Aggregazione e previsione dei dati

00:00:08 Introduzione alla previsione della domanda e all’aggregazione dei dati.
00:00:41 Diversi tipi di granularità nella previsione della domanda.
00:02:00 Sfide dei vari livelli di aggregazione dei dati nella previsione.
00:05:28 Livello scomposto: SKU al giorno e ricostruzione di altri livelli di aggregazione.
00:08:31 Casi limite e sfide con prodotti deperibili nella previsione della domanda.
00:09:42 Importanza delle informazioni dettagliate nell’aggregazione dei dati.
00:11:01 Ricostruzione del livello desiderato di aggregazione dai dati più dettagliati.
00:13:01 Limitazioni delle tecniche di serie temporali nei dati molto scomposti.
00:15:01 Tecniche di serie temporali e l’assunzione che il futuro sia più o meno lo stesso.
00:17:00 La natura seducente e fuorviante dei modelli di serie temporali.
00:19:03 Discussione degli svantaggi dell’aggregazione nella previsione.
00:20:00 Esplorazione dell’importanza della granularità nella presa di decisioni.
00:21:38 Esame degli orizzonti rilevanti e del loro impatto sulle decisioni della supply chain.
00:23:48 Argomentazione contro l’aggregazione arbitraria e il suo potenziale impatto sull’efficienza della supply chain.
00:26:35 Suggerimento di concentrarsi sulla granularità guidata dalle decisioni e di evitare l’ottimizzazione prematura.

Riassunto

Joannes Vermorel, fondatore di Lokad, discute dell’importanza della scelta del giusto livello di aggregazione dei dati per la previsione della domanda in un’intervista con Nicole Zint. Vengono considerate due dimensioni: temporale e strutturale, compresi gli intervalli di tempo utilizzati per aggregare i dati e l’organizzazione della supply chain. Vermorel osserva che il livello giornaliero e il livello SKU sono i più applicabili alla maggior parte delle reti di supply chain, ma casi limite possono richiedere dati più dettagliati. Vermorel mette in guardia contro le limitazioni dei modelli di serie temporali nella previsione della supply chain, incoraggiando una prospettiva più ampia che tenga conto di fattori come la deperibilità, la cannibalizzazione, la sostituzione e i tempi di approvvigionamento variabili. Sottolinea l’importanza della granularità guidata dalle decisioni e dell’estensione degli orizzonti di previsione oltre i tempi di approvvigionamento.

Riassunto esteso

In questa intervista, l’ospite Nicole Zint discute della previsione della domanda e del giusto livello di aggregazione dei dati con Joannes Vermorel, fondatore di Lokad, un’azienda specializzata nell’ottimizzazione della supply chain. Esplorano i diversi tipi di granularità nella previsione della domanda e l’impatto di queste granularità sui metodi di previsione.

Vermorel spiega che ci sono due dimensioni principali da considerare nella scelta della granularità per la previsione della domanda: temporale e strutturale. La dimensione temporale si riferisce agli intervalli di tempo utilizzati per aggregare i dati, come ad esempio orario, giornaliero, settimanale, mensile o annuale. La dimensione strutturale riguarda l’organizzazione della supply chain, comprese le categorie di prodotti e le posizioni. Ciò potrebbe comportare l’aggregazione dei dati per SKU (Stock Keeping Unit), riferimento del prodotto, famiglia di prodotti, super famiglia di prodotti o categoria, e quindi l’aggregazione per sito, regione o paese.

Nel discutere dei tipi di previsioni associate a queste granularità, Vermorel menziona che il concetto di business intelligence, o ipercubi, reso popolare negli anni ‘90, è rilevante. I dati storici possono essere rappresentati come vettori, con ogni livello di granularità che crea un vettore unico. Quando viene aggiunta una dimensione temporale, questi vettori possono essere interpretati come dati di serie temporali, che possono quindi essere utilizzati per la previsione.

Questo approccio si occupa principalmente di previsioni di serie temporali, che sono la pratica predominante nel settore. Vermorel osserva che potrebbero essere generate più previsioni dagli stessi dati a causa della varietà di livelli di aggregazione potenziali.

L’intervista affronta anche il termine tecnico “equispaced” in relazione alle serie temporali. Le serie temporali equispaziate hanno intervalli regolari e uniformi tra i punti dati. Vermorel riconosce che la maggior parte delle persone nel settore della supply chain potrebbe non aver considerato il lavoro con serie temporali non equispaziate, poiché le serie temporali equispaziate sono più comuni. Tuttavia, sottolinea che alcuni intervalli, come i mesi, non sono precisamente regolari nel senso fisico, poiché i mesi hanno lunghezze variabili.

