Ottimizzazione predittiva per la supply chain

Dal 2008, facciamo del nostro meglio per fornire le previsioni più accurate che la tecnologia possa produrre. La nostra tecnologia è in costante evoluzione per riflettere le ultime scoperte in matematica e informatica.

6 GENERAZIONI DI PREVISIONE

Negli ultimi dieci anni, le tecnologie legate ai dati sono evolute a un ritmo folle. Le aziende sono passate dall’utilizzo di tecnologie che erano fondamentalmente basate sulla matematica, che non erano cambiate molto dal XVIII secolo, a tecnologie orientate al Big Data alimentate da Machine Learning e Deep Learning. Lokad si è concentrata nel rimanere al passo con le cose e nel portare il meglio che la scienza possa fornire all’ottimizzazione della supply chain.

Fai un viaggio nel tempo e scopri le diverse generazioni della nostra tecnologia di previsione.

• Programmazione differenziabile (2019): la convergenza di due campi algoritmici: machine learning e ottimizzazione numerica
• Deep Learning (2018): Previsione probabilistica alimentata dalla robotizzazione attraverso l’intelligenza artificiale (AI) e le griglie di GPU Previsione probabilistica (2016): Abbracciare l’incertezza con Machine Learning e statistiche ad alta dimensionalità
• Griglie di quantili (2015): Guardare a tutta la distribuzione di probabilità della domanda e iniettare vincoli della supply chain
• Previsioni di quantili (2012): Passare dalle previsioni medie alle previsioni di bias che riflettono le asimmetrie specifiche del business
• Previsioni classiche (2008): Passare da un modello matematico modificato manualmente a un benchmark completamente automatizzato di un’intera libreria di modelli

LA GIUSTA COMBINAZIONE DI INGREDIENTI

Una ricetta per il successo

La tecnologia di Lokad non si basa sull’utilizzo di un (o più) modello statistico magico. È una combinazione di ingredienti che lavorano insieme per creare la giusta alchimia. Nei nostri primi anni, ci siamo resi conto abbastanza velocemente di quanto fosse grande il divario tra la modellizzazione matematica pura e la realtà delle supply chain.

Ciò che funzionava alla perfezione in teoria era completamente inefficiente quando applicato alle imprese reali: i dati erano sporchi, non abbastanza profondi, troppo sparsi, il volume stesso di riferimenti o voci nella storia delle vendite per alcune imprese rendeva intere classi di modelli estremamente difficili da usare, e poi i vincoli della supply chain stessa facevano sì che il miglioramento delle metriche di accuratezza classiche delle previsioni degradasse effettivamente le prestazioni dell’impresa.

Lokad ha dovuto trovare le risposte tecnologiche appropriate a tutti questi problemi e cambiare drasticamente la sua visione della previsione e dell’ottimizzazione della supply chain.

Correlazioni

con Deep Learning

Quando si guarda un singolo prodotto alla volta, non c’è semplicemente abbastanza dati per produrre una previsione statistica accurata. Infatti, nella maggior parte dei mercati di consumo, il ciclo di vita di un prodotto è inferiore a 4 anni, il che significa che, in media, la maggior parte dei prodotti non ha nemmeno 2 anni di storia disponibili - cioè, la profondità minima per eseguire un’analisi di stagionalità affidabile quando si guarda una singola serie temporale. Affrontiamo il problema attraverso le correlazioni statistiche: le informazioni ottenute su un prodotto aiutano a raffinare la previsione di un altro prodotto. Ad esempio, Lokad rileva automaticamente la stagionalità applicabile per un prodotto anche se il prodotto è stato venduto solo per 3 mesi. Sebbene non si possa osservare alcuna stagionalità con solo 3 mesi di dati, se sono presenti prodotti più vecchi e a vita più lunga nella storia, allora la stagionalità può essere estratta lì e applicata ai prodotti più recenti.

Potenza di calcolo

attraverso il Cloud Computing e le GPU

Sebbene l’utilizzo di correlazioni all’interno dei dati storici migliori notevolmente l’accuratezza, aumenta anche la quantità di calcoli da eseguire. Ad esempio, per correlare 1.000 prodotti guardando tutte le possibili coppie, ci sono un po’ meno di 1.000.000 di combinazioni. Peggio ancora, molte aziende hanno molto più di 1.000 prodotti. Sfruttando il cloud computing e le unità di elaborazione grafica (GPU), quando i clienti ci inviano i loro dati, allocchiamo le macchine solo quando ne abbiamo bisogno; poi, meno di 60 minuti dopo, restituiamo i risultati mentre deallochiamo le macchine di conseguenza. Poiché il cloud che usiamo (Microsoft Azure) ci addebita al minuto, consumiamo solo la capacità di cui abbiamo realmente bisogno. Poiché nessuna azienda ha bisogno di fare previsioni più di una volta al giorno, questa strategia riduce i costi hardware di oltre 24 volte rispetto ai tradizionali approcci.

Probabilità

per abbracciare i vincoli aziendali

La previsione tradizionale è una previsione mediana, cioè un valore che ha il 50% di probabilità di essere sopra o sotto la domanda futura. Purtroppo, questa visione classica non affronta le preoccupazioni principali della supply chain: evitare le scorte esaurite e ridurre l’inventario. Nel 2016, Lokad ha introdotto la nozione di previsioni probabilistiche per la supply chain in cui vengono stimati i rispettivi probabilità di ogni livello di domanda futura. Invece di prevedere un valore per prodotto, Lokad prevede l’intera distribuzione di probabilità. Le previsioni probabilistiche superano di gran lunga le previsioni classiche per i prodotti a lenta rotazione, le vendite erratiche e la domanda a picco. Crediamo che tra 10 anni, tutte le aziende seriamente impegnate nell’ottimizzazione dell’inventario saranno passate alle previsioni probabilistiche, probabilmente sfruttando un discendente di questa tecnologia.

DA UNA LIBRERIA MATEMATICA A UNA SOLUZIONE END TO END

Abbiamo una grande libreria di modelli statistici. Include classici ben noti come Box-Jenkins, smoothing esponenziale, autoregressivo e tutte le loro varianti. Inoltre, poiché i modelli classici sfruttano male le correlazioni, abbiamo sviluppato modelli migliori che sfruttano tutti i dati a nostra disposizione. Sin dall’inizio, abbiamo monitorato continuamente la qualità delle previsioni che forniamo e abbiamo eseguito simulazioni per valutare attentamente i punti deboli rimanenti della nostra tecnologia. Continuiamo a migliorare i nostri modelli e ad alimentare la nostra libreria con nuovi modelli e nuovi paradigmi. Pertanto, i nostri clienti beneficiano di una tecnologia in continua evoluzione.

Tuttavia, abbiamo capito molto tempo fa che questo non era sufficiente e che dovevamo approfondire la realtà della supply chain e i vincoli e le specificità di ogni attività. Pertanto, non solo non richiediamo alcuna competenza statistica ai nostri clienti, ma gestiamo l’intero processo per fornire una soluzione completamente utilizzabile, completa di precisi ordini di acquisto, suggerimenti di spedizione o di prezzo e cruscotti di indicatori chiave di prestazione per valutare la loro accuratezza.

I nostri Supply Chain Scientist sono lì per aiutarti a includere tutte le tue intuizioni aziendali in un’implementazione su misura. Ciò è reso possibile attraverso l’uso del nostro linguaggio di programmazione orientato alla supply chain, Envision. La sua flessibilità ci consente di ottimizzare gli script in grado di riflettere pienamente le specificità della tua attività, al fine di offrire un perfetto complemento alla nostra tecnologia di previsione.