FAQ: Previsione della domanda
Lokad si è evoluta dalle sue origini nella previsione della domanda degli anni 2000 fino a diventare un leader nell’ottimizzazione predittiva delle supply chain, concentrandosi su valutazioni superiori degli eventi futuri pur navigando nelle complessità del mondo reale.
Destinatari: supply chain practitioners, pianificatori della domanda e dell’offerta, analisti aziendali.
Ultima modifica: 7 marzo 2024

Principi di previsione
Come osservò Keynes, è meglio essere approssimativamente corretti che esattamente sbagliati. Questo principio si applica alla maggior parte delle situazioni della supply chain (e anche agli scenari al di fuori della supply chain), ma è particolarmente valido per quanto riguarda la previsione. Quando si tratta di previsione, Lokad fa più che evitare di essere esattamente sbagliata; regolarmente superiamo di gran lunga non solo i nostri concorrenti, ma anche i team di ricerca1—a volte ridefinendo lo stato dell’arte. Tuttavia, nell’ultimo decennio ci siamo resi conto che il più grande fattore limitante della prospettiva tradizionale della previsione non era l’accuratezza, bensì l’espressività.
Le previsioni classiche—cioè, le previsioni puntuali in serie temporali—non raccontano abbastanza del futuro. Eppure, le previsioni in serie temporali sono diventate così diffuse che molti praticanti dimenticano quanto siano incomplete—non solo imprecise. Le previsioni in serie temporali trattano il futuro dell’azienda come il moto di un pianeta: un fenomeno in cui l’osservatore non ha alcun ruolo sugli oggetti osservati. Tuttavia, le supply chain non sono come l’astronomia, e le aziende (a differenza dei pianeti) influenzano attivamente la direzione delle loro supply chain. Fondamentalmente, il futuro non è predeterminato; è ciò che ne fai.
Stranamente, l’intera teoria dominante della supply chain è costruita sulle previsioni in serie temporali, portando a ogni sorta di svolte bizzarre. La determinazione dei prezzi—un modo ovvio per indirizzare la domanda—isolata dall’equazione—viene solitamente esclusa, rendendola una preoccupazione del tutto separata dalla pianificazione. Ciò è palesemente errato dato il loro chiaro legame.
Un’altra dimensione completamente assente dalla prospettiva tradizionale delle serie temporali è l’incertezza. Questa incertezza è qualcosa che i tradizionalisti credono di poter affrontare perseguendo una maggiore accuratezza in isolamento—spesso dedicando vaste risorse a questo scopo. Tuttavia, le supply chain continuano a dimostrare che l’incertezza associata agli eventi futuri è irriducibile, e che i problemi della supply chain richiedono più che semplici aggiustamenti isolati—cioè, ottimizzazione locale. Oltre al fatto che l’incertezza futura è irriducibile, i mercati globali sembrano abilissimi nel lanciare sfide sia con metodi vecchi (es. guerre, tsunami) sia con modalità nuove (es. lockdown, regolamentazioni inventive).
Previsioni probabilistiche
La prima grande deviazione di Lokad dalla prospettiva classica delle previsioni in serie temporali è stata rappresentata dalle previsioni probabilistiche, introdotte nel 2012 tramite previsioni quantiliche—che possono essere viste come una previsione probabilistica incompleta. Le previsioni probabilistiche prendono in considerazione tutti i futuri possibili (cioè, domanda, lead time, ecc.) assegnando probabilità a ogni singolo esito. In questo modo, le previsioni probabilistiche abbracciano l’incertezza irriducibile degli eventi futuri invece di scartarla completamente. Dal 2012, le previsioni probabilistiche hanno ripetutamente dimostrato di essere un approccio nettamente superiore per la gestione del rischio nella supply chain. Ciò vale per tutto, dalle piccole decisioni locali, come scegliere la quantità giusta per uno SKU, fino alle decisioni importanti, come la chiusura di un contratto di servizio pluriennale da milioni di dollari.
Inoltre, Lokad non si è (e non si limita ancora) a fare previsioni probabilistiche della domanda. Tutte le altre fonti di incertezza sono ora quantificate dalla piattaforma Lokad. Queste incertezze includono lead time variabili, tassi di raccolta variabili, resi dei clienti variabili, ecc. Più in generale, tutti gli eventi futuri incerti devono essere previsti, idealmente tramite previsioni probabilistiche. Così, al giorno d’oggi, Lokad prevede regolarmente più di una dozzina di tipi distinti di eventi futuri. È importante notare che queste previsioni alternative non sono previsioni in serie temporali. Non stiamo cercando di esprimere molteplici valori/unità disparati (ad es., domanda, lead time, ecc.) utilizzando una serie temporale. In effetti, nella maggior parte dei casi il problema che prevediamo non rientra nemmeno nel ristretto quadro imposto da una serie temporale.
Previsioni programmatiche
La seconda significativa deviazione di Lokad dalla prospettiva classica della previsione è stata il passaggio programmatico, inizialmente con il deep learning nel 2018, poi con la programmazione differenziabile nel 2019. La visione dominante era che la previsione dovesse essere affrontata come un prodotto tecnologico “confezionato”. Lokad, come la maggior parte dei suoi pari, si riferiva persino al suo “motore di previsione”—un componente software monolitico dedicato proprio a questo compito. Tuttavia, questa prospettiva presenta carenze su due fronti principali.
Prima, la prospettiva del “motore di previsione” presuppone che esista un modo standard per organizzare i dati di input che verranno forniti al motore. Questo non è il caso. La struttura stessa dei dati di input—in senso relazionale (ad es., SQL)—dipende fortemente dalle specificità dei sistemi aziendali in uso nell’azienda. Forzare i dati storici, come si trovano nei sistemi aziendali, in un modello di dati preconcetto, come richiesto da un motore di previsione, porta a ogni sorta di problemi. Sebbene Lokad sia riuscita (attraverso una sofisticazione sempre crescente) a ingegnerizzare un motore di previsione notevolmente più flessibile di quello che offrono ancora i nostri concorrenti, ci siamo resi conto anche che questo approccio era un vicolo cieco tecnologico. Il motore di previsione non è mai abbastanza flessibile, e finisce invariabilmente per trascurare aspetti critici ma sottili del business.
Le metodologie programmatiche, tuttavia, si sono dimostrate una soluzione nettamente superiore. È qui che le sfide della modellazione predittiva vengono affrontate attraverso paradigmi programmatici anziché tramite un software monolitico e rigido. Lokad ha iniziato nel 2018 con framework di deep learning—comunemente usati dalla comunità più ampia—ma ha finito per ristrutturare completamente la tecnologia alla luce dei progressi fatti nella programmazione differenziabile nel 2019. L’intento di questa completa revisione tecnologica era di trasformare i dati relazionali in un cittadino di prima classe, a differenza dei framework di deep learning che trattavano—e trattano ancora—i dati come cittadini di seconda classe. Sebbene i dati relazionali dominino nella supply chain, questo non è il tipo di dati che cattura l’interesse della comunità più ampia del machine learning (dove predominano immagini, linguaggio naturale, voce, ecc.).
Secondo, la prospettiva del “motore di previsione” non lascia spazio all’azienda per plasmare il proprio futuro. Indipendentemente dalla sofisticatezza del motore, il paradigma implica un processo in due fasi, con la fase di previsione/pianificazione seguita da una fase di ottimizzazione/esecuzione. Questo paradigma lascia poco o nessuno spazio per un continuo andare e venire tra pianificazione ed esecuzione. In teoria, è possibile applicare ripetutamente il motore di previsione a scenari che sono stati adattati in base alle previsioni ottenute nelle iterazioni precedenti. In pratica, il processo è così tedioso che nessuno lo fa davvero (almeno non per lungo tempo).
Conclusione: le metodologie programmatiche sono un punto di svolta. Ciò perché diventa possibile operare cicli di feedback su misura—tra pianificazione ed esecuzione—che riflettono opzioni sottili ma profittevoli che l’azienda altrimenti probabilmente perderebbe. Ad esempio, se il cliente è un’azienda MRO nel settore dell’aviazione, diventa possibile considerare l’acquisto e la vendita simultanea di parti rotabili—le vendite di parti inutilizzate finanziano l’acquisizione di parti ora tanto necessarie. Tali interazioni non sono necessariamente complesse o addirittura impegnative, ma scoprirle richiede una considerazione attenta dei dettagli del business. Gli approcci non programmatici falliscono invariabilmente nel captare questi dettagli, costringendo i supply chain practitioners a tornare ai loro fogli di calcolo2. La programmazione differenziabile si rivela essere un punto di svolta anche su questo fronte.
Domande Frequenti (FAQ)
1. Algoritmi e Modelli di Previsione
1.1 Puoi fornire una panoramica dei motori di previsione che utilizzi?
Le capacità predittive di Lokad sono basate sulle potenzialità della programmazione differenziabile di Envision, il DSL (linguaggio di programmazione specifico per un dominio) sviluppato da Lokad per l’ottimizzazione predittiva della supply chain. Pertanto, invece di possedere un “motore”, Lokad dispone di blocchi costruttivi programmatici che possono essere facilmente assemblati per creare modelli predittivi all’avanguardia.
I nostri modelli predittivi includono (ma vanno oltre) l’erogazione di previsioni di domanda in serie temporali all’avanguardia, come dimostrato dal fatto che Lokad ha raggiunto il primo posto (su circa 1000 concorrenti) a livello SKU in una competizione internazionale di previsione basata su dataset di Walmart. I dettagli del metodo sono forniti in un documento pubblico. La programmabilità della piattaforma Lokad offre capacità flessibili che non possono essere replicate tramite un tradizionale “motore di previsione”. Infatti, il nostro ultimo “motore di previsione” è stato eliminato nel 2018 in favore di un approccio programmatico, proprio a causa di questa limitazione.
Inoltre, solitamente parliamo di “modellazione predittiva” piuttosto che di “previsione”, perché non è solo la domanda futura che deve essere stimata quantitativamente, ma tutte le fonti di incertezza. Queste categorie includono i futuri lead time, i futuri resi, i futuri tassi di rottamazione, i futuri prezzi delle fonti, i futuri prezzi dei concorrenti, ecc. Grazie alla programmazione differenziabile, Lokad fornisce previsioni che vanno ben oltre ciò che tradizionalmente ci si aspetta da un motore di previsione. Queste previsioni estese sono fondamentali per fornire un’ottimizzazione end-to-end della supply chain, anziché un piano di domanda isolato.
Infine, Lokad fornisce un “modello predittivo probabilistico”. La previsione probabilistica (o “modellazione probabilistica”) è fondamentale per fornire decisioni ottimizzate e aggregate al rischio. Senza previsioni probabilistiche, le decisioni relative alla supply chain risultano fragili di fronte a qualsiasi variazione, generando costi indiretti costanti per situazioni che avrebbero potuto essere in gran parte mitigate mediante decisioni leggermente più prudenti.
Vedi Programmazione Differenziabile in Envision per ulteriori dettagli su questo strumento critico, nonché Storia del Motore di Previsione di Lokad per rivedere la nostra progressione in campo di previsione.
1.2 È possibile generare una previsione di base basata su modelli statistici?
Sì. Lokad può generare una previsione di domanda di base basata su modelli parametrici a bassa dimensionalità, cioè un modello statistico. Lo facciamo utilizzando Envision, il DSL (linguaggio di programmazione specifico per un dominio) di Lokad, progettato specificamente per l’ottimizzazione predittiva delle supply chain. Grazie alle capacità di programmazione differenziabile di Envision, è anche semplice apprendere i parametri sfruttando i dati storici della domanda.
Esistono due limitazioni chiave della prospettiva tradizionale della previsione, che è stata superata dalle nuove tecnologie offerte da Lokad. Prima, le previsioni puntuali in serie temporali (alias “previsioni classiche”) non catturano l’incertezza irriducibile del futuro. Infatti, esse ignorano completamente l’incertezza, esprimendo l’incertezza futura come un singolo valore (ad es., domanda) invece di una distribuzione di probabilità dei valori.
Di conseguenza, con le previsioni tradizionali in serie temporali non è possibile per il cliente generare decisioni ottimizzate in base al rischio—ad es., decisioni che riflettano l’impatto finanziario di ordinare X unità o X+1 unità, o magari di non ordinare affatto. Questa mancanza di consapevolezza del rischio (cioè, in senso quantitativo) risulta invariabilmente molto costosa per il cliente, poiché porta a decisioni finanziarie errate (ad es., ordini di acquisto, allocazioni, ecc.). Lokad affronta questo problema attraverso la previsione probabilistica, in quanto essa abbraccia l’incertezza futura invece di ignorarla.
Secondo, la previsione della domanda, pur essendo probabilmente il tipo di previsione più importante, non è l’unico tipo di previsione. I lead time, i resi, i tassi di rottamazione e tutte le altre aree dell’incertezza futura devono essere previsti anch’essi. Lokad affronta questo problema attraverso la modellazione predittiva programmatica.
1.3 Che tipo di analisi dei dati e algoritmi impiega la soluzione per generare previsioni di domanda accurate?
Lokad utilizza la programmazione differenziabile sfruttando dati storici dettagliati e—se rilevante—dati esterni selezionati per generare previsioni di domanda e gestire altre complessità della supply chain (ad es., stockout e promozioni).
La programmazione differenziabile—utilizzata per apprendere modelli parametrici—è la tecnica principale per generare previsioni di domanda accurate. Come dimostrato nella competizione di previsione M5, basata sui dati di vendita al dettaglio di Walmart, Lokad ha utilizzato questo approccio classificandosi al primo posto a livello SKU (in competizione contro circa 1000 team in tutto il mondo). Questo risultato qualifica l’approccio come all’avanguardia.
Tuttavia, l’M5 ha solo graffiato la superficie in materia di previsioni della domanda, poiché l’approccio di Lokad si presta a innumerevoli “complicazioni”, come la gestione di stockouts, promozioni, resi, deteriorabilità, ecc. Modellazione predittiva strutturata per supply chain fornisce i dettagli di come Lokad affronta queste complicazioni.
Per quanto riguarda i dati, Lokad sfrutta tutti i dati storici di vendita rilevanti, fino alle singole transazioni (se tali dati sono disponibili). Sfruttiamo anche altri dati storici che integrano il segnale della domanda, come i livelli di stock storici, i prezzi storici, i prezzi storici dei concorrenti, i ranghi di esposizione storici (ecommerce), ecc. La tecnologia di Lokad è stata progettata per sfruttare al massimo tutti i dati disponibili, oltre a mitigare gli effetti dei dati che purtroppo non sono disponibili.
Dati esterni potrebbero essere utilizzati se considerati rilevanti per affinare le previsioni della domanda. Tuttavia, secondo la nostra esperienza, dati oltre l’intelligence competitiva raramente portano a un miglioramento dell’accuratezza che giustifichi i sostanziali sforzi ingegneristici necessari per preparare tali dataset (ad es., dati social, dati meteo, ecc.). Sfruttare tali dataset dovrebbe essere riservato a aziende mature che hanno già esaurito tutte le vie più semplici per migliorare l’accuratezza delle previsioni.
1.4 Riduci l’errore di previsione tramite tecniche di machine learning?
Sì. Lokad utilizza differentiable programming e deep learning per ridurre l’errore nelle previsioni. Occasionalmente usiamo tecniche alternative, come random forests o gradient boosted trees. Inoltre, usiamo tecniche di machine learning (ML) per riconsiderare i metodi statistici “classici” (ad es., modelli autoregressivi), ma con metodi notevolmente migliorati per l’apprendimento dei parametri rilevanti dei metodi.
Sebbene Lokad utilizzi il ML, va notato che non si tratta di un corpus omogeneo di lavoro, bensì di una prospettiva condivisa su come affrontare i dati. Considerando che il machine learning, in quanto campo di ricerca, esiste da oltre tre decenni, il termine copre in realtà un’ampia gamma di tecniche; alcune considerate all’avanguardia e altre abbastanza obsolete.
Dal nostro punto di vista, il cambiamento di paradigma più importante nel ML, in particolare per scopi di supply chain, è il passaggio dall’ingegneria delle feature all’ingegneria dell’architettura. In parole semplici, le tecniche di machine learning sono diventate programmabili. Sia il deep learning che il differentiable programming riflettono questa nuova prospettiva che privilegia l’ingegneria dell’architettura rispetto a quella delle feature, ed è per questo che Lokad utilizza questo approccio.
Per scopi di supply chain, l’ingegneria dell’architettura è fondamentale per riflettere, all’interno del modello predittivo, la struttura stessa del problema affrontato. Sebbene ciò possa sembrare una considerazione astratta, rappresenta la differenza tra una previsione che sistematicamente non corrisponde ai dati dell’ERP e una previsione che abbraccia davvero la situazione.
