00:00:00 Introduzione a Forecast Value Added (FVA)
00:00:41 Spiegazione e passaggi dell’analisi FVA
00:01:59 Back testing e valutazione dell’accuratezza di FVA
00:02:47 FVA e interventi manuali
00:03:56 Presunzione di FVA sul valore dell’accuratezza
00:04:37 FVA come test di competenza per i protocolli di previsione
Per saperne di più nell’articolo completo di Lokad su Forecast Value Added.
Riassunto
Conor Doherty, technical writer di Lokad, discute dello strumento Forecast Value Added (FVA), uno strumento diagnostico per il processo di previsione. FVA integra le conoscenze di vari dipartimenti per migliorare la precisione delle previsioni. Doherty spiega i passaggi di un’analisi FVA e la sua efficacia. Osserva che mentre FVA può dimostrare il valore delle conoscenze, presume che una maggiore accuratezza delle previsioni sia sempre vantaggiosa, il che non è sempre vero. Suggerisce che l’attenzione dovrebbe essere rivolta alla riduzione degli errori monetari anziché alla ricerca di una maggiore precisione. Conclude che FVA potrebbe essere utilizzato come test di competenza, ma non convalida l’uso routinario di non specialisti per l’input delle previsioni.
Trascrizione completa
Forecast Value Added, o FVA, è uno strumento collaborativo semplice progettato per valutare ogni passaggio nel processo di previsione. Il suo obiettivo finale è eliminare i passaggi che non aumentano l’accuratezza delle previsioni.
FVA raggiunge questo obiettivo espandendo il processo di previsione per includere le conoscenze di altri dipartimenti, come marketing e vendite. Oggi, faremo tre semplici domande: come si esegue un’analisi FVA? Funziona? E dovresti usarlo? Cominciamo.
Viene generata una previsione statistica e poi passata tra i dipartimenti. Ogni dipartimento apporta modifiche in base alle proprie competenze. Queste modifiche vengono successivamente confrontate tra loro, quindi con la domanda effettiva e infine con la previsione ingenua.
Se i dipartimenti hanno reso la previsione più accurata, hanno aggiunto FVA positivo. Se l’hanno resa meno accurata, hanno aggiunto FVA negativo.
In generale, un’analisi FVA assomiglia a questo: passo uno, definire i contributori e l’ordine in cui contribuiranno. Passo due, generare una previsione statistica e poi una ingenua.
Passo tre, raccogliere le conoscenze. Queste si applicheranno alla previsione statistica. Passo quattro, calcolare l’FVA per ogni contributore in ogni passaggio del processo. E infine, passo cinque, ottimizzare il processo di previsione.
Prima, eliminando i punti di contatto che diminuiscono l’accuratezza. In secondo luogo, aumentando i punti di contatto che aumentano l’accuratezza. Nella pratica, una linea temporale FVA assomiglia a questa.
Come puoi vedere, la previsione statistica dell’azienda passa attraverso diverse sovrascritture, compresa una fase di previsione di consenso. Non è raro che un’analisi FVA includa anche una fase esecutiva in cui la dirigenza superiore convalida la previsione di consenso.
Una volta che l’azienda ha i dati sulla domanda effettiva, è possibile eseguire un back test per determinare quanto è aumentata o diminuita l’accuratezza in ogni fase. Un esempio di back test assomiglia a questo.
In questo rapporto a gradini, l’FVA positivo o negativo per ogni sovrascrittura può essere confrontato con ogni altra sovrascrittura. Qui, la metrica di valutazione è MAPE, Mean Absolute Percentage Error.
Ad esempio, la previsione statistica ha ridotto l’errore del 5% rispetto alla previsione ingenua, contribuendo quindi all’FVA positivo. Tuttavia, la previsione di consenso nel complesso ha contribuito in modo significativo all’FVA negativo.
Oggi posso coprire solo tre punti principali. Per un’analisi molto più approfondita dell’FVA, consulta il nostro articolo sull’FVA. Il link si trova nella descrizione qui sotto.
Primo punto, l’FVA si basa sull’idea che molteplici e persino interventi di consenso possano aggiungere valore positivo. Inoltre, l’FVA crede 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 di machine learning. In altre parole, limitando l’intervento umano.
Durante la recente competizione M5, in cui i concorrenti dovevano prevedere la domanda per il più grande rivenditore al mondo per fatturato, Walmart, il modello vincente è stato sviluppato da uno studente con pochissime esperienze di vendita o di previsione.
Questo indica che potremmo sovrastimare il ruolo delle intuizioni di mercato nella previsione della domanda. Secondo punto, a suo merito, l’FVA dimostra quanto sia fallace l’intervento umano.
L’FVA ha la capacità di mostrare alle persone con numeri concreti che le loro intuizioni non aumentano l’accuratezza delle previsioni. Per questo, ha sicuramente un’utilità unica. Tuttavia, come pratica ricorrente, soffre di una limitazione molto grande.
Ciò mi porta molto elegantemente al terzo punto. L’FVA presume che sia valsa la pena perseguire una maggiore accuratezza delle previsioni quando in realtà ci sono innumerevoli situazioni in cui una maggiore accuratezza comporta costi considerevoli, sia diretti che indiretti.
Una previsione potrebbe essere più accurata del 5%, ma attraverso costi associati comportare profitti significativamente inferiori. Pertanto, il successo delle previsioni dovrebbe essere basato esclusivamente sulla riduzione degli errori in euro o dollari anziché sulla ricerca di una maggiore accuratezza di per sé.
Quindi, dovresti usarlo? Si potrebbe utilizzare l’FVA come test di competenza o incompetenza una tantum dei propri protocolli di previsione attuali. Tuttavia, questo non giustifica l’idea di rivolgersi abitualmente a non specialisti per un contributo manuale al processo di previsione.
