Previsioni classiche a serie temporali (2008)

Questa pagina illustra una serie 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.

Dettagli tecnici

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 a vettori 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 ignoriamo nemmeno i classici: autoregressione lineare, media mobile, lisciamento esponenziale (doppio, triplo), 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 riscontrato situazioni in cui un errore del 0,5% veniva considerato scarso (come ad esempio le previsioni orarie del consumo di energia a livello nazionale 24 ore prima), e altre situazioni in cui un errore dell'80% veniva considerato eccellente (come ad esempio un’operazione promozionale unica durante il lancio di un prodotto). L’accuratezza dipende molto dall’orizzonte temporale - più lontane 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 temporali. Questo è quasi l’opposto di ciò che osserviamo tipicamente nel settore del 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 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 far girare ripetutamente il nostro motore di previsione sui dataset dei clienti, misurando gli errori di previsione e cercando di ridurli. Inoltre, un aspetto significativo della nostra tecnologia è che non ottieni solo previsioni, ma anche, per ogni valore previsto, ottieni l’accuratezza prevista di questo valore, espressa come errore MAPE. Pertanto, non devi aspettare di scoprire alla fine che una previsione era poco affidabile, Lokad ti fornisce le informazioni in anticipo in modo che tu possa adattare la tua strategia di conseguenza.

Quanti 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 hai, più accurate saranno le previsioni. In pratica, 2 anni di dati storici sono considerati buoni, e 3 anni o più sono considerati eccellenti. Se hai meno di 1 anno di dati storici, allora 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 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 attività emergenti, Lokad può essere utilizzato fin dall’inizio. Infatti, forniamo 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 anche.

Pattern generali

Macro trend (es: crisi finanziaria), come vengono gestiti?

Crediamo che ci siano due tipici fraintendimenti riguardo ai macro trend. In primo luogo, i macro trend possono essere sfruttati 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 irrisolvibile. In secondo luogo, una recessione al -3% / anno è considerata un grande macro trend, ma nella 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 modelli basati sul calendario. Non è necessario dire a Lokad che un prodotto è stagionale, la stagionalità è un modello 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 modelli 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, quando si considerano le previsioni di vendita a livello di punto vendita, i modelli ciclici dei prodotti si combinano con i modelli ciclici del punto vendita stesso. Infatti, ogni punto vendita ha un ambiente più o meno unico che genera i propri modelli di domanda. Pertanto, la stagionalità non riguarda solo la fornitura di un semplice flag SI/NO, ma è un insieme piuttosto complesso di modelli interdipendenti. La buona notizia è che Lokad gestisce questa complessità per te.

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

Alcuni modelli del calendario sono, nel gergo di Lokad, quasi stagionali: i modelli 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 altrettanti esempi di modelli quasi stagionali. Lokad rileva automaticamente i modelli quasi stagionali, quindi non è necessario dedicare alcuno sforzo specifico per gestire questi modelli. Quindi, in modo molto simile alla stagionalità classica, Lokad si basa principalmente sull’analisi di serie temporali multiple per rilevare serie temporali che presentano modelli quasi stagionali simili al fine di affinare l’analisi dei modelli.

Ciclo di vita del prodotto e lancio del 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 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 solo 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 ciascun prodotto. Applichiamo lo stesso principio per altri modelli di 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 da fare per quanto riguarda la previsione statistica. In pratica, è più una scelta di marketing avere 1 unità in magazzino o zero. Tuttavia, tra questo caso di prodotto estremamente lento e i tuoi prodotti più venduti, c’è un’intera area grigia di prodotti venduti raramente ma abbastanza frequentemente da richiedere un’ottimizzazione dell’inventario. La maggior parte dei toolkit di previsione classici si comporta male con le vendite intermittenti. Da parte nostra, abbiamo dedicato molti sforzi a questo modello di domanda perché molte attività, come l’e-commerce, si basano pesantemente sulla lunga coda per raggiungere la redditività. Tuttavia, i prodotti lenti, a meno che non vengano gestiti attentamente, possono generare ancora più inventario dei prodotti più venduti. Per gestire i prodotti lenti, 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 anche 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 stock, come vengono gestite?

Le vendite non corrispondono alla domanda. Una mancanza di stock è un artefatto che distorce le vendite rispetto alla domanda originale. Infatti, una mancanza di stock 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 stock. Invece, gli eventi possono essere utilizzati per indicare quando si sono verificate mancanze di stock. Le informazioni sulle mancanze di stock vengono utilizzate per stimare in modo più accurato tutti i modelli che sarebbero stati influenzati (stagionalità, tendenza, …) altrimenti. Se le mancanze di stock non vengono contrassegnate come tali con gli eventi, Lokad filtra quei modelli come rumore. Tenere traccia delle mancanze di stock 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 dimensioni, di solito sono anche piuttosto facili da individuare con un approccio puramente statistico. Quindi, suggeriamo di non modificare i dati storici per pulire quelle vendite eccezionali. Prima di tutto, 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 le 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 extra di informazione.

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.