Deep learning per previsioni logistiche più accurate

Previsioni con il Deep Learning

Home » Previsioni » Qui

Le previsioni con il deep learning (apprendimento profondo) o, più semplicemente, previsioni profonde, rappresentano un miglioramento significativo rispetto alla tecnologia di previsione utilizzata da Lokad in precedenza. In confronto ai metodi di previsione tradizionali, il deep learning offre non soltanto un'accuratezza statistica ineguagliabile, ma anche previsioni probabilistiche essenziali per una corretta gestione di logistica e scorte.

Image

Abbracciare l'incertezza

Molte attività commerciali sono frustrate da previsioni che continuano a rivelarsi sbagliate: ci si aspetta infatti che i metodi tradizionali di previsione siano in grado di produrre dati corretti, ma il futuro è per definizione incerto e, se uno strumento o una soluzione non riescono a prevedere i dati correttamente, sfumano anche i risultati che si sperava di ottenere. Per quanto i vecchi modelli di previsione possano essere perfezionati, e per quanti sforzi possano essere profusi nello sviluppare tecnologie più innovative, i modelli tradizionali di previsione presenteranno sempre lo stesso problema. Metodi come l'analisi della scorta di sicurezza dovrebbero gestire l'incertezza, ma, all'atto pratico, si rivelano nulla di più che riflessioni col senno di poi. Le previsioni probabilistiche costituiscono un modo totalmente nuovo di guardare al futuro Nella gestione della catena logistica, i costi sono determinati da eventi estremi: è una domanda sorprendentemente alta a generare rotture di stock e delusione dei clienti, ed è una domanda sorprendentemente bassa a generare stock morto e, di conseguenza, costosi writeoff. Come tutti i manager sanno, un'azienda deve sperare per il meglio, ma prepararsi al peggio. Quando la domanda si rivela essere esattamente come era stata prevista, non ci sono problemi. La vera sfida di una previsione, però, non è quella di fornire dati corretti nelle situazioni più semplici, in cui le cose sembrano andare bene anche considerando una semplice media mobile. La vera sfida è quella di riuscire a gestire le situazioni più impegnative, quelle che mandano in tilt la catena logistica e regalano nottate insonni ai manager dell'azienda.

Nel 2016, Lokad ha pensato a un metodo totalmente innovativo di gestire le previsioni, il metodo delle previsioni probabilistiche. Più di recente, abbiamo rivisto e aggiornato questo metodo in un'ottica di deep learning. In parole semplici, una previsione probabilistica della domanda non si limita a dare una stima della domanda, ma valuta la probabilità che si verifichi ognuno dei possibili scenari futuri: viene così calcolata la probabilità che si verifichi una domanda di 0 unità, una domanda di 1 unità, una domanda di 2 unità, e così via. Viene insomma analizzata la probabilità che si verifichi ogni livello di domanda, finché le probabilità diventano tanto irrilevanti da poter essere ignorate senza alcun problema.

Le previsioni probabilistiche sono un modo completamente nuovo di guardare al futuro. Invece di restare bloccate in una prospettiva illusoria, in attesa che i dati delle previsioni si concretizzino, le previsioni probabilistiche ci ricordano che tutto è possibile, ma non ugualmente probabile. E, quando si tratta di prepararsi al peggio, le previsioni probabilistiche offrono un potente mezzo per bilanciare quantitativamente i rischi (rischi che di solito le previsioni tradizionali ignorano).
Se le analisi di rischio nelle previsioni tradizionali non sono altro che riflessioni col senno di poi, il metodo di Lokad riporta tutto in prospettiva grazie alle previsioni probabilistiche.

Cosa significa dal punto di vista pratico

I termini deep learning e previsioni probabilistiche potrebbero suonare intimidatori e complessi, ma in realtà chi lavora alla catena logistica di un'azienda fa continuamente previsioni probabilistiche, anche se solo in modo intuitivo: pensiamo, per esempio, a tutte le situazioni in cui è necessario rivedere le previsioni di base al rialzo o al ribasso perché i rischi sono troppo grandi. Una previsione probabilistica consiste esattamente in questo: trovare il giusto equilibrio tra le decisioni concrete della vita quotidiana di fronte a un futuro incerto. E se l'analisi dei rischi tende a essere sottovalutata negli approcci tradizionali, con Lokad diventa parte integrante delle previsioni probabilistiche.

