FAQ: Previsione della domanda

Lokad si è evoluta dalle sue origini di previsione della domanda dei tardi anni 2000 a un leader di ottimizzazione predittiva per le supply chain, concentrandosi su valutazioni superiori degli eventi futuri mentre si navigano le complessità del mondo reale.

Pubblico di destinazione: professionisti della supply chain, pianificatori della domanda e dell’offerta, analisti aziendali.

Ultima modifica: 7 marzo 2024

Principi di previsione

Come osservò Keynes, è meglio essere approssimativamente corretti che esattamente sbagliati. Questo principio si applica alla maggior parte delle situazioni della supply chain (e a scenari non legati alla supply chain), ma è particolarmente valido per quanto riguarda la previsione. Quando si tratta di previsione, Lokad fa meglio di semplicemente evitare di essere esattamente sbagliata; spesso superiamo di gran lunga non solo i nostri concorrenti, ma anche i team di ricerca¹ - ridefinendo occasionalmente lo stato dell’arte. Tuttavia, durante l’ultimo decennio ci siamo resi conto che il fattore limitante più grande della prospettiva tradizionale sulla previsione non era l’accuratezza, ma piuttosto l’espressività.

Le previsioni classiche, cioè le previsioni puntuali a serie temporali, non dicono abbastanza sul futuro. Eppure, le previsioni a serie temporali sono diventate così diffuse che molti professionisti dimenticano quanto siano incomplete - non solo inaccurate. Le previsioni a serie temporali trattano il futuro dell’azienda come il movimento del pianeta: un fenomeno in cui l’osservatore non ha nulla a che fare con gli oggetti osservati. Tuttavia, le supply chain non sono come l’astronomia e le aziende (a differenza dei pianeti) influenzano attivamente la direzione delle loro supply chain. Fondamentalmente, il futuro non è preordinato; è ciò che ne fai.

Stranamente, l’intera teoria dominante della supply chain è costruita sulla base delle previsioni a serie temporali, portando a tutti i tipi di strane svolte. La determinazione dei prezzi - un modo ovvio per orientare la domanda - di solito viene eliminata dall’immagine, rendendola una preoccupazione completamente separata dalla pianificazione. Questo è manifestamente errato data la loro chiara interrelazione.

Un’altra dimensione completamente assente dalla prospettiva tradizionale delle serie temporali è l’incertezza. Questa incertezza è qualcosa che i tradizionalisti credono possa essere affrontata perseguendo una maggiore accuratezza in modo isolato - dedicando spesso ingenti risorse a questo scopo. Tuttavia, le supply chain continuano a dimostrare che l’incertezza associata agli eventi futuri è irriducibile e che i problemi della supply chain richiedono più di semplici modifiche isolate, cioè ottimizzazione locale. Non solo l’incertezza futura è irriducibile, ma i mercati globali sembrano essere abili nel presentare sfide sia in vecchi modi (ad esempio, guerre, tsunami) che in nuovi modi (ad esempio, lockdown, regolamentazioni inventive).

Previsioni probabilistiche

La prima grande deviazione di Lokad dalla prospettiva classica di previsione a serie temporali sono state le previsioni probabilistiche, avviate nel 2012 attraverso le previsioni quantili - che possono essere considerate come una previsione probabilistica incompleta. Le previsioni probabilistiche considerano tutti i futuri possibili (cioè domanda, tempo di consegna, ecc.) assegnando probabilità a ogni singolo risultato. Come tali, le previsioni probabilistiche abbracciano l’incertezza irriducibile degli eventi futuri anziché respingere completamente il caso. Dal 2012, le previsioni probabilistiche si sono dimostrate, più e più volte, un approccio nettamente superiore quando si tratta di gestione del rischio per la supply chain. Questo è vero per tutto, dalle piccole decisioni locali, come scegliere la giusta quantità per un SKU, fino alle grandi decisioni, come chiudere un contratto di servizio a lungo termine da milioni di dollari.

Inoltre, Lokad non si è limitata (e tuttora non si limita) alle previsioni probabilistiche della domanda. Tutte le altre fonti di incertezza sono ora quantificate dalla piattaforma Lokad. Queste incertezze includono tempi di consegna variabili, tassi di scarto variabili, resi dei clienti variabili, ecc. Più in generale, tutti gli eventi futuri incerti devono essere previsti, idealmente attraverso previsioni probabilistiche. Pertanto, oggi Lokad prevede regolarmente più di una dozzina di tipi distinti di eventi futuri. È importante sottolineare che queste previsioni alternative non sono previsioni a serie temporali. Non stiamo cercando di esprimere valori/unità multipli e disparati (ad esempio, domanda, tempo di consegna, ecc.) utilizzando una serie temporale. Infatti, nella maggior parte dei casi il problema che stiamo prevedendo non si adatta nemmeno al quadro ristretto imposto da una serie temporale.

Previsioni programmatiche

La seconda significativa deviazione di Lokad dalla prospettiva classica di previsione è stata il suo cambiamento programmatico, prima con il deep learning nel 2018, poi con la programmazione differenziabile nel 2019. La visione dominante era che la previsione dovesse essere affrontata come un prodotto tecnologico “confezionato”. Lokad, come la maggior parte dei suoi concorrenti, si riferiva persino al suo “motore di previsione” - un componente software monolitico dedicato a questo compito specifico. Tuttavia, questa prospettiva presenta due importanti lacune.

Innanzitutto, la prospettiva del “motore di previsione” assume che ci sia un modo standard per organizzare i dati di input che verranno forniti al motore. Questo non è il caso. La struttura stessa dei dati di input - nel senso relazionale (ad esempio, SQL) - dipende molto dalle specificità dei sistemi aziendali presenti nell’azienda. Forzare i dati storici, come si trovano nei sistemi aziendali, in un modello di dati preconfezionato, come richiesto da un motore di previsione, porta a tutti i tipi di problemi. Sebbene Lokad sia riuscita (attraverso una sofisticazione sempre crescente) a creare un motore di previsione molto più flessibile rispetto a quello che i nostri concorrenti offrono ancora oggi, ci siamo anche resi conto che questo approccio era un vicolo cieco tecnologico. Il motore di previsione non è mai abbastanza flessibile e finisce inevitabilmente per trascurare aspetti critici ma sfumati del business.

Gli approcci programmatici, tuttavia, si sono rivelati una soluzione nettamente superiore. Qui le sfide della modellazione predittiva sono affrontate attraverso paradigmi programmatici anziché un software monolitico rigido. Lokad ha iniziato nel 2018 con i framework di deep learning - come comunemente usati dalla comunità più ampia - ma ha finito per rinnovare completamente la tecnologia alla luce dei progressi compiuti nella programmazione differenziabile nel 2019. L’intento dietro questa completa revisione tecnologica era quello di trasformare i dati relazionali in cittadini di prima classe, a differenza dei framework di deep learning che li trattavano - e tuttora li trattano - come cittadini di seconda classe. Mentre i dati relazionali dominano nella supply chain, questo non è il tipo di dati che suscita l’interesse della più ampia comunità di machine learning (dove predominano immagini, linguaggio naturale, voce, ecc.).

In secondo luogo, la prospettiva del “motore di previsione” non lascia spazio all’azienda per plasmare il proprio futuro. Indipendentemente dalla sofisticazione del motore, il paradigma implica che ci sia un processo a due fasi in corso, con la fase di previsione/pianificazione seguita da una fase di ottimizzazione/esecuzione. Questo paradigma lascia poco o nessuno spazio per andare avanti e indietro tra pianificazione ed esecuzione. In teoria, è possibile applicare ripetutamente il motore di previsione su scenari che sono stati adeguati in base alle previsioni ottenute attraverso iterazioni precedenti. In pratica, il processo è così noioso che nessuno lo fa davvero (almeno non a lungo).

In conclusione: gli approcci programmatici sono un vero e proprio game changer. Questo perché diventa possibile operare cicli di feedback personalizzati - tra pianificazione ed esecuzione - che riflettono opzioni sottili ma redditizie che l’azienda probabilmente altrimenti perderebbe. Ad esempio, se il cliente è un’azienda di manutenzione, riparazione e revisione (MRO) dell’aviazione, diventa possibile considerare l’acquisto e la vendita di parti rotabili contemporaneamente - le vendite di parti inutilizzate finanziano l’acquisizione di parti ora molto necessarie. Tali interazioni non sono necessariamente complesse o anche impegnative, ma per scoprirle è necessario considerare attentamente i dettagli del business. Gli approcci non programmatici non riescono inevitabilmente a cogliere questi dettagli, riportando i professionisti della supply chain alle loro tabelle di calcolo². La programmazione differenziabile si rivela un vero e proprio game changer anche su questo fronte.

Domande frequenti (FAQ)

1. Algoritmi e modelli di previsione

1.1 Puoi fornire una panoramica dei motori di previsione che utilizzi?

Le capacità predictive di Lokad sono basate sulle capacità di programmazione differenziabile di Envision, il DSL (linguaggio di programmazione specifico del dominio) sviluppato da Lokad per l’ottimizzazione predittiva della supply chain. Pertanto, anziché avere un “motore”, Lokad dispone di blocchi di costruzione programmatici che possono essere facilmente assemblati per creare modelli predittivi all’avanguardia.

I nostri modelli predittivi includono (ma non si limitano a) la fornitura di previsioni di domanda di serie temporali all’avanguardia, come dimostrato dal fatto che Lokad ha raggiunto il primo posto (su circa 1000 concorrenti) a livello di SKU in una competizione internazionale di previsione basata su dataset di Walmart. I dettagli del metodo sono riportati in un documento pubblico. La programmabilità della piattaforma di Lokad fornisce capacità flessibili che non possono essere replicate attraverso un tradizionale “motore di previsione”. Infatti, il nostro ultimo “motore di previsione” è stato eliminato nel 2018 a favore di un approccio programmabile, proprio a causa di questa limitazione.

Inoltre, di solito ci riferiamo a “modellazione predittiva” anziché a “previsione”, perché non è solo la domanda futura che deve essere stimata quantitativamente, ma tutte le fonti di incertezza. Queste classi includono i tempi di consegna futuri, i resi futuri, i tassi di scarto futuri, i prezzi futuri delle fonti, i prezzi futuri dei concorrenti, ecc. Attraverso la programmazione differenziabile, Lokad fornisce previsioni che vanno ben oltre ciò che ci si aspetta tradizionalmente da un motore di previsione. Queste previsioni estese sono fondamentali per fornire un’ottimizzazione end-to-end della supply chain, anziché un piano di domanda isolato.

Infine, Lokad fornisce un “modello predittivo probabilistico”. La previsione probabilistica (o “modellazione probabilistica”) è fondamentale per fornire decisioni ottimizzate corrette dal punto di vista del rischio. Senza previsioni probabilistiche, le decisioni della supply chain sono fragili rispetto a qualsiasi variazione, generando costi fissi per situazioni che potrebbero essere state in gran parte mitigate attraverso decisioni leggermente più prudenti.

Vedi Programmazione differenziabile in Envision per ulteriori informazioni sui dettagli di questo strumento critico, così come Storia del motore di previsione di Lokad per rivedere la nostra progressione nella previsione.

1.2 Puoi generare una previsione di base basata su modelli statistici?

Sì. Lokad può generare una previsione di domanda di base basata su modelli parametrici a bassa dimensionalità, ovvero un modello statistico. Facciamo questo utilizzando Envision, il DSL (linguaggio di programmazione specifico del dominio) di Lokad, appositamente progettato per l’ottimizzazione predittiva delle supply chain. Attraverso le capacità di programmazione differenziabile di Envision, è anche semplice apprendere i parametri sfruttando i dati storici sulla domanda.

Ci sono due limitazioni chiave della prospettiva di previsione tradizionale che sono state superate dalle nuove tecnologie offerte da Lokad. Innanzitutto, le previsioni puntuali delle serie temporali (aka “previsioni classiche”) non catturano l’incertezza irriducibile del futuro. Infatti, ignorano completamente l’incertezza esprimendo l’incertezza futura come un singolo valore (ad esempio, la domanda) anziché come una distribuzione di probabilità di valori.

Di conseguenza, attraverso le previsioni tradizionali delle serie temporali non è possibile per il cliente generare decisioni corrette dal punto di vista del rischio, ad esempio decisioni che riflettano l’impatto finanziario dell’ordinazione di X unità o X+1 unità, o forse l’ordinazione di nessuna unità. Questa mancanza di consapevolezza del rischio (in senso quantitativo) è inevitabilmente molto costosa per il cliente, poiché porta a decisioni finanziarie scadenti (ad esempio, ordini di acquisto, allocazioni, ecc.). Lokad affronta questo problema attraverso la previsione probabilistica, poiché abbraccia l’incertezza futura anziché ignorarla.

In secondo luogo, la previsione della domanda, pur essendo probabilmente il tipo di previsione più importante, non è l’unico tipo di previsione. Anche i tempi di consegna, i resi, i tassi di scarto e tutte le altre aree di incertezza futura devono essere previsti. Lokad affronta questo problema attraverso la modellazione predittiva programmabile.

1.3 Che tipo di analisi dei dati e algoritmi utilizza la soluzione per generare previsioni accurate della domanda?

Lokad utilizza la programmazione differenziabile sfruttando dati storici dettagliati e, se pertinenti, dati esterni selettivi per generare previsioni della domanda e gestire altre complessità della supply chain (ad esempio, esaurimenti di magazzino e promozioni).

La programmazione differenziabile, utilizzata per apprendere modelli parametrici, è la tecnica principale per generare previsioni accurate della domanda. Come dimostrato nella competizione di previsione M5, basata sui dati di vendita al dettaglio di Walmart, Lokad ha utilizzato questo approccio e si è classificata al primo posto a livello di SKU (competendo con circa 1000 squadre in tutto il mondo). Questo risultato qualifica l’approccio come all’avanguardia.

Tuttavia, il M5 ha solo toccato la superficie per quanto riguarda le previsioni della domanda, poiché l’approccio di Lokad si presta a innumerevoli “complicazioni”, come la gestione degli esaurimenti di magazzino, delle promozioni, dei resi, della deperibilità, ecc. Modellazione predittiva strutturata per la supply chain fornisce i dettagli su come Lokad affronta queste complicazioni.

Per quanto riguarda i dati, Lokad sfrutta tutti i dati storici di vendita pertinenti, fino alle singole transazioni (se questi dati sono disponibili). Utilizziamo anche altri dati storici che integrano il segnale di domanda, come i livelli di stock storici, i prezzi storici, i prezzi concorrenti storici, i ranghi di visualizzazione storici (ecommerce), ecc. La tecnologia di Lokad è stata progettata per sfruttare al massimo tutti i dati disponibili, nonché per mitigare gli effetti dei dati che purtroppo non sono disponibili.

I dati esterni potrebbero essere utilizzati se ritenuti pertinenti per affinare le previsioni della domanda. Tuttavia, dalla nostra esperienza, i dati al di là dell’intelligence competitiva raramente portano a un miglioramento dell’accuratezza che giustifichi gli sforzi ingenti che sono associati alla preparazione di questi dataset (ad esempio, dati sociali, dati meteorologici, ecc.). L’utilizzo di tali dataset dovrebbe essere riservato a aziende mature che hanno già esaurito tutte le vie più semplici per migliorare l’accuratezza delle previsioni.

1.4 Riduci l’errore di previsione attraverso tecniche di machine learning?

Sì. Lokad utilizza la programmazione differenziabile e il deep learning per ridurre l’errore di previsione. A volte utilizziamo anche tecniche alternative, come random forest o gradient boosted trees. Inoltre, utilizziamo tecniche di machine learning (ML) per rivedere i metodi statistici “classici” (ad esempio, modelli autoregressivi), ma con metodi molto migliorati per quanto riguarda l’apprendimento dei parametri rilevanti dei metodi.

Anche se Lokad utilizza ML, va notato che non si tratta di un corpo di lavoro omogeneo, ma piuttosto di una prospettiva condivisa su come affrontare i dati. Considerando che l’apprendimento automatico, come campo di ricerca, esiste da oltre tre decenni, il termine copre in realtà una vasta gamma di tecniche; alcune considerate all’avanguardia e altre piuttosto obsolete.

Dal nostro punto di vista, il cambiamento di paradigma più importante nell’ambito dell’apprendimento automatico, soprattutto per scopi legati alla supply chain, è il passaggio dall’ingegneria delle caratteristiche all’ingegneria dell’architettura. In parole semplici, le tecniche di apprendimento automatico sono diventate esse stesse programmabili. Sia il deep learning che la programmazione differenziabile riflettono questa prospettiva più recente che favorisce l’ingegneria dell’architettura rispetto all’ingegneria delle caratteristiche, ed è per questo che Lokad utilizza questo approccio.

Per scopi legati alla supply chain, l’ingegneria dell’architettura è fondamentale per riflettere, all’interno del modello predittivo, la struttura stessa del problema affrontato. Anche se potrebbe sembrare una considerazione astratta, è la differenza tra una previsione che sistematicamente non corrisponde ai dati dell’ERP e una previsione che abbraccia realmente la situazione.

1.5 Come identificate e prevedete i modelli di domanda per prevenire la mancanza di scorte e l’eccesso di scorte?

Lokad riduce la mancanza di scorte e l’eccesso di scorte attraverso la previsione probabilistica, che tiene conto dell’incertezza della domanda futura fornendo probabilità di grandi deviazioni della domanda. Questo approccio consente a Lokad di fornire decisioni adattate al rischio ai clienti, consentendo scelte migliori (ad esempio, ordini di acquisto) e riducendo la mancanza di scorte e l’eccesso di scorte. Questo approccio contrasta con le previsioni tradizionali a punto singolo, che ignorano i rischi finanziari e si basano sulla riduzione degli errori di previsione in modo isolato.

Mettendo da parte altre possibili cause, come i tempi di consegna variabili, la mancanza di scorte e l’eccesso di scorte riflettono tipicamente una domanda (futura) imprevista. Lokad affronta direttamente questo problema attraverso la previsione probabilistica. A differenza dei metodi tradizionali della supply chain che ignorano l’incertezza irriducibile del futuro, Lokad abbraccia l’incertezza in senso quantitativo rigoroso. Le previsioni probabilistiche forniscono le probabilità di osservare grandi deviazioni della domanda, cosa essenziale se si desidera calcolare decisioni adattate al rischio.

Le decisioni adattate al rischio non considerano solo la probabilità di fronteggiare eventi insoliti (ad esempio, domanda molto bassa o molto alta), ma anche i rischi finanziari associati a tali risultati. Come regola generale, ci sono costi altamente asimmetrici quando si tratta di avere troppo poche o troppe unità. Una decisione adattata al rischio minimizza le perdite attese indirizzando il cliente nella direzione più “prudente” o “remunerativa”.

Al contrario, e nonostante la loro popolarità, le previsioni periodiche a punto singolo (aka “previsioni classiche”) sono completamente disinteressate riguardo a questi rischi. Questa prospettiva mira a ridurre l’errore di previsione in modo isolato al punto che l’errore diventa trascurabile. Tuttavia, questo è un pensiero illusorio poiché l’incertezza futura è irriducibile. Ecco perché le previsioni a punto singolo non riescono a prevenire in modo soddisfacente la mancanza di scorte e l’eccesso di scorte.

In breve, non importa se si utilizza un modello rudimentale o sofisticato quando le assunzioni/strumenti sottostanti (ad esempio, le previsioni a punto singolo) sono fondamentalmente errate.

Vedi previsione probabilistica per i dettagli su questo concetto.

1.6 Come gestite la stagionalità della domanda?

Sommario esecutivo: Lokad gestisce la stagionalità della domanda attraverso la programmazione differenziabile, utilizzando modelli parametrici a bassa dimensionalità che codificano la struttura di varie ciclicità, come i pattern annuali, settimanali e specifici di eventi. Questo approccio automatizzato garantisce accuratezza e stabilità nella previsione della domanda considerando contemporaneamente tutti i pattern che influenzano la domanda, senza bisogno di intervento manuale.

La stagionalità, anche chiamata ciclicità annuale, è una delle molte ciclicità che Lokad gestisce. Possiamo gestire anche la ciclicità settimanale (cioè l’effetto del giorno della settimana), la ciclicità mensile (cioè l’effetto dello stipendio) e le ciclicità quasi annuali (ad esempio Pasqua, Ramadan, Capodanno cinese, Black Friday, ecc.).

La nostra tecnica principale per gestire le ciclicità è la programmazione differenziabile. Sfruttiamo modelli parametrici a bassa dimensionalità che riflettono strutturalmente le ciclicità target. In altre parole, scegliamo modelli in cui la struttura della ciclicità è data, codificata dagli scienziati della supply chain di Lokad. Questo è progettato per aiutarci a quantificare l’entità delle fluttuazioni associate alle ciclicità target, piuttosto che semplicemente identificarne o scoprirne l’esistenza.

Una volta che la ricetta numerica è stata sviluppata dagli scienziati della supply chain di Lokad, l’intero processo di ottimizzazione è completamente automatizzato. In particolare, l’ottimizzazione della supply chain di Lokad non richiede alcun tipo di intervento manuale (cioè la gestione dettagliata del profilo di stagionalità), né si basa su eccezioni per prodotti recenti o per prodotti non ancora lanciati. L’approccio di Lokad potrebbe sembrare un po’ nuovo, ma è di fondamentale importanza per la supply chain.

Innanzitutto, fornisce risultati più accurati, poiché il processo di apprendimento automatico non cerca di scoprire la ciclicità, ma la ciclicità viene considerata come un dato di fatto (e già ampiamente riconosciuta dagli operatori della supply chain). Questo è ancora più critico in situazioni in cui la quantità di dati è limitata.

In secondo luogo, fornisce risultati più stabili, vincolando la forma della funzione di domanda da apprendere. Questo approccio contribuisce notevolmente a mitigare gli artefatti numerici in cui la domanda futura stimata fluttua ampiamente mentre i dati di input no.

Infine, la programmazione differenziabile, utilizzata da Lokad per costruire modelli (di apprendimento automatico) dai dati del cliente, ci consente di affrontare congiuntamente tutte le ciclicità, così come tutti gli altri pattern che modellano i pattern di domanda osservati (ad esempio, le scorte esaurite o le promozioni). Le ciclicità non possono essere stimate in modo isolato, né in sequenza, rispetto agli altri pattern che influenzano la domanda. Tutti questi pattern e i loro rispettivi parametri devono essere stimati congiuntamente.

Vedi Modellazione predittiva strutturata per la supply chain per i dettagli sulla programmazione differenziabile e il suo ruolo nell’ottimizzazione della supply chain.

1.7 Avete capacità di previsione a lungo termine (oltre 3 anni) per prevedere la domanda futura e fare proposte di adeguamento di conseguenza? Qual è l’orizzonte massimo di previsione che può essere generato?

Sì. Lokad può fare previsioni a tempo indeterminato nel futuro, quindi non c’è un orizzonte massimo.

Date le incertezze future, l’accuratezza delle previsioni aumenta costantemente all’aumentare dell’orizzonte di previsione. Sebbene sia tecnicamente semplice produrre una previsione a lungo termine, ciò non significa che questa previsione possa essere affidabile per scopi di supply chain. Indipendentemente da quanto sofisticato possa essere il modello sottostante, la previsione sta cercando fondamentalmente di indovinare come sarà la strada guardando nel retrovisore.

Inoltre, la capacità di apportare modifiche manuali a una previsione altrimenti automatizzata tende a peggiorare la situazione. Una volta che le previsioni sono state modificate manualmente da “esperti”, le organizzazioni inevitabilmente ripongono eccessiva fiducia in esse. Numerosi benchmark eseguiti da Lokad indicano che gli esperti raramente superano i metodi di media grezza quando si tratta di previsioni a lungo termine. Pertanto, le previsioni modificate manualmente di solito beneficiano di un’aura di competenza non meritata che porta le organizzazioni a dipendere troppo da esse. Questa pratica di aggiustamento manuale sopravvive anche dopo che i numeri si rivelano inevitabilmente delle previsioni errate.

Come commento generale sulle previsioni a lungo termine, concordiamo con la prospettiva di Ingvar Kamprad (fondatore di IKEA), che ha scritto in Il testamento di un rivenditore di mobili: “la pianificazione esagerata è la causa più comune della morte aziendale”. In generale, a meno che l’azienda cliente non stia affrontando condizioni di mercato eccezionalmente stabili (ad esempio, servizi pubblici), non consigliamo di guidare la supply chain attraverso previsioni a lungo termine. Il team di scienziati della supply chain di Lokad è disponibile per fornire orientamenti su approcci migliori (e più sani) che riflettono in modo unico i requisiti specifici di ciascuna azienda cliente.

1.8 Puoi fornire previsioni di articoli/negozi con un minimo di 28 giorni di rotazione?

Sì, Lokad può fare previsioni a tempo indeterminato nel futuro, anche a livello di SKU per una grande catena di vendita al dettaglio.

Per i nostri clienti nel settore del commercio al dettaglio, abbiamo abitualmente orizzonti di previsione di 200 (o più) giorni, operando anche a livello di SKU. Questi orizzonti di medio termine sono utili per valutare correttamente i rischi associati all’inventario invenduto per i prodotti a lenta rotazione. Inoltre, la piattaforma di Lokad è altamente scalabile, quindi gestire decine di milioni di SKU mentre si elaborano anni di dati storici giornalieri non è difficile. In effetti, la piattaforma di Lokad può facilmente scalare per ospitare anche grandi reti di vendita al dettaglio senza la necessità di alcuna pianificazione preventiva della capacità.

Vedi anche Algoritmi e modelli di previsione 1.7 in questa FAQ.

1.9 Puoi utilizzare fonti di dati esterne e/o indicatori per migliorare l’accuratezza della previsione della domanda?

Sì. Ad esempio, Lokad utilizza abitualmente l’intelligence competitiva (cioè i prezzi pubblicati dai concorrenti). In determinati settori, gli indicatori pubblici possono essere di grande utilità (ad esempio, le dimensioni previste della flotta di aeromobili per le aziende di manutenzione aeronautica). La piattaforma programmabile di Lokad è particolarmente adatta per sfruttare varie fonti di dati, oltre ai dati storici ottenuti dai sistemi aziendali.

Riguardo ai dati esterni, ci sono due fonti che sono controintuitivamente quasi mai degne degli sforzi di ingegneria: i dataset meteorologici e i dataset dei social network. I dataset meteorologici sono molto ingombranti (cioè molto grandi e molto complessi) e, realisticamente, non sono davvero migliori delle medie stagionali oltre due settimane in avanti (più o meno). I dataset dei social network sono anche molto ingombranti (cioè molto grandi, molto complessi e fortemente popolati da dati spazzatura) e si basano anche pesantemente sugli effetti a breve termine, di solito di qualche giorno.

Non sosteniamo che non si possa estrarre alcun valore dai dati meteorologici o dai dati dei social network, poiché abbiamo già avuto successo nel farlo per alcuni clienti. Tuttavia, non tutti i miglioramenti dell’accuratezza delle previsioni valgono gli sforzi di ingegneria per ottenerli. I nostri clienti devono operare con risorse limitate e di solito è meglio investire tali risorse nel perfezionamento di altri aspetti dell’ottimizzazione end-to-end della supply chain. Questo è un approccio più prudente rispetto alla ricerca dell’ultimo 1% (di solito nemmeno tanto) di accuratezza extra attraverso dataset esterni che sono 2 o 3 ordini di grandezza più grandi dei dataset storici gestiti dal cliente.

1.10 Come affrontate diversi livelli di velocità di vendita, da meno di 1 a settimana a migliaia al giorno?

Per gestire diverse velocità di vendita, Lokad utilizza previsioni probabilistiche per la domanda scarsa, impiegando strutture dati specializzate come Ranvar per l’efficienza su tutti i volumi di vendita, semplificando così le sfide della supply chain.

Quando si tratta di diverse magnitudini delle velocità di vendita, la sfida principale riguarda i numeri piccoli rispetto a quelli grandi, poiché i numeri grandi sono molto più facili da elaborare. Per far fronte alla domanda scarsa, Lokad sfrutta previsioni probabilistiche. Le previsioni probabilistiche assegnano una probabilità a ogni evento discreto, come la probabilità di vendere 0 unità, 1 unità, 2 unità, ecc. Le probabilità eliminano intere classi di problemi associati a valori di domanda frazionari come tradizionalmente ottenuti con i metodi mainstream della supply chain.

Sotto il cofano, le probabilità su una breve serie di possibilità discrete sono rappresentate come istogrammi (o strutture dati simili). Queste strutture dati sono molto compatte e comportano quindi bassi costi di elaborazione. Tuttavia, quando si tratta di domanda scarsa, un’implementazione ingenua di tali strutture dati (ad esempio, mantenendo 1 bucket per unità di domanda) diventerebbe drasticamente inefficiente quando si presenta una distribuzione di domanda non scarsa che coinvolge migliaia di unità di domanda per periodo.

Pertanto, Lokad ha progettato strutture dati speciali, come il Ranvar (vedi sotto), che garantiscono costi di tempo e memoria costanti per le operazioni algebriche che coinvolgono distribuzioni di probabilità. Ranvar approssima in modo elegante la distribuzione di probabilità originale quando i numeri diventano grandi, mantenendo la perdita di precisione trascurabile dal punto di vista della supply chain. Strutture dati come Ranvar eliminano in gran parte la necessità di isolare e mirare alla domanda scarsa, preservando tutti i desiderabili pattern di piccoli interi quando si tratta di domanda scarsa.

Guarda la nostra video lezione pubblica Previsione Probabilistica per la Supply Chain e la nostra documentazione pubblica Ranvars e Zedfuncs per i dettagli su questo punto.

1.11 Fai previsioni in diverse unità (unità, prezzo, confezione, peso, ecc.)?

Sì, la piattaforma di Lokad è programmabile. Possiamo esprimere le nostre previsioni in qualsiasi unità desiderata. Inoltre, possiamo gestire situazioni in cui sono coinvolte più unità. Ad esempio, i contenitori sono limitati sia in termini di peso che di volume. Pertanto, la proiezione dell’uso futuro dei contenitori potrebbe dover considerare entrambi questi vincoli per valutare correttamente quanti contenitori saranno probabilmente necessari.

1.12 Supportate più algoritmi di previsione (ad esempio, regressione lineare, smoothing esponenziale, media mobile, ARIMA, ecc.)?

Sì. La piattaforma di Lokad è programmabile, quindi possiamo supportare tutti i modelli classici di previsione (come quelli elencati nella domanda).

È importante notare che la maggior parte dei modelli di previsione “classici” (ad esempio, regressione lineare, smoothing esponenziale, media mobile, ARIMA, ecc.) non sono più considerati all’avanguardia e non appaiono come migliori performer nelle competizioni pubbliche di previsione. In particolare, la maggior parte di questi modelli si comporta male quando si tratta di gestire le complicazioni tipiche delle situazioni di supply chain (ad esempio, mancanze di magazzino, cannibalizzazioni, eventi quasi stagionali come il Capodanno cinese, ecc.).

Di solito, gli scienziati della supply chain di Lokad creano una ricetta numerica su misura per soddisfare le esigenze di previsione dell’azienda cliente. I nostri scienziati della supply chain previsionano la domanda necessaria e anche tutti gli altri fattori incerti della supply chain, come i tempi di approvvigionamento, i resi, i tassi di scarto, i prezzi dei concorrenti, ecc. Inoltre, l’algoritmo (o gli algoritmi) di previsione deve essere adattato per sfruttare i dati disponibili e mitigare le distorsioni dei dati che sono intrinseche alle operazioni di supply chain (ad esempio, la domanda spesso torna a salire alla fine di un evento di mancanza di magazzino).

Guarda la nostra video lezione pubblica No1 al livello di SKU nella competizione di previsione M5 per i dettagli sulle competenze di previsione di Lokad.

1.13 Quale livello di granularità viene restituito per la previsione?

Lokad può gestire qualsiasi livello di granularità nelle sue previsioni. Ciò significa che possiamo fare previsioni con granularità molto dettagliate, ad esempio fino al livello di SKU o addirittura previsioni di domanda per cliente per SKU (se ha senso), così come previsioni a livello aziendale.

Poiché le previsioni sono artefatti numerici destinati a supportare la generazione di decisioni ottimizzate per la supply chain, gli scienziati della supply chain di Lokad adattano la granularità delle previsioni per corrispondere esattamente alle decisioni che le previsioni sono destinate a supportare. In particolare, se ci sono più decisioni di supply chain da supportare, di solito ci sono anche più livelli di granularità delle previsioni.

Tuttavia, Lokad va oltre l’adattamento della granularità della previsione (cioè la scelta di un certo livello all’interno di una gerarchia data). Regoliamo l’intera prospettiva di previsione per riflettere meglio il compito in questione. Ad esempio, per un rivenditore B2B, potrebbe avere senso prevedere l’abbandono del cliente, poiché il magazzino del cliente (che serve una domanda costante per un determinato SKU) potrebbe trasformarsi da un giorno all’altro in un magazzino morto. Ciò potrebbe accadere se tutta (o la maggior parte) della domanda provenisse da un grande cliente che ha improvvisamente abbandonato. Lokad è in grado di prevedere le probabilità di abbandono insieme alla domanda per un determinato SKU. Successivamente, possiamo combinare le due previsioni come necessario per ottimizzare le decisioni di inventario pertinenti.

1.14 Puoi generare previsioni quantitative utilizzando dati di vendita settimanali?

Sì. Le nostre capacità di previsione sono molto flessibili. Possiamo, ad esempio, gestire dati di vendita settimanali invece di dati transazionali grezzi (la nostra preferenza).

