Previsione con Quantile Grids (2015)

I quantile grids rappresentano un miglioramento significativo rispetto alle previsioni classiche o quantiliche ogni qualvolta l’inventario sia coinvolto. Tuttavia le previsioni probabilistiche superano di gran lunga i quantile grids.
grids/graph-quantile-grids

I Quantile Grids rappresentano un miglioramento radicale rispetto ai metodi di previsione classica ogni volta che l’inventario è coinvolto. Sono inoltre superiori alle previsioni quantiliche perché forniscono molte più informazioni sul futuro. I metodi di previsione tradizionali funzionano male, specialmente nel commercio. La causa principale di questo problema è semplice: il futuro è incerto. Le previsioni classiche cercano di prevedere l’unico valore corretto della domanda futura e, beh, falliscono. Tentare disperatamente di correggere le previsioni classiche nella speranza di prevedere la domanda futura “corretta” è illusorio. I quantile grids adottano un approccio completamente diverso su questo problema.

Con i quantile grids, Lokad non prevede un singolo valore di domanda futura per un dato prodotto, ma l’intera distribuzione di probabilità della domanda; cioè la probabilità di avere una domanda di zero unità, poi una unità, poi due unità, ecc. Queste informazioni sono immensamente più ricche e possono essere sfruttate in modi decisamente più redditizi rispetto alle previsioni classiche.

Introduzione per il non statistico

Mentre leggi queste righe, se non sei uno statistico, potresti chiederti se la tua azienda abbia qualche possibilità di riuscire a fare qualcosa di sensato con questi cosiddetti “quantile grids”. Sembra più un buon titolo per una tesi di dottorato in statistica moderna piuttosto che un mezzo pratico di previsione. Beh, se ritieni che questo termine sia intimidatorio, sostituisci mentalmente quantile grids con previsioni che funzionano davvero, e andrà bene. La stragrande maggioranza delle aziende che usano Lokad non possiede competenze statistiche. Il filtro antispam associato alla tua casella di posta utilizza anch’esso statistiche avanzate, e non serve un dottorato per usarla.

Lokad fa grosso modo lo stesso per il commercio. Sfruttiamo l’apprendimento automatico avanzato per rendere la tua azienda più redditizia, e la tecnologia che lo supporta è ora così avanzata che in realtà non devi preoccupartene più di tanto.

Di seguito, descriviamo cosa accade dietro le quinte in Lokad, ma stai tranquillo: puoi utilizzare Lokad anche se non comprendi appieno cosa alimenta il nostro motore di previsione – proprio come puoi usare un filtro antispam senza conoscere l’inferenza probabilistica bayesiana.

Ripensare la previsione per il commercio

computer-history
Molti fornitori si vantano di utilizzare metodi di previsione “avanzati” come ARIMA, Box-Jenkins e Holt-Winters che in realtà hanno quasi mezzo secolo; tutti sono stati ideati in un’epoca in cui i computer aziendali più potenti avevano meno capacità di elaborazione di quanto ne abbiano oggi la maggior parte dei frigoriferi. Le persone che hanno inventato questi metodi erano eccezionalmente intelligenti, ma dovevano accontentarsi delle risorse informatiche del loro tempo e quindi hanno privilegiato modelli che potessero essere calcolati con pochissimi calcoli. Oggi, possiamo utilizzare enormi quantità di potenza computazionale per le nostre sfide di previsione a costi molto contenuti.

Tieni presente che 1000 ore di potenza computazionale costano meno di 50$ quando si utilizza una piattaforma di cloud computing. Ovviamente, questo apre prospettive radicalmente nuove per la previsione, ed è esattamente su queste prospettive che Lokad ha concentrato i suoi studi. I Quantile Grids rappresentano la terza versione della tecnologia di previsione di Lokad, ma torniamo indietro di qualche anno per avere il quadro completo. Abbiamo iniziato con le previsioni classiche nel 2008 come prima versione della nostra tecnologia di previsione, e nonostante tre anni di enormi sforzi in R&S da parte del team di Lokad, l’approccio classico si è rivelato un vicolo cieco. Non siamo mai riusciti a soddisfare profondamente un cliente con le previsioni classiche. Quando abbiamo appreso delle esperienze dei nostri clienti con altri fornitori di previsioni, si è scoperto che non c’era una singola azienda nemmeno vicina ad essere soddisfatta della tecnologia di previsione acquisita. Questo problema non era specifico di Lokad, e abbiamo compreso che l’intera industria della previsione era disfunzionale; e abbiamo deciso di fare qualcosa a riguardo.

