Previsione con griglie di quantili (2015)

Le griglie di quantili rappresentano un miglioramento radicale rispetto ai metodi di previsione classici ogni volta che è coinvolto l’inventario. Sono anche superiori alle previsioni di quantili perché forniscono molte più informazioni sul futuro. I metodi di previsione tradizionali funzionano male, soprattutto per il commercio. La causa principale di questo problema è semplice: il futuro è incerto. Le previsioni classiche cercano di prevedere il valore corretto della domanda futura, e, beh, falliscono. Cercare disperatamente di correggere le previsioni classiche nella speranza che la domanda futura “corretta” venga prevista è illusorio. Le griglie di quantili adottano un approccio completamente diverso a questo problema.

Con le griglie di quantili, Lokad non prevede un solo valore di domanda futura per un determinato prodotto, ma l’intera distribuzione di probabilità per la domanda; ovvero la probabilità di avere una domanda di zero unità, poi una unità, poi due unità, ecc. Queste informazioni sono molto più ricche e possono essere sfruttate in modi che sono estremamente più redditizi rispetto alle previsioni classiche.

Introduzione per il non-statistico

Mentre stai leggendo queste righe, se non sei uno statistico, potresti chiederti se la tua attività ha qualche possibilità di riuscire a fare qualcosa di sensato con queste cosiddette “griglie di quantili”. Questo suona più come un buon titolo per una tesi di dottorato in statistica moderna piuttosto che un mezzo pratico di previsione. Beh, se pensi che questo termine sia intimidatorio, sostituisci mentalmente griglie di quantili con previsioni che funzionano effettivamente, e questo basterà. La grande maggioranza delle aziende che utilizzano Lokad non ha alcuna competenza in statistica. Il filtro antispam associato alla tua casella di posta utilizza anche statistiche avanzate, e non serve un dottorato di ricerca per utilizzare una casella di posta.

Lokad sta facendo sostanzialmente la stessa cosa per il commercio. Stiamo sfruttando l’apprendimento automatico avanzato per rendere la tua azienda più redditizia, e la tecnologia che sta dietro è così avanzata che in realtà non devi preoccuparti molto di essa.

Di seguito, descriviamo ciò che accade dietro le quinte di Lokad, ma sii certo che puoi utilizzare Lokad anche se non hai una comprensione completa di ciò che entra nel nostro motore di previsione, proprio come puoi utilizzare un filtro antispam senza essere familiare con l’inferenza probabilistica bayesiana.

Ripensare la previsione per il commercio

Molti fornitori vantano l’uso di metodi di previsione “avanzati” come ARIMA, Box-Jenkins e Holt-Winters che sono in realtà vicini a essere vecchi di mezzo secolo; sono stati tutti concepiti in un’epoca in cui i computer aziendali più potenti avevano meno potenza di elaborazione rispetto alla maggior parte dei frigoriferi di oggi. Le persone che hanno inventato questi metodi erano eccezionalmente intelligenti, ma dovevano fare i conti con le risorse di calcolo del loro tempo e quindi hanno dato la preferenza a modelli che potevano essere calcolati con pochissimi calcoli. Oggi possiamo utilizzare enormi quantità di potenza di calcolo per le nostre sfide di previsione a un costo molto basso.

Tieni presente che 1000 ore di potenza di calcolo costano meno di $50 quando si utilizza una piattaforma di cloud computing. Ovviamente, questo apre prospettive radicalmente nuove per la previsione, ed è esattamente queste prospettive che Lokad ha esplorato ampiamente. Le Griglie Quantili rappresentano la terza versione della tecnologia di previsione di Lokad, ma andiamo indietro di qualche anno per avere l’immagine completa. Abbiamo iniziato con le previsioni classiche nel 2008 come prima versione della nostra tecnologia di previsione, e nonostante tre anni di enormi sforzi di R&S da parte del team di Lokad, l’approccio classico si è rivelato un vicolo cieco. Non siamo mai riusciti a soddisfare profondamente nessun cliente con le previsioni classiche. Man mano che abbiamo appreso di più sull’esperienza dei nostri clienti con altri fornitori di previsione, è emerso che non c’era un’azienda che fosse anche lontanamente soddisfatta della tecnologia di previsione che aveva acquisito. Questo problema non era specifico di Lokad, e abbiamo capito che l’intera industria della previsione era disfunzionale; e abbiamo deciso di fare qualcosa al riguardo.