Vale la pena notare che appiattire i dati transazionali in una serie temporale settimanale è un processo che comporta una perdita di informazioni, il che significa che informazioni criticamente utili potrebbero andare perse nel processo. Una volta perse, queste informazioni non possono essere recuperate, indipendentemente da quanto sofisticato possa essere il modello di previsione.

Ad esempio, immaginiamo un rivenditore di fai da te che vende interruttori. Questo rivenditore osserva 1 unità di domanda al giorno (in media) per un determinato SKU in un negozio rifornito ogni giorno della settimana. Se la maggior parte della domanda proviene da clienti che acquistano 1 unità alla volta, allora 4 unità in magazzino probabilmente garantiranno un buon livello di servizio. Tuttavia, se la maggior parte della domanda proviene da clienti che di solito acquistano mezza dozzina di unità in una volta sola (con 1 cliente che si presenta ogni settimana in media), allora 4 unità in magazzino corrispondono a un pessimo livello di servizio.

Questo dimostra il problema dell’aggregazione arbitraria. Una volta che i dati di vendita sono stati aggregati settimanalmente, ad esempio, la differenza tra le due situazioni descritte sopra viene persa. Questo è precisamente il motivo per cui Lokad preferisce gestire i dati transazionali grezzi quando possibile.

1.15 Generi una previsione giornaliera (o intraday) a partire da un’analisi storica giornaliera o applichi modelli statistici settimanali ai dati storici giornalieri?

Quando sono disponibili dati storici giornalieri (o, ancora meglio, dati a livello di transazione), di solito apprendiamo congiuntamente tutte le ciclicità rilevanti: giorno della settimana, settimana del mese, settimana dell’anno, al fine di migliorare l’accuratezza delle previsioni. Attraverso la piattaforma di Lokad, è molto semplice includere (o escludere) qualsiasi ciclicità o quasi-ciclicità specifica (ad esempio, Pasqua, Capodanno cinese, Ramadan, ecc.).

La decomposizione gerarchica che separa la ciclicità del giorno della settimana dalla ciclicità della settimana dell’anno può essere utilizzata o meno da Lokad. La nostra piattaforma, tuttavia, può supportare entrambe le opzioni. Questa preoccupazione (decomporre o non decomporre) non è esclusiva delle ciclicità e preoccupazioni simili devono essere affrontate per tutti gli altri modelli.

La scelta del modello più adatto è lasciata agli scienziati della supply chain di Lokad. La loro scelta si basa su un’attenta esame dei modelli specifici osservati nella supply chain di interesse.

1.16 Regoli automaticamente la previsione durante il giorno (o la settimana) in base alle vendite effettive rispetto alle vendite attese?

Lokad aggiorna i suoi modelli predittivi quotidianamente per correggere eventuali errori derivanti da inserimenti di dati errati, garantendo previsioni accurate e aggiornate. Questo approccio contrasta le instabilità numeriche delle tecnologie più vecchie, utilizzando modelli stabili e precisi per prevenire cambiamenti erratici delle previsioni e migliorare le decisioni sulla supply chain.

Come regola generale, Lokad aggiorna (riallena) tutti i suoi modelli predittivi ogni volta che riceviamo un nuovo set di dati storici. Per la maggior parte dei nostri clienti, ciò avviene una volta al giorno. Il motivo più importante di ciò è assicurarsi che gli inserimenti di dati errati, che sono già stati corretti, non persistano a causa della persistenza delle previsioni “errate” generate in passato (basate su quei dati errati). La funzionalità di Lokad rende la ricarica giornaliera dei modelli predittivi un non-problema, anche considerando supply chain molto grandi.

D’altra parte, alcune tecnologie di previsione obsolete soffrono di instabilità numeriche. Di conseguenza, i professionisti della supply chain possono temere un sistema che viene aggiornato troppo frequentemente, perché, secondo la loro esperienza, significa che le previsioni agiranno in modo erratico. Dal punto di vista di Lokad, un modello predittivo che “salta in giro” in modo erratico a causa dell’arrivo di incrementi giornalieri dei dati è, in realtà, un modello difettoso che ha bisogno di essere corretto. Ritardare gli aggiornamenti per mitigare il problema non può essere considerato una soluzione ragionevole, poiché l’accuratezza delle previsioni soffre inutilmente non considerando gli eventi più recenti.

Lokad risolve questo problema adottando classi di modelli predittivi che hanno proprietà corrette per progettazione in termini di stabilità numerica. La programmazione differenziabile è particolarmente efficace nell’ingegnerizzare modelli che sono sia molto stabili che molto accurati.

Vedi Ricarica tutto ogni giorno per ulteriori informazioni su questo punto.

1.17 Come stabilite un livello di confidenza che il livello effettivo delle vendite continuerà in futuro?

Utilizziamo la previsione probabilistica e l’ottimizzazione stocastica per valutare tutti i possibili risultati e le loro probabilità, consentendo decisioni di supply chain adattate al rischio. Ogni possibile risultato ha un intervallo di confidenza, che può essere utilizzato per esprimere i livelli di confidenza.

Quando vengono utilizzate previsioni probabilistiche, come consigliato da Lokad, tutti i futuri possibili ottengono una probabilità stimata. A loro volta, gli intervalli di confidenza sono facili da ottenere da una previsione probabilistica. Gli intervalli di confidenza possono essere utilizzati per stabilire un “livello di confidenza” secondo un certo grado di rischio (ad esempio, il peggiore scenario al 5% rispetto al peggiore scenario all'1%).

Tuttavia, l’assunzione implicita dietro i “livelli di confidenza” è che la decisione della supply chain dipenda dalle previsioni originali. La prospettiva delle previsioni probabilistiche cambia completamente il modo in cui affrontiamo l’intera questione dell’(in)accuratezza delle previsioni. Quando sono disponibili previsioni probabilistiche, le decisioni della supply chain (ad esempio, un determinato ordine di acquisto) possono improvvisamente beneficiare di un’ottimizzazione adattata al rischio. In altre parole, la decisione può essere ottimizzata per tutti i futuri possibili e le rispettive probabilità, e ogni decisione classificata in base al loro impatto finanziario.

Il termine tecnico per questa “ottimizzazione sotto incertezza” è l’ottimizzazione stocastica. Lokad fornisce sia previsioni probabilistiche che ottimizzazione stocastica.

1.18 È possibile combinare più algoritmi di previsione?

Sì, anche se abbiamo smesso di raccomandare questa pratica circa dieci anni fa. La combinazione di più algoritmi di previsione (aka “meta-modelli”) in un contesto di produzione genera tipicamente decisioni di supply chain subottimali, proprio per questo motivo non raccomandiamo questo approccio.

La combinazione di più modelli di previsione è una delle opzioni più facili per migliorare i risultati sintetici, tipicamente ottenuti attraverso il backtesting. Tuttavia, questo “meta-modello” (il prodotto della combinazione di più modelli di previsione sottostanti) è di solito instabile, nel senso che continua a “saltare” da un modello all’altro. Di conseguenza, i professionisti della supply chain sono spesso confusi da deviazioni improvvise o “cambiamenti di idea” del meta-modello. Ancora peggio, i meta-modelli sono, per loro natura, piuttosto opachi perché sono una combinazione di diversi modelli. Anche quando i modelli sottostanti sono semplici, il meta-modello che risulta dalla loro combinazione non lo è.

Pertanto, qualsiasi “accuratezza aggiuntiva” ottenuta attraverso l’uso di meta-modelli, nel benchmark (cioè “risultati sintetici”), viene inevitabilmente persa in produzione (cioè scenari del mondo reale) a causa di effetti di secondo ordine come l’aumento dell’instabilità e l’aumento dell’opacità delle previsioni.

1.19 Selezionate automaticamente il modello più adatto per le previsioni?

Sì, Lokad fornisce un singolo modello predittivo efficace per la previsione della supply chain. Evitiamo i “meta-modelli” a causa delle loro prestazioni inferiori nel mondo reale e dell’opacità.

I Supply Chain Scientist di Lokad forniscono a ciascun cliente un singolo modello predittivo anziché una combinazione di diversi algoritmi che competono per la selezione, come nell’approccio “meta-modello”. Questo approccio meta-modello è qualcosa che Lokad ha smesso di utilizzare circa dieci anni fa.

Vale la pena notare che, a livello tecnico, Lokad non ha problemi a gestire una “competizione interna” di modelli di previsione, ovvero un pool di modelli in cui viene automaticamente selezionato il migliore in base alle esigenze. Un tale approccio è tecnicamente semplice. Il motivo per cui Lokad evita questa pratica è che i vantaggi associati ai meta-modelli sono sintetici (cioè visibili nei benchmark) e non si traducono in scenari di supply chain del mondo reale. La nostra esperienza indica che i meta-modelli hanno sempre prestazioni peggiori rispetto ai loro controparti non compositi.

I meta-modelli riflettono principalmente tecnologie di previsione obsolete in cui viene assemblata una collezione di modelli difettosi: il primo modello è carente nella stagionalità; il secondo modello è carente nelle serie temporali brevi; il terzo modello è carente nelle serie temporali erratiche; ecc. La costruzione di un meta-modello dà l’illusione che il modello abbia attenuato i suoi difetti costituenti, tuttavia i difetti di ciascun modello riemergono regolarmente poiché la logica del selettore del modello stesso ha le sue limitazioni. Peggio ancora, i meta-modelli minano tipicamente la fiducia degli operatori della supply chain poiché questa progettazione si dimostra “opaca per progettazione”.

Ecco perché l’approccio di Lokad è quello di creare un modello predittivo che sia esattamente semplice quanto può essere, ma non più semplice. Quando progettato con tecnologie di supporto adeguate, come la programmazione differenziabile, questo singolo modello si occupa di tutto il campo di applicazione della supply chain per l’azienda cliente, senza la necessità di ricorrere a una miscela di modelli.

Vedi anche Algoritmi e Modelli di Previsione 1.18 in questa sezione delle domande frequenti.

1.20 Puoi eseguire tornei di previsione, selezionando automaticamente il miglior modello con la migliore parametrizzazione? Lo fai con l’apprendimento automatico?

Sì. Lokad può farlo, anche se non raccomandiamo questo approccio. La combinazione di modelli tramite apprendimento automatico (per creare “meta-modelli”) non porta benefici in un contesto di produzione. Invece, sosteniamo un approccio a singolo modello.

Circa dieci anni fa, utilizzavamo i meta-modelli per la previsione. I meta-modelli sono modelli che rappresentano una combinazione di altri modelli e/o un modello che è una selezione di altri modelli. La miscela e/o la selezione dei modelli sottostanti veniva effettuata anche con tecniche di apprendimento automatico, tipicamente foreste casuali e alberi potenziati con il gradiente.

Tuttavia, nonostante il miglioramento dei risultati sintetici tramite il benchmarking (tipicamente condotto con il backtesting), l’approccio meta-modello degrada inevitabilmente l’esito/i del mondo reale per il cliente. La selezione automatica del modello porta a “salti” di previsione erratici quando il meta-modello passa da un modello all’altro. L’uso di tecniche di apprendimento automatico per la selezione del modello tende anche ad aggravare questo comportamento rendendo le transizioni ancora più erratiche.

Pertanto, sebbene la piattaforma Lokad supporti i tornei di previsione, non raccomandiamo l’uso di tali approcci per scopi di produzione. In particolare, le recenti competizioni di previsione mostrano che un singolo modello unificato supera i meta-modelli più complessi, come illustrato dal primo posto di Lokad a livello di SKU in una competizione mondiale che coinvolge un dataset di Walmart (vedi sotto).

Vedi anche Algoritmi e Modelli di Previsione 1.18 in questa sezione delle domande frequenti.

1.21 Come assicuratevi che venga utilizzata un’informazione più granulare per ogni articolo/negozio evitando rumore e sovradattamento del modello?

Lokad utilizza la programmazione differenziabile per migliorare l’accuratezza delle previsioni, un approccio che ci consente di adattare i modelli alle specifiche strutture dei dati e gestire il sovradattamento controllando l’espressività del modello. Questo approccio affronta efficacemente la “legge dei piccoli numeri” incorporando una guida esperta minima (ma cruciale) per ottimizzare l’efficienza dei dati.

I problemi di rumore e sovradattamento sono i principali motivi per cui Lokad utilizza la programmazione differenziabile nelle sue previsioni. Attraverso la programmazione differenziabile, gli scienziati della supply chain di Lokad hanno il pieno controllo sulla struttura stessa del modello. La programmazione differenziabile consente loro di creare un modello che si adatta ai dati di input (inclusa la loro struttura relazionale). Inoltre, la programmazione differenziabile consente loro di limitare l’espressività del modello al fine di mantenere sotto controllo il sovradattamento.

La programmazione differenziabile è stata una svolta per Lokad per affrontare la “legge dei piccoli numeri” che governa le supply chain, ovvero le previsioni devono sempre essere fatte al livello/granularità che riflette le decisioni di supply chain di interesse, come ad esempio “per SKU per giorno”. Tuttavia, facendo ciò, i modelli di previsione si trovano di fronte a situazioni in cui il numero di punti dati rilevanti viene contato come numeri a una sola cifra.

La svolta della programmazione differenziabile è che consente a uno scienziato della supply chain (di solito impiegato da Lokad, ma eventualmente impiegato dall’azienda cliente) di inserire alcune conoscenze prioritarie di alto livello nel modello predittivo (ad esempio, una selezione delle ciclicità rilevanti) al fine di sfruttare al meglio i pochissimi punti dati disponibili. A differenza dei “sistemi esperti” degli anni ‘80, la programmazione differenziabile richiede una guida molto limitata da un esperto umano, ma questa guida limitata può fare tutta la differenza in termini di efficienza dei dati.

2. Gestione e Regolazioni delle Previsioni

2.1 Gli utenti possono visualizzare le previsioni? Possono aggregare le previsioni a diversi livelli (ad esempio, magazzino, negozio, punto vendita)?

Sommario esecutivo: Sì, la piattaforma di Lokad offre una robusta visualizzazione dei dati (in tempo reale) per ispezionare e aggregare le previsioni a qualsiasi livello desiderato.

La piattaforma di Lokad offre ampie capacità di visualizzazione dei dati che possono essere utilizzate per ispezionare le previsioni delle serie temporali. In particolare, è semplice aggregare le previsioni in base a qualsiasi gerarchia (ad esempio, posizioni, regioni, categorie di prodotti, ecc.) e in base a qualsiasi granularità (ad esempio, giorno, settimana, mese, ecc.). Inoltre, la piattaforma di Lokad garantisce una visualizzazione in tempo reale per questi report, il che significa che vengono generati in meno di 500 millisecondi, a condizione che l’utente finale abbia una larghezza di banda sufficiente per caricare il report in questo intervallo di tempo.

Tuttavia, questa domanda assume implicitamente che stiamo parlando di previsioni puntuali delle serie temporali (chiamate anche previsioni classiche della domanda). Sebbene la piattaforma di Lokad supporti le previsioni puntuali delle serie temporali, queste previsioni sono obsolete per due motivi.

Innanzitutto, le previsioni puntuali presentano un singolo valore futuro come se fosse IL futuro (cioè esattamente ciò che accadrà). In questo senso, tratta il futuro come il simmetrico del passato. Tuttavia, l’incertezza del futuro è irriducibile e il futuro, visto da una prospettiva di supply chain e non da una prospettiva di fisico, non è il simmetrico del passato. Per questo motivo, le previsioni probabilistiche dovrebbero essere preferite, un approccio che considera TUTTI i possibili risultati futuri (ad esempio, valori della domanda) e assegna a ciascuno di essi delle probabilità. In termini di gestione del rischio, questo offre una difesa molto più robusta contro l’incertezza irriducibile del futuro.

Tuttavia, sebbene le previsioni probabilistiche possano essere espresse a qualsiasi livello (ad esempio, magazzino, negozio, prodotto, ecc.), non sono additive, almeno non nel senso usuale. Pertanto, sebbene la piattaforma di Lokad fornisca tutte le capacità di visualizzazione dei dati pertinenti per le nostre previsioni, queste capacità di solito non sono quelle che i professionisti della supply chain si aspetterebbero (almeno quelli che non hanno esperienza precedente di previsione probabilistica).

In secondo luogo, i modelli di previsione delle serie temporali sono spesso inadatti perché la prospettiva delle serie temporali stesse è semplicistica e non riesce a cogliere l’essenza del business. Ad esempio, un rivenditore B2B può avere una combinazione di due tipi di ordini: piccoli ordini che i clienti si aspettano di essere prontamente serviti dallo stock del rivenditore; e grandi ordini effettuati mesi in anticipo che i clienti si aspettano di essere serviti in tempo - proprio perché l’ordine è stato dato con così tanto anticipo in primo luogo. Questo modello, per quanto basilare, non può essere affrontato con una previsione delle serie temporali. Inoltre, i modelli che non si adattano alle previsioni delle serie temporali includono scadenze di shelf-life, cannibalizzazioni, sostituzioni, variazioni di prezzo dei concorrenti, ecc.

