i prodotti vengono classificati come OOS in ogni momento). Al contrario, una precisione al 100% indica che si ha una sensibilità pari a 0% (nessuna allerta viene mai prodotta). Il compromesso sensibilità vs precisione non può essere evitato: se vuoi rilevare qualcosa, devi accettare che in parte ciò che rilevi sia errato.
Per confrontare due rilevatori OOS, è necessario accedere alla loro rispettiva sensibilità e precisione. Successivamente, per migliorare sia la sensibilità che la precisione, è possibile sfruttare una tecnologia di previsione superiore, poiché previsioni migliori miglioreranno sia la sensibilità che la precisione.
Tuttavia, questo solleva un’altra questione: come si confrontano i seguenti_:
- un rilevatore A con il 70% di sensibilità e il 60% di precisione;
- un rilevatore B con il 60% di sensibilità e il 70% di precisione.
Risulta che questa domanda non può essere affrontata in maniera puramente statistica: è necessario modellare i costi e i benefici economici per valutare la scelta ottimale.
Rimanete sintonati per altri aggiornamenti.
