Motore di previsione
Negli ultimi dieci anni, le tecnologie legate ai dati hanno subito un’enorme evoluzione. Le aziende sono passate dall’utilizzo di ricette numeriche conosciute e utilizzate fin dal XIX secolo, a tecnologie orientate al Big Data alimentate da Machine Learning e Deep Learning. Lokad si è concentrata nel restare al passo con i tempi e nel portare il meglio che la scienza possa offrire all’ottimizzazione della supply chain.

6 Generazioni di previsione
Fai un viaggio nel passato e scopri le diverse generazioni della nostra tecnologia di previsione.
- Programmazione Differenziabile (2019): la convergenza di due campi algoritmici: machine learning e ottimizzazione numerica
- Deep Learning (2018): previsione probabilistica alimentata dalla robotizzazione attraverso l’intelligenza artificiale (AI) e griglie di GPU
- Previsione Probabilistica (2016): Abbracciare l’incertezza con Machine Learning e statistiche ad alta dimensionalità
- Tabelle Quantili (2015): Guardare l’intera distribuzione di probabilità della domanda e iniettare vincoli della supply chain
- Previsioni Quantili (2012): Passare dalle previsioni medie alle previsioni di bias che riflettono asimmetrie specifiche del business
- Previsioni Classiche (2008): Passare da un modello matematico modificato manualmente a un benchmark completamente automatizzato di un’intera libreria di modelli
Il giusto mix di ingredienti
Una ricetta per il successo
La tecnologia di Lokad non si basa sull’utilizzo di uno (o più) modello statistico magico. È una combinazione di ingredienti che lavorano insieme per creare l’alchimia adeguata. Nei nostri primi anni, ci siamo resi conto abbastanza rapidamente di quanto fosse grande il divario tra la pura modellazione matematica e la realtà delle supply chain.
Ciò che funzionava alla perfezione in teoria era completamente inefficiente quando applicato alle imprese reali: i dati erano sporchi, non abbastanza approfonditi, troppo sparsi, il volume di riferimenti o voci nella storia delle vendite per alcune imprese rendeva estremamente difficile l’utilizzo di intere classi di modelli, e poi i vincoli della supply chain stessa facevano sì che il miglioramento delle metriche di accuratezza classica delle previsioni in realtà degradasse le prestazioni aziendali.
Lokad ha dovuto trovare le risposte tecnologiche a tutti questi problemi e cambiare drasticamente il suo punto di vista sulla previsione e sull’ottimizzazione della supply chain.
Correlazioni
con Deep Learning

Guardando un singolo prodotto alla volta, semplicemente non ci sono abbastanza dati per produrre una previsione statistica accurata. Infatti, nella maggior parte dei mercati di consumo, il ciclo di vita di un prodotto è inferiore a 4 anni, il che significa che, in media, la maggior parte dei prodotti non ha nemmeno 2 anni di storia disponibili - cioè, la profondità minima per effettuare un’analisi affidabile della stagionalità quando si guarda una singola serie temporale. Affrontiamo il problema attraverso correlazioni statistiche: le informazioni ottenute su un prodotto aiutano a raffinare la previsione di un altro prodotto. Ad esempio, Lokad rileva automaticamente la stagionalità applicabile per un prodotto anche se il prodotto è stato venduto solo per 3 mesi. Se non si può osservare alcuna stagionalità con soli 3 mesi di dati, se ci sono prodotti più vecchi e a vita più lunga nella storia, allora la stagionalità può essere estratta lì e applicata ai prodotti più recenti.
Potenza di calcolo
Attraverso il cloud computing e le GPU

Mentre sfruttare le correlazioni all’interno dei dati storici migliora notevolmente l’accuratezza, aumenta anche la quantità di calcoli da eseguire. Ad esempio, per correlare 1.000 prodotti guardando tutte le possibili coppie, ci sono un po’ meno di 1.000.000 combinazioni. Peggio ancora, molte aziende hanno molto più di 1.000 prodotti. Sfruttando il cloud computing e le unità di elaborazione grafica (GPU), quando i clienti ci inviano i loro dati, allociamo le macchine solo quando ne abbiamo bisogno; quindi, meno di 60 minuti dopo, restituiamo i risultati mentre deallochiamo le macchine di conseguenza. Poiché il cloud che utilizziamo (Microsoft Azure) ci addebita per minuto, consumiamo solo la capacità di cui abbiamo realmente bisogno. Poiché nessuna azienda ha bisogno di fare previsioni più di una volta al giorno, questa strategia riduce i costi hardware di oltre 24 volte rispetto agli approcci tradizionali.
Probabilità
Per Abbracciare i Vincoli Aziendali

La previsione tradizionale è una previsione mediana, cioè un valore che ha il 50% di probabilità di essere al di sopra o al di sotto della domanda futura. Purtroppo, questa visione classica non affronta le preoccupazioni principali della supply chain: evitare le scorte esaurite e ridurre l’inventario. Nel 2016, Lokad ha introdotto la nozione di previsioni probabilistiche per la supply chain dove le rispettive probabilità di ogni livello di domanda futura vengono stimate. Invece di prevedere un valore per prodotto, Lokad prevede l’intera distribuzione di probabilità. Le previsioni probabilistiche superano di gran lunga le previsioni classiche per i prodotti lenti, le vendite erratiche e la domanda a picco. Crediamo che tra 10 anni, tutte le aziende seriamente interessate all’ottimizzazione dell’inventario adotteranno previsioni probabilistiche, probabilmente sfruttando un discendente di questa tecnologia.
Da una Libreria Matematica a una Soluzione End-to-End
Abbiamo una vasta libreria di modelli statistici. Include classici ben noti come Box-Jenkins, smoothing esponenziale, autoregressivo e tutte le loro varianti. Inoltre, poiché i modelli classici sfruttano male le correlazioni, abbiamo sviluppato modelli migliori che sfruttano tutti i dati a nostra disposizione. Fin dall’inizio, abbiamo monitorato continuamente la qualità delle previsioni che forniamo e eseguito simulazioni per valutare attentamente i punti deboli rimanenti della nostra tecnologia. Continuiamo a migliorare i nostri modelli e ad alimentare la nostra libreria con nuovi modelli e nuovi paradigmi. Pertanto, i nostri clienti beneficiano di una tecnologia in continua evoluzione.
Tuttavia, abbiamo capito molto tempo fa che questo non era sufficiente e che dovevamo approfondire la realtà della supply chain e i vincoli e le specificità di ciascuna attività. Pertanto, non solo non richiediamo alcuna competenza statistica ai nostri clienti, ma gestiamo l’intero processo per fornire una soluzione completamente utilizzabile, completa di ordini di acquisto precisi, suggerimenti di spedizione o di pricing e dashboard di indicatori chiave di performance per valutarne l’accuratezza.
I nostri Supply Chain Scientists sono lì per aiutarti a includere tutte le tue intuizioni aziendali in un’implementazione su misura. Ciò è reso possibile attraverso l’uso del nostro linguaggio di programmazione orientato alla supply chain, Envision. La sua flessibilità ci consente di ottimizzare gli script in grado di riflettere appieno le specificità della tua attività, al fine di offrire un perfetto complemento alla nostra tecnologia di previsione.