Stagionalità (Supply Chain)

Nella supply chain, la domanda - o le vendite - di un determinato prodotto viene considerata stagionale quando la serie temporale sottostante subisce una variazione ciclica prevedibile in base al periodo dell’anno. La stagionalità è uno dei modelli statistici più utilizzati per migliorare l’accuratezza delle previsioni di domanda.

Illustrazione delle serie temporali stagionali

Il grafico qui sotto illustra 4 serie temporali stagionali (clicca per ingrandire). Le serie temporali sono aggregate a livello settimanale per un periodo di 159 settimane (circa 3 anni). I dati rappresentano le spedizioni settimanali di 4 prodotti distinti dal magazzino di un grande rivenditore europeo.

Il primo giorno dell’anno (1° gennaio) è contrassegnato da un marcatore verticale grigio. I dati storici appaiono in rosso, mentre la previsione di Lokad è visualizzata in viola. La stagionalità può essere osservata visivamente come una somiglianza dei pattern da un anno all’altro; utilizzare i marcatori grigi come riferimento.

Modello di base per la decomposizione stagionale

Sia Y(t) la domanda al tempo t. Decomponiamo la domanda Y(t) in due componenti: S(t) una funzione strettamente ciclica e Z(t) il complemento non stagionale. Questo dà:

Y(t) = S(t) * Z(t) dove S(t + 1 anno) = S(t)

Se una funzione S(t) di questo tipo può essere stimata, il processo di previsione di solito avviene in tre fasi:

• Calcolare la serie temporale desazonalizzata come Z(t) = Y(t) / S(t).
• Produrre la previsione sulla serie temporale Z(t), eventualmente attraverso una media mobile.
• Riapplicare gli indici di stagionalità alla previsione successivamente.

Tornando al problema iniziale di stimare gli indici di stagionalità S(t), assumendo che non ci sia una tendenza (tra le altre cose), S(t) può essere stimato con:

S(t) = MEDIA( Y(t-1)/MA(t-1) + Y(t-2)/MA(t-2) + Y(t-3)/MA(t-3) + ... )

dove Y(t-1) è l’abbreviazione di Y(t - 1 anno) e MA(t) la media mobile di 1 anno di Y(t).

L’approccio proposto in questa sezione è naive, ma può essere facilmente implementato in Excel. Nella letteratura sono disponibili molti modelli statistici per affrontare la stagionalità con metodi più complessi. Ad esempio: Box-Jenkins, ARMA, ARIMA, Holt-Winters…

Sfide nella stima degli indici di stagionalità

Il modello di stagionalità illustrato qui sopra è un approccio piuttosto ingenuo che funziona per serie temporali stagionali lunghe e regolari. Tuttavia, ci sono molte difficoltà pratiche nella stima della stagionalità:

1. Le serie temporali sono brevi. La durata della maggior parte dei beni di consumo non supera i 3 o 4 anni. Di conseguenza, per un dato prodotto, la storia delle vendite offre in media pochi punti nel passato per stimare ciascun indice stagionale (ossia i valori di S(t) nel corso dell’anno, cf. la sezione precedente).
2. Le serie temporali sono rumorose. Le fluttuazioni di mercato casuali influenzano le vendite e rendono la stagionalità più difficile da isolare.
3. Sono coinvolte molteplici stagionalità. Quando si analizzano le vendite a livello di negozio, la stagionalità del prodotto stesso è tipicamente intrecciata con la stagionalità del negozio.
4. Altri pattern come la tendenza o il ciclo di vita del prodotto influenzano anche le serie temporali, introducendo vari tipi di bias nella stima.

Un metodo semplice - sebbene intensivo in termini di manodopera - per affrontare questi problemi consiste nel creare manualmente profilo di stagionalità a partire da aggregati di prodotti noti per avere lo stesso comportamento stagionale. La durata dell’aggregato di prodotti è tipicamente molto più lunga della durata dei singoli prodotti, il che mitiga questi problemi di stima.

Quasi-stagionalità

Ci sono molti pattern che si verificano una volta all’anno ma non sempre nella stessa data. Da Lokad, chiamiamo questi pattern quasi-stagionali. Ad esempio, la festa della mamma (che cade in date diverse a seconda dell’anno e varia anche tra i paesi) e altre festività come il Ramadan, la Pasqua e l’Hanukkah (che cadono in date diverse a seconda dell’anno) sono quasi-stagionali.

Questi eventi quasi-stagionali escono dal campo dei modelli di previsione ciclici classici che assumono che il periodo del ciclo sia strettamente costante. Per gestire questi eventi quasi-stagionali, è necessaria una logica quasi-ciclica più complessa.

Attenzione di Lokad

Dalla nostra esperienza, la stagionalità influisce sulla stragrande maggioranza delle attività umane. In particolare, nelle serie temporali che rappresentano le vendite di beni di consumo (alimentari e non alimentari), un fattore stagionale è quasi sempre presente. Tuttavia, accade spesso che, a causa della quantità di rumore di mercato, la qualità della stima degli indici stagionali risulti troppo bassa per essere utilizzata in modo pratico per affinare le previsioni.

La tecnologia di previsione di Lokad gestisce nativamente sia la stagionalità che la quasi-stagionalità, quindi non è necessario informare Lokad a riguardo, è già stato preso in considerazione.

Per superare i problemi causati dalla limitata profondità storica disponibile per la maggior parte delle serie temporali nel settore del commercio al dettaglio o della produzione, Lokad utilizza l’analisi di molteplici serie temporali e la stagionalità viene valutata non su un singolo prodotto ma guardando molti prodotti. In questo modo, riduciamo il rumore nella nostra stima della stagionalità, ma introduciamo anche la stagionalità nelle previsioni anche quando i prodotti sono stati venduti per meno di un anno.