Previsioni 3.0 con Griglie Quantili
Conseguire previsioni migliori è sempre stato l’obiettivo principale di Lokad. Oggi, stiamo svelando la terza generazione della nostra tecnologia di previsione basata sulle griglie quantili. In termini semplici, le griglie quantili dimostrano un livello di prestazioni senza precedenti, il che significa che la tua azienda può servire più clienti, in modo più affidabile e con meno inventario. A differenza di tutti i metodi di previsione disponibili sul mercato, le griglie quantili non forniscono una sola previsione di domanda per prodotto, ma forniscono l’intera distribuzione di probabilità per (quasi) tutti i futuri possibili. Le Griglie Quantili sono possibili grazie alla combinazione di Machine Learning, Big Data, Cloud Computing e alcune intuizioni legate al commercio.
Le Griglie Quantili sono ora disponibili in produzione per tutti i nostri clienti, accessibili tramite una nuova opzione Griglia Quantile per qualsiasi progetto di previsione delle scorte.
Previsioni 1.0: previsioni classiche
Quando Lokad è stata fondata nel 2008, abbiamo iniziato con quello che ora chiamiamo previsioni classiche, la nostra versione 1.0, ovvero una metodologia di previsione in cui ogni prodotto o SKU è associato a un valore periodico; ad esempio previsioni settimanali fino a 13 settimane in anticipo. Implicitamente, queste previsioni sono previsioni mediane: si prevede che le previsioni imparziali abbiano il 50% di probabilità di essere superiori o inferiori alla domanda futura. Per il resto del mercato, queste previsioni non sono definite come previsioni classiche, sono le uniche previsioni perché la maggior parte dei nostri concorrenti non ha mai considerato alcuna alternativa.
Tuttavia, per quanto riguarda il commercio, non importa quanto accurate siano le previsioni classiche, funzionano male nella pratica. In modo intuitivo, le previsioni classiche semplicemente non guardano ciò che conta davvero. Il caso medio o la domanda mediana sono i casi facili e poco interessanti in cui tutto va secondo i piani. I casi difficili, invece, riguardano una domanda inaspettatamente alta o inaspettatamente bassa perché creano rispettivamente stock-out e inventario morto. Questi tipi di situazioni estreme sono quelli che costano davvero soldi. Le previsioni classiche funzionano male, non perché gli algoritmi non sono buoni, ma perché non guardano il business dal punto di vista corretto. Quindi, non importa quanto investimento in R&S un’azienda possa dedicare alle previsioni classiche, semplicemente falliscono. Questa è stata una delle lezioni più difficili per Lokad da imparare nei nostri primi giorni.
Previsioni 2.0: previsioni quantili
Nel 2012, abbiamo fatto la nostra prima svolta con le previsioni quantili. Nonostante un nome che potrebbe sembrare spaventoso, le previsioni quantili sono qualcosa che è molto più vicino a ciò che gli esecutivi fanno per le loro aziende: sono previsioni scenarizzate. Invece di guardare al caso medio, le previsioni quantili hanno l’obiettivo seguente: guardiamo ai primi 5% delle nostre prospettive di domanda più ottimistiche, avremo problemi di stock-out? Poi, guardiamo agli ultimi 5% delle nostre prospettive di domanda più pessimistiche, dovremo affrontare inventario morto? Le previsioni quantili affrontano direttamente le domande difficili che contano davvero dal punto di vista del business. Come dicono gli ingegneri, è meglio essere approssimativamente corretti che essere esattamente sbagliati, e sebbene le previsioni quantili soffrano anche di tutte le imprecisioni associate alle previsioni classiche, le previsioni quantili superano di gran lunga le previsioni classiche dal punto di vista operativo ogni volta che è coinvolto l’inventario.
Tuttavia, le previsioni quantili non sono neanche il culmine delle previsioni. Sulla superficie, la nostra tecnologia di previsione quantile stava soffrendo di stranezze numeriche come l’attraversamento dei quantili e le instabilità dei quantili. Tuttavia, poiché queste stranezze sono abbastanza visibili, possono essere efficacemente mitigate. Tuttavia, a un livello più profondo, ci siamo resi conto che le nostre previsioni quantili non erano ancora perfettamente allineate con i veri punti critici del business. In particolare, le previsioni quantili lasciano il compito di ottimizzare i livelli di servizio al Responsabile della Supply Chain. Questo è un inganno - in un certo senso - perché una parte considerevole delle prestazioni dell’inventario viene effettivamente fornita attraverso un’accurata taratura dei livelli di servizio più redditizi che bilanciano adeguatamente i costi dell’inventario e la qualità del servizio.