Questo segmento dell’intervista si concentra sull’importanza della selezione della granularità appropriata per la previsione della domanda. Ci sono due dimensioni principali da considerare: temporale e strutturale. Diversi tipi di previsioni possono essere generate dagli stessi dati in base alla granularità scelta, con le previsioni di serie temporali che sono le più comuni nel settore. Inoltre, viene discusso il concetto di serie temporali equispaziate, evidenziando le complessità potenziali nel trattare con intervalli di tempo variabili.

Vermorel parla dei tempi di previsione, della granularità basata sulle decisioni e dell’importanza di non limitare il proprio pensiero quando si tratta di gestione della supply chain.

Discutono delle sfide dei livelli di aggregazione dei dati nell’ottimizzazione della supply chain. Vermorel spiega che la scelta del livello di aggregazione dipende dalla sensibilità del settore, poiché alcuni settori potrebbero richiedere una maggiore disaggregazione. Sottolinea inoltre che il livello giornaliero e il livello SKU sono i livelli di disaggregazione più sensati per la maggior parte delle reti di supply chain. Tuttavia, osserva che casi particolari, come i prodotti deperibili, potrebbero richiedere punti dati più granulari. Vermorel sottolinea che ogni decisione arbitraria sull’aggregazione dei dati comporta vantaggi e svantaggi, ed è fondamentale capire da dove provengono tali decisioni. Quando gli viene chiesto se un livello di dati più granulare potrebbe essere ricostruito dal livello più granulare, Vermorel spiega che ogni volta che si aggregano i dati, si perde informazione. Pertanto, più granulare sono i dati, più accurata è la previsione. Tuttavia, i dati più granulari non sono nemmeno dati aggregati, ma dati transazionali grezzi. Spiega che la ragione per cui le persone si fermano a SKU al giorno è che è l’ultimo livello a cui possono ancora operare con le serie temporali. Se andassero oltre, dovrebbero rinunciare alla prospettiva delle serie temporali poiché i dati non sono strutturati come una serie temporale.

Hanno anche discusso delle limitazioni dei modelli di serie temporali nella previsione della catena di approvvigionamento con l’ospite Nicole Zint. Vermorel osserva che, sebbene l’industria della catena di approvvigionamento operi tipicamente con un modello mentale di serie temporali, le tecniche di serie temporali tendono a funzionare male con dati sparsi, erratici e intermittenti. Egli sostiene che esiste una fondamentale asimmetria tra il passato e il futuro e che l’assunzione che il futuro sia esattamente uguale al passato è fuorviante. Vermorel mette anche in discussione la pratica di aggregare i dati, che secondo lui comporta la perdita di dati e metriche non allineate, e suggerisce che l’orizzonte rilevante per la presa di decisioni sia quello rilevante per la decisione specifica.

Vermorel inizia spiegando che gli orizzonti temporali per la previsione dovrebbero estendersi oltre i tempi di consegna, poiché non si adattano sempre bene alla prospettiva tradizionale delle serie temporali. Egli sostiene che l’orizzonte decisionale dovrebbe considerare non solo il periodo tra ora e l’arrivo di un prodotto, ma anche il tempo necessario per vendere la merce ricevuta. L’orizzonte applicabile dipende da fattori come la velocità prevista di liquidazione delle scorte e la variabilità della domanda. Sebbene non ci sia un limite chiaro su quanto lontano nel futuro si dovrebbe guardare, Vermorel riconosce che le previsioni diventano più incerte man mano che si va avanti. In definitiva, il trade-off risiede nel bilanciare il costo delle risorse di calcolo con i potenziali miglioramenti alla catena di approvvigionamento.

Parlando di granularità, Vermorel sottolinea che questa dovrebbe essere guidata dalle decisioni che un’azienda intende prendere. Sconsiglia di confondere la necessità di visualizzazione con altre esigenze predictive e di ottimizzazione, poiché la granularità può essere arbitraria e può portare alla perdita di dati. Invece, consiglia di concentrarsi sulle decisioni che hanno impatti tangibili e finanziari sulla catena di approvvigionamento, come il riordino o l’aggiustamento dei prezzi.

