Le 10 stranezze nella previsione della domanda

Joannes Vermorel

La previsione statistica è un campo altamente controintuitivo. E molte delle supposizioni che possono sembrare intuitive a prima vista si rivelano completamente sbagliate. In questo post, compiliamo una breve lista dei peggiori offender tra tutte le stranezze statistiche che costituiscono il pane quotidiano del business di Lokad.

1. I sistemi di previsione avanzata NON imparano dai loro errori

I sistemi di previsione di solito aggiornano le loro previsioni su base giornaliera o settimanale. Ogni volta che viene prodotto un nuovo lotto di previsioni, un sistema di previsione ha l’opportunità di confrontare le sue vecchie previsioni con i nuovi dati acquisiti e eventualmente imparare da questo confronto. Di conseguenza, sembrerebbe molto ragionevole aspettarsi che un determinato sistema di previsione impari dai suoi errori, proprio come farebbe un esperto umano. Tuttavia, questo non è il caso. Un sistema di previsione avanzata NON cercherà di imparare dai suoi errori. Infatti, ci sono metodi migliori disponibili, ovvero il backtesting, che offrono prestazioni statistiche superiori. Con il backtesting, il sistema si sfida nuovamente contro l’intera storia disponibile ogni volta che viene generata una previsione, non solo contro l’ultimo incremento di dati.

2. I fattori statistici più importanti sono il rumore e la casualità

Quando si chiede agli operatori quali sono 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 un elefante nella stanza: l’elefante è il rumore statistico riscontrato nell’osservazione della domanda.

La maggior parte delle volte, la sfida della previsione viene affrontata come se, con sufficienti sforzi, le previsioni della domanda potessero essere accurate. Tuttavia, questo punto di vista è errato, poiché nella maggior parte dei casi le previsioni sono intrinsecamente inaccurate. Accogliere la casualità presente nella domanda di solito produce migliori risultati aziendali rispetto al tentativo di eliminare questa casualità.

3. Le correzioni degli esperti di solito rendono le previsioni meno soddisfacenti

Sebbene sembri ragionevole regolare manualmente le previsioni statistiche con intuizioni specifiche del settore, abbiamo osservato, in molte occasioni, che questa pratica non produce i risultati desiderati. Anche quando le correzioni manuali vengono eseguite da un esperto in questo campo, tendono solo a degradare l’accuratezza complessiva, a meno che i sistemi di previsione sottostanti siano intrinsecamente scadenti. Solo in questo caso, le correzioni manuali possono contribuire a migliorare i risultati delle previsioni.

Questo è spesso legato al fatto che la percezione umana è fortemente influenzata dalla percezione dei “modelli”. Spesso ciò porta a percezioni errate di tendenze, che non sono altro che fluttuazioni casuali del business. Interpretare erroneamente la casualità come un “modello” tende a generare errori molto più significativi rispetto all’ignorare il modello fin dall’inizio e trattarlo come semplice 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 guardare le previsioni consiste nell’ottimizzare metriche come MAPE (errore percentuale medio assoluto) che sono solo debolmente correlate con gli interessi principali dell’azienda. Tali metriche sono fuorvianti perché derivano da un pensiero piuttosto illusorio secondo cui se le previsioni fossero perfettamente accurate, l’errore MAPE sarebbe pari a zero. Tuttavia, una previsione perfettamente accurata non è uno scenario ragionevole, e l’intero punto di utilizzare una metrica di performance è che sia allineata agli interessi di un’azienda specifica. 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 su base settimanale, sarebbe molto ragionevole aspettarsi che se le previsioni giornaliere vengono sommate alle previsioni settimanali, entrambe le previsioni convergano sugli stessi valori, dato che la stessa tecnologia e le stesse impostazioni sono state utilizzate per generare i due set di previsioni in questione.

Purtroppo, ciò non è vero e i due set di previsioni divergeranno; e per motivi statistici molto validi. In breve, le previsioni giornaliere (risp. settimanali) sono ottimizzate rispetto a una metrica espressa a livello giornaliero (risp. settimanale); statisticamente, poiché queste due metriche sono diverse, gli output numerici dell’ottimizzazione numerica non hanno semplicemente motivo di corrispondere.

5. Le previsioni a livello di 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 set di previsioni siano coerenti: sommando tutte le previsioni associate agli SKU che appartengono a una determinata categoria, non sarebbe irragionevole immaginare di ottenere lo stesso numero della previsione relativa alla categoria stessa. Questo sarà il caso per le stesse ragioni descritte nel paragrafo precedente.

Ancora più preoccupante, è effettivamente molto comune osservare situazioni piuttosto strane in cui esistono modelli completamente divergenti tra le previsioni a livello di SKU e le previsioni a livello di categoria. Ad esempio, tutte le previsioni degli SKU potrebbero essere strettamente decrescenti, mentre le previsioni a livello di categoria sono costantemente in aumento. Un altro caso tipico è la stagionalità, che è molto visibile a livello di categoria, ma appena percettibile a livello di SKU. Quando si verifica una situazione simile, potrebbe essere tentante cercare di correggere le previsioni a livello di SKU al fine di allinearle alle previsioni a livello di categoria, ma una tale tecnica deteriorerebbe solo l’accuratezza complessiva della previsione.