Previsione 3.0: tabelle quantili
Nel febbraio 2015, stiamo ora lanciando la nostra seconda svolta nella previsione: tabelle quantili. Nel corso degli anni, abbiamo preso atto del fatto che le previsioni possono essere solo imperfette. Le previsioni accurate sono una favola ripetuta comodamente in un mercato invaso da fornitori deludenti. Poiché non possiamo prevedere il futuro esatto, che ne dite di cercare di assegnare una probabilità a ogni possibile futuro? Cioè, la probabilità di vendere zero unità, una unità, due unità, ecc. Ecco esattamente di cosa si tratta le tabelle quantili: fornire non solo una previsione per prodotto, ma fornire l’intera distribuzione di probabilità della domanda per ogni prodotto. Sotto il cofano, le tabelle quantili sono un po’ come le previsioni quantili, tranne che una previsione di domanda viene calcolata contemporaneamente a tutti i livelli di servizio.
Ottimizzare l’inventario o gestire la supply chain significa bilanciare rischi e opportunità: livelli di inventario vs livelli di servizio, prezzo di acquisto vs tempo di consegna del fornitore, acquisto in blocco vs su ordinazione, e così via. Mentre le previsioni quantili possono individuare uno o due scenari problematici, alla fine si tratta di un solo valore di previsione per prodotto, e non importa quanto buono possa essere questo valore, questo unico valore non può catturare tutta la diversità dei possibili risultati aziendali. Al contrario, le tabelle quantili affrontano il problema direttamente: tutti i risultati vengono calcolati e associati alle rispettive probabilità. Per ogni scenario, ad esempio per la domanda futura di 3 unità, abbiamo acquistato solo 2 unità, diventa quindi possibile e semplice calcolare il risultato netto del business - come 2 unità vendute e 1 unità mancata. Di conseguenza, ogni decisione di acquisto può essere valutata semplicemente srotolando tutti gli scenari e applicando la probabilità calcolata a ciascuno di essi.
Una svolta proveniente dall’aerospaziale
Sebbene Lokad fornisca principalmente servizi ai rivenditori, lavoriamo anche in altri settori, come l’aerospaziale. Un anno fa, abbiamo iniziato a lavorare per una grande joint venture tra AirFrance Industries e Lufthansa Technik e ci siamo resi conto che la nostra tecnologia di previsione quantile non era del tutto all’altezza della sfida. Ogni previsione quantile è come uno scenario aziendale singolo. Sebbene sia possibile combinare 3, 4 o 5 diversi scenari aziendali, è necessario un grande sforzo per implementare le regole che uniscono tutti questi scenari insieme al fine di produrre decisioni di fornitura ottimizzate.
Una soluzione molto più elegante, che offre anche prestazioni di inventario molto migliori, consiste nella previsione e valutazione di tutti i futuri scenari aziendali. Non più scenari ad hoc che cerchiamo disperatamente di unire, ma un elenco di (quasi) tutti gli scenari possibili (ammesso che sia un elenco lungo), tutti trattati in modo semplice e uniforme. Questo approccio comporta il lato negativo di essere brutalmente più esigente per quanto riguarda le risorse di calcolo. Tuttavia, grazie alla nostra piattaforma di cloud computing preferita - Microsoft Azure - le risorse di calcolo non sono mai state così economiche e i prezzi sono ancora in caduta libera.
I risultati che abbiamo ottenuto attraverso le griglie quantili per l’aerospaziale si sono rivelati superiori alle prestazioni della nostra tecnologia di previsione quantile di punta. Era il momento di riportare la scienza dei razzi (beh, non razzi, ma jet airliner in realtà) ai commercianti, e i numerosi esperimenti che avevamo effettuato negli ultimi mesi hanno confermato la superiorità decisiva delle griglie quantili rispetto alle nostre previsioni quantili originali.
Futuro dell’ottimizzazione del commercio predittivo
Quando abbiamo rilasciato per la prima volta le previsioni quantili tre anni fa, ho previsto che entro 10 anni le previsioni quantili sarebbero diventate lo strumento predefinito per qualsiasi professionista della supply chain seriamente interessato alle prestazioni del proprio inventario. Beh, si è scoperto che gli sforzi di tutto il team di Lokad, incluso il mio, mi hanno smentito. Poiché abbiamo scoperto un approccio superiore alle nostre previsioni quantili iniziali, siamo giunti alla conclusione che il futuro a lungo termine delle previsioni quantili è fragile. Tuttavia, il futuro del discendente delle previsioni quantili è più brillante che mai, poiché le griglie quantili risolvono le sfide che ci sfuggivano da anni, come l’ottimizzazione dei livelli di servizio, le spedizioni in container o le strategie di multi-sourcing.
Inoltre, per anni, la previsione degli stock e l’ottimizzazione dei prezzi sono state trattate in stretta isolamento, come se facessero parte di due puzzle separati: il motore di previsione della domanda ignorava ciò che accadeva sul lato dei prezzi e, per renderli uguali, il motore dei prezzi non teneva conto nemmeno dei vincoli della supply chain. Tuttavia, le scorte e i prezzi sono due facce della stessa medaglia; e ora ci rendiamo conto che qualsiasi tentativo di ottimizzazione che ignora ciecamente l’altra faccia della medaglia è un tentativo ingenuo al massimo.
Pertanto, sebbene eviterò di commettere lo stesso errore e di prevedere che le griglie quantili siano il futuro a lungo termine delle previsioni solo per essere smentito successivamente dal team di Lokad, scommetterò ora in modo più sicuro che qualsiasi tecnologia predittiva che emergerà dai nostri sforzi, l’analisi dei prezzi probabilmente si unificherà all’analisi delle scorte lungo il percorso. Non siamo ancora del tutto lì, ma stiamo facendo progressi costanti in questa direzione.
Nuova metodologia: prioritizzazione degli acquisti
Tutti i sistemi di ottimizzazione delle scorte (incluso Lokad 2.0) calcolano i punti di riordino. Confrontando i punti di riordino con le quantità disponibili e in ordine, questi sistemi calcolano anche le quantità di riordino suggerite. Nel corso degli anni, abbiamo scoperto due limitazioni principali di questo approccio. In primo luogo, questi sistemi non dicono nulla sui livelli di servizio obiettivo e sulla loro ottimizzazione. In secondo luogo, i punti di riordino si rivelano in qualche modo inflessibili quando sono coinvolti vincoli di acquisto.
I sistemi di ottimizzazione delle scorte tradizionalmente producono un insieme statico di punti di riordino (uno per SKU), principalmente guidati dai rispettivi livelli di servizio definiti dall’utente. Tuttavia, questo è un inganno perché il compito di individuare il livello di servizio “ottimale” ricade sul pianificatore della supply chain; e non solo scoprire i livelli di servizio corretti si rivela un esercizio molto dispendioso in termini di tempo, ma è anche una fonte di inefficienze significative se i livelli di servizio sono scelti in modo inadeguato.
Con le griglie di quantili, la situazione è molto diversa: viene calcolata una lista prioritaria di acquisto principale. Tecnicamente, si tratta di una lista in cui ogni SKU appare su numerose righe, ciascuna riga associata a una quantità di ordine suggerita - tipicamente 1 unità se non sono presenti vincoli di approvvigionamento. La lista è prioritaria, e questo criterio di prioritizzazione è di primaria importanza.
Per la maggior parte delle aziende, questa prioritizzazione risponde alla domanda: per $1 di inventario extra, quale è la prossima unità che offre all’azienda il massimo rendimento? Questo può anche essere formulato come il margine lordo atteso meno i costi di mantenimento dell’inventario attesi. Naturalmente, man mano che procediamo lungo la lista, il margine lordo atteso diminuisce bruscamente, perché la probabilità di avere una domanda sufficientemente elevata da assorbire le scorte diventa molto esigua. Allo stesso modo, procedendo lungo la lista, il costo di mantenimento dell’inventario aumenta bruscamente, poiché ogni unità aggiuntiva di inventario si prevede che rimanga nel magazzino per un periodo più lungo. In teoria, la lista non ha fine, poiché scende all’infinito. In pratica, tuttavia, ci fermiamo semplicemente a un punto ben oltre ciò che costituirebbe livelli di inventario “ragionevoli”. Quando viene effettuato un acquisto, l’obiettivo non è scorrere l’intera lista, ma acquistare gli articoli in base alle rispettive priorità e smettere di acquistare una volta raggiunto l’obiettivo di spesa.
Di conseguenza, ciò elimina completamente la necessità di specificare i livelli di servizio. Una volta definito un budget di spesa, un’azienda acquista le proprie merci in base alle priorità stabilite dalla lista prioritaria di acquisto principale. L’acquisto delle merci in questo ordine garantisce che i ricavi o i profitti dell’azienda siano massimizzati, seguendo i criteri di prioritizzazione specificati.
Le griglie di quantili sono anche molto più versatili nella loro capacità di affrontare scenari che coinvolgono vincoli di approvvigionamento. Mentre le previsioni di quantili sono davvero potenti, non appena sono presenti quantità minime di ordine, sia per SKU che per fornitore, e possibilmente anche alcuni vincoli di capacità del volume del contenitore, le quantità suggerite non corrispondono ai vincoli di approvvigionamento. E spetta quindi al pianificatore della supply chain gestire tutti gli aggiustamenti, ovvero rimuovere determinati SKU o aumentare le unità per altri SKU, al fine di comporre un lotto di ordine complesso che soddisfi tutti i vincoli.
Con le griglie di quantili, abbiamo un’esperienza utente molto più convincente e molto più semplice da proporre. La lista principale semplifica l’adattamento ai vincoli di ordinazione. Se sono presenti quantità minime di ordinazione per SKU, le righe non idonee possono essere rimosse dalla lista. Allo stesso modo, se esiste un vincolo di capacità target per ospitare le spedizioni dei contenitori, le voci di acquisto possono essere elaborate seguendo l’ordine della lista fino a raggiungere la capacità target.
Cosa succederà dopo?
Sebbene le griglie di quantili siano già attive e accessibili a tutte le aziende che hanno un account Lokad aperto, ci manca ancora la documentazione che illustra sia gli aspetti tecnici, ma anche le migliori pratiche della supply chain relative a questa nuova tecnologia. Questo materiale è in arrivo. Restate sintonizzati.
