Previsioni come profezia autoavverante
Ogni settimana, numerose aziende ci contattano chiedendo se Lokad possa occuparsi delle loro previsioni rolling settimanali o mensili, ad esempio per alcuni trimestri in anticipo. In effetti, un decennio fa, Lokad è stata fondata sull’idea di essere un’app forecast as a service. Purtroppo, questa idea si è rivelata in gran parte disfunzionale, e siamo passati a soluzioni migliori. Alcuni dei problemi posti dalle previsioni sono semplici – ingannevolmente così – ma anche fondamentali. Non importa quanto sia buona la tecnologia, non servirà a nulla se le premesse aziendali sono difettose.
Sia chiaro: Lokad effettua previsioni della domanda, e ottimizzazione predittiva rimane il nostro core competency, ma c’è un metodo; e il metodo inizia riconoscendo che le previsioni sono in larga misura una profezia che si autoavvera, e che sono coinvolti numerosi loop di feedback.
Illustreremo questo aspetto in modo più dettagliato. Se si cerca di prevedere le vendite di un marchio di moda, basta guardare alle quantità inizialmente acquistate: le quantità vendute durante la stagione sono invariabilmente uguali alle quantità inizialmente ordinate dai fornitori (al netto della perdita). Tuttavia, frequentemente, lo stock non viene venduto al prezzo pieno oppure, al contrario, lo stock si esaurisce a metà stagione. Questa previsione presumibilmente “perfetta” è un miraggio e non riflette la realtà della performance finanziaria dell’azienda.
La domanda futura è intrinsecamente legata alle future supply chain decisioni. Tuttavia, molte aziende agiscono come se fosse possibile prevedere prima (cioè la domanda settimanale) e poi decidere dopo (cioè le quantità degli ordini d’acquisto). Questo approccio è sconsiderato perché il secondo influenza profondamente il primo.
A titolo di prova aneddotica, questo accoppiamento tra domanda futura e decisioni future spiega perché così tanti progetti di previsioni “avanzati” falliscono: i backtest benchmarks “dimostravano” che la nuova previsione era migliore di quella vecchia eppure, una volta in produzione, le cose hanno iniziato a crollare, apparentemente senza motivo. La realtà è che, senza la dovuta attenzione, le previsioni “stupide” tendono a generare meno effetti antagonisti di secondo ordine, cioè conseguenze non intenzionali causate dalle stesse previsioni.
In pratica, il loop di feedback retroattivo tra le previsioni e le decisioni assume molte forme:
- Introdurre un ulteriore articolo nell’assortimento cannibalizza il resto dell’assortimento. Pertanto, aumentare la previsione della domanda per un articolo dovrebbe diminuire (in qualche modo) la previsione per tutti i prodotti concorrenti.
- L’incremento della domanda risultante da una promotion per un determinato prodotto dipende fortemente dal contesto più ampio. Se il prodotto è l’unico in negozio a essere promosso, l’incremento risultante potrebbe essere elevato. Se invece ogni singolo prodotto in negozio viene promosso, l’incremento probabilmente sarà molto più contenuto.
- Il lead time dovrebbe essere previsto, ma l’azienda potrebbe avere un certo grado di controllo sui lead times se può decidere se spedire le merci via mare o via aerea. Entrambe le modalità richiedono le proprie previsioni di lead time; tuttavia, la domanda da considerare per lo stock dipende dai lead times.
- Acquistare quantità maggiori offre tipicamente una sorta di economie di scala, materializzate solitamente attraverso sconti sui prezzi. Un prezzo d’acquisto inferiore può poi tradursi in un prezzo di vendita più basso, stimolando la domanda affinché corrisponda alla quantità maggiore inizialmente acquistata o prodotta.
- Offrire uno sconto ai clienti aumenta le vendite, ma modifica anche le aspettative future dei clienti. I clienti si aspetteranno sempre più uno sconto e rimanderanno la loro decisione d’acquisto fino a quando non verrà offerto uno sconto.
Tutti questi loop di feedback sono una delle ragioni principali per cui noi, in Lokad, siamo diventati molto restii a fornire previsioni “a secco”. Abbiamo la ferma intenzione di non ripetere gli errori dei nostri primi anni e, nello spirito del giuramento ippocratico, fornire valore ai nostri clienti inizia dal non creare caos nelle loro supply chains attraverso approcci mal indirizzati.
Non è un caso se il nostro Quantitative Supply Chain manifesto si basa fortemente sulle decisioni. Sono le conseguenze, talvolta di vasta portata, delle decisioni che devono essere previste con accuratezza, e non un qualche tipo di domanda astratta. In questo senso, il nostro approccio è in linea con le intuizioni scoperte negli anni 1830 di Jean Baptiste Say, secondo le quali l’offerta crea la propria domanda.
Considerando i progressi all’avanguardia nel machine learning e nel software, non esiste una soluzione “confezionata” per affrontare i loop di feedback tramite software. Ci vuole un Supply Chain Scientist con una profonda comprensione delle sfide aziendali, oltre a una sana dose di confronto con professionisti esperti, per elaborare euristiche e modelli che siano almeno approssimativamente corretti nella loro capacità di mettere a frutto, in modo redditizio, le capacità predittive di Lokad per il cliente.
