FAQ: Previsione della domanda

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

Pubblico previsto: praticanti della supply chain, pianificatori della domanda e dell’offerta, analisti aziendali.

Ultima modifica: 7 marzo 2024

Principi di previsione

Come osservava Keynes, è meglio essere approssimativamente corretti che esattamente sbagliati. Questo principio si applica alla maggior parte delle situazioni della supply chain (e non solo a scenari di supply chain), ma è particolarmente valido per quanto riguarda la previsione. Quando si tratta di previsione, Lokad fa meglio di evitare esattamente l’errore; superiamo routinariamente 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 più grande fattore limitante della prospettiva tradizionale sulla previsione non era l’accuratezza, ma piuttosto l’espressività.

Le previsioni classiche—cioè, le previsioni puntuali a serie temporale—semplicemente non dicono abbastanza sul futuro. Eppure, le previsioni a serie temporale sono diventate così diffuse che molti praticanti dimenticano quanto siano incomplete—non solo inaccurate. Le previsioni a serie temporale 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 mainstream della supply chain è costruita sopra le previsioni a serie temporale, portando a tutte le sorta di strane svolte. La determinazione dei prezzi—un modo ovvio per indirizzare la domanda—viene di solito eliminata dall’immagine, rendendola una preoccupazione completamente separata dalla pianificazione. Questo è manifestamente sbagliato data la loro chiara interrelazione.

Un’altra dimensione del tutto assente dalla prospettiva tradizionale a serie temporale è l’incertezza. Questa incertezza è qualcosa che i tradizionalisti credono possa essere affrontata perseguendo una maggiore accuratezza in isolamento—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 aggiustamenti isolati—cioè, ottimizzazione locale. Non solo l’incertezza futura è irriducibile, i mercati globali sembrano essere piuttosto abili nel lanciare sfide sia nei modi tradizionali (ad esempio, guerre, tsunami) che in modi nuovi (ad esempio, lockdown, regolamenti inventivi).

Previsioni probabilistiche

La prima grande deviazione di Lokad dalla prospettiva classica di previsione a serie temporale sono state le previsioni probabilistiche, iniziate nel 2012 attraverso previsioni quantili—che possono essere viste 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. Pertanto, le previsioni probabilistiche abbracciano l’incertezza irriducibile degli eventi futuri anziché respingere del tutto il caso. Dal 2012, le previsioni probabilistiche hanno dimostrato, più e più volte, di essere 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 ancora non si limita) alle previsioni probabilistiche di 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. Quindi, al giorno d’oggi, Lokad prevede routinariamente più di una dozzina di tipi distinti di eventi futuri. È importante sottolineare che queste previsioni alternative non sono previsioni a serie temporale. 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 framework ristretto imposto da una serie temporale.

Previsioni programmatiche

La seconda significativa deviazione di Lokad dalla prospettiva classica di previsione è stata il suo spostamento programmatico, prima con il deep learning nel 2018, poi con la programmazione differenziabile nel 2019. La visione dominante era che la previsione dovrebbe 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 manca su due fronti principali.

In primo luogo, la prospettiva del ‘motore di previsione’ assume che ci sia un modo standard per organizzare i dati di input che verranno alimentati nel motore. Questo non è il caso. La struttura stessa dei dati di input—in 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 dati preconcetto, come richiesto da un motore di previsione, porta a tutti i tipi di problemi. Anche se Lokad è riuscita (attraverso una sofisticazione sempre crescente) ad ingegnerizzare un motore di previsione nettamente più flessibile di quanto offrano ancora i nostri concorrenti, 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 respingere aspetti critici ma sfumati del business.

Gli approcci programmatici, tuttavia, si sono dimostrati una soluzione nettamente superiore. Qui le sfide di 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 rivoluzionare completamente la tecnologia alla luce dei progressi compiuti nella programmazione differenziabile nel 2019. L’intento di questo completo rinnovamento tecnologico era quello di trasformare i dati relazionali in cittadini di prima classe, a differenza dei framework di deep learning che li trattavano—e continuano a trattarli—come cittadini di seconda classe. Mentre i dati relazionali dominano nella supply chain, questo non è il tipo di dati che cattura 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 alla società 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 adattati in base alle previsioni ottenute attraverso iterazioni precedenti. In pratica, il processo è così noioso che nessuno lo fa davvero (almeno non a lungo).

Risultato finale: gli approcci programmatici sono un vero game changer. Questo perché diventa possibile operare cicli di feedback personalizzati - tra pianificazione ed esecuzione - riflettendo opzioni sottili ma redditizie che l’azienda probabilmente altrimenti trascurerebbe. 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 componenti rotabili allo stesso tempo - le vendite di parti inutilizzate finanziando l’acquisizione di parti ora molto necessarie. Tali interazioni non sono necessariamente complesse o difficili, ma scoprirle richiede che i dettagli del business siano attentamente considerati. Gli approcci non programmatici falliscono inevitabilmente nel catturare questi dettagli, riportando i professionisti della supply chain alle loro tabelle Excel². La programmazione differenziabile si rivela un 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 si basano sulle capacità di programmazione differenziabile di Envision, il linguaggio di programmazione specifico del dominio (DSL) progettato da Lokad per l’ottimizzazione predittiva della supply chain. Quindi, 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 superano anche) la fornitura di previsioni di domanda di serie temporali all’avanguardia, come dimostrato dal successo di Lokad nel raggiungere il primo posto (su circa 1000 concorrenti) al livello SKU in una competizione internazionale di previsione basata su dataset di Walmart. I dettagli del metodo sono forniti 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 programmatico, proprio a causa di questa limitazione.

Inoltre, di solito ci riferiamo a ‘modellazione predittiva’ piuttosto che 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 delle fonti futuri, i prezzi dei concorrenti futuri, 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, piuttosto che 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 rispetto al rischio. Senza previsioni probabilistiche, le decisioni sulla supply chain sono fragili contro qualsiasi variazione, generando costi fissi per situazioni che potrebbero essere state in gran parte mitigate attraverso decisioni leggermente più prudenti.

Consulta Programmazione differenziabile in Envision per ulteriori dettagli su questo strumento critico, nonché 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, cioè un modello statistico. Facciamo ciò utilizzando Envision, il DSL (linguaggio di programmazione specifico del dominio) di Lokad, progettato specificamente 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 alla prospettiva tradizionale sulla previsione che è stata superata dalle nuove tecnologie offerte da Lokad. Primo, le previsioni puntuali delle serie temporali (alias “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 rispetto al rischio, ad esempio decisioni che riflettono l’impatto finanziario dell’ordinazione di X unità o X+1 unità, o forse di non ordinare affatto. Questa mancanza di consapevolezza del rischio (cioè 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 abbracciano l’incertezza futura anziché ignorarla.

Secondo, 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 pertinente, 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 al dettaglio di Walmart, Lokad ha utilizzato questo approccio e si è classificato al primo posto a livello di SKU (competendo contro circa 1000 team in tutto il mondo). Questo risultato qualifica l’approccio come all’avanguardia.

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

Dal punto di vista dei dati, Lokad sfrutta tutti i dati storici delle vendite rilevanti, fino alle singole transazioni (se questi dati sono disponibili). Utilizziamo anche altri dati storici che integrano il segnale della 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 rilevanti per perfezionare le previsioni della domanda. Tuttavia, dalla nostra esperienza, i dati al di là dell’intelligence competitiva raramente portano un miglioramento dell’accuratezza degno degli sforzi ingegneristici sostanziali associati alla preparazione di quei dataset (ad esempio, dati sociali, dati meteorologici, ecc.). Sfruttare tali dataset dovrebbe essere riservato a aziende mature che hanno già esaurito tutte le vie più facili per migliorare l’accuratezza delle previsioni.

1.4 Riduci l’errore di previsione attraverso tecniche di apprendimento automatico?

Sì. Lokad utilizza la programmazione differenziabile e il deep learning per ridurre l’errore di previsione. Talvolta utilizziamo tecniche alternative, come foreste casuali o alberi potenziati dal gradiente. Inoltre, utilizziamo tecniche di apprendimento automatico (ML) per rivalutare i metodi statistici ‘classici’ (ad esempio, modelli autoregressivi), ma con metodi molto migliorati quando si tratta di apprendere i parametri rilevanti dei metodi.

Anche se Lokad utilizza ML, va notato che non si tratta di un corpo omogeneo di lavoro, 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 in realtà copre una vasta gamma di tecniche; alcune considerate all’avanguardia e altre abbastanza obsolete.