Vermorel mette in guardia dal fissarsi troppo sui livelli di aggregazione, che considera un aspetto tecnico molto complesso del problema. I moderni sistemi informatici hanno più che sufficiente capacità per gestire vari livelli di granularità e non c’è bisogno di imporre limiti arbitrari al proprio modo di pensare. In passato, aggregare i dati per la visualizzazione era una sfida, ma i sistemi moderni possono gestirlo facilmente, anche a livello di granularità al millisecondo.

L’intervistato mette anche in guardia dal fare affidamento esclusivamente su approcci tradizionali basati su cubi di dati per l’ottimizzazione della catena di approvvigionamento. Afferma che farlo può imporre restrizioni inutili e limitare la portata delle soluzioni potenziali. Fattori come la deperibilità, la cannibalizzazione, la sostituzione e i tempi di consegna variabili dovrebbero essere presi in considerazione per una visione più completa della catena di approvvigionamento. Vermorel incoraggia una prospettiva più ampia e a evitare limiti arbitrari che possono ostacolare la risoluzione dei problemi nella gestione della catena di approvvigionamento.

In sintesi, Joannes Vermorel sostiene la necessità di considerare una gamma più ampia di fattori nell’ottimizzazione delle catene di approvvigionamento, estendere gli orizzonti di previsione oltre i tempi di consegna e adottare una granularità guidata dalle decisioni. Sottolinea l’importanza di non limitare il proprio modo di pensare e di sfruttare i moderni sistemi informatici per affrontare efficacemente complessi problemi di catena di approvvigionamento.

Trascrizione completa

Nicole Zint: Quando si tratta di previsione della domanda, c’è una incredibile diversità di metodi diversi e diversi livelli di aggregazione dei dati che vengono scelti sia tra le aziende che all’interno di esse. Alcuni fanno previsioni su base giornaliera, altri su base settimanale, mensile o annuale. Alcuni fanno previsioni a livello di SKU, altri a livello di categoria. Questo solleva la domanda, qual è il giusto livello di aggregazione dei dati? Questo è l’argomento dell’episodio di oggi. Prima di approfondire la risposta a questa domanda, Joannes, quali sono i diversi tipi di granularità tra cui scegliere nella previsione della domanda?

Joannes Vermorel: Nella previsione della domanda, hai essenzialmente due dimensioni principali del problema. La prima è temporale, che riguarda se si desidera che i dati transazionali siano aggregati a livello orario, giornaliero, settimanale, mensile o annuale. L’altra dimensione è tipicamente la topologia del prodotto/catena di approvvigionamento, quindi potresti scegliere di aggregare per SKU, per riferimento del prodotto, per famiglia di prodotti, super famiglia, categoria, ecc. Hai anche le tue posizioni in cui potresti voler aggregare per sito, per regione o per paese. Le due dimensioni principali sono il tempo e la struttura del tuo catalogo/rete di catene di approvvigionamento, che creano una matrice di possibilità quando si tratta di scegliere la granularità.

Nicole Zint: Quando parliamo di queste granularità, di che tipo di previsioni stiamo parlando? C’è un tipo specifico di previsione?

Joannes Vermorel: Quello che hai è concettualmente un modello che è stato reso popolare negli anni ‘90, essenzialmente con il nome di business intelligence o ipercubi. Quello che hai è un modo per rappresentare i tuoi dati storici come vettori. Scegli un livello di granularità, diciamo per SKU per settimana, e poi per ogni singolo SKU a livello settimanale, hai un vettore di valori che, grazie alla dimensione temporale, può essere interpretato come una serie temporale. Quindi puoi prevedere questa serie temporale nel futuro. A causa dei molti livelli di aggregazione potenziali, potrebbero essere effettuate molte previsioni sugli stessi dati. Quindi, quando discutiamo di questo problema, stiamo parlando di previsioni di serie temporali, almeno questa è una pratica comune nel settore.

Nicole Zint: E per quanto riguarda la linea temporale nella serie temporale, sono tutte equispaziate o c’è un approccio diverso?

Joannes Vermorel: Equispaced è un termine tecnico, che la maggior parte delle persone nel settore della catena di approvvigionamento potrebbe non aver mai considerato di lavorare. L’equispazio è una tecnicalità in cui dici che la tua serie temporale è divisa in bucket completamente regolari. Tuttavia, tieni presente che questa è un po’ un’astrazione perché, ad esempio, i mesi non sono esattamente regolari nel senso fisico. I fisici direbbero che ci sono mesi più lunghi di altri, quindi è regolare solo secondo il nostro calendario.