Il nostro motore di previsione probabilistica produce una serie di distribuzioni di probabilità: dal punto di vista pratico, questi dati sono estremamente complessi (dopotutto, si tratta di un riassunto di tutte le situazioni future che potrebbero presentarsi) e poco pratici da usare così come sono. Lokad mette quindi a disposizione un'intera piattaforma, completa di tutti gli strumenti necessari e con un servizio di assistenza dedicato, per consentire a te e alla tua azienda di trasformare queste probabilità in decisioni commerciali, come le quantità di riordino.

L'applicazione web Lokad, che si basa su capacità di calcolo con big data, consente di mettere a punto la logica necessaria ad estrapolare dalle previsioni le decisioni più in linea con le esigenze della tua attività. Potrai, ad esempio, sfruttare le previsioni per rispettare particolari vincoli di approvvigionamento, come i quantitativi minimi di ordine, o rispondere ai driver economici rilevanti per la tua attività, come i rischi associati alla durata di conservazione dei tuoi prodotti, o ancora mettere in atto i procedimenti richiesti, come effettuare ordini giornalieri prima delle 8 di mattina. Image
Indipendentemente da quante settimane o mesi di lavoro si impieghino ad "aggiustare" le soluzioni manuali, queste non saranno mai perfette.

Automatizzazione e intelligenza artificiale (AI)

La gestione della catena logistica richiede spesso che molti prodotti siano spostati da una posizione all'altra. Le soluzioni di previsione tradizionali si affidano solitamente ad aggiustamenti e regolazioni manuali, anche nei casi in cui sono coinvolti schemi statistici avanzati, come l'introduzione di nuovi prodotti o le promozioni.

La nostra esperienza con Lokad ci ha però insegnato che, quando si cerca di migliorare una soluzione di previsione di questo tipo, si rischia di cadere in un circolo vizioso: non importa quanti mesi di lavoro e quanti sforzi si dedicano a trovare la giusta chiave, ci sarà sempre qualcos'altro da migliorare, perché i prodotti sono tanti, le posizioni sono tante, perché l'attività è in continua evoluzione...

Per tutti questi motivi, noi di Lokad abbiamo deciso di optare per una completa robotizzazione del procedimento di previsione:

  • non sono richieste specifiche competenze statistiche per elaborare una previsione;
  • non sono necessarie complesse operazioni per rifinire le previsioni;
  • non è necessario ricorrere a una manutenzione continua per mantenere le previsioni in linea con l'evoluzione dell'attività.

La robotizzazione è resa possibile grazie a quelle che possiamo definire, in modo colloquiale, capacità di intelligenza artificiale (AI), che Lokad ottiene grazie a un meccanismo di previsione con il deep learning. Per fare un esempio di come funziona, pensiamo all'analisi statistica di un singolo prodotto: solitamente, i dati relativi a un solo prodotto sono troppo esigui per essere di qualche rilevanza statistica, ma, se allarghiamo l'analisi a tutti i prodotti mai venduti, possiamo impostare i nostri modelli statistici in modo da basare la previsione non solo sui dati del prodotto che ci interessa, ma anche sugli altri prodotti statisticamente simili, e ottenere così stime decisamente più accurate.

A differenza di metodi più classici, il deep learning consente al motore di previsione di capire da sé quali stranezze possono presentarsi tra i dati: ad esempio, la vendita oggi di 1 unità di un prodotto porta a dedurre che nel futuro prossimo si verificherà una domanda più elevata (non una domanda pari a zero). In alcuni casi particolari, però, la vendita di questa sola unità indica esattamente il contrario, e cioè che nel futuro prossimo non si verificheranno altre vendite di quell'unità.

Per i settori più impegnativi da prevedere, come l'abbigliamento, il motore di previsione con il deep learning sfrutta anche gli indizi più impercettibili sui prodotti, al fine di tenere conto di tutti i fattori che possono contribuire, ad esempio, al successo del lancio di un prodotto.
Per Lokad, le previsioni sono un lavoro costante.

Come sono nate le previsioni con il deep learning

Il deep learning e le previsioni probabilistiche non sono stati inventati da Lokad. Quello che abbiamo fatto noi è stato applicare per la prima volta queste teorie statistiche a livello di produzione e adattarle specificamente alla catena logistica. Le previsioni con il deep learning rappresentano la quinta generazione della nostra tecnologia di previsione.

