Previsione con le griglie quantili (2015)

Le griglie quantili rappresentano un miglioramento radicale rispetto ai metodi classici di previsione ogni volta che è coinvolto l’inventario. Sono anche superiori alle previsioni quantili perché forniscono molte più informazioni sul futuro. I metodi di previsione tradizionali funzionano male, specialmente per il commercio. La causa principale di questo problema è semplice: il futuro è incerto. Le previsioni classiche cercano di prevedere il valore corretto della domanda futura, e, beh, falliscono. Tentare disperatamente di correggere le previsioni classiche nella speranza che la domanda futura “corretta” venga prevista è illusorio. Le griglie quantili assumono un atteggiamento completamente diverso su questa questione.

Con le griglie quantili, Lokad non prevede un singolo valore di domanda futura per un determinato prodotto, ma l’intera distribuzione di probabilità per la domanda; cioè la probabilità di avere una domanda di zero unità, poi una unità, poi due unità, ecc. Queste informazioni sono molto più ricche e possono essere sfruttate in modi che sono estremamente più redditizi rispetto alle previsioni classiche.

Introduzione per il non-statistico

Mentre stai leggendo queste righe, se non sei uno statistico, potresti chiederti se la tua attività ha qualche possibilità di successo nel fare qualcosa di sensato con queste cosiddette “griglie quantili”. Questo suona più come un buon titolo per una tesi di dottorato in statistica moderna piuttosto che un mezzo pratico di previsione. Beh, se pensi che questo termine sia intimidatorio, sostituisci mentalmente griglie quantili con previsioni che funzionano effettivamente, e questo basterà. La grande maggioranza delle aziende che utilizzano Lokad non ha alcuna competenza in statistica. Il filtro antispam associato alla tua casella di posta utilizza anche statistiche avanzate, e non serve un dottorato per utilizzare una casella di posta.

Lokad sta facendo approssimativamente la stessa cosa per il commercio. Stiamo sfruttando l’apprendimento automatico avanzato per rendere la tua azienda più redditizia, e la tecnologia che c’è dietro è ora così avanzata che in realtà non devi preoccupartene molto.

Di seguito, descriviamo cosa succede dietro le quinte di Lokad, ma sii certo che puoi utilizzare Lokad anche se non hai una comprensione completa di ciò che entra nel nostro motore di previsione - proprio come puoi utilizzare un filtro antispam senza essere familiare con l’inferenza probabilistica bayesiana.

Riconsiderare la previsione per il commercio

Molti fornitori vantano l’uso di metodi di previsione “avanzati” come ARIMA, Box-Jenkins e Holt-Winters che in realtà sono quasi vecchi di mezzo secolo; sono stati tutti concepiti in un’epoca in cui i computer aziendali più potenti avevano meno potenza di calcolo rispetto alla maggior parte dei frigoriferi di oggi. Le persone che hanno inventato questi metodi erano eccezionalmente intelligenti, ma dovevano accontentarsi delle risorse di calcolo del loro tempo e quindi davano la preferenza a modelli che potevano essere calcolati con pochissimi calcoli. Oggi possiamo utilizzare enormi quantità di potenza di calcolo per le nostre sfide di previsione a un costo molto basso.

Tenete presente che 1000 ore di potenza di calcolo costano meno di $50 quando si utilizza una piattaforma di cloud computing. Ovviamente, questo apre prospettive radicalmente nuove per la previsione, ed è esattamente su queste prospettive che Lokad ha esplorato ampiamente. Le Griglie Quantili rappresentano la terza versione della tecnologia di previsione di Lokad, ma torniamo indietro di alcuni anni per avere il quadro completo. Abbiamo iniziato con previsioni classiche nel 2008 come prima versione della nostra tecnologia di previsione, e nonostante tre anni di enormi sforzi di R&S da parte del team di Lokad, l’approccio classico si è rivelato un vicolo cieco. Non siamo mai riusciti davvero a soddisfare appieno nessun cliente con previsioni classiche. Man mano che apprendevamo di più sulle esperienze dei nostri clienti con altri fornitori di previsioni, è emerso che non c’era una sola azienda che fosse anche solo lontanamente soddisfatta della tecnologia di previsione che aveva acquisito. Questo problema non era specifico di Lokad, e abbiamo capito che l’intera industria della previsione era disfunzionale; e abbiamo deciso di fare qualcosa al riguardo.