1.5 Come identificate e prevedete i modelli di domanda per prevenire stockouts e overstocking?
Lokad riduce stockouts e overstocking attraverso la previsione probabilistica, che abbraccia l’incertezza della domanda futura fornendo le probabilità di grandi deviazioni della domanda. Questo approccio permette a Lokad di fornire decisioni adeguate al rischio ai clienti, consentendo scelte migliori (ad es., ordini d’acquisto) e riducendo stockouts e overstocking. Tale approccio si contrappone alle tradizionali previsioni puntuali basate su serie temporali, che ignorano i rischi finanziari e si concentrano sulla riduzione degli errori di previsione in isolamento.
Mettendo da parte altre possibili cause—come i tempi di consegna variabili—stockouts e overstocking riflettono tipicamente una domanda (futura) inaspettata. Lokad affronta direttamente questo problema attraverso la previsione probabilistica. A differenza dei metodi tradizionali della supply chain, che ignorano l’incertezza irriducibile del futuro, Lokad abbraccia l’incertezza in un senso strettamente quantitativo. Le previsioni probabilistiche forniscono le probabilità di osservare grandi deviazioni della domanda, cosa essenziale per calcolare decisioni adeguate al rischio.
Le decisioni adeguate al rischio non considerano solo la probabilità di fronteggiarsi a eventi insoliti (ad es., domanda molto bassa o molto alta), ma anche i rischi finanziari associati a tali esiti. In linea di massima, esistono costi fortemente asimmetrici nel caso di avere troppe o troppo poche unità. Una decisione adeguata al rischio minimizza le perdite attese indirizzando il cliente nella direzione più “prudente” o “vantaggiosa”.
Al contrario, e nonostante la loro popolarità, le previsioni periodiche puntuali basate su serie temporali (alias “previsioni classiche”) ignorano completamente questi rischi. Tale prospettiva mira a ridurre l’errore di previsione in isolamento al punto in cui l’errore diventa irrilevante. Tuttavia, questo è un pensiero illusorio, poiché l’incertezza del futuro è irriducibile. È per questo che le previsioni puntuali non riescono a prevenire stockouts e overstocking in maniera soddisfacente.
In breve, non importa se viene utilizzato un modello grezzo o sofisticato quando le ipotesi/strumenti sottostanti (ad es., le previsioni puntuali basate su serie temporali) sono sostanzialmente difettosi.
Vedi previsione probabilistica per i dettagli di questo concetto.
1.6 Come gestisci la stagionalità nella domanda?
Executive summary: Lokad gestisce la stagionalità nella domanda attraverso differentiable programming, utilizzando modelli parametrici a bassa dimensione che codificano in maniera fissa la struttura di varie ciclicità, come quelle annuali, settimanali e relative a eventi specifici. Questo approccio automatizzato garantisce accuratezza e stabilità nelle previsioni della domanda considerando simultaneamente tutti i pattern che la influenzano, senza necessità di interventi manuali.
La stagionalità, anche detta ciclicità annuale, è una delle molte ciclicità gestite da Lokad. Possiamo anche gestire la ciclicità settimanale (cioè l’effetto del giorno della settimana), la ciclicità mensile (cioè l’effetto della busta paga) e le ciclicità quasi annuali (ad es., Pasqua, Ramadan, Capodanno cinese, Black Friday, ecc.).
La nostra tecnica di riferimento per gestire le ciclicità è il differentiable programming. Sfruttiamo modelli parametrici a bassa dimensione che riflettono strutturalmente le ciclicità target. In altre parole, scegliamo modelli in cui la struttura della ciclicità è data, codificata in maniera fissa dagli supply chain scientists di Lokad. Questo è progettato per aiutarci a quantificare l’entità delle fluttuazioni associate alle ciclicità target, piuttosto che limitarci a identificarne o scoprirne l’esistenza.
Una volta che la ricetta numerica è stata elaborata dagli supply chain scientists di Lokad, l’intero processo di ottimizzazione è completamente automatizzato. In particolare, l’ottimizzazione della supply chain di Lokad non richiede alcun tipo di intervento manuale (cioè, la microgestione del profilo di stagionalità), né si basa su eccezioni per prodotti recenti o per prodotti che sono stati appena lanciati. L’approccio di Lokad potrebbe sembrare alquanto innovativo, ma è di importanza cruciale per scopi di supply chain.
Prima, fornisce risultati più accurati, poiché il processo di machine learning non cerca di scoprire la ciclicità, ma la ciclicità è presa come data certa (già ampiamente riconosciuta dai professionisti della supply chain). Questo è ancora più critico in situazioni in cui la quantità di dati è limitata.
Seconda, fornisce risultati più stabili, vincolando la forma della funzione di domanda da apprendere. Questo approccio contribuisce notevolmente a mitigare gli artefatti numerici in cui la domanda futura stimata fluttua ampiamente mentre i dati d’ingresso non lo fanno.
Infine, il differentiable programming, utilizzato da Lokad per costruire modelli (di machine learning) dai dati del cliente, ci consente di affrontare congiuntamente tutte le ciclicità, oltre a tutti gli altri pattern che plasmano i modelli di domanda osservati (ad es., stockouts o promozioni). Le ciclicità non possono essere stimate isolatamente, né in sequenza, rispetto agli altri pattern che influenzano la domanda. Tutti questi pattern, e i rispettivi parametri, devono essere stimati congiuntamente.
Vedi Modellazione Predittiva Strutturata per Supply Chain per i dettagli sul differentiable programming e il suo ruolo nell’ottimizzazione della supply chain.
1.7 Avete capacità di previsione a lungo termine (oltre 3 anni in avanti) per prevedere la domanda futura e formulare proposte di adeguamento?
Sì. Lokad può prevedere indefinitamente nel futuro, pertanto non esiste un orizzonte massimo.
Data la natura dell’incertezza del futuro, l’inaccuratezza delle previsioni aumenta costantemente all’allungarsi dell’orizzonte temporale. Sebbene sia tecnicamente semplice produrre una previsione a lungo termine, ciò non significa che questa previsione possa essere considerata affidabile per scopi di supply chain. Non importa quanto sofisticato possa essere il modello sottostante, la previsione è in ultima analisi un tentativo di indovinare come apparirà il percorso mentre si guarda allo specchietto retrovisore.
Inoltre, la possibilità di effettuare aggiustamenti manuali a una previsione altrimenti automatizzata tende a peggiorare la situazione. Una volta che le previsioni sono state modificate manualmente da “esperti”, le organizzazioni ripongono inevitabilmente un’eccessiva fiducia in esse. Numerosi benchmark condotti da Lokad indicano che gli esperti raramente superano i metodi di mediazione grezza per quanto riguarda le previsioni a lungo termine. Di conseguenza, le previsioni modificate manualmente beneficiano tipicamente di un’aura ingiustificata di competenza che porta le organizzazioni a dipendere eccessivamente da esse. Questa pratica di modifica manuale sopravvive persino dopo che i numeri si sono rivelati inevitabilmente delle pessime stime.
Per un commento generale sulla previsione a lungo termine, siamo d’accordo con la prospettiva di Ingvar Kamprad (fondatore di IKEA), che scrisse in The Testament of a Furniture Dealer: “la pianificazione esagerata è la causa più comune della morte aziendale”. In generale, a meno che l’azienda cliente non operi in condizioni di mercato eccezionalmente stabili (ad es., servizi pubblici), non consigliamo di guidare la propria supply chain attraverso previsioni a lungo termine. Il team di supply chain scientists di Lokad è disponibile per fornire orientamenti su approcci migliori (e più sensati) che riflettano in modo univoco le esigenze specifiche di ogni azienda cliente.
1.8 Potete fornire previsioni a rotazione per articolo/negozio per un minimo di 28 giorni?
Sì, Lokad può prevedere indefinitamente nel futuro, anche a livello di SKU per una grande catena di vendita al dettaglio.
Per i nostri clienti retail, di routine abbiamo orizzonti di previsione di 200 (o più) giorni, operando a livello di SKU. Questi orizzonti a medio termine sono utili per valutare correttamente i rischi associati all’inventario inattivo per i prodotti a bassa rotazione. Inoltre, la piattaforma di Lokad è altamente scalabile, quindi gestire decine di milioni di SKU elaborando anni di dati storici giornalieri non è difficile. Infatti, la piattaforma di Lokad può scalare senza sforzo per accogliere anche grandi reti retail senza la necessità di una pianificazione preventiva della capacità.
Vedi anche Algoritmi e modelli di previsione 1.7 in queste FAQ.
1.9 Potete utilizzare fonti di dati esterni e/o indicatori per migliorare l’accuratezza della previsione della domanda?
Sì. Ad esempio, Lokad utilizza regolarmente l’intelligence competitiva (cioè, i prezzi pubblicati dei concorrenti). In alcuni settori, gli indicatori pubblici possono essere di grande utilità (ad es., le dimensioni previste delle flotte di aerei per gli MRO in ambito aeronautico). La piattaforma programmatica di Lokad è unicamente adatta per sfruttare fonti di dati variegate, al di là dei dati storici ottenuti dai sistemi aziendali.
Per quanto riguarda i dati esterni, ci sono due fonti che, contro ogni aspettativa, quasi non valgono mai gli sforzi ingegneristici: i dataset meteorologici e i dataset dei social network. I dataset meteorologici sono molto ingombranti (cioè, molto grandi e complessi) e, realisticamente, non sono davvero migliori delle medie stagionali oltre le due settimane (più o meno). I dataset dei social network sono anch’essi molto ingombranti (cioè, molto grandi, molto complessi e fortemente popolati da dati spazzatura), e si basano pesantemente su effetti a breve termine, tipicamente della durata di pochi giorni.
Non sosteniamo che non si possa estrarre alcun valore dai dati meteorologici o dai dati dei social network, poiché siamo già riusciti a farlo per alcuni clienti. Tuttavia, non tutti i miglioramenti nell’accuratezza delle previsioni valgono gli sforzi ingegneristici necessari per ottenerli. I nostri clienti devono operare con risorse limitate, e solitamente quelle risorse sono meglio investite nel perfezionare altri aspetti dell’ottimizzazione end-to-end della supply chain. Questo è un approccio più prudente rispetto al cercare l’ultimo 1% (tipicamente neanche così tanto) di accuratezza extra attraverso dataset esterni che sono 2 o 3 ordini di grandezza più grandi rispetto ai dataset storici gestiti dal cliente.
1.10 Come affrontate i diversi livelli di tasso di vendita, da meno di 1 a settimana a migliaia al giorno?
Per gestire i tassi di vendita variabili, Lokad utilizza previsioni probabilistiche per la domanda sporadica, impiegando strutture dati specializzate come Ranvar per garantire efficienza a tutti i livelli di volume di vendita, semplificando così le sfide della supply chain.
Quando si tratta di diverse magnitudini di tassi di vendita, la sfida principale riguarda i numeri piccoli piuttosto che quelli grandi — i numeri grandi essendo comparativamente molto più facili da processare. Per far fronte alla domanda sporadica, Lokad si avvale di previsioni probabilistiche. Le previsioni probabilistiche assegnano una probabilità a ogni evento discreto, come la probabilità di vendere 0 unità, 1 unità, 2 unità, ecc. Le probabilità eliminano intere classi di problemi associati ai valori frazionari della domanda come tradizionalmente ottenuti con i metodi mainstream della supply chain.
Sotto il cofano, le probabilità su una breve serie di possibilità discrete sono rappresentate come istogrammi (o strutture dati simili). Queste strutture dati sono molto compatte e implicano quindi bassi costi computazionali. Tuttavia, quando si tratta di domanda sporadica, una implementazione ingenua di tali strutture dati (ad es., mantenere 1 bucket per unità di domanda) diventerebbe estremamente inefficiente se applicata a distribuzioni di domanda non sporadiche che coinvolgono migliaia di unità per periodo.
Così, Lokad ha progettato strutture dati speciali, come il Ranvar (vedi sotto) che garantiscono costanti in tempo e memoria per le operazioni algebriche che coinvolgono distribuzioni di probabilità. Ranvar approssima elegantemente la distribuzione di probabilità originale quando i numeri diventano grandi, mantenendo la perdita di precisione trascurabile dal punto di vista della supply chain. Strutture dati come Ranvar eliminano in gran parte la necessità di isolare e mirare alla domanda rara, preservando tutti i pattern desiderabili di piccoli interi quando si gestisce una domanda rara.
Vedi la nostra lezione video pubblica Previsione probabilistica for Supply Chain e la nostra documentazione pubblica Ranvars e Zedfuncs per i dettagli su questo punto.
1.11 Prevedete in unità diverse (unità, prezzo, confezione, peso, ecc.)?
Sì, la piattaforma di Lokad è programmatica. Possiamo esprimere nuovamente le nostre previsioni in qualsiasi unità desiderata. Inoltre, possiamo gestire situazioni in cui sono coinvolte più unità. Ad esempio, i container sono limitati sia in termini di peso che di volume. Di conseguenza, la proiezione dell’uso futuro dei container potrebbe dover tenere conto di entrambe queste restrizioni per valutare correttamente quanti container saranno necessari.
1.12 Supportate più algoritmi di previsione (ad es., regressione lineare, smoothing esponenziale, media mobile, ARIMA, ecc.)?
Sì. La piattaforma di Lokad è programmatica, perciò possiamo supportare tutti i modelli di previsione classici (come quelli elencati nella domanda).
È importante notare che la maggior parte dei modelli di previsione “classici” (ad es., regressione lineare, smoothing esponenziale, media mobile, ARIMA, ecc.) non sono più considerati all’avanguardia e non risultano tra i migliori nelle competizioni pubbliche di previsione. In particolare, la maggior parte di tali modelli performa male nel gestire le complicazioni abituali che si riscontrano nelle situazioni di supply chain (ad es., esaurimenti delle scorte, cannibalizzazioni, eventi quasi-stagionali come il Capodanno cinese, ecc.).
Di solito, i Supply Chain Scientist di Lokad elaborano una ricetta numerica su misura per soddisfare le esigenze di previsione della società cliente. I nostri Supply Chain Scientist prevedono la domanda necessaria nonché tutti gli altri fattori incerti della supply chain, come i tempi di consegna, i resi, i tassi di rottame, i prezzi dei concorrenti, ecc. Inoltre, l’algoritmo di previsione deve essere adattato per sfruttare i dati disponibili mitigando le distorsioni che sono inerenti alle operazioni di supply chain (ad es., la domanda spesso rimbalza al termine di un evento di stockout).
Vedi la nostra lezione video pubblica No1 a livello SKU nella competizione di previsione M5 per dettagli sulla comprovata esperienza di Lokad nelle previsioni.
1.13 A quale livello di granularità viene restituita la previsione?
Lokad è in grado di gestire qualsiasi granularità nelle sue previsioni. Ciò significa che possiamo prevedere a livelli di granularità molto disaggregati, fino al livello SKU o addirittura prevedere la domanda per cliente per SKU (se ha senso), così come a livelli di previsione a livello aziendale.
Poiché le previsioni sono artefatti numerici destinati a supportare la generazione di decisioni ottimizzate per la supply chain, i Supply Chain Scientist di Lokad adattano la granularità delle previsioni per allinearle esattamente alle decisioni che devono supportare. In particolare, se ci sono molteplici decisioni di supply chain da supportare, allora di solito esistono anche molteplici granularità di previsione.
Tuttavia, Lokad va oltre il semplice adattamento della granularità della previsione (ossia, scegliere un determinato livello all’interno di una gerarchia data). Adattiamo l’intera prospettiva delle previsioni per riflettere meglio l’incarico da svolgere. Ad esempio, per un rivenditore B2B potrebbe aver senso prevedere il churn dei clienti, poiché lo stock del cliente (che soddisfa una domanda costante per un dato SKU) potrebbe trasformarsi da un giorno all’altro in scorte invendibili. Questo potrebbe accadere se tutta (o la maggior parte della) domanda provenisse da un grande cliente che improvvisamente ha abbandonato il servizio. Lokad è in grado di prevedere le probabilità di churn insieme alla domanda per un dato SKU. Successivamente, possiamo combinare le due previsioni, se necessario, per ottimizzare le decisioni di inventario pertinenti.
1.14 Potete generare previsioni quantitative utilizzando dati di vendita settimanali?
Sì. Le nostre capacità di previsione sono molto flessibili. Possiamo, ad esempio, gestire dati di vendita settimanali al posto dei dati transazionali grezzi (nostra preferenza).
Vale la pena notare che trasformare i dati transazionali in una serie temporale settimanale è un processo con perdita di informazioni, nel senso che dati critici potrebbero andare persi durante il processo. Una volta persa, tale informazione non può essere recuperata, per quanto sofisticato possa essere il modello di previsione.
