Previsioni Probabilistiche (2016)
Abbracciare l’incertezza
Nella nostra esperienza, nessuna quantità di perfezionamento dei modelli di previsione esistenti e nessuna quantità di R&S per sviluppare modelli migliori - nel senso tradizionale - possono risolvere questo problema. Metodi come l’analisi delle scorte di sicurezza dovrebbero gestire l’incertezza, ma nella pratica, l’analisi delle scorte di sicurezza è solo un’idea di secondo piano. Nella gestione della supply chain, i costi sono determinati da eventi estremi: è la domanda sorprendentemente alta che genera esaurimenti di magazzino e frustrazione del cliente, e la domanda sorprendentemente bassa che genera inventario morto e di conseguenza costosi svalutazioni dell’inventario. Come sanno tutti gli esecutivi, le aziende dovrebbero sperare nel meglio, ma prepararsi al peggio. Quando la domanda è esattamente dove ci si aspettava che fosse, tutto procede senza intoppi. Tuttavia, la sfida principale nel settore delle previsioni non è fare bene nei casi facili, dove 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, dove ci si aspetta che le cifre delle previsioni si materializzino, le previsioni probabilistiche ti ricordano che tutto è sempre possibile, ma non esattamente allo stesso modo. Quindi, quando si tratta di prepararsi al peggio, le previsioni probabilistiche forniscono 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’idea di secondo piano nei tradizionali approcci di previsione, Lokad porta il caso al centro della scena 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… Questo è esattamente di cosa si tratta con le previsioni probabilistiche: bilanciare correttamente le decisioni del mondo reale di fronte a un futuro incerto. Mentre l’analisi del rischio tende ad essere un’idea di secondo piano nei tradizionali approcci di previsione, Lokad porta il caso al centro della scena con le previsioni probabilistiche.
I dati di output del motore di previsione probabilistica sono distribuzioni di probabilità. Dal punto di vista pratico, sebbene queste informazioni siano estremamente ricche (dopotutto, è uno sguardo su molti futuri possibili!), è anche piuttosto impraticabile usarle 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.
La webapp di Lokad presenta capacità di elaborazione di Big Data e ti consente di creare la logica aziendale necessaria che trasforma queste previsioni in decisioni, specificamente adattate alla tua attività. Queste decisioni possono essere adattate per soddisfare i tuoi particolari vincoli 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 attraverso l’apprendimento automatico
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, da Lokad, la nostra esperienza indica che se una soluzione di previsione richiede aggiustamenti fini non c’è mai fine: non importa quanti settimane o mesi di lavoro umano vengano dedicati a far funzionare la soluzione, c’è sempre bisogno di più aggiustamenti fini, solo perché ci sono troppi prodotti, troppe sedi e l’attività continua a cambiare.
Pertanto, da 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 aggiustamento fine per adattare le previsioni
- non è richiesta alcuna manutenzione per mantenere le previsioni allineate alla tua attività
Come piccolo svantaggio, questi algoritmi consumano molto più potere di calcolo rispetto ai loro corrispettivi tradizionali. Tuttavia, questa sfida è affrontata attraverso il cloud computing che mantiene il motore di previsione in esecuzione in modo fluido, indipendentemente dalla quantità di dati coinvolta.
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; siamo passati dalla previsione classica (2008), alla previsione dei quantili (2012) e alle griglie dei quantili (2015)
prima di questo. Di conseguenza, le previsioni probabilistiche sono effettivamente la 4a generazione della nostra tecnologia di previsione. Dall’esperienza acquisita sulle iterazioni precedenti di questa tecnologia, abbiamo acquisito una considerevole 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 emersa nei nostri primi anni quando stavamo ancora cercando di far funzionare l’approccio classico. Ci sono voluti parecchi fallimenti per renderci conto che l’approccio classico era intrinsecamente difettoso e che nessuna quantità di R&S poteva correggere un quadro statistico difettoso. 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 abbastanza espressivo. O 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. Da 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 on-premise, dove l’aggiornamento a un nuovo strumento è una sfida a sé stante, i clienti di Lokad beneficiano del nostro motore di previsione di prossima generazione non appena diventa disponibile.
Le nostre FAQ sulle previsioni
Quali modelli di previsione stai utilizzando?
Stiamo utilizzando molti modelli di previsione. La maggior parte dei modelli che stiamo utilizzando al giorno d’oggi sarebbero considerati algoritmi di machine learning. Questi modelli sono stati sviluppati da Lokad e tipicamente non hanno controparti nominate 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 scegli il/i modello/i da utilizzare?
Selezionare il modello giusto o la 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 “migliore” modello sarebbe strettamente equivalente a un sistema che sceglie sempre le “previsioni perfette”. In pratica, il nostro motore di previsione si basa pesantemente sul backtesting per selezionare il miglior insieme di modelli.
Il tuo 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 dato prodotto. Naturalmente, due prodotti possono condividere la stessa stagionalità, ma non lo stesso pattern dei giorni della settimana. Abbiamo anche modelli per gestire questo aspetto.
Di che dati hai bisogno?
Per prevedere la domanda, il motore di previsione ha bisogno di essere fornito - almeno - con la domanda storica giornaliera, e fornire un storico degli ordini disaggregato è ancora meglio. Per quanto riguarda la lunghezza della storia - più è lunga, meglio è. Mentre nessuna stagionalità può 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 richiede tipicamente che gli ordini di acquisto contengano sia le date degli ordini che le date di consegna. Specificare gli attributi del tuo prodotto o SKU aiuta a raffinare considerevolmente le previsioni. Inoltre, fornire i livelli di stock è anche molto utile per ottenere una prima analisi significativa dello stock.
Puoi prevedere il mio foglio Excel?
Come regola generale, se tutti i tuoi dati rientrano in un foglio Excel, allora di solito non possiamo fare molto per te; e onestamente, nessuno può farlo. I dati del foglio di calcolo sono probabilmente aggregati per settimana o per mese, e la maggior parte delle informazioni storiche finisce per essere persa attraverso tale aggregazione. Inoltre, in questo caso, il tuo foglio di calcolo non conterrà molte informazioni sulle categorie e le gerarchie che si applicano ai tuoi prodotti. Il nostro motore di previsione sfrutta tutti i dati che hai, e fare un test su un piccolo campione non darà risultati soddisfacenti.
Cosa succede con le scorte esaurite e le promozioni?
Sia le scorte esaurite 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 causare gravi problemi di sovradattamento. Invece, il nostro motore supporta nativamente “flag” che indicano dove la domanda è stata censurata o gonfiata.
Prevedi nuovi prodotti?
Sì, lo facciamo. Tuttavia, per prevedere nuovi prodotti, il motore richiede le date di lancio degli altri “vecchi” prodotti, nonché la loro domanda storica al momento del lancio. Inoltre, specificare alcune delle categorie di prodotti e/o una gerarchia di prodotti è consigliato. Il motore prevede effettivamente nuovi prodotti rilevando automaticamente i “vecchi” prodotti, che possono essere considerati comparabili ai 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 alcun 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.
Hai esperienza nel mio settore verticale?
Abbiamo esperienza in molti settori verticali: moda, alimenti freschi, beni di consumo, elettronica, ricambi, aerospaziale, produzione leggera, produzione pesante, ecc. Gestiamo anche diversi tipi di attori dell’industria: aziende di e-commerce, grossisti, importatori, produttori, distributori, catene di vendita al dettaglio, ecc. Il modo più semplice per essere sicuri che abbiamo esperienza nel tuo settore verticale è contattarci direttamente.
Utilizzi dati esterni per affinare le previsioni?
No. Sebbene le tue previsioni beneficino di tutta l’esperienza e del tuning complessivo del sistema che abbiamo acquisito lavorando con altri clienti, le tue 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 tuoi dati vengono utilizzati solo per scopi esplicitamente associati al tuo account aziendale, e nient’altro.