Nel 2012, Lokad ha rilasciato la seconda versione della sua tecnologia di previsione denominata Previsioni Quantiliche. In poche parole, le previsioni quantiliche affrontano il problema n. 1 che affligge le previsioni classiche: le previsioni classiche semplicemente non guardano al problema giusto.

Infatti, la sfida per le aziende è quella di evitare due estremi: una domanda inaspettatamente alta che causa la mancanza di magazzino e una domanda inaspettatamente bassa che causa l’inventario morto. Ciò che accade nel mezzo quando la domanda futura è approssimativamente “come previsto” ha scarso valore dal punto di vista aziendale.

Tuttavia, le previsioni classiche, le previsioni medie o mediane, ignorano completamente queste situazioni “estreme” e si concentrano interamente sul caso medio. Non sorprende che le previsioni classiche falliscano nel prevenire sia la mancanza di magazzino che l’inventario morto. Le previsioni quantiliche affrontano il problema direttamente e guardano direttamente allo scenario di interesse, ad esempio evitare la mancanza di magazzino, e si sforzano di fornire una risposta precisa a questo stesso problema. Improvvisamente nel 2012, abbiamo iniziato ad avere sempre più clienti soddisfatti. Per la prima volta nella storia di Lokad, più di 3 anni dopo il lancio dell’azienda, avevamo qualcosa che funzionava.

Nel 2015, Lokad ha rilasciato la terza versione della sua tecnologia di previsione, le griglie quantili. Mentre le previsioni quantiliche erano già un miglioramento radicale rispetto alle previsioni classiche, avevano ancora i loro punti deboli. Man mano che acquisivamo sempre più esperienza con decine di implementazioni della nostra tecnologia di previsione quantilica, abbiamo capito che sebbene l’idea di produrre una previsione per un solo scenario aziendale fosse valida, non era del tutto completa. Perché solo questo scenario? Perché non un secondo scenario, o un terzo? La gestione manuale di più scenari si è rivelata noiosa, e abbiamo capito che tutti gli scenari dovrebbero essere previsti contemporaneamente. Dal punto di vista del calcolo, questo era significativamente più costoso: per ogni prodotto, avremmo calcolato le rispettive probabilità di (quasi) ogni singolo livello di domanda. Tuttavia, mentre la quantità di calcoli coinvolti sembra sorprendente, i prezzi delle risorse di calcolo sono anche in caduta libera nel corso degli anni. E ciò che avremmo considerato troppo costoso 5 anni fa, ora era molto accessibile. Nel 2015, Lokad ha rilasciato la terza versione della sua tecnologia di previsione, le griglie quantili. Pur essendo estremamente intensivo dal punto di vista del calcolo, le griglie quantili sono ora accessibili grazie alla caduta libera delle risorse di calcolo del cloud.

Prendere l’intera distribuzione di probabilità della domanda

La domanda futura è incerta. Qualsiasi tentativo di rappresentare la domanda futura con un solo valore è un po’ ingenuo perché, per quanto questo valore possa essere buono, non può mai raccontare l’intera storia. Sebbene sarebbe bello avere un sistema “magico” in grado di prevedere l’esatto livello di domanda futura, questo è abbastanza illusorio. Quando le persone cercano di gestire una previsione che è scorretta, è molto tentante cercare di “correggere” questa previsione. Sfortunatamente, la previsione statistica è in gran parte controintuitiva, e la realtà è che spesso non c’è nulla da correggere: il valore previsto è uno dei risultati perfettamente validi e possibili per la domanda futura.

Il sistema può essere eventualmente ottimizzato leggermente per produrre valori leggermente più probabili per la domanda futura, ma questo è tutto. La tua azienda finisce per ottenere solo valori leggermente più probabili per la domanda futura, il che non comporta un aumento dell’attività commerciale che ci si sarebbe aspettati in primo luogo.

Le griglie di quantili adottano un approccio molto diverso: per ogni prodotto, Lokad calcola le rispettive probabilità di ogni singolo livello di domanda futura. Invece di cercare di mantenere l’illusione che la domanda futura sia nota, le griglie di quantili esprimono direttamente le probabilità associate a molti futuri possibili.