Dal nostro punto di vista, il cambiamento di paradigma più importante nell’ML, in particolare per scopi legati alla supply chain, è il passaggio dall’ingegneria delle caratteristiche all’ingegneria dell’architettura. In parole povere, 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 architetturale è fondamentale per riflettere, all’interno del modello predittivo, la struttura stessa del problema affrontato. Anche se questo potrebbe sembrare una considerazione astratta, è la differenza tra una previsione che non corrisponde sistematicamente ai dati dell’ERP e una previsione che abbraccia davvero la situazione.

1.5 Come identifichi e prevedi i modelli di domanda per prevenire gli esaurimenti di magazzino e gli eccessi di magazzino?

Lokad riduce gli esaurimenti di magazzino e gli eccessi di magazzino attraverso previsioni probabilistiche, che abbracciano l’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, PO) e riducendo gli esaurimenti di magazzino e gli eccessi di magazzino. Questo approccio si contrappone alle previsioni tradizionali a serie temporali puntuali, 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, gli esaurimenti di magazzino e gli eccessi di magazzino riflettono tipicamente una domanda (futura) inaspettata. Lokad affronta direttamente questo problema attraverso previsioni probabilistiche. A differenza dei metodi mainstream 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, qualcosa di 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 troppa o troppo poca merce. Una decisione adattata al rischio minimizza le perdite attese guidando il cliente nella direzione più ‘prudente’ o ‘remunerativa’.

Al contrario, e nonostante la loro popolarità, le previsioni a serie temporali puntuali periodiche (alias “previsioni classiche”) sono completamente disattente 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 puntuali non riescono a prevenire in modo soddisfacente gli esaurimenti di magazzino e gli eccessi di magazzino.

In breve, non importa se viene utilizzato un modello grezzo o sofisticato quando le assunzioni/strumenti sottostanti (ad esempio, previsioni a serie temporali puntuali) sono fondamentalmente difettose.

Vedi previsione probabilistica per i dettagli su questo concetto.

1.6 Come gestisci 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 modelli annuali, settimanali e specifici degli eventi. Questo approccio automatizzato garantisce accuratezza e stabilità nella previsione della domanda considerando contemporaneamente tutti i modelli che influenzano la domanda, senza necessità di intervento manuale.

La stagionalità, nota anche come ciclicità annuale, è una delle molte ciclicità che Lokad gestisce. Possiamo gestire anche la ciclicità settimanale (cioè, 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 da scienziati della supply chain di Lokad. Questo è progettato per aiutarci a quantificare l’entità delle fluttuazioni associate alle ciclicità target, anziché identificarle/scoprirne semplicemente l’esistenza.

Una volta che la ricetta numerica è stata elaborata dagli scienziati della supply chain di Lokad, il processo di ottimizzazione complessivo è completamente automatizzato. In particolare, l’ottimizzazione della supply chain di Lokad non richiede alcun tipo di intervento manuale (cioè, microgestione del profilo di stagionalità), né si basa su eccezioni per prodotti recenti o per prodotti che devono ancora essere lanciati. L’approccio di Lokad potrebbe sembrare in qualche modo innovativo, ma è di fondamentale importanza per scopi di supply chain.

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

Secondo, fornisce risultati più stabili, vincolando la forma della funzione di domanda da apprendere. Questo approccio va molto lontano nel 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 plasmano i modelli di domanda osservati (ad esempio, le scorte esaurite o le promozioni). Le ciclicità non possono essere stimate isolatamente, né in sequenza, rispetto agli altri pattern che influenzano la domanda. Tutti questi pattern, e i rispettivi parametri, devono essere stimati congiuntamente.

Consulta Modellazione Predittiva Strutturata per la Supply Chain per i dettagli sulla programmazione differenziabile e il suo ruolo nell’ottimizzazione della supply chain.

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

Sì. Lokad può prevedere all’infinito 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. Anche se è 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, le previsioni stanno cercando fondamentalmente di indovinare com’è 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 pongono inevitabilmente 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 beneficiano tipicamente di un’aura di competenza non meritata che rende le organizzazioni eccessivamente dipendenti da esse. Questa pratica di aggiustamento manuale sopravvive anche dopo che i numeri si sono rivelati inevitabilmente essere state previsioni sbagliate.

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 orientamento su approcci migliori (e più sani) che riflettono in modo unico i requisiti specifici di ciascuna azienda cliente.

1.8 Puoi fornire previsioni a rotazione di almeno 28 giorni per articolo/negozio?

Sì, Lokad può prevedere all’infinito nel futuro, anche a livello di SKU per una grande catena di vendita al dettaglio.

Per i nostri clienti nel settore del retail, abbiamo abitualmente orizzonti di previsione di 200 (o più) giorni, operando a livello di SKU. Questi orizzonti di medio termine sono utili per valutare correttamente i rischi associati alle scorte morte per i prodotti a lento movimento. 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 sezione 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 (ad esempio, i prezzi pubblicati dai concorrenti). In determinati settori, gli indicatori pubblici possono essere di grande utilità (ad esempio, le dimensioni previste della flotta aerea per le MRO dell’aviazione). 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 quasi mai degne degli sforzi di ingegneria: i dataset meteorologici e i dataset dei social network. I dataset meteorologici sono molto ingombranti (ovvero molto grandi e molto complessi) e, realisticamente, non sono realmente migliori delle medie stagionali oltre due settimane in avanti (più o meno). I dataset dei social network sono anche molto ingombranti (ovvero molto grandi, molto complessi e fortemente popolati da dati inutili), e si basano anche pesantemente su effetti a breve termine, tipicamente di alcuni giorni.

Non sosteniamo che non si possa estrarre alcun valore né dai dati meteorologici né 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 tali risorse sono meglio investite nel perfezionare altri aspetti dell’ottimizzazione end-to-end della supply chain. Questo è un approccio più prudente rispetto alla ricerca dell’ultimo 1% (tipicamente nemmeno così tanto) di accuratezza aggiuntiva 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 varie velocità di vendita, Lokad utilizza previsioni probabilistiche per la domanda scarsa, impiegando strutture dati specializzate come Ranvar per l’efficienza su tutte le volumi di vendita, semplificando così le sfide della supply chain.

Quando si tratta di varie magnitudini delle velocità di vendita, la sfida principale risiede nei numeri piccoli rispetto a quelli grandi: i numeri grandi sono comparativamente 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 ai 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 quindi comportano bassi costi computazionali. 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 presentata con distribuzioni di domanda non scarsa che coinvolgono migliaia di unità di domanda per periodo.

Pertanto, Lokad ha progettato strutture dati speciali, come il Ranvar (vedi sotto) che garantiscono costi computazionali e di memoria costanti, per le operazioni algebriche che presentano distribuzioni di probabilità. Ranvar approssima elegantemente 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 lezione video pubblica Previsione Probabilistica per la Supply Chain e la nostra documentazione pubblica Ranvars and Zedfuncs per i dettagli su questo punto.

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

Sì, la piattaforma di Lokad è programmabile. Possiamo esprimere di nuovo 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, lisciatura 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, lisciatura 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 quei modelli si comporta male quando si tratta di gestire le complicazioni usuali trovate nelle situazioni della supply chain (ad esempio, esaurimenti di magazzino, cannibalizzazioni, eventi quasi stagionali come il Capodanno cinese, ecc.).

Di solito, gli scienziati della supply chain di Lokad elaborano una ricetta numerica su misura per coprire le esigenze di previsione dell’azienda cliente. I nostri scienziati della supply chain prevedono la domanda necessaria nonché tutti gli altri fattori incerti della supply chain, come i tempi di consegna, i resi, i tassi di scarto, i prezzi dei concorrenti, ecc. Inoltre, gli algoritmi di previsione devono essere adattati per sfruttare i dati disponibili mitigando le distorsioni dei dati che sono intrinseche alle operazioni della supply chain (ad esempio, la domanda torna frequentemente alla fine di un evento di esaurimento di magazzino).

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

1.13 A che livello di granularità viene restituita la previsione?

Lokad può gestire qualsiasi granularità nelle sue previsioni. Questo significa che possiamo prevedere alle granularità più disaggregate, ad esempio fino al livello SKU o addirittura prevedere la domanda per cliente per SKU (se ha senso), così come prevedere fino alle previsioni a livello aziendale.

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

Tuttavia, Lokad va oltre semplicemente adattare la granularità della previsione (cioè, scegliere un certo livello all’interno di una data gerarchia). Regoliamo l’intera prospettiva di previsione per riflettere meglio il compito in questione. Ad esempio, per un rivenditore B2B, potrebbe avere senso prevedere il tasso di 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 magazzino morto. Questo 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 secondo necessità per ottimizzare le decisioni di inventario pertinenti.

1.14 È possibile generare previsioni quantitative utilizzando dati sulle vendite settimanali?