Nicole Zint: Un’altra domanda quando si tratta di un mese: abbiamo diversi numeri, diciamo, di venerdì o di fine settimana in un mese, e se vediamo picchi nelle vendite il venerdì, non verranno disturbati?

Joannes Vermorel: Qui stiamo arrivando al tipo di domanda: quale livello di aggregazione scelgo? Ci sono molte preoccupazioni che possono emergere. Ovviamente, ci sono alcuni livelli di aggregazione che hanno determinati effetti. Se stai guardando al livello orario, potrebbe essere, per la maggior parte delle industrie, incredibilmente disaggregato e potrebbe non essere nemmeno sensato durante la notte perché forse ci sono molte aree in cui, diciamo, il commercio al dettaglio, dove non succede nulla durante la notte. Quindi, potrebbe non essere nemmeno sensato.

Quindi, effettivamente, se scegli l’aggregazione mensile, è sempre un po’ complicato perché hai il fatto che alcuni mesi hanno cinque giorni di un determinato giorno della settimana, e puoi averne quattro o cinque. Quindi questo è un aspetto complicato che introdurrà effettivamente una sorta di distorsioni nel modo in cui guardi questo record e potenzialmente nel modo in cui costruisci la tua previsione. Ma è vero anche per altre dimensioni, come stai guardando per SKU o per prodotto o per categoria? Tutti questi introducono preoccupazioni proprie.

Nicole Zint: Quindi, per quanto riguarda questi diversi livelli di aggregazione dei dati, non possiamo semplicemente scegliere tecnicamente, diciamo, SKU al giorno, che è il livello più disaggregato, e quindi ricostruire essenzialmente qualsiasi altro livello di aggregazione da quello?

Joannes Vermorel: Prima di tutto, sì, c’è questa tentazione di optare per livelli super disaggregati. Nella catena di approvvigionamento, il livello più sensato di disaggregazione, in termini di tempo, è al giorno. Tuttavia, è una decisione abbastanza arbitraria. Avremmo potuto decidere che fosse al minuto, e ad esempio, se gestisci un call center e vuoi guardare il tuo tasso di arrivo delle chiamate in entrata, avrai un livello di osservazione molto più granulare per le chiamate in entrata. Quindi, si tratta davvero di quali cose hanno senso per la situazione comune nella catena di approvvigionamento.

Ora, se torniamo indietro nel tempo, dobbiamo capire un po’ da dove veniamo. Diamo un’occhiata a un negozio tipico con 10.000 SKU in una rete di vendita al dettaglio tipica con 100 negozi. Quindi non è nemmeno una rete di vendita al dettaglio molto grande. Stiamo parlando di 10.000 volte 100, che fa 1 milione di SKU, e poi i dati giornalieri. Quindi, se vogliamo avere tre anni di storia, stiamo parlando di mille giorni. Quindi, stiamo parlando di un miliardo di punti dati. Per rappresentare i dati aggregati giornalmente a livello di SKU in una modesta rete di vendita al dettaglio, stiamo già parlando di qualcosa che è un miliardo di punti dati.

In un computer, questo sarebbe già quattro gigabyte di memoria. Se torniamo un po’ indietro nel tempo, vedremo che questo tipo di capacità di memoria non era nemmeno accessibile prima degli anni ‘90. A proposito, il termine “business intelligence” come classe di strumenti software aziendali è emerso negli anni ‘90, precisamente quando sono arrivati sul mercato i computer di dimensioni gigabyte. Quindi, le due cose andavano di pari passo. Avevi bisogno di computer in grado di rappresentare quantità così grandi di dati.

Nicole Zint: Quindi, quei grandi cubi erano in realtà software progettati per il calcolo in memoria, che era solo un modo grandioso per dire sfruttiamo questa nuova memoria ad accesso casuale. E basandoci su questo, diventa il valore predefinito, anche se non dovremmo dimenticare che era abbastanza arbitrario. Quando dici che è il livello più piccolo che ha senso per le catene di approvvigionamento, questa aggregazione giornaliera e questo livello di SKU sono accurati?

Joannes Vermorel: Sì, ma ci sono molti casi particolari. Ad esempio, se hai un prodotto deperibile, la domanda è se aggregare al giorno per SKU sia sufficiente per darti un quadro accurato del tuo livello di stock. Se stai guardando un prodotto deperibile, la risposta è no. Potresti avere 10 unità in magazzino, ma se 9 delle 10 unità scadono domani, quello che hai veramente in magazzino è principalmente una unità più nove che stanno per scomparire. Quindi, in questo caso, il livello di stock non è abbastanza granulare e il livello di SKU non è abbastanza granulare. Quello che vorresti avere sarebbe un livello di stock con almeno una settimana di shelf life e magari un livello di stock con almeno un mese di shelf life. Quindi, introdurresti un’altra dimensione per avere una migliore intuizione.