Nel 2012, Lokad ha rilasciato la seconda versione della sua tecnologia di previsione con il nome in codice Quantile Forecasts. In parole povere, le previsioni quantiliche affrontano il problema numero 1 che affligge le previsioni classiche: le previsioni classiche semplicemente non considerano il problema giusto.

Infatti, la sfida per le aziende è evitare due estremi: una domanda inaspettatamente alta che causa esaurimenti di stock, e una domanda inaspettatamente bassa che genera inventario invenduto. Quello che accade nel mezzo, quando la domanda futura è all’incirca “come previsto”, ha ben poca importanza dal punto di vista commerciale.

Eppure, le previsioni classiche, che siano medie o mediane, ignorano completamente queste situazioni “estreme” e si concentrano interamente sul caso medio. Non sorprende che le previsioni classiche non riescano a prevenire né esaurimenti di stock né inventario invenduto. Le previsioni quantiliche affrontano la sfida in prima persona, osservando direttamente lo scenario di interesse, ad esempio evitando esaurimenti di stock, e si sforzano di fornire una risposta precisa a questo problema. Improvvisamente, nel 2012, abbiamo iniziato ad avere clienti sempre più 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, i quantile grids. Sebbene le previsioni quantiliche fossero già un miglioramento radicale rispetto alle previsioni classiche, presentavano ancora delle debolezze. Con l’esperienza acquisita attraverso dozzine di implementazioni della nostra tecnologia di previsione quantilica, ci siamo resi conto che, pur essendo valida l’idea di produrre una previsione per un unico scenario aziendale, essa non era del tutto completa. Perché solo questo scenario? Perché non un secondo scenario, o un terzo? Gestire manualmente scenari multipli si è rivelato noioso, e ci siamo accorti che tutti gli scenari dovessero essere previsti simultaneamente. Dal punto di vista computazionale, ciò risultava significativamente più costoso: per ogni prodotto, calcolavamo le rispettive probabilità di (quasi) ogni livello di domanda. Tuttavia, mentre la quantità di calcoli coinvolti appare impressionante, anche i prezzi delle risorse computazionali sono in caduta libera negli anni. E ciò che cinque anni fa avremmo considerato troppo costoso, ora è diventato molto accessibile. Nel 2015, Lokad ha rilasciato la terza versione della sua tecnologia di previsione, i quantile grids. Pur essendo estremamente intensivi dal punto di vista computazionale, i quantile grids sono ora accessibili grazie al crollo dei prezzi delle risorse di cloud computing.

Considerare l’intera distribuzione di probabilità della domanda

indecision
La domanda futura è incerta. Qualsiasi tentativo di rappresentare la domanda futura con un solo valore è alquanto ingenuo, perché non importa quanto questo valore possa essere buono, non potrà mai raccontare tutta la storia. Sarebbe bello avere un sistema “magico” in grado di prevedere il livello esatto della domanda futura, ma anche questo è alquanto illusorio. Quando le persone cercano di affrontare una previsione errata, è molto allettante tentare di “aggiustarla”. Purtroppo, la previsione statistica è per sua natura fortemente controintuitiva, e la realtà è che spesso non c’è nulla da aggiustare: il valore previsto è uno degli esiti perfettamente validi e possibili per la domanda futura.

Il sistema può essere eventualmente ottimizzato un po’ per produrre valori leggermente più probabili per la domanda futura, ma è tutto qui. La tua azienda finisce per ottenere soltanto valori leggermente più probabili per la domanda futura, il che non comporta un incremento dell’attività commerciale che ci si sarebbe aspettati inizialmente.

