Top 10 stranezze nella previsione della domanda
La previsione statistica è un campo estremamente controintuitivo. E la maggior parte delle ipotesi, che potrebbero sembrare intuitive a prima occhiata, si rivelano essere completamente errate. In questo post, abbiamo compilato un breve elenco dei peggiori trasgressori tra tutte le stranezze statistiche che costituiscono il pane e burro del business di Lokad.
1. I sistemi di previsione avanzata NON imparano dai loro errori
I sistemi di previsione solitamente aggiornano le loro previsioni quotidianamente o settimanalmente. Ogni volta che viene prodotta una nuova serie di previsioni, il sistema ha l’opportunità di confrontare le previsioni precedenti con i dati appena acquisiti, e possibilmente imparare da questo. Di conseguenza, sembrerebbe ragionevole aspettarsi che qualsiasi sistema di previsione impari dai propri errori, proprio come farebbe un esperto umano. Tuttavia, non è così. Un sistema di previsione avanzata NON tenterà di imparare dai propri errori. In effetti, esistono metodi migliori, come ad esempio backtesting, che offrono una performance statistica superiore. Con il backtesting, il sistema si re-valuta contro l’intera storia disponibile ogni volta che viene generata una previsione, e non solo contro l’ultimo incremento dei dati.
2. I fattori statistici più importanti sono il rumore e la casualità
Quando ai professionisti viene chiesto quali siano i fattori dominanti nella loro domanda, molti rispondono: stagionalità, ciclo di vita del prodotto, pressione di mercato, crescita aziendale, ecc. Tuttavia, nella maggior parte dei casi, c’è l’elefante nella stanza: l’elefante è il rumore statistico presente nell’osservazione della domanda.
La maggior parte delle volte la sfida della previsione viene affrontata come se, con sforzi sufficienti, le previsioni della domanda potessero essere rese accurate. Eppure, questo punto di vista è errato, poiché nella maggior parte dei casi le previsioni sono irrimediabilmente imprecise. Accettare la casualità presente nella domanda solitamente porta a risultati aziendali migliori rispetto al tentativo di eliminarla.
3. Le correzioni degli esperti rendono generalmente le previsioni meno soddisfacenti
Sebbene possa sembrare ragionevole correggere manualmente le previsioni statistiche con intuizioni specifiche del settore, abbiamo osservato, in molte occasioni, che tale pratica non produce i risultati desiderati. Anche quando le correzioni manuali vengono eseguite da un esperto in questo campo, esse tendono semplicemente a degradare l’accuratezza complessiva, a meno che i sistemi di previsione sottostanti non siano intrinsecamente scadenti. Solo in questo caso le correzioni manuali possono contribuire a migliorare i risultati delle previsioni.
Questo è spesso collegato al fatto che la percezione umana è fortemente orientata alla ricerca di “pattern”. Spesso ciò conduce a false percezioni di tendenze, che non sono altro che fluttuazioni aziendali casuali. Interpretare erroneamente la casualità come un “pattern” tende a generare errori molto più significativi rispetto al semplice ignorare il pattern e trattarlo come mero rumore.
4. L’errore di previsione deve essere misurato in Dollari
Una previsione più accurata non si traduce necessariamente in migliori risultati aziendali. Infatti, il modo classico di valutare le previsioni consiste nell’ottimizzazione di metriche come il MAPE (errore percentuale medio assoluto), che sono debolmente correlate con gli interessi aziendali principali. Tali metriche sono fuorvianti perché derivano da un pensiero alquanto illusorio: se le previsioni fossero perfettamente accurate, l’errore MAPE sarebbe pari a zero. Tuttavia, una previsione perfettamente accurata non è un scenario ragionevole, e l’intero scopo dell’uso di una metrica di performance è allinearla con gli interessi di un qualsiasi business. In altre parole, l’errore di previsione dovrebbe essere espresso in Dollari, non in percentuali. Le previsioni giornaliere, settimanali e mensili non sono coerenti.
Se le previsioni vengono prodotte sia su base giornaliera che settimanale, sarebbe ragionevole aspettarsi che, se le previsioni giornaliere vengono sommate per ottenere quelle settimanali, entrambe convergano sugli stessi valori, dato che la stessa tecnologia e le stesse impostazioni sono state utilizzate per generare i due insiemi di previsioni in questione.
Sfortunatamente, ciò non è vero, e i due insiemi di previsioni divergeranno; e per ragioni statistiche ben fondate. In breve, le previsioni giornaliere (rispettivamente settimanali) sono ottimizzate rispetto a una metrica espressa a livello giornaliero (rispettivamente settimanale); statisticamente, dato che queste due metriche sono differenti, i risultati numerici dell’ottimizzazione non hanno alcuna ragione di coincidere.
5. Le previsioni a livello SKU non corrispondono alle previsioni a livello di categoria
Se lo stesso sistema di previsione viene utilizzato per prevedere la domanda sia a livello di SKU che a livello di categoria, ci si aspetterebbe che i due insiemi di previsioni siano coerenti: sommando tutte le previsioni associate agli SKU che appartengono a una data categoria, non sarebbe irragionevole immaginare di ottenere lo stesso valore della previsione relativa alla categoria stessa. Ciò accadrà per le stesse ragioni descritte nel paragrafo precedente.