Più in generale, le previsioni delle serie temporali sono utili per scopi di visualizzazione. Tuttavia, più spesso che no, presso Lokad il modello di previsione sottostante non sarà un modello di serie temporali, anche se i dati finali vengono visualizzati come una serie temporale per comodità.

2.2 Che tipo di informazioni di previsione dovrebbero essere gestite dagli esperti rispetto al sistema/macchina?

Gli esperti dovrebbero concentrarsi sulla struttura di alto livello del modello predittivo (ad esempio, la struttura relazionale dei dati di input, le principali ipotesi strutturali che possono essere fatte su questi dati, ecc.). Non c’è l’aspettativa che gli esperti debbano gestire in modo dettagliato (ad esempio, sovrascrivere manualmente) le previsioni stesse.

Dato che Lokad sfrutta la moderna tecnologia predittiva - programmazione differenziabile - i nostri Supply Chain Scientists si concentrano quasi esclusivamente sulla ‘struttura di alto livello’ del modello predittivo. Questo è contrario alle tecnologie più vecchie (ora obsolete) che tipicamente si aspettavano che l’esperto che le utilizzava gestisse in modo dettagliato le previsioni, fornendo informazioni correttive per tutti i casi limite presentati dai modelli. Purtroppo, tali approcci datati si sono rivelati inevitabilmente troppo tediosi per gli esperti da mantenere nel tempo. Di conseguenza, le aziende che li utilizzavano hanno solitamente perso i loro esperti e poi hanno dovuto tornare a utilizzare fogli di calcolo.

Al contrario, la struttura di alto livello del modello predittivo è qualcosa che può essere espressa in modo conciso, di solito attraverso non più di 100 righe di codice. Questa brevità è vera anche quando si considerano catene di approvvigionamento molto complesse. La struttura di alto livello rappresenta il nucleo della comprensione umana della sfida predittiva. Nel frattempo, il/i processo/i responsabile/i di ‘apprendere’ i parametri del modello rimangono completamente automatizzati. Ciò viene fatto sfruttando i dati di input (tipicamente i dati storici) più alcune altre fonti di dati (ad esempio, future campagne di marketing).

2.3 È possibile regolare/sovrascrivere manualmente le previsioni?

Sommario esecutivo: Sì. Anche se la piattaforma di Lokad supporta la regolazione manuale delle previsioni, ciò non è necessario dato che le previsioni probabilistiche stesse sono progettate per tener conto del rischio e dell’incertezza - tipicamente i principi guida alla base della sovrascrittura manuale in primo luogo.

La piattaforma di Lokad offre ampie capacità di programmazione, quindi è semplice supportare le capacità di modifica per qualsiasi processo di previsione. Tuttavia, la necessità di regolare manualmente le previsioni riflette principalmente le limitazioni delle tecnologie di previsione obsolete. L’uso di previsioni probabilistiche avanzate di Lokad elimina in gran parte la necessità di microgestire le previsioni. Infatti, presso Lokad la necessità di tale microgestione è scomparsa effettivamente dieci anni fa.

Le correzioni manuali delle previsioni sono tipicamente intese come un modo indiretto per mitigare i rischi. Il professionista della supply chain non si aspetta che la previsione diventi più accurata dal punto di vista statistico, ma si aspetta che le decisioni risultanti dalla previsione regolata siano meno rischiose (cioè meno costose per l’azienda). Tuttavia, con le previsioni probabilistiche, le decisioni sulla supply chain (generate da Lokad) sono già regolate dal rischio. Pertanto, non ha senso cercare di guidare la previsione probabilistica per ridurre il rischio delle decisioni, poiché le decisioni sono intrinsecamente progettate per essere regolate dal rischio.

Inoltre, le correzioni manuali delle previsioni sono spesso intese a mitigare situazioni di elevata incertezza. Tuttavia, le previsioni probabilistiche sono progettate per abbracciare e quantificare l’incertezza. Pertanto, le previsioni probabilistiche riflettono già le aree di elevata incertezza, e le decisioni regolate dal rischio vengono prese di conseguenza.

Fondamentalmente, non ha senso cercare di correggere manualmente le previsioni “errate”. Se le previsioni sono provabilmente meno accurate di quanto ci si aspetti, allora la ricetta numerica che genera le previsioni dovrebbe essere corretta. Se le previsioni vengono modificate per motivi che non riguardano l’accuratezza, allora sono i calcoli successivi che devono essere regolati. In ogni caso, la regolazione manuale delle previsioni è una pratica obsoleta che non ha posto in una supply chain moderna.

2.4 È possibile integrare algoritmi di previsione personalizzati?

Sì. Lokad consente l’integrazione di algoritmi di previsione personalizzati tramite Envision, il nostro linguaggio di programmazione specifico del dominio (DSL). Questo DSL flessibile, personalizzabile e scalabile può supportare algoritmi e tecniche di previsione mainstream e avanzati, se necessario.

La piattaforma di Lokad è programmabile, ed è un cittadino di prima classe nella nostra tecnologia e viene fornita tramite Envision, il DSL (linguaggio di programmazione specifico del dominio) sviluppato da Lokad per l’ottimizzazione predittiva delle supply chain. Attraverso Envision, tutti gli algoritmi di previsione mainstream (e le loro varianti) possono essere reimplementati. Inoltre, Envision supporta anche alcuni algoritmi di previsione non ancora mainstream, tra cui tecniche basate sulla programmazione differenziabile e previsioni probabilistiche vincenti di competizioni (vedi sotto).

L’integrazione di questi algoritmi personalizzati in Lokad non deve essere confusa con una “personalizzazione” del prodotto Lokad. Dal punto di vista di Lokad, fare affidamento su algoritmi personalizzati è il modo normale di utilizzare il nostro servizio. La piattaforma di Lokad fornisce un ambiente di esecuzione sicuro, affidabile e scalabile per supportare tali algoritmi. L’implementazione degli algoritmi (di solito chiamati “ricette numeriche”) viene normalmente effettuata dagli scienziati della supply chain di Lokad. Tuttavia, se l’azienda cliente dispone di talenti interni per la scienza dei dati, allora questi dipendenti possono anche utilizzare la piattaforma di Lokad per questo scopo.

Inoltre, la piattaforma di Lokad fornisce un intero ambiente di sviluppo integrato (IDE) per creare tali algoritmi personalizzati. Questa capacità è fondamentale per assicurarsi che gli algoritmi siano sviluppati all’interno di un ambiente che riflette rigorosamente l’ambiente di produzione, sia in termini di dati di input che di capacità di esecuzione. Con Lokad, una volta che un algoritmo di previsione rivisto viene ritenuto soddisfacente (e tipicamente superiore alla precedente iterazione), può essere promosso in produzione in pochi minuti. A tal proposito, la piattaforma di Lokad fornisce ampie garanzie “per design” per eliminare completamente classi di problemi durante la promozione degli algoritmi dallo stato di prototipo allo stato di produzione.

Vedi No1 al livello SKU nella competizione di previsione M5 per ulteriori informazioni sulle tecniche di previsione di Lokad.

2.5 Come spiegate cosa fa la soluzione per arrivare a una previsione o a un ordine di acquisto in modo che l’utente possa capire, interrogare e spiegarlo ad altri stakeholder del business?

La piattaforma di Lokad sfrutta un linguaggio di programmazione flessibile specifico per il dominio (Envision) che ci consente di creare dashboard intuitive per mostrare le metriche chiave e le decisioni per il cliente. Queste dashboard vengono create in collaborazione con i clienti in modo che possano capire rapidamente e comodamente. Per punti più complicati, gli scienziati della supply chain di Lokad sono responsabili sia della progettazione che della spiegazione degli algoritmi (“ricette numeriche” - le cose che generano le previsioni e le decisioni della supply chain) e dei loro risultati ai clienti. Questi esperti sono formati per fornire ai clienti informazioni rilevanti sul business, sull’economia e sulla scienza dei dati per aiutarli a capire cosa sta accadendo “dietro le quinte”.

Lo scienziato della supply chain, impiegato da Lokad, è la persona che scrive la ricetta numerica (algoritmo) che supporta il modello predittivo (e quindi il processo decisionale). Lo scienziato della supply chain è personalmente responsabile della difesa e della spiegazione dell’adeguatezza delle previsioni e di tutte le decisioni generate dalla ricetta numerica.

Pertanto, sebbene le situazioni varino da un’azienda cliente all’altra, ogni situazione ha un copilota umano (lo scienziato della supply chain). Non è un “sistema” impersonale che è responsabile di una previsione o di una decisione; è un insieme di ricette numeriche che sono sotto il controllo diretto di uno scienziato della supply chain nominato. Questa responsabilità include la “white-boxing” delle ricette numeriche, ovvero rendere i suoi risultati accessibili e comprensibili agli azionisti.

Per supportare questo processo, i nostri scienziati della supply chain utilizzano strumenti come il backtesting per supportare e dimostrare la loro analisi. Tuttavia, e cosa più importante, prendono decisioni informate sugli assunti che vengono inseriti nelle loro ricette numeriche (come vincoli e driver pertinenti). In definitiva, l’“adeguatezza” di una ricetta numerica dipende dal fatto che rifletta l’intento del business, e questo è qualcosa che lo scienziato della supply chain stabilisce attraverso un’attenta ispezione della situazione della supply chain del cliente (nonché una consultazione con il cliente).

Guarda il nostro Video del conto demo pubblico per una panoramica di come Lokad prepara i dati e visualizza i risultati per i clienti.

2.6 È possibile suddividere la previsione in articoli di set e BOM (Bills of Materials)?

Sì, Lokad può fornire previsioni a qualsiasi livello. Questo è dovuto alle ampie capacità programmatiche del nostro modello probabilistico. Possiamo suddividere la previsione tra articoli di set e BOM, nonché gestire situazioni in cui gli articoli possono essere consumati come parte dei BOM o venduti indipendentemente.

Inoltre, quando sono presenti i BOM (Bills of Materials), non solo prevediamo la domanda per gli articoli interni, ma ottimizziamo anche le decisioni della supply chain per riflettere il fatto che le diverse assemblee interne competono per le stesse parti interne. Vale a dire, situazioni in cui i rispettivi BOM si sovrappongono. Questa ottimizzazione può portare a rifiutare la vendita di una parte “singola” se questa parte metterebbe a rischio la disponibilità di BOM più grandi e più critici.

2.7 Consigliate automaticamente i meta-parametri per i vostri algoritmi di previsione?

Sì. La pratica standard presso Lokad è che i modelli predittivi devono funzionare completamente in modalità non presidiata. Gli scienziati della supply chain di Lokad sono responsabili di impostare i meta-parametri appropriati. I meta-parametri possono essere sufficientemente stabili da essere codificati in modo rigido, oppure la ricetta numerica include una fase di ottimizzazione dedicata all’individuazione di un valore adeguato per il meta-parametro. In entrambi i casi, l’algoritmo (detto anche “ricetta numerica”) può essere eseguito in modalità non presidiata.

Lokad utilizza molti meno meta-parametri rispetto alla maggior parte delle altre soluzioni concorrenti. Questo perché la programmazione differenziabile, la preferenza di Lokad in questo ambito, è un paradigma generale di adattamento dei parametri. Pertanto, quando la programmazione differenziabile è disponibile, la maggior parte dei parametri viene appresa. La tecnologia è estremamente potente quando si tratta di apprendere tutti i tipi di parametri, non solo quelli “tradizionali” (ad esempio, i coefficienti di stagionalità).

Di conseguenza, dal punto di vista di Lokad, la maggior parte dei valori che i nostri colleghi considererebbero “meta-parametri” sono semplicemente “parametri regolari” che non richiedono attenzione specifica. Come regola generale, la maggior parte dei modelli predittivi utilizzati in produzione da Lokad ha pochissimi meta-parametri (meno di 10). Tuttavia, i nostri clienti di solito non sono tenuti a regolare questi numeri, poiché è responsabilità dei nostri scienziati della supply chain.

2.8 Il prodotto può regolare le previsioni attraverso variabili causali?

Sì.

Questo è uno dei punti di forza della programmazione differenziabile, l’approccio tecnologico preferito da Lokad per la modellazione predittiva. La programmazione differenziabile è un paradigma programmabile, quindi l’inclusione di una variabile esplicativa è un dato di fatto. Ancora meglio, il meccanismo di causalità viene reificato nel modello; viene fornito con i suoi stessi parametri “nominali”. Pertanto, le previsioni non solo sfruttano la variabile causale, ma lo fanno in modo che possa essere verificata e indagata dagli operatori della supply chain.

Ad esempio, quando il prezzo di vendita al dettaglio viene utilizzato come variabile causale, la risposta esatta della domanda legata alle variazioni dei prezzi può essere rappresentata graficamente e indagata. Questo risultato può essere di grande interesse per l’azienda. Se l’azienda è una rete di negozi al dettaglio, questo può essere utilizzato per guidare gli eventi di liquidazione nei negozi che rispondono in modo più deciso agli sconti. Questo può ridurre al minimo il volume totale degli sconti necessari per liquidare completamente le scorte invecchiate.

2.9 Il prodotto è in grado di sperimentare e sviluppare e/o personalizzare algoritmi di previsione?

Sì. I nostri scienziati della supply chain sperimentano regolarmente con modelli di previsione, consentendo lo sviluppo di nuovi algoritmi e l’adattamento di algoritmi più vecchi. Questo è possibile perché la piattaforma di Lokad è programmabile e presenta un DSL (linguaggio di programmazione specifico del dominio) flessibile chiamato Envision, che è stato progettato appositamente per l’ottimizzazione predittiva della supply chain.

La prospettiva di Lokad afferma che la sperimentazione e la personalizzazione dei modelli predittivi non sono un modo per far fronte alle limitazioni della tecnologia di previsione. Piuttosto, è il modo previsto per utilizzare la soluzione di Lokad in primo luogo. Questo approccio offre non solo risultati superiori in termini di precisione delle previsioni, ma anche risultati che si rivelano molto più “pronti per la produzione” rispetto ad approcci “confezionati” alternativi.

Non ci lamentiamo dei “dati scadenti”; i dati sono semplicemente ciò che sono. I nostri scienziati della supply chain sfruttano al massimo ciò che è disponibile. Inoltre, quantificano, in euro o dollari (o qualsiasi altra valuta desiderata), i benefici derivanti dal miglioramento dei dati in modo che l’azienda possa individuare i miglioramenti dei dati che producono i maggiori rendimenti. Migliorare i dati è un mezzo, non un fine. I nostri scienziati della supply chain forniscono indicazioni quando l’investimento aggiuntivo non vale semplicemente i benefici attesi della supply chain.

2.10 È possibile iterare e perfezionare l’ingegneria delle caratteristiche alla base delle previsioni?

Sì.

I Supply Chain Scientists di Lokad regolano regolarmente le caratteristiche che vanno in un modello predittivo. Questo è possibile perché la piattaforma di Lokad è programmabile e presenta un DSL (linguaggio di programmazione specifico del dominio) flessibile chiamato Envision, che è stato progettato esplicitamente per l’ottimizzazione predittiva della supply chain.

Tuttavia, va notato che nell’ultimo decennio l’ingegneria delle caratteristiche (come tecnica di modellazione) è stata in diminuzione. Infatti, sta gradualmente venendo sostituita dall’ingegneria dell’architettura del modello. In breve, invece di modificare la caratteristica per adattarla meglio al modello, il modello viene modificato per adattarsi meglio alla caratteristica. La programmazione differenziabile, l’approccio preferito di Lokad per la modellazione predittiva, supporta sia l’ingegneria delle caratteristiche che l’ingegneria dell’architettura. Tuttavia, quest’ultima è di solito più adatta nella maggior parte delle situazioni.

Vedi anche Gestione e regolazione delle previsioni 2.9 in questa sezione delle domande frequenti.

3. Misurazione dell’accuratezza delle previsioni e delle prestazioni

3.1 Qual è il punto di vista della vostra organizzazione sull’accuratezza delle previsioni e come dovrebbe essere misurata l’accuratezza delle previsioni?

L’accuratezza delle previsioni deve essere misurata in dollari o euro (o nella valuta desiderata dal cliente) di impatto. Questo si riferisce al ritorno sull’investimento (ROI) delle decisioni prese sulla base delle previsioni. Misurare i punti percentuali di errore non è semplicemente sufficiente. L’accuratezza delle previsioni deve anche comprendere tutte le aree di incertezza, non solo la domanda futura, ad esempio, i tempi di consegna, i resi, i prezzi delle materie prime, ecc. Questi sono tutti fattori che variano e devono essere previsti, proprio come la domanda futura.