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

È importante notare che appiattire i dati transazionali in una serie temporale settimanale è un processo che comporta perdite, il che significa che informazioni criticamente utili potrebbero andare perse nel processo. Una volta perse, queste informazioni non possono essere recuperate, non importa quanto sofisticato possa essere il modello di previsione.

Ad esempio, immagina un rivenditore di fai-da-te che vende interruttori della luce. 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 livello di servizio decente. Tuttavia, se la maggior parte della domanda proviene da clienti che di solito acquistano mezza dozzina di unità alla volta (con 1 cliente che si presenta una volta alla settimana in media), allora 4 unità in magazzino equivalgono a un livello di servizio terribile.

Questo dimostra il problema dell’aggregazione arbitraria. Una volta che i dati sulle vendite sono stati aggregati settimanalmente, ad esempio, la differenza tra le due situazioni descritte sopra viene persa. Ecco perché Lokad preferisce gestire i dati transazionali grezzi quando possibile.

1.15 Generi una previsione giornaliera (o intraday) dalla storia giornaliera, o applichi modelli giornalieri a una previsione statistica settimanale?

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 (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 o meno utilizzata da Lokad. Tuttavia, la nostra piattaforma 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’esame attento 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 previste?

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 nelle tecnologie più datate, utilizzando modelli stabili e precisi per prevenire cambiamenti erratici nelle 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 stati corretti, non persistano a causa della persistenza delle previsioni “sbagliate” generate in passato (basate su quegli inserimenti errati). La funzionalità di Lokad rende l’aggiornamento giornaliero 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 potrebbero temere un sistema che viene aggiornato troppo frequentemente, perché, secondo la loro esperienza, ciò significa che le previsioni agiranno in modo erratico. Dal punto di vista di Lokad, un modello predittivo che “salta in modo erratico” a causa dell’arrivo di incrementi giornalieri dei dati è, di fatto, 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 design per quanto riguarda la stabilità numerica. La programmazione differenziabile è particolarmente efficace nell’ingegnerizzazione di modelli che sono sia molto stabili che molto accurati.

Vedi Ricapitolando Tutto Ogni Giorno per ulteriori informazioni su questo punto.

1.17 Come stabilisci un livello di fiducia che il livello effettivo delle vendite continuerà in futuro?

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

Quando vengono utilizzate previsioni probabilistiche, come raccomandato 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 fiducia” in base a un certo grado di rischio (ad esempio, scenario peggiore del 5% rispetto a scenario peggiore del 1%).

Tuttavia, l’assunzione implicita dietro i “livelli di fiducia” è che la decisione sulla supply chain dipenda dalle previsioni originali. La prospettiva delle previsioni probabilistiche cambia completamente il modo in cui affrontiamo l’intera questione dell’accuratezza delle previsioni. Quando sono disponibili previsioni probabilistiche, le decisioni sulla 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 ai loro impatti finanziari.

Il termine tecnico per questa “ottimizzazione in presenza di incertezza” è ottimizzazione stocastica. Lokad fornisce sia previsioni probabilistiche che ottimizzazione stocastica.

1.18 Puoi combinare più algoritmi di previsione?

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

La combinazione di più modelli di previsione è una delle opzioni più semplici 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 solitamente instabile, nel senso che continua a “saltare” da un modello all’altro. Di conseguenza, i professionisti della supply chain sono frequentemente confusi da deviazioni improvvisi o “cambi di idea” del meta-modello. Ancor peggio, i meta-modelli sono, per loro natura, piuttosto opachi perché sono un mix di diversi modelli. Anche quando i modelli sottostanti sono semplici, il meta-modello che ne deriva 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’incremento dell’instabilità e dell’opacità delle previsioni.

1.19 Selezionate automaticamente il modello più adatto per le previsioni?

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

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

È importante notare che, a livello tecnico, Lokad non ha problemi ad operare una “competizione interna” di modelli di previsione, cioè un pool di modelli in cui il migliore viene selezionato automaticamente secondo le esigenze. Tale approccio è tecnicamente semplice. Il motivo per cui Lokad evita questa pratica è che i benefici associati ai meta-modelli sono sintetici (cioè visibili nei benchmark) e non si traducono in scenari reali della supply chain. La nostra esperienza indica che i meta-modelli hanno sempre prestazioni peggiori rispetto ai loro corrispettivi 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 sulla stagionalità; il secondo modello è carente sulle serie temporali brevi; il terzo modello è carente sulle serie temporali erratiche; ecc. La costruzione di un meta-modello dà l’illusione che il modello abbia attenuato i difetti dei suoi costituenti, tuttavia, i difetti di ciascun modello riemergeranno regolarmente poiché la logica del selettore del modello stesso ha le sue limitazioni. Peggio ancora, i meta-modelli minano tipicamente la fiducia dei professionisti della supply chain poiché questo design si dimostra “opaco per design”.

Questo è il motivo per cui l’approccio di Lokad è quello di creare un modello predittivo che sia esattamente semplice quanto possibile, ma non più semplice. Quando progettato con tecnologie di supporto adeguate, come la programmazione differenziabile, questo singolo modello gestisce l’intero ambito 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 FAQ.

1.20 Puoi organizzare tornei di previsione, selezionando automaticamente il miglior modello con la migliore parametrizzazione? Lo fai con il machine learning?

Sì. Lokad può farlo anche se non raccomandiamo questo approccio. Combinare modelli tramite machine learning (per creare “meta-modelli”) non porta benefici in un contesto produttivo. Noi sosteniamo invece un approccio con un singolo modello.

Circa un decennio fa, usavamo i meta-modelli per le previsioni. 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 fatta anche con tecniche di machine learning, 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 dei meta-modelli degrada inevitabilmente l’esito reale per il cliente. La selezione automatica del modello porta a previsioni “saltellanti” quando il meta-modello passa da un modello all’altro. L’uso delle tecniche di machine learning 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 produttivi. 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 FAQ.

1.21 Come assicurate che vengano utilizzate informazioni più granulari per ogni articolo/negozio evitando rumore e overfitting del modello?

Lokad utilizza la programmazione differenziabile per migliorare l’accuratezza delle previsioni, un approccio che ci consente di adattare i modelli alle strutture dati specifiche e gestire l’overfitting 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 overfitting sono i principali motivatori 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 sposa i dati di input (inclusa la loro struttura relazionale). Inoltre, la programmazione differenziabile consente loro di limitare l’espressività del modello per mantenere sotto controllo l’overfitting.

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 della supply chain di interesse, come ‘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 conteggiato come numeri a cifra singola.

La svolta della programmazione differenziabile è che consente a un Supply Chain Scientist (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) per 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, eppure questa guida limitata può fare la differenza quando si tratta 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, negozio)?

Sommario esecutivo: Sì, la piattaforma di Lokad offre una robusta visualizzazione dei dati (in tempo costante) 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 secondo qualsiasi gerarchia (ad esempio, località, regioni, categorie di prodotti, ecc.) e secondo qualsiasi granularità (ad esempio, giorno, settimana, mese, ecc.). Inoltre, la piattaforma di Lokad garantisce la visualizzazione in tempo costante di questi report, il che significa che vengono resi in meno di 500 millisecondi, a condizione che l’utente finale abbia abbastanza larghezza di banda per caricare il report in questo lasso di tempo.

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

Primo, le previsioni puntuali presentano un unico 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 della supply chain e non da una prospettiva fisica, non è il simmetrico del passato. Per questo motivo, le previsioni probabilistiche dovrebbero essere preferite invece: un approccio che considera TUTTI i possibili risultati futuri (ad esempio, valori della domanda) e attribuisce probabilità a ciascuno. In termini di gestione del rischio, questo fornisce 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. Quindi, mentre la piattaforma di Lokad fornisce tutte le capacità di visualizzazione dei dati rilevanti 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).

Secondo, i modelli di previsione delle serie temporali sono spesso inadatti perché la prospettiva delle serie temporali stesse è semplicistica e non riesce a catturare l’essenza del business. Ad esempio, un rivenditore B2B può avere un mix 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 prima 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 della vita commerciale, cannibalizzazioni, sostituzioni, variazioni dei prezzi dei concorrenti, ecc.

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

2.2 Che tipo di approfondimenti sulle previsioni dovrebbero essere gestiti 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 dettagliatamente (ad esempio, sovrascrivere manualmente) le previsioni stesse.