Nicole Zint: E che dire del tempo? Il livello giornaliero va bene o dovremmo considerare un livello più granulare?

Joannes Vermorel: Il livello giornaliero potrebbe andare bene, tranne che potrebbero esserci negozi che sono aperti solo, diciamo, durante il fine settimana o solo al mattino. Se non sai che hai un negozio che è aperto solo mezza giornata, ti mancano informazioni. Quindi, forse avere un livello più granulare, come il mattino e la sera, ti darebbe qualcosa di più prezioso. Ogni singola decisione arbitraria sul tuo livello di aggregazione ha vantaggi e svantaggi. Il mio messaggio qui è che è abbastanza arbitrario e non c’è una grande verità in tutto ciò, ma è molto interessante capire da dove vengono prese quelle decisioni.

Nicole Zint: Supponiamo di trovare il livello più granulare che rientra nella nostra ragionevolezza di prezzo. Se abbiamo accesso al livello più granulare ma vogliamo comunque guardare una previsione su base settimanale, ad esempio, possiamo semplicemente ricostruire il livello che vogliamo ottenere dal livello più granulare?

Joannes Vermorel: Assolutamente. Se torniamo alla cronologia transazionale grezza, ogni volta che fai una aggregazione, perdi dati in termini di informazioni. Indipendentemente dal tipo di aggregazione che stai eseguendo, puoi sempre ricostruire un livello superiore dai dati più granulari.

Nicole Zint: In realtà, questo è un processo che comporta una perdita di informazioni, quindi stai perdendo informazioni. Quindi hai meno informazioni, quindi avrebbe senso che l’accuratezza diminuisca, giusto? Più alta è l’aggregazione, meno accurata diventa?

Joannes Vermorel: Sì, ma quello che abbiamo è che questo è stato molto il motivo per cui vogliamo avere questo tipo di aggregazione. Direi che è guidato dal cubo perché abbiamo il tipo di software che funziona relativamente rapidamente. L’idea è che quando hai un ipercubo, le operazioni di taglio e affettatura possono essere fatte in modo molto efficiente. Questo è un motivo molto tecnico. Quindi, se vuoi passare da giornaliero a settimanale, è un’operazione molto efficiente che puoi fare sul cubo.

Infatti, in termini di pura teoria dell’informazione, ogni volta che passiamo a un livello più aggregato, stiamo perdendo informazioni. Quindi in teoria, se vogliamo avere qualcosa che sia una dichiarazione più accurata sul futuro, vorremmo operare sui dati più disaggregati. Tuttavia, le persone penserebbero che i dati più disaggregati sarebbero i dati per SKU per giorno, e direi, aspetta, i dati più disaggregati non sono nemmeno dati aggregati. Sarebbero i dati transazionali grezzi.

Il motivo per cui le persone si fermano a SKU per giorno è essenzialmente perché è l’ultimo livello in cui stai ancora operando con serie temporali. Se vuoi andare oltre e gestire la cronologia delle transazioni grezze, allora fondamentalmente devi rinunciare alla prospettiva delle serie temporali. Perché? Perché i dati non sono strutturati come una serie temporale. Sono letteralmente dati relazionali, quindi hai tabelle nel tuo database. Non è più strutturato come una serie temporale, certamente non come una serie temporale equispaziata.

Le serie temporali emergono solo quando costruisci essenzialmente vettori in cui dici, per periodo (il periodo può essere un giorno, una settimana o un mese), hai una quantità, e poi hai un vettore di quantità. Vuoi estendere questo con un modello di serie temporale. Se operi solo con una tabella con, diciamo, 100 colonne, questa non è una serie temporale; è solo una tabella relazionale in un database. Questo è molto comune, ma non è la serie temporale. È il metodo di previsione scelto stesso che è ora un altro fattore limitante.

La domanda è, perché è così allettante? La risposta è che la maggior parte delle industrie della supply chain opera con un modello mentale di serie temporali. Quindi ovviamente, se hai deciso che tutto deve adattarsi al modello di serie temporale, allora l’iper-cubo è un fattore molto allettante perché tutto ciò che stai guardando, purché una delle dimensioni sia il tempo, stai sempre guardando una serie temporale in un modo o nell’altro a vari livelli di aggregazione.

