Risultati inaspettati nelle previsioni tradizionali - Software di ottimizzazione delle scorte

Risultati "bizzarri" nelle previsioni tradizionali


Home » Risorse » Qui

Aggiornamento maggio 2016: In questa pagina, ci concentreremo sulle previsioni tradizionali, che generalmente vengono utilizzate quando Lokad è usato allo scopo di ottenere una previsione della domanda, non un'ottimizzazione della gestione di magazzino. Se il tuo intento è quello di ottimizzare le tue scorte, ti consigliamo di passare alle previsioni probabilistiche, strutturate in modo completamente diverso e decisamente più potenti.

La statistica è una scienza controintuitiva. Per questo, il motore di previsione di Lokad, che è un'applicazione web statistica, tende a fornire risultati che possono disorientare. In questo articolo, tenteremo di fare luce sulle previsioni tradizionali, ossia le previsioni giornaliere, settimanali o mensili.

Da dove cominciare

Se sei a questo punto, presumiamo che tu abbia già iniziato a usare Lokad e che abbia già ottenuto il tuo primo rapporto Excel. Se ti stai chiedendo come interpretare alcune colonne del rapporto, ti rimandiamo alla documentazione specifica. Ti raccomandiamo di controllare sempre che i dati inseriti siano corretti, facendo attenzione che i dati storici riportati in Lokad corrispondano ai dati contenuti nei sistemi usati dalla tua azienda.

Backtesting e selezione del modello

Prima di entrare nel vivo e affrontare l'argomento previsioni, riteniamo opportuno riassumere brevemente come vengono prodotte le previsioni con Lokad. Il nostro motore di previsione include una vasta libreria di modelli di previsione, dai più semplici ai più complessi. Per ogni serie temporale, Lokad esegue un backtesting: ritorna, cioè, indietro nel tempo, tronca i dati, genera una nuova previsione con i dati troncati e misura l'accuratezza del risultato. Lo stesso procedimento viene ripetuto per ogni giorno, settimana o mese, a seconda del periodo applicabile per i dati storici in questione.

Per ogni serie temporale e per ogni modello, il motore di previsione ha raccolto una serie di parametri per misurarne l'accuratezza, che gli consentono di selezionare il modello di previsione più accurato. Questo meccanismo di selezione è strettamente connesso alla performance. Ad esempio, non c'è alcun motivo logico per cui al Prodotto X dovrebbe essere applicato un modello stagionale; i modelli stagionali, però, sono presenti nel motore di previsione e, se in un caso particolare si rivelano più affidabili di altri modelli, vengono selezionati.

Previsioni piatte e storico irregolare

I dati storici generalmente tendono a essere relativamente irregolari, soprattutto quando i livelli sono molto disaggregati, come nel caso di SKU o prodotti. La linea blu nel grafico qui sotto indica una serie temporale. La linea rossa indica una possibile previsione per questa serie temporale.

Image


A livello visivo, questa previsione sembra corretta, poiché riproduce le fluttuazioni che si sono già verificate in passato. A livello statistico, però, questa previsione non è affatto accurata. La serie temporale, infatti, è composta da valori casuali tra 0 e 1. Non c'è alcun pattern di comportamento da analizzare, è rumore puro.

Image


Nel grafico qui sopra abbiamo rivisto la previsione: ora è una linea piatta ferma a 0,5. A livello visivo, questa previsione sembra in contrasto con i dati storici, poiché presenta una regolarità mai osservata prima. A livello statistico, al contrario, questa previsione è molto più accurata della precedente.

Questo esempio mostra uno degli aspetti generali (ma non molto intuitivi) della statistica: più la domanda storica è irregolare, più le previsioni saranno piatte. Ogni motore di previsione che dovesse dare risultati diversi sarebbe molto meno preciso.

Modelli di previsione semplici, ma efficaci

Il motore di previsione contiene modelli molto complessi, ma a volte tende ad applicare modelli più semplici ad alcuni specifici set di dati (sempre se questi si dimostrano più adeguati durante il processo di selezione).

Tanto per citarne alcuni, tra questi figurano i modelli:
  • Piatto ultimo periodo (previsioni settimanali o mensili): le previsioni ripetono, in maniera uniforme, i valori osservati nell'ultima settimana o nell'ultimo mese.
  • Stagionale un anno (previsioni mensili o settimanali): le previsioni ripetono i valori osservati esattamente un anno prima (rispettivamente, 12 mesi o 52 settimane prima).
  • Ciclico una settimana (previsioni giornaliere): le previsioni ripetono i valori osservati esattamente una settimana prima, secondo il pattern del giorno della settimana.
  • Piatto media annuale (previsioni settimanali o mensili): le previsioni ripetono, in maniera uniforme, la domanda storica media dell'ultimo anno.

Usare questi modelli non è sbagliato, in sé. Il problema è capire quando esattamente bisognerebbe preferire altri modelli più complessi. È a questo punto che entra in gioco il backtesting di Lokad.

Dal punto di vista del cliente, però, le previsioni piatte (soprattutto quelle a 12 mesi) sono spesso considerate destabilizzanti, ad esempio quando nelle previsioni di Lokad non c'è traccia del pattern stagionale previsto dagli esperti commerciali. Il nostro motore di previsione, però, ha a disposizione molti modelli stagionali, che vengono testati costantemente. Quindi, se viene selezionato un modello non stagionale, è perché il modello selezionato ha registrato risultati più affidabili di tutti i modelli stagionali. Se si provasse a forzare l'uso di un modello stagionale, l'accuratezza della previsione ne risentirebbe. Ammettiamo che anche in questo caso si tratta di un comportamento poco intuitivo.

La colonna accuratezza

La colonna accuratezza è opzionale e non è attivata di default. Rappresenta la percentuale di errore attesa nelle previsioni tradizionali. Può essere considerata come una sorta di autodiagnosi del sistema. Senza entrare nei dettagli tecnici, possiamo dire che questo indicatore di accuratezza è espresso in percentuale: una previsione sicuramente accurata avrà una percentuale del 100%, una previsione per niente accurata avrà una percentuale dello 0%.

Non è realistico aspettarsi un'accuratezza del 100% da un procedimento di previsione, statistico o meno. In particolare, se consideriamo bassi volumi di vendita, un piccolo errore (+1 o -1) basta a far diminuire l'accuratezza espressa in percentuale sotto il 50%. Contrariamente a quanto suggerirebbe la logica, il livello generale di accuratezza non è dato dal metodo di previsione, ma dal livello di aggregazione dei dati stessi.

Ad esempio, se dobbiamo prevedere il consumo elettrico giornaliero a livello nazionale da un giorno all'altro, una previsione accurata al 99,5% potrebbe essere considerata mediocre; se, invece, volessimo prevedere le vendite promozionali di un prodotto alimentare fresco, un'accuratezza del 30% sarebbe un traguardo notevole. Questo non significa che una migliore soluzione di previsione non possa dare risultati migliori.

Quando parliamo di previsioni, non possiamo parlare di una previsione buona o cattiva in termini assoluti. L'unica domanda da farsi è quanto una previsione può essere considerata buona rispetto alla situazione attuale, o rispetto ad altre previsioni.