Ad esempio, immagina un rivenditore fai-da-te che vende interruttori. Questo rivenditore osserva una domanda di 1 unità al giorno (in media) per un dato SKU in un negozio rifornito ogni giorno della settimana. Se la maggior parte della domanda proviene da clienti che acquistano 1 unità alla volta, allora 4 unità in stock probabilmente garantiranno un livello di servizio adeguato. Tuttavia, se la maggior parte della domanda proviene da clienti che in genere acquistano mezza dozzina di unità in una volta (con 1 cliente che si presenta in media a settimana), allora 4 unità in stock equivalgono a un livello di servizio pessimo.
Questo dimostra il problema dell’aggregazione arbitraria. Una volta che i dati delle vendite sono stati aggregati settimanalmente, ad esempio, la differenza tra le due situazioni descritte sopra viene persa. È proprio per questo che Lokad preferisce gestire i dati transazionali grezzi ogni volta che è possibile.
1.15 Generate una previsione giornaliera (o intragiornaliera) a partire dalla cronologia giornaliera, o applicate i pattern giornalieri a una previsione statistica settimanale?
Quando sono disponibili i dati storici giornalieri (o, ancor meglio, dati a livello di transazione), solitamente apprendiamo congiuntamente tutte le ciclicità rilevanti — giorno della settimana, settimana del mese, settimana dell’anno — per migliorare la precisione delle previsioni. Attraverso la piattaforma di Lokad, è molto semplice includere (o escludere) una determinata ciclicità o quasi-ciclicità (ad es., Pasqua, Capodanno cinese, Ramadan, ecc.).
La decomposizione gerarchica che separa la ciclicità del giorno della settimana da quella della settimana dell’anno può o non può essere utilizzata da Lokad. Tuttavia, la nostra piattaforma può supportare entrambe le opzioni. Questa problematica (decomporre o non decomporre) non è esclusiva delle ciclicità, e preoccupazioni simili devono essere affrontate per tutti gli altri pattern.
La scelta del modello più adeguato è demandata ai Supply Chain Scientist di Lokad. La loro scelta si basa su un’attenta analisi dei pattern specifici osservati nella supply chain di interesse.
1.16 Regolate automaticamente la previsione durante il giorno (o la settimana) in base alle vendite effettive rispetto a quelle previste?
Lokad aggiorna quotidianamente i suoi modelli predittivi per correggere eventuali errori derivanti da immissioni di dati errate, garantendo che le previsioni siano accurate e aggiornate. Questo approccio contrasta le instabilità numeriche delle tecnologie più vecchie, utilizzando modelli stabili e precisi per prevenire cambiamenti erratici delle previsioni e migliorare le decisioni di supply chain.
Come regola generale, Lokad aggiorna (ri-addestra) tutti i suoi modelli predittivi ogni volta che riceviamo un nuovo lotto di dati storici. Per la maggior parte dei nostri clienti ciò avviene una volta al giorno. Il motivo più importante è assicurarsi che le immissioni errate—già corrette—non persistano a causa della presenza di previsioni “rotte” generate in passato (basate su quei dati errati). La funzionalità di Lokad rende l’aggiornamento giornaliero dei modelli predittivi un punto non critico, anche considerando supply chain molto vaste.
D’altra parte, alcune tecnologie di previsione obsolete soffrono di instabilità numeriche. Di conseguenza, i professionisti della supply chain possono temere un sistema che viene aggiornato troppo frequentemente, perché secondo la loro esperienza ciò significa che le previsioni agiranno in modo erratico. Dal punto di vista di Lokad, un modello predittivo che “salta” in modo erratico a causa dell’arrivo di incrementi giornalieri di dati è, in realtà, un modello difettoso che necessita di correzione. Ritardare gli aggiornamenti per mitigare il problema non può essere considerato una soluzione ragionevole, poiché la precisione della previsione ne risente inutilmente non considerando gli eventi più recenti.
Lokad risolve questo problema adottando classi di modelli predittivi che hanno proprietà corrette by design in termini di stabilità numerica. La programmazione differenziabile è particolarmente efficace nell’ingegnerizzare modelli che sono sia molto stabili che estremamente accurati.
Vedi Refresh Everything Every Day per ulteriori dettagli su questo punto.
1.17 Come si stabilisce un livello di confidenza sul fatto che il livello di vendite effettivo continui in futuro?
Utilizziamo la previsione probabilistica e l’ottimizzazione stocastica per valutare tutti i possibili esiti e le loro probabilità, permettendo decisioni di supply chain adeguate al rischio. Ogni esito potenziale ha un intervallo di confidenza, che può essere usato per esprimere i livelli di confidenza.
Quando si utilizzano previsioni probabilistiche, come raccomandato da Lokad, tutti i futuri possibili ottengono una probabilità stimata. Di conseguenza, gli intervalli di confidenza sono facili da ottenere da una previsione probabilistica. Gli intervalli di confidenza possono essere usati per stabilire un “livello di confidenza” in base a un certo grado di rischio (ad es., scenario dei peggiori 5% contro scenario dei peggiori 1%).
Tuttavia, l’assunzione implicita alla base dei “livelli di confidenza” è che la decisione di supply chain dipenda dalla previsione originale. La prospettiva della previsione probabilistica cambia completamente il modo in cui affrontiamo l’intera questione dell’accuratezza (o meno) delle previsioni. Quando sono disponibili previsioni probabilistiche, le decisioni di supply chain (ad es., un determinato ordine d’acquisto) possono improvvisamente beneficiare di un’ottimizzazione adeguata al rischio. In altre parole, la decisione può essere ottimizzata per tutti i futuri possibili e le rispettive probabilità, e ogni decisione classificata in base al suo impatto finanziario.
Il termine tecnico per questa “ottimizzazione sotto incertezza” è ottimizzazione stocastica. Lokad fornisce sia la previsione probabilistica che l’ottimizzazione stocastica.
1.18 Potete combinare più algoritmi di previsione?
Sì, anche se abbiamo smesso di raccomandare questa pratica circa un decennio fa. La combinazione di più algoritmi di previsione (alias “meta-modelli”) in un ambiente di produzione tipicamente genera decisioni di supply chain subottimali—proprio per questo motivo non raccomandiamo questo approccio.
La combinazione di più modelli di previsione è una delle opzioni più semplici per migliorare i risultati sintetici, tipicamente ottenuti tramite backtesting. Tuttavia, questo “meta-modello” (il prodotto della combinazione di più modelli sottostanti) è di solito instabile, in quanto continua a “saltare” da un modello all’altro. Di conseguenza, i professionisti della supply chain rimangono abitualmente confusi da deviazioni improvvise o “cambi di idea” del meta-modello. Ancora peggio, i meta-modelli sono, per design, piuttosto opachi perché rappresentano una miscela di diversi modelli. Anche quando i modelli sottostanti sono semplici, il meta-modello risultante dalla loro combinazione non lo è.
Così, qualsiasi “accuratezza extra” ottenuta, tramite l’uso di meta-modelli, nei benchmark (cioè, risultati sintetici) viene invariabilmente persa in produzione (cioè, negli scenari reali) a causa di effetti di secondo ordine quali l’aumentata instabilità e l’aumentata opacità delle previsioni.
1.19 Selezionate automaticamente il modello più adatto per le previsioni?
Sì, Lokad fornisce un modello predittivo unico ed efficace per la previsione della supply chain. Evitiamo i “meta-modelli” a causa della loro scarsa performance nel mondo reale e della loro opacità.
I Supply Chain Scientists di Lokad forniscono a ogni cliente un singolo modello predittivo piuttosto che un’amalgama di diversi algoritmi in competizione per la selezione, secondo l’approccio dei “meta-modelli”. Questo approccio dei meta-modelli è qualcosa che Lokad ha smesso di utilizzare circa un decennio fa.
È importante notare che, a livello tecnico, Lokad non ha alcun problema nell’operare una “competizione interna” tra modelli di previsione—cioè, un pool di modelli in cui il migliore viene automaticamente selezionato in base alle necessità. Tale approccio è tecnicamente semplice. La ragione per cui Lokad evita questa pratica è che i benefici associati ai meta-modelli sono sintetici (cioè, visibili nei benchmark) e non si traducono in scenari reali di supply chain. La nostra esperienza indica che i meta-modelli performano invariabilmente peggio rispetto ai loro omologhi non compositi.
I meta-modelli rispecchiano principalmente tecnologie di previsione obsolete in cui viene assemblata una collezione di modelli difettosi: il primo modello è scarso nella stagionalità; il secondo è inefficace nelle serie temporali brevi; il terzo è inadeguato nelle serie temporali erratiche; ecc. Costruire un meta-modello dà l’illusione che il modello abbia attenuato i difetti dei suoi componenti, tuttavia i difetti di ciascun modello riemergeranno abitualmente poiché la logica di selezione del modello stesso ha le sue limitazioni. Peggio ancora, i meta-modelli di solito minano la fiducia dei professionisti della supply chain poiché questo design risulta “opaco per design”.
Per questo motivo l’approccio di Lokad è quello di creare un modello predittivo che sia esattamente semplice quanto basta, ma non più semplice. Quando progettato con tecnologie di supporto adeguate, come la programmazione differenziabile, questo modello unico si occupa dell’intero ambito della supply chain per la società cliente, senza la necessità di ricorrere a una miscela di modelli.
Vedi anche Forecasting Algorithms and Models 1.18 in queste FAQ.
1.20 Potete gestire tornei di previsione, selezionando automaticamente il modello migliore con la migliore parametrizzazione? Lo fate con il machine learning?
Sì. Lokad è in grado di farlo, anche se non raccomandiamo questo approccio. Combinare modelli tramite machine learning (per creare “meta-modelli”) non produce benefici in un ambiente di produzione. Promuoviamo invece un approccio con un singolo modello.
Circa un decennio fa, facevamo leva sui meta-modelli per le previsioni. I meta-modelli sono modelli che rappresentano una combinazione di altri modelli, e/o un modello che è una selezione di altri modelli. La combinazione e/o selezione dei modelli sottostanti veniva effettuata anche con tecniche di machine learning—tipicamente random forests e gradient boosted trees.
Tuttavia, nonostante il miglioramento dei risultati sintetici tramite benchmarking (tipicamente condotto con backtesting), l’approccio del meta-modello degrada invariabilmente il risultato reale per il cliente. La selezione automatica del modello porta a salti erratici nelle previsioni quando il meta-modello passa da un modello all’altro. L’uso di tecniche di machine learning per la selezione del modello tende anche ad aggravare questo comportamento rendendo le transizioni ancora più erratiche.
Pertanto, sebbene la piattaforma Lokad supporti tornei di previsione, non raccomandiamo l’uso di tali approcci per scopi di produzione. In particolare, le recenti competizioni di previsione dimostrano che un singolo modello unificato supera meta-modelli più complessi, come illustrato dal fatto che Lokad ha ottenuto il primo posto a livello SKU in una competizione mondiale che ha coinvolto un set di dati di Walmart (vedi sotto).
Vedi anche Algoritmi e Modelli di Previsione 1.18 in queste FAQ.
1.21 Come garantire che per ogni articolo/negozio vengano utilizzate informazioni più granulare evitando rumore e overfitting del modello?
Lokad utilizza la programmazione differenziabile per migliorare l’accuratezza delle previsioni, un approccio che ci consente di personalizzare i modelli in funzione di specifiche strutture dati e di gestire l’overfitting controllando l’espressività del modello. Questo approccio affronta efficacemente la “legge dei piccoli numeri” incorporando una guida esperta minima (ma cruciale) per ottimizzare l’efficienza dei dati.
I problemi di rumore e overfitting sono le principali motivazioni per cui Lokad utilizza la programmazione differenziabile nelle previsioni. Attraverso la programmazione differenziabile, gli Supply Chain Scientist di Lokad hanno il pieno controllo sulla struttura stessa del modello. La programmazione differenziabile consente loro di creare un modello che aderisca ai dati in ingresso (inclusa la loro struttura relazionale). Inoltre, la programmazione differenziabile permette di limitare l’espressività del modello per tenere sotto controllo l’overfitting.
La programmazione differenziabile è stata una svolta per Lokad per far fronte alla “legge dei piccoli numeri” che governa le supply chain — cioè, le previsioni devono sempre essere effettuate al livello/granularità che riflette le decisioni della supply chain di interesse, ad esempio “per SKU per giorno”. Tuttavia, facendo ciò, i modelli di previsione si trovano ad affrontare situazioni in cui il numero di punti dati rilevanti si conta in cifre singole.
La svolta della programmazione differenziabile è che permette a uno Supply Chain Scientist (di solito impiegato da Lokad, ma possibilmente impiegato anche dalla società cliente) di iniettare conoscenze a livello elevato nel modello predittivo (ad esempio, una selezione delle ciclicità rilevanti) per sfruttare al meglio i pochissimi punti dati disponibili. A differenza dei “sistemi esperti” degli anni ‘80, la programmazione differenziabile richiede una guida umana molto limitata — eppure questa guida limitata può fare la differenza in termini di efficienza dei dati.
2. Gestione delle Previsioni e Regolazioni
2.1 Gli utenti possono visualizzare le previsioni? È possibile aggregare le previsioni a diversi livelli (ad es. magazzino, negozio, punto vendita)?
Sintesi esecutiva: Sì, la piattaforma Lokad offre una solida visualizzazione dei dati (in tempo costante) per ispezionare e aggregare le previsioni a qualsiasi livello desiderato.
La piattaforma Lokad offre ampie capacità di visualizzazione dei dati che possono essere utilizzate per ispezionare le previsioni di serie temporali. In particolare, è semplice aggregare le previsioni secondo qualsiasi gerarchia (ad es. località, regioni, categorie di prodotto, ecc.) e secondo qualsiasi granularità (ad es. giorno, settimana, mese, ecc.). Inoltre, la piattaforma Lokad garantisce una visualizzazione in tempo costante per questi report, ossia vengono renderizzati in meno di 500 millisecondi — a condizione che l’utente finale disponga di una larghezza di banda sufficiente per caricare il report in tale intervallo di tempo.
Tuttavia, questa domanda presuppone implicitamente che si stia parlando di previsioni puntuali su serie temporali (alias previsioni classiche della domanda). Sebbene la piattaforma Lokad supporti le previsioni puntuali su serie temporali, queste previsioni sono ormai obsolete per due motivi.
Primo, le previsioni puntuali presentano un singolo valore futuro come se fosse IL futuro (cioè, esattamente ciò che accadrà). In questo senso, trattano il futuro come il simmetrico del passato. Tuttavia, l’incertezza del futuro è irriducibile, e il futuro, visto da una prospettiva della supply chain e non da quella di un fisico, non è il simmetrico del passato. Per questo motivo, andrebbero preferite le previsioni probabilistiche — un approccio che considera TUTTI i possibili esiti futuri (ad es. i valori di domanda) e assegna ad ognuno una probabilità. In termini di gestione del rischio, ciò fornisce una difesa molto più robusta contro l’incertezza irriducibile del futuro.
Tuttavia, sebbene le previsioni probabilistiche possano essere espresse a qualsiasi livello (ad es. magazzino, negozio, prodotto, ecc.), non sono additive, almeno non nel senso usuale. Pertanto, sebbene la piattaforma Lokad fornisca tutte le capacità di visualizzazione dei dati rilevanti per le nostre previsioni, queste capacità non sono tipicamente quelle che i professionisti della supply chain si aspetterebbero (almeno coloro che non hanno esperienza pregressa di previsione probabilistica).
Secondo, i modelli di previsione su serie temporali sono frequentemente inadatti perché la prospettiva delle serie temporali stessa è semplicistica e non riesce a cogliere l’essenza del business. Ad esempio, un rivenditore B2B può avere una combinazione di due tipi di ordini: piccoli ordini che i clienti si aspettano di essere prontamente serviti dal magazzino del rivenditore; e grandi ordini effettuati con mesi di anticipo, che i clienti si aspettano vengano evasi in tempo — precisamente perché l’ordine è stato fatto con così tanto margine fin dall’inizio. Questo schema, per quanto basilare, non può essere affrontato con una previsione su serie temporali. Inoltre, schemi che non rientrano nelle previsioni su serie temporali includono scadenze di shelf-life, cannibalizzazioni, sostituzioni, variazioni dei prezzi dei concorrenti, ecc.
Più in generale, le previsioni su serie temporali sono utili per scopi di visualizzazione. Tuttavia, nella maggior parte dei casi, da Lokad il modello di previsione sottostante non sarà basato su una serie temporale — anche se i dati finali vengono visualizzati come una serie temporale per comodità.
2.2 Quale tipo di insight previsionali dovrebbe essere gestito dagli esperti rispetto al sistema/macchina?
Gli esperti dovrebbero concentrarsi sulla struttura di alto livello del modello predittivo (ad es. la struttura relazionale dei dati in ingresso, le principali ipotesi strutturali che possono essere formulate su tali dati, ecc.). Non ci si aspetta che gli esperti debbano microgestire (ad es. sovrascrivere manualmente) le previsioni stesse.
Dato che Lokad sfrutta tecnologie predittive moderne — programmazione differenziabile — i nostri Supply Chain Scientist si concentrano quasi esclusivamente sulla “struttura di alto livello” del modello predittivo. Ciò contrasta con le tecnologie più vecchie (ora obsolete) che tipicamente richiedevano all’esperto di microgestire le previsioni, fornendo intuizioni correttive per tutti i casi limite presentati dai modelli. Purtroppo, tali approcci datati si sono invariabilmente rivelati troppo tediosi da mantenere nel tempo. Di conseguenza, le aziende che li utilizzavano di solito perdevano i loro esperti e poi erano costrette a ricorrere ai fogli di calcolo.
Al contrario, la struttura di alto livello del modello predittivo può essere espressa in modo conciso, solitamente in non più di 100 linee di codice. Questa brevità vale anche per supply chain molto complesse. La struttura di alto livello rappresenta il nucleo della comprensione umana della sfida predittiva. Nel frattempo, il/i processo/i incaricati di apprendere i parametri del modello rimangono completamente automatizzati. Ciò avviene sfruttando i dati in ingresso (tipicamente i dati storici) oltre ad altre fonti di dati (ad es. campagne di marketing in arrivo).
2.3 È possibile regolare/sovrascrivere manualmente le previsioni?
Sintesi esecutiva: Sì. Sebbene la piattaforma Lokad supporti le regolazioni manuali delle previsioni, ciò non è necessario dato che le previsioni probabilistiche sono progettate per tenere conto del rischio e dell’incertezza — tipicamente i principi alla base della sovrascrittura manuale.
La piattaforma Lokad offre ampie capacità programmatiche, rendendo quindi semplice supportare funzionalità di editing per qualsiasi processo di previsione. Tuttavia, la necessità di aggiustare manualmente le previsioni riflette principalmente le limitazioni delle tecnologie di previsione obsolete. L’uso avanzato delle previsioni probabilistiche da parte di Lokad elimina in gran parte la necessità di microgestire le previsioni. Infatti, da Lokad la necessità di tale microgestione è scomparsa effettivamente un decennio fa.
Le correzioni manuali delle previsioni sono tipicamente intese come un modo indiretto per mitigare i rischi. Il professionista della supply chain non si aspetta che la previsione diventi più accurata in senso statistico, bensì che le decisioni derivanti dalla previsione aggiustata siano meno rischiose (cioè, meno costose per l’azienda). Tuttavia, con le previsioni probabilistiche, le decisioni della supply chain (generate da Lokad) sono già aggiustate al rischio. Pertanto, non ha senso tentare di indirizzare la previsione probabilistica per ridurre il rischio delle decisioni, dato che le decisioni sono intrinsecamente concepite per essere aggiustate al rischio.
Inoltre, le correzioni manuali delle previsioni sono spesso pensate per mitigare situazioni di alta incertezza. Tuttavia, le previsioni probabilistiche sono progettate per abbracciare e quantificare l’incertezza. Pertanto, le previsioni probabilistiche riflettono già le aree di alta incertezza, e le decisioni aggiustate al rischio vengono prese di conseguenza.
Fondamentalmente, non ha senso cercare di correggere manualmente previsioni “errate”. Se le previsioni risultano dimostrabilmente meno accurate di quanto ci si attenda, allora la ricetta numerica che le genera dovrebbe essere corretta. Se le previsioni vengono modificate per ragioni che non riguardano l’accuratezza, allora sono i calcoli a valle che devono essere aggiustati. In ogni caso, aggiustare manualmente le previsioni è una pratica obsoleta che non ha posto in una supply chain moderna.
2.4 È possibile integrare algoritmi di previsione costruiti dall’utente?
Sì. Lokad consente l’integrazione di algoritmi di previsione costruiti dall’utente tramite Envision—il nostro linguaggio di programmazione specifico del dominio (DSL). Questo DSL flessibile, personalizzabile e scalabile può supportare algoritmi e tecniche di previsione sia mainstream che avanzate, a seconda delle necessità.
La piattaforma Lokad è programmabile, una caratteristica di prima classe nella nostra tecnologia e fornita attraverso Envision—il DSL (linguaggio di programmazione specifico del dominio) progettato da Lokad per l’ottimizzazione predittiva delle supply chain. Attraverso Envision, tutti gli algoritmi di previsione mainstream (e le loro varianti) possono essere re-implementati. Inoltre, Envision supporta anche parecchi algoritmi di previsione non ancora mainstream, comprese le tecniche vincitrici di competizioni basate sulla programmazione differenziabile e sulla previsione probabilistica (vedi sotto).
Integrare quegli algoritmi costruiti dall’utente in Lokad non deve essere confuso con una “personalizzazione” del prodotto Lokad. Dal punto di vista di Lokad, affidarsi ad algoritmi su misura è il modo normale di utilizzare il nostro servizio. La piattaforma Lokad offre un ambiente di esecuzione sicuro, affidabile e scalabile per supportare tali algoritmi. L’implementazione degli algoritmi (solitamente indicata come “ricette numeriche”) viene normalmente eseguita dai Supply Chain Scientist di Lokad. Tuttavia, se l’azienda cliente dispone di talenti interni in data science, quegli impiegati possono anche utilizzare la piattaforma Lokad per questo scopo.
Inoltre, la piattaforma Lokad fornisce un intero IDE (ambiente di sviluppo integrato) per realizzare tali algoritmi costruiti dall’utente. Questa capacità è fondamentale per garantire che gli algoritmi vengano sviluppati in un ambiente che rispecchia fedelmente quello di produzione — sia in termini di dati in ingresso che di capacità di esecuzione. Con Lokad, una volta che un algoritmo di previsione rivisto viene ritenuto soddisfacente (e tipicamente superiore all’iterazione precedente), può essere promosso in produzione in pochi minuti. A tal proposito, la piattaforma Lokad offre ampie garanzie “by design” per eliminare completamente intere classi di problemi quando si promuovono algoritmi dallo stato di prototipo a quello di produzione.
Vedi No1 al livello SKU nella competizione di previsione M5 per saperne di più sulle tecniche di previsione di Lokad.
2.5 Come si spiega cosa fa la soluzione per arrivare ad una previsione o ad un ordine d’acquisto in modo che l’utente possa comprenderla, interrogarla e spiegarla agli altri stakeholder dell’azienda?
La piattaforma Lokad sfrutta un linguaggio di programmazione specifico del dominio flessibile (Envision) che ci consente di realizzare dashboard intuitive per dimostrare le metriche chiave e le decisioni al cliente. Queste dashboard sono realizzate in collaborazione con i clienti in modo che possano comprenderle rapidamente e comodamente. Per questioni più complesse, i Supply Chain Scientist di Lokad sono incaricati sia di progettare che di spiegare gli algoritmi (“ricette numeriche” — le componenti che generano le previsioni e le decisioni della supply chain) e i loro risultati ai clienti. Questi esperti sono addestrati a fornire insight rilevanti in ambito business, economico e di data science per aiutare i clienti a comprendere cosa avviene “dietro le quinte”.
Il Supply Chain Scientist, impiegato da Lokad, è la persona che scrive la ricetta numerica (algoritmo) a supporto del modello predittivo (e quindi del suo processo decisionale). Il Supply Chain Scientist è personalmente responsabile di difendere e spiegare l’adeguatezza delle previsioni e di tutte le decisioni generate dalla ricetta numerica.
Pertanto, mentre le situazioni variano da un’azienda cliente all’altra, ogni situazione ha un copilota umano (il Supply Chain Scientist). Non è un “sistema” impersonale a essere responsabile di una previsione o di una decisione; si tratta di un insieme di ricette numeriche che sono sotto il diretto controllo di un Supply Chain Scientist nominato. Questa responsabilità include il “white-boxing” delle ricette numeriche, ovvero rendere i loro risultati accessibili e comprensibili agli azionisti.
Per supportare questo processo, i nostri Supply Chain Scientist utilizzano strumenti come il backtesting per supportare e dimostrare la loro analisi. Tuttavia, e, cosa ancora più importante, esprimono valutazioni informate riguardo alle ipotesi che entrano nelle loro ricette numeriche (come vincoli e fattori trainanti). In definitiva, l’“adeguatezza” di una ricetta numerica dipende dal fatto che rifletta l’intento del business, ed è questo che il Supply Chain Scientist stabilisce attraverso un’attenta ispezione della situazione della supply chain del cliente (nonché mediante consultazione con il cliente).
Guarda il nostro Public Demo Account Video per una panoramica su come Lokad prepara i dati e visualizza i risultati per i clienti.
2.6 È possibile suddividere la previsione in articoli set e BOM (distinte base)?
Sì, Lokad può fornire previsioni a qualsiasi livello. Ciò è dovuto alle ampie capacità programmatiche della nostra modellazione probabilistica. Possiamo dividere la previsione tra articoli set e BOM, nonché gestire situazioni in cui gli articoli possono essere consumati come parte delle BOM oppure venduti indipendentemente.
Inoltre, quando sono presenti le BOM (Bills of Materials), non solo prevediamo la domanda per gli articoli interni, ma ottimizziamo anche le decisioni della supply chain per riflettere il fatto che assemblaggi distinti competono internamente per le stesse parti interne. Cioè, situazioni in cui le rispettive BOM si sovrappongono. Questa ottimizzazione può portare a rifiutare la vendita di una parte “isolata” se tale parte dovesse compromettere la disponibilità di BOM più grandi e critiche.
2.7 I meta-parametri vengono raccomandati automaticamente per i vostri algoritmi di previsione?
Sì. La prassi standard in Lokad è che i modelli predittivi debbano operare in completa autonomia. I Supply Chain Scientist di Lokad sono responsabili della definizione dei meta-parametri appropriati. O i meta-parametri sono sufficientemente stabili da poter essere codificati in maniera fissa, oppure la ricetta numerica include una fase di tuning dedicata a identificare un valore adeguato per il meta-parametro. In ogni caso, l’algoritmo (alias “ricetta numerica”) può essere eseguito in completa autonomia.
Lokad utilizza molti meno meta-parametri rispetto alla maggior parte delle altre soluzioni concorrenti. Questo perché la differentiable programming, la preferenza di Lokad in questo ambito, è un paradigma generale per l’adattamento dei parametri. Pertanto, quando la differentiable programming è disponibile, la maggior parte dei parametri viene appresa. La tecnologia è estremamente potente quando si tratta di apprendere ogni tipo di parametro, non solo quelli “tradizionali” (ad es., i coefficienti di stagionalità).
Di conseguenza, dal punto di vista di Lokad, la maggior parte dei valori che i nostri colleghi considererebbero “meta-parametri” sono semplicemente “parametri regolari” che non richiedono un’attenzione specifica. In linea di massima, la maggior parte dei modelli predittivi operativi in produzione da Lokad presenta pochissimi meta-parametri (meno di 10). I nostri clienti, di norma, non sono mai chiamati a ottimizzare finemente questi numeri, poiché è responsabilità dei nostri Supply Chain Scientist.
2.8 Il prodotto è in grado di adeguare le previsioni attraverso variabili causali?
Sì.
Questa è una delle principali forze della differentiable programming, l’approccio tecnologico preferito da Lokad per la modellazione predittiva. La differentiable programming è un paradigma programmatico, pertanto includere una variabile esplicativa è scontato. Ancora meglio, il meccanismo di causalità si concretizza nel modello; esso è dotato dei suoi propri parametri “nominati”. Così, non solo le previsioni sfruttano la variabile causale, ma lo fanno in modo tale da poter essere verificato e analizzato dagli operatori della supply chain.
Ad esempio, quando il prezzo al dettaglio viene utilizzato come variabile causale, la risposta esatta della domanda relativa alle variazioni dei prezzi può essere tracciata e analizzata. Tale risultato può, di per sé, rappresentare un interesse primario per l’azienda. Se l’azienda è una rete di negozi al dettaglio, ciò può essere utilizzato per indirizzare gli eventi di liquidazione nei negozi che rispondono in modo più marcato agli sconti. Questo può minimizzare il volume totale di sconti necessari per liquidare completamente le scorte invecchiate.
2.9 Il prodotto è in grado di sperimentare le previsioni e sviluppare e/o personalizzare algoritmi?
Sì. I nostri Supply Chain Scientist sperimentano regolarmente con modelli di previsione, permettendo così lo sviluppo di nuovi algoritmi e l’ulteriore adattamento di quelli esistenti. Ciò è possibile perché la piattaforma di Lokad è programmatica e dispone di un DSL flessibile (linguaggio di programmazione specifico per il dominio) chiamato Envision, progettato esplicitamente per l’ottimizzazione predittiva della supply chain.
La prospettiva di Lokad afferma che la sperimentazione e la personalizzazione dei modelli predittivi non sono una soluzione tampone per affrontare le limitazioni della tecnologia di previsione. Al contrario, rappresentano il modo previsto per utilizzare la soluzione di Lokad fin dall’inizio. Questo approccio non solo garantisce risultati superiori in termini di accuratezza delle previsioni, ma produce anche risultati da considerarsi molto più “di livello di produzione” rispetto ad approcci alternativi “confezionati”.
Non ci lamentiamo dei “cattivi dati”; i dati sono semplicemente quelli che sono. I nostri Supply Chain Scientist sfruttano al massimo ciò che è a disposizione. Inoltre, quantificano, in Euro o Dollari (o nella valuta desiderata dal cliente), i benefici derivanti dal miglioramento dei dati, in modo che l’azienda possa individuare gli interventi sui dati che generano i ritorni maggiori. Migliorare i dati è un mezzo, non un fine. I nostri Supply Chain Scientist forniscono consulenza quando l’investimento extra non giustifica i benefici previsti per la supply chain.
2.10 È possibile iterare e perfezionare il feature engineering sottostante le previsioni?
Sì.
I Supply Chain Scientist di Lokad regolano regolarmente le feature che entrano in un modello predittivo. Ciò è possibile perché la piattaforma di Lokad è programmatica e dispone di un DSL flessibile (linguaggio di programmazione specifico per il dominio) chiamato Envision, progettato esplicitamente per l’ottimizzazione predittiva della supply chain.
Va notato, tuttavia, che durante l’ultimo decennio il feature engineering (inteso come tecnica di modellazione) è in calo. Infatti, viene gradualmente sostituito dall’ingegneria dell’architettura del modello. In breve, invece di modificare la feature per adattarla meglio al modello, è il modello che viene modificato per adattarsi meglio alla feature. La differentiable programming, l’approccio preferito da Lokad per la modellazione predittiva, supporta sia il feature engineering che l’ingegneria dell’architettura. Tuttavia, quest’ultima è solitamente più adatta nella maggior parte delle situazioni.
Vedi anche Forecast Management and Adjustment 2.9 in queste FAQ.
3. Accuratezza delle Previsioni e Misurazione delle Prestazioni
3.1 Qual è l’approccio della vostra organizzazione riguardo alla performance delle previsioni e come dovrebbe essere misurata?
L’accuratezza delle previsioni deve essere misurata in termini di impatto in Dollari o Euro (o nella valuta desiderata dal cliente). Ciò si riferisce al ritorno sull’investimento (ROI) delle decisioni prese sulla base della previsione. Misurare semplicemente i punti percentuali di errore non è sufficiente. L’accuratezza delle previsioni deve inoltre comprendere tutte le aree di incertezza, non solo la domanda futura, ad esempio i tempi di consegna, i resi, i prezzi delle materie prime, ecc. Tutti questi sono fattori che variano e che necessitano di essere previsti, proprio come la domanda futura.
Metriche tradizionali come MAPE (errore percentuale assoluto medio), MAE (errore assoluto medio), MSE (errore quadratico medio), ecc., sono metriche tecniche che possono interessare un Supply Chain Scientist, ma, da una prospettiva supply chain, sono fondamentalmente sia miopi che fuorvianti. I dettagli di questo argomento possono essere trovati nella public lecture di Lokad su Experimental Optimization.
Pertanto, queste metriche non dovrebbero essere comunicate all’intera organizzazione, poiché genererebbero solo confusione e frustrazione. Al contrario, è solitamente semplice rendere la previsione più accurata — in senso statistico — pur degradando la qualità percepita del servizio offerto ai clienti, e aumentando i costi operativi per i fornitori (che reagirebbero aumentando i loro prezzi).
Le metriche delle previsioni sono rilevanti solo quando supportano la generazione di decisioni migliori per la supply chain. Per quanto riguarda Lokad, generare le quantità di riordino, di produzione, di spedizione, i prezzi, ecc. più sensati dal punto di vista finanziario, sono i dettagli su cui concentrarsi. Tutto il resto, incluso l’errore di previsione considerato isolatamente, è secondario rispetto alla preoccupazione fondamentale di massimizzare il ritorno sull’investimento.
Vedi anche Lead time forecasting.
3.2 Come misurate la prestazione delle previsioni rispetto alle vendite effettive?
Se il modello prevede le ‘vendite’, allora misurare l’accuratezza della ‘previsione delle vendite’ è semplice: qualsiasi indicatore usuale, come il MAE (errore assoluto medio), può essere utilizzato. Tuttavia, il problema è che la maggior parte delle aziende vuole prevedere la ‘domanda’, non le vendite. I dati storici delle vendite sono infatti una proxy imperfetta della domanda storica. Esaurimenti di stock e promozioni (e possibilmente le mosse dei concorrenti) distorcono le vendite storiche.
Pertanto, la sfida consiste nello stabilire la ‘domanda’ originale, mentre i dati storici riflettono solo le vendite storiche. A questo scopo, Lokad impiega una varietà di tecniche. Infatti, la natura della distorsione tra le vendite (osservate) e la domanda (nascosta) varia notevolmente a seconda del tipo di azienda in analisi. La cannibalizzazione e le sostituzioni complicano ulteriormente la situazione.
La maggior parte delle tecniche di Lokad abbandona i modelli di serie temporali che, per loro natura, non possono cogliere le informazioni necessarie. Infatti, nella maggior parte dei casi, i dati delle vendite vengono ‘arricchiti’ con informazioni aggiuntive (come eventi di esaurimento di stock) che possono essere utilizzate per ottenere un modello migliore della domanda nascosta. Tuttavia, queste informazioni extra raramente rientrano nel paradigma (semplicistico) delle serie temporali. La presunta sofisticatezza dei modelli a serie temporali è irrilevante se i dati richiesti esistono al di fuori del loro paradigma operativo (cioè non possono essere catturati o espressi da essi).
Vedi Structured Predictive Modeling for Supply Chain per maggiori dettagli su questo punto.
3.3 Fornite report sull’accuratezza delle previsioni? Fornite una prospettiva sull’errore di previsione previsto?
Executive Summary: Sì. Per semplicità, la piattaforma di Lokad può esprimere le sue previsioni probabilistiche (e quindi l’errore) in un formato grafico intuitivo. Questo assume la forma di un grafico tradizionale a serie temporali in cui l’errore di previsione (“incertezza”) aumenta in base all’orizzonte temporale. Questo grafico dell’effetto shotgun aiuta a visualizzare come l’intervallo dei valori potenziali (ad es. la domanda) si espanda man mano che ci si proietta nel futuro. Questi report sono sempre disponibili per i clienti nei loro account Lokad.
Metà della sfida nel migliorare l’accuratezza di un modello predittivo consiste nell’elaborare strumenti di reportistica adeguati. Questo compito è svolto dai Supply Chain Scientist di Lokad. Poiché Lokad utilizza previsioni probabilistiche, l’errore previsto generalmente mostra un “effetto shotgun” in cui l’errore atteso cresce costantemente con l’orizzonte di previsione. Questi report sono accessibili all’azienda cliente all’interno della piattaforma di Lokad.
Tuttavia, nell’ambito della previsione probabilistica, l’“accuratezza della previsione” è in gran parte relegata a una questione tecnica secondaria. Con questo approccio, l’obiettivo primario è produrre decisioni finanziarie adeguate al rischio che considerino la totalità dei fattori economici e delle limitazioni dei clienti, oltre a riflettere l’elevata incertezza dei valori futuri (come la domanda o i tempi di consegna). Ad esempio, se l’incertezza è particolarmente alta, le decisioni corrispondenti sono solitamente più conservative. Pertanto, non ha senso misurare l’accuratezza delle previsioni probabilistiche in isolamento; bisognerebbe invece esaminare il ROI associato alle decisioni adeguate al rischio generate utilizzando le previsioni probabilistiche.
Con le previsioni classiche (dette anche previsioni deterministiche, in opposizione alle previsioni probabilistiche), quasi ogni istanza di imprecisione nelle previsioni si trasforma in decisioni costose e sbagliate per il cliente. È per questo che le aziende sono così determinate a “correggere” le loro previsioni. Eppure, a cinque decenni dall’inizio delle moderne tecniche statistiche di previsione a serie temporali, le aziende sono tutt’altro che ottenere previsioni “accurate”. In Lokad, non crediamo che una tecnica di previsione “super-accurata” stia per arrivare. Riteniamo che l’incertezza del futuro sia, in gran parte, irriducibile. Tuttavia, combinando previsioni probabilistiche con decisioni adeguate al rischio, le conseguenze negative dell’elevata incertezza sono in larga misura mitigate.
Di conseguenza, l’accuratezza delle previsioni non suscita più l’interesse di nessuno se non degli esperti tecnici che si occupano del modello predittivo. Le poste in gioco non sono più sufficientemente elevate perché il resto dell’organizzazione se ne preoccupi.
3.4 Qual è la percentuale prevista di previsioni automatizzate e accurate?
100%, se definiamo “accurate” quelle previsioni sufficientemente buone da orientare decisioni efficaci per la supply chain. Ciò non significa che ogni previsione sia precisa. Al contrario, grazie alle previsioni probabilistiche, Lokad abbraccia l’incertezza irriducibile del futuro. Spesso, l’incertezza è elevata e, di conseguenza, le previsioni probabilistiche sono molto disperse. Pertanto, le decisioni adeguate al rischio generate sulla base di quelle previsioni sono molto prudenti.
A differenza di molte soluzioni tecnologiche obsolete, Lokad tratta ogni singola previsione (probabilistica) che non può essere utilizzata per scopi produttivi come un difetto software che deve essere corretto. I nostri Supply Chain Scientist sono presenti per garantire che tutti questi difetti vengano risolti ben prima della messa in produzione. Il nostro arco temporale per la risoluzione di questa tipologia di problema è solitamente pari alla metà della fase di onboarding.
D’altra parte, le previsioni classiche (dette anche previsioni ‘deterministiche’) provocano invariabilmente il caos quando sono imprecise, poiché decisioni di supply chain estreme vengono prese sulla base di quelle previsioni. Al contrario, le previsioni probabilistiche integrano la loro quantificazione dell’incertezza attesa. Quando i volumi di domanda sono bassi e irregolari, le previsioni probabilistiche riflettono l’elevata incertezza intrinseca della situazione. Il calcolo delle decisioni adeguate al rischio di Lokad dipende fortemente dalla capacità iniziale di valutare i rischi. Questo è esattamente a cosa sono interamente dedicate le previsioni probabilistiche.
3.5 Riuscite a tracciare metriche come MAPE (Errore Percentuale Assoluto Medio), MPE (Errore Percentuale Medio), MAE (Errore Assoluto Medio) nel tempo?
Sì.
La piattaforma di Lokad è programmabile e rende semplice tracciare tutti i soliti indicatori come MAPE, MEP, MAE, ecc. Possiamo inoltre tracciare anche indicatori leggermente meno usuali, come le iterazioni personalizzate di quegli indicatori preferiti dall’azienda cliente. Ad esempio, varianti “ponderate”, come MAPE ponderata, MAE ponderata, ecc., dove gli schemi di ponderazione dipendono da regole di business specifiche.
Lokad può raccogliere e consolidare metriche rilevanti/preferite nel tempo man mano che vengono generate nuove previsioni. Possiamo anche rigenerare le metriche “riproducendo” i dati storici (cioè, backtesting), qualora l’azienda cliente desideri valutare la performance statistica attesa di un modello di previsione rivisto.
Tuttavia, le metriche sopra menzionate si riferiscono tutte alle previsioni classiche (note anche come previsioni deterministiche). Le previsioni deterministiche dovrebbero essere considerate obsolete per scopi di supply chain in quanto non sono progettate (o in grado) di affrontare l’incertezza associata ai valori futuri (come la domanda o i tempi di consegna). Esse mirano a identificare un unico possibile valore futuro, piuttosto che tutti i possibili valori futuri e le loro probabilità.
3.6 È possibile confrontare più scenari utilizzando metriche definite dall’utente (ad es., fatturato, profitto, costo, rischio, ecc.)?
Sì.
La piattaforma di Lokad è programmabile, pertanto può introdurre metriche complesse guidate da molte regole di business (ad es., metriche definite dall’utente). Può inoltre introdurre scenari alternativi complessi nei quali la struttura e/o le capacità della rete di supply chain vengono modificate (oltre al semplice incremento/decremento della domanda e dei tempi di consegna, per esempio). Questo aiuta Lokad a migliorare la gestione del rischio, la pianificazione strategica e il processo decisionale preparandosi a diverse potenziali situazioni e risultati della supply chain.
Vale la pena notare che le capacità tipiche di gestione degli “scenari” sono obsolete – dal punto di vista di Lokad. Poiché Lokad opera con modelli predittivi probabilistici, in un certo senso, ogni decisione di supply chain che generiamo è già adeguata al rischio. Cioè, è già ottimizzata in relazione a tutti i possibili valori futuri (ad es., la domanda), considerando le rispettive probabilità.
Pertanto, gli “scenari” in Lokad non sono utilizzati per valutare le “variazioni future” poiché tali variazioni sono già pienamente integrate nella modalità operativa di base di Lokad. Gli scenari sono impiegati per affrontare cambiamenti drastici al di là delle semplici variazioni, tipicamente più in linea con ciò che i professionisti definirebbero come ‘progettazione della supply chain’, come la modifica della topologia della rete, la capacità della rete, la localizzazione dei fornitori, ecc.
3.7 Tracciate e monitorate l’accuratezza delle previsioni e gli errori di previsione (e eventualmente altre metriche della domanda) con diversi ritardi definiti?
Sì. Lokad traccia gli errori predittivi con molte metriche, inclusa la dimensione orizzonte/ritardo. Lokad monitora l’accuratezza predittiva su tutte le previsioni, inclusa la domanda, i tempi di consegna, i resi, ecc.
La qualità di tutti i modelli predittivi dipende dall’orizzonte temporale. Di solito, quanto più lontana è la previsione, tanto maggiore è l’incertezza. La piattaforma di Lokad è stata progettata per rendere semplice il monitoraggio di una vasta gamma di metriche considerando l’orizzonte/ritardo applicabile. Questo principio non si applica solo alle previsioni della domanda, ma a tutte le previsioni, inclusi i tempi di consegna, le previsioni dei resi, ecc.
Inoltre, va notato che le previsioni probabilistiche forniscono una valutazione quantitativa diretta dell’incertezza che aumenta con l’orizzonte temporale. Pertanto, l’aumento dell’errore in funzione dell’orizzonte non viene semplicemente misurato ma anche previsto. Poiché le decisioni della supply chain ottimizzate da Lokad sono adeguate al rischio, le nostre decisioni riflettono automaticamente il rischio aggiuntivo associato a decisioni che dipendono da previsioni a lungo termine (rispetto a previsioni a breve termine).
3.8 Potete aggregare i dati a livello di prodotto/filiale per validare la previsione statistica?
Sì, Lokad traccia gli errori e i bias predittivi a molti livelli, inclusi i livelli gerarchici rilevanti (ad es., per prodotto, per filiale, per categoria, per regione, per marchio, ecc.) quando sono presenti gerarchie. La tecnologia di programmazione differenziabile di Lokad ci consente persino di perfezionare le previsioni a una determinata granularità per minimizzare un errore o un bias che si verifica ad un’altra granularità.
Più in generale, per quanto riguarda la validazione, poiché la piattaforma di Lokad è programmabile, le previsioni storiche possono essere ri-aggregate in qualsiasi modo l’azienda cliente ritenga opportuno. Analogamente, la metrica usata per validare le previsioni aggregate può differire dalla metrica usata per validare le previsioni disaggregate, qualora l’uso di una metrica alternativa sia ritenuto preferibile dall’azienda cliente.
4. Gestione e Pulizia dei Dati
4.1 Rilevate automaticamente gli errori nei dati?
Sì. I Supply Chain Scientist di Lokad creano meticolosamente dashboard di “salute dei dati” per il progetto di ogni cliente. Queste dashboard sono progettate per identificare automaticamente qualsiasi problema nei dati. Inoltre, identificano la criticità del problema e la responsabilità per tale problema.
La criticità del problema determina se è accettabile o meno generare decisioni sulla supply chain basate sui dati in cui è presente il problema. A volte, ciò significa limitare le decisioni accettabili a un sottoinsieme all’interno dell’azienda cliente che è considerato “sicuro” dal problema. In realtà, aspettarsi un dataset completamente privo di problemi è tipicamente irrealistico nel caso di grandi aziende. Pertanto, l’ottimizzazione della supply chain deve essere in grado di operare (in una certa misura) anche con dati imperfetti, purché l’imperfezione non metta a rischio la validità delle decisioni sulla supply chain.
La responsabilità del problema definisce chi è incaricato della sua risoluzione. A seconda del tipo di problema, l’errore può originarsi da punti totalmente differenti all’interno dell’azienda cliente. Ad esempio, dati storici troncati sono molto probabilmente un problema per il reparto IT, mentre margini lordi negativi (cioè, quando il prezzo di vendita è inferiore al prezzo di acquisto) ricadono sotto la responsabilità del procurement o delle vendite.
Identificare errori nei dati non banali è una questione che richiede intelligenza generale e una comprensione approfondita della supply chain in oggetto. Pertanto, questo processo non può essere automatizzato (ancora); attualmente supera ciò che le tecnologie software sono in grado di offrire. Tuttavia, una volta identificato un dato problema, un Supply Chain Scientist può automatizzare le rilevazioni future. In pratica, i nostri Supply Chain Scientist implementano proattivamente il tipo di problema più frequente come parte della bozza iniziale delle dashboard di “salute dei dati”.
Vedi Data Health in The Data Extraction Pipeline per ulteriori informazioni sulla salute dei dati.
4.2 Pulite automaticamente i dati storici?
Executive Summary: Sì, nel senso che Lokad non si aspetta che i nostri clienti pre-processino manualmente i dati aziendali prima di fornirceli. Inoltre, l’intera pipeline dati (costruita tra Lokad e ogni cliente) funziona senza supervisione con tutti i processi completamente automatizzati.
Lokad raramente “pulisce” i dati storici; almeno, non nel senso usuale. Esistono parecchie tecnologie obsolete che richiedono una preparazione estesa (“pulizia”) dei dati storici per funzionare. Ad esempio, i vecchi sistemi di serie temporali si aspettavano che i cali della domanda (stockout) e i picchi di domanda (promozioni) venissero corretti per mantenere le previsioni sensate.
Questo riflette i limiti dell’approccio basato sulle serie temporali. Di conseguenza, i dati storici devono essere preparati in modo esteso per renderli più adatti (in qualche modo) a un sistema difettoso (serie temporali). Fare riferimento a questo processo come “pulizia dei dati” è fuorviante, poiché dà l’impressione che il problema risieda nei dati storici, mentre la causa principale è il design difettoso del sistema che elabora tali dati.
Al contrario, la tecnologia di modellazione predittiva di Lokad va ben oltre l’approccio basato sulle serie temporali. Attraverso la programmazione differenziabile, possiamo elaborare ogni tipo di dato relazionale, invece di rimanere bloccati a una “serie temporale”. Ciò significa che tutti i fattori causali (ad es., prezzi, scorte, eventi, ecc.) che sottendono sia la domanda che i tempi di consegna sono esplicitamente integrati nel modello. L’integrazione causale è di gran lunga superiore alla semplice pulizia dei dati—quando applicabile—perché i dati “puliti” sono irreali (nessuno saprà mai con certezza quale sarebbe stato il valore della domanda se il disservizio di scorte non si fosse verificato).
Occasionalmente, i dati aziendali (storici o meno) richiedono correzioni. Lokad tenta di fornire tali correzioni automaticamente ogniqualvolta sia possibile, possibilmente sfruttando il machine learning a seconda dello scenario. Ad esempio, la matrice di compatibilità meccanica tra auto e componenti può essere migliorata automaticamente con un metodo di apprendimento semi-supervisionato (vedi Ottimizzazione del Pricing per il Mercato dell’Automotive).
4.3 Consentite agli utenti di pulire manualmente i dati storici?
Sì, se il cliente desidera questa funzionalità, Lokad può fornire un flusso di lavoro a questo scopo. Tuttavia, in genere non consigliamo agli utenti finali di pulire manualmente i dati.
Altri software/soluzioni impongono numerose operazioni manuali ai loro utenti finali. Al contrario, i Supply Chain Scientist di Lokad elaborano algoritmi end-to-end (“ricette numeriche”) che si adattano ai dati così come sono. Per noi, la pulizia manuale dei dati da parte del cliente è l’eccezione, non la regola.
Vedi anche Gestione e Pulizia dei Dati 4.2 in questa FAQ.
4.4 In che modo i dati saranno puliti, gestiti e mantenuti per evitare errori nel modello non necessari?
I Supply Chain Scientist di Lokad sono responsabili della configurazione della pipeline dati. I dati devono essere preparati, ma soprattutto i modelli predittivi devono essere progettati per adattarsi ai dati così come esistono attualmente. Il Supply Chain Scientist introduce gli strumenti (ad es., dashboard dedicate) per monitorare i dati in ingresso grezzi e i dati preparati, per assicurarsi che le decisioni sulla supply chain generate da Lokad siano solide.
Molte soluzioni alternative affrontano il problema esclusivamente attraverso lenti di preparazione dei dati, dove ogni output errato deve essere corretto modificando l’input. Tali soluzioni non sono programmabili, pertanto i modelli core non possono essere modificati—solo i loro input possono esserlo. Tuttavia, Lokad adotta un approccio tecnologico diverso. Supportiamo una tecnologia predittiva programmabile (attraverso la programmazione differenziabile). Pertanto, quando ci troviamo di fronte a output inadeguati (cioè, cattive decisioni sulla supply chain), possiamo correggere sia gli input che i modelli (o entrambi).
Quasi invariabilmente, è la combinazione delle due regolazioni—una migliore preparazione dei dati e un’elaborazione migliore degli stessi—che porta a risultati soddisfacenti, e omettere una delle due è una ricetta per risultati deludenti.
Vedi anche Gestione e Pulizia dei Dati 4.2 in questa FAQ.
Vedi anche The Data Extraction Pipeline per ulteriori informazioni sul trasferimento automatico dei dati tra i clienti e Lokad.
4.5 Gestite e mantenete i dati master (a supporto degli sforzi di previsione)?
Sì, se richiesto dall’azienda cliente.
Tuttavia, raccomandiamo fortemente di non utilizzare la piattaforma di Lokad per questo scopo. A nostro avviso, gli strumenti analitici (come Lokad) dovrebbero essere tenuti strettamente separati dagli strumenti di inserimento dati, come un sistema di gestione dei dati master.
Come regola generale, per evitare il vendor lock-in, suggeriamo di evitare strumenti software aziendali onnicomprensivi. I requisiti di progettazione per la gestione dei dati master sono completamente diversi da quelli per l’analisi predittiva. La piattaforma di Lokad potrebbe essere un discreto gestore di dati master, ma non sarà mai eccezionale (il nostro design si basa troppo sull’analisi predittiva per questo), e al contrario, la maggior parte dei gestori di dati master sono assolutamente pessimi per l’analisi.
4.6 Gli utenti possono caricare input di vendita e marketing (inclusi piani/intuizioni futuri)?
Sì. La piattaforma di Lokad è in grado di ricevere ed elaborare più fonti di dati, in molti formati, inclusi i fogli di calcolo Excel. La nostra piattaforma è inoltre capace di elaborare i dati così come sono presenti nelle divisioni vendite e marketing (cioè, con qualunque granularità siano conservati).
I team di Vendite e Marketing raramente forniscono dati organizzati a livello SKU—o anche SKU x Località, il nostro livello di granularità preferito. Data questa limitazione, la piattaforma di Lokad è progettata per sfruttare i dati d’ingresso (ad es., da Vendite e Marketing) che si trovano a livelli di granularità differenti rispetto alle previsioni d’uscita previste (ad es., SKU x Località).
4.7 Archiviate la domanda storica e le previsioni per analizzare la previsione a cascata?
Sì, in genere archiviamo tutte le previsioni passate, inclusa la domanda, i tempi di consegna, i resi, ecc.
Abbiamo ideato tecniche di compressione avanzate per limitare il sovraccarico di storage dei dati associato a strategie di archiviazione su larga scala. Abbiamo inoltre adottato un design complessivo che garantisce che i dati archiviati, anche in quantità massicce, non interferiscano con le prestazioni quotidiane della piattaforma (ad es., i calcoli e la visualizzazione dei dashboard non rallentano a causa dell’archiviazione dei dati).
L’ingegneria della piattaforma Lokad differisce significativamente da soluzioni alternative che vengono fortemente penalizzate, sia in termini di costi che di prestazioni (o entrambi), quando vengono implementate strategie di archiviazione estese. Mentre tali soluzioni alternative offrono nominalmente capacità di archiviazione estese, in pratica tali archivi vengono fortemente troncati per mantenere la soluzione operativa. Questo non è il caso di Lokad. Anche considerando aziende clienti su larga scala, mantenere anni di archivi non rappresenta tipicamente un problema.
4.8 Archiviate gli input manuali/sovrascritture per analizzare l’impatto degli aggiustamenti sulle metriche della domanda?
Sì. Lokad archivia tutti gli input manuali, inclusi i caricamenti manuali di file Excel. Quando gli input manuali vengono utilizzati per modificare i modelli predittivi (“overrides”, tipicamente con l’intento di perfezionare i modelli/previsioni), utilizziamo tali archivi per quantificare il miglioramento (o il degrado) in termini di accuratezza predittiva introdotta. Questo lavoro è normalmente svolto dai Supply Chain Scientist di Lokad.
La piattaforma di Lokad presenta capacità complete di versioning sia per i dati che per il codice/scripts. Questo è fondamentale poiché dobbiamo assicurarci che, durante il backtesting, i dati aziendali “regolari” (tipicamente i dati storici ottenuti dai sistemi aziendali) utilizzati insieme agli input manuali siano esattamente gli stessi di quando gli input manuali sono stati originariamente forniti.
I dati aziendali vengono tipicamente aggiornati automaticamente. Tuttavia, utilizzare l’ultima versione dei dati aziendali non riflette adeguatamente la situazione com’era nel momento in cui è stata fornita la correzione o l’input manuale. Allo stesso modo, il codice predittivo utilizzato da Lokad potrebbe essersi evoluto dal momento in cui è stato fornito l’input manuale. In effetti, l’input manuale potrebbe essere stato fornito per far fronte a un difetto nel codice predittivo che in seguito è stato risolto.
La piattaforma di Lokad copre anche queste situazioni, prevenendo intere classi di conclusioni errate. Considera le situazioni in cui gli input manuali vengono successivamente valutati come “errati” quando, in realtà, erano pertinenti se si considerano le condizioni esatte del momento in cui gli input manuali sono stati originariamente forniti.
5. Classificazione dei Prodotti e Clustering
5.1 Identificate i prodotti a lenta rotazione e i modelli di domanda irregolari?
Executive Summary: Sì, la tecnologia predittiva di Lokad fornisce una caratterizzazione quantitativa molto approfondita di tutte le SKUs di interesse.
In particolare, l’approccio di previsione probabilistica di Lokad è particolarmente adatto ad affrontare modelli di domanda intermittenti ed erratici. Valutando le probabilità degli eventi rari, Lokad può identificare l’“irregolarità” della domanda—qualcosa che tipicamente riflette l’acquisto simultaneo di numerose unità da parte di consumatori individuali. Ad esempio, un cliente acquista l’intero inventario disponibile di (identici) interruttori in un ferramenta, introducendo così un esaurimento a livello di SKU.
La programmazione differenziabile, paradigma di machine learning di Lokad, è ideale per far fronte alla “legge dei numeri piccoli” che caratterizza la maggior parte delle situazioni supply chain. I prodotti a lenta rotazione, per loro natura, presentano pochissimi dati. Allo stesso modo, i picchi riscontrati in una domanda irregolare sono, per definizione, rari. Pertanto, l’efficienza dei dati del modello predittivo è fondamentale. A questo proposito, la programmazione differenziabile è superiore alle alternative per la sua capacità di riflettere intuizioni di alto livello fornite dalla struttura stessa del modello.
Le soluzioni alternative solitamente falliscono in presenza di prodotti a lenta rotazione e modelli di domanda irregolari. Le previsioni classiche (cioè, previsioni non probabilistiche) non riescono ad affrontare i prodotti a lenta rotazione senza ricorrere a una domanda frazionaria che non è “reale”. Questa domanda frazionaria (ad es., 0.5 units), sebbene “matematicamente” corretta, non è un modo praticabile per prendere decisioni sensate nella supply chain, dato che, naturalmente, è necessario ordinare numeri interi di unità.
Allo stesso modo, le previsioni classiche non possono riflettere matematicamente l’“irregolarità” della domanda.
Per esempio, una previsione probabilistica può riflettere che una libreria vende 1 unità al giorno (in media), composta da un mix in cui un professore acquista in media 20 libri al mese, oltre a uno studente che compra 1 libro ogni 2 giorni (in media).
Queste informazioni saranno riflesse nella distribuzione di probabilità della domanda del modello. Tuttavia, per una previsione classica basata su serie temporali, trasmettere la realtà sfumata della domanda, come ad esempio gli acquisti sporadici in blocco, non è fattibile. Predirebbe solo una domanda media di 1 libro al giorno, senza catturare il reale andamento della domanda e, di conseguenza, rappresentando in modo errato la vera natura delle vendite. Questo, a sua volta, limita notevolmente la possibilità di prendere decisioni di inventario finanziariamente sensate.
5.2 Identificate l’inventario a lenta rotazione o obsoleto e fornite raccomandazioni per “tenere o vendere”?
Sì. Lokad identifica l’inventario a lenta rotazione utilizzando previsioni probabilistiche, permettendo decisioni anticipate e aggiustate al rischio per mitigare i rischi di overstock e di scorte morte. Le raccomandazioni vanno oltre il semplice “tenere o vendere”, includendo sconti, ricollocazioni e aggiustamenti per evitare la cannibalizzazione.
L’identificazione delle SKUs a lenta rotazione o obsolete (in termini di domanda) avviene tramite previsioni probabilistiche della domanda. Le previsioni probabilistiche sono eccellenti per identificare e valutare i rischi, inclusi quelli di overstock e di inventario morto. Ciò ci consente di produrre decisioni aggiustate al rischio, in combinazione con le nostre capacità di ottimizzazione stocastica. In questo modo, i rischi d’inventario sono quantificati per tutte le SKUs in ogni fase del loro ciclo di vita. Questo design è fondamentale poiché permette di identificare (e affrontare) il prima possibile la maggior parte delle situazioni d’inventario prima che diventino problematiche.
Infine, Lokad non si limita a fornire semplici raccomandazioni “tenere o vendere”. Possiamo offrire ai clienti raccomandazioni che riflettano l’intero spettro di opzioni disponibili. Ad esempio, Lokad può consigliare sconti o promozioni per aiutare a liquidare lo stock. Possiamo anche suggerire di spostare lo stock altrove se altri canali dovessero mostrare una domanda elevata. Possiamo raccomandare di sospendere temporaneamente o declassare un altro prodotto che accidentalmente cannibalizza la domanda di un’altra SKU.
In breve, i Supply Chain Scientists di Lokad sono lì per assicurarsi che nessuna pietra venga lasciata inesplorata prima di dichiarare uno stock “morto”.
Vedi anche Classificazione dei Prodotti e Clustering 5.1 in questa FAQ.
5.3 Consentite agli utenti di gestire i flussi di lavoro gerarchici dei dati di prodotto (top-down, middle-out e bottom-up)?
Sì. Poiché la piattaforma di Lokad è programmatica, possiamo rispondere a qualsiasi flusso di lavoro ragionevolmente ben definito per i nostri clienti. Gli esempi includono tutti i flussi di lavoro operanti lungo le gerarchie di prodotto esistenti del cliente.
A nostro avviso, il ROI (return on investment) del cliente nel permettere ai propri dipendenti di navigare in tali flussi di lavoro è molto incerto. La necessità stessa di questi flussi di lavoro riflette difetti profondi nel software supply chain che devono essere risolti dall’interno verso l’esterno, sfruttando quanta più automazione possibile.
La piattaforma di Lokad offre ampie capacità per visualizzare i dati lungo tutte le dimensioni rilevanti: gerarchie di prodotto, regioni, orizzonti temporali/ritardi, fornitori, tipi di clienti, ecc. Queste capacità sono fondamentali per identificare sia i difetti che le aree di ulteriori miglioramenti. Tuttavia, sfruttare queste capacità per un “flusso di lavoro” è tipicamente fuorviante (sebbene per Lokad sia semplice). Piuttosto, raccomandiamo di modificare direttamente le ricette numeriche sottostanti (codice) operative da Lokad, eliminando così la necessità che i professionisti della supply chain gestiscano i flussi di lavoro.
Molte soluzioni alternative non dispongono di capacità programmatiche. Di conseguenza, quando viene identificato un difetto, solitamente non ci sono opzioni se non attendere la prossima versione del software (forse tra anni) o optare per la personalizzazione—un percorso che di solito porta problemi, poiché l’azienda cliente finisce con un prodotto software non mantenuto.
5.4 Consentite agli utenti di organizzare elementi correlati gerarchicamente e raggrupparli in base a una varietà di fattori?
Sì.
La piattaforma di Lokad offre ampie capacità che consentono agli utenti di raggruppare elementi (ad es., SKUs, prodotti, clienti, fornitori, sedi, ecc.) in base a un intero spettro di fattori – inclusi gli input manuali.
Poiché la piattaforma di Lokad è programmatica, finché il criterio di raggruppamento o prossimità può essere espresso numericamente, è semplice raggruppare gli elementi del cliente di conseguenza. Questo compito è svolto dai Supply Chain Scientists di Lokad.
Inoltre, la piattaforma di Lokad può sfruttare le relazioni tra elementi correlati gerarchicamente sia a scopi predittivi che di ottimizzazione. In particolare,
La piattaforma di Lokad adotta una prospettiva relazionale per tutti i suoi strumenti numerici. Tale prospettiva va oltre le serie temporali e i grafici, combinando dati relazionali e gerarchici. Questa visione pervade i nostri strumenti, inclusi quelli di machine learning. Questo aspetto è fondamentale per sfruttare le relazioni disponibili al di là delle mere finalità di visualizzazione.
5.5 Che tipo di classificazione dei prodotti offrite (ABC /XYZ…) basata sui dati storici di vendita?
Executive Summary: Lokad può offrire classificazioni dei prodotti ABC e ABC XYZ flessibili, adattandosi a variazioni ed esclusioni, se il cliente lo desidera. Tuttavia, consideriamo queste classificazioni (e quelle a esse affini) come superate. La posizione di Lokad è che la moderna gestione della supply chain dovrebbe concentrarsi su intuizioni azionabili che portino a decisioni aggiustate al rischio, piuttosto che affidarsi a strumenti di categorizzazione semplicistici.
La piattaforma di Lokad supporta tutti gli schemi di classificazione principali, inclusi ABC e Analisi ABC XYZ, ecc. Poiché la piattaforma di Lokad è programmatica, è anche semplice adattarsi a tutte le variazioni sottili esistenti, definendo con cura tali classi (ad esempio, regole di esclusione sottili). Tuttavia, le classificazioni dei prodotti (come quelle elencate sopra) rappresentano un approccio tecnologicamente obsoleto ai problemi e all’ottimizzazione della supply chain.
Alcuni fornitori di software supply chain, specialmente quelli che utilizzano tecnologie obsolete, vantano con orgoglio l’Analisi ABC o l’analisi ABC XYZ. Eppure, invariabilmente, le classificazioni offerte da questi strumenti vengono usate per mitigare i numerosi difetti della soluzione software già in uso dal cliente, trattando così i sintomi senza risolvere le cause del problema. Tali strumenti vengono impiegati come grezzi meccanismi di prioritizzazione dell’attenzione. Questo non è un modo adeguato per affrontare questioni come la domanda intermittente o volatile.
In primo luogo, i difetti fondamentali devono essere affrontati per sollevare i professionisti della supply chain da revisioni così tediose. In secondo luogo, le classificazioni basate sul volume sono troppo grezze per avere un valore pratico e rappresentano un uso molto inefficiente del tempo dei professionisti della supply chain.
Per questo motivo, i Supply Chain Scientists di Lokad guidano i clienti verso decisioni che riflettano l’impatto finanziario di una potenziale decisione/suggerimento d’azione nella supply chain (tipicamente misurato in Dollars o Euros). Se gli elementi e le decisioni non vengono prioritizzati in base al loro ROI (return on investment) netto, ogni tentativo di “prioritizzazione” o “ottimizzazione” è fondamentalmente inutile.