Il nostro motore di previsione "5.0" utilizza, invece che CPU (Central Processing Units), anche una griglia di GPU (Graphics Processing Units): queste ci offrono una potenza di calcolo decisamente superiore, che possiamo sfruttare per elaborare previsioni incomparabilmente più precise.

Grazie all'esperienza acquisita lavorando con altre tipologie di previsioni, disponiamo ora di conoscenze approfondite su come creare un motore di previsione adatto a gestire le più diverse situazioni di business. Image

L'idea di calcolare un'intera gamma di probabilità, invece che un singolo valore medio, è nata durante i nostri primi anni di attività, quando eravamo ancora intenti a trovare il modo di far funzionare i metodi tradizionali: ci sono voluti non pochi fallimenti per renderci conto che i metodi tradizionali erano imperfetti e che, per quanto ci fossimo impegnati a cercare una soluzione innovativa, non saremmo mai riusciti a far funzionare un metodo statistico sbagliato già in partenza. Se volevamo che il metodo funzionasse, non ci restava che cambiare metodo.

Tra l'altro, ogni nuova versione del nostro motore di previsione non era altro che una generalizzazione (nel senso matematico del termine) della versione precedente; il nostro motore di previsione, cioè, a ogni nuova generazione era in grado di gestire un maggior numero di situazioni. In realtà, è meglio essere approssimativamente nel giusto che esattamente nel torto: le situazioni più complesse si verificano quando il motore di previsione non è abbastanza espressivo per generare previsioni in linea con una certa situazione commerciale, oppure per elaborare i dati di input davvero rilevanti al fine di analizzare statisticamente una determinata situazione.

Per noi di Lokad, le previsioni sono un lavoro in corso. Siamo fieri di ciò che siamo riusciti a costruire con il nostro motore di previsione probabilistica, ma siamo anche coscienti che c'è ancora molto da fare. A differenza delle soluzioni on premise, per cui l'aggiornamento a una nuova versione è già di per sé un'impresa, i clienti di Lokad possono beneficiare delle nuove generazioni del nostro motore di previsione non appena queste sono disponibili.


Le nostre previsioni: FAQ


Quali metodi di previsione usa Lokad?

Il nostro motore di previsione con il deep learning usa un solo modello, costruito a partire dai principi di base dell'apprendimento profondo. A differenza dei modelli statistici classici, questo offre decine di milioni di parametri "addestrabili", ossia 1000 volte quello che offriva il nostro motore di previsione più recente e complesso, che non sfruttava ancora questo tipo di tecnologia. Il deep learning è di gran lunga più potente rispetto agli approcci basati sul machine learning (foreste casuali, gradient boosting), che pure costituivano già un vero e proprio salto di qualità rispetto ai metodi più classici (Box-Jenkins, ARIMA, Holt-Winters, smorzamento esponenziale, etc.).

Lokad riesce a imparare dagli errori del passato?

Sì. Il processo di apprendimento statistico, che è alla base del modello deep learning, sfrutta tutti i dati storici disponibili in Lokad attraverso un procedimento noto come backtesting. In questo modo, più i dati storici sono numerosi, più opportunità ha il modello per imparare dagli errori commessi in precedenza.

Il motore di previsione riesce a gestire stagionalità, trend, giorni della settimana?

Sì, il motore di previsione gestisce tutti i cicli più comuni e perfino i semicicli, che sono spesso sottovalutati. Per quanto riguarda il codice, il modello deep learning sfrutta un approccio con serie temporali multiple, al fine di analizzare le ciclicità osservate negli altri prodotti e, a partire da queste, migliorare l'accuratezza delle previsioni per un qualsiasi prodotto. Ovviamente, due prodotti possono avere in comune la stessa stagionalità, ma non lo stesso giorno della settimana, ma il modello è in grado di gestire anche scenari di questo tipo. Inoltre, uno dei più grandi vantaggi del deep learning è la capacità di riuscire a catturare con esattezza la variabilità della stagionalità. Una stagione, infatti, può iniziare in anticipo o in ritardo per cause esterne, come le condizioni meteo: ebbene, le nostre previsioni sono in grado di individuare e riflettere anche variazioni del genere.

Che tipo di dati bisogna fornire?

