Previsioni classiche a serie temporali (2008)

Questa pagina illustra una FAQ (Frequently Asked Questions) per la nostra tecnologia di previsione classica. In pratica, le previsioni classiche sono ampiamente superate dalla previsione probabilistica. Consulta le nostre ultime pagine sulla tecnologia per maggiori informazioni.

Dadi e bulloni

Quali modelli di previsione state utilizzando?

Rispondere a questa domanda è difficile per due motivi: in primo luogo, la nostra tecnologia di previsione è un asset di proprietà intellettuale (IP) fondamentale che non siamo disposti a divulgare in dettaglio; in secondo luogo, la nostra tecnologia è complessa e comprende molti modelli. Detto questo, Lokad si avvale di una teoria ben nota chiamata statistical learning theory. Questa teoria comprende la maggior parte dei metodi di previsione moderni come Support Vector Regression, Bayesian Networks, metodi di mistura o di potenziamento e meta-euristiche tra cui reti neurali o algoritmi genetici… Quindi, non disprezziamo nemmeno i vecchi classici: autoregressione lineare, media mobile, (doppia, tripla) esponenziale smoothing, Box-Jenkins, Holt-Winters, ARMA, ARIMA. Tuttavia, questi classici sono tipicamente molto deboli quando si tratta di sfruttare le correlazioni tra le serie temporali.

Quanto accurate sono le vostre previsioni?

L’accuratezza delle previsioni dipende molto dal dataset specifico che si sta considerando. Abbiamo incontrato situazioni in cui l’errore del 0,5% era considerato scarso (come le previsioni nazionali di consumo di elettricità ogni ora 24 ore prima), e altre situazioni in cui l’errore dell'80% era considerato eccellente (come un’operazione promozionale unica durante il lancio di un prodotto). L’accuratezza dipende molto dall’orizzonte - più lontano sono le previsioni, meno accurate sono le previsioni -, ma l’accuratezza dipende anche molto dal livello di aggregazione - più le previsioni sono aggregate, più accurate sono le previsioni.

Competizioni di previsione, avete qualche validazione accademica della vostra tecnologia?

Ci sono molte competizioni di data mining che si svolgono ogni anno. Da Lokad, di solito teniamo d’occhio questi eventi e confrontiamo regolarmente la nostra tecnologia di previsione con questi dataset di competizione quando i dati sono rilevanti per Lokad (elaboriamo solo serie temporali, non immagini o profili di clienti, ad esempio). Anche se, ad oggi, non abbiamo ancora osservato alcuna competizione pubblica di data mining che riteniamo essere profondamente rappresentativa delle sfide che affrontiamo quotidianamente. In primo luogo, i dataset accademici tendono ad essere piccoli - meno di alcune centinaia di serie temporali - con lunghe serie temporali - centinaia di punti dati per serie temporale. Questo è quasi l’opposto di ciò che osserviamo tipicamente nel retail: migliaia se non milioni di serie temporali, ma serie molto brevi perché i prodotti hanno una vita breve. Detto questo, Lokad di solito si comporta bene in queste competizioni, e molto bene se si tiene conto del fatto che, con Lokad, i risultati sono ottenuti subito, senza bisogno di competenze per produrre i risultati.

Valutate l’accuratezza delle vostre previsioni?

Sì, lo facciamo. Le misurazioni quantitative precise dell’accuratezza delle previsioni ottenute con la nostra tecnologia di previsione rappresentano circa la metà della nostra tecnologia principale. Senza entrare troppo nei dettagli, diciamo che è una grande sfida, non solo produrre modelli che effettivamente si adattano ai tuoi dati, ma che si rivelano davvero buoni sui dati che non hai ancora, cioè i dati futuri. Vedi anche Overfitting: quando la misura dell’accuratezza va storta. Il compito quotidiano tipico del team di R&D di Lokad consiste nell’eseguire ripetutamente il nostro motore di previsione sui dataset dei clienti, misurando gli errori di previsione e cercando di ridurli. Quindi, un aspetto notevole della nostra tecnologia è che non solo si ottengono previsioni, ma anche, per ogni valore previsto, si ottiene l’accuratezza prevista di questo valore, espressa come un errore MAPE. Quindi, non devi aspettare di scoprire che una previsione era scarsamente affidabile, Lokad ti fornisce le informazioni in anticipo in modo che tu possa adeguare la tua strategia di conseguenza.

Quanto dati storici sono necessari?

Non c’è un requisito minimo per la quantità di dati storici. Detto questo, Lokad offre una tecnologia statistica, quindi più dati storici ci sono, più accurate saranno le previsioni. In pratica, 2 anni di dati storici sono considerati buoni, mentre 3 anni o più sono considerati eccellenti. Se hai meno di 1 anno di dati storici, Lokad non sarà in grado di raffinare le previsioni attraverso la stagionalità, che è un pattern importante per molte attività. Inoltre, per sfruttare la stagionalità, Lokad non ha bisogno di più di 1 anno su ogni singola serie temporale (cioè le vendite di prodotto), abbiamo solo bisogno di un paio di serie temporali con più di 1 anno di storia per stabilire i profili di stagionalità che esistono nella tua attività. Per le startup e le attività emergenti, Lokad può essere utilizzato fin dall’inizio. Infatti, offriamo non solo previsioni ma anche l’accuratezza prevista delle previsioni. Quindi, le prime previsioni di solito hanno livelli di errore molto elevati e migliorano gradualmente nel tempo. Lokad ti offre un modo per quantificare l’incertezza.