Ad esempio, se consideriamo un prodotto venduto raramente con un tempo di attesa di 2 settimane, la distribuzione della domanda nelle prossime 2 settimane (di solito l’orizzonte di previsione deve corrispondere al tempo di attesa) per questo prodotto può essere rappresentata come segue:

Pensare al futuro da una prospettiva completamente probabilistica potrebbe sembrare complicato, ma in realtà rappresenta ciò che ogni dirigente aziendale sta già facendo, sebbene in modo meno formale: pesare le probabilità di determinati risultati e coprire le scommesse rispetto alla loro attività per essere ben preparati quando si affrontano gli scenari più rilevanti. Dal punto di vista del motore di previsione, poiché non sappiamo in anticipo quali sarebbero gli scenari “più rilevanti”, la soluzione logica, sebbene un po’ brutale, consiste nel processare tutti gli scenari possibili. Tuttavia, supponendo che un’azienda abbia mille prodotti da prevedere (e alcuni dei nostri clienti hanno milioni di SKU con cui fare i conti), e che Lokad calcoli le probabilità associate a 100 scenari per ogni prodotto, le griglie di quantili produrrebbero un enorme elenco con 100.000 voci che non sembra pratico da elaborare. Arriviamo a questo punto nella sezione seguente.

Priorità delle decisioni della supply chain

Per ogni decisione di acquisto, possiamo scrivere una semplice formula “risultato” sul retro della busta, la formula “risultato” che dipende dalla domanda futura rispetto alla decisione di acquisto attuale. Quindi, ogni singola decisione può essere valutata in base alla rispettiva probabilità di ogni livello di domanda futura.

Le previsioni della domanda sono comunemente utilizzate per guidare le decisioni della supply chain, come ad esempio effettuare ordini di acquisto per il commercio o attivare un lotto di produzione in un contesto industriale. Una volta che abbiamo tutte le probabilità associate a tutti i risultati futuri, è possibile costruire un elenco completo di priorità di tutte le decisioni di acquisto. Infatti, per ogni decisione di acquisto, possiamo scrivere una semplice formula “risultato” sul retro della busta: assumendo che la domanda sarà di D unità e assumendo che acquistiamo P unità, quindi il risultato finanziario sarà X. Inutile dire che Lokad è qui per aiutarti a scrivere questa breve formula, che per la maggior parte delle aziende si riduce al margine lordo meno il costo dell’inventario e meno il costo delle scorte esaurite. Di conseguenza, una volta che abbiamo questa formula, per ogni decisione della supply chain, come “acquistare 1 unità di prodotto Z”, i risultati possono essere pesati contro le probabilità di ogni singolo futuro possibile. Facendo questo, calcoliamo il “punteggio” di ogni possibile decisione.

Una volta che ogni decisione è stata valutata, è possibile classificare tutte queste decisioni, mettendo le opzioni più redditizie in cima all’elenco. Ci riferiamo a questo elenco come elenco principale di priorità di acquisto. È un elenco in cui ogni prodotto appare su numerose righe. Infatti, mentre l’acquisto di 1 unità di prodotto Z potrebbe essere la decisione di acquisto più importante (nota anche come l’acquisto più urgente), l’acquisto della successiva unità di prodotto Z potrebbe essere solo la 20esima decisione di acquisto più importante, con molte altre unità di altri prodotti da acquistare in mezzo.

L’elenco principale risponde a una domanda molto semplice: se l’azienda ha un dollaro in più da spendere nel suo inventario, dove dovrebbe andare questo dollaro per primo? Beh, questo dollaro dovrebbe andare all’articolo che dà alla tua azienda il massimo dei rendimenti. Quindi, una volta acquisito questo particolare articolo, si può ripetere la stessa domanda. Tuttavia, questa volta, una volta acquisita questa unità in più, il prossimo articolo più redditizio da acquistare sarà probabilmente diverso poiché ci sono forti rendimenti decrescenti nell’accumulare l’articolo stesso all’interno del tuo stock. Infatti, più inventario hai, meno il tuo inventario ruota e più alte sono le tue probabilità di rimanere bloccato con un inventario morto. Queste questioni sono naturalmente riflesse nella formula “risultato” e nella conseguente prioritizzazione dell’elenco.