Nel 2012, Lokad ha rilasciato la seconda versione della sua tecnologia di previsione chiamata Previsioni Quantili. In poche parole, le previsioni quantili affrontano il principale problema che affligge le previsioni classiche: le previsioni classiche semplicemente non guardano al problema giusto.

Infatti, la sfida per le aziende è evitare due estremi: una domanda inaspettatamente alta che causa esaurimenti di magazzino, e una domanda inaspettatamente bassa che causa inventario morto. Ciò che accade nel mezzo quando la domanda futura è approssimativamente “come previsto” conta molto poco dal punto di vista aziendale.

Eppure le previsioni classiche, previsioni medie o mediane, ignorano completamente queste situazioni “estreme” e si concentrano interamente sul caso medio. Non sorprende che le previsioni classiche falliscano nel prevenire sia gli esaurimenti di magazzino che l’inventario morto. Le previsioni quantili affrontano direttamente la sfida e guardano direttamente allo scenario di interesse, ad esempio evitare gli esaurimenti di magazzino, e si sforzano di fornire una risposta precisa a questo stesso problema. Improvvisamente nel 2012, abbiamo iniziato ad avere sempre più clienti soddisfatti. Per la prima volta nella storia di Lokad, più di 3 anni dopo il lancio dell’azienda, avevamo qualcosa che funzionava.

Nel 2015, Lokad ha rilasciato la terza versione della sua tecnologia di previsione, le griglie quantili. Mentre le previsioni quantili erano già un miglioramento radicale rispetto alle previsioni classiche, avevano comunque i loro punti deboli. Man mano che acquisivamo sempre più esperienza con dozzine di implementazioni della nostra tecnologia di previsione quantile, abbiamo realizzato che sebbene l’idea di produrre una previsione per un solo scenario aziendale fosse valida, non era del tutto completa. Perché solo questo scenario? Perché non un secondo scenario, o un terzo? Gestire manualmente più scenari si è rivelato noioso, e abbiamo capito che tutti gli scenari dovrebbero essere previsti contemporaneamente. Dal punto di vista del calcolo, questo era significativamente più costoso: per ogni prodotto, avremmo calcolato le rispettive probabilità di (quasi) ogni singolo livello di domanda. Tuttavia, mentre la quantità di calcoli coinvolti appare sconcertante, i prezzi delle risorse di calcolo sono anche in caduta libera nel corso degli anni. E ciò che avremmo considerato troppo costoso 5 anni fa, era ora molto accessibile. Nel 2015, Lokad ha rilasciato la terza versione della sua tecnologia di previsione, le griglie quantili. Pur essendo estremamente intensivo dal punto di vista del calcolo, le griglie quantili sono ora accessibili grazie al crollo dei prezzi delle risorse di calcolo cloud.

Considerare l’intera distribuzione di probabilità della domanda

La domanda futura è incerta. Qualsiasi tentativo di rappresentare la domanda futura con un solo valore è un po’ ingenuo perché, per quanto questo valore possa essere buono, non può mai raccontare l’intera storia. Anche se sarebbe bello avere un sistema “magico” in grado di predire l’esatto livello di domanda futura, questo è piuttosto illusorio. Quando le persone cercano di gestire una previsione errata, è molto allettante cercare di “correggere” questa previsione. Purtroppo, la previsione statistica è in gran parte controintuitiva e la realtà è che spesso non c’è nulla da correggere: il valore previsto è uno dei risultati perfettamente validi e possibili per la domanda futura.

Il sistema può essere potenzialmente ottimizzato leggermente per produrre valori leggermente più probabili per la domanda futura, ma questo è tutto. La tua azienda finisce per ottenere solo valori leggermente più probabili per la domanda futura, il che non comporta un aumento dell’attività aziendale che ci si sarebbe aspettati inizialmente.

Le griglie dei quantili adottano un approccio molto diverso: per ogni prodotto, Lokad calcola le rispettive probabilità di ogni singolo livello di domanda futura. Invece di cercare di mantenere l’illusione che la domanda futura sia nota, le griglie dei quantili esprimono direttamente le probabilità associate a molti futuri possibili.

