Previsioni probabilistiche (2016)
Abbracciare l’incertezza
Nella nostra esperienza, nessuna quantità di perfezionamento dei modelli di previsione esistenti, e nessuna quantità di R&S per sviluppare modelli migliori - nel senso tradizionale - può risolvere questo problema. Metodi come l’analisi della scorta di sicurezza sono supposti per gestire l’incertezza, ma in pratica, l’analisi della scorta di sicurezza è solo un’idea dopo il fatto. Nella gestione della supply chain, i costi sono guidati da eventi estremi: è la domanda sorprendentemente alta che genera stock-out e frustrazione del cliente, e la domanda sorprendentemente bassa che genera inventario morto e di conseguenza costosi write-off dell’inventario. Come tutti gli esecutivi sanno, le aziende dovrebbero sperare per il meglio, ma prepararsi per il peggio. Quando la domanda è esattamente dove ci si aspettava che fosse, tutto va liscio. Tuttavia, la sfida principale del business di previsione non è fare bene nei casi facili, dove tutto andrà bene anche considerando una semplice media mobile. La sfida principale è gestire i casi difficili; quelli che disturbano la vostra supply chain e fanno impazzire tutti.
Queste previsioni probabilistiche forniscono un modo completamente nuovo di guardare al futuro. Invece di essere bloccati in una prospettiva di pensiero desideroso, in cui le cifre delle previsioni sono attese di materializzarsi, le previsioni probabilistiche ti ricordano che tutto è sempre possibile, solo che non è altrettanto probabile. Pertanto, quando si tratta di prepararsi per il peggio, le previsioni probabilistiche forniscono un potente modo di bilanciare quantitativamente i rischi (mentre le previsioni tradizionali rimangono cieche a quest’ultimi).
Mentre l’analisi del rischio tende ad essere un’idea di secondo piano nei tradizionali approcci di previsione, Lokad sta portando il caso al centro della scena con le previsioni probabilistiche.
Dal punto di vista del praticante
Le previsioni probabilistiche potrebbero sembrare molto intimidatorie e tecniche. Tuttavia, le probabilità sono che, se sei un praticante della supply chain, hai già fatto previsioni probabilistiche “intuitive” per anni: pensa a tutte le situazioni in cui le tue previsioni di base dovevano essere riviste al rialzo o al ribasso, perché i rischi erano troppo grandi… Questo è esattamente ciò che riguarda le previsioni probabilistiche: bilanciare correttamente le decisioni del mondo reale di fronte a un futuro incerto. Mentre l’analisi del rischio tende ad essere un’idea di secondo piano nei tradizionali approcci di previsione, Lokad sta portando il caso al centro della scena con le previsioni probabilistiche.
L’output dei dati del motore di previsione probabilistica sono distribuzioni di probabilità. Dal punto di vista pratico, sebbene queste informazioni siano estremamente ricche (sono, dopotutto, uno sguardo a molti futuri possibili!), sono anche abbastanza impraticabili da usare nella loro forma grezza. Di conseguenza, Lokad fornisce un’intera piattaforma, tutti gli strumenti necessari e il supporto del team, per consentire alla tua azienda di trasformare queste probabilità in decisioni aziendali, come ad esempio le quantità di riordino.
La webapp di Lokad presenta capacità di elaborazione di Big Data e ti consente di creare la logica aziendale necessaria che trasforma queste previsioni in decisioni, specificamente adattate alla tua attività. Queste decisioni possono essere adattate per soddisfare le tue particolari restrizioni della supply chain, come ad esempio i MOQ (quantità minime d’ordine), i tuoi driver economici, come i rischi associati alla scadenza della shelf-life, e i tuoi processi, come gli ordini di acquisto giornalieri da effettuare entro le 8 del mattino di ogni giorno.
Robotizzazione attraverso l’apprendimento automatico
La gestione della supply chain spesso comporta molti prodotti spostati in molte posizioni. Le soluzioni di previsione tradizionali tendono a fare affidamento pesante su adeguamenti abbastanza manuali ogni volta che sono coinvolti modelli statistici avanzati, come nuovi prodotti o effetti del ciclo di vita del prodotto. Tuttavia, presso Lokad, la nostra esperienza indica che se una soluzione di previsione richiede un’ottimizzazione fine, non c’è fine: non importa quante settimane o mesi di manodopera sono dedicate a far funzionare la soluzione, c’è una costante necessità di più ottimizzazione fine, solo perché ci sono troppi prodotti, troppe posizioni e il business continua a cambiare.