Ma qui sta il punto cruciale. Anche se, in teoria, la teoria dell’informazione ci direbbe che più disaggregiamo, più informazioni abbiamo e quindi più possiamo sapere sul futuro. La realtà è che le tecniche di serie temporali, la maggior parte di esse, non tutte, tendono a funzionare molto male su dati molto sparsi, erratici e intermittenti. Il problema è che quando si passa a dati molto disaggregati, le tecniche di serie temporali sono meno efficaci.

Nicole Zint: Dal tuo punto di vista della tua tecnica di serie temporali, non dal vero punto di vista, il vero punto di vista è che hai più dati, ma dal punto di vista della tua tecnica di serie temporali, hai un vettore sempre più sparso, quindi più zeri. E la serie temporale riguarda sempre più la stessa cosa, giusto? Quindi assumiamo che facciamo l’assunzione che il futuro sia simmetrico al passato. È da lì che viene?

Joannes Vermorel: Sì, ma questo è vero per tutti i metodi basati sui dati. Quindi tutti i metodi basati sui dati si basano, in un modo o nell’altro, sull’idea che il futuro sarà sempre più uguale al passato. Vedi, non dipende davvero, puoi dire che è l’apprendimento automatico, l’intelligenza artificiale, le serie temporali, qualunque cosa, è sempre la stessa idea. Tutti i nostri metodi statistici sono radicati nell’idea che il futuro sarà sempre più uguale al passato.

Nicole Zint: Ma sicuramente, se vai più nel dettaglio, perdi forse le stagionalità e cose del genere, giusto?

Joannes Vermorel: No, la caratteristica della serie temporale è molto tecnica. È il fatto che il modello di serie temporale ti dà un modello altamente simmetrico nel senso che il futuro, in termini di struttura dei dati, assomiglia esattamente al passato. Questo è qualcosa di molto specifico delle serie temporali. Quando dici più della stessa cosa, sì, ma faccio una dichiarazione sul futuro. Questa dichiarazione non deve avere la forma, la forma e il formato esatti rispetto ai miei record storici. Quindi potrebbe, ma potrebbe anche non essere così.

Con le serie temporali, è incredibilmente seducente, ma credo che inganni molto le persone. È incredibilmente seducente perché essenzialmente il futuro e il passato sono esattamente simmetrici. E quando dico esattamente simmetrici, immagina il tuo ipercubo o il tuo cubo. Hai una dimensione per gli SKU, una dimensione per il giorno, una dimensione per qualcos’altro, e fondamentalmente il futuro sta solo prendendo la tua dimensione per il giorno e estendendo questa dimensione di, diciamo, altre 100 celle.

E poi, eccolo qui, hai il futuro, e poi diresti che la previsione è solo riempirlo, riempire i vuoti. Quindi letteralmente diresti che sono gli stessi dati; ci sono dati che ho osservato e poi dati in cui riempirò gli spazi vuoti con il mio modello di previsione delle serie temporali. Tuttavia, c’è una asimmetria molto radicale e fondamentale tra il passato e il futuro.

Se adotti questa prospettiva classica di previsione media delle serie temporali, stai facendo qualcosa che finge che il futuro sia esattamente uguale al passato, nella natura, non solo il fatto che non sia ancora accaduto. È letteralmente in termini di formato dei dati, in termini di come pensarci, stai solo dicendo che è completamente uguale. E la mia proposta, che è più una dichiarazione filosofica che scientifica, è che no, non lo è, è molto diverso.

Nicole Zint: Ancora vedo molte richieste di proposte (RFP) e chiedono ai fornitori, puoi darci tutti questi livelli contemporaneamente? Diversi livelli di aggregazione, perché?

Joannes Vermorel: Di nuovo, è una domanda standard. Le persone insistono su questo perché è ciò a cui sono abituate, ma è importante riconoscere che diversi livelli di aggregazione possono portare a risultati e intuizioni molto diversi.

Nicole Zint: La fallacia qui è che si parte da questo modello di serie temporali, e questo modello di serie temporali ha il suo corrispettivo nell’industria del software con l’intelligence aziendale, dove tutto è fondamentalmente un cubo o una versione che è tagliata o affettata di un cubo. Ora, le persone si rendono conto che perdono informazioni quando vanno, ma in qualche modo non sono davvero sicure del perché. La metrica dice loro che la loro previsione molto disaggregata è una completa schifezza. La realtà potrebbe essere che semplicemente non stanno usando il metodo giusto, è davvero molto povero.

