Accuratezza della previsione della domanda

learn menu
Joannes Vermorel, giugno 2013

In statistica, l’accuratezza della previsione è il grado di vicinanza dell’enunciazione della quantità al valore reale (vero) di quella quantità. Il valore reale solitamente non può essere misurato al momento in cui viene effettuata la previsione poiché l’enunciazione riguarda il futuro. Per la maggior parte delle aziende, previsioni più accurate aumentano la loro efficacia nel soddisfare la domanda riducendo al contempo i costi operativi complessivi.

In questo articolo, adottiamo un punto di vista statistico particolarmente rilevante per il commercio e la manifattura, in particolare per l’ottimizzazione dell’inventario e le aree di pianificazione della domanda.

Uso delle stime di accuratezza

L’accuratezza, quando calcolata, fornisce una stima quantitativa della qualità attesa delle previsioni. Per l’ottimizzazione dell’inventario, la stima dell’accuratezza delle previsioni può servire a diversi scopi:

  • per scegliere tra diversi modelli di previsione che servono a stimare la domanda nel lead time quale modello dovrebbe essere preferito.
  • per calcolare lo safety stock normalmente assumendo che gli errori di previsione seguano una distribuzione normale.
  • per dare priorità agli elementi che richiedono la maggiore attenzione dedicata perché le previsioni statistiche grezze non sono sufficientemente affidabili.

In altri contesti, come la pianificazione strategica, le stime di accuratezza vengono utilizzate per supportare l’analisi what-if, considerando scenari distinti e le loro rispettive probabilità.

Impatto dell’aggregazione sull’accuratezza

È un equivoco frequente interpretare la qualità del modello di previsione come il fattore principale che determina l’accuratezza delle previsioni: non è così.

Il fattore più importante che influisce sul valore dell’accuratezza è la volatilità intrinseca del fenomeno oggetto della previsione. In pratica, nel commercio o nella manifattura, questa volatilità è fortemente correlata al livello di aggregazione:

  • aree più ampie, come le previsioni nazionali rispetto a quelle locali, offrono maggiore accuratezza.
  • lo stesso vale per periodi più lunghi, come le previsioni mensili rispetto a quelle giornaliere.
Evidenza aneddotica: In Lokad, osserviamo regolarmente che non esiste una buona accuratezza; essa è specifica del contesto. Nel prevedere il consumo nazionale di elettricità del giorno successivo per un grande paese europeo, un errore dello 0,5% è stato considerato relativamente impreciso; mentre ottenere meno dell'80% di errore per le previsioni a livello di negozio del primo giorno di vendita di prodotti freschi appena introdotti è stato considerato un risultato significativo.

Poi, una volta stabilito un livello di aggregazione, la qualità del modello di previsione gioca effettivamente un ruolo primario nell’accuratezza che può essere raggiunta. Infine, l’accuratezza diminuisce quando si guarda più avanti nel futuro.

Accuratezza empirica vs accuratezza reale

Il termine accuratezza è più frequentemente utilizzato per riferirsi alla qualità di una misurazione fisica di qualche tipo. Sfortunatamente, questa visione è in parte fuorviante quando si tratta di previsioni statistiche. Infatti, a differenza del contesto fisico in cui la misurazione potrebbe essere confrontata con metodi alternativi, la vera accuratezza della previsione dovrebbe essere rigorosamente misurata in base a dati che non possiedi.

Infatti, una volta che i dati sono disponibili, è sempre possibile produrre previsioni perfettamente accurate, in quanto basta semplicemente imitare i dati. Questa singola questione ha tenuto perplessi gli statistici per più di un secolo, poiché una visione profondamente soddisfacente è stata trovata solo alla fine del XX secolo con l’avvento della teoria Vapnik-Chervonenkis1.

L’accuratezza delle previsioni può essere misurata praticamente solo in funzione dei dati disponibili; tuttavia, quando i dati sono disponibili, quelle previsioni non sono più vere previsioni, essendo enunciazioni sul passato piuttosto che sul futuro. Pertanto, queste misurazioni sono indicate come accuratezza empirica, in contrasto con la accuratezza reale.

Overfitting problemi possono portare a grandi discrepanze tra l’accuratezza empirica e quella reale. In pratica, un uso attento del backtesting può mitigare la maggior parte dei problemi di overfitting quando si prevede serie temporali.

Metriche di accuratezza popolari

Esistono molte metriche per misurare l’accuratezza delle previsioni. Le metriche più utilizzate sono:

In pratica, una metrica dovrebbe essere preferita rispetto a un’altra in base alla sua capacità di riflettere i costi sostenuti dall’azienda a causa delle imprecisioni delle previsioni.

Il trucco di Lokad

È meglio essere approssimativamente corretti che esattamente sbagliati. Nella nostra esperienza con aziende del commercio o della manifattura, osserviamo regolarmente che si presta troppa poca attenzione alla scelta della metrica di accuratezza.

Infatti, la metrica ideale non dovrebbe restituire valori espressi in percentuali, ma dovrebbe restituire Dollari o Euro, riflettendo precisamente il costo delle inefficienze causate dalle previsioni imprecise. In particolare, mentre la maggior parte delle metriche popolari è simmetrica (con il pinball loss come eccezione notevole), i rischi di sovraprevizione rispetto a quelli di sotto-previsione non sono simmetrici nella pratica. Suggeriamo di adottare un punto di vista in cui la metrica sia più vicina a una funzione di costo economico – modellata con attenzione per adattarsi ai vincoli aziendali – piuttosto che a un semplice indicatore.

Inoltre, è molto importante non pianificare implicitamente assumendo che le previsioni siano esatte. L’incertezza è inevitabile nel business e deve essere presa in considerazione.

Ulteriori letture

Note

  1. Wikipedia. Teoria Vapnik–Chervonenkis ↩︎