00:00:00 Introduzione al Valore Aggiunto delle Previsioni (FVA)
00:00:41 Spiegazione e fasi dell’analisi FVA
00:01:59 Back testing e valutazione della precisione dell’FVA
00:02:47 FVA e interventi manuali
00:03:56 Il presupposto dell’FVA sul valore dell’accuratezza
00:04:37 L’FVA come test di competenza per i protocolli di previsione
Per saperne di più, consulta l’articolo completo di Lokad su Valore Aggiunto delle Previsioni.
Riepilogo
Conor Doherty, lo scrittore tecnico di Lokad, discute dello strumento Valore Aggiunto delle Previsioni (FVA), uno strumento diagnostico per il processo di previsione. L’FVA integra intuizioni provenienti da vari dipartimenti per migliorare la precisione delle previsioni. Doherty spiega le fasi di un’analisi FVA e la sua efficacia. Osserva che, mentre l’FVA può dimostrare il valore delle intuizioni, presuppone che una maggiore accuratezza delle previsioni sia sempre vantaggiosa, cosa che non è sempre così. Suggerisce che l’attenzione dovrebbe concentrarsi sulla riduzione dell’errore monetario piuttosto che sul perseguimento di una maggiore accuratezza. Conclude che l’FVA potrebbe essere utilizzato come test di competenza, ma non convalida l’uso routinario di non specialisti per l’input delle previsioni.
Trascrizione Completa
Il Valore Aggiunto delle Previsioni, o FVA, è uno strumento collaborativo semplice progettato per valutare ogni fase del processo di previsione. Il suo obiettivo finale è eliminare le fasi che non aumentano l’accuratezza delle previsioni.
L’FVA raggiunge questo obiettivo espandendo il processo di previsione per includere intuizioni da altri dipartimenti, come il marketing e le vendite. Oggi, porrò e risponderò a tre semplici domande: Come si esegue un’analisi FVA? Funziona? E dovresti usarlo? Iniziamo.
Viene generata una previsione statistica e successivamente inoltrata tra i vari dipartimenti. Ogni dipartimento apporta modifiche basate sulla propria competenza. Queste modifiche vengono poi confrontate tra loro, quindi con la domanda effettiva e infine con la previsione naïf.
Se i dipartimenti hanno reso la previsione più accurata, hanno aggiunto FVA positivo. Se l’hanno resa meno accurata, hanno aggiunto FVA negativo.
Generalmente, un’analisi FVA si presenta in questo modo: Primo, definire i collaboratori e l’ordine in cui contribuiranno. Secondo, generare una previsione statistica e poi una naïf.
Terzo, raccogliere le intuizioni. Queste si applicheranno alla previsione statistica. Quarto, calcolare l’FVA per ogni collaboratore a ogni fase del processo. E infine, quinto, ottimizzare il processo di previsione.
Innanzitutto, eliminando i punti di contatto che diminuivano l’accuratezza. In secondo luogo, potenziando i punti di contatto che aumentano l’accuratezza. In pratica, una timeline FVA appare in questo modo.
Come puoi vedere, la previsione statistica dell’azienda passa attraverso diverse sostituzioni, inclusa una fase di previsione di consenso. Non è raro che un’analisi FVA includa anche una fase esecutiva in cui il top management convalida la previsione di consenso.
Una volta che l’azienda dispone dei dati della domanda effettiva, si può eseguire un back test per determinare quanto l’accuratezza sia aumentata o diminuita in ogni fase. Un esempio di back test è il seguente.
In questo report a gradini, l’FVA positivo o negativo per ogni override può essere confrontato con ogni altro override. Qui, la metrica di valutazione è il MAPE, Mean Absolute Percentage Error.
Ad esempio, la previsione statistica ha ridotto l’errore del 5% rispetto alla previsione naïf, contribuendo così con un FVA positivo. Tuttavia, complessivamente la previsione di consenso ha fornito un FVA negativo significativo.
Posso trattare solo tre punti principali oggi. Per un’analisi molto più approfondita dell’FVA, consulta il nostro articolo sull’FVA. Il link è nella descrizione qui sotto.
Punto numero uno, l’FVA si basa sull’idea che interventi multipli e persino di consenso possano aggiungere valore positivo. Inoltre, l’FVA ritiene che questo valore sia distribuito in tutta l’azienda.
Tuttavia, Makridakis et al. indicano che i migliori modelli di previsione sfruttano i progressi nella tecnologia del machine learning. In altre parole, limitando l’intervento umano.
Durante la recente competizione M5, in cui i partecipanti hanno dovuto prevedere la domanda per il più grande rivenditore al mondo per fatturato, Walmart, il modello vincente è stato sviluppato da uno studente con pochissima esperienza sia nelle vendite che nelle previsioni.
Ciò indica che potremmo sopravvalutare il ruolo dell’intuizione di mercato nelle previsioni della domanda. Punto numero due, a suo favore, l’FVA dimostra quanto sia imperfetto l’override umano.
L’FVA ha la capacità di dimostrare alle persone, con numeri concreti, che le loro intuizioni non migliorano l’accuratezza delle previsioni. Per questo, ha certamente un’utilità una tantum. Tuttavia, come pratica ricorrente, soffre di un limite molto significativo.
Ciò mi porta naturalmente al punto numero tre. L’FVA presuppone che una maggiore accuratezza delle previsioni valga la pena di essere perseguita, quando in realtà esistono innumerevoli situazioni in cui una maggiore accuratezza comporta costi considerevoli, sia diretti che indiretti.
Una previsione potrebbe essere più accurata del 5%, ma a causa dei costi associati, comportare profitti significativamente inferiori. Pertanto, il successo della previsione dovrebbe essere basato esclusivamente sulla riduzione dell’errore in termini di euro o dollari, piuttosto che sul perseguimento in sé di una maggiore accuratezza.
Quindi, dovresti utilizzarlo? Si potrebbe impiegare l’FVA come test una tantum di competenza o incompetenza dei protocolli di previsione attuali. Tuttavia, ciò non convalida l’idea di rivolgersi regolarmente a non specialisti per l’input manuale nel processo di previsione.
