Previsioni probabilistiche (2016)
Le previsioni probabilistiche rappresentano un notevole miglioramento rispetto alla precedente generazione di tecnologie previsionali di Lokad basata sulle griglie di quantili. Rispetto ai metodi di previsione classici, le previsioni probabilistiche costituiscono una svolta, in quanto offrono una precisione molto superiore, traducendosi a sua volta in benefici operativi per quanto riguarda la supply chain, l’inventario o la produzione. Molte aziende sono frustrate dalle previsioni che continuano a deluderle. A Lokad ci sono voluti anni per comprendere appieno la radice del problema: gli approcci previsionali tradizionali sono destinati a produrre cifre corrette. Naturalmente, il futuro è incerto, e quando uno strumento o una soluzione non riesce a fornire le cifre corrette come atteso, anche i benefici non si materializzano. Invece di considerare un solo possibile futuro, le previsioni probabilistiche assegnano una probabilità a ciascuno dei numerosi possibili esiti.
In questo episodio di LokadTV, comprendiamo come le previsioni probabilistiche possano essere utilizzate per migliorare il funzionamento delle supply chain. Discutiamo della precisione e dei limiti e dibattiamo sul motivo per cui l’industria sia ancora così legata alle tecniche tradizionali e su come potrebbe apparire il futuro delle previsioni.
Abbracciare l’incertezza
In base alla nostra esperienza, nessuna quantità di ottimizzazione dei modelli previsionali esistenti, né alcuna attività di R&S per sviluppare modelli migliori - nel senso tradizionale - può risolvere questo problema. Metodi come l’analisi delle scorte di sicurezza dovrebbero gestire l’incertezza, ma in pratica l’analisi delle scorte è semplicemente un ripensamento. Nella gestione della supply chain, i costi sono guidati da eventi estremi: è la domanda sorprendentemente elevata a generare stock-out e la frustrazione dei clienti, e la domanda sorprendentemente bassa a generare inventario morto e conseguenti costose svalutazioni delle scorte. Come sanno tutti i dirigenti, le aziende dovrebbero sperare per il meglio, ma prepararsi al peggio. Quando la domanda è esattamente quella prevista, tutto procede senza intoppi. Tuttavia, la vera sfida nel campo delle previsioni non è eccellere nei casi facili, dove andrà tutto bene anche considerando una semplice media mobile. La sfida principale è gestire i casi difficili; quelli che sconvolgono la tua supply chain e fanno impazzire tutti.
Lokad ha sviluppato un modo radicalmente nuovo di affrontare le previsioni, vale a dire le previsioni probabilistiche. In parole povere, una previsione probabilistica della domanda non fornisce semplicemente una stima della stessa, ma valuta le probabilità di ogni singolo futuro. Viene stimata la probabilità per 0 (zero) unità di domanda, per 1 unità di domanda, per 2 unità e così via… Ad ogni livello di domanda viene assegnata la probabilità stimata fino a quando queste ultime diventano così basse da poter essere trascurate in sicurezza.
Queste previsioni probabilistiche offrono un modo completamente nuovo di guardare al futuro. Invece di rimanere intrappolati in una prospettiva di pensiero desideroso, in cui ci si aspetta che le cifre previste si materializzino, le previsioni probabilistiche ti ricordano che tutto è sempre possibile, solo che non in egual misura. Così, quando si tratta di prepararsi al peggio, le previsioni probabilistiche offrono un modo potente di bilanciare quantitativamente i rischi (mentre le previsioni tradizionali restano cieche a quest’ultimo).
Mentre l’analisi del rischio tende a essere un ripensamento negli approcci previsionali tradizionali, Lokad pone il problema al centro dell’attenzione con le previsioni probabilistiche.
Dal punto di vista del professionista
Le previsioni probabilistiche potrebbero sembrare molto intimidatorie e tecniche. Tuttavia, è probabile che, se sei un professionista della supply chain, tu abbia già effettuato per anni previsioni probabilistiche “intuitive”: pensa a tutte le situazioni in cui le tue previsioni di base sono dovute essere riviste al rialzo o al ribasso, perché i rischi erano semplicemente troppo elevati… Questo è esattamente ciò di cui si tratta nelle previsioni probabilistiche: bilanciare correttamente le decisioni nel mondo reale di fronte a un futuro incerto. Mentre l’analisi del rischio tende a essere un ripensamento negli approcci previsionali tradizionali, Lokad pone il problema al centro dell’attenzione con le previsioni probabilistiche.
I dati in output del motore di previsioni probabilistiche sono distribuzioni di probabilità. Da un punto di vista pratico, sebbene queste informazioni siano estremamente ricche (dopotutto, offrono un’anteprima di molti futuri possibili!), sono anche alquanto impraticabili da utilizzare nella loro forma grezza. Di conseguenza, Lokad fornisce un’intera piattaforma, tutti gli strumenti necessari e il supporto del team, per permettere alla tua azienda di trasformare queste probabilità in decisioni aziendali, come le quantità di riordino.