Joannes Vermorel: Quindi dicono: “Ok, la nostra previsione è molto scarsa”. Io dico: “Beh, abbiamo bisogno della possibilità di salire a un livello di aggregazione più alto. Potrebbe essere settimanale o potrebbe essere per prodotto invece di essere per SKU”. Ma non sanno quale scegliere. Quindi quando chiedono a un fornitore, vogliono tenere aperte le loro opzioni, e finiscono con RFP semi-ridicole in cui hanno più di cento domande e vogliono avere tutti i livelli di aggregazione.

Solo perché dal loro punto di vista, mantengono aperta l’opzione su quale livello vogliono applicare il modello di previsione delle serie temporali. Ma qui, metto davvero in discussione il fatto stesso che perché dovresti anche aggregare i tuoi dati in primo luogo, e perché la tua tecnica di previsione dovrebbe iniziare a scartare i dati prima ancora di iniziare a operare? Stai perdendo dati, quindi questo è un problema, e aggregare di più ti fa solo perdere più dati.

E poi se dici: “Ma aspetta, non possiamo operare a un livello super disaggregato perché la nostra metrica, che è la percentuale di errore, ci dice che è molto cattiva”. Diciamo: “Sì, ma non stai ottimizzando la percentuale di errore; vuoi ottimizzare i dollari di errore. Ma stai guardando la metrica delle percentuali, quindi è un po’ fuori sincrono con i dollari”.

Nicole Zint: Sì, esattamente. Quindi perché se segui questa fallacia, passeresti da giornaliero a settimanale, ottenendo una maggiore precisione; poi da settimanale a mensile, maggiore precisione; poi da settimanale a annuale. E poi le persone dicono: “Oh, aspetta, previsione annuale, cosa farò con la previsione annuale? Se prendi decisioni su base settimanale, come ti aiuterà una previsione mensile?”

Joannes Vermorel: Questo è il problema. La realtà è che l’unico orizzonte rilevante è quello che è rilevante per la tua decisione. Ma diamo un’occhiata a una decisione molto semplice, come il rifornimento di inventario. Dammi un esempio di quale sia l’orizzonte rilevante. La risposta è molto complicata. Prima di tutto, avrai i tempi di consegna, ma i tempi di consegna non sono garantiti. Diciamo che hai un fornitore d’oltremare, quindi i tuoi tempi di consegna possono essere - non è una costante, è qualcosa che varia. Quindi il tuo tempo di consegna potrebbe essere qualcosa del tipo 10 settimane, ma potenzialmente con la possibilità di grandi variazioni.

Alcune di queste variazioni, tra l’altro, sono stagionali, proprio come il Capodanno cinese. Le fabbriche in Cina chiudono, quindi hai quattro settimane extra di tempi di consegna. Quindi il tuo orizzonte, se stiamo solo guardando i tempi di consegna, è qualcosa che varia molto e avrebbe bisogno di una previsione propria. Tra l’altro, uno dei problemi di quei modelli di serie temporali è che stiamo sempre guardando qualcosa che è un po’ le vendite. Tutte le altre cose che devi prevedere, come i tuoi tempi di consegna, sono ancora costanti. È ancora peggio di così; non esistono nemmeno, sai.

Nicole Zint: Quindi, il cubo non rappresenta nemmeno il tipo di letteratura; è un po’ scelto arbitrariamente. Il tuo orizzonte sarebbero i tuoi tempi di consegna, ma i tuoi tempi di consegna meriterebbero una zona rossa di previsione che non si adatta davvero a questa prospettiva di serie temporali e software a cubo. Ma, dovrebbe il tuo orizzonte per valutare la validità della tua decisione fermarsi solo al tempo di consegna?

Joannes Vermorel: No, perché ovviamente, se decidi di effettuare un nuovo ordine, vuoi soddisfare la domanda che si verificherà tra ora e la data di arrivo del tuo prodotto. Ma poi, dovrai vendere ciò che hai appena ricevuto. Per valutare la pertinenza dell’ordine di acquisto, devi guardare ciò che accade dopo. E fino a quando nel futuro dovresti guardare? Beh, dipende. Se l’ordine che passi ha un picco di domanda, potresti effettivamente ricevere la merce e venderla tutto in due giorni. Ma cosa succede se è il contrario e poi hai una diminuzione della domanda? Potresti tenere il magazzino per un intero anno, ovviamente non se è deperibile, ma sto semplificando.

