Previsione periodica della domanda

Previsione periodica della domanda












Home » Resources » Qui

In ambito logistico, una previsione periodica è una previsione tradizionale della domanda, in cui i valori sono calcolati prendendo come riferimento un determinato periodo, di solito un giorno, una settimana o un mese. Nonostante raccomandiamo di ricorrere alle previsioni probabilistiche ogniqualvolta sia possibile, dobbiamo riconoscere che in alcuni casi le previsioni periodiche sono accettabili. La modalità di previsione periodica proposta da Lokad, in particolare, serve a generare previsioni per serie temporali giornaliere.

Sintassi generale

Il motore di previsione dispone di una speciale funzionalità dedicata alle previsioni periodiche giornaliere. La sintassi è la seguente:

// 'T' è del tipo [Id, *]
table T = forecast.periodic(
  hierarchy: H1, H2, H3, H4
  category: C1, C2, C3, C4
  horizon: 56 // number vector in days
  present: (max(Orders.Date) by 1) + 1
  demandDate: Orders.Date
  demandValue: Orders.Quantity
  censoredDemandDate: OOS.Date)

show table "Periodic" with
  Id
  T.ForecastDate
  T.Mean
  T.Sigma

La tabella T restituita dal motore di previsione non utilizza il tipo [Id, Date, *], ma il tipo [Id, *]: si tratta di una modifica dovuta a una clausola di Envision. Le date, così come appaiono nella tabella `Giorno` o`Settimana`, non possono essere introdotte in modo dinamico durante l'esecuzione.

L'argomento horizon (orizzonte) è un vettore numerico (o un semplice numero scalare) che può essere definito per ogni articolo e va espresso in giorni. Il motore di previsione non dipende in alcun modo dall'orizzonte: utilizzare un orizzonte più lungo, dunque, non influisce in alcun modo sulle previsioni precedenti. Questo argomento è utile unicamente per troncare le previsioni ed evitare che i risultati crescano fino a uscire fuori controllo.

Gli altri argomenti sono identici alle controparti che abbiamo già osservato nelle previsioni probabilistiche della domanda.

I valori giornalieri T.Mean restituiti dal motore di previsione sono frazionari, possibilmente inferiori a 1. Il motore di previsione usa in questi casi modelli previsionali probabilistici, proiettati come le medie giornaliere corrispondenti.

Ogni valore giornaliero è associato a un T.Sigma, che rappresenta una stima della radice quadrata della varianza delle previsioni. La varianza è ottenuta come momento centrale secondo, derivato, analogamente, dal modello previsionale probabilistico calcolato dal motore di previsione.

Errore quadratico medio

Le previsioni periodiche giornaliere calcolate da Lokad sono ottimizzate mantenendo come riferimento l'errore quadratico medio (o MSE, dall'inglese Mean Squared Error), utilizzato come funzione di perdita dal motore di previsione. Intuitivamente, questa funzione di perdita consente di ottenere previsioni bilanciate: la massa delle sovraprevisioni dovrebbe cioè essere uguale alla massa delle sottoprevisioni.

Utilizzando l'MSE come funzione di perdita può generare valori frazionari nella previsione della domanda: così, per esempio, la domanda giornaliera proiettata per un articolo di lento rigiro può essere un valore compreso tra 0 e 1.

Il motore di previsione genera previsioni giornaliere medie, da non confondere con le previsioni giornaliere mediane. Anche le previsioni mediane sono bilanciate, ma in modo diverso: le previsioni medie bilanciate hanno il 50% di probabilità di rivelarsi al di sopra o al di sotto della domanda futura, mentre le previsioni medie hanno il 50% della massa al di sopra o al di sotto della domanda futura.

Quando usare le previsioni giornaliere

Le previsioni periodiche giornaliere non danno buoni risultati in caso di domanda intermittente o erratica. Questo limite è una diretta conseguenza della natura stessa delle previsioni giornaliere, più che una pecca del motore di previsione: per definizione, infatti, le previsioni giornaliere non offrono molte informazioni sull'incertezza insita nella domanda. La varianza stimata, altro valore indicato dal motore di previsione, mitiga in parte il problema, ma non lo risolve del tutto.

In generale, quindi, suggeriamo di non utilizzare le previsioni periodiche se le serie temporali usate come dati di input non contengono almeno 10 unità al giorno in media. Sotto le 10 unità, le previsioni probabilistiche native finiscono invariabilmente per generare risultati operativi migliori.