Due KPI per il tuo rilevatore di OOS
Un paio di settimane fa, abbiamo svelato i nostri piani riguardanti Shelfcheck, il nostro futuro ottimizzatore di disponibilità sugli scaffali rivolto ai rivenditori fisici. Da allora, abbiamo continuato a fare progressi costanti, analizzando molti dati di punto vendita.
Lokad non è l’unica azienda che cerca di affrontare il problema dell’OOS (out-of-shelf), ma c’è pochissima letteratura su come valutare i meriti rispettivi di due rilevatori di OOS. In questo post, esamineremo due metriche fondamentali che definiscono quanto è buono un sistema nel rilevare l’OOS.
In modo intuitivo, un rilevatore di OOS indiretto (come Shelfcheck) si basa sulla divergenza tra le vendite osservate e le vendite attese. Poiché le fluttuazioni casuali (aka imprevedibili) del mercato possono sempre verificarsi, questo approccio, per sua natura, non può essere un sistema perfetto (1), ma rappresenta un trade-off tra sensibilità e precisione.
(1) Non essere perfetto non implica essere inutile.
La sensibilità rappresenta la percentuale di OOS (aka i positivi da rilevare) che vengono catturati dal sistema. Questo concetto è già ampiamente utilizzato in diverse aree, dalla diagnostica medica alla sicurezza aerea. Più alta è la sensibilità, migliore è la copertura del sistema.
Tuttavia, aumentando la sensibilità, si diminuisce anche la specificità del sistema, cioè si riduce la percentuale di non-OOS segnalati come tali (aka i negativi, che non dovrebbero essere rilevati). Nella pratica, ciò significa che versando sempre più segnalazioni, il rilevatore di OOS fornisce sempre più segnalazioni false, sprecando il tempo del personale del negozio alla ricerca di problemi inesistenti.
Anche se la specificità non è un criterio molto pratico nel caso del settore del commercio al dettaglio. Infatti, i prodotti OOS rappresentano solo una piccola frazione dei prodotti non-OOS. Diversi studi citano l'8% di OOS come una media mondiale relativamente stabile. Pertanto, la specificità è tipicamente molto alta, superiore al 90%, anche se il rilevatore di OOS produce congetture casuali. Pertanto, queste percentuali di specificità elevate sono in qualche modo fuorvianti in quanto riflettono solo lo squilibrio che esiste tra OOS e non-OOS in primo luogo.
Da Lokad, preferiamo la precisione che rappresenta la percentuale di OOS accuratamente identificati tra tutte le segnalazioni prodotte dal sistema. La precisione si traduce direttamente nella quantità di sforzi che non verranno sprecati dal personale del negozio nel verificare problemi inesistenti. Ad esempio, se la precisione è del 50%, allora una segnalazione su due è una segnalazione falsa.
Né la sensibilità al 100% né la precisione al 100% sono possibili, o meglio, se hai una sensibilità del 100% allora hai una precisione del 0% (tutti i prodotti vengono classificati come OOS tutto il tempo). Al contrario, una precisione del 100% indica che hai una sensibilità del 0% (nessuna segnalazione viene mai prodotta). Il trade-off sensibilità vs precisione non può essere evitato: se vuoi rilevare qualcosa, devi accettare che una parte di ciò che rilevi sia errata.
Per confrontare due rilevatori di OOS, è necessario valutare la 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, ciò solleva un’altra preoccupazione, come si confrontano i seguenti_:_
- un rilevatore A con una sensibilità del 70% e una precisione del 60%;
- un rilevatore B con una sensibilità del 60% e una precisione del 70%.
Risulta che questa domanda non possa essere affrontata in modo puramente statistico: è necessario modellare i costi e i benefici economici al fine di valutare la scelta ottimale.
Rimanete sintonizzati per ulteriori aggiornamenti.