Meglio che regolare i livelli di servizio

Capire i livelli di servizio “ottimali”, ovvero le probabilità desiderate di non avere una scorta esaurita, è un esercizio molto difficile. Questo è un problema complesso perché i livelli di servizio sono solo indirettamente correlati alle prestazioni finanziarie di un’azienda. Infatti, per alcuni prodotti, ottenere un punto percentuale in più di livello di servizio può rivelarsi enormemente costoso e quindi, se le risorse sono prontamente disponibili, dovrebbero essere allocate su altri prodotti, dove lo stesso livello di investimento produrrebbe non il 1% ma un extra del 10% di livello di servizio.

Con Quantile Grids utilizzati come elenco principale di priorità di acquisto, non è nemmeno necessario preoccuparsi dei livelli di servizio poiché questi sono nativamente riflessi nella prioritizzazione stessa.

Se il livello di servizio di un prodotto ad alto margine può essere aumentato a basso costo, questo prodotto sale naturalmente in cima all’elenco. Inversamente, se un prodotto soffre di vendite estremamente erratiche che rendono estremamente costosi tutti i tentativi di aumentare il livello di servizio, allora questo prodotto salirà in cima all’elenco solo quando le scorte stanno per esaurirsi e quando un’azienda è quasi garantita di non finire con scorte morte nonostante modelli di domanda molto erratici. L’elenco di priorità risolve anche il problema dei vincoli di cassa. Indipendentemente da dove si trova la tua azienda per quanto riguarda il denaro contante, l’elenco di priorità ti offre un’opzione gestibile. Se hai pochissimi soldi a disposizione, la tua azienda acquista solo ciò che si trova in cima all’elenco, mantenendo i livelli di scorta solo di quei prodotti che hanno disperatamente bisogno di essere riforniti. Se hai denaro aggiuntivo a disposizione, la tua azienda ha quindi l’opzione di aumentare il suo inventario concentrando l’attenzione su elementi che guideranno la maggior parte della crescita mantenendo sotto controllo i rischi di inventario.

Iniettare i vincoli della supply chain

Le aziende devono frequentemente affrontare vincoli di fornitura come quantità minime d’ordine sia a livello di SKU che a livello di ordine. A volte, le unità devono essere raccolte in grandi lotti come i container. Tali vincoli possono essere naturalmente integrati nei processi di lavoro di uno tramite un elenco principale di priorità di acquisto come descritto sopra; ciò non solo fornisce suggerimenti di acquisto prioritari, ma fornisce anche raccomandazioni compatibili con i propri vincoli di ordinazione.

Il processo esatto da seguire dipende dal tipo effettivo di vincoli che un’attività commerciale può avere. Prendiamo ad esempio le spedizioni di container. Lokad può calcolare i volumi cumulativi per fornitore, assumendo che le linee di acquisto siano elaborate nell’ordine dell’elenco e assumendo che ogni fornitore stia spedendo indipendentemente dall’altro. In base a questi volumi cumulativi, il processo di scorrimento dell’elenco fino a quando non si raggiunge la capacità del contenitore di destinazione è molto semplice. Allo stesso modo, se esiste un vincolo di quantità d’ordine minima per un determinato SKU, in questo caso è anche facile rimuovere dall’elenco tutte le linee che vengono prima che il vincolo sia soddisfatto e segnalare le quantità direttamente alla prima linea una volta che il vincolo è soddisfatto.

Forzando l’acquisto a un minimo di N unità, la competitività dello SKU viene degradata, ovvero lo SKU appare per la prima volta nell’elenco a un rango inferiore, che è esattamente il comportamento desiderato poiché i rischi di inventario aumentano con le quantità d’ordine minime. In particolare, questo approccio affronta completamente le sfide di lunga data che avevano conseguenze negative sia per le previsioni classiche che per quelle quantili: cosa fare quando le quantità di riordino suggerite sono superiori o inferiori ai vincoli di ordinazione? Se alcune unità devono essere rimosse, quali prodotti dovrebbero essere i primi a partire? Se le unità devono essere aggiunte, quali prodotti dovrebbero essere acquistati in quantità maggiori? I vecchi metodi di previsione non fornivano risposte soddisfacenti a queste domande. Con un elenco di acquisto prioritario, basta seguire l’ordine dell’elenco.