Previsioni Probabilistiche (2016)
Abbracciare l’incertezza
Sulla base della nostra esperienza, non c’è quantità di perfezionamento dei modelli di previsione esistenti o di R&S per sviluppare modelli migliori - nel senso tradizionale - che possa risolvere questo problema. Metodi come l’analisi delle scorte di sicurezza sono supposti gestire l’incertezza, ma nella pratica, l’analisi delle scorte di sicurezza è solo un’aggiunta successiva. Nella gestione della supply chain, i costi sono determinati dagli eventi estremi: è la domanda sorprendentemente alta che genera esaurimenti di magazzino e frustrazione del cliente, e la domanda sorprendentemente bassa che genera inventario inutilizzato e conseguenti costosi svalutazioni dell’inventario. Come tutti gli esecutivi sanno, le aziende dovrebbero sperare nel meglio, ma prepararsi al peggio. Quando la domanda è esattamente dove ci si aspettava, tutto va liscio. Tuttavia, la sfida principale delle previsioni non è fare bene nei casi facili, in cui tutto andrà bene anche considerando una semplice media mobile. La sfida principale è gestire i casi difficili; quelli che disturbano la tua supply chain e fanno impazzire tutti.
Queste previsioni probabilistiche offrono un modo completamente nuovo di guardare al futuro. Invece di rimanere bloccati in una prospettiva di pensiero ottimista, in cui si prevede che le cifre delle previsioni si materializzino, le previsioni probabilistiche ti ricordano che tutto è sempre possibile, ma non allo stesso modo probabile. Pertanto, quando si tratta di prepararsi al peggio, le previsioni probabilistiche offrono un potente modo di bilanciare quantitativamente i rischi (mentre le previsioni tradizionali rimangono cieche a quest’ultimi).
Mentre l’analisi del rischio tende ad essere un’aggiunta successiva nei tradizionali approcci di previsione, Lokad sta portando il caso al centro dell’attenzione con le previsioni probabilistiche.
Dal punto di vista del praticante
Le previsioni probabilistiche potrebbero sembrare molto intimidatorie e tecniche. Tuttavia, le probabilità sono che, se sei un praticante della supply chain, hai già fatto previsioni probabilistiche “intuitive” per anni: pensa a tutte le situazioni in cui le tue previsioni di base dovevano essere riviste al rialzo o al ribasso, perché i rischi erano troppo grandi… Ecco esattamente di cosa si tratta nelle previsioni probabilistiche: bilanciare correttamente le decisioni del mondo reale di fronte a un futuro incerto. Mentre l’analisi del rischio tende ad essere un’aggiunta successiva nei tradizionali approcci di previsione, Lokad sta portando il caso al centro dell’attenzione con le previsioni probabilistiche.
I dati prodotti dal motore di previsione probabilistica sono distribuzioni di probabilità. Dal punto di vista pratico, sebbene queste informazioni siano estremamente ricche (sono, dopotutto, uno sguardo a molti futuri possibili!), è anche piuttosto impratico utilizzarle nella loro forma grezza. Di conseguenza, Lokad fornisce un’intera piattaforma, tutti gli strumenti necessari e il supporto del team, per consentire alla tua azienda di trasformare queste probabilità in decisioni aziendali, come ad esempio le quantità di riordino.
L’app web di Lokad offre capacità di elaborazione di Big Data e ti consente di creare la logica aziendale necessaria per trasformare queste previsioni in decisioni, adattate specificamente alla tua azienda. Queste decisioni possono essere adattate per soddisfare le tue particolari restrizioni della supply chain, come ad esempio le MOQ (quantità minime d’ordine), i tuoi driver economici, come i rischi associati alla scadenza della shelf-life, e i tuoi processi, come gli ordini di acquisto giornalieri da effettuare prima delle 8 del mattino ogni giorno.
Robotizzazione tramite machine learning
La gestione della supply chain coinvolge spesso molti prodotti spostati in molte sedi. Le soluzioni di previsione tradizionali tendono a fare affidamento pesantemente su aggiustamenti piuttosto manuali ogni volta che sono coinvolti modelli statistici avanzati, come nuovi prodotti o effetti del ciclo di vita del prodotto. Tuttavia, presso Lokad, la nostra esperienza indica che se una soluzione di previsione richiede perfezionamenti, non c’è fine: non importa quante settimane o mesi di lavoro umano vengano dedicati a far funzionare la soluzione, c’è sempre bisogno di ulteriori perfezionamenti, semplicemente perché ci sono troppi prodotti, troppe sedi e il business continua a cambiare.