Vedi ABC XYZ in 3 Minutes e ABC Analysis Does Not Work per ulteriori informazioni sui limiti di questi strumenti di classificazione.
5.6 Fornite clustering/stratificazione per prodotti e/o negozi?
Sì.
La piattaforma di Lokad offre capacità di clustering/stratificazione per qualsiasi elemento di interesse, come negozi, prodotti, clienti, SKUs, fornitori, ecc. Questo grazie alle capacità di elaborazione della nostra piattaforma per i dati relazionali. Ciò ci consente di affrontare elementi complessi che non possono essere “appiattiti” in una serie fissa di proprietà. Inoltre, attraverso la programmazione differenziabile, Lokad può apprendere e ottimizzare le metriche di similarità usate per raggruppare gli elementi in modi particolarmente utili per un dato compito, come la previsione.
Vedi Illustrazione: Clustering per ulteriori informazioni sulle capacità di clustering di Lokad con solo poche righe di codice Envision.
5.7 Raffinate la previsione utilizzando gerarchie di prodotto/località e/o clustering?
Sì.
Lokad sfrutta appieno la struttura relazionale dei dati in ingresso. Il nostro approccio di programmazione differenziabile è particolarmente abile nell’elaborare dati relazionali. In questo modo, Lokad può sfruttare gerarchie, liste, opzioni, grafici, attributi numerici e categorici per i suoi modelli predittivi. Inoltre, i nostri modelli predittivi prevedono tutte le fonti di incertezza nella supply chain, inclusa la domanda, i tempi di consegna, i resi, i rendimenti, i prezzi delle materie prime, ecc.
Il clustering può essere utilizzato per identificare un modello rilevante per la previsione di interesse. Ad esempio, tutte le ciclicità tipiche (ad es., giorno della settimana, settimana del mese, settimana dell’anno, ecc.) e le quasi-ciclicità (ad es., Pasqua, Capodanno cinese, Ramadan, Black Friday, ecc.) possono beneficiare di questo tipo di tecnica. La piattaforma di Lokad offre un ampio supporto per implementare il clustering a scopi predittivi.
Vedi Illustrazione: Ciclicità basate sul clustering per ulteriori dettagli su questo punto.
6. Eventi e Variabili Esplicative
6.1 Identificate eventi eccezionali (ad es., eventi di esaurimento scorte) e promozioni nei dati storici?
Executive Summary: Sì. Lokad arricchisce i dati storici con eventi eccezionali noti utilizzando la programmazione predittiva, migliorando l’accuratezza rispetto alle previsioni tradizionali basate su serie temporali. Questo approccio gestisce dati incompleti e può ricostruire eventi persi (come soluzione alternativa quando una registrazione diretta degli eventi storici non è disponibile).
I dati storici presentano numerosi eventi che distorcono le misurazioni (ad es., domanda, tempi di consegna, ecc.). Lokad opera tramite paradigmi di programmazione predittiva, come la programmazione differenziabile, che ci permettono di arricchire la cronologia di base con tutti quegli eventi. Tuttavia, in linea di massima, tali eventi eccezionali non vengono “identificati”—sono già noti. Se alcuni eventi significativi sono stati persi, è possibile per Lokad utilizzare un modello predittivo per ricostruirli.
Le vecchie tecnologie di previsione, ormai obsolete, non erano in grado di gestire altro se non serie temporali semplici/nude. Di conseguenza, ogni distorsione applicata alla domanda doveva essere corretta in anticipo, altrimenti le previsioni sarebbero state gravemente degradate o distorte. Sfortunatamente, questo approccio è difettoso per design perché le previsioni basate su serie temporali finiscono per essere costruite sopra altre previsioni, accumulando così imprecisioni.
La tecnologia predittiva di Lokad non soffre dello stesso problema in quanto supporta variabili esplicative extra. Invece di fingere di sapere con certezza cosa sarebbe accaduto senza gli eventi storici (come un esaurimento scorte), il modello predittivo riflette la variabile esplicativa nei suoi output (cioè, nelle sue previsioni). Questa metodologia non richiede un approccio a fasi per la previsione. Inoltre, può sfruttare dati incompleti, come un esaurimento scorte riscontrato alla fine della giornata dopo una vendita record di unità—informazioni che rimangono comunque altamente rilevanti, anche nella loro forma incompleta.
Se eventi rilevanti (es. esaurimenti scorte) siano stati persi o semplicemente non registrati, allora Lokad è in grado di ricostruire tali eventi tramite un’analisi dei dati storici. Tuttavia, per quanto statisticamente accurata possa essere questa ricostruzione, sarà sempre meno precisa di una registrazione diretta degli eventi man mano che si svolgono. Ecco perché Lokad solitamente storicizza indicatori come i livelli di scorte ogni volta che tali indicatori non sono adeguatamente archiviati nei rispettivi sistemi aziendali.
6.2 Identificate eventi eccezionali e festività mobili?
Si. I modelli predittivi di Lokad si adattano a eventi eccezionali e festività. I nostri Supply Chain Scientist valutano gli impatti, fornendo ai clienti un modello trasparente e approfondimenti sugli effetti di un evento specifico sulla dinamica della supply chain del cliente.
Lokad identifica tutti gli eventi eccezionali e adatta la struttura stessa dei suoi modelli predittivi per rifletterli. Tuttavia, per tutti i modelli quasi ciclici (es. Pasqua, Capodanno cinese, Ramadan, Black Friday, ecc.) l’identificazione è scontata—sappiamo già che l’evento esiste ed ha impatto. L’unica domanda rimasta è la quantificazione dell’impatto dell’evento.
Facendo in modo che i Supply Chain Scientist effettuino una valutazione di alto livello dell’impatto (o della mancanza d’impatto) di un evento noto, otteniamo un modello predittivo con un’efficienza dei dati molto maggiore. Un’alta efficienza dei dati è fondamentale per mantenere il modello predittivo accurato quando sono disponibili pochi dati, come frequentemente accade nelle situazioni di supply chain.
Inoltre, quando Lokad identifica e nomina esplicitamente i modelli, il personale della supply chain del cliente beneficia di un modello predittivo white-box corredato da fattori semantici. Ad esempio, l’impatto del Black Friday (se presente) viene associato a un fattore dedicato valutato a partire dai dati storici. Il professionista della supply chain può quindi utilizzare questo fattore per comprendere quali prodotti siano specificamente più sensibili al Black Friday, isolati dagli altri modelli in gioco, come la stagionalità (cioè, la ciclicità annuale).
Vedi anche Eventi e Eventi Esplicativi 6.1 in queste FAQ.
6.3 Gestite le situazioni di esaurimento scorte come variabile esplicativa?
Si. Lokad incorpora le situazioni di esaurimento scorte direttamente nei suoi modelli predittivi, gestendo sia esaurimenti completi che parziali senza dover ricorrere a ricostruire una domanda “fittizia” per colmare le lacune nei dati. Piuttosto, modelliamo direttamente ciò che è generalmente noto come domanda censurata. Inoltre, Lokad è in grado di tenere conto degli esaurimenti parziali (quando l’esaurimento scorte avviene durante la giornata lavorativa) e di sfruttare le informazioni corrispondenti.
Più in generale, Lokad è in grado di gestire tutti gli artefatti indotti derivanti dagli esaurimenti delle scorte. A seconda delle specificità dell’azienda cliente, tali artefatti possono variare notevolmente. Ad esempio, potrebbe verificarsi un’impennata della domanda alla fine del periodo di esaurimento, se i consumatori sono abbastanza fedeli da aspettare. Possono verificarsi anche backorders, accompagnati da una perdita parziale poiché tali consumatori potrebbero rifiutarsi di posticipare il loro acquisto. Etc.
I Supply Chain Scientist, impiegati da Lokad, sono lì per assicurarsi che gli esaurimenti scorte siano modellati in maniera adeguata da riflettere genuinamente la dinamica del business dell’azienda cliente.
Vedi le discussioni su “Loss masking” in Modellazione predittiva strutturata per Supply Chain e su “Incomplete lead-time model” in Previsione dei tempi di consegna per ulteriori informazioni su come Lokad gestisce queste situazioni.
6.4 Prevedete le promozioni?
Si. La tecnologia predittiva di Lokad può prevedere la variazione della domanda influenzata dai meccanismi promozionali. Il meccanismo promozionale può includere variazioni dei prezzi, modifiche nei posizionamenti espositivi (e-commerce), variazioni nell’assortimento, cambiamenti nella visibilità (es. gondole nel retail), ecc. In breve, Lokad fornisce previsioni probabilistiche per le promozioni, proprio come fa per tutte le potenziali fonti di incertezza nella supply chain (es. domanda, lead time, resi, ecc.).
Le decisioni sulla supply chain di Lokad—come il ripristino degli inventari—tengono conto non solo dell’attività promozionale pianificata per il futuro, ma anche del potenziale di tale attività. Ad esempio, se l’azienda cliente ha la possibilità di fare promozioni, e i suoi clienti (tipicamente) reagiscono bene alle promozioni, ciò significa che l’azienda può permettersi di essere un po’ più aggressiva con le scorte. Questo perché le promozioni sono uno strumento efficace per mitigare gli eccessi di stock. Al contrario, se l’azienda cliente ha una clientela che in gran parte non risponde alle promozioni, allora deve prestare maggiore attenzione agli eccessi di stock, poiché manca questo meccanismo per mitigarli.
Lokad genera decisioni aggiustate per il rischio (e per le opzioni) sfruttando previsioni probabilistiche. Queste previsioni sono essenziali per valutare i rischi sin dall’inizio. Successivamente, utilizziamo l’ottimizzazione stocastica—in termini semplici, un’operazione matematica—per formulare decisioni che massimizzino il ROI (return on investment) del cliente, date le molteplici fonti di incertezza (es. domanda, lead time, promozioni, resi, ecc.).
6.5 Identificate e prevedete i lanci di nuovi prodotti e le sostituzioni?
Sintesi Esecutiva: Sì, Lokad prevede la domanda per tutti i prodotti, inclusi i nuovi. Lo facciamo indipendentemente dalla quantità di dati storici disponibili per i prodotti—che probabilmente sarà zero se il prodotto non è ancora stato lanciato.
Per produrre previsioni statistiche nelle condizioni sopra menzionate, Lokad solitamente sfrutta (a) l’intera storia dei lanci all’interno dell’azienda cliente, (b) gli attributi del prodotto per posizionarlo nell’offerta, (c) i prodotti alternativi che forniscono sia una base di riferimento che potenziale di cannibalizzazione, e (d) le operazioni di marketing che supportano questo specifico lancio.
Se un prodotto è posizionato nell’offerta del cliente come sostituto esplicito di un prodotto più vecchio, il compito di previsione diventa molto più semplice. Tuttavia, non raccomandiamo questo approccio a meno che il personale della supply chain del cliente non sia convinto che i vecchi e i nuovi prodotti siano veramente equivalenti per i consumatori. In pratica, un lancio di prodotto è raramente una sostituzione uno-a-uno tra prodotti nuovi e vecchi. Pertanto, Lokad utilizza una tecnologia avanzata per sfruttare tutti i dati storici, piuttosto che designare un prodotto per fornire la pseudo-storia del nuovo prodotto lanciato.
Inoltre, Lokad genera previsioni probabilistiche per i lanci di prodotti. Ciò è particolarmente importante perché le previsioni classiche (cioè, non probabilistiche) escludono completamente i modelli di successo o insuccesso che tendono a essere prevalenti durante il lancio di nuovi prodotti. Le previsioni probabilistiche, invece, quantificano questa incertezza, permettendoci così di generare decisioni sulla supply chain aggiustate per il rischio.
Nella maggior parte dei sistemi aziendali, la data di lancio del prodotto è correttamente identificata, e quindi non è necessaria un’identificazione in sé. Tuttavia, se la data di lancio non viene registrata o viene registrata in modo errato, Lokad può procedere con una vera ricostruzione di tale informazione. Naturalmente, i precedenti record di vendita rappresentano una base di riferimento per il lancio.
Tuttavia, a volte in caso di domanda intermittente, può volerci molto tempo prima che il prodotto venda la sua prima unità. I Supply Chain Scientist di Lokad dispongono di diverse euristiche per gestire tali situazioni.
Vedi anche Eventi e Eventi Esplicativi 6.1 in queste FAQ.
6.6 Come prevedete nuovi articoli o nuove sedi senza storico di vendite?
Lokad utilizza i lanci precedenti e le vendite attuali, sottolineando l’importanza degli attributi (formali e testuali), per prevedere la domanda di nuovi articoli/sedi.
Anche se un articolo può essere ‘nuovo’, di solito non è il primo ‘nuovo’ articolo lanciato dall’azienda cliente. La tecnologia predittiva di Lokad sfrutta i precedenti lanci di articoli, così come i volumi di vendita attuali, per prevedere la domanda di un nuovo articolo. In particolare, la disponibilità di attributi formali (es. colore, taglia, forma, fascia di prezzo, ecc.) così come di attributi testuali (es. etichetta, breve descrizione, commenti, ecc.) è di importanza cruciale per collocare matematicamente l’articolo nell’offerta complessiva dell’azienda.
Il processo per le nuove sedi è simile, anche se i dati sono di solito molto più limitati. Sebbene sia comune per le aziende lanciare migliaia di nuovi prodotti all’anno (soprattutto in settori come la moda), pochissime aziende possono vantarsi di lanciare anche solo un centinaio di nuove sedi all’anno. Eppure, sfruttando gli attributi e le caratteristiche della nuova sede, Lokad può produrre una previsione anche quando quella particolare sede non ha uno storico di vendite.
Vedi anche Eventi ed Eventi Esplicativi 6.5 in queste FAQ.
6.7 Considerate gli articoli predecessori, eventualmente segnalati o equivalenti/simili?
Sì, se gli articoli lanciati sono accompagnati da articoli ‘predecessori’ o ‘simili’, la tecnologia predittiva di Lokad è in grado di sfruttare queste informazioni per perfezionare le sue previsioni.
Possiamo gestire l’intero spettro di affidabilità delle informazioni fornite, che va da ‘questo nuovo prodotto è quasi un equivalente perfetto di quell’altro prodotto’ a ‘questi due prodotti sono vagamente simili’. Possono essere forniti anche più predecessori se non esiste un chiaro articolo ‘più simile’.
Mentre le vecchie tecnologie di previsione (ora obsolete) costringevano i professionisti della supply chain ad abbinare manualmente prodotti vecchi e nuovi, questo non avviene con Lokad. Supponendo che siano disponibili alcune informazioni di base, la nostra tecnologia è in grado di sfruttare i dati storici—di altri prodotti—per prevedere un nuovo articolo. Le informazioni di base rilevanti includono l’etichetta del prodotto e la fascia di prezzo.
Come regola generale, incoraggiamo l’arricchimento dei dati anagrafici per favorire associazioni automatizzate migliori. Questo è, a nostro avviso, preferibile a costringere il personale della supply chain del cliente nell’arduo compito dell’abbinamento manuale. Il ROI (return on investment) per il miglioramento dei dati anagrafici è solitamente notevolmente superiore rispetto agli abbinamenti, poiché i dati anagrafici possono influire direttamente su numerose operazioni post-lancio.
Vedi anche Eventi ed Eventi Esplicativi 6.5 in queste FAQ.
6.8 Rilevate la cannibalizzazione? Valutate l’impatto sul prodotto cannibalizzante e su quello cannibalizzato?
Si, la tecnologia predittiva di Lokad considera le cannibalizzazioni (e le sostituzioni) come parte della sua analisi della domanda.
Sebbene le situazioni possano variare, il modello è tipicamente simmetrico, pertanto quantifica sia il prodotto che cannibalizza sia quello cannibalizzato. Il nostro approccio tiene conto della composizione dell’offerta, che può variare da un negozio all’altro o da un canale di vendita all’altro.
Se i clienti possono essere identificati (nota: con identificatori anonimi, poiché Lokad non necessita/utilizza dati personali), allora Lokad può sfruttare il grafo bipartito che collega clienti e prodotti. Questo grafo temporale (che connette prodotti e clienti attraverso le loro transazioni) è di solito la migliore fonte di informazione per quantificare le cannibalizzazioni. Se queste informazioni non sono disponibili, Lokad può comunque operare, sebbene con una precisione ridotta per quanto riguarda i dettagli delle cannibalizzazioni.
