We are proud to announce that Lokad is now featuring text mining capabilities that assist its forecasting engine in delivering accurate demand forecasts, even when looking at products associated with sparse and intermittent demand that do not benefit from attributes such as categories and hierarchies. This feature is live, check out the label option of our forecasting engine.

La principale sfida nella previsione affrontata dalle supply chain è la scarsità di dati: la maggior parte dei prodotti non dispone di un decennio di dati storici rilevanti e non è supportata da migliaia di unità quando si considerano i bordi della rete della supply chain. I metodi di previsione, tradizionali, che si basano sull’assunzione che le serie temporali siano sia lunghe che non sparse, offrono prestazioni scarse per questo motivo.

Lokad osserva i dati storici della supply chain da un’altra prospettiva: invece di analizzare la profondità dei dati, che tende a essere inesistente, esaminiamo l’ampiezza dei dati, ossia tutte le correlazioni esistenti tra i prodotti. Poiché solitamente ci sono migliaia di prodotti, molte correlazioni possono essere sfruttate per migliorare significativamente l’accuratezza delle previsioni. Tuttavia, nel stabilire tali correlazioni, non possiamo contare sulla cronologia della domanda perché molti prodotti, come quelli sul punto di essere lanciati, non dispongono ancora di dati storici. Pertanto, il motore di previsione di Lokad ha introdotto un meccanismo per sfruttare invece le categorie e le gerarchie.

Sfruttare categorie e gerarchie per aumentare l’accuratezza delle previsioni funziona egregiamente. Tuttavia, questo approccio soffre di una limitazione specifica: dipende dalla disponibilità di categorie e gerarchie. In effetti, molte aziende non hanno investito molto nelle configurazioni di master data e, di conseguenza, non possono beneficiare di informazioni molto dettagliate sui prodotti che transitano nella supply chain. In passato, quando non erano disponibili né categorie né gerarchie, il nostro motore di previsione era essenzialmente incapace di far fronte a una domanda sparsa e intermittente.

Le nuove capacità di text mining del motore di previsione di Lokad rappresentano una svolta: ora il motore è in grado di elaborare la descrizione in testo semplice dei prodotti per stabilire le correlazioni tra essi. In pratica, osserviamo che, sebbene le aziende possano mancare di categorizzazioni adeguate per i loro prodotti, una descrizione in testo semplice è quasi sempre disponibile, migliorando notevolmente l’applicabilità della prospettiva di previsione incentrata sull’ampiezza dei dati proposta da Lokad.

Ad esempio, se un insieme eterogeneo di prodotti viene denominato Something Christmas e tutti questi prodotti mostrano un picco stagionale costante prima di Natale, il motore di previsione può identificare questo schema e applicare automaticamente la stagionalità dedotta a un nuovo prodotto che contiene la parola chiave Christmas nella sua descrizione. Questo è esattamente ciò che accade sotto il cofano in Lokad quando le etichette in testo semplice vengono fornite al motore di previsione.

L’esempio sopra è semplicistico, ma, in pratica, il text mining implica la scoperta di relazioni complesse tra le parole e i modelli di domanda osservabili nei dati storici. Prodotti con descrizioni simili possono condividere tendenze, cicli di vita e stagionalità simili. Tuttavia, due prodotti con descrizioni simili possono condividere la stessa tendenza ma non la stessa stagionalità, ecc. Il motore di previsione di Lokad si basa su algoritmi di machine learning che identificano automaticamente le informazioni rilevanti dalle descrizioni in testo semplice dei prodotti. Il motore non richiede alcun preprocessing delle descrizioni dei prodotti.

Il nostro motto è sfruttare al meglio i dati a disposizione. Con le capacità di text mining, stiamo nuovamente abbassando i requisiti per portare la tua azienda nell’era delle quantitative supply chains. Qualsiasi domanda? Scrivici a contact@lokad.com.