Pertanto, presso Lokad, abbiamo deciso di optare per una completa robotizzazione del processo di previsione. Ciò significa che
- non è richiesta alcuna conoscenza statistica per ottenere previsioni
- non è previsto alcun perfezionamento per regolare le previsioni
- non è richiesta alcuna manutenzione per mantenere le previsioni allineate con il tuo business
Come piccolo svantaggio, questi algoritmi consumano molto più potenza di calcolo rispetto ai loro equivalenti tradizionali. Tuttavia, questa sfida viene affrontata attraverso il cloud computing che mantiene il motore di previsione in esecuzione in modo fluido, indipendentemente dalla quantità di dati coinvolti.
L’origine delle nostre previsioni probabilistiche
Lokad non ha inventato la previsione probabilistica, altri matematici l’hanno fatto, principalmente utilizzando il concetto per affrontare un insieme molto diverso di problemi come la previsione dei prezzi delle materie prime o la previsione del tempo. Inoltre, Lokad non ha utilizzato la previsione probabilistica fin dall’inizio; abbiamo attraversato la previsione classica (2008), la previsione dei quantili (2012) e le griglie dei quantili (2015)
prima di questo. Di conseguenza, le previsioni probabilistiche sono effettivamente la quarta generazione della nostra tecnologia di previsione. Dall’esperienza acquisita nelle iterazioni precedenti di questa tecnologia, abbiamo accumulato una notevole quantità di know-how quando si tratta di progettare un motore di previsione adatto a coprire una vasta gamma di situazioni aziendali.
L’idea stessa di stimare le probabilità anziché una media è nata nei nostri primi anni, quando stavamo ancora cercando di far funzionare l’approccio classico. Ci sono voluti parecchi fallimenti per capire che l’approccio classico era intrinsecamente difettoso e che nessuna quantità di R&S poteva correggere un quadro statistico fallato. Il quadro statistico stesso doveva essere corretto in primo luogo per far funzionare il modello di previsione.
Inoltre, ogni iterazione del nostro motore di previsione è stata una generalizzazione - da un punto di vista matematico - della versione precedente, con ogni nuova generazione del nostro motore di previsione in grado di gestire più situazioni rispetto alla precedente. Infatti, è meglio essere approssimativamente corretti che esattamente sbagliati. Le situazioni più difficili si verificano quando il motore di previsione non può generare previsioni che sarebbero le più appropriate per adattarsi a una determinata situazione aziendale perché il motore non è sufficientemente espressivo. Oppure quando il motore di previsione non può elaborare i dati di input che sarebbero veramente rilevanti per ottenere informazioni statistiche su una determinata situazione perché, ancora una volta, il motore manca di espressività. Presso Lokad, la previsione è un lavoro in corso. Sebbene siamo orgogliosi di ciò che abbiamo costruito con il nostro motore di previsione probabilistica, questo non è la fine dei nostri sforzi. A differenza delle soluzioni in loco, dove l’aggiornamento a un nuovo strumento è una sfida a sé stante, i clienti di Lokad beneficiano del nostro motore di previsione di nuova generazione non appena diventa disponibile.
Le nostre FAQ sulle previsioni
Quali modelli di previsione state utilizzando?
Stiamo utilizzando molti modelli di previsione. La maggior parte dei modelli che stiamo utilizzando al giorno d’oggi sarebbero considerati algoritmi di apprendimento automatico. Questi modelli sono stati sviluppati da Lokad e di solito non hanno controparti con nomi nella letteratura scientifica. Quando abbiamo iniziato nel 2008, avevamo reimplementato tutti i classici (Box-Jenkins, ARIMA, Holt-Winters, smoothing esponenziale, ecc.); ma questi modelli sono caduti in disuso poiché semplicemente non possono competere con i nostri modelli più recenti.
Come scegliete il(i) modello(i) da utilizzare?
La scelta del modello giusto o della giusta combinazione convessa di modelli è metà della battaglia quando si tratta di costruire una buona previsione in primo luogo. Da un punto di vista statistico, un sistema in grado di scegliere sempre il modello “migliore” sarebbe strettamente equivalente a un sistema che sceglie sempre le previsioni “perfette”. In pratica, il nostro motore di previsione si basa molto sul backtesting per selezionare il miglior insieme di modelli.
Il vostro motore di previsione gestisce la stagionalità, le tendenze, i giorni della settimana?
Sì, il motore di previsione gestisce tutte le ciclicità comuni. I nostri modelli utilizzano anche intensivamente un approccio a serie temporali multiple per sfruttare le ciclicità osservate in altri prodotti al fine di migliorare l’accuratezza delle previsioni di un singolo prodotto. Naturalmente, due prodotti possono condividere la stessa stagionalità, ma non lo stesso pattern dei giorni della settimana. Abbiamo anche modelli per gestire questo.