Le tecniche predittive di Lokad si discostano radicalmente dai classici modelli di serie storiche. I modelli di serie storiche non sono semplicemente abbastanza espressivi per gestire le cannibalizzazioni. Infatti, una volta che i dati storici sono stati trasformati in dati di serie storiche, la maggior parte delle informazioni rilevanti per affrontare le cannibalizzazioni è già stata persa. Queste informazioni perdute non possono essere recuperate in seguito, per quanto sofisticati possano essere i modelli di serie storiche. Al contrario, Lokad utilizza la programmazione differenziabile per i suoi modelli predittivi—un approccio molto più espressivo rispetto ai modelli di serie storiche datati (e obsoleti).
6.9 Consentite l’aggiunta o l’aggiornamento delle variabili esplicative? Tali variabili possono essere aggiornate manualmente?
Si. La piattaforma di Lokad è programmabile e, in senso letterale, flessibile come un foglio Excel per quanto riguarda l’inclusione degli aggiornamenti delle variabili esplicative. È anche possibile, se desiderato, far trasmettere le variabili esplicative tramite fogli di calcolo veri e propri.
La programmazione differenziabile, l’approccio di Lokad alla modellazione predittiva, rende semplice apprendere modelli che integrano variabili esplicative arbitrarie. Le variabili esplicative non devono essere espresse in “unità previste” né allineate al processo di previsione. Attraverso la programmazione differenziabile, è possibile integrare le variabili esplicative lasciando molte relazioni “non quantificate”—affidando così il processo di apprendimento alla piattaforma di Lokad. Inoltre, la quantificazione della/le relazione/i viene resa disponibile al professionista della supply chain. In questo modo, il professionista può comprendere se la variabile esplicativa stia realmente guadagnando terreno all’interno del modello predittivo.
Alcune vecchie tecnologie di previsione (ora obsolete) imponevano una relazione diretta tra le variabili esplicative e le previsioni desiderate. Ad esempio, le variabili esplicative dovevano essere linearmente correlate al segnale della domanda; dovevano essere espresse con la stessa granularità delle previsioni; e/o dovevano essere omogenee con i dati storici, ecc. La tecnologia di Lokad non soffre di queste limitazioni.
Inoltre, le capacità programmatiche della piattaforma di Lokad possono organizzare le variabili esplicative per semplificarne al massimo la manutenzione per il personale della supply chain del cliente. Ad esempio, è possibile iniziare con un foglio Excel per riflettere le variabili esplicative e, successivamente, passare a un’integrazione dati automatizzata. Questa transizione può avvenire una volta che l’accuratezza aggiuntiva (ottenuta grazie a tali variabili esplicative) è ritenuta sufficiente per automatizzare il trasferimento dei dati.
Vedi la discussione su “Covariable integration” in Modellazione Predittiva Strutturata per Supply Chain per ulteriori dettagli su questo punto.
6.10 Consentite regolazioni manuali della previsione per eventi futuri senza dati storici precedenti?
Sì. Lokad consente sempre di aggiustare manualmente le previsioni, sia che si tratti di articoli con o senza dati storici. Possiamo anche monitorare la qualità/accuratezza degli aggiustamenti manuali. Tuttavia, quando si utilizza una tecnologia predittiva moderna, gli aggiustamenti manuali sono solitamente non necessari e globalmente sconsigliati.
La prima ragione per cui i professionisti della supply chain sentono la necessità di aggiustare manualmente le previsioni è che vogliono modificare le decisioni della supply chain derivate dalle previsioni (ad es., un ordine di acquisto). In questi casi, nella maggior parte delle volte, il professionista della supply chain si trova di fronte a un rischio che non è adeguatamente rappresentato dalle previsioni. Non si tratta di far sì che le previsioni siano più alte o più basse di quanto sono, ma di orientare la decisione risultante verso l’alto o verso il basso per riflettere il rischio. Lokad affronta questo problema tramite previsioni probabilistiche e decisioni della supply chain aggiustate per il rischio. Le previsioni riflettono già tutti i possibili valori futuri (ad es., la domanda) e le rispettive probabilità. Pertanto, le nostre decisioni suggerite sono già aggiustate per il rischio. Se le decisioni risultano errate mentre la previsione è corretta, di solito sono i fattori economici associati alla decisione a dover essere aggiustati, e non la previsione stessa.
La seconda ragione per aggiustare manualmente una previsione è che la previsione è palesemente errata. Tuttavia, in tali situazioni, il modello di previsione (sottostante) deve essere corretto. Non correggerlo significa semplicemente che il personale della supply chain continuerà a trattare i sintomi del problema (previsioni imprecise) anziché la causa stessa (un modello di previsione difettoso). Se il modello non viene corretto, le previsioni verranno aggiornate man mano che nuovi dati saranno disponibili e o le previsioni errate riemergeranno, oppure la correzione originale (se mantenuta) diventerà essa stessa una fonte di imprecisione nelle previsioni.
In breve, se il modello di previsione manca di sufficiente accuratezza (tipicamente a causa di informazioni mancanti), allora gli input del modello dovrebbero essere arricchiti per tenere conto di tali informazioni rilevanti. In ogni caso, mantenere in funzione un modello di previsione difettoso non è mai la risposta appropriata.
6.11 Raffinate le previsioni tramite campagne di marketing e attività speciali?
Sì, Lokad raffina le proprie previsioni con queste informazioni (se/quando ci vengono fornite).
La programmazione differenziabile—la tecnologia di modellazione predittiva di Lokad—è abile nell’elaborare tipi/sorgenti di dati supplementari, anche se non corrispondono strutturalmente ai dati storici della domanda originali (quelli tipici dei sistemi aziendali dei clienti).
La programmazione differenziabile può elaborare fonti di dati supplementari senza alcuna aspettativa che questi dati integrativi siano esaustivi o addirittura completamente corretti/precisi. È vero, però, che se i dati sono molto incompleti/imprecisi, ciò limita l’accuratezza complessiva ottenuta dall’elaborazione di tali dati in primo luogo.
Ancora più importante, la tecnologia predittiva di Lokad cambia il modo in cui i clienti affrontano le loro campagne di marketing. La prospettiva classica della previsione tratta la domanda futura come il movimento dei pianeti: qualcosa completamente al di fuori del nostro controllo. Tuttavia, le campagne di marketing non cadono dal cielo. Piuttosto, esse riflettono decisioni esplicite prese dall’azienda cliente. Con le intuizioni e la tecnologia di Lokad, le aziende clienti possono ricalibrare le loro campagne di marketing per allinearle a ciò che la supply chain può supportare.
Ad esempio, è inutile accelerare ulteriormente la domanda (lanciando una nuova campagna) se tutti i prodotti sono già sulla strada per esaurirsi. Al contrario, se gli eccessi di stock sono in aumento, potrebbe essere il momento di riattivare alcune campagne precedentemente sospese.
6.12 Raffinate le previsioni considerando l’elasticità dei prezzi? È possibile includere proattivamente nel modello di previsione/predittivo i futuri cambiamenti di prezzo pianificati?
Sì. Le capacità di modellazione predittiva di Lokad coprono la determinazione dei prezzi, inclusa l’elasticità dei prezzi, oltre ai futuri cambiamenti di prezzo pianificati. L’approccio di programmazione differenziabile di Lokad rende semplice includere una (o più) variabile di prezzo, sia nel passato che nel futuro. Le istanze passate vengono utilizzate per apprendere la causalità tra la variazione della domanda e quella del prezzo.
La programmazione differenziabile ci consente di apprendere congiuntamente l’impatto delle variazioni di prezzo insieme a tutti gli altri schemi che influenzano la domanda, come le molteplici ciclicità (ad es., la stagionalità). Il modello di causalità può quindi essere applicato ai prezzi futuri, che possono essere aumentati o diminuiti per riflettere la strategia di prezzo in evoluzione dell’azienda cliente.
Tuttavia, l’elasticità dei prezzi è frequentemente un approccio alquanto grezzo per modellare l’effetto delle variazioni dei prezzi. Ad esempio, gli effetti di soglia non possono essere modellati con l’elasticità. Questo include scenari in cui i consumatori reagiscono fortemente a una variazione di prezzo quando un prodotto diventa appena più economico di un altro prodotto apparentemente equivalente. In particolare, quando i prezzi competitivi vengono raccolti tramite uno strumento di competitive intelligence, l’elasticità dei prezzi si rivela insufficiente a spiegare le variazioni della domanda che sarebbero meglio illuminate dalle mosse di prezzo dei concorrenti.
La piattaforma di Lokad ha capacità che vanno ben oltre la semplice modellazione dell’elasticità dei prezzi. Lokad può, e spesso lo fa, ottimizzare congiuntamente sia gli approvvigionamenti che i prezzi. Mentre la prospettiva tradizionale della supply chain considera l’ottimizzazione dell’inventario e quella dei prezzi come due questioni separate, è ovvio che i prezzi influenzano la domanda—anche quando l’elasticità dei prezzi si dimostra troppo grezza per riflettere accuratamente tale impatto. Pertanto, ha molto senso coordinare sia le politiche di inventario che quelle di pricing per massimizzare la redditività della supply chain.
6.13 Raffinate le previsioni con l’attività della concorrenza (cioè, dati di competitive intelligence)?
Sintesi Esecutiva: Sì, la tecnologia predittiva di Lokad è in grado di sfruttare i dati di competitive intelligence per raffinare le previsioni della domanda (e i prezzi, se richiesto) per i clienti. Questo viene fatto solo quando i dati di competitive intelligence ci vengono messi a disposizione, poiché Lokad non raccoglie tali dati autonomamente. A nostro avviso, questo compito è meglio lasciato a specialisti del web data scraping.
Sfruttare i dati di competitive intelligence è tipicamente un processo in due fasi. Prima, dobbiamo associare (in qualche modo) i punti dati competitivi all’offerta dell’azienda cliente. Se l’azienda cliente e i suoi concorrenti vendono esattamente gli stessi prodotti identificati dai loro codici a barre GTIN, allora questo processo è semplice. Tuttavia, spesso esistono numerose complicazioni.
Ad esempio, le aziende potrebbero non avere le stesse condizioni di spedizione (ad es., costi e ritardi), oppure potrebbe esserci una promozione temporanea riservata solo ai titolari di una carta fedeltà. Inoltre, i concorrenti non vendono tipicamente gli stessi prodotti (almeno non nel senso GTIN), eppure le loro offerte, nel complesso, competono tra loro. In queste situazioni, le semplici associazioni uno-a-uno tra i prodotti delle rispettive aziende non sono più rilevanti. Tuttavia, la tecnologia predittiva di Lokad (e i Supply Chain Scientist) può affrontare tutte queste complicazioni.
Secondo, una volta stabilite le associazioni, il modello predittivo deve essere adattato per riflettere l’effetto/effect(s) della concorrenza sulla domanda. Qui, la sfida maggiore è frequentemente che l’effetto si manifesta con un forte ritardo. In molti mercati, i clienti non monitorano costantemente i prezzi dei concorrenti. Pertanto, un forte ribasso di prezzo da parte di un concorrente può rimanere inosservato da molti clienti per lungo tempo. In effetti, l’effetto dominante di essere superati sul piano dei prezzi è una lenta erosione della quota di mercato del cliente. Quindi, è un errore valutare in modo ristretto l’impatto della concorrenza “un prodotto alla volta”. Devono essere valutati anche gli effetti a livello aziendale.
Ancora una volta, i Supply Chain Scientist di Lokad si assicurano che la strategia di modellazione rifletta una comprensione strategica dell’azienda cliente (e della sua posizione all’interno del mercato). Tale comprensione strategica include aspetti a lungo termine, come guadagnare o perdere quota di mercato.
Vedi le discussioni su “Solving the alignment” in Ottimizzazione dei prezzi per il mercato dell’automotive aftermarket per ulteriori informazioni su questo punto.
Vedi anche Eventi e Variabili Esplicative 6.12 in queste FAQ.
6.14 Raffinate le previsioni con dati delle previsioni meteo?
Sintesi Esecutiva: Sì, Lokad è in grado di raffinare i propri modelli predittivi con dati delle previsioni meteo. Il nostro primo successo in quest’area risale al 2010, quando abbiamo lavorato con un grande produttore europeo di energia elettrica. La nostra tecnologia predittiva attuale (programmazione differenziabile) rende il processo di integrazione delle previsioni meteo più semplice rispetto alle tecnologie precedenti.
In pratica, sebbene sia tecnicamente possibile raffinare le previsioni con i dati meteo, pochissimi dei nostri clienti utilizzano effettivamente tali affinamenti in contesti produttivi. A nostro avviso, di solito non vale lo sforzo. Quasi sempre esistono opzioni più semplici che offrono un ROI (ritorno sugli investimenti) superiore per una quantità comparabile di risorse ingegneristiche.
Complessivamente, ci sono due problemi principali nel cercare di sfruttare i dati delle previsioni meteo in questo contesto. Il primo problema è che tali previsioni sono a breve termine. Oltre 2 o 3 settimane, le previsioni meteo ritornano alle medie stagionali. Quindi, una volta superato un breve orizzonte, le previsioni meteo non forniscono ulteriori informazioni oltre alla stagionalità abituale. Ciò significa che tutte le decisioni della supply chain che non sono strettamente a breve termine non beneficiano dei dati delle previsioni meteo. Questo restringe notevolmente l’ambito applicabile di questa tecnica.
Il secondo problema sono le vaste complicazioni tecnologiche che la tecnica comporta. Il tempo è un fenomeno molto locale, eppure, quando si considerano grandi supply chain, ci si trova effettivamente a dover gestire centinaia o migliaia (se non decine di migliaia) di località rilevanti, distribuite su enormi spazi geografici (possibilmente in più continenti). Di conseguenza, ogni località potrebbe avere il proprio “meteo” (in termini meteorologici).
Inoltre, il “meteo” non è un singolo numero, ma un insieme di essi, inclusi temperatura, precipitazioni, vento, ecc. A seconda del tipo di merci servite, la temperatura può essere o meno il fattore dominante necessario per raffinare una previsione della domanda.
Fondamentalmente, cercare di raffinare una previsione della domanda con dati delle previsioni meteo alloca risorse (tempo, denaro, sforzo, ecc.) che potrebbero essere indirizzate altrove (o almeno a sforzi di affinamento migliori). Osserviamo che le previsioni meteo non sono quasi mai un’opzione ‘competitiva’ in tal senso. Pertanto, sebbene Lokad sia in grado di sfruttare le previsioni meteo, raccomandiamo di esaurire tutte le altre vie potenzialmente più semplici di affinamento prima di ricorrere a tali dati.
6.15 Raffinate le previsioni per riflettere l’apertura di un nuovo negozio/chiusura di un vecchio?
Sì.
La tecnologia predittiva di Lokad è in grado di modellare con precisione l’impatto dell’apertura di un nuovo negozio e/o della chiusura di uno vecchio. La nostra tecnologia può anche modellare chiusure transitorie, come quelle temporanee per lavori di ristrutturazione. Inoltre, Lokad può (e lo fa) tenere conto anche della variabilità degli orari di apertura (se i dati ci vengono forniti). La tecnologia predittiva di Lokad (programmazione differenziabile) è particolarmente efficace nel gestire tutte queste distorsioni del segnale della domanda.
Inoltre, quando i negozi si trovano nelle vicinanze (ad es., all’interno della stessa città), possiamo tenere conto dell’effetto di sostituzione, per cui i clienti che frequentavano un negozio (ora chiuso) si recano in un altro. Se alcune transazioni beneficiano di un identificatore cliente (nota: solo l’identificatore grezzo, poiché Lokad non necessita di dati personali), possiamo sfruttare queste informazioni per valutare in maniera più accurata la quota esatta della clientela che segue un determinato marchio, nonostante lo spostamento dei negozi.
All’altro estremità dello spettro tecnologico, i modelli di serie temporali (previsione) non sono in grado di rappresentare adeguatamente le informazioni di input rilevanti. In questo caso, ci riferiamo ai dati transazionali grezzi descritti sopra, come quelli che si possono trovare se il cliente gestisce programmi di carte fedeltà.
Note
-
No1 a livello SKU nella competizione di previsione M5, una conferenza tenuta da Joannes Vermorel, gennaio 2022 ↩︎
-
Sebbene i fogli di calcolo Excel siano spesso sorprendentemente programmatici, non sono affatto adatti alle esigenze su larga scala di una vera supply chain. Ad esempio, Excel non è progettato per elaborare in modo stabile centinaia di migliaia, se non milioni, di righe di dati, come quelli di una rete estesa di negozi, ciascuno con la propria offerta. Né è adatto per eseguire calcoli con variabili casuali—un ingrediente chiave nella previsione probabilistica. Vedi Paradigmi di Programmazione come Teoria della Supply Chain per ulteriori informazioni sui principi che sottendono la prospettiva di Lokad sulla previsione probabilistica e la programmazione differenziabile. ↩︎