Dato che Lokad sfrutta la tecnologia predittiva moderna - programmazione differenziabile - i nostri Supply Chain Scientist si concentrano quasi esclusivamente sulla ‘struttura di alto livello’ del modello predittivo. Questo è contrario alle tecnologie più datate (ora obsolete) che tipicamente richiedevano all’esperto che le utilizzava di gestire dettagliatamente le previsioni, fornendo approfondimenti correttivi per tutti i casi limite presentati dai modelli. Purtroppo, tali approcci datati si sono dimostrati inevitabilmente troppo noiosi per gli esperti da mantenere nel tempo. Di conseguenza, le aziende che li utilizzavano di solito perdevano i loro esperti e poi dovevano 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 considerando le 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 del ’learning’ dei parametri del modello rimangono completamente automatizzati. Questo avviene sfruttando i dati di input (tipicamente i dati storici) più alcune altre fonti di dati (ad esempio, prossime campagne di marketing).

2.3 Le previsioni possono essere regolate/sovrascritte manualmente?

Sommario esecutivo: Sì. Anche se la piattaforma di Lokad supporta regolazioni manuali alle previsioni, ciò è superfluo 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 programmatiche, quindi è semplice supportare capacità di modifica per qualsiasi processo di previsione. Tuttavia, la necessità di regolare manualmente le previsioni riflette principalmente i limiti delle tecnologie di previsione obsolete. L’uso da parte di Lokad di avanzate previsioni probabilistiche elimina in gran parte la necessità di micro-gestire le previsioni. Infatti, da Lokad la necessità di tale micro-gestione è effettivamente scomparsa un decennio 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 in senso statistico, piuttosto 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 per il rischio. Quindi, non ha senso cercare di guidare la previsione probabilistica per de-ridurre le decisioni, poiché le decisioni sono intrinsecamente progettate per essere regolate per il rischio.

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

Fondamentalmente, non ha senso cercare di correggere manualmente previsioni “sbagliate”. 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 adeguati. In entrambi i casi, regolare manualmente le previsioni è una pratica obsoleta che non ha posto in una supply chain moderna.

2.4 È possibile integrare algoritmi di previsione creati dagli utenti?

Sì. Lokad consente l’integrazione di algoritmi di previsione creati dagli utenti tramite Envision, il nostro linguaggio di programmazione specifico di dominio (DSL). Questo DSL flessibile, personalizzabile e scalabile può supportare algoritmi e tecniche di previsione mainstream e avanzati, secondo necessità.

La piattaforma di Lokad è programmabile, qualcosa che è un cittadino di prima classe nella nostra tecnologia e viene fornito attraverso Envision, il DSL (linguaggio di programmazione specifico del dominio) progettato 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 vincenti basate sulla programmazione differenziabile e sulla previsione probabilistica (vedi sotto).

Integrare quegli algoritmi creati dagli utenti in Lokad non dovrebbe essere confuso 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 denominati “ricette numeriche”) è normalmente effettuata dagli Scienziati delle Supply Chain di Lokad. Tuttavia, se l’azienda cliente dispone di talenti interni per la scienza dei dati, allora quei dipendenti possono anche utilizzare la piattaforma di Lokad a questo scopo.

Inoltre, la piattaforma di Lokad fornisce un intero IDE (ambiente di sviluppo integrato) per creare tali algoritmi creati dagli utenti. Questa capacità è fondamentale per garantire 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 runtime. Con Lokad, una volta che un algoritmo di previsione rivisto è ritenuto soddisfacente (e tipicamente superiore alla precedente iterazione), può essere promosso in produzione in pochi minuti. Su una nota correlata, la piattaforma di Lokad fornisce ampie garanzie ‘by design’ per eliminare completamente classi di problemi quando si promuovono 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 sta facendo 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 nel business?

La piattaforma di Lokad sfrutta un linguaggio di programmazione specifico del dominio flessibile (Envision) che ci consente di creare dashboard intuitive per dimostrare le metriche chiave e le decisioni per il cliente. Questi dashboard sono costruiti in collaborazione con i clienti in modo che possano capire rapidamente e comodamente. Per punti più complicati, gli Scienziati delle 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 rilevanti informazioni aziendali, economiche e scientifiche ai clienti per aiutarli a capire cosa sta accadendo “dietro le quinte”.

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

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

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

Guarda il nostro Video del Conto Demo Pubblico per una panoramica su come Lokad prepara i dati e visualizza i risultati per i clienti.

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

Sì, Lokad può fornire previsioni a qualsiasi livello. Ciò è dovuto alle ampie capacità programmatiche del nostro modellamento probabilistico. Possiamo suddividere la previsione tra articoli fissi e BOM, nonché affrontare 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 le decisioni della supply chain per riflettere il fatto che diverse assemblee interne competono per le stesse parti interne. Vale a dire, situazioni in cui i rispettivi BOM si sovrappongono. Questa ottimizzazione può portare al rifiuto di vendere una parte “singola” se questa parte metterebbe a rischio la disponibilità di BOM più grandi e più critici.

2.7 Auto-consigliate i meta-parametri per i vostri algoritmi di previsione?

Sì. La prassi standard presso Lokad è che i modelli predittivi devono funzionare completamente in modo automatico. Gli Scienziati delle Supply Chain di Lokad sono responsabili di impostare i meta-parametri appropriati. O i meta-parametri sono sufficientemente stabili da essere codificati duramente, o la ricetta numerica include un passaggio di taratura dedicato all’individuazione di un valore di meta-parametro adeguato. In entrambi i casi, l’algoritmo (alias “ricetta numerica”) può essere eseguito in modo automatico.

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 senso, 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, coefficienti di stagionalità).

Di conseguenza, dal punto di vista di Lokad, la maggior parte dei valori che i nostri colleghi considererebbero “meta-parametri” sono solo “parametri regolari” che non richiedono attenzione specifica. Come regola generale, la maggior parte dei modelli predittivi operati in produzione da Lokad ha pochissimi meta-parametri (meno di 10). I nostri clienti di solito non si aspettano mai di regolare questi numeri, poiché è responsabilità dei nostri Scienziati delle Supply Chain.

2.8 Il prodotto può regolare le previsioni attraverso variabili causali?

Sì.

Questa è una delle principali forze della programmazione differenziabile, l’approccio tecnologico preferito da Lokad per la modellazione predittiva. La programmazione differenziabile è un paradigma programmabile, quindi includere una variabile esplicativa è un dato di fatto. Ancora meglio, il meccanismo di causalità viene concretizzato nel modello; ha i suoi propri parametri “nominali”. Pertanto, le previsioni non solo sfruttano la variabile causale, ma lo fanno in modo che possa essere verificato e indagato dagli operatori della supply chain.

Ad esempio, quando il prezzo al dettaglio viene utilizzato come variabile causale, la risposta esatta della domanda legata alle variazioni dei prezzi può essere tracciata e indagata. Questo risultato può, di per sé, essere di primaria importanza per l’azienda. Se l’azienda è una rete di negozi al dettaglio, questo può essere utilizzato per guidare eventi di liquidazione nei negozi che rispondono più fortemente 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 previsioni e lo sviluppo e/o la personalizzazione degli algoritmi?

Sì. I nostri Scienziati delle 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 flessibile (linguaggio di programmazione specifico del dominio) chiamato Envision, progettato esplicitamente 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 fornisce non solo risultati superiori in termini di precisione delle previsioni, ma risultati che si rivelano anche molto più “pronti per la produzione” rispetto agli approcci “confezionati” alternativi.

Non ci lamentiamo dei “dati scadenti”; i dati sono semplicemente ciò che sono. I nostri Scienziati delle Supply Chain sfruttano al massimo ciò che è disponibile. Valutano anche, 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 delle Supply Chain forniscono indicazioni quando il costo aggiuntivo non vale semplicemente i benefici attesi dalla supply chain.

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

Sì.

I Scienziati delle Supply Chain 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 flessibile (linguaggio di programmazione specifico del dominio) chiamato Envision, progettato esplicitamente per l’ottimizzazione predittiva della supply chain.

Va notato, tuttavia, che nell’ultimo decennio l’ingegneria delle caratteristiche (come tecnica di modellazione) è stata in calo. Infatti, sta gradualmente venendo sostituita dall’ingegneria dell’architettura del modello. In breve, anziché modificare la caratteristica per adattarla meglio al modello, il modello viene modificato per adattarsi meglio alla caratteristica. La programmazione differenziabile, l’approccio preferito da 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 FAQ.

3. Precisione delle Previsioni e Misurazione delle Prestazioni

3.1 Qual è il punto di vista della vostra organizzazione sulla performance delle previsioni e come dovrebbe essere misurata la performance 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 sugli investimenti (ROI) delle decisioni prese sulla base della previsione. 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.