I Quantile Grids 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, i quantile grids esprimono direttamente le probabilità associate a molti futuri possibili.

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

Domanda Probabilità
0 unità 55%
1 unità 20%
2 unità 14%
3 unità 7%
4 unità 3%
5 unità 0% (arrotondato)

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: valutare le probabilità di certi esiti e proteggersi dalle eventualità, in modo da essere ben preparati ad affrontare gli scenari più rilevanti. Dal punto di vista del motore di previsione, poiché non conosciamo in anticipo quali saranno gli scenari “più rilevanti”, la soluzione logica – seppur alquanto drastica – consiste nell’elaborare tutti gli scenari possibili. Tuttavia, supponendo che un’azienda abbia mille prodotti da prevedere (e alcuni dei nostri clienti ne gestiscono milioni di SKU), e che Lokad calcoli le probabilità associate a 100 scenari per ogni prodotto, i quantile grids produrrebbero un elenco enorme con 100.000 voci, il che non sembra pratico da elaborare. Arriviamo a questo punto nella sezione seguente.

Dare priorità alle decisioni della supply chain

Per ogni decisione d’acquisto, possiamo scrivere un semplice calcolo sommario, la formula “outcome” che dipende dalla domanda futura rispetto alla decisione d’acquisto attuale. In seguito, ogni decisione può essere valutata in base alla rispettiva probabilità di ogni livello di domanda futura.

purchase_priority_screenshot
Le previsioni della domanda sono utilizzate prevalentemente per guidare le decisioni della supply chain, come l’effettuazione degli ordini di acquisto per il commercio o l’attivazione di un lotto di produzione in ambito industriale. Una volta ottenute tutte le probabilità associate a ciascun esito futuro, è possibile costruire un elenco completo di priorità di tutte le decisioni d’acquisto. Infatti, per ogni decisione d’acquisto possiamo scrivere un semplice calcolo sommario, la formula “outcome”: supponendo che la domanda sia di D unità e che vengano acquistate P unità, l’esito 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 degli stock-out. Di conseguenza, una volta ottenuta questa formula, per ogni decisione della supply chain, come “acquistare 1 unità del prodotto Z”, gli esiti possono essere valutati in funzione delle probabilità di ogni possibile futuro. Facendo ciò, calcoliamo lo “score” di ogni possibile decisione.

Una volta valutata ogni decisione, è possibile classificarle, mettendo le opzioni più redditizie in cima all’elenco. Ci riferiamo a questo elenco come il master purchase priority list. È una lista in cui ogni prodotto appare in numerose righe. Infatti, mentre acquistare 1 unità del prodotto Z potrebbe essere la decisione d’acquisto più importante (alias la più urgente), l’acquisto della successiva unità di prodotto Z potrebbe essere solo la ventesima decisione d’acquisto più urgente, con molte altre unità di altri prodotti da acquistare nel mezzo.

image-pricing
Il master list risponde a una domanda molto semplice: se l’azienda ha un dollaro in più da spendere per il proprio inventario, dove dovrebbe essere speso per primo? Beh, quel dollaro dovrebbe andare all’articolo che offre il massimo ritorno per la tua azienda. Poi, una volta acquisito quell’articolo, la stessa domanda può essere ripetuta. Tuttavia, questa volta, una volta acquistata quell’unità extra, è probabile che l’articolo successivo più redditizio da acquistare sia diverso, poiché l’effetto dei rendimenti decrescenti penalizza l’accumulo dello stesso articolo in stock. Infatti, più inventario possiedi, meno ruota e maggiori sono le probabilità di rimanere bloccati con inventario invenduto. Questi problemi si riflettono naturalmente nella formula “outcome” e nella conseguente prioritizzazione dell’elenco.