L’applicazione web di Lokad dispone di capacità di elaborazione Big Data e ti consente di creare la logica aziendale necessaria per trasformare queste previsioni in decisioni, specificamente adattate alla tua azienda. Queste decisioni possono essere adeguate per soddisfare i vincoli specifici della tua supply chain, come ad esempio le MOQ (quantità minima d’ordine), i tuoi driver economici, come i rischi associati alla scadenza dei prodotti, e i tuoi processi, come gli ordini di acquisto giornalieri da effettuare prima delle 8 del mattino ogni giorno.
Robotizzazione attraverso il machine learning
La gestione della supply chain comporta spesso molti prodotti spostati in diverse località. Le soluzioni previsionali tradizionali tendono a fare ampio affidamento su aggiustamenti piuttosto manuali ogni volta che sono coinvolti modelli statistici avanzati, come l’introduzione di nuovi prodotti o gli effetti del ciclo di vita del prodotto. Tuttavia, secondo l’esperienza di Lokad, se una soluzione previsionale richiede ottimizzazione non c’è mai fine: non importa quante settimane o mesi di lavoro siano dedicati a far funzionare la soluzione, c’è sempre la necessità di ulteriore ottimizzazione, semplicemente perché ci sono troppi prodotti, troppe località e il business continua a cambiare.
Pertanto, a Lokad abbiamo deciso di optare per una completa robotizzazione del processo previsionale. Ciò significa che
- non è richiesta alcuna conoscenza statistica per ottenere previsioni
- non ci si aspetta alcuna ottimizzazione per adeguare le previsioni
- non è necessaria alcuna manutenzione per mantenere le previsioni allineate con il tuo business
Come piccolo svantaggio, questi algoritmi tendono a consumare molta più potenza di calcolo rispetto ai loro omologhi tradizionali. Tuttavia, questa sfida viene affrontata attraverso il cloud computing, che mantiene il motore previsionale funzionante in modo fluido, indipendentemente dalla quantità di dati coinvolti.
L’origine delle nostre previsioni probabilistiche
Lokad non ha inventato la previsione probabilistica, ma altri matematici, utilizzando il concetto per affrontare una serie molto diversa di problemi come la previsione dei prezzi delle commodity o quella del meteo. Inoltre, Lokad non ha utilizzato la previsione probabilistica fin dall’inizio; abbiamo attraversato la fase di previsione classica (2008), la previsione per quantili (2012) e le griglie di quantili (2015)
precedentemente a questo. Di conseguenza, le previsioni probabilistiche rappresentano in realtà la quarta generazione della nostra tecnologia previsionale. Dall’esperienza acquisita nelle precedenti iterazioni di questa tecnologia, abbiamo accumulato una notevole competenza nella progettazione di un motore previsionale adatto a coprire una vasta gamma di situazioni aziendali.
L’idea stessa di stimare le probabilità anziché una media è nata nei nostri primi anni, quando ancora cercavamo di far funzionare l’approccio classico. Ci sono voluti parecchi fallimenti per renderci conto che l’approccio classico era intrinsecamente difettoso e che nessuna quantità di R&D poteva riparare un framework statistico rotto. Il framework statistico doveva essere sistemato prima di tutto per far funzionare il modello previsionale.
Inoltre, ogni iterazione del nostro motore previsionale è stata una generalizzazione - dal punto di vista matematico - della versione precedente, con ogni nuova generazione capace di gestire più situazioni rispetto a quella passata. In effetti, è meglio essere approssimativamente corretti che esattamente sbagliati. Le situazioni più difficili si presentano quando il motore previsionale non riesce a generare previsioni che sarebbero le più appropriate per adattarsi a una determinata situazione aziendale, perché il motore non è abbastanza espressivo. Oppure quando il motore previsionale non riesce a processare i dati di input che sarebbero davvero rilevanti per ottenere approfondimenti statistici su una determinata situazione, perché, ancora una volta, il motore manca di espressività. A Lokad, la previsione è un lavoro in corso. Sebbene siamo orgogliosi di ciò che abbiamo costruito con il nostro motore di previsioni probabilistiche, questo non è la fine dei nostri sforzi. A differenza delle soluzioni on-premise, in cui l’aggiornamento a un nuovo strumento rappresenta una sfida a sé stante, i clienti di Lokad beneficiano del nostro motore previsionale di nuova generazione non appena diventa disponibile.
Le nostre FAQ sulle previsioni
Quali modelli previsionali state utilizzando?
Stiamo utilizzando numerosi modelli previsionali. La maggior parte dei modelli che utilizziamo oggi sarebbero considerati algoritmi di machine learning. Questi modelli sono stati sviluppati da Lokad e, in genere, 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 riescono a competere con i nostri modelli più recenti.
Come scegliete il/i modello/i da utilizzare?