Metriche tradizionali come MAPE (errore percentuale medio assoluto), MAE (errore assoluto medio), MSE (errore quadratico medio), ecc., sono metriche tecniche che possono essere di qualche interesse per un Supply Chain Scientist, ma, dal punto di vista della supply chain, sono fondamentalmente cieche e 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 genererebbero solo confusione e frustrazione. Al contrario, di solito è semplice rendere la previsione più accurata - in senso statistico - mentre si degrada la qualità percepita del servizio da parte dei clienti e si aumentano i costi operativi per i fornitori (che reagiscono aumentando i loro prezzi).

Le metriche delle previsioni sono importanti solo quando supportano la generazione di decisioni migliori per la supply chain. Per quanto riguarda Lokad, generare le quantità di riordino, produzione, spedizione, prezzi, ecc. più economicamente sensate sono i dettagli su cui vale la pena concentrarsi. Tutto il resto, compreso l’errore di previsione in isolamento, è tangenziale alla preoccupazione principale del business di massimizzare il ritorno sugli investimenti.

Vedi anche Previsione dei tempi di consegna.

3.2 Come misurate le prestazioni delle previsioni rispetto alle vendite effettive?

Se il modello sta prevedendo le ‘vendite’, allora misurare l’accuratezza della ‘previsione delle vendite’ è semplice: qualsiasi degli indicatori usuali, come il MAE (errore assoluto medio), funzionerà. Tuttavia, il problema è che la maggior parte delle aziende vuole prevedere la ‘domanda’, non le vendite. Tuttavia, i dati storici sulle vendite sono un proxy imperfetto della domanda storica. Gli esaurimenti di magazzino e le promozioni (e possibilmente le mosse dei concorrenti) distorcono le vendite storiche.

Pertanto, la sfida è stabilire la ‘domanda’ originale mentre i dati storici riflettono solo le vendite storiche. A questo scopo, Lokad impiega 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 non possono, per definizione, comprendere le informazioni necessarie. Infatti, nella maggior parte dei casi, i dati sulle vendite vengono ‘arricchiti’ con informazioni aggiuntive (come eventi di esaurimento di magazzino) 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 loro).

Vedi Modellazione Predittiva Strutturata per la Supply Chain per ulteriori informazioni su questo punto.

3.3 Fornite report sull’accuratezza delle previsioni? Fornite una prospettiva sull’errore previsto della previsione proiettata?

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 report sono disponibili ai 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 reportistica 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 cresce costantemente con l’orizzonte di previsione. Questi report sono accessibili dall’azienda cliente all’interno della piattaforma Lokad.

Tuttavia, nell’ambito della previsione probabilistica, “accuratezza della previsione” è in gran parte relegata a una tecnicalità di secondo piano. In questo approccio, l’obiettivo principale è produrre decisioni finanziarie adattate al rischio che tengano conto della totalità dei driver economici e dei vincoli dei clienti, nonché riflettano l’alta incertezza dei valori futuri (come la domanda o i lead time). Ad esempio, se l’incertezza è particolarmente alta, le decisioni corrispondenti sono tipicamente più conservative. Pertanto, non è saggio misurare l’accuratezza della previsione probabilistica in modo isolato; piuttosto, si dovrebbe valutare il ROI associato alle decisioni adattate al rischio generate utilizzando le previsioni probabilistiche.

Con le previsioni classiche (anche chiamate previsioni deterministiche, in opposizione alle previsioni probabilistiche), quasi ogni istanza di inaccuratezza della previsione si traduce in decisioni costose e sbagliate per il cliente. Ecco perché le aziende sono così decise nel “correggere” le loro previsioni. Eppure, cinque decenni dopo l’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 larga misura irriducibile. Tuttavia, combinando previsioni probabilistiche con decisioni adattate al rischio, le conseguenze negative dell’alta incertezza sono in gran parte mitigate.

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 solide sulla 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 adattate al rischio che vengono generate basate su quelle previsioni sono molto prudenti.

A differenza di molte soluzioni tecnologiche obsolete, Lokad tratta ogni singola previsione (probabilistica) che non può essere utilizzata per scopi produttivi come un difetto software che deve essere corretto. I nostri Supply Chain Scientist sono lì per garantire che tutti quei difetti siano 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 (anche chiamate previsioni ‘deterministiche’) inevitabilmente creano caos quando sono inaccurate, perché vengono prese decisioni di approvvigionamento insensate basate su quelle previsioni. Al contrario, le previsioni probabilistiche incorporano la propria 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 adattate al 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 (Errore percentuale assoluto medio), MPE (Errore percentuale medio), MAE (Errore assoluto medio) 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 dalla società cliente. Ad esempio, varianti “pesate”, come MAPE pesato, MAE pesato, ecc., dove gli schemi di pesatura dipendono da regole di business specifiche.

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

Tuttavia, le metriche menzionate sopra 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 domanda o tempi di consegna). Mirano a identificare un singolo possibile valore futuro, piuttosto che 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 temporali ignorano.

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

Sì.

La piattaforma di Lokad è programmabile, quindi può introdurre metriche complesse guidate da molte regole aziendali (ad es. metriche definite dall’utente). Può anche introdurre complessi scenari alternativi in cui la struttura e/o le capacità della rete di supply chain vengono modificate (oltre che semplicemente gonfiando/deflando domanda e 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.

È importante 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 sulla supply chain che generiamo è già adattata al rischio. Vale a dire, già ottimizzata rispetto a tutti i possibili valori futuri (ad es. 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 sono utilizzati per affrontare cambiamenti drastici al di là delle variazioni, tipicamente più allineati a ciò che i professionisti definirebbero come ‘progettazione della supply chain’, come ad esempio la modifica della topologia della rete, la capacità della rete, la posizione dei fornitori, ecc.

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

Sì. Lokad tiene traccia degli errori predittivi con molte metriche, inclusa la dimensione orizzonte/ritardo. Lokad tiene traccia dell’accuratezza predittiva su tutte le previsioni, inclusa la domanda, il lead time, i resi, ecc.

La qualità di tutti i modelli predittivi dipende dall’orizzonte temporale. 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 è applicato solo alle previsioni di domanda, ma a tutte le previsioni, inclusi i lead time, i resi, ecc.

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

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

Sì, Lokad tiene traccia degli errori predittivi e dei bias a molti livelli, inclusi i livelli gerarchici rilevanti (ad es. per prodotto, per filiale, per categoria, per regione, per brand, ecc.) quando sono presenti gerarchie. La tecnologia di programmazione differenziabile di Lokad ci consente persino di affinare le previsioni a una determinata granularità per minimizzare un errore o un bias che si verifica a un’altra granularità.

Più in generale, sul lato della convalida, poiché la piattaforma di 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 da quella 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 cruscotti di “salute dei dati” per ciascun progetto del cliente. Questi cruscotti di salute dei dati sono progettati per identificare automaticamente eventuali problemi nei dati. Inoltre, questi cruscotti identificano la criticità dei problemi e il responsabile dei problemi.

La criticità del problema determina se è accettabile, o meno, generare decisioni sulla 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 è considerato “sicuro” dal 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 sulla supply chain.

Il responsabile del problema definisce chi è responsabile della risoluzione del problema. A seconda del tipo di problema, il problema può originare da luoghi completamente diversi all’interno dell’azienda cliente. Ad esempio, i dati storici troncati sono molto probabilmente un problema per il reparto IT, mentre i margini lordi negativi (cioè, il prezzo di vendita è inferiore al prezzo di acquisto) appartengono sia all’acquisto 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, un Supply Chain Scientist può automatizzare le future rilevazioni. In pratica, i nostri Supply Chain Scientists implementano in modo proattivo il tipo più frequente di problemi come parte della bozza iniziale dei “pannelli di controllo della salute dei dati”.

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

4.2 Pulisci automaticamente i dati storici?

Sommario esecutivo: Sì, nel senso che Lokad non si aspetta che il nostro/i cliente/i preprocessi manualmente i dati aziendali prima di fornirli a noi. Inoltre, l’intero flusso di dati (costruito tra Lokad e ciascun cliente) viene eseguito senza supervisione 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 estesa (“pulizia”) dei dati storici per funzionare. Ad esempio, i vecchi sistemi di serie temporali si aspettavano tipicamente che le cadute della domanda (stockout) e i picchi della domanda (promozioni) fossero corretti per mantenere le previsioni coerenti.

Questo è un riflesso dei limiti dell’approccio delle serie temporali. Di conseguenza, i dati storici devono essere preparati in modo estensivo per renderli più adatti (in qualche modo) a un sistema difettoso (serie temporali). Riferirsi a questo processo come “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 temporali. Attraverso la programmazione differenziabile, possiamo elaborare qualsiasi tipo di dati relazionali, anziché essere bloccati con una “serie temporale”. Ciò significa che tutti i fattori causali (ad esempio, prezzi, scorte, eventi, ecc.) che sottendono sia la domanda che il 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 fosse accaduto lo stockout).

