Motore di previsione

Negli ultimi dieci anni, le tecnologie legate ai dati sono evolute enormemente. Le aziende sono passate dall’utilizzo di ricette numeriche conosciute e utilizzate fin dal XIX secolo, a tecnologie orientate al Big Data alimentate dall’apprendimento automatico e dall’apprendimento profondo. Lokad si è concentrata nel rimanere al passo con i tempi e nel portare alla catena di approvvigionamento l’eccellenza scientifica migliore che si possa ottenere.

6 Generazioni di Previsione

Fai un viaggio nel passato e scopri le diverse generazioni della nostra tecnologia di previsione.

• Programmazione Differenziabile (2019): la convergenza di due campi algoritmici: l’apprendimento automatico e l’ottimizzazione numerica
• Apprendimento Profondo (2018): Previsione probabilistica alimentata dalla robotizzazione attraverso l’intelligenza artificiale (AI) e griglie di GPU
• Previsione Probabilistica (2016): Abbracciare l’incertezza con l’apprendimento automatico e la statistica ad alta dimensionalità
• Griglie di Quantili (2015): Guardare l’intera distribuzione di probabilità della domanda e inserire i vincoli della catena di approvvigionamento
• Previsioni di Quantili (2012): Passare dalle previsioni medie alle previsioni di bias che riflettono asimmetrie specifiche del business
• Previsioni Classiche (2008): Passare da un modello matematico modificato manualmente a un benchmark completamente automatizzato di un’intera libreria di modelli

La Giusta Combinazione di Ingredienti

Una Ricetta per il Successo

La tecnologia di Lokad non si basa sull’utilizzo di uno (o più) modelli statistici magici. È una combinazione di ingredienti che lavorano insieme per creare l’alchimia adeguata. Nei nostri primi anni, ci siamo resi conto molto presto di quanto fosse grande il divario tra la modellazione matematica pura e la realtà delle catene di approvvigionamento.

Ciò che funzionava alla perfezione in teoria era completamente inefficiente quando applicato alle aziende reali: i dati erano sporchi, non abbastanza approfonditi, troppo sparsi, il volume stesso di riferimenti o voci nella cronologia delle vendite per alcune aziende rendeva estremamente difficile l’utilizzo di intere classi di modelli, e poi i vincoli della catena di approvvigionamento stessa facevano sì che il miglioramento delle metriche di accuratezza classica delle previsioni degradasse effettivamente le prestazioni aziendali.

Lokad ha dovuto trovare le risposte tecnologiche adeguate a tutti questi problemi e cambiare drasticamente la sua visione sulla previsione e l’ottimizzazione della catena di approvvigionamento.

Correlazioni

con l’Apprendimento Profondo

Quando si guarda un singolo prodotto alla volta, semplicemente non ci sono dati sufficienti per produrre una previsione statistica accurata. Infatti, nella maggior parte dei mercati di consumo, il ciclo di vita di un prodotto è inferiore a 4 anni, il che significa che, in media, la maggior parte dei prodotti non ha nemmeno 2 anni di storia disponibile, ovvero la profondità minima per effettuare un’analisi di stagionalità affidabile quando si guarda una singola serie temporale. Affrontiamo il problema attraverso le correlazioni statistiche: le informazioni ottenute su un prodotto aiutano a perfezionare la previsione di un altro prodotto. Ad esempio, Lokad rileva automaticamente la stagionalità applicabile per un prodotto anche se il prodotto è stato venduto solo per 3 mesi. Sebbene non si possa osservare alcuna stagionalità con soli 3 mesi di dati, se sono presenti prodotti più vecchi e di più lunga durata nella cronologia, allora la stagionalità può essere estratta da lì e applicata ai prodotti più recenti.

Potenza di Calcolo

Attraverso il Cloud Computing e le GPU

Mentre sfruttare le correlazioni all’interno dei dati storici migliora notevolmente l’accuratezza, aumenta anche la quantità di calcoli da eseguire. Ad esempio, per correlare 1.000 prodotti guardando tutte le possibili coppie, ci sono un po’ meno di 1.000.000 di combinazioni. Peggio ancora, molte aziende hanno molto più di 1.000 prodotti. Sfruttando il cloud computing e le unità di elaborazione grafica (GPU), quando i clienti ci inviano i loro dati, allociamo le macchine solo quando ne abbiamo bisogno; quindi, meno di 60 minuti dopo, restituiamo i risultati mentre deallochiamo le macchine di conseguenza. Poiché il cloud che utilizziamo (Microsoft Azure) ci addebita al minuto, consumiamo solo la capacità di cui abbiamo realmente bisogno. Poiché nessuna azienda ha bisogno di effettuare previsioni più di una volta al giorno, questa strategia riduce i costi hardware di oltre 24 volte rispetto agli approcci tradizionali.

Probabilità

Per Abbracciare i Vincoli Aziendali

La previsione tradizionale è una previsione mediana, ovvero un valore che ha il 50% di probabilità di essere superiore o inferiore alla domanda futura. Purtroppo, questa visione classica non affronta le preoccupazioni principali della supply chain: evitare le scorte esaurite e ridurre l’inventario. Nel 2016, Lokad ha introdotto la nozione di previsioni probabilistiche per la supply chain in cui vengono stimati i rispettivi livelli di probabilità di ogni livello di domanda futura. Invece di prevedere un valore per prodotto, Lokad prevede l’intera distribuzione di probabilità. Le previsioni probabilistiche superano di gran lunga le previsioni classiche per i prodotti a lenta rotazione, le vendite erratiche e la domanda irregolare. Crediamo che tra 10 anni, tutte le aziende seriamente interessate all’ottimizzazione delle scorte adotteranno previsioni probabilistiche, probabilmente sfruttando un discendente di questa tecnologia.

Da una Libreria Matematica a una Soluzione End-to-End

Abbiamo una vasta libreria di modelli statistici. Include classici ben noti come Box-Jenkins, smoothing esponenziale, autoregressivo e tutte le loro varianti. Inoltre, poiché i modelli classici sfruttano poco le correlazioni, abbiamo sviluppato modelli migliori che sfruttano tutti i dati messi a nostra disposizione. Fin dall’inizio, abbiamo continuamente monitorato la qualità delle previsioni che forniamo ed eseguito simulazioni per valutare attentamente i punti deboli rimanenti della nostra tecnologia. Continuiamo a migliorare i nostri modelli e ad alimentare la nostra libreria con nuovi modelli e nuovi paradigmi. Pertanto, i nostri clienti beneficiano di una tecnologia in continua evoluzione.

Tuttavia, abbiamo capito molto tempo fa che questo non era sufficiente e che dovevamo approfondire la realtà della supply chain e i vincoli e le specificità di ogni azienda. Pertanto, non solo non richiediamo alcuna competenza statistica ai nostri clienti, ma gestiamo l’intero processo per fornire una soluzione completamente utilizzabile, completa di ordini di acquisto precisi, suggerimenti di spedizione o di prezzo e dashboard di indicatori chiave di prestazione per valutarne l’accuratezza.

I nostri Supply Chain Scientist sono lì per aiutarti a includere tutte le tue intuizioni aziendali in un’implementazione su misura. Questo è reso possibile grazie all’uso del nostro linguaggio di programmazione orientato alla supply chain, Envision. La sua flessibilità ci consente di ottimizzare gli script in grado di riflettere appieno le specificità della tua azienda, al fine di offrire un perfetto complemento alla nostra tecnologia di previsione.