6. Cambiare l’unità di misura fa la differenza

A prima vista, l’unità utilizzata per misurare la domanda non dovrebbe avere alcun impatto. Se la domanda viene conteggiata in unità di inventario e se tutti i punti nella storia vengono moltiplicati per 10, ci si aspetterebbe che tutte le previsioni vengano moltiplicate per 10 senza alcuna conseguenza aggiuntiva. Tuttavia, con tecnologie come quella sviluppata da Lokad, il processo di previsione non avverrà in questo modo, almeno, non esattamente in questo modo.

Infatti, una tecnologia avanzata di previsione della domanda sfrutta molti trucchi utilizzando numeri piccoli. La quantità di 1 non è solo una qualsiasi quantità. Ad esempio, abbiamo osservato che, in media, gli scontrini dei supermercati e degli ipermercati presentano più del 75% delle righe con una quantità pari a 1. Ciò comporta molti trucchi statistici legati ai “numeri piccoli”. Moltiplicare una qualsiasi storia di domanda data per 10 confonderebbe semplicemente tutte le euristiche in atto per qualsiasi sistema di previsione del commercio avanzato.

7. Le migliori previsioni di promozione vengono spesso generate quando le promozioni vengono ignorate

Prevedere le promozioni è difficile, davvero difficile. Nel settore del commercio al dettaglio, non solo la risposta della domanda a una promozione può variare da nulla (nessun aumento) a un aumento di 100 volte, ma i fattori che influenzano le promozioni sono complessi, diversi e di solito non vengono accuratamente monitorati nei sistemi informatici. Combinare comportamenti aziendali complessi con dati inaccurati è una ricetta che probabilmente porterà a un problema di “Garbage In, Garbage Out”.

Infatti, abbiamo osservato regolarmente che scartare i dati promozionali era, almeno come approccio iniziale molto modesto, il modo meno inefficiente per prevedere la domanda promozionale. Non stiamo affermando che questo metodo sia altamente soddisfacente o ottimale, ma stiamo solo cercando di dimostrare che una previsione nativa basata su dati storici corretti ma incompleti di solito supera i modelli complessi basati su dati più estesi ma parzialmente inaccurati.

8. Più erratico è la storia, più “piatto” è la previsione

Visivamente, se i dati storici presentano forti pattern visivi, ci si aspetterebbe che una previsione presenti pattern visivi altrettanto forti. Tuttavia, quando i dati storici presentano variazioni erratiche, questa aspettativa non si verifica e accade il contrario: più erratica è la storia della domanda, più regolari sono le previsioni.

Ancora una volta, la causa principale qui è che la mente umana è orientata alla percezione dei pattern. Le fluttuazioni erratiche 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 rimane solo una previsione “piatta”.

9. Le previsioni giornaliere, settimanali e mensili di solito sono superflue

Le previsioni periodiche sono ovunque - dalle notizie aziendali ai bollettini meteorologici; eppure, raramente rappresentano una risposta statistica adeguata alle sfide aziendali “reali”. Il problema di queste previsioni periodiche risiede nel fatto che invece di affrontare direttamente la decisione aziendale che dipende da un futuro incerto, vengono tipicamente utilizzate in modo indiretto per costruire la decisione successivamente.

Una strategia molto più efficace consiste nel considerare le decisioni aziendali come previsioni. In questo modo, diventa molto più facile allineare le previsioni con specifiche esigenze e priorità aziendali, ad esempio misurando l’errore di previsione in Dollari anziché in percentuali come dettagliato in precedenza.

10. La maggior parte della letteratura sulla previsione degli stock è di scarsa utilità

Quando ci si confronta con un argomento difficile, è ragionevole iniziare ad esplorare questo argomento investigando i diversi materiali sottoposti a revisione paritaria disponibili nella letteratura scientifica. Specialmente dal momento che migliaia di articoli e documenti sono disponibili per il lettore, per quanto riguarda la previsione della domanda e l’ottimizzazione degli stock.

Tuttavia, abbiamo scoperto che la quasi totalità dei metodi analizzati in tale letteratura semplicemente non funziona. La correttezza matematica non si traduce in saggezza aziendale. Molti modelli considerati “classici di tutti i tempi” sono semplicemente disfunzionali. Ad esempio,

• Le scorte di sicurezza sono false, poiché si basano su assunzioni di distribuzione normale,
• EOQ (quantità economica di ordinazione) sono inaccurate, in quanto si basano su una tariffa fissa per ordine che è completamente irrealistica,
• Holt-Winters, è un modello di previsione che è piuttosto instabile numericamente e richiede una profondità storica troppo elevata per essere gestibile,
• ARIMA, che è l’archetipo di un approccio guidato dalla matematica, è troppo complicato per risultati troppo scarsi,
• ecc.

Le stranezze nella previsione della domanda sono (probabilmente) innumerevoli. Non esitate a pubblicare le vostre osservazioni nella sezione dei commenti qui sotto.