Quindi, l’orizzonte che è applicabile è qualcosa che dipende incredibilmente dal modo in cui guardi al futuro ed è una previsione a sé stante perché è una previsione in cui devi prevedere i tempi di consegna. E poi, l’orizzonte che dobbiamo considerare, anche se stiamo guardando solo la domanda, dipende da quanto velocemente ci aspettiamo di liquidare effettivamente il nostro stock. Quindi, in definitiva, non c’è un limite chiaro in termini di orizzonte applicabile per la tua previsione. L’unica preoccupazione è che più guardiamo nel futuro, più sfocata diventa la previsione.

Tuttavia, questa è una questione tecnica e ad un certo punto c’è un compromesso in termini di costo della CPU rispetto al potenziale miglioramento marginale per la tua supply chain. Ma, vedi, da un punto di vista concettuale, non c’è limite a quanto lontano vuoi guardare nel futuro.

Nicole Zint: Quindi, per concludere, il livello di granularità dovrebbe essere sempre al livello delle decisioni che si vogliono prendere?

Joannes Vermorel: Sì, direi che la tua granularità sarà molto legata alle decisioni che prendi. Ma fai attenzione a questa idea di dover aggregare, perché si sta facendo un’ipotesi sul tipo di metodo che si vuole utilizzare. Il mio suggerimento sarebbe di tenere gli occhi sulla decisione stessa che prendi. Le decisioni sono le cose che hanno un impatto tangibile sulla tua supply chain, come il tuo riordino, l’aumento o la diminuzione del prezzo e altre azioni che hanno un impatto finanziario reale sulla supply chain. Ma poi, direi di fare attenzione alla stessa nozione di granularità. Questa è molto inventata, molto arbitraria, e non confondere la tua necessità di visualizzazione, che va bene - vuoi essere in grado di visualizzare - con la granularità necessaria per prendere decisioni.

Nicole Zint: Le serie temporali sono uno strumento incredibilmente potente per visualizzare i dati. Tuttavia, non confondere questa necessità di visualizzazione con altri requisiti predittivi e di ottimizzazione che non devono operare con alcun tipo di granularità inventata. Quando dico granularità inventata, intendo qualsiasi cosa che non sia solo il riflesso dei dati come esistono nei tuoi sistemi aziendali. Qualsiasi tipo di aggregazione che aggiungi sopra perderà dati.

Joannes Vermorel: Forse sarà un buon compromesso nel senso che forse aggregando, risparmierai CPU o memoria, ma forse no. Questa è una discussione super tecnica e il mio suggerimento sarebbe di non fare una sorta di ottimizzazione prematura. Cerca di non pensare immediatamente a quei livelli di aggregazione come se fossero problemi complessi; sono per lo più problemi facili quando si tratta di visualizzazione. Con i moderni sistemi informatici, è molto facile avere un eccesso di capacità rispetto alle tue effettive esigenze.

Negli anni ‘90, era una sfida aggregare i dati per giorno, ma oggi non lo è più. Se un fornitore ti dice che ha un limite di cinque anni di storia, è davvero strano. Non esiste tale limitazione. Ci sono molti modi in cui possiamo gestire qualsiasi tipo di granularità, anche fino al millisecondo. Tuttavia, non è necessariamente qualcosa di sensato e non vuoi farlo con un cubo reale in cui stai usando un byte di memoria per ogni singola cella nel tuo cubo. Questo è un aspetto molto tecnico.

I sistemi moderni ti daranno qualsiasi tipo di aggregazione di cui hai bisogno e anche di più. Questo non è un vincolo. Non ragionare per implicazione, cercando di pensare a tutte le tecniche che vuoi utilizzare basandoti su questo cubo, come se fosse l’unico modo per guardare il problema. Non lo è. Ci sono molte cose che vengono perse, come la deperibilità, la cannibalizzazione, la sostituzione e i tempi di consegna variabili. Il fatto che tu inquadri tutto in un cubo pone enormi restrizioni su ciò che puoi anche pensare riguardo alla tua supply chain, e questo è qualcosa di negativo. Il mio suggerimento è di non mettere la tua mente in una gabbia. Cerca solo di avere una prospettiva ampia perché ci sono così tanti vincoli arbitrari che non aiutano a risolvere i problemi della tua supply chain.

Nicole Zint: Grazie mille, Joannes, per aver condiviso le tue opinioni su questo argomento. Grazie per aver guardato e ci vediamo la prossima settimana.