Le metriche tradizionali come MAPE (errore percentuale medio assoluto), MAE (errore medio assoluto), MSE (errore quadratico medio), ecc., sono metriche tecniche che possono essere di qualche interesse per uno scienziato della supply chain, ma, dal punto di vista della supply chain, sono fondamentalmente sia cieche che fuorvianti. I dettagli di questo argomento possono essere trovati nella lezione pubblica di Lokad sull’Ottimizzazione Sperimentale.

Pertanto, queste metriche non dovrebbero essere comunicate all’organizzazione più ampia, poiché genereranno solo confusione e frustrazione. Al contrario, di solito è semplice rendere la previsione più accurata - in senso statistico - degradando la qualità percepita del servizio da parte dei clienti e aumentando i costi operativi per i fornitori (che si vendicano aumentando i loro prezzi).

Le metriche di previsione sono importanti solo se supportano la generazione di decisioni migliori per la supply chain. Per quanto riguarda Lokad, generare le quantità di riordino, le quantità di produzione, le quantità spedite, i prezzi, ecc. più finanziariamente sensate sono i dettagli su cui vale la pena concentrarsi. Tutto il resto, compreso l’errore di previsione isolato, è tangenziale al problema principale dell’azienda di massimizzare il ritorno sull’investimento.

Vedi anche Previsione dei tempi di consegna.

3.2 Come si misura la performance delle previsioni rispetto alle vendite effettive?

Se il modello sta facendo previsioni sulle “vendite”, allora misurare l’accuratezza delle “previsioni di vendita” è semplice: qualsiasi degli indicatori usuali, come il MAE (errore medio assoluto), funzionerà. Tuttavia, il problema è che la maggior parte delle aziende vuole fare previsioni sulla “domanda”, non sulle vendite. Tuttavia, i dati storici sulle vendite sono un proxy imperfetto della domanda storica. Le scorte esaurite e le promozioni (e eventualmente le mosse dei concorrenti) distorcono le vendite storiche.

Pertanto, la sfida consiste nel determinare la “domanda” originale mentre i dati storici riflettono solo le vendite storiche. A questo scopo, Lokad utilizza una varietà di tecniche. Infatti, la natura della distorsione tra le vendite (osservate) e la domanda (nascosta) varia notevolmente a seconda del tipo di attività presa in considerazione. Le cannibalizzazioni e le sostituzioni complicano ulteriormente la situazione.

La maggior parte delle tecniche di Lokad abbandona i modelli di serie temporali che, per loro natura, non possono comprendere le informazioni necessarie. Infatti, nella maggior parte dei casi, i dati sulle vendite vengono “arricchiti” con informazioni aggiuntive (come gli eventi di esaurimento delle scorte) che possono essere sfruttate per ottenere un modello migliore della domanda nascosta. Tuttavia, queste informazioni aggiuntive raramente si adattano al paradigma (semplicistico) delle serie temporali. La presunta sofisticatezza dei modelli di serie temporali è irrilevante se i dati richiesti esistono al di fuori del loro paradigma operativo (cioè non possono essere catturati o espressi da essi).

Vedi Modellazione predittiva strutturata per la supply chain per ulteriori informazioni su questo punto.

3.3 Fornite rapporti sull’accuratezza delle previsioni? Fornite una prospettiva sull’errore di previsione proiettato?

Sommario esecutivo: Sì. Per semplicità, la piattaforma di Lokad può esprimere le sue previsioni probabilistiche (e quindi l’errore) in un formato grafico intuitivo. Questo assume la forma di un grafico tradizionale delle serie temporali in cui l’errore di previsione (“incertezza”) cresce insieme all’orizzonte temporale. Questo grafico ad effetto fucile aiuta a visualizzare come l’intervallo dei valori potenziali (ad esempio, la domanda) si espande man mano che si guarda più avanti nel futuro. Questi rapporti sono disponibili per i clienti in qualsiasi momento nei loro account Lokad.

Metà della sfida nel migliorare l’accuratezza di un modello predittivo consiste nella creazione di strumenti di report adeguati. Questo compito è svolto dai Supply Chain Scientist di Lokad. Poiché Lokad utilizza previsioni probabilistiche, l’errore previsto mostra tipicamente un “effetto fucile” in cui l’errore di previsione atteso aumenta costantemente all’aumentare dell’orizzonte di previsione. Questi rapporti sono accessibili dall’azienda cliente all’interno della piattaforma Lokad.

Tuttavia, nell’ambito della previsione probabilistica, l’“accuratezza della previsione” è in gran parte relegata a una secondaria tecnicità. In questo approccio, l’obiettivo principale è prendere decisioni finanziarie corrette dal punto di vista del rischio che tengano conto della totalità dei driver e dei vincoli economici dei clienti, nonché della grande incertezza dei valori futuri (come la domanda o i tempi di consegna). Ad esempio, se l’incertezza è particolarmente alta, le decisioni corrispondenti sono tipicamente più conservative. Pertanto, non è saggio misurare l’accuratezza delle previsioni probabilistiche in modo isolato; piuttosto, si dovrebbe valutare il ROI associato alle decisioni corrette dal punto di vista del rischio generate utilizzando le previsioni probabilistiche.

Con le previsioni classiche (chiamate anche previsioni deterministiche, in opposizione alle previsioni probabilistiche), quasi ogni caso di inesattezza della previsione si traduce in decisioni costose e sbagliate per l’azienda cliente. Ecco perché le aziende sono così decise nel “correggere” le loro previsioni. Tuttavia, a cinque decenni dall’inizio delle moderne tecniche di previsione statistica delle serie temporali, le aziende sono ancora lontane dall’avere previsioni “accurate”. Da Lokad, non crediamo che una tecnica di previsione “super-accurata” sia dietro l’angolo. Crediamo che l’incertezza del futuro sia in gran parte irriducibile. Tuttavia, combinando previsioni probabilistiche con decisioni corrette dal punto di vista del rischio, le conseguenze negative dell’alta incertezza sono in gran parte mitigati.

Di conseguenza, l’accuratezza delle previsioni cessa di suscitare l’interesse di chiunque tranne gli esperti tecnici che si occupano del modello predittivo stesso. Gli interessi semplicemente non sono più abbastanza alti per il resto dell’organizzazione.

3.4 Qual è la percentuale prevista di previsioni automatizzate e accurate?

100%, se definiamo “accurato” come abbastanza buono per indirizzare decisioni corrette per la supply chain. Ciò non significa che ogni previsione sia precisa. Al contrario, attraverso la previsione probabilistica, Lokad abbraccia l’incertezza irriducibile del futuro. Spesso, l’incertezza è elevata e di conseguenza le previsioni probabilistiche sono molto disperse. Di conseguenza, le decisioni corrette dal punto di vista del rischio che vengono generate basandosi su tali previsioni sono molto prudenti.

A differenza di molte soluzioni tecnologiche obsolete, Lokad considera ogni singola previsione (probabilistica) che non può essere utilizzata per scopi produttivi come un difetto del software che deve essere corretto. I nostri Supply Chain Scientist sono lì per garantire che tutti questi difetti vengano corretti molto prima di passare alla produzione. Il nostro cronoprogramma per la risoluzione di questa classe di problemi è di solito a metà del processo di integrazione.

D’altra parte, le previsioni classiche (chiamate anche previsioni “deterministiche”) causano inevitabilmente caos quando sono inaccurate, perché vengono prese decisioni di fornitura insensate basate su quelle previsioni. Al contrario, le previsioni probabilistiche incorporano la loro stessa quantificazione dell’incertezza prevista. Quando i volumi di domanda sono bassi e erratici, le previsioni probabilistiche riflettono l’alta incertezza intrinseca della situazione. Il calcolo delle decisioni corrette dal punto di vista del rischio di Lokad dipende molto dalla capacità di valutare i rischi in primo luogo. A questo scopo, le previsioni probabilistiche sono interamente progettate.

3.5 È possibile monitorare metriche come MAPE (Mean Absolute Percentage Error), MPE (Mean Percentage Error), MAE (Mean Absolute Error) nel tempo?

Sì.

La piattaforma di Lokad è programmabile ed è semplice monitorare tutte le metriche usuali come MAPE, MEP, MAE, ecc. Possiamo anche monitorare tutte le metriche leggermente meno comuni, come iterazioni personalizzate di quelle metriche preferite dall’azienda cliente. Ad esempio, varianti “pesate”, come MAPE pesato, MAE pesato, ecc., dove gli schemi di ponderazione dipendono da regole di business specifiche.

Lokad può raccogliere e consolidare nel tempo metriche rilevanti/preferite man mano che vengono generate nuove previsioni. Possiamo anche rigenerare le metriche “riproducendo” i dati storici (cioè backtesting), se l’azienda cliente desidera valutare le prestazioni statistiche previste di un modello di previsione rivisto.

Tuttavia, le metriche sopra menzionate si riferiscono tutte a previsioni classiche (anche chiamate previsioni deterministiche). Le previsioni deterministiche dovrebbero essere considerate obsolete per scopi di supply chain in quanto non sono progettate (o in grado) di affrontare l’incertezza associata ai valori futuri (come la domanda o i tempi di consegna). Mirano a identificare un singolo possibile valore futuro, anziché tutti i valori futuri probabili e le loro probabilità. Per questo motivo, Lokad utilizza previsioni probabilistiche, un approccio che quantifica l’incertezza che le previsioni di serie temporali ignorano.

3.6 È possibile confrontare più scenari utilizzando metriche definite dall’utente (ad esempio, fatturato, profitto, costo, rischio, ecc.)?

Sì.

La piattaforma di Lokad è programmabile, quindi può introdurre metriche complesse guidate da molte regole aziendali (ad esempio, metriche definite dall’utente). Può anche introdurre scenari alternativi complessi in cui la struttura e/o le capacità della rete di supply chain vengono modificate (oltre che semplicemente aumentare/diminuire la domanda e i tempi di consegna, ad esempio). Ciò aiuta Lokad a migliorare la gestione del rischio, la pianificazione strategica e la presa di decisioni preparandosi a diverse situazioni e risultati potenziali della supply chain.

Vale la pena notare che le capacità tipiche di gestione degli “scenari” sono obsolete - dal punto di vista di Lokad. Poiché Lokad opera con modelli predittivi probabilistici, in un certo senso, ogni decisione di supply chain che generiamo è già adeguata al rischio. Ciò significa che è già ottimizzata rispetto a tutti i possibili valori futuri (ad esempio, la domanda) considerando le rispettive probabilità.

Pertanto, gli “scenari” in Lokad non vengono utilizzati per valutare “variazioni future” poiché tali variazioni sono già completamente integrate nella modalità operativa di base di Lokad. Gli scenari vengono utilizzati per affrontare cambiamenti drastici al di là delle variazioni, tipicamente più allineati a ciò che gli operatori definirebbero come ‘progettazione della supply chain’, come la modifica della topologia della rete, la capacità della rete, la posizione dei fornitori, ecc.

3.7 Monitorate e controllate l’accuratezza delle previsioni e l’errore delle previsioni (e eventualmente altre metriche di domanda) con diversi ritardi definiti?

Sì. Lokad monitora gli errori predittivi con molte metriche, inclusa la dimensione orizzonte/ritardo. Lokad monitora l’accuratezza predittiva su tutte le previsioni, inclusa la domanda, i tempi di consegna, i resi, ecc.

La qualità di tutti i modelli predittivi dipende dall’orizzonte. Di solito, più avanti è la previsione, maggiore è l’incertezza. La piattaforma di Lokad è stata progettata per rendere semplice il monitoraggio di una vasta gamma di metriche considerando l’orizzonte/ritardo applicabile. Questo principio non si applica solo alle previsioni di domanda, ma a tutte le previsioni, inclusi i tempi di consegna, le previsioni di reso, ecc.

Inoltre, va notato che le previsioni probabilistiche forniscono una valutazione quantitativa diretta dell’incertezza che cresce con l’orizzonte. Pertanto, l’errore crescente dipendente dall’orizzonte non è solo misurato, ma anche previsto. Poiché le decisioni di supply chain ottimizzate da Lokad sono adeguate al rischio, le nostre decisioni riflettono automaticamente il rischio aggiuntivo associato alle decisioni che dipendono da previsioni a lungo termine (rispetto alle previsioni a breve termine).

3.8 È possibile aggregare i dati a livello di prodotto/filiale per convalidare la previsione statistica?

Sì, Lokad monitora gli errori predittivi e i bias a molti livelli, inclusi i livelli gerarchici rilevanti (ad esempio, per prodotto, per filiale, per categoria, per regione, per marca, ecc.) quando sono presenti gerarchie. La tecnologia di programmazione differenziabile di Lokad ci consente persino di affinare le previsioni a una determinata granularità per ridurre al minimo un errore o un bias che si verifica a un’altra granularità.

Più in generale, per quanto riguarda la convalida, poiché la piattaforma Lokad è programmabile, le previsioni storiche possono essere riaggregare in qualsiasi modo ritenuto opportuno dall’azienda cliente. Allo stesso modo, la metrica utilizzata per convalidare le previsioni aggregate può differire dalla metrica utilizzata per convalidare le previsioni disaggregate, se l’utilizzo di una metrica alternativa è ritenuto preferibile dall’azienda cliente.

4. Gestione e pulizia dei dati

4.1 Identificate automaticamente gli errori nei dati?

Sì. Gli scienziati della supply chain di Lokad creano meticolosamente dashboard di “salute dei dati” per ogni progetto del cliente. Queste dashboard di salute dei dati sono progettate per identificare automaticamente eventuali problemi nei dati. Inoltre, queste dashboard identificano la criticità dei problemi e il responsabile della risoluzione dei problemi.

La criticità del problema determina se è accettabile o meno generare decisioni di supply chain basate sui dati in cui è presente il problema. A volte, significa limitare le decisioni accettabili a un sottoinsieme all’interno dell’azienda cliente che viene considerato “sicuro” rispetto al problema. In realtà, aspettarsi un dataset privo di problemi al 100% non è tipicamente realistico quando si tratta di grandi aziende. Pertanto, l’ottimizzazione della supply chain deve essere in grado di operare (in qualche misura) con dati imperfetti, purché l’imperfezione non metta in pericolo la coerenza delle decisioni di supply chain.

Il responsabile del problema definisce chi è responsabile della risoluzione del problema. A seconda del tipo di problema, il problema può originarsi da luoghi completamente diversi all’interno dell’azienda cliente. Ad esempio, i dati storici troncati sono molto probabilmente un problema per il dipartimento IT, mentre i margini lordi negativi (cioè il prezzo di vendita è inferiore al prezzo di acquisto) appartengono sia all’approvvigionamento che alle vendite.

Identificare errori nei dati non banali è un problema di intelligenza generale che richiede una comprensione approfondita della supply chain di interesse. Pertanto, questo processo non può essere automatizzato (ancora); attualmente va oltre ciò che le tecnologie software possono offrire. Tuttavia, una volta identificato un determinato problema, uno scienziato della supply chain può automatizzare le future rilevazioni. In pratica, i nostri scienziati della supply chain implementano in modo proattivo il tipo più frequente di problemi come parte della bozza iniziale delle dashboard di “salute dei dati”.

Vedi Salute dei dati in The Data Extraction Pipeline per ulteriori informazioni sulla salute dei dati.

4.2 Pulite automaticamente i dati storici?

Sommario esecutivo: Sì, nel senso che Lokad non si aspetta che il nostro/i cliente(i) preelabori manualmente i dati aziendali prima di fornirli a noi. Inoltre, l’intera pipeline dei dati (costruita tra Lokad e ciascun cliente) viene eseguita in modo automatico con tutti i processi completamente automatizzati.

Lokad raramente “pulisce” i dati storici; almeno non nel senso usuale. Ci sono diverse tecnologie obsolete che richiedono una preparazione estensiva (“pulizia”) dei dati storici per funzionare. Ad esempio, i vecchi sistemi di serie storiche si aspettavano tipicamente che le diminuzioni della domanda (stockout) e gli aumenti della domanda (promozioni) fossero corretti per mantenere le previsioni coerenti.

Questo è un riflesso dei limiti dell’approccio delle serie storiche. Di conseguenza, i dati storici devono essere preparati in modo estensivo per renderli più adatti (in qualche modo) a un sistema difettoso (serie storiche). Chiamare questo processo “pulizia dei dati” è fuorviante perché dà l’impressione che il problema risieda nei dati storici, mentre la causa principale è il design difettoso del sistema che elabora i dati storici.

Al contrario, la tecnologia di modellazione predittiva di Lokad va ben oltre l’approccio delle serie storiche. Attraverso la programmazione differenziabile, possiamo elaborare qualsiasi tipo di dati relazionali, invece di essere vincolati a una “serie storica”. Ciò significa che tutti i fattori causali (ad esempio, prezzi, scorte, eventi, ecc.) che sottostanno sia alla domanda che al tempo di approvvigionamento sono esplicitamente considerati nel modello. L’integrazione causale è molto superiore alla pulizia dei dati, quando applicabile, perché i dati puliti sono irreali (nessuno saprà mai con certezza quale sarebbe stato il valore della domanda se non ci fosse stato lo stockout).