Per prevedere la domanda, il motore di previsione necessita di accedere quantomeno ai dati storici della domanda - fornire una cronologia disaggregata degli ordini è ancora meglio. Quanto alla lunghezza della cronologia, più si riesce ad andare indietro nel tempo e meglio è: non è possibile determinare la stagionalità di un prodotto con meno di 2 anni di dati; 3 anni sono sufficienti a una buona previsione, 5 anni a una previsione eccellente. Per prevedere i lead time, il motore di previsione deve poter accedere agli ordini di acquisto, comprensivi di date degli ordini e date delle consegne. Accedere agli attributi del prodotto o della SKU aiuta inoltre a rifinire la previsione. In più, è possibile ottenere un'analisi delle scorte a partire dalla quantità di scorte esistenti.

È possibile eseguire una previsione da un foglio Excel?

In linea di massima, se tutti i dati entrano in un foglio Excel, non possiamo fare molto per te, né noi né, a essere sinceri, qualcun altro. I fogli di calcolo solitamente aggregano i dati per settimana o per mese, per cui gran parte delle informazioni storiche vanno perse. Inoltre, in questi casi, i fogli di calcolo non contengono quasi mai informazioni sulle categorie o sulle gerarchie applicabili al prodotto. Il nostro motore di previsione sfrutta un numero molto maggiore di dati e fare un test su un piccolo campione non serve a dare risultati soddisfacenti.

Come vengono gestite rotture di stock e promozioni?

Sia le rotture di stock che le promozioni rappresentano un errore sistematico nelle vendite storiche. Poiché il nostro obiettivo è quello di prevedere la domanda, e non le vendite, questi errori sistematici devono essere presi in considerazione. Un modo piuttosto frequente, ma sbagliato, di gestire tali situazioni consiste nel riscrivere la cronologia, riempiendo i "buchi" e troncando i picchi. Questo non è il nostro metodo preferito, poiché, in sostanza, si tratta di fornire previsioni al motore di previsione, il che può tradursi in seri problemi di overfitting. Al contrario, il motore di previsione supporta delle "bandiere" che indicano i punti in cui la domanda è stata sottoposta a variazioni.

Sono possibili previsioni per nuovi prodotti?

Sì, certo. Per prevedere il comportamento dei nuovi prodotti, però, è necessario fornire al motore di previsione le date di lancio di altri prodotti meno recenti, nonché la domanda storica di tali prodotti al momento del lancio. È consigliabile anche ricorrere a categorie di prodotti e gerarchie di prodotti: il motore esegue infatti le previsioni per i nuovi prodotti individuando automaticamente i prodotti "più vecchi" a esso assimilabili. Poiché, però, per i nuovi prodotti non è stata ancora osservata alcuna domanda, le previsioni si baseranno completamente sugli attributi associati ai prodotti.

È possibile "aggiustare" le previsioni?

In quasi dieci anni di esperienza nel settore delle previsioni statistiche, abbiamo avuto modo di osservare che ritoccare le previsioni non è mai una buona idea. Se sorge questa necessità, probabilmente è perché nel motore di previsione esiste un bug che deve essere risolto. Se non ci sono bug da risolvere, e le previsioni sono eseguite come previsto da un punto di vista statistico, ritoccarle è probabilmente la soluzione meno adatta. La necessità di ritoccare le previsioni si presenta solitamente quando va tenuto in conto un driver di tipo economico, che influisce sull'analisi di rischio "collaterale" alla previsione, ma non sulla previsione in sé stessa.

Lokad ha esperienza nel mio settore?

Abbiamo esperienza nei settori più vari: moda, alimentare fresco, beni di consumo, elettronica, pezzi di ricambio, aeronautica, industria manifatturiera leggera, industria pesante, e così via. Inoltre, lavoriamo con molti attori diversi: attività di e-commerce, grossisti, società di importazioni, aziende di produzione, aziende di distribuzione, catene di vendita al dettaglio, etc. Il modo più semplice per sapere se abbiamo esperienza nel tuo settore è contattarci direttamente.

Vengono usati dati esterni per rifinire le previsioni?

Possiamo usare dati sui prezzi delle aziende concorrenti, di solito ottenuti attraverso società terze specializzate ad esempio in web scraping. È anche possibile usare, e possibilmente acquistare, dati sul traffico web, per arricchire i dati storici e ottenere così previsioni più accurate. Quando si utilizzano dati provenienti da fonti esterne, l'ostacolo non è il motore di previsione Lokad (che sarebbe in grado di funzionare anche senza aiuti esterni), ma configurare e mantenere una serie di procedure per far sì che questi dati siano di qualità elevata.