Previsioni probabilistiche (2016)
Le previsioni probabilistiche migliorano notevolmente la precedente generazione della tecnologia previsionale di Lokad, basata sulle griglie di quantili. Rispetto ai metodi classici rappresentano una svolta: offrono una precisione molto maggiore, che si traduce in benefici operativi per supply chain, scorte e produzione. Molte aziende sono frustrate da previsioni che continuano a deluderle. A Lokad sono serviti anni per capire la radice del problema: ci si aspetta che gli approcci tradizionali producano cifre corrette. Il futuro, però, è incerto; quando uno strumento non fornisce le cifre corrette attese, non arrivano nemmeno i benefici. Anziché considerare un unico futuro possibile, le previsioni probabilistiche assegnano una probabilità a ciascuno dei diversi esiti.
In questo episodio di LokadTV spieghiamo come le previsioni probabilistiche possano migliorare il funzionamento delle supply chain. Ne discutiamo la precisione e i limiti, esaminiamo perché il settore resti così legato alle tecniche tradizionali e ci interroghiamo sul futuro delle previsioni.
Abbracciare l’incertezza
Secondo la nostra esperienza, né la messa a punto dei modelli esistenti né la ricerca e sviluppo di modelli migliori in senso tradizionale possono risolvere questo problema, per quanto impegno vi si dedichi. Metodi come l’analisi delle scorte di sicurezza dovrebbero gestire l’incertezza, ma in pratica la considerano solo a posteriori. Nella supply chain i costi dipendono dagli eventi estremi: una domanda inaspettatamente alta genera rotture di stock e clienti frustrati; una domanda inaspettatamente bassa genera scorte invendibili e costose svalutazioni. Come sanno tutti i dirigenti, bisogna sperare nel meglio e prepararsi al peggio. Quando la domanda coincide con le attese, tutto procede bene. La sfida non è ottenere buoni risultati nei casi facili, dove basterebbe persino una media mobile approssimativa, ma gestire quelli difficili, che sconvolgono la 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.
Le previsioni probabilistiche offrono un modo completamente nuovo di guardare al futuro. Anziché illudersi che i valori previsti debbano realizzarsi, ricordano che tutto resta possibile, ma non ugualmente probabile. Per prepararsi al peggio, consentono quindi di bilanciare quantitativamente i rischi, che le previsioni tradizionali non vedono.
Negli approcci previsionali tradizionali l’analisi del rischio arriva spesso solo dopo; con le previsioni probabilistiche, Lokad la mette al centro.
Dal punto di vista del professionista
Le previsioni probabilistiche possono sembrare complesse e molto tecniche. Se lavori nella supply chain, però, probabilmente le usi in modo intuitivo da anni: pensa alle volte in cui hai rivisto una previsione al rialzo o al ribasso perché i rischi erano troppo elevati. È proprio questo il punto: ponderare correttamente le decisioni reali di fronte a un futuro incerto. Negli approcci tradizionali l’analisi del rischio arriva spesso solo dopo; con le previsioni probabilistiche, Lokad la mette al centro.
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 riguarda spesso molti prodotti movimentati tra numerose sedi. Le soluzioni previsionali tradizionali fanno largo affidamento su interventi manuali quando emergono andamenti statistici complessi, come quelli legati a nuovi prodotti o al ciclo di vita dei prodotti. L’esperienza di Lokad indica però che, se una soluzione richiede messa a punto, questa non finisce mai: per quante settimane o mesi di lavoro si dedichino a farla funzionare, servono sempre ulteriori regolazioni. I prodotti e le sedi sono troppi, e l’attività 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 è richiesta alcuna messa a punto manuale delle 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. Altri matematici l’hanno sviluppata per problemi molto diversi, come prevedere i prezzi delle materie prime o il tempo meteorologico. Non l’abbiamo nemmeno utilizzata fin dall’inizio: siamo passati prima dalla previsione classica (2008), dalla previsione per quantili (2012) e dalle griglie di quantili (2015).
Le previsioni probabilistiche sono quindi la 4ª generazione della nostra tecnologia previsionale. L’esperienza delle versioni precedenti ci ha dato competenze approfondite nella progettazione di un motore capace di coprire un’ampia varietà di situazioni aziendali.
L’idea di stimare probabilità anziché una media risale ai nostri primi anni, quando cercavamo ancora di far funzionare l’approccio classico. Sono serviti molti fallimenti per capire che era intrinsecamente difettoso e che nessuno sforzo di ricerca e sviluppo poteva compensare un impianto statistico sbagliato. Per far funzionare il modello bisognava prima correggere quell’impianto.
Inoltre, ogni iterazione del nostro motore previsionale è stata una generalizzazione, dal punto di vista matematico, della versione precedente: ogni nuova generazione gestisce più situazioni di quella passata. È meglio essere approssimativamente corretti che esattamente sbagliati. I casi più difficili si presentano quando il motore non è abbastanza espressivo da formulare le previsioni adatte a una situazione aziendale, oppure da elaborare i dati di input che permetterebbero di ricavarne informazioni statistiche rilevanti. Per Lokad, il lavoro sulla previsione continua. Siamo orgogliosi del nostro motore di previsioni probabilistiche, ma i nostri sforzi non finiscono qui. A differenza delle soluzioni on-premise, dove passare a un nuovo strumento è una sfida a sé stante, i clienti di Lokad beneficiano del motore di nuova generazione non appena è 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 i modelli da utilizzare?
Scegliere il modello giusto o la giusta combinazione convessa di modelli è metà del lavoro necessario per ottenere una buona previsione. Dal punto di vista statistico, un sistema che selezionasse sempre il modello “migliore” sarebbe strettamente equivalente a uno che scegliesse sempre previsioni “perfette”. In pratica, il nostro motore si basa ampiamente sul backtesting per individuare il migliore insieme 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.
Come gestite le rotture di stock e le promozioni?
Sia le rotture di stock sia le promozioni introducono una distorsione nelle vendite storiche. Poiché vogliamo prevedere la domanda, non le vendite, dobbiamo tenerne conto. Un metodo frequente, ma scorretto, riscrive lo storico per colmare i vuoti e troncare i picchi. Lo rifiutiamo perché fornisce previsioni come input al motore previsionale e può causare gravi problemi di sovradattamento. Il nostro motore gestisce invece in modo nativo indicatori che segnalano dove la domanda è stata censurata o gonfiata.
Formulate previsioni per prodotti nuovi?
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 modificarle non è mai una buona idea. Se servono correzioni, probabilmente c’è un errore nel motore da risolvere. Se non c’è alcun errore e le previsioni funzionano come atteso dal punto di vista statistico, modificarle è probabilmente la risposta sbagliata. Di solito, questa esigenza segnala un fattore economico da considerare nell’analisi del rischio basata sulla previsione, senza modificare la previsione stessa.
Avete 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.