Di quali dati avete bisogno?
Per prevedere la domanda, il motore di previsione ha bisogno di essere fornito - almeno - con la domanda storica giornaliera, e fornire un’analisi disaggregata degli ordini è ancora meglio. Per quanto riguarda la lunghezza della storia - più è lunga, meglio è. Sebbene nessuna stagionalità possa essere rilevata con meno di 2 anni di storia, consideriamo 3 anni di storia buoni e 5 anni eccellenti. Per prevedere i tempi di consegna, il motore di solito richiede che gli ordini di acquisto contengano sia le date degli ordini che le date di consegna. Specificare le attributi del vostro prodotto o SKU aiuta a raffinare considerevolmente anche le previsioni. Inoltre, fornire i livelli di stock è anche molto utile per ottenere una prima analisi significativa dello stock.
Potete prevedere il mio foglio Excel?
Come regola generale, se tutti i vostri dati rientrano in un unico foglio Excel, di solito non possiamo fare molto per voi; e ad essere onesti, nessuno può farlo. I dati del foglio di calcolo sono probabilmente aggregati per settimana o per mese, e la maggior parte delle informazioni storiche viene persa attraverso tale aggregazione. Inoltre, in questo caso, il vostro foglio di calcolo non conterrà nemmeno molte informazioni sulle categorie e le gerarchie che si applicano ai vostri prodotti. Il nostro motore di previsione sfrutta tutti i dati che avete, e fare un test su un piccolo campione non darà risultati soddisfacenti.
Cosa succede con le mancanze di stock e le promozioni?
Sia le mancanze di stock che le promozioni rappresentano un bias nelle vendite storiche. Poiché l’obiettivo è prevedere la domanda, e non le vendite, questo bias deve essere preso in considerazione. Un modo frequente - ma non corretto - di gestire questi eventi consiste nel riscrivere la storia, per riempire i vuoti e troncare i picchi. Tuttavia, non ci piace questo approccio, perché consiste nel fornire previsioni al motore di previsione, il che può comportare problemi di sovradattamento. Invece, il nostro motore supporta nativamente “flags” che indicano dove la domanda è stata censurata o gonfiata.
Prevedete anche i nuovi prodotti?
Sì, lo facciamo. Tuttavia, per prevedere i nuovi prodotti, il motore richiede le date di lancio degli altri prodotti “più vecchi”, così come la loro domanda storica al momento del lancio. Inoltre, è consigliabile specificare alcune delle categorie di prodotti e/o una gerarchia di prodotti. Il motore prevede effettivamente i nuovi prodotti rilevando automaticamente i prodotti “più vecchi”, che possono essere considerati comparabili a quelli nuovi. Tuttavia, poiché non è ancora stata osservata alcuna domanda per i nuovi articoli, le previsioni si basano interamente sugli attributi ad essi associati.
È possibile regolare le previsioni?
Quasi un decennio di esperienza nella previsione statistica ci ha insegnato molte volte che regolare le previsioni non è mai una buona idea. Se le previsioni devono essere regolate, allora probabilmente c’è un bug nel motore di previsione che deve essere corretto. Se non c’è un bug da correggere e le previsioni vengono effettuate esattamente come previsto da un punto di vista statistico, allora regolarle è probabilmente la risposta sbagliata al problema. Di solito, la necessità di regolare le previsioni riflette la necessità di tenere conto di un driver economico di qualche tipo; che influisce sull’analisi del rischio “sopra” la previsione, ma non sulla previsione stessa.
Avete esperienza nel mio settore?
Abbiamo esperienza in molti settori: moda, alimenti freschi, beni di consumo, elettronica, ricambi, aerospaziale, produzione leggera, produzione pesante, ecc. Gestiamo anche diversi tipi di operatori del settore: aziende di e-commerce, grossisti, importatori, produttori, distributori, catene di vendita al dettaglio, ecc. Il modo più semplice per essere sicuri di avere esperienza nel vostro settore è mettersi in contatto direttamente con noi.
Utilizzate dati esterni per affinare le previsioni?
No. Sebbene le vostre previsioni beneficino di tutta l’esperienza e dell’ottimizzazione complessiva del sistema che abbiamo acquisito lavorando con altri clienti, le vostre previsioni non contengono dati ottenuti da fonti di dati esterne, né da altri clienti Lokad né da set di dati pubblici. Allo stesso modo, i vostri dati vengono utilizzati solo per scopi esplicitamente associati al vostro account aziendale e nient’altro.