Selezionare il modello giusto o la giusta combinazione convessa di modelli è metà della battaglia quando si tratta di costruire una buona previsione in primo luogo. Dal punto di vista statistico, un sistema capace di scegliere sempre il modello “migliore” sarebbe strettamente equivalente a un sistema che sceglie sempre le previsioni “perfette”. In pratica, il nostro motore previsionale si affida fortemente al backtesting per selezionare il miglior set di modelli.
Il vostro motore previsionale gestisce la stagionalità, le tendenze, i giorni della settimana?
Sì, il motore previsionale 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 la precisione previsionale di un determinato prodotto. Naturalmente, due prodotti possono condividere la stessa stagionalità, ma non lo stesso schema dei giorni della settimana. Abbiamo modelli per gestire anche questo.
Di quali dati avete bisogno?
Per prevedere la domanda, il motore previsionale deve essere fornito - almeno - con la domanda storica giornaliera, e fornire una cronologia degli ordini disaggregata è ancora migliore. Per quanto riguarda la durata della cronologia, più lunga è, migliore è. Anche se nessuna stagionalità può essere rilevata con meno di 2 anni di dati, consideriamo 3 anni di storia buoni e 5 anni eccellenti. Per prevedere i tempi di consegna, il motore richiede tipicamente che gli ordini d’acquisto contengano sia le date d’ordine che le date di consegna. Specificare gli attributi del tuo prodotto o SKU aiuta anch’esso a migliorare considerevolmente le previsioni. Inoltre, fornirci i livelli di stock è anche molto utile per offrirti una prima analisi significativa delle scorte.
Potete prevedere il mio foglio Excel?
In linea di massima, 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 dei fogli di calcolo sono probabilmente aggregati per settimana o per mese, e la maggior parte delle informazioni storiche finisce per andare perse a causa di tale aggregazione. Inoltre, in questo caso, il tuo foglio Excel non conterrà molte informazioni riguardo le categorie e le gerarchie che si applicano ai tuoi prodotti. Il nostro motore previsionale sfrutta tutti i dati a tua disposizione, e un test su un piccolo campione non darà risultati soddisfacenti.
E gli stock-out e le promozioni?
Sia le mancanze di scorte e le promozioni rappresentano una distorsione nelle vendite storiche. Poiché l’obiettivo è prevedere la domanda, e non le vendite, questo bias deve essere tenuto in considerazione. Un metodo frequente – ma scorretto – per gestire questi eventi consiste nel riscrivere la storia, per colmare le lacune e troncare i picchi. Tuttavia, non ci piace questo approccio, perché consiste nel fornire previsioni al motore di previsione, il che può portare a gravi problemi di overfitting. Al contrario, il nostro motore supporta nativamente dei “flags” che indicano dove la domanda è stata censurata o gonfiata.
Prevedi nuovi prodotti?
Sì, lo facciamo. 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 consigliato specificare alcune delle tue categorie di prodotti e/o una gerarchia dei prodotti. In effetti, il motore prevede i nuovi prodotti auto-rilevando i prodotti “più vecchi”, che possono essere considerati comparabili ai nuovi. Tuttavia, poiché per i nuovi articoli non è ancora stata osservata alcuna domanda, le previsioni si basano interamente sugli attributi a loro associati.
È possibile modificare le previsioni?
Quasi un decennio di esperienza nelle previsioni statistiche ci ha insegnato ripetutamente che modificare le previsioni non è mai una buona idea. Se le previsioni devono essere modificate, allora probabilmente c’è un bug nel motore di previsione che necessita di essere risolto. Se non c’è alcun bug da correggere, e le previsioni vengono effettuate esattamente come atteso da un punto di vista statistico, allora modificarle è probabilmente la risposta sbagliata al problema. Di solito, la necessità di modificare le previsioni riflette l’esigenza di tenere conto di un fattore economico di qualche tipo; che incide sull’analisi del rischio “sovra” la previsione, ma non sulla previsione stessa.
Hai esperienza nel mio settore?
Abbiamo esperienza in molti settori: moda, prodotti freschi, beni di consumo, elettronica, pezzi di ricambio, aerospaziale, produzione leggera, produzione pesante, ecc. Ci occupiamo inoltre di diverse tipologie di operatori del settore: imprese di e-commerce, grossisti, importatori, produttori, distributori, catene di vendita al dettaglio, ecc. Il modo più semplice per essere certi che abbiamo esperienza nel tuo settore è contattarci direttamente.
Utilizzate dati esterni per raffinare le previsioni?
No. Mentre le tue previsioni beneficiano di tutto il know-how e dell’ottimizzazione complessiva del sistema che abbiamo acquisito lavorando con altri clienti, le tue previsioni non contengono alcun dato ottenuto da fonti di dati esterni, né da altri clienti di Lokad né da dataset pubblici. Analogamente, i tuoi dati sono utilizzati esclusivamente per scopi esplicitamente associati al tuo account aziendale, e nient’altro.