Talvolta, i dati aziendali (storici o meno) richiedono correzioni. Lokad cerca di fornire tali 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 Permetti agli utenti di pulire manualmente i dati storici?

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

Altri software/soluzioni impongono numerosi compiti manuali ai propri utenti finali. Al contrario, i Supply Chain Scientist 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 sezione FAQ.

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

I Supply Chain Scientist di Lokad sono responsabili della configurazione del data pipeline. I dati devono essere preparati, ma soprattutto i modelli predittivi devono essere progettati per adattarsi ai dati così come si presentano attualmente. Il Supply Chain Scientist introduce strumenti (ad esempio, dashboard dedicate) per monitorare i dati di input grezzi e i dati preparati per garantire che le decisioni sulla supply chain generate da Lokad siano corrette.

Molte soluzioni alternative guardano solo al problema attraverso le lenti della preparazione dei dati, dove ogni 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). Quindi, di fronte a output impropri (cioè, decisioni sulla supply chain sbagliate), possiamo correggere gli input o i modelli (o entrambi).

Quasi invariabilmente, è la combinazione dei due aggiustamenti - una migliore preparazione dei dati e un migliore trattamento 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 sezione FAQ.

Vedi anche Il Data Extraction Pipeline per ulteriori informazioni sul trasferimento automatizzato dei dati tra i clienti e Lokad.

4.5 Gestisci e mantieni i dati principali (supportando gli sforzi di previsione)?

Sì, se richiesto dall’azienda cliente.

Tuttavia, raccomandiamo vivamente di non utilizzare la piattaforma di Lokad per questo scopo. Secondo noi, gli strumenti analitici (come Lokad) dovrebbero essere mantenuti 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 onnicomprensivi. 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 pesantemente 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 sulle vendite e sul marketing (inclusi piani/futuri approfondimenti)?

Sì.

La piattaforma di Lokad è in grado di ricevere e elaborare molteplici fonti di dati, in molti formati di dati, inclusi fogli Excel. La nostra piattaforma è in grado anche di elaborare dati come si trovano nei reparti vendite e marketing (cioè, a qualsiasi granularità li conservino).

I team di vendite e marketing raramente forniscono dati organizzati a livello di SKU - o addirittura SKU x Località, il nostro livello di granularità preferito. Data questa limitazione, la piattaforma di Lokad è progettata per sfruttare i dati di input (ad esempio, da Vendite e Marketing) che si trovano a diversi livelli di granularità 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 avanzate di compressione per limitare i costi di archiviazione dati associati a strategie di archiviazione su larga scala. Abbiamo inoltre adottato un design complessivo 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 del cruscotto non rallentano a causa dei dati archiviati).

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

4.8 Archiviate gli input/manipolazioni manuali per analizzare l’impatto degli aggiustamenti sulle metriche della domanda?

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

La piattaforma di Lokad presenta complete capacità di versioning sia per i dati che per il codice/script. Questo è fondamentale poiché dobbiamo assicurarci 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 originariamente 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 l’input o la correzione 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 è stato risolto da allora.

La piattaforma di Lokad copre anche queste situazioni, evitando 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 ed erratici. Valutando le probabilità per eventi rari, Lokad può identificare la “irregolarità” della domanda - qualcosa che tipicamente riflette i singoli consumatori che acquistano molte unità in una volta sola. Ad esempio, un cliente acquista l’intero inventario disponibile di interruttori della luce (identici) in un negozio di ferramenta, introducendo così una carenza di stock a livello di SKU.

La programmazione differenziabile, il paradigma di machine learning 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 definizione, presentano un numero molto limitato di punti dati. Allo stesso modo, i picchi riscontrati nei modelli di domanda irregolari sono anche, per definizione, rari. Pertanto, l’efficienza dei dati del modello predittivo è fondamentale. In questo senso, la programmazione differenziabile è superiore alle alternative nella sua capacità di riflettere 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 valido per prendere decisioni sensate sulla supply chain poiché, naturalmente, bisogna ordinare numeri interi di unità.

Allo stesso modo, le previsioni classiche non possono riflettere matematicamente la “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 20 libri al mese in media, più 1 studente che acquista 1 libro ogni 2 giorni (in media).

Queste informazioni saranno riflesse nella distribuzione di probabilità della domanda del modello. Tuttavia, per una previsione classica a serie temporale, 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 modello effettivo della domanda e quindi rappresentando in modo errato la vera natura delle vendite. Questo, a sua volta, limita notevolmente la portata delle decisioni di inventario economicamente sensate che possono essere prese.

5.2 Identificate i prodotti a lenta rotazione o obsoleti e fornite raccomandazioni per “tenere o vendere”?

Sì. Lokad identifica i prodotti a lenta rotazione utilizzando previsioni probabilistiche, consentendo decisioni precoci e adattate al rischio per mitigare i rischi di sovrastoccaggio e di magazzino morto. Le raccomandazioni vanno oltre “tenere o vendere”, includendo sconti, spostamenti e aggiustamenti per evitare la cannibalizzazione.

L’identificazione degli SKU a lenta rotazione o obsoleti (dal punto di vista della domanda) viene fatta con previsioni di domanda probabilistiche. Le previsioni probabilistiche sono eccellenti per identificare e valutare i rischi, compresi i rischi di sovrastoccaggio e di magazzino morto. Ciò ci consente di produrre decisioni adattate al rischio quando combinato con le nostre capacità di ottimizzazione stocastica. Pertanto, i rischi di inventario sono 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 è limitato a mere raccomandazioni di “tenere o vendere”. Possiamo fornire ai clienti raccomandazioni che riflettono l’intero spettro delle opzioni disponibili. Ad esempio, Lokad può raccomandare sconti o promozioni per aiutare a liquidare il magazzino. Possiamo anche raccomandare di spostare il magazzino altrove se altri canali mostrano una domanda elevata. Possiamo raccomandare di mettere in pausa temporaneamente o declassare un altro prodotto che accidentalmente cannibalizza la domanda per un altro SKU.

In breve, i Supply Chain Scientist di Lokad sono lì per assicurarsi che nessuna pietra sia lasciata inesplorata prima di dichiarare che un magazzino è “morto”.

Vedi anche Classificazione e Clustering dei Prodotti 5.1 in questa sezione FAQ.

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

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

Secondo noi, il ROI (ritorno sugli investimenti) del cliente nel permettere ai propri dipendenti di navigare tali flussi di lavoro è molto poco chiaro. La stessa necessità di tali flussi di lavoro riflette difetti profondi nel software della supply chain che devono essere risolti dall’interno verso l’esterno, sfruttando il più possibile l’automazione.

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 tipicamente fuorviante (anche se semplice per Lokad). Piuttosto, raccomandiamo di modificare direttamente le ricette numeriche sottostanti (codice) operate da Lokad per eliminare la necessità che i professionisti della supply chain gestiscano i flussi di lavoro del tutto.

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 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 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.) secondo una vasta gamma di fattori, compresi input manuali.

Dato che la piattaforma di Lokad è programmabile, finché il criterio di raggruppamento o di prossimità può essere espresso numericamente, è semplice avere gli elementi del cliente raggruppati di conseguenza. Questo compito è svolto dai Supply Chain Scientist di Lokad.

Su una nota correlata, 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 apprendimento automatico. Questo aspetto è fondamentale per sfruttare le relazioni disponibili oltre i semplici 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 flessibili classificazioni ABC e ABC XYZ dei prodotti, adattandosi a variazioni ed esclusioni, se il cliente lo desidera. Tuttavia, riteniamo che queste classificazioni (e i loro contemporanei) siano obsolete. La posizione di Lokad è che la moderna gestione della supply chain dovrebbe concentrarsi su insight azionabili che portano a decisioni corrette rispetto al rischio, piuttosto che fare affidamento su strumenti di categorizzazione semplicistici.

La piattaforma di Lokad supporta tutti gli schemi di classificazione mainstream, 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, sottili regole di esclusione). Tuttavia, le classificazioni di prodotto (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, inevitabilmente, 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 grezzi di prioritizzazione dell’attenzione. Questo non è un modo adatto per affrontare le questioni di interesse, come la domanda intermittente o volatile.

In primo luogo, è necessario affrontare i difetti fondamentali per alleviare i professionisti della supply chain da tali revisioni noiose. In secondo luogo, le classificazioni basate sul volume sono troppo grezze per avere un qualsiasi valore pratico e fanno un uso molto scarso del tempo dei professionisti della supply chain.