Ad esempio, se consideriamo un prodotto venduto raramente con un lead time di 2 settimane, la distribuzione della domanda delle prossime 2 settimane (di solito l’orizzonte di previsione deve corrispondere al lead time) per questo prodotto può essere rappresentata come segue:

Pensare al futuro da un punto di vista completamente probabilistico potrebbe sembrare complicato, ma in realtà rappresenta ciò che ogni dirigente aziendale sta già facendo, seppur in modo meno formale: valutare le probabilità di certi risultati e coprire le scommesse rispetto alla propria attività per essere ben preparati quando si affrontano gli scenari più rilevanti. Dal punto di vista del motore di previsione, poiché non sappiamo in anticipo quali sarebbero gli scenari “più rilevanti”, la soluzione logica, seppur un po’ brutale, consiste nel processare tutti gli scenari possibili. Tuttavia, assumendo che un’azienda abbia mille prodotti da prevedere (e alcuni dei nostri clienti devono gestire milioni di SKU) e che Lokad calcoli le probabilità associate a 100 scenari per ciascun prodotto, le griglie dei quantili produrrebbero un elenco enorme con 100.000 voci che non sembra pratico da elaborare. Arriviamo a questo punto nella sezione seguente.

Priorità delle decisioni della supply chain

Per ogni decisione di acquisto, possiamo scrivere un semplice calcolo alla buona, la formula “risultato” che dipende dalla domanda futura rispetto alla decisione di acquisto attuale. Quindi, ogni singola decisione può essere valutata in base alla rispettiva probabilità di ogni livello di domanda futura.

Le previsioni della domanda sono comunemente utilizzate per guidare le decisioni della supply chain come effettuare ordini di acquisto per il commercio o avviare un lotto di produzione in un contesto industriale. Una volta che abbiamo tutte le probabilità associate a tutti i risultati futuri, è possibile costruire un elenco completo di priorità di tutte le decisioni di acquisto. Infatti, per ogni decisione di acquisto, possiamo scrivere un semplice calcolo alla buona, la formula “risultato”: assumendo che la domanda sarà di D unità e assumendo che acquistiamo P unità, allora il risultato finanziario sarà X. Va da sé che Lokad è qui per aiutarti a scrivere questa breve formula, che per la maggior parte delle aziende si riduce al margine lordo meno il costo dell’inventario e meno il costo delle scorte esaurite. Di conseguenza, una volta che abbiamo questa formula, per ogni decisione della supply chain, come “acquistare 1 unità del prodotto Z”, i risultati possono essere confrontati con le probabilità di ogni possibile futuro. Facendo ciò, calcoliamo il “punteggio” di ogni possibile decisione.

Una volta che ogni decisione è stata valutata, è possibile classificare tutte queste decisioni, mettendo le opzioni più redditizie in cima all’elenco. Ci riferiamo a questo elenco come il master purchase priority list. È un elenco in cui ogni prodotto appare su numerose righe. Infatti, mentre l’acquisto di 1 unità del prodotto Z potrebbe essere la decisione di acquisto più votata (alias l’acquisto più urgente), l’acquisto della successiva 1 unità del prodotto Z potrebbe essere solo la 20esima decisione di acquisto più urgente, con molte altre unità di altri prodotti da acquistare nel frattempo.

L’elenco principale risponde a una domanda molto semplice: se l’azienda ha un dollaro extra da spendere nel suo inventario, dove dovrebbe andare questo dollaro per primo? Beh, questo dollaro dovrebbe andare all’articolo che offre alla tua azienda il massimo rendimento. Quindi, una volta acquisito questo particolare articolo, si può ripetere la stessa domanda. Tuttavia, questa volta, una volta acquisita questa unità in più, il prossimo articolo più redditizio da acquistare sarà probabilmente diverso poiché ci sono forti rendimenti decrescenti nell’accumulare in modo eccessivo lo stesso articolo nel tuo stock. Infatti, più inventario hai, meno ruota il tuo inventario e più alte sono le probabilità di rimanere bloccati con inventario invenduto. Queste problematiche sono naturalmente riflesse nella formula “risultato” e nella conseguente prioritizzazione dell’elenco.