Meglio che modificare i livelli di servizio

Determinare i livelli di servizio “ottimali”, ovvero le probabilità desiderate di non incorrere in stock-out, è un esercizio molto difficile. Si tratta di una questione complessa perché i livelli di servizio sono solo indirettamente correlati alla performance finanziaria di un’azienda. Infatti, per alcuni prodotti, ottenere un extra percento di livello di servizio può rivelarsi estremamente costoso e, pertanto, se le risorse sono disponibili, andrebbero piuttosto allocate su altri prodotti, dove lo stesso livello di investimento garantirebbe non l’1% ma un incremento del 10% del livello di servizio.

Con i Quantile Grids utilizzati come master purchase priority list, non è nemmeno necessario preoccuparsi dei livelli di servizio in quanto sono riflessi in modo nativo nella stessa prioritizzazione.

Se il livello di servizio di un prodotto ad alto margine può essere aumentato a basso costo, questo prodotto naturalmente sale in cima alla lista. Al contrario, se un prodotto soffre di vendite estremamente erratiche che rendono qualsiasi tentativo di aumentare il livello di servizio estremamente costoso, allora quel prodotto salirà in cima alla lista solo quando le scorte saranno pericolosamente basse e quando è quasi garantito che l’azienda non finirà con un inventario morto nonostante modelli di domanda molto erratici. La lista di priorità risolve anche il problema dei vincoli di liquidità. Indipendentemente dalla situazione di liquidità della tua azienda, la lista di priorità ti offre un’opzione gestibile. Se hai pochissima liquidità disponibile, la tua azienda acquista solo ciò che si trova in cima alla lista, mantenendo i livelli delle scorte esclusivamente per quei prodotti che necessitano disperatamente di essere riforniti. Se invece hai liquidità aggiuntiva, la tua azienda ha la possibilità di aumentare il suo inventario concentrandosi su quegli articoli che porteranno la maggiore crescita, mantenendo sotto controllo i rischi legati all’inventario.

Iniettare i vincoli della supply chain

Le aziende devono frequentemente gestire vincoli di fornitura come le quantità minime d’ordine, applicabili sia a livello di SKU sia a livello d’ordine. A volte, le unità devono essere raccolte in grandi lotti, come ad esempio in container. Tali vincoli possono essere integrati in modo naturale nei processi di lavoro tramite una lista di priorità degli acquisti master come descritto sopra; ciò non solo fornisce suggerimenti d’acquisto prioritizzati, ma offre anche raccomandazioni compatibili con i vincoli di ordinazione.

Il processo esatto da seguire dipende dal tipo specifico di vincoli che un’azienda può incontrare. Consideriamo, ad esempio, le spedizioni in container. Lokad può calcolare i volumi cumulativi per fornitore, ipotizzando che le righe d’ordine vengano elaborate nell’ordine della lista e che ogni fornitore spedisca in modo indipendente dagli altri. Sulla base di questi volumi cumulativi, il procedimento di scorrere la lista fino al raggiungimento della capacità container target è molto semplice. Analogamente, se esiste un vincolo di quantità minima d’ordine per uno specifico SKU, in questo caso è altrettanto semplice rimuovere dalla lista tutte le righe che precedono il soddisfacimento del vincolo e riportare le quantità direttamente alla prima riga una volta che il vincolo è stato rispettato.

choix
Forzando l’acquisto a essere impostato su un minimo di N unità, la competitività dello SKU viene degradata, vale a dire che lo SKU compare per la prima volta nella lista a un rango inferiore, esattamente come previsto, poiché i rischi d’inventario aumentano con l’imposizione di quantità minime d’ordine. In particolare, questo approccio affronta completamente le sfide di lunga data che hanno avuto conseguenze negative sia sulle previsioni classiche che su quelle quantili: cosa si dovrebbe fare quando le quantità di riordino suggerite sono superiori o inferiori ai vincoli di ordinazione? Se alcune unità devono essere rimosse, quale prodotto dovrebbe essere eliminato per primo? Se invece è necessario aggiungere unità, quale prodotto dovrebbe essere acquistato in quantità maggiori? I metodi di previsione più vecchi non fornivano risposte soddisfacenti a queste domande. Con una lista di acquisto prioritaria, basta semplicemente seguire l’ordine della lista.