Ancora più allarmante, è in realtà molto comune osservare situazioni alquanto strane in cui esistono pattern completamente divergenti tra le previsioni a livello SKU e quelle a livello di categoria. Per esempio, tutte le previsioni degli SKU potrebbero essere in costante diminuzione, mentre le previsioni a livello di categoria aumentano costantemente. Un altro caso tipico è la stagionalità, molto evidente a livello di categoria, ma a malapena rilevabile a livello di SKU. Quando si presenta una situazione simile, può essere tentante cercare di correggere le previsioni a livello SKU per allinearle con quelle di categoria, ma tale tecnica degraderebbe ulteriormente l’accuratezza complessiva della previsione.
6. Cambiare l’unità di misura conta
A prima vista, l’unità usata per misurare la domanda non dovrebbe avere alcun impatto. Se la domanda viene conteggiata in unità di inventario, e se tutti i punti della storia sono moltiplicati per 10, ci si aspetterebbe che tutte le previsioni vengano moltiplicate per 10 senza ulteriori conseguenze. Tuttavia, con una tecnologia come quella sviluppata da Lokad, il processo di previsione non avverrà in questo modo, almeno non esattamente in questo modo.
Infatti, una tecnologia di previsione della domanda avanzata sfrutta molti trucchi che utilizzano numeri piccoli. La quantità di 1 non è un numero qualsiasi. Ad esempio, abbiamo osservato che, in media, le ricevute di supermercati e ipermercati presentano oltre il 75% delle righe con una quantità pari a 1. Questo comporta che molti trucchi statistici siano legati ai “numeri piccoli”. Moltiplicare per 10 una qualsiasi storia della domanda confonderebbe semplicemente tutte le euristiche in atto per qualsiasi sistema avanzato di previsione commerciale.
7. Le migliori previsioni promotion vengono spesso generate quando le promozioni vengono ignorate
Prevedere le promozioni è difficile, davvero difficile. Nel retail, non solo la risposta della domanda a una promozione può passare da nulla (nessun incremento) a un incremento 100 volte superiore, ma i fattori che influenzano le promozioni sono complessi, diversi e di solito non tracciati accuratamente nei sistemi informatici. Combinare comportamenti aziendali complessi con dati inaccurati è una ricetta che probabilmente conduce a un problema di “Garbage In, Garbage Out”.
Infatti, abbiamo osservato di routine che scartare i dati promozionali è, almeno come approccio iniziale molto umile, il modo meno inefficiente per prevedere la domanda promozionale. Non stiamo affermando che questo metodo sia altamente soddisfacente o ottimale, ma stiamo semplicemente cercando di dimostrare che una previsione nativa costruita su dati storici corretti ma incompleti solitamente supera modelli complessi costruiti su dati più estesi ma parzialmente inaccurati.
8. Più la storia è erratica, più la previsione risulta piatta
Visivamente, se i dati storici mostrano pattern visivi marcati, ci si aspetta che anche la previsione presenti pattern altrettanto evidenti. Tuttavia, quando i dati storici presentano variazioni irregolari, questa aspettativa non si verifica, e accade il contrario: più irregolare è la storia della domanda, più lisce risultano le previsioni.
Ancora, la causa principale è che la mente umana è orientata alla percezione dei pattern. Le fluttuazioni irregolari non sono pattern (nel senso statistico) ma rumore, e un sistema di previsione, se progettato correttamente, si comporta esattamente come un filtro per quel rumore. Una volta rimosso il rumore, spesso ciò che rimane è una previsione semplicemente “piatta”.
9. Le previsioni giornaliere, settimanali e mensili sono di solito superflue
Le previsioni periodiche sono ovunque - dalle notizie economiche ai bollettini meteo; eppure, raramente rappresentano una risposta statistica adeguata alle sfide aziendali “reali”. Il problema con queste previsioni periodiche risiede nel fatto che, invece di affrontare direttamente la decisione aziendale che dipende da un futuro incerto, esse vengono solitamente utilizzate in modo indiretto per costruire la decisione successivamente.
Una strategia molto più efficace consiste nel considerare le decisioni aziendali come se fossero le previsioni. In questo modo, diventa molto più facile allineare le previsioni con le specifiche esigenze e priorità aziendali, ad esempio misurando l’errore di previsione in Dollari anziché in percentuali come descritto sopra.
10. Gran parte della letteratura sulla previsione delle scorte è di scarso valore
Quando ci si trova di fronte a un argomento difficile, è ragionevole iniziare a esplorarlo indagando i diversi materiali sottoposti a revisione paritaria disponibili nella letteratura scientifica. Soprattutto considerando che migliaia di articoli e documenti sono disponibili per il lettore, per quanto riguarda la previsione della domanda e l’ottimizzazione delle scorte.
Eppure, abbiamo riscontrato che la quasi-totalità dei metodi analizzati in tale letteratura non funzionano affatto. La correttezza matematica non si traduce in saggezza aziendale. Molti modelli considerati come classici intramontabili sono semplicemente disfunzionali. Per esempio,
- Safety stocks non sono validi, poiché si basano su ipotesi di distribuzione normale,
- EOQ (economic order quantities) sono imprecisi, in quanto si basano su una tariffa fissa per ordine che è completamente irrealistica,
- Holt-Winters, è un modello di previsione che risulta piuttosto instabile numericamente e richiede una profondità storica eccessiva per essere gestibile,
- ARIMA, che rappresenta l’archetipo dell’approccio guidato dalla matematica, è troppo complicato per ottenere risultati significativi,
- ecc.
Le stranezze nella previsione della domanda sono (probabilmente) innumerevoli. Non esitare a pubblicare le tue osservazioni nella sezione commenti qui sotto.