Per questo motivo, 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 misurata in Dollari o Euro). A meno che gli articoli e le decisioni non siano prioritizzati rispetto al loro ROI (ritorno sugli investimenti), qualsiasi tentativo di “prioritizzazione” o “ottimizzazione” è fondamentalmente inutile.

Vedi ABC XYZ in 3 Minuti e L’Analisi ABC Non Funziona per ulteriori informazioni sui limiti di questi strumenti di classificazione.

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

Sì.

La piattaforma di Lokad fornisce capacità di clustering/stratificazione per qualsiasi elemento di interesse, come negozi, prodotti, clienti, SKU, fornitori, ecc. Questo è possibile grazie alle capacità di elaborazione della piattaforma quando si tratta di dati relazionali. Ciò ci consente di affrontare 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.

Vedi Illustrazione: Clustering per ulteriori informazioni sulle capacità di clustering di Lokad con poche righe di codice Envision.

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

Sì.

Lokad sfrutta appieno la struttura relazionale dei dati di input. Il nostro approccio di programmazione differenziabile è particolarmente abile nel trattare dati relazionali. È così che Lokad può sfruttare gerarchie, elenchi, 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, inclusa la domanda, i lead time, i resi, i rendimenti, i prezzi delle materie prime, ecc.

Il clustering può essere utilizzato per identificare un modello rilevante per la previsione di interesse. Ad esempio, tutte le ciclicità tipiche (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.

Vedi Illustrazione: Ciclicità basata sul clustering per ulteriori informazioni su questo punto.

6. Eventi e Variabili Esplicative

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

Sommario esecutivo: Sì. Lokad arricchisce i dati storici con eventi eccezionali noti utilizzando la programmazione predittiva, migliorando la precisione rispetto alla previsione tradizionale basata su serie temporali. Questo approccio gestisce dati incompleti e può ricostruire eventi persi (come soluzione alternativa quando non è disponibile una registrazione diretta degli eventi storici).

I dati storici presentano numerosi eventi che distorcono le misurazioni (ad esempio, domanda, lead time, ecc.). Lokad opera tramite paradigmi di programmazione predittiva, come la programmazione differenziabile, che ci permettono di arricchire la storia di base con tutti quegli eventi. Tuttavia, come regola generale, quegli eventi eccezionali non vengono “identificati” - sono già noti. Se eventi notevoli sono stati persi, allora è possibile per Lokad operare un modello predittivo per ricostruire tali eventi.

Le vecchie tecnologie di previsione ormai obsolete erano incapaci di gestire qualsiasi cosa tranne serie temporali semplici/nude. Di conseguenza, ogni distorsione che si applicava alla domanda doveva essere corretta in anticipo, altrimenti le previsioni sarebbero state gravemente degradate/influenzate. Purtroppo, questo approccio è difettoso per progettazione perché quelle previsioni basate su serie temporali finiscono per essere costruite su altre previsioni, accumulando così inesattezze.

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

Se eventi notevoli (ad esempio, esaurimenti scorte) sono stati persi o semplicemente mai registrati, allora Lokad è in grado di ricostruire tali eventi attraverso un’analisi dei dati storici. Tuttavia, non importa quanto accurata possa essere questa ricostruzione dal punto di vista statistico, sarà sempre meno accurata di una registrazione diretta degli eventi mentre si verificano. Per questo motivo, Lokad solitamente storicizza indicatori come i livelli di scorta ogni volta che tali indicatori non sono correttamente archiviati nei rispettivi sistemi aziendali.

6.2 Identificate eventi eccezionali e (mobili) festività?

Sì. I modelli predittivi di Lokad si adattano agli eventi eccezionali e alle festività. I nostri Supply Chain Scientists valutano gli impatti, fornendo ai clienti un modello trasparente e approfondimenti sugli 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 impattante. L’unica domanda rimasta da rispondere è la quantificazione dell’impatto dell’evento.

Consentendo agli Supply Chain Scientists 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. Un’alta efficienza dei dati è fondamentale per mantenere accurato il modello predittivo quando ci sono pochi dati disponibili, come spesso accade nelle situazioni della catena di approvvigionamento.

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

Vedi anche Eventi ed Eventi Esplicativi 6.1 in questa sezione delle FAQ.

6.3 Gestite le situazioni di esaurimento scorte come variabile esplicativa?

Sì. Lokad incorpora direttamente le situazioni di esaurimento scorte nei suoi modelli predittivi, affrontando sia gli esaurimenti completi che parziali senza dover ricorrere alla ricostruzione della domanda “finta” 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 degli esaurimenti parziali (quando l’esaurimento avviene durante la giornata lavorativa) e sfruttare le informazioni corrispondenti.

Più in generale, Lokad è anche in grado di gestire tutti gli artefatti indotti dagli esaurimenti scorte. A seconda delle specifiche dell’azienda cliente, tali artefatti possono variare notevolmente. Ad esempio, potrebbe esserci un picco di domanda alla fine del periodo di esaurimento scorte, se i consumatori sono abbastanza fedeli da aspettare. Potrebbero anche esserci ordini arretrati, subendo nel contempo un’attrizione parziale poiché tali consumatori potrebbero rifiutarsi di ritardare il loro acquisto. E così via.

Gli Supply Chain Scientists impiegati da Lokad sono lì per garantire che gli esaurimenti scorte siano modellati in modo adeguato che rifletta genuinamente 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 dei prezzi, cambiamenti nei ranghi di visualizzazione (e-commerce), cambiamenti negli assortimenti, cambiamenti di visibilità (ad esempio, gondole nel retail), ecc. In breve, Lokad fornisce previsioni probabilistiche per le promozioni, proprio come fa per tutte le potenziali fonti di incertezza nella catena di approvvigionamento (ad esempio, domanda, lead time, resi, ecc.).

Le decisioni sulla catena di approvvigionamento di Lokad, come i rifornimenti di magazzino, 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 sue 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 regolate dal rischio (e regolate dalle 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 massimizzino il ROI (ritorno sugli investimenti) del cliente date le loro molteplici fonti di incertezza (ad esempio, domanda, lead time, promozioni, resi, ecc.).

6.5 Identificate e prevedete nuovi lanci di prodotti e 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) gli attributi 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 lancio specifico.

Se un prodotto è posizionato nell’offerta del cliente come il sostituto esplicito di un prodotto più vecchio, 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 non sia convinto che i vecchi e i nuovi prodotti siano veramente equivalenti per i consumatori. In 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 regolate dal rischio.

Nella maggior parte dei sistemi aziendali, la data di lancio del prodotto è correttamente identificata, 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 vera ricostruzione di queste informazioni. Naturalmente, i record di vendita precedenti rappresentano una base per il lancio.

Tuttavia, a volte, in caso di domanda intermittente, potrebbe passare molto tempo prima che il prodotto venda la sua prima unità. Gli Scienziati della Supply Chain di Lokad hanno a disposizione vari euristici per gestire queste situazioni.

Vedi anche Eventi ed Eventi Esplicativi 6.1 in questa sezione FAQ.

6.6 Come prevedete nuovi articoli o nuove sedi senza storia di vendite?

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

Anche se un articolo potrebbe 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, prezzo, ecc.), così come attributi testuali (ad esempio, etichetta, breve descrizione, commenti, ecc.) sono criticamente importanti per posizionare matematicamente l’articolo nell’offerta più ampia dell’azienda.

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

Vedi anche Eventi ed Eventi Esplicativi 6.5 in questa sezione 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 accogliere 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 i professionisti della supply chain a abbinare manualmente vecchi e nuovi prodotti, questo non è il caso di Lokad. Presupponendo che alcune informazioni di base siano disponibili, la nostra tecnologia è in grado di sfruttare i dati storici—di altri prodotti—per prevedere un nuovo articolo. Le informazioni di base rilevanti includono le etichette del prodotto e i punti di prezzo.

Come regola generale, incoraggiamo ad arricchire i dati principali per favorire migliori associazioni automatizzate. Questo è, secondo noi, preferibile rispetto a costringere il personale della supply chain del cliente nell’attività noiosa dell’abbinamento manuale. Il ROI (ritorno sugli investimenti) per il miglioramento dei dati principali è di solito nettamente superiore agli abbinamenti, poiché i dati principali possono influenzare direttamente numerose operazioni post-lancio.

Vedi anche Eventi ed Eventi Esplicativi 6.5 in questa sezione 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 sia 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 le cannibalizzazioni. Se queste informazioni non sono disponibili, Lokad può comunque operare anche se con una precisione ridotta per quanto riguarda i dettagli delle cannibalizzazioni stesse.

