Previsioni classiche a serie temporali (2008)

Questa pagina illustra un elenco di domande frequenti (FAQ) sulla nostra tecnologia di previsione classica. Nella pratica, le previsioni classiche sono ampiamente superate dalla previsione probabilistica. Consulta le nostre ultime pagine sulla tecnologia per ulteriori informazioni.

Dadi e bulloni

Quali modelli di previsione state utilizzando?

Rispondere a questa domanda è complicato 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 basa su una teoria ben nota chiamata teoria dell’apprendimento statistico. Questa teoria comprende la maggior parte dei metodi di previsione moderni come la regressione vettoriale di supporto, le reti bayesiane, i metodi di mistura o di potenziamento e le meta-euristiche, tra cui le reti neurali o gli algoritmi genetici… Tuttavia, non trascuriamo nemmeno i classici: l’autoregressione lineare, la media mobile, l’additività (doppia, tripla) dell’andamento esponenziale, 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 preso in considerazione. Abbiamo incontrato situazioni in cui un errore del 0,5% era considerato scarso (come le previsioni orarie del consumo di elettricità a livello nazionale 24 ore prima), e altre situazioni in cui un errore dell'80% era considerato eccellente (come un’operazione promozionale unica durante il lancio di un prodotto). L’accuratezza dipende molto dall’orizzonte temporale - più avanti sono le previsioni, meno accurate sono -, ma dipende anche molto dal livello di aggregazione - più le previsioni sono aggregate, più accurate sono.

Competizioni di previsione, avete una 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 i dataset di queste competizioni quando i dati sono rilevanti per Lokad (elaboriamo solo serie temporali, non immagini o profili dei clienti, ad esempio). Tuttavia, fino ad oggi, non abbiamo ancora osservato alcuna competizione pubblica di data mining che riteniamo rappresentativa delle sfide che affrontiamo quotidianamente. In primo luogo, i dataset accademici tendono ad essere piccoli - meno di qualche centinaio di serie temporali - con serie temporali lunghe - centinaia di punti dati per serie temporale. Questo è quasi l’opposto di ciò che osserviamo tipicamente nel settore del commercio al dettaglio: 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 considera che, con Lokad, i risultati vengono ottenuti immediatamente, senza bisogno di competenze specifiche 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 si adattino effettivamente ai tuoi dati, ma che si rivelino davvero buoni anche sui dati che non hai ancora, cioè i dati futuri. Vedi anche Sovradattamento: quando la misura dell’accuratezza va storta. Il compito quotidiano tipico del team di R&S di Lokad consiste nel eseguire ripetutamente il nostro motore di previsione sui dataset dei clienti, misurare gli errori di previsione e cercare di ridurli. Inoltre, 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 errore MAPE. Pertanto, non è necessario attendere per scoprire che una previsione era poco affidabile, Lokad fornisce le informazioni in anticipo in modo che tu possa adattare 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 si dispone di 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 aziende. Inoltre, per sfruttare la stagionalità, Lokad non ha bisogno di più di 1 anno su ogni singola serie temporale (ad esempio, vendite di prodotti), 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 aziende emergenti, Lokad può essere utilizzato fin dall’inizio. Infatti, offriamo non solo previsioni, ma anche l’accuratezza prevista delle previsioni. Pertanto, le prime previsioni di solito presentano livelli di errore molto elevati e migliorano gradualmente nel tempo. Lokad ti offre un modo per quantificare l’incertezza.

Pattern generali

Macro trend (ad esempio, crisi finanziaria), come vengono gestiti?

Crediamo che ci siano due tipici fraintendimenti riguardo ai macro trend. In primo luogo, i macro trend possono essere utilizzati per raffinare le previsioni di domanda solo se tali macro trend possono essere previsti con precisione. Se le banche fossero state in grado di prevedere la crisi finanziaria, non ci sarebbe stata una crisi in primo luogo. Prevedere i macro trend è tipicamente molto più difficile rispetto alla previsione della domanda per il tuo prodotto medio, quindi è spesso un’opzione piuttosto inaffidabile. In secondo luogo, una recessione del -3% / anno è considerata un grande macro trend, ma in pratica significa un impatto del -0,06% a livello settimanale. In confronto, osserviamo regolarmente variazioni delle vendite dei prodotti del 20% da una settimana all’altra. Lokad è più adatto per le previsioni a breve termine, e guardando alcune settimane avanti, i macro trend sono tipicamente oscurati da fattori microeconomici come promozioni, cannibalizzazione, campagne pubblicitarie, … In conclusione, Lokad di solito ignora la maggior parte dei macro trend, ma dalla nostra esperienza, è l’unica opzione ragionevole per il 99% delle situazioni.

