Previsione con le griglie dei quantili (2015)

Le griglie dei quantili rappresentano un miglioramento radicale rispetto ai metodi classici di previsione ogni volta che è coinvolto l’inventario. Sono anche superiori alle previsioni dei quantili perché forniscono molte più informazioni sul futuro. I metodi di previsione tradizionali funzionano male, specialmente 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 nel farlo. Tentare disperatamente di correggere le previsioni classiche nella speranza che la domanda futura “corretta” venga prevista è illusorio. Le griglie dei quantili assumono un atteggiamento completamente diverso su questa questione.

Con le griglie dei 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 estremamente più redditizi rispetto alle previsioni classiche.

Introduzione per i non statistici

Mentre stai leggendo queste righe, se non sei uno statistico, potresti chiederti se la tua azienda ha qualche possibilità di riuscire a fare qualcosa di sensato con queste cosiddette “griglie dei 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 dei quantili con previsioni che funzionano effettivamente, e questo basta. La stragrande 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 cosa 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 conoscere 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 in realtà sono quasi mezzo secolo vecchi; 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 attuali. 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 su queste prospettive che Lokad ha esplorato ampiamente. Le Griglie Quantili rappresentano la terza versione della tecnologia di previsione di Lokad, ma torniamo indietro di alcuni anni per avere un 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 di ricerca e sviluppo da parte del team di Lokad, l’approccio classico si è rivelato un vicolo cieco. Non siamo mai riusciti a soddisfare pienamente nessun cliente con le previsioni classiche. Man mano che abbiamo appreso di più sulle esperienze dei nostri clienti con altri fornitori di previsioni, 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 delle previsioni era disfunzionale; e abbiamo deciso di fare qualcosa a riguardo.

Nel 2012, Lokad ha rilasciato la seconda versione della sua tecnologia di previsione chiamata Previsioni Quantili. In parole semplici, le previsioni quantili 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 la mancanza di magazzino e una domanda inaspettatamente bassa che causa un inventario morto. Ciò che accade nel mezzo quando la domanda futura è approssimativamente “come previsto” ha scarso rilievo 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 quantili affrontano direttamente la sfida 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. Sebbene le previsioni quantili fossero 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, ci siamo resi conto 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 ci siamo resi conto 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 impressionante, 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 al crollo dei prezzi delle risorse di calcolo nel cloud.

Considerare l’intera distribuzione di probabilità della domanda

La domanda futura è incerta. Ogni 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 il livello esatto della domanda futura, questo è piuttosto illusorio. Quando le persone cercano di gestire una previsione errata, è molto tentante cercare di “correggere” questa previsione. Purtroppo, 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 inizialmente.

Le griglie dei quantili adottano un approccio molto diverso: per ogni prodotto, Lokad calcola le probabilità rispettive di ogni singolo livello di domanda futura. Invece di cercare di mantenere l’illusione che la domanda futura sia nota, le griglie dei quantili 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 (di solito l’orizzonte di previsione deve corrispondere al tempo di consegna) 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: valutare le probabilità di determinati risultati e coprire le scommesse rispetto alla propria attività al fine di essere ben preparati quando si affrontano gli scenari più rilevanti. Dal punto di vista del motore di previsione, poiché non sappiamo in anticipo quali scenari sarebbero i “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 dei quantili produrrebbero un elenco enorme con 100.000 voci che non sembra pratico da elaborare. Arriviamo a questo punto nella sezione successiva.

Dare priorità alle decisioni della supply chain

Per ogni decisione di acquisto, possiamo scrivere un semplice calcolo approssimativo, 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 avviare un lotto di produzione in un contesto industriale. Una volta ottenute tutte le probabilità associate a tutti i risultati futuri, è possibile creare un elenco completo di priorità di tutte le decisioni di acquisto. Infatti, per ogni decisione di acquisto, possiamo scrivere un semplice calcolo approssimativo, la formula “risultato”: assumendo che la domanda sarà di D unità e assumendo che acquistiamo P unità, il risultato finanziario sarà X. Non è necessario 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 ottenuta questa formula, per ogni decisione della supply chain, come “acquistare 1 unità del prodotto Z”, i risultati possono essere confrontati con le probabilità di ogni possibile futuro. Facendo ciò, 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 prioritario di acquisto principale. È un elenco in cui ogni prodotto appare su numerose righe. Infatti, mentre l’acquisto di 1 unità del prodotto Z potrebbe essere la decisione di acquisto con il punteggio più alto (nota anche come l’acquisto più urgente), l’acquisto della successiva unità del prodotto Z potrebbe essere solo la 20esima decisione di acquisto più urgente, con molte altre unità di altri prodotti da acquistare nel frattempo.

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

Meglio che regolare i livelli di servizio

Trovare i livelli di servizio “ottimali”, ovvero le probabilità desiderate di non avere una carenza di scorte, è un esercizio molto difficile. Questa è una questione complessa perché i livelli di servizio sono solo indirettamente correlati alle prestazioni finanziarie di un’azienda. Infatti, per alcuni prodotti, ottenere un ulteriore punto percentuale di livello di servizio può rivelarsi estremamente costoso e quindi, se le risorse sono facilmente disponibili, dovrebbero piuttosto essere allocate su altri prodotti, dove lo stesso livello di investimento produrrebbe non il 1% ma un ulteriore 10% di livello di servizio.

Con le Griglie Quantili utilizzate come elenco prioritario di acquisto principale, 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 alla lista. Al contrario, 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 alla lista solo quando le scorte sono pericolosamente basse e quando un’azienda è quasi garantita di non finire con scorte invendute nonostante modelli di domanda molto erratici. L’elenco prioritario risolve anche il problema dei vincoli di liquidità. Non importa dove si trovi la tua azienda per quanto riguarda il denaro contante, l’elenco prioritario ti offre un’opzione gestibile. Se hai molto poco denaro disponibile, la tua azienda acquista solo ciò che è in cima all’elenco, mantenendo i livelli di scorta solo per quei prodotti che hanno disperatamente bisogno di essere riforniti. Se hai denaro aggiuntivo a disposizione, la tua azienda ha quindi la possibilità di aumentare il suo inventario concentrandosi su articoli che stimoleranno la crescita maggiormente mantenendo sotto controllo i rischi di inventario.

Inserimento dei vincoli della supply chain

Le aziende devono frequentemente affrontare vincoli di approvvigionamento 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 tramite un elenco prioritario di acquisto principale come descritto sopra; questo non solo fornisce suggerimenti di acquisto prioritizzati, ma fornisce anche raccomandazioni compatibili con i vincoli di ordinazione.

Il processo esatto da seguire dipende dal tipo effettivo di vincoli che un’azienda può avere. Prendiamo ad esempio le spedizioni in 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 dagli altri. Sulla base di questi volumi cumulativi, il processo di scorrimento dell’elenco fino a quando non si raggiunge la capacità del container di destinazione è molto semplice. Allo stesso modo, se esiste un vincolo di quantità minima d’ordine 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.

Impostando l’acquisto su un minimo di N unità, la competitività dell’SKU viene degradata, ovvero l’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 minime d’ordine. In particolare, questo approccio affronta completamente le sfide di lunga data che hanno avuto conseguenze negative sia per le previsioni classiche che per le previsioni 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 ad andare? 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 prioritario di acquisto, è sufficiente seguire l’ordine dell’elenco.