Le tecniche predittive di Lokad si discostano radicalmente dai modelli classici di serie temporali. I modelli di serie temporali non sono semplicemente abbastanza espressivi per gestire le cannibalizzazioni. Infatti, una volta che i dati storici sono stati trasformati in dati di serie temporali, la maggior parte delle informazioni rilevanti per affrontare le cannibalizzazioni 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 datati (e obsoleti) modelli di serie temporali.

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 Excel quando si tratta di includere aggiornamenti di variabili esplicative. È anche possibile, se desiderato, trasmettere le variabili esplicative attraverso 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 al 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 al professionista della supply chain. In questo modo, il professionista della supply chain può ottenere informazioni su se la variabile esplicativa sta realmente guadagnando terreno all’interno del modello predittivo.

Alcune vecchie (ora obsolete) tecnologie di previsione 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 alla 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 Excel per riflettere le variabili esplicative e successivamente passare all’integrazione automatica dei dati. Questa transizione può avvenire una volta che l’accuratezza aggiuntiva (ottenuta attraverso quelle variabili esplicative) è ritenuta sufficiente per automatizzare il trasferimento dei dati.

Consultare la discussione sull’“Integrazione delle covariabili” in Modellazione Predittiva Strutturata per la Supply Chain per ulteriori informazioni su questo punto.

6.10 Consentite aggiustamenti manuali della previsione per eventi futuri senza dati storici precedenti?

Sì. Lokad consente sempre di apportare manualmente aggiustamenti alle previsioni, che si tratti di articoli con o senza dati storici. Possiamo anche monitorare la qualità/accuratezza degli aggiustamenti manuali. Tuttavia, quando si utilizza una tecnologia predittiva moderna, gli aggiustamenti manuali sono di solito superflui e in generale sconsigliati.

Il primo motivo per cui i professionisti della supply chain sentono la necessità di aggiustare manualmente le previsioni è che vogliono modificare le decisioni sulla supply chain che derivano dalle previsioni (ad esempio, un ordine di acquisto). In quei casi, la maggior parte delle volte, il professionista della supply chain si trova di fronte a un rischio che non è adeguatamente riflettuto dalle previsioni. Non è che le previsioni dovrebbero essere più alte o più basse di quanto siano, piuttosto che la decisione risultante deve 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 aggiustate per il 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 aggiustate per il rischio. Se le decisioni risultano sbagliate mentre la previsione è corretta, allora di solito sono i driver economici associati alla decisione che devono essere aggiustati, non la previsione stessa.

Il secondo motivo per aggiustare manualmente una previsione è che la previsione è palesemente sbagliata. Tuttavia, in quelle 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) piuttosto che 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 sbagliate 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 tener conto delle informazioni mancanti rilevanti. In ogni caso, mantenere un modello di previsione difettoso in funzione non è mai la risposta appropriata.

6.11 Raffinate le previsioni attraverso marketing e campagne speciali?

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

La programmazione differenziabile—la tecnologia di modellazione predittiva di Lokad—è abile nel processare tipi/fonti di dati extra, anche se non corrispondono strutturalmente ai dati storici di domanda originali (quelli trovati nei tipici sistemi aziendali dei clienti).

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

Più importantemente, 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 riaggiustare le loro campagne di marketing per adattarle a ciò che la supply chain può supportare.

Ad esempio, è inutile accelerare ulteriormente la domanda (lanciando una nuova campagna) se tutti i prodotti stanno già andando 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 messe in pausa.

6.12 Raffinate le previsioni con l’elasticità del prezzo? Le future variazioni di prezzo pianificate possono essere integrate preventivamente nel modello di previsione/predittivo?

Sì. Le capacità di modellazione predittiva di Lokad coprono la determinazione dei prezzi, compresa l’elasticità del prezzo, nonché 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 delle variazioni dei prezzi insieme a tutti gli altri pattern che influenzano la domanda, come le molteplici ciclicità (ad es., 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 del prezzo è spesso un approccio piuttosto grezzo per modellare l’effetto delle variazioni dei prezzi. 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 competitivi vengono raccolti attraverso uno strumento di intelligence competitiva, l’elasticità del prezzo si rivela insufficiente per spiegare le variazioni della domanda che sarebbero meglio spiegate dai movimenti di prezzo di un concorrente.

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

6.13 Raffinate 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 raffinare le previsioni di domanda (e i prezzi, se richiesto) per i clienti. Questo avviene solo quando i dati di intelligence competitiva sono resi disponibili a noi, poiché Lokad non raccoglie dati di intelligence competitiva da solo. A nostro parere, questo compito è meglio lasciato agli specialisti del web scraping dei dati.

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 esattamente gli stessi 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 valida solo per i titolari di una carta fedeltà. Inoltre, i concorrenti di solito non vendono esattamente gli stessi 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 che le associazioni sono stabilite, 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 grave ritardo. Nella maggior parte dei mercati, i clienti non monitorano i prezzi dei concorrenti tutto il tempo. Quindi, una forte diminuzione del prezzo da parte di un concorrente potrebbe passare inosservata da 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 modellazione rifletta una comprensione strategica dell’azienda cliente (e del suo posto all’interno del mercato). Questa comprensione strategica include aspetti a lungo termine, come guadagnare o perdere quota di mercato.

Vedi le discussioni su ‘Risolvere l’allineamento’ in Ottimizzazione del Pricing per il Dopo Vendita Automobilistico per ulteriori informazioni su questo punto.

Vedi anche Eventi e Variabili Esplicative 6.12 in questa FAQ.

6.14 Raffinate le previsioni con i dati delle previsioni meteorologiche?

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

In pratica, sebbene sia tecnicamente possibile raffinare le previsioni con i dati meteorologici, pochissimi dei nostri clienti utilizzano effettivamente tali raffinamenti in ambienti di produzione. A nostro parere, di solito non vale la pena lo sforzo. Ci sono quasi sempre opzioni più semplici che forniscono un ROI (ritorno sugli investimenti) superiore per una quantità comparabile di risorse ingegneristiche.

Nel complesso, ci sono due problemi principali nel cercare di sfruttare i dati delle previsioni meteorologiche in questo contesto. Il primo problema è che quelle previsioni sono a breve termine. Oltre 2 o 3 settimane in avanti, le previsioni meteorologiche tornano alle medie stagionali. Quindi, una volta superato un breve orizzonte, le previsioni meteorologiche non forniscono ulteriori informazioni oltre alla stagionalità usuale. Questo significa che tutte le decisioni della supply chain che non sono strettamente a breve termine non beneficiano dei dati delle previsioni meteorologiche. Questo limita gravemente il campo di applicazione di questa tecnica.

Il secondo problema sono le vaste complicazioni tecnologiche che la tecnica comporta. Il clima è un fenomeno molto locale, ma considerando le grandi catene di approvvigionamento stiamo effettivamente guardando centinaia o migliaia (se non decine di migliaia) di posizioni rilevanti, distribuite su enormi spazi geografici (possibilmente su più continenti). Di conseguenza, ogni posizione potrebbe avere un “clima” proprio (meteorologicamente parlando).

Inoltre, il “clima” non è un singolo numero ma una collezione di essi, tra cui temperatura, precipitazioni, vento, ecc. A seconda del tipo di merci servite, la temperatura può essere o meno il fattore dominante necessario per raffinare una previsione della domanda.

Fondamentalmente, cercare di raffinare una previsione della domanda con i dati delle previsioni meteorologiche assegna risorse (tempo, denaro, sforzi, ecc.) che potrebbero essere dirette altrove (o almeno a sforzi di raffinamento migliori). Osserviamo che le previsioni meteorologiche sono quasi mai un’opzione “competitiva” in questo senso. Pertanto, sebbene Lokad sia in grado di sfruttare le previsioni meteorologiche, raccomandiamo di esaurire tutte le altre potenzialmente più facili vie di raffinamento prima di rivolgersi ai dati delle previsioni meteorologiche.

6.15 Raffinate 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 dell’apertura di un nuovo negozio e/o della 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 della variabilità negli orari di apertura (se i dati ci vengono resi disponibili). La tecnologia predittiva di Lokad (programmazione differenziabile) è particolarmente efficace nel gestire tutte queste distorsioni del segnale della domanda.

Inoltre, quando i negozi sono 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 in modo più accurato la parte esatta della clientela che segue un determinato marchio nonostante i negozi si spostino.

All’estremo opposto dello spettro tecnologico, i modelli di serie temporali (previsione) non possono nemmeno rappresentare correttamente le informazioni di input rilevanti. In questo caso, facciamo riferimento ai dati transazionali grezzi descritti in precedenza, come si può trovare se il cliente gestisce programmi di carte fedeltà.

Note