Occasionalmente, i dati aziendali (storici o meno) richiedono correzioni. Lokad cerca di fornire queste correzioni automaticamente quando possibile, eventualmente sfruttando il machine learning a seconda dello scenario. Ad esempio, la matrice di compatibilità meccanica tra auto e parti può essere migliorata automaticamente con un metodo di apprendimento semi-supervisionato (vedi Ottimizzazione del Pricing per il Mercato dell’Automotive).

4.3 Permettete agli utenti di pulire manualmente i dati storici?

Sì, se il cliente desidera questa funzionalità, Lokad può fornire un flusso di lavoro a tal scopo. Tuttavia, di solito non consigliamo agli utenti finali di pulire manualmente i dati.

Altri software/soluzioni impongono numerosi compiti manuali ai loro utenti finali. Al contrario, gli scienziati della supply chain di Lokad creano algoritmi end-to-end (“ricette numeriche”) che si adattano ai dati così come sono. Per noi, la pulizia manuale dei dati da parte del cliente è l’eccezione, non la norma.

Vedi anche Gestione e Pulizia dei Dati 4.2 in questa FAQ.

4.4 Come verranno puliti, gestiti e mantenuti i dati per evitare errori di modello non necessari?

Gli scienziati della supply chain di Lokad sono responsabili della configurazione della pipeline dei dati. I dati devono essere preparati, ma soprattutto i modelli predittivi devono essere progettati per adattarsi ai dati così come esistono attualmente. Lo scienziato della supply chain introduce gli strumenti (ad esempio, dashboard dedicate) per monitorare i dati di input grezzi e i dati preparati per assicurarsi che le decisioni sulla supply chain generate da Lokad siano corrette.

Molte soluzioni alternative guardano il problema solo attraverso le lenti della preparazione dei dati, dove qualsiasi output errato deve essere corretto regolando l’input. Tali soluzioni non sono programmatiche, quindi i modelli principali non possono essere modificati, solo i loro input possono essere modificati. Tuttavia, Lokad adotta un approccio tecnologico diverso. Supportiamo una tecnologia predittiva programmabile (tramite programmazione differenziabile). Pertanto, di fronte a output impropri (cioè, decisioni sulla supply chain errate), possiamo correggere gli input o i modelli (o entrambi).

Quasi invariabilmente, è la combinazione dei due aggiustamenti - una migliore preparazione dei dati e una migliore elaborazione dei dati - che porta a risultati soddisfacenti, e omettere uno dei due è una ricetta per risultati deludenti.

Vedi anche Gestione e Pulizia dei Dati 4.2 in questa FAQ.

Vedi anche La Pipeline di Estrazione dei Dati per ulteriori informazioni sul trasferimento automatizzato dei dati tra i clienti e Lokad.

4.5 Gestite e mantenete i dati principali (supportando gli sforzi di previsione)?

Sì, se richiesto dall’azienda cliente.

Tuttavia, consigliamo vivamente di non utilizzare la piattaforma di Lokad per questo scopo. Secondo la nostra opinione, gli strumenti analitici (come Lokad) dovrebbero essere tenuti strettamente separati dagli strumenti di inserimento dati, come un sistema di gestione dei dati principali.

Come regola generale, per evitare il blocco del fornitore, suggeriamo di evitare tutti gli strumenti software aziendali che comprendono tutto. I requisiti di progettazione per la gestione dei dati principali sono completamente diversi da quelli per l’analisi predittiva. La piattaforma di Lokad potrebbe essere un buon gestore dei dati principali, ma non sarà mai un ottimo gestore (la nostra progettazione si basa troppo sull’analisi predittiva) e, viceversa, la maggior parte dei gestori dei dati principali sono assolutamente terribili per l’analisi.

4.6 Gli utenti possono caricare input di vendita e marketing (inclusi piani/fondamenti futuri)?

Sì.

La piattaforma di Lokad è in grado di ricevere e elaborare più fonti di dati, in molti formati di dati, inclusi fogli di calcolo Excel. La nostra piattaforma è anche in grado di elaborare dati come quelli presenti nei reparti di vendita e marketing (cioè, a qualsiasi livello di dettaglio vengano memorizzati).

I team di vendita e marketing forniscono raramente dati organizzati a livello di SKU, o addirittura SKU x Località, il nostro livello di dettaglio preferito. Data questa limitazione, la piattaforma di Lokad è progettata per sfruttare i dati di input (ad esempio, da Vendite e Marketing) che sono a diversi livelli di dettaglio rispetto alle previsioni di output previste (ad esempio, SKU x Località).

4.7 Archiviate la domanda storica e le previsioni per analizzare la previsione a cascata?

Sì, di solito archiviamo tutte le previsioni passate, inclusa la domanda, il tempo di consegna, i resi, ecc.

Abbiamo sviluppato tecniche di compressione avanzate per limitare i costi di archiviazione dei dati associati a strategie di archiviazione su larga scala. Abbiamo anche adottato una progettazione generale che garantisce che i dati archiviati, anche in grandi quantità, non interferiscano con le prestazioni quotidiane della piattaforma (ad esempio, i calcoli e le visualizzazioni delle dashboard non rallentano a causa dei dati archiviati).

L’ingegneria della piattaforma di Lokad differisce significativamente dalle soluzioni alternative che vengono penalizzate in modo significativo, sia in termini di costi che di prestazioni (o entrambi) quando vengono implementate strategie di archiviazione estensive. Mentre tali soluzioni alternative offrono nominalmente ampie capacità di archiviazione, nella pratica tali archivi sono notevolmente ridotti al fine di mantenere la soluzione in esecuzione. Questo non è il caso di Lokad. Anche considerando aziende clienti su larga scala, mantenere archivi di anni non è generalmente un problema.

4.8 Archiviate le voci/manuali di input per analizzare l’impatto degli aggiustamenti sulle metriche di domanda?

Sì. Lokad archivia tutti gli input manuali, inclusi i caricamenti manuali di fogli di calcolo Excel. Quando gli input manuali vengono utilizzati per modificare i modelli predittivi (“override”, tipicamente con l’intento di perfezionare modelli/previsioni), utilizziamo tali archivi per quantificare il miglioramento (o il degrado) in termini di accuratezza predittiva introdotta. Questo lavoro viene normalmente svolto dagli Scienziati della Supply Chain di Lokad.

La piattaforma di Lokad offre funzionalità complete di versioning sia per i dati che per il codice/script. Questo è fondamentale poiché è necessario assicurarsi che, durante il backtesting, i dati aziendali “regolari” (tipicamente i dati storici ottenuti dai sistemi aziendali) utilizzati insieme agli input manuali siano esattamente gli stessi di quando sono stati forniti gli input manuali.

I dati aziendali vengono tipicamente aggiornati automaticamente. Tuttavia, utilizzare l’ultima versione dei dati aziendali non riflette correttamente la situazione come era al momento in cui è stato fornito il correttivo o l’input manuale. Allo stesso modo, il codice predittivo utilizzato da Lokad potrebbe essere evoluto dal momento in cui è stato fornito l’input manuale. Infatti, l’input manuale potrebbe essere stato fornito per affrontare un difetto nel codice predittivo che nel frattempo è stato risolto.

La piattaforma di Lokad copre anche queste situazioni, prevenendo intere classi di conclusioni errate. Considerate situazioni in cui gli input manuali vengono successivamente valutati come “errati” quando, in realtà, erano rilevanti considerando le condizioni esatte al momento in cui sono stati forniti gli input manuali.

5. Classificazione e Clustering dei Prodotti

5.1 Identificate i prodotti a lenta rotazione e i modelli di domanda irregolari?

Sommario esecutivo: Sì, la tecnologia predittiva di Lokad fornisce una caratterizzazione quantitativa molto approfondita di tutti gli SKU di interesse.

In particolare, l’approccio di previsione probabilistica di Lokad è ben adatto per affrontare modelli di domanda intermittenti e erratici. Valutando le probabilità per eventi rari, Lokad può identificare la “irregolarità” della domanda, che tipicamente riflette i consumatori che acquistano molte unità in una sola volta. Ad esempio, un cliente acquista l’intero inventario disponibile di interruttori (identici) in un negozio di ferramenta, introducendo così una carenza di stock a livello di SKU.

La programmazione differenziabile, il paradigma di apprendimento automatico di Lokad, è ideale per affrontare la “legge dei piccoli numeri” che caratterizza la maggior parte delle situazioni della supply chain. I prodotti a lenta rotazione, per loro natura, presentano un numero molto limitato di dati. Allo stesso modo, le fluttuazioni trovate nella domanda irregolare sono anche, per loro natura, rare. Pertanto, l’efficienza dei dati del modello predittivo è fondamentale. A questo riguardo, la programmazione differenziabile è superiore alle alternative nella sua capacità di riflettere le intuizioni di alto livello fornite attraverso la struttura stessa del modello.

Le soluzioni alternative di solito falliscono in presenza di prodotti a lenta rotazione e modelli di domanda irregolari. Le previsioni classiche (cioè, previsioni non probabilistiche) non possono affrontare i prodotti a lenta rotazione senza ricorrere a una domanda frazionaria che non è “reale”. Questa domanda frazionaria (ad esempio, 0,5 unità), sebbene “matematicamente” corretta, non è un modo pratico per prendere decisioni sensate sulla supply chain, poiché naturalmente è necessario ordinare un numero intero di unità.

Allo stesso modo, le previsioni classiche non possono riflettere matematicamente l’“irregolarità” della domanda.

Ad esempio, una previsione probabilistica può riflettere che una libreria vende 1 unità al giorno (in media), composta da un mix di 1 professore che acquista in media 20 libri al mese e 1 studente che acquista 1 libro ogni 2 giorni (in media).

Questa informazione sarà riflessa nella distribuzione di probabilità della domanda del modello. Tuttavia, per una previsione classica basata su serie temporali, trasmettere la realtà sfumata della domanda, come gli acquisti sporadici in blocco, non è fattibile. Prevedrebbe solo una domanda media di 1 libro al giorno, non riuscendo a catturare il vero pattern della domanda e quindi rappresentando in modo errato la vera natura delle vendite. Ciò, a sua volta, limita notevolmente la possibilità di prendere decisioni finanziariamente sensate sulla gestione dell’inventario.

5.2 Identifichi l’inventario a lenta rotazione o obsoleto e fornisce raccomandazioni per “tenere o vendere”?

Sì. Lokad identifica l’inventario a lenta rotazione utilizzando previsioni probabilistiche, consentendo decisioni tempestive e a rischio ridotto per mitigare i rischi di sovrastoccaggio e di inventario morto. Le raccomandazioni vanno oltre “tenere o vendere”, includendo sconti, spostamenti e adeguamenti per evitare la cannibalizzazione.

L’identificazione degli SKU (in termini di domanda) a lenta rotazione o obsoleti viene effettuata con previsioni di domanda probabilistiche. Le previsioni probabilistiche sono eccellenti per identificare e valutare i rischi, compresi i rischi di sovrastoccaggio e di inventario morto. Ciò ci consente di produrre decisioni che sono regolate dal rischio quando vengono combinate con le nostre capacità di ottimizzazione stocastica. Pertanto, i rischi di inventario vengono quantificati per tutti gli SKU in tutte le fasi del loro ciclo di vita. Questo design è fondamentale poiché ci consente di identificare il prima possibile (e affrontare) la maggior parte delle situazioni di inventario prima che diventino problematiche.

Infine, Lokad non si limita a fornire semplicemente raccomandazioni di “tenere o vendere”. Possiamo fornire ai clienti raccomandazioni che riflettono l’intero spettro delle opzioni disponibili. Ad esempio, Lokad può consigliare sconti o promozioni per aiutare a liquidare l’inventario. Possiamo anche consigliare di spostare l’inventario altrove se altri canali mostrano una forte domanda. Possiamo consigliare di mettere in pausa temporaneamente o declassare un altro prodotto che accidentalmente cannibalizza la domanda per un altro SKU.

In breve, gli scienziati della supply chain di Lokad sono lì per assicurarsi che nessuna pietra sia lasciata inesplorata prima di dichiarare che un determinato stock è “morto”.

Vedi anche Classificazione e Clustering dei Prodotti 5.1 in questa sezione delle domande frequenti.

5.3 Permettete agli utenti di gestire flussi di lavoro gerarchici dei dati dei prodotti (dal top-down, dal middle-out e dal bottom-up)?

Sì. Dato che la piattaforma Lokad è programmabile, possiamo gestire qualsiasi flusso di lavoro ragionevolmente ben specificato per i nostri clienti. Gli esempi includono qualsiasi flusso di lavoro che opera lungo le gerarchie di prodotti esistenti del cliente.

Secondo noi, il ROI (ritorno sull’investimento) del cliente per consentire ai propri dipendenti di navigare tali flussi di lavoro è molto incerto. La stessa necessità di tali flussi di lavoro riflette difetti profondi nel software della supply chain che devono essere risolti dall’interno, sfruttando al massimo l’automazione possibile.

La piattaforma di Lokad fornisce ampie capacità per visualizzare i dati lungo tutte le dimensioni rilevanti: gerarchie di prodotti, regioni, orizzonti temporali/lag, fornitori, tipi di clienti, ecc. Queste capacità sono fondamentali per identificare sia difetti che aree di ulteriori miglioramenti. Tuttavia, sfruttare queste capacità per un “flusso di lavoro” è generalmente fuorviante (sebbene semplice per Lokad). Piuttosto, raccomandiamo di modificare direttamente le ricette numeriche sottostanti (codice) utilizzate da Lokad al fine di eliminare la necessità per i professionisti della supply chain di gestire i flussi di lavoro.

Molte soluzioni alternative non presentano capacità programmatiche. Di conseguenza, quando viene identificato un difetto, di solito non ci sono opzioni se non aspettare la prossima versione del software (possibilmente anni nel futuro) o optare per la personalizzazione, un percorso che di solito porta a problemi, poiché l’azienda cliente si ritrova con un prodotto software non mantenuto.

5.4 Permettete agli utenti di organizzare elementi correlati in modo gerarchico e di metterli insieme in base a una varietà di fattori?

Sì.

La piattaforma di Lokad fornisce ampie capacità che consentono agli utenti di riunire elementi (ad esempio, SKU, prodotti, clienti, fornitori, sedi, ecc.) in base a una vasta gamma di fattori, inclusi input manuali.

Dato che la piattaforma di Lokad è programmabile, finché il criterio di raggruppamento o di prossimità può essere espresso numericamente, è semplice raggruppare gli elementi del cliente di conseguenza. Questo compito è svolto dagli scienziati della supply chain di Lokad.

A proposito, la piattaforma di Lokad può anche sfruttare le relazioni tra elementi correlati in modo gerarchico per scopi predittivi o di ottimizzazione. In particolare,

La piattaforma di Lokad adotta una prospettiva relazionale per tutti i suoi strumenti numerici. La prospettiva relazionale va oltre le serie temporali e i grafici, mescolando dati sia relazionali che gerarchici. Questa prospettiva relazionale permea i nostri strumenti, inclusi i nostri strumenti di machine learning. Questo aspetto è fondamentale per sfruttare le relazioni disponibili al di là di meri scopi di visualizzazione.

5.5 Che tipo di classificazione di prodotto offrite (ABC / XYZ…) basata sui dati storici delle vendite?"

Sommario esecutivo: Lokad può offrire classificazioni flessibili dei prodotti ABC e ABC XYZ, adattandosi a variazioni ed esclusioni, se richiesto dal cliente. Tuttavia, consideriamo queste classificazioni (e le loro controparti) obsolete. La posizione di Lokad è che la moderna gestione della supply chain dovrebbe concentrarsi su informazioni azionabili che portano a decisioni corrette in base al rischio, anziché fare affidamento su strumenti di categorizzazione semplicistici.

La piattaforma di Lokad supporta tutti gli schemi di classificazione principali, inclusi ABC e Analisi ABC XYZ, ecc. Poiché la piattaforma di Lokad è programmabile, è anche semplice adattarsi a tutte le sottili variazioni che esistono definendo attentamente tali classi (ad esempio, regole di esclusione sottili). Tuttavia, le classificazioni dei prodotti (come quelle elencate sopra) sono un approccio tecnologicamente obsoleto ai problemi e all’ottimizzazione della supply chain.

Alcuni fornitori di software per la supply chain, specialmente quelli che presentano tecnologie obsolete, vantano l’Analisi ABC o l’Analisi ABC XYZ. Tuttavia, invariabilmente, le classificazioni fornite da questi strumenti vengono utilizzate per mitigare i numerosi difetti della soluzione software che il cliente sta già utilizzando, trattando così i sintomi ma non la causa del problema/i. Questi strumenti vengono utilizzati come meccanismi di attenzione e prioritizzazione approssimativi. Questo non è un modo adatto per affrontare questioni di interesse, come la domanda intermittente o volatile.

Prima di tutto, i difetti fondamentali devono essere affrontati per liberare i professionisti della supply chain da tali revisioni noiose. In secondo luogo, le classificazioni basate sul volume sono troppo approssimative per avere un valore pratico e fanno un uso molto scarso del tempo dei professionisti della supply chain.

Ecco perché gli scienziati della supply chain di Lokad guidano i clienti verso decisioni che riflettono l’impatto finanziario di una potenziale decisione/azione della supply chain (tipicamente misurato in dollari o euro). A meno che gli elementi e le decisioni non siano prioritizzati in base al loro ROI (ritorno sull’investimento) in termini di risultati finanziari, qualsiasi tentativo di “prioritizzazione” o “ottimizzazione” è fondamentalmente inutile.

Per ulteriori informazioni sulle limitazioni di questi strumenti di classificazione, consulta ABC XYZ in 3 minuti e L’Analisi ABC non funziona.

5.6 Fornite clustering/stratificazione di prodotti e/o negozi?

Sì.

La piattaforma di Lokad fornisce funzionalità di clustering/stratificazione per qualsiasi elemento di interesse, come negozi, prodotti, clienti, SKU, fornitori, ecc. Questo è possibile grazie alle capacità di elaborazione della nostra piattaforma quando si tratta di dati relazionali. Ciò ci consente di gestire elementi complessi che non possono essere “appiattiti” in una serie fissa di proprietà. Inoltre, attraverso la programmazione differenziabile, Lokad può apprendere/ottimizzare le metriche di similarità utilizzate per raggruppare gli elementi in modi particolarmente utili per un determinato compito, come la previsione.

Per ulteriori informazioni sulle capacità di clustering di Lokad con poche righe di codice Envision, consulta Illustrazione: Clustering.

5.7 Affinate la previsione con gerarchie di prodotti/località e/o clustering?

Sì.

Lokad sfrutta appieno la struttura relazionale dei dati di input. Il nostro approccio di programmazione differenziabile è particolarmente adatto per elaborare dati relazionali. È così che Lokad può sfruttare gerarchie, liste, opzioni, grafi, attributi numerici e categorici per i suoi modelli predittivi. Inoltre, i nostri modelli predittivi prevedono tutte le fonti di incertezza della supply chain, compresa la domanda, i tempi di consegna, i resi, i rendimenti, i prezzi delle materie prime, ecc.

Il clustering può essere utilizzato per identificare un pattern rilevante per la previsione di interesse. Ad esempio, tutte le tipiche ciclicità (ad esempio, giorno della settimana, settimana del mese, settimana dell’anno, ecc.) e le quasi-ciclicità (ad esempio, Pasqua, Capodanno cinese, Ramadan, Black Friday, ecc.) possono beneficiare di questo tipo di tecnica. La piattaforma di Lokad fornisce un ampio supporto per strumentare il clustering a fini predittivi.

Per ulteriori informazioni su questo punto, consulta Illustrazione: Ciclicità basata sul clustering.

6. Eventi e Variabili Esplicative

6.1 Identificate eventi eccezionali (ad esempio, eventi di mancanza di stock) e promozioni nei dati storici?

Sommario esecutivo: Sì. Lokad arricchisce i dati storici con eventi eccezionali noti utilizzando la programmazione predittiva, migliorando l’accuratezza rispetto alle tradizionali previsioni di serie storiche. Questo approccio gestisce dati incompleti e può ricostruire eventi persi (come soluzione alternativa quando una registrazione diretta degli eventi storici non è disponibile).

I dati storici sono accompagnati da numerosi eventi che distorcono le misurazioni (ad esempio, la domanda, il tempo di consegna, ecc.). Lokad opera attraverso paradigmi di programmazione predittiva, come la programmazione differenziabile, che ci consentono di arricchire la storia di base con tutti quegli eventi. Tuttavia, come regola generale, questi eventi eccezionali non vengono “identificati” - sono già noti. Se eventi rilevanti sono stati persi, Lokad può operare un modello predittivo per ricostruire tali eventi.

Le vecchie tecnologie di previsione, ormai obsolete, erano incapaci di gestire qualsiasi cosa diversa dalle semplici serie storiche. Di conseguenza, ogni distorsione che si applicava alla domanda doveva essere corretta in anticipo, altrimenti le previsioni sarebbero state gravemente degradate/sbagliate. Purtroppo, questo approccio è difettoso per natura perché le previsioni di serie storiche vengono costruite su altre previsioni, accumulando così imprecisioni.

La tecnologia predittiva di Lokad non soffre dello stesso problema in quanto supporta variabili esplicative aggiuntive. Invece di fingere di sapere con certezza cosa sarebbe successo senza gli eventi storici (come una mancanza di magazzino), il modello predittivo riflette la variabile esplicativa nei suoi output (cioè le sue previsioni). Questa metodologia non richiede un approccio graduale alla previsione. Inoltre, può sfruttare dati incompleti, come una mancanza di magazzino riscontrata alla fine della giornata dopo una vendita record di unità - informazioni che sono ancora molto rilevanti, anche nella loro forma incompleta.

Se eventi rilevanti (ad esempio, mancanze di magazzino) sono stati persi o semplicemente mai registrati, Lokad è in grado di ricostruire tali eventi attraverso un’analisi dei dati storici. Tuttavia, per quanto accurata possa essere questa ricostruzione dal punto di vista statistico, sarà sempre meno accurata di una registrazione diretta degli eventi mentre si verificano. Questo è il motivo per cui Lokad di solito storicizza indicatori come i livelli di magazzino quando tali indicatori non sono correttamente archiviati nei rispettivi sistemi aziendali.

6.2 Identificate eventi eccezionali e festività (mobili)?

Sì. I modelli predittivi di Lokad si adattano a eventi eccezionali e festività. I nostri Supply Chain Scientist valutano gli impatti, fornendo ai clienti un modello trasparente e una comprensione degli effetti di un evento specifico sulla dinamica della catena di approvvigionamento del cliente.

Lokad identifica tutti gli eventi eccezionali e adatta la struttura stessa dei suoi modelli predittivi per rifletterli. Tuttavia, per tutti i modelli quasi ciclici (ad esempio, Pasqua, Capodanno cinese, Ramadan, Black Friday, ecc.) l’identificazione è un dato di fatto - sappiamo già che l’evento esiste ed è significativo. L’unica domanda rimasta da rispondere è la quantificazione dell’impatto dell’evento.

Consentendo agli Supply Chain Scientist di effettuare una valutazione di alto livello sull’impatto di un evento ben noto (o sulla mancanza di esso), otteniamo un modello predittivo con una maggiore efficienza dei dati. L’alta efficienza dei dati è fondamentale per mantenere l’accuratezza del modello predittivo quando ci sono pochi dati disponibili, come spesso accade nelle situazioni di supply chain.

Inoltre, quando Lokad identifica esplicitamente e nomina i modelli, il personale della catena di approvvigionamento del cliente beneficia di un modello predittivo a scatola bianca che include fattori semantici. Ad esempio, l’impatto del Black Friday (se presente) è accompagnato da un fattore dedicato valutato dai dati storici. Il professionista della supply chain può quindi utilizzare questo fattore per capire quali prodotti sono più sensibili al Black Friday specificamente, isolandoli da tutti gli altri modelli che sono in gioco, come la stagionalità (cioè la ciclicità annuale).

Vedi anche Eventi ed eventi esplicativi 6.1 in questa FAQ.

6.3 Gestite le situazioni di mancanza di magazzino come variabile esplicativa?

Sì. Lokad incorpora direttamente le situazioni di mancanza di magazzino nei suoi modelli predittivi, affrontando sia le mancanze di magazzino complete che parziali senza dover ricorrere alla ricostruzione della domanda “falsa” per colmare le lacune nei dati. Piuttosto, modelliamo direttamente ciò che è generalmente noto come la domanda censurata. Inoltre, Lokad è in grado di tenere conto delle mancanze di magazzino parziali (quando la mancanza di magazzino avviene durante la giornata lavorativa) e sfruttare le informazioni corrispondenti.

Più in generale, Lokad è anche in grado di gestire tutti gli artefatti indotti dalle mancanze di magazzino. A seconda delle specificità dell’azienda cliente, tali artefatti possono variare notevolmente. Ad esempio, potrebbe esserci un aumento della domanda alla fine del periodo di mancanza di magazzino, se i consumatori sono abbastanza fedeli da aspettare. Potrebbero anche esserci ordini in sospeso, pur subendo un’attrizione parziale poiché tali consumatori potrebbero rifiutarsi di ritardare il loro acquisto. E così via.

Gli scienziati della supply chain impiegati da Lokad sono lì per assicurarsi che le mancanze di magazzino siano modellate in modo adeguato e riflettano realmente la dinamica del business dell’azienda cliente.

Consulta le discussioni su “Mascheramento delle perdite” in Modellazione predittiva strutturata per la supply chain e “Modello di lead-time incompleto” in Previsione dei tempi di consegna per ulteriori informazioni su come Lokad gestisce queste situazioni.

6.4 Prevedete le promozioni?

Sì. La tecnologia predittiva di Lokad può prevedere la variazione della domanda influenzata dai meccanismi promozionali. Il meccanismo promozionale può includere variazioni del prezzo, cambiamenti nella posizione di visualizzazione (e-commerce), cambiamenti nell’assortimento, cambiamenti di visibilità (ad esempio, gondole nel settore del retail), ecc. In breve, Lokad fornisce previsioni probabilistiche per le promozioni, proprio come fa per tutte le potenziali fonti di incertezza della supply chain (ad esempio, domanda, tempi di consegna, resi, ecc.).

Le decisioni sulla supply chain di Lokad, come il rifornimento di inventario, tengono conto non solo dell’attività promozionale pianificata per il futuro, ma anche del potenziale per tale attività. Ad esempio, se l’azienda cliente ha la possibilità di fare promozioni e i suoi clienti (tipicamente) rispondono bene alle promozioni, significa che l’azienda cliente può essere un po’ più aggressiva con le scorte. Questo perché le promozioni sono uno strumento efficace per mitigare gli eccessi di magazzino. Al contrario, se l’azienda cliente ha una clientela che reagisce poco alle promozioni, allora deve prestare maggiore attenzione agli eccessi di magazzino. Questo perché le manca questo meccanismo per mitigarli.

Lokad genera decisioni di questo tipo, adattate al rischio (e alle opzioni), sfruttando previsioni probabilistiche. Queste previsioni sono essenziali per valutare i rischi in primo luogo. Successivamente, utilizziamo l’ottimizzazione stocastica - in termini semplici, un’operazione matematica - per elaborare decisioni che massimizzano il ROI (ritorno sull’investimento) del cliente, dati i loro molteplici fattori di incertezza (ad esempio, domanda, tempi di consegna, promozioni, resi, ecc.).

6.5 Identificate e prevedete i lanci di nuovi prodotti e le sostituzioni?

Sommario esecutivo: Sì, Lokad prevede la domanda per tutti i prodotti, inclusi quelli nuovi. Facciamo questo indipendentemente dalla quantità di dati storici disponibili per i prodotti, che probabilmente sarà zero se il prodotto non è ancora stato lanciato.

Per produrre previsioni statistiche nelle condizioni menzionate, Lokad di solito sfrutta (a) l’intera storia dei lanci all’interno dell’azienda cliente, (b) le caratteristiche del prodotto per posizionarlo nell’offerta, (c) i prodotti alternativi che forniscono sia una base che un potenziale per la cannibalizzazione e (d) le operazioni di marketing che supportano questo specifico lancio.

Se un prodotto è posizionato nell’offerta del cliente come la sostituzione esplicita di un vecchio prodotto, allora il compito di previsione è molto più semplice. Tuttavia, non raccomandiamo di adottare questo approccio a meno che il personale della supply chain del cliente sia convinto che i vecchi e nuovi prodotti siano veramente equivalenti per i consumatori. Nella pratica, un lancio di prodotto è raramente una sostituzione uno a uno tra nuovi e vecchi prodotti. Pertanto, Lokad utilizza una tecnologia superiore per sfruttare tutti i dati storici, anziché designare un prodotto per fornire la pseudo-storia del nuovo prodotto in fase di lancio.

Inoltre, Lokad genera previsioni probabilistiche per i lanci di prodotti. Questo è particolarmente importante perché le previsioni classiche (cioè non probabilistiche) ignorano completamente i modelli di successo o insuccesso che tendono ad essere prevalenti durante il lancio di nuovi prodotti. Le previsioni probabilistiche, d’altra parte, quantificano questa incertezza, permettendoci così di generare decisioni sulla supply chain corrette in base al rischio.

Nella maggior parte dei sistemi aziendali, la data di lancio del prodotto è correttamente identificata e quindi non c’è bisogno di un’identificazione specifica. Tuttavia, se i dati di lancio non sono registrati o registrati in modo errato, Lokad può procedere con una ricostruzione effettiva di queste informazioni. Naturalmente, i record di vendita precedenti rappresentano una base per il lancio.

Tuttavia, a volte, in caso di domanda intermittente, può passare molto tempo prima che il prodotto venda la sua prima unità. Gli scienziati della supply chain di Lokad hanno a disposizione varie euristiche per gestire queste situazioni.

Vedi anche Eventi ed Eventi Esplicativi 6.1 in questa FAQ.

6.6 Come si prevedono nuovi articoli o nuove posizioni senza una storia di vendite?

Lokad utilizza lanci precedenti e vendite attuali, sottolineando l’importanza degli attributi (formali e testuali), per prevedere la domanda di nuovi articoli/posizioni.

Sebbene un articolo possa essere “nuovo”, di solito non è il primo articolo “nuovo” ad essere lanciato dall’azienda cliente. La tecnologia predittiva di Lokad sfrutta i lanci precedenti degli articoli, così come i volumi di vendita attuali, per prevedere la domanda di un nuovo articolo. In particolare, la disponibilità di attributi formali (ad esempio, colore, dimensione, forma, punto di prezzo, ecc.), così come gli attributi testuali (ad esempio, etichetta, breve descrizione, commenti, ecc.) sono di fondamentale importanza per posizionare matematicamente l’articolo nell’offerta più ampia dell’azienda.

Il processo con le nuove posizioni è simile, anche se i dati sono tipicamente molto più limitati. Mentre è comune per le aziende lanciare migliaia di nuovi prodotti all’anno (soprattutto in settori come la moda), poche aziende possono vantare anche solo cento nuove posizioni all’anno. Tuttavia, sfruttando gli attributi e le caratteristiche della nuova posizione, Lokad può produrre una previsione anche quando questa particolare posizione non ha una storia di vendite.

Vedi anche Eventi ed Eventi Esplicativi 6.5 in questa FAQ.

6.7 Considerate articoli predecessori, eventualmente contrassegnati o equivalenti/simili?

Sì, se gli articoli lanciati sono accompagnati da articoli “predecessori” o “simili”, la tecnologia predittiva di Lokad è in grado di sfruttare queste informazioni per affinare le sue previsioni.

Possiamo gestire l’intero spettro di fiducia nelle informazioni fornite, che va da “questo nuovo prodotto è un equivalente quasi perfetto di questo altro prodotto” a “questi due prodotti sono vagamente simili”. Possono essere forniti anche più predecessori se non c’è un articolo “più simile” chiaro.

Mentre le vecchie tecnologie di previsione (ora obsolete) costringevano gli operatori della supply chain ad abbinare manualmente vecchi e nuovi prodotti, questo non è il caso di Lokad. Presumendo che siano disponibili alcune informazioni di base, la nostra tecnologia è in grado di sfruttare i dati storici - provenienti da altri prodotti - per prevedere un nuovo articolo. Le informazioni di base rilevanti includono le etichette dei prodotti e i punti di prezzo.

Come regola generale, incoraggiamo ad arricchire i dati principali per favorire migliori associazioni automatizzate. Questo, secondo la nostra opinione, è preferibile a costringere il personale della supply chain del cliente nell’attività noiosa dell’abbinamento manuale. Il ROI (ritorno sull’investimento) per il miglioramento dei dati principali è di solito molto superiore all’abbinamento, poiché i dati principali possono influire direttamente su numerose operazioni post-lancio.

Vedi anche Eventi ed Eventi Esplicativi 6.5 in questa FAQ.

6.8 Rilevate la cannibalizzazione? Valutate l’impatto sul prodotto cannibalizzante e sui prodotti cannibalizzati?

Sì, la tecnologia predittiva di Lokad considera la cannibalizzazione (e le sostituzioni) come parte della sua analisi della domanda.

Anche se le situazioni variano, il modello è tipicamente simmetrico, quindi il modello quantifica sia il prodotto che sta cannibalizzando che il prodotto che viene cannibalizzato. Il nostro approccio tiene conto della composizione dell’offerta, che può variare da un negozio all’altro o da un canale di vendita all’altro.