Pattern generali

Tendenze macro (ad esempio, crisi finanziarie), come vengono gestite?

Crediamo che ci siano due fraintendimenti tipici sulle tendenze macro. In primo luogo, le tendenze macro possono essere sfruttate per raffinare le previsioni di domanda solo se queste tendenze macro stesse possono essere previste con precisione. Se le banche avessero potuto prevedere la crisi finanziaria, non ci sarebbe stata una crisi in primo luogo. Prevedere le tendenze macro è tipicamente molto più difficile che prevedere la domanda per il tuo prodotto medio, quindi è spesso un’opzione piuttosto intrattabile. In secondo luogo, una recessione al -3% / anno è considerata una grande tendenza macro, ma in pratica significa un impatto del -0,06% a livello settimanale. In confronto, osserviamo regolarmente le vendite di prodotti che variano del 20% da una settimana all’altra. Lokad è più adatto per le previsioni a breve termine, e guardando avanti di alcune settimane, le tendenze macro sono tipicamente nascoste dai fattori microeconomici come le promozioni, la cannibalizzazione, le campagne pubblicitarie, … In conclusione, Lokad di solito ignora la maggior parte delle tendenze macro, ma nella nostra esperienza, è l’unica opzione ragionevole per il 99% delle situazioni.

Stagionalità, tendenza, come vengono gestite?

Rileviamo automaticamente i pattern basati sul calendario. Non è necessario dire a Lokad che un prodotto è stagionale, la stagionalità è un pattern frequente affrontato nativamente dalla nostra tecnologia di previsione. In effetti, la stagionalità è molto più complessa di quanto la maggior parte delle persone si aspetti. A nostro avviso, non c’è una sola stagionalità ma molti pattern ciclici che interagiscono in modi multipli. Ci sono la stagionalità annuale, l’effetto del giorno della settimana, l’effetto del pagamento a livello mensile, la stagionalità quasi annuale come la festa della mamma celebrata la seconda domenica di maggio negli Stati Uniti, … Inoltre, quando si considerano le previsioni di vendita a livello di punto vendita, i pattern ciclici dei prodotti si combinano con i pattern ciclici del punto vendita stesso. Infatti, ogni punto vendita ha un ambiente più o meno unico che genera i propri pattern di domanda. Quindi, la stagionalità non riguarda solo la fornitura di una qualche bandiera SÌ/NO, ma è un insieme piuttosto complesso di pattern interdipendenti. La buona notizia è che Lokad gestisce questa complessità per te.

Pasqua, Ramadan, festa della mamma e altri eventi quasi stagionali?

Alcuni pattern del calendario sono, nel gergo di Lokad, quasi stagionali: i pattern si ripetono di anno in anno, ma non sono strettamente annuali nel senso del calendario gregoriano (noto anche come calendario occidentale o cristiano). Pasqua, Ramadan, Capodanno cinese, la festa della mamma sono altrettanti esempi di pattern quasi stagionali. Lokad rileva automaticamente i pattern quasi stagionali, quindi non è necessario dedicare alcuno sforzo specifico per gestire questi pattern. Quindi, in modo molto simile alla stagionalità classica, Lokad si basa principalmente sull’analisi di più serie temporali per rilevare le serie temporali che hanno pattern quasi stagionali simili al fine di raffinare l’analisi dei pattern.

Ciclo di vita del prodotto e lanci di prodotto, come vengono gestiti?

La maggior parte dei beni di consumo passa attraverso un ciclo di vita. I prodotti vengono lanciati, crescono, appassiscono e infine vengono eliminati dal mercato. Lokad può prevedere le vendite al lancio, considerando che la data di lancio è nota. Ovviamente, quando un prodotto sta per essere lanciato, non sono disponibili dati di vendita per questo stesso prodotto per supportare la previsione. Tuttavia, a differenza dei classici toolkit di previsione, Lokad non si limita alla previsione classica delle serie temporali. In particolare, i prodotti possono essere descritti attraverso tag. Un tag può rappresentare qualsiasi proprietà del prodotto: categoria, sottocategoria, famiglia, marca, colore, taglia, … Per prevedere le vendite di un prodotto in fase di lancio, Lokad analizza i lanci storici di prodotti simili, e le somiglianze vengono valutate in base ai tag forniti per ogni prodotto. Applichiamo lo stesso principio per altri pattern del ciclo di vita.

Prodotti intermittenti / a basso volume, come vengono gestiti?