Pertanto, presso Lokad, abbiamo deciso di optare per una piena robotizzazione del processo di previsione. Ciò significa che
- non è richiesta alcuna conoscenza statistica per ottenere previsioni
- non è prevista alcuna ottimizzazione fine per l’adattamento delle previsioni
- non è richiesta alcuna manutenzione per mantenere le previsioni allineate alla tua attività
Come piccolo svantaggio, questi algoritmi consumano molto più potenza di elaborazione rispetto ai loro omologhi tradizionali. Tuttavia, questa sfida è affrontata attraverso il cloud computing che mantiene il motore di previsione in esecuzione in modo fluido, indipendentemente dalla quantità di dati coinvolti.
L’origine delle nostre previsioni probabilistiche
Lokad non ha inventato la previsione probabilistica, altri matematici l’hanno fatto, principalmente utilizzando il concetto per affrontare un insieme molto diverso di problemi come la previsione dei prezzi delle materie prime o la previsione del tempo. Inoltre, Lokad non ha utilizzato la previsione probabilistica fin dall’inizio; abbiamo attraversato la previsione classica (2008), la previsione quantile (2012) e le griglie quantile (2015)
prima di questo. Di conseguenza, le previsioni probabilistiche sono effettivamente la quarta generazione della nostra tecnologia di previsione. Dall’esperienza acquisita sulle precedenti iterazioni di questa tecnologia, abbiamo acquisito una quantità considerevole di know-how quando si tratta di progettare un motore di previsione adatto a coprire una vasta gamma di situazioni aziendali.
L’idea stessa di stimare le probabilità invece di una media è venuta dai nostri primi anni quando stavamo ancora cercando di far funzionare l’approccio classico. Ci sono voluti parecchi fallimenti per capire che l’approccio classico era intrinsecamente difettoso e che nessuna quantità di R&D poteva correggere un quadro statistico rotto. Il quadro statistico stesso doveva essere corretto in primo luogo per far funzionare il modello di previsione.
Inoltre, ogni iterazione del nostro motore di previsione è stata una generalizzazione - dal punto di vista matematico - della versione precedente, con ogni nuova generazione del nostro motore di previsione in grado di gestire più situazioni della precedente. Infatti, è meglio essere approssimativamente corretti che esattamente sbagliati. Le situazioni più difficili si incontrano quando il motore di previsione non può generare previsioni che sarebbero le più appropriate per adattarsi a una determinata situazione aziendale perché il motore non è abbastanza espressivo. O quando il motore di previsione non può elaborare i dati di input che sarebbero veramente rilevanti per acquisire conoscenze statistiche su qualsiasi situazione data perché, ancora una volta, il motore manca di espressività. Da Lokad, la previsione è un lavoro in corso. Sebbene siamo orgogliosi di ciò che abbiamo costruito con il nostro motore di previsione probabilistico, questo non è la fine dei nostri sforzi. A differenza delle soluzioni on-premise, dove l’aggiornamento a un nuovo strumento è una sfida a sé stante, i clienti di Lokad beneficiano del nostro motore di previsione di nuova generazione non appena diventa disponibile.
Le nostre FAQ sulle previsioni
Quali modelli di previsione state utilizzando?
Stiamo utilizzando molti modelli di previsione. La maggior parte dei modelli che stiamo utilizzando oggi sarebbero considerati come algoritmi di machine learning. Questi modelli sono stati sviluppati da Lokad e di solito non hanno controparti denominate nella letteratura scientifica. Quando abbiamo iniziato nel 2008, avevamo reimplementato tutti i classici (Box-Jenkins, ARIMA, Holt-Winters, smoothing esponenziale, ecc.); ma questi modelli sono caduti in disuso poiché semplicemente non possono competere con i nostri modelli più recenti.
Come scegliete il/i modello/i da utilizzare?
La scelta del modello giusto o della giusta combinazione convessa di modelli è metà della battaglia quando si tratta di costruire una buona previsione in primo luogo. Da un punto di vista statistico, un sistema in grado di scegliere sempre il modello “migliore” sarebbe strettamente equivalente a un sistema che sceglie sempre le previsioni “perfette”. In pratica, il nostro motore di previsione si basa pesantemente sul backtesting per selezionare il miglior set di modelli.
Il vostro motore di previsione gestisce la stagionalità, le tendenze, i giorni della settimana?
Sì, il motore di previsione gestisce tutte le ciclicità comuni. I nostri modelli utilizzano anche intensivamente un approccio a serie temporali multiple per sfruttare le ciclicità osservate in altri prodotti al fine di migliorare l’accuratezza delle previsioni di qualsiasi prodotto dato. Naturalmente, due prodotti possono condividere la stessa stagionalità, ma non lo stesso pattern del giorno della settimana. Abbiamo anche modelli per gestire questo.