Se i clienti possono essere identificati (nota: con identificatori anonimi, poiché Lokad non ha bisogno/utilizza dati personali), allora Lokad può sfruttare il grafo bipartito che collega clienti e prodotti. Questo grafo temporale (che collega prodotti e clienti attraverso le loro transazioni) è di solito la migliore fonte di informazioni per quantificare la cannibalizzazione. Se queste informazioni non sono disponibili, Lokad può comunque operare anche se con una precisione ridotta per quanto riguarda i dettagli della cannibalizzazione stessa.

Le tecniche predittive di Lokad si discostano radicalmente dai modelli classici di serie temporali. I modelli di serie temporali non sono semplicemente sufficientemente espressivi per affrontare la cannibalizzazione. Infatti, una volta che i dati storici sono stati trasformati in dati di serie temporali, la maggior parte delle informazioni rilevanti per affrontare la cannibalizzazione è già stata persa. Queste informazioni perse non possono essere recuperate in seguito, non importa quanto sofisticati siano i modelli di serie temporali. Al contrario, Lokad utilizza la programmazione differenziabile per i suoi modelli predittivi, un approccio molto più espressivo rispetto ai modelli di serie temporali datati (e obsoleti).

6.9 Consentite l’aggiunta o l’aggiornamento di variabili esplicative? Queste variabili possono essere aggiornate manualmente?

Sì. La piattaforma di Lokad è programmabile e letteralmente flessibile come un foglio di calcolo Excel quando si tratta di includere aggiornamenti di variabili esplicative. È anche possibile, se desiderato, trasmettere le variabili esplicative tramite fogli di calcolo effettivi.

La programmazione differenziabile, l’approccio di Lokad alla modellazione predittiva, rende semplice apprendere modelli che incorporano variabili esplicative arbitrarie. Le variabili esplicative non devono essere espresse in “unità previste” o essere altrimenti allineate con il processo di previsione. Attraverso la programmazione differenziabile, è possibile integrare variabili esplicative lasciando molte relazioni “non quantificate”, lasciando così il processo di apprendimento alla piattaforma di Lokad. Inoltre, la quantificazione della relazione(e) è resa disponibile all’operatore della supply chain. In questo modo, l’operatore della supply chain può ottenere informazioni su quanto la variabile esplicativa stia realmente guadagnando terreno all’interno del modello predittivo.

Alcune vecchie tecnologie di previsione (ora obsolete) imponevano una relazione diretta tra le variabili esplicative e le previsioni desiderate. Ad esempio, le variabili esplicative dovevano essere linearmente correlate al segnale di domanda; le variabili esplicative dovevano essere espresse nella stessa granularità delle previsioni; e/o le variabili esplicative dovevano essere omogenee ai dati storici, ecc. La tecnologia di Lokad non soffre di queste limitazioni.

Inoltre, le capacità programmatiche della piattaforma di Lokad possono organizzare le variabili esplicative per rendere il loro mantenimento il più semplice possibile per il personale della supply chain del cliente. Ad esempio, è possibile iniziare con un foglio di calcolo Excel per riflettere le variabili esplicative e successivamente passare all’integrazione automatizzata dei dati. Questa transizione può avvenire una volta che l’accuratezza aggiuntiva (ottenuta attraverso tali variabili esplicative) viene ritenuta sufficiente per automatizzare il trasferimento dei dati.

Consulta la discussione su “Integrazione delle covariabili” in Modellazione predittiva strutturata per la supply chain per ulteriori informazioni su questo punto.

6.10 Consentite l’aggiustamento manuale delle previsioni per eventi futuri senza dati storici precedenti?

Sì. Lokad consente sempre di regolare manualmente le previsioni, che si tratti di articoli con o senza dati storici. Possiamo anche tenere traccia della qualità/accuratezza degli aggiustamenti manuali. Tuttavia, quando si utilizza una tecnologia predittiva moderna, gli aggiustamenti manuali di solito non sono necessari e in generale sono sconsigliati.

Il primo motivo per cui gli operatori della supply chain sentono la necessità di regolare manualmente le previsioni è che desiderano modificare le decisioni sulla supply chain che derivano dalle previsioni (ad esempio, un ordine di acquisto). In questi casi, nella maggior parte dei casi, l’operatore della supply chain si trova di fronte a un rischio che non è adeguatamente riflettuto dalle previsioni. Non si tratta che le previsioni debbano essere più alte o più basse di quanto siano, piuttosto che la decisione risultante debba essere orientata verso l’alto o verso il basso per riflettere il rischio. Lokad affronta questo problema attraverso previsioni probabilistiche e decisioni sulla supply chain regolate dal rischio. Le previsioni riflettono già tutti i possibili valori futuri (ad esempio, la domanda) e le rispettive probabilità. Pertanto, le nostre decisioni suggerite sono già regolate dal rischio. Se le decisioni risultano sbagliate mentre la previsione è corretta, di solito è necessario regolare i driver economici associati alla decisione, non la previsione stessa.

Il secondo motivo per regolare manualmente una previsione è che la previsione è palesemente errata. Tuttavia, in queste situazioni, il modello di previsione (sottostante) stesso deve essere corretto. Non correggerli significa semplicemente che il personale della supply chain deve continuare a trattare i sintomi del problema (previsioni inaccurate) anziché la malattia stessa (un modello di previsione difettoso). Se non si corregge il modello, le previsioni verranno aggiornate man mano che diventano disponibili dati più recenti e o le previsioni errate riemergeranno, o la correzione originale (se rimane) diventa essa stessa una fonte di inaccurata previsione.

In breve, se il modello di previsione manca di sufficiente accuratezza (tipicamente a causa di informazioni mancanti), allora l’input del modello dovrebbe essere arricchito per tenere conto delle informazioni mancanti rilevanti. In ogni caso, mantenere in funzione un modello di previsione difettoso non è mai la risposta appropriata.

6.11 Affinate le previsioni attraverso il marketing e le campagne speciali?

Sì, Lokad affina le sue previsioni con queste informazioni (se/quando ci vengono fornite).

La programmazione differenziabile, la tecnologia di modellazione predittiva di Lokad, è in grado di elaborare tipi/fonti di dati extra, anche se non corrispondono strutturalmente ai dati storici di domanda originali (quelli presenti nei tipici sistemi aziendali dei clienti).

La programmazione differenziabile può elaborare fonti di dati extra senza alcuna aspettativa che questi dati supplementari siano esaustivi o anche completamente corretti/accurati. Tuttavia, se i dati sono molto incompleti/inaccurati, ciò limita l’accuratezza complessiva ottenuta dall’elaborazione di questi dati in primo luogo.

Ancora più importante, la tecnologia predittiva di Lokad cambia il modo in cui i clienti affrontano le loro campagne di marketing. La prospettiva classica della previsione tratta la domanda futura come il movimento dei pianeti: qualcosa che è completamente al di fuori del nostro controllo. Tuttavia, le campagne di marketing non cadono dal cielo. Piuttosto, riflettono decisioni esplicite prese dall’azienda cliente. Con le intuizioni e la tecnologia di Lokad, le aziende clienti possono riadattare le loro campagne di marketing per adattarsi a ciò che la supply chain può supportare.

Ad esempio, è inutile accelerare ulteriormente la domanda (lanciando una nuova campagna) se tutti i prodotti sono già diretti verso le scorte esaurite. Al contrario, se gli eccessi di magazzino sono in aumento, potrebbe essere il momento di riattivare alcune campagne che erano state precedentemente interrotte.

6.12 Affinate le previsioni con l’elasticità dei prezzi? È possibile considerare proattivamente le future variazioni di prezzo nella previsione/modello predittivo?

Sì. Le capacità di modellazione predittiva di Lokad coprono i prezzi, compresa l’elasticità dei prezzi, così come le future variazioni di prezzo pianificate. L’approccio di programmazione differenziabile di Lokad rende semplice includere una (o più) variabile(i) di prezzo, sia nel passato che nel futuro. Le istanze passate vengono utilizzate per apprendere la causalità tra la variazione della domanda e la variazione del prezzo.

La programmazione differenziabile ci consente di apprendere congiuntamente l’impatto dei prezzi variabili insieme a tutti gli altri pattern che influenzano la domanda, come le molteplici ciclicità (ad esempio, la stagionalità). Il modello di causalità può quindi essere applicato ai prezzi futuri, che possono essere aumentati o diminuiti per riflettere la strategia di pricing in evoluzione dell’azienda cliente.

Tuttavia, l’elasticità dei prezzi è spesso un approccio piuttosto approssimativo per modellare l’effetto dei prezzi variabili. Ad esempio, gli effetti di soglia non possono essere modellati con l’elasticità. Questo include scenari in cui i consumatori rispondono fortemente a una variazione di prezzo quando un prodotto diventa appena più economico di un altro prodotto apparentemente equivalente. In particolare, quando i prezzi concorrenziali vengono raccolti attraverso uno strumento di intelligence competitiva, l’elasticità dei prezzi si rivela insufficiente per spiegare le variazioni della domanda che sarebbero meglio spiegate dalle mosse di prezzo di un concorrente.

La piattaforma di Lokad ha capacità che vanno ben oltre la semplice modellazione dell’elasticità dei prezzi. Lokad può, e spesso lo fa, ottimizzare congiuntamente sia l’approvvigionamento che i prezzi. Mentre la prospettiva mainstream della supply chain tratta l’ottimizzazione delle scorte e l’ottimizzazione dei prezzi come due questioni separate, è ovvio che i prezzi influenzano la domanda, anche quando l’elasticità dei prezzi si rivela troppo approssimativa per riflettere accuratamente questo impatto. Pertanto, ha molto senso coordinare le politiche di inventario e di pricing per massimizzare la redditività della supply chain.

6.13 Affinate le previsioni con l’attività della concorrenza (cioè, dati di intelligence competitiva)?

Sommario esecutivo: Sì, la tecnologia predittiva di Lokad è in grado di sfruttare i dati di intelligence competitiva per affinare le previsioni di domanda (e i prezzi, se richiesto) per i clienti. Ciò avviene solo quando i dati di intelligence competitiva sono resi disponibili a noi, poiché Lokad non raccoglie dati di intelligence competitiva da sola. A nostro avviso, questa attività è meglio lasciarla agli specialisti dello scraping dei dati web.

Sfruttare i dati di intelligence competitiva è tipicamente un processo a due fasi. Prima, dobbiamo associare (in qualche modo) i punti dati competitivi all’offerta dell’azienda cliente. Se l’azienda cliente e i suoi concorrenti vendono gli stessi identici prodotti identificati dai loro codici a barre GTIN, allora questo processo è semplice. Tuttavia, ci sono frequentemente numerose complicazioni.

Ad esempio, le aziende potrebbero non avere le stesse condizioni di spedizione (ad esempio, tariffe e ritardi), o potrebbe esserci una promozione temporanea disponibile solo per i titolari di una carta fedeltà. Inoltre, i concorrenti di solito non vendono gli stessi identici prodotti (almeno non nel senso GTIN), ma le loro offerte, nel complesso, competono tra loro. In queste situazioni, le associazioni semplici uno a uno tra i prodotti delle rispettive aziende non sono più rilevanti. Tuttavia, la tecnologia predittiva di Lokad (e gli scienziati della supply chain) possono affrontare tutte queste complicazioni.

Secondo, una volta stabilita l’associazione, il modello predittivo deve essere adattato per riflettere l’effetto della concorrenza sulla domanda. Qui, la sfida più grande è spesso che l’effetto arriva con un ritardo significativo. Nella maggior parte dei mercati, i clienti non monitorano i prezzi dei concorrenti tutto il tempo. Pertanto, una forte diminuzione dei prezzi da parte di un concorrente potrebbe passare inosservata a molti clienti per molto tempo. Infatti, l’effetto dominante di essere superati in termini di prezzo è un lento deterioramento della quota di mercato del cliente. Pertanto, è un errore valutare strettamente l’impatto della concorrenza “un prodotto alla volta”. Gli effetti a livello aziendale devono essere valutati anche.

Ancora una volta, gli scienziati della supply chain di Lokad si assicurano che la strategia di modellizzazione rifletta una comprensione strategica dell’azienda cliente (e del suo posizionamento nel mercato). Questa comprensione strategica include aspetti a lungo termine, come guadagnare o perdere quote di mercato.

Per ulteriori informazioni su questo punto, vedere le discussioni su ‘Risolvere l’allineamento’ in Ottimizzazione del Pricing per il Mercato dell’Automotive.

Vedere anche Eventi e Variabili Esplicative 6.12 in questa sezione delle domande frequenti.

6.14 Affinate le previsioni con i dati delle previsioni meteorologiche?

Sommario esecutivo: Sì, Lokad è in grado di affinare i suoi modelli predittivi con i dati delle previsioni meteorologiche. Abbiamo avuto il nostro primo successo in questo settore nel 2010 quando abbiamo lavorato con un grande produttore europeo di energia elettrica. La nostra attuale tecnologia predittiva (programmazione differenziabile) rende il processo di integrazione delle previsioni meteorologiche più facile rispetto alle tecnologie precedenti.

Nella pratica, sebbene sia tecnicamente possibile affinare le previsioni con i dati meteorologici, pochissimi dei nostri clienti utilizzano effettivamente tali affinamenti in ambienti di produzione. A nostro avviso, di solito non vale la pena dello sforzo. Ci sono quasi sempre opzioni più semplici che offrono un ROI (ritorno sull’investimento) superiore per una quantità comparabile di risorse di ingegneria.

Nel complesso, ci sono due problemi principali nel cercare di sfruttare i dati delle previsioni meteorologiche in questo contesto. Il primo problema è che tali previsioni sono a breve termine. Oltre 2 o 3 settimane, le previsioni meteorologiche tornano alle medie stagionali. Pertanto, una volta superato un breve orizzonte, le previsioni meteorologiche non forniscono ulteriori informazioni oltre alla stagionalità usuale. Ciò significa che tutte le decisioni della supply chain che non sono strettamente a breve termine non traggono beneficio dai dati delle previsioni meteorologiche. Ciò limita notevolmente l’applicabilità di questa tecnica.

Il secondo problema sono le vaste complicazioni tecnologiche che la tecnica comporta. Il clima è un fenomeno molto locale, ma quando si considerano grandi supply chain si stanno effettivamente guardando centinaia o migliaia (se non decine di migliaia) di posizioni rilevanti, distribuite su enormi spazi geografici (possibilmente su più continenti). Come tale, ogni posizione potrebbe avere un “clima” proprio (meteorologicamente parlando).

Inoltre, il “clima” non è un singolo numero, ma una collezione di numeri, tra cui temperatura, precipitazioni, vento, ecc. A seconda del tipo di beni serviti, la temperatura potrebbe o meno essere il fattore dominante necessario per affinare una previsione di domanda.

Fondamentalmente, cercare di affinare una previsione di domanda con dati di previsione del tempo assegna risorse (tempo, denaro, sforzo, ecc.) che potrebbero essere indirizzate altrove (o almeno a sforzi di affinamento migliori). Osserviamo che le previsioni del tempo sono quasi mai un’opzione “competitiva” in questo senso. Pertanto, sebbene Lokad sia in grado di sfruttare le previsioni del tempo, consigliamo di esaurire tutte le altre potenziali vie di affinamento più facili prima di rivolgersi ai dati delle previsioni del tempo.

6.15 Affinate le previsioni per riflettere l’apertura di un nuovo negozio/chiusura di un vecchio negozio?

Sì.

La tecnologia predittiva di Lokad è in grado di modellare con precisione l’impatto di un’apertura di un nuovo negozio e/o la chiusura di uno vecchio. La nostra tecnologia può anche modellare chiusure transitorie, come chiusure temporanee per lavori di ristrutturazione. Inoltre, Lokad può (e lo fa) tenere conto anche della variabilità degli orari di apertura (se i dati sono resi disponibili). La tecnologia predittiva di Lokad (programmazione differenziabile) è particolarmente efficace nel gestire tutte queste distorsioni del segnale di domanda.

Inoltre, quando i negozi si trovano vicini (ad esempio, nella stessa città), possiamo tenere conto dell’effetto di sostituzione in cui i clienti che solitamente andavano in un negozio (ora chiuso) vanno in un altro. Se alcune transazioni beneficiano di un identificatore del cliente (nota: solo l’identificatore grezzo, poiché Lokad non ha bisogno di dati personali), allora possiamo sfruttare queste informazioni per valutare con maggiore precisione la parte esatta della clientela che segue un determinato marchio nonostante i negozi si spostino.

Dall’altro lato dello spettro tecnologico, i modelli di serie temporali (previsione) non riescono nemmeno a rappresentare correttamente le informazioni di input rilevanti. In questo caso, ci riferiamo ai dati transazionali grezzi descritti in precedenza, come quelli che si possono trovare se il cliente gestisce programmi di carte fedeltà.

Note