Se hai un prodotto che viene venduto una volta all’anno, beh, c’è poco che si possa fare per quanto riguarda la previsione statistica. In pratica, è piuttosto una scelta di marketing avere 1 unità in magazzino o zero. Tuttavia, tra questo caso di slow mover estremo e i tuoi best seller, c’è un’intera zona grigia di prodotti che vengono venduti raramente ma abbastanza frequentemente da richiedere l’ottimizzazione dell’inventario. La maggior parte dei classici toolkit di previsione si comporta male contro le vendite intermittenti. Da Lokad, abbiamo dedicato molto sforzo a questo pattern di domanda perché molte attività, come l’eCommerce, si basano pesantemente sulla coda lunga per raggiungere la redditività. Tuttavia, i slow mover, a meno che non siano gestiti con cura, possono generare ancora più inventario dei best seller. Per gestire i slow mover, suggeriamo di optare per la previsione probabilistica.

Meteo, come viene gestito?

In alcune attività, come i negozi di alimentari, il meteo è un fattore di domanda molto importante. Al momento, Lokad non sfrutta le previsioni meteorologiche come input nella nostra tecnologia di previsione. Tuttavia, questo elemento fa parte della nostra roadmap a medio termine. Il nostro obiettivo non è solo di supportare gli input meteorologici, ma di automatizzare notevolmente il processo, in modo che richieda praticamente zero sforzo da parte dei nostri clienti per beneficiare della maggiore accuratezza.

Artefatti della domanda

Vendite perse a causa di stock-out, come vengono gestite?

Le vendite non equivalgono alla domanda. Uno stock-out è un artefatto che distorce le vendite lontano dalla domanda originale. Infatti, uno stock-out fa diminuire le vendite mentre la domanda rimane stabile. A differenza dei classici toolkit di previsione, con Lokad, non è necessario modificare o modificare i dati storici nel tentativo di esprimere le vendite che si sarebbero verificate se non si fossero verificati stock-out. Invece, gli eventi possono essere utilizzati per indicare quando si sono verificati stock-out. Le informazioni sugli stock-out vengono utilizzate per stimare in modo più accurato tutti i pattern che altrimenti sarebbero stati influenzati (stagionalità, tendenza, …) altrimenti. Se gli stock-out non sono contrassegnati come tali con eventi, Lokad filtra quei pattern come rumore. Tenere traccia degli stock-out è bello da avere, ma non è un requisito per iniziare con Lokad.

Vendite eccezionali, come vengono gestite?

A seconda del tuo settore, la tua attività potrebbe affrontare vendite eccezionali. Poiché quelle vendite sono, beh, eccezionali per dimensioni, sono anche di solito piuttosto semplici da individuare con un approccio puramente statistico. Quindi, suggeriamo di non modificare i tuoi dati storici per pulire quelle vendite eccezionali. In primo luogo, è probabilmente una perdita di tempo, in secondo luogo, le vendite eccezionali stesse possono contenere informazioni preziose che aiutano a prevedere la domanda. Quindi, Lokad non può prevedere le vendite eccezionali future individuali - che possono dipendere dall’esito di una negoziazione, ad esempio. Se c’è una vendita eccezionale nota in anticipo, suggeriamo di sovrascrivere manualmente le previsioni di Lokad con il pezzo extra di informazione.

Aggregazione, top-down o bottom-up?

Alcune aziende prevedono la domanda a livello di gruppi o famiglie e quindi suddividono quelle previsioni per raggiungere i singoli prodotti. Questo è un metodo di previsione top-down del prodotto. La stessa idea può essere applicata per prevedere la frequenza: alcune aziende prevedono prima a livello settimanale, e poi applicano i coefficienti del giorno della settimana. In questo caso, questo è un metodo di previsione top-down della frequenza. Al contrario, le previsioni settimanali possono essere prodotte sommando le previsioni giornaliere. In Lokad, suggeriamo di adattare le tue previsioni per soddisfare il più possibile le tue esigenze operative: se la supply chain ha bisogno di previsioni settimanali per ogni prodotto, allora richiedi previsioni settimanali per ogni prodotto da Lokad. Richiedere previsioni giornaliere e poi sommare quelle previsioni non migliorerà la tua precisione. Seguendo la stessa idea, lasciare che Lokad preveda le vendite a livello di gruppo di prodotti, e poi suddividere manualmente le previsioni per ogni SKU è una pessima idea, perché è probabile che venga introdotto un errore di previsione significativo attraverso la suddivisione stessa. Internamente, Lokad si basa su molti algoritmi di aggregazione/suddivisione, e di solito ci piace sfruttare i dati più dettagliati disponibili. Ad esempio, sfruttiamo i dati di vendita giornalieri per fornire previsioni mensili. Infatti, un mese può arrivare con 4 o 5 fine settimana che influiscono significativamente sulla maggior parte delle attività commerciali. Come al solito, non devi preoccuparti del livello di aggregazione, Lokad gestisce le tue esigenze.