Meglio che regolare i livelli di servizio

Capire i livelli di servizio “ottimali” che sono le probabilità desiderate di non avere una carenza di magazzino, è un esercizio molto difficile. Questo è un problema complesso perché i livelli di servizio sono solo indirettamente correlati alle prestazioni finanziarie di un’azienda. Infatti, per alcuni prodotti, ottenere un punto percentuale in più di livello di servizio può rivelarsi molto costoso e quindi, se le risorse sono facilmente disponibili, dovrebbero piuttosto essere allocate su altri prodotti, dove lo stesso livello di investimento produrrebbe non il 1% ma un extra 10% di livello di servizio.

Con le Griglie Quantili utilizzate come master purchase priority list, non è nemmeno necessario preoccuparsi dei livelli di servizio poiché questi sono nativamente riflessi nella prioritizzazione stessa.

Se il livello di servizio di un prodotto ad alto margine può essere aumentato a basso costo, questo prodotto sale naturalmente in cima alla lista. Al contrario, se un prodotto sta subendo vendite estremamente erratiche che rendono estremamente costosi tutti i tentativi di aumentare il livello di servizio, allora questo prodotto salirà in cima alla lista solo quando le scorte stanno per esaurirsi pericolosamente e quando un’azienda è quasi garantita di non finire con scorte invendute nonostante modelli di domanda molto erratici. La lista prioritaria risolve anche il problema dei vincoli di liquidità. Indipendentemente da dove si trovi la tua azienda per quanto riguarda il denaro disponibile, la lista prioritaria ti offre un’opzione gestibile. Se hai molto poco denaro disponibile, la tua azienda acquista solo ciò che è in cima alla lista, mantenendo i livelli di magazzino solo dei prodotti che hanno disperatamente bisogno di essere riforniti. Se hai denaro aggiuntivo a disposizione, la tua azienda ha poi la possibilità di aumentare il suo inventario concentrandosi sugli articoli che favoriranno la crescita maggiore mantenendo sotto controllo i rischi di inventario.

Inserimento dei vincoli della supply chain

Le aziende devono affrontare frequentemente vincoli di approvvigionamento come quantità minime d’ordine sia a livello di SKU che a livello d’ordine. A volte, le unità devono essere raccolte in grandi lotti come contenitori. Tali vincoli possono essere integrati naturalmente nei processi di lavoro attraverso una lista prioritaria di acquisti principale come descritto sopra; non solo fornisce suggerimenti di acquisto prioritizzati, ma fornisce anche raccomandazioni compatibili con i vincoli d’ordine.

Il processo esatto da seguire dipende dal tipo effettivo di vincoli che un’azienda può avere. Consideriamo ad esempio le spedizioni in container. Lokad può calcolare i volumi cumulativi per fornitore, assumendo che le linee d’acquisto siano elaborate nell’ordine della lista e assumendo che ciascun fornitore stia spedendo indipendentemente dagli altri. Sulla base di questi volumi cumulativi, il processo di scorrere la lista fino a quando non si raggiunge la capacità del container di destinazione è molto semplice. Allo stesso modo, se esiste un vincolo di quantità minima d’ordine per un determinato SKU, in questo caso è anche facile rimuovere dalla lista tutte le linee che arrivano prima che il vincolo sia soddisfatto e segnalare direttamente le quantità alla prima linea una volta che il vincolo è soddisfatto.

Imporre che l’acquisto sia impostato su un minimo di N unità degrada la competitività dello SKU, cioè lo SKU appare per la prima volta nella lista a un rango più basso, che è esattamente il comportamento desiderato poiché i rischi di inventario aumentano con le quantità minime d’ordine. In particolare, questo approccio affronta completamente le sfide di lunga data che hanno avuto conseguenze negative sia sui forecast classici che quantili: cosa fare quando le quantità di riordino suggerite sono superiori o inferiori ai vincoli d’ordine? Se alcune unità devono essere rimosse, quali prodotti dovrebbero essere i primi ad andarsene? Se le unità devono essere aggiunte, quali prodotti dovrebbero essere acquistati in quantità maggiori? I vecchi metodi di previsione non fornivano risposte soddisfacenti a queste domande. Con una lista prioritaria di acquisti, basta seguire l’ordine della lista.