Quali dati avete bisogno?
Per prevedere la domanda, il motore di previsione deve essere fornito - almeno - con la domanda storica giornaliera, e fornire un’analisi disaggregata degli ordini è ancora meglio. Per quanto riguarda la lunghezza della storia - più è lunga, meglio è. Sebbene nessuna stagionalità possa essere rilevata con meno di 2 anni di storia, consideriamo 3 anni di storia buoni e 5 anni eccellenti. Per prevedere i tempi di consegna, il motore di solito richiede che gli ordini di acquisto contengano sia le date dell’ordine che le date di consegna. Specificare gli attributi del prodotto o SKU aiuta a raffinare considerevolmente anche le previsioni. Inoltre, fornire i livelli di stock è anche molto utile per ottenere una prima analisi significativa dello stock.
Potete prevedere il mio foglio Excel?
Come regola generale, se tutti i tuoi dati rientrano in un unico foglio Excel, di solito non possiamo fare molto per te; e ad essere onesti, nessuno può farlo. I dati del foglio di calcolo sono probabilmente aggregati per settimana o per mese, e la maggior parte delle informazioni storiche finisce per essere persa attraverso tale aggregazione. Inoltre, in questo caso, il tuo foglio di calcolo non conterrà molte informazioni sulle categorie e le gerarchie che si applicano ai tuoi prodotti. Il nostro motore di previsione sfrutta tutti i dati che hai, e fare un test su un piccolo campione non darà risultati soddisfacenti.
E le mancanze di stock e le promozioni?
Sia le mancanze di stock che le promozioni rappresentano un bias nelle vendite storiche. Poiché l’obiettivo è prevedere la domanda, e non le vendite, questo bias deve essere preso in considerazione. Un modo frequente - ma non corretto - di gestire questi eventi consiste nel riscrivere la storia, per riempire i vuoti e troncare i picchi. Tuttavia, non ci piace questo approccio, perché consiste nel fornire previsioni al motore di previsione, il che può comportare problemi di sovradattamento. Invece, il nostro motore supporta nativamente i “flag” che indicano dove la domanda è stata censurata o gonfiata.
Potete prevedere i nuovi prodotti?
Sì, lo possiamo fare. Tuttavia, per prevedere i nuovi prodotti, il motore richiede le date di lancio degli altri prodotti “più vecchi”, nonché la loro domanda storica al momento del lancio. Inoltre, è consigliabile specificare alcune delle categorie dei prodotti e/o una gerarchia dei prodotti. Il motore prevede infatti i nuovi prodotti rilevando automaticamente i prodotti “più vecchi”, che possono essere considerati comparabili a quelli nuovi. Tuttavia, poiché non è ancora stata osservata alcuna domanda per i nuovi elementi, le previsioni si basano interamente sugli attributi ad essi associati.
È possibile regolare le previsioni?
Quasi un decennio di esperienza nella previsione statistica ci ha insegnato molte volte che regolare le previsioni non è mai una buona idea. Se le previsioni devono essere regolate, allora probabilmente c’è un bug nel motore di previsione che deve essere corretto. Se non c’è alcun bug da correggere e le previsioni vengono effettuate esattamente come previsto da un punto di vista statistico, allora regolarle è probabilmente la risposta sbagliata al problema. Di solito, la necessità di regolare le previsioni riflette la necessità di tenere conto di un driver economico di qualche tipo; che influenza l’analisi del rischio “sopra” la previsione, ma non la previsione stessa.
Avete esperienza nel mio settore?
Abbiamo esperienza in molti settori: moda, alimenti freschi, beni di consumo, elettronica, ricambi, aerospaziale, manifatturiero leggero, manifatturiero pesante, ecc. Gestiamo anche diversi tipi di operatori del settore: attività di e-commerce, grossisti, importatori, produttori, distributori, catene di vendita al dettaglio, ecc. Il modo più semplice per essere sicuri che abbiamo esperienza nel tuo settore è contattarci direttamente.
Utilizzate dati esterni per affinare le previsioni?
No. Sebbene le tue previsioni beneficino di tutta l’esperienza e l’ottimizzazione complessiva del sistema che abbiamo acquisito lavorando con altri clienti, le tue previsioni non contengono dati ottenuti da fonti di dati esterne, né da altri clienti Lokad o da dataset pubblici. Allo stesso modo, i tuoi dati vengono utilizzati solo per scopi esplicitamente associati al tuo account aziendale e nient’altro.