Stagionalità, trend, come vengono gestiti?

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 realtà, la stagionalità è molto più complessa di quanto la maggior parte delle persone si aspetti. Ai nostri occhi, non esiste 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 giorno di paga a livello mensile, la stagionalità quasi annuale come la festa della mamma celebrata la seconda domenica di maggio negli Stati Uniti, … Inoltre, considerando 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. Pertanto, la stagionalità non riguarda solo la fornitura di un semplice flag SI/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, festa della mamma sono solo alcuni 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 serie temporali multiple per rilevare serie temporali che presentano pattern quasi stagionali simili al fine di raffinare l’analisi dei pattern.

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

La maggior parte dei beni di consumo passa attraverso un ciclo di vita. I prodotti vengono lanciati, crescono, si affievoliscono e infine vengono ritirati dal mercato. Lokad può prevedere le vendite al momento del 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 toolkit di previsione classici, 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, dimensione, … 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 venditore estremamente lento e i tuoi prodotti più venduti, c’è un’intera area grigia di prodotti che vengono venduti raramente ma abbastanza frequentemente da richiedere un’ottimizzazione delle scorte. La maggior parte dei toolkit di previsione classici si comporta male con le vendite intermittenti. Da parte nostra, abbiamo dedicato molti sforzi a questo pattern di domanda perché molte attività, come l’e-commerce, si basano pesantemente sulla lunga coda per raggiungere la redditività. Tuttavia, i prodotti a vendita lenta, a meno che non vengano gestiti attentamente, possono generare ancora più scorte dei prodotti più venduti. Per gestire i prodotti a vendita lenta, suggeriamo di optare per la previsione probabilistica.

Meteo, come viene gestito?

In alcuni settori, 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 quello 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 precisione.

Artefatti della domanda

Vendite perse a causa di mancanza di scorte, come vengono gestite?

Le vendite non equivalgono alla domanda. Una mancanza di scorte è un artefatto che distorce le vendite rispetto alla domanda originale. Infatti, una mancanza di scorte provoca una diminuzione delle vendite mentre la domanda rimane stabile. A differenza dei toolkit di previsione classici, con Lokad non è necessario modificare o aggiustare i dati storici come tentativo di esprimere le vendite che si sarebbero verificate se non ci fossero state mancanze di scorte. Invece, gli eventi possono essere utilizzati per indicare quando si sono verificate mancanze di scorte. Le informazioni sulle mancanze di scorte vengono utilizzate per stimare in modo più accurato tutti i pattern che sarebbero stati influenzati (stagionalità, tendenza, …) altrimenti. Se le mancanze di scorte non vengono contrassegnate come tali con eventi, Lokad filtra quei pattern come rumore. Tenere traccia delle mancanze di scorte è bello da avere, ma non è un requisito per iniziare con Lokad.

Vendite eccezionali, come vengono gestite?

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

Aggregazione, top-down o bottom-up?

Alcune aziende prevedono la domanda a livello di gruppi o famiglie e poi suddividono tali 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 coefficienti per il giorno della settimana. In questo caso, si tratta di un metodo di previsione top-down della frequenza. Al contrario, le previsioni settimanali possono essere prodotte sommando le previsioni giornaliere. Da Lokad, suggeriamo di adattare le 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 cattiva idea, perché è probabile che si introduca un errore significativo nella previsione stessa attraverso la suddivisione. 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 avere 4 o 5 fine settimana che influiscono significativamente sulla maggior parte delle attività di vendita al dettaglio. Come al solito, non devi preoccuparti del livello di aggregazione, Lokad gestisce le tue esigenze.