Previsioni classiche a serie temporali (2008)
Dettagli tecnici
Quali modelli di previsione state utilizzando?
Rispondere a questa domanda è complicato per due motivi: in primo luogo, la nostra tecnologia di previsione è un asset di proprietà intellettuale (IP) fondamentale che non siamo disposti a divulgare nei dettagli; in secondo luogo, la nostra tecnologia è complessa e comprende molti modelli. Detto ciò, Lokad si basa su una teoria ben nota chiamata teoria dell’apprendimento statistico. Questa teoria comprende la maggior parte dei metodi moderni di previsione come la regressione vettoriale di supporto, le reti bayesiane, i metodi di mistura o di potenziamento e le meta-euristiche tra cui le reti neurali o gli algoritmi genetici… Tuttavia, non ignoriamo nemmeno i classici: autoregressione lineare, media mobile, lisciatura esponenziale (doppia, tripla), Box-Jenkins, Holt-Winters, ARMA, ARIMA. Tuttavia, questi classici sono tipicamente molto deboli quando si tratta di sfruttare le correlazioni tra le serie temporali.
Quanto sono accurate le vostre previsioni?
L’accuratezza delle previsioni dipende estremamente dal dataset specifico preso in considerazione. Abbiamo incontrato situazioni in cui un errore del 0,5% è considerato scarso (come ad esempio le previsioni orarie del consumo nazionale di elettricità 24 ore prima), e altre situazioni in cui un errore dell'80% è considerato eccellente (come ad esempio un’operazione promozionale unica durante il lancio di un prodotto). L’accuratezza dipende fortemente dall’orizzonte temporale - più avanti sono le previsioni, meno accurate sono -, ma l’accuratezza dipende anche fortemente dal livello di aggregazione - più sono aggregate le previsioni, più accurate sono.
Competizioni di previsione, avete una validazione accademica della vostra tecnologia?
Ci sono molte competizioni di data mining che si svolgono ogni anno. Da Lokad, di solito teniamo d’occhio questi eventi e confrontiamo regolarmente la nostra tecnologia di previsione con i dataset di queste competizioni quando i dati sono rilevanti per Lokad (processiamo solo serie temporali, non immagini o profili di clienti ad esempio). Tuttavia, fino ad oggi, non abbiamo ancora osservato alcuna competizione pubblica di data mining che riteniamo rappresentativa delle sfide che affrontiamo quotidianamente. In primo luogo, i dataset accademici tendono ad essere piccoli - meno di qualche centinaio di serie temporali - con serie temporali lunghe - centinaia di punti dati per serie temporale. Questo è quasi l’opposto di ciò che osserviamo tipicamente nel settore del retail: migliaia se non milioni di serie temporali, ma serie molto brevi perché i prodotti hanno una vita breve. Detto ciò, Lokad di solito si comporta bene in queste competizioni, e molto bene se si considera che, con Lokad, i risultati sono ottenuti immediatamente, senza necessità di competenze per produrre i risultati.
Valutate l’accuratezza delle vostre previsioni?
Sì, lo facciamo. Misure precise quantitative dell’accuratezza delle previsioni ottenute con la nostra tecnologia di previsione rappresentano circa la metà della nostra tecnologia principale. Senza entrare troppo nei dettagli, diciamo che è una grande sfida, non solo produrre modelli che si adattino effettivamente ai tuoi dati, ma che si rivelino davvero buoni sui dati che non hai ancora, cioè i dati futuri. Vedi anche Sovradattamento: quando la misura dell’accuratezza va storta. Il compito quotidiano tipico del team di R&S di Lokad consiste nel eseguire ripetutamente il nostro motore di previsione sui dataset dei clienti, misurando gli errori di previsione e cercando di ridurli. Un aspetto notevole della nostra tecnologia è che non ottieni solo previsioni, ma anche, per ogni valore previsto, ottieni l’accuratezza prevista di questo valore, espressa come un errore MAPE. Quindi, non devi aspettare per scoprire infine che una previsione era poco affidabile, Lokad ti fornisce le informazioni in anticipo in modo che tu possa adattare di conseguenza la tua strategia.
Quanti dati storici sono necessari?
Non c’è un requisito minimo per la quantità di dati storici. Detto ciò, Lokad fornisce una tecnologia statistica, quindi più dati storici hai, più accurate saranno le previsioni. In pratica, 2 anni di dati storici sono considerati buoni, e 3 anni o più sono considerati eccellenti. Se hai meno di 1 anno di dati storici, allora Lokad non sarà in grado di affinare le previsioni attraverso la stagionalità che è un modello importante per molte aziende. Inoltre, per sfruttare la stagionalità, Lokad non ha bisogno di più di 1 anno su ogni singola serie temporale (cioè vendite di prodotti), abbiamo solo bisogno di avere un paio di serie temporali con più di 1 anno di storia per stabilire i profili di stagionalità che esistono nella tua attività. Per le startup e le aziende emergenti, Lokad può essere utilizzato fin dall’inizio. Infatti, forniamo non solo previsioni ma anche l’accuratezza prevista delle previsioni. Quindi, le prime previsioni di solito presentano livelli di errore molto elevati e migliorano gradualmente nel tempo. Lokad ti offre un modo per quantificare l’incertezza anche.
Pattern generali
Trend macro (es: crisi finanziaria), come vengono gestiti?
Crediamo che ci siano due tipici fraintendimenti sui trend macro. In primo luogo, i trend macro possono essere sfruttati per affinare le previsioni di domanda solo se quei trend macro stessi possono essere previsti con precisione. Se le banche fossero state in grado di prevedere la crisi finanziaria, non ci sarebbe stata una crisi in primo luogo. Prevedere i trend macro è tipicamente molto più difficile che prevedere la domanda per il tuo prodotto medio, quindi è spesso un’opzione piuttosto inaffidabile. In secondo luogo, una recessione al -3% / anno è considerata un grande trend macro, ma in pratica significa un impatto del -0,06% a livello settimanale. In confronto, osserviamo regolarmente variazioni delle vendite di prodotti del 20% da una settimana all’altra. Lokad è più adatto per previsioni a breve termine, e guardando a poche settimane nel futuro, i trend macro sono tipicamente oscurati da fattori microeconomici come promozioni, cannibalizzazione, campagne pubblicitarie, … In conclusione, Lokad di solito ignora la maggior parte dei trend macro, ma nella nostra esperienza, è l’unica opzione ragionevole per il 99% delle situazioni.
Stagionalità, trend, come vengono gestiti?
Rileviamo automaticamente i pattern basati sul calendario. Non è necessario dire a Lokad che un prodotto è stagionale, la stagionalità è un pattern frequente affrontato nativamente dalla nostra tecnologia di previsione. In realtà, la stagionalità è molto più complessa di quanto la maggior parte delle persone si aspetti. Ai nostri occhi, non esiste una sola stagionalità ma molti pattern ciclici che interagiscono in modi multipli. Ci sono la stagionalità annuale, l’effetto del giorno della settimana, l’effetto della busta paga a livello mensile, la stagionalità quasi annuale come la festa della mamma celebrata la seconda domenica di maggio negli Stati Uniti, … Inoltre, considerando le previsioni di vendita a livello del Punto Vendita, i pattern ciclici dei prodotti si combinano con i pattern ciclici del Punto Vendita stesso. Infatti, ogni Punto Vendita ha un ambiente più o meno unico che genera i propri pattern di domanda. Quindi, la stagionalità non riguarda solo il fornire una semplice flag SI/NO, ma è un insieme piuttosto complesso di pattern interdipendenti. La buona notizia è che Lokad gestisce questa complessità per te.
Pasqua, Ramadan, festa della mamma e altri eventi quasi stagionali?
Alcuni pattern del calendario sono, nel gergo di Lokad, quasi stagionali: i pattern si ripetono da un anno all’altro, ma non sono strettamente annuali nel senso del calendario gregoriano (noto anche come calendario occidentale o cristiano). Pasqua, Ramadan, Capodanno cinese, festa della mamma sono tanti esempi di pattern quasi stagionali. Lokad rileva automaticamente i pattern quasi stagionali, quindi non è necessario dedicare alcuno sforzo specifico per gestire quei pattern. Quindi, in modo molto simile alla stagionalità classica, Lokad si basa principalmente sull’analisi di serie temporali multiple per rilevare serie temporali che hanno pattern quasi stagionali simili al fine di affinare l’analisi del pattern.
Cicli di vita del prodotto e lanci di prodotti, come vengono gestiti?
La maggior parte dei beni di consumo passa attraverso un ciclo di vita. I prodotti vengono lanciati, crescono, appassiscono e infine vengono gradualmente ritirati dal mercato. Lokad può prevedere le vendite al lancio, considerando che la data di lancio è nota. Ovviamente, quando un prodotto sta per essere lanciato, non ci sono dati di vendita disponibili per questo stesso prodotto per supportare la previsione. Tuttavia, a differenza dei toolkit di previsione classici, Lokad non si limita alla classica previsione delle serie temporali. In particolare, i prodotti possono essere descritti attraverso tag. Un tag può rappresentare qualsiasi proprietà del prodotto: categoria, sottocategoria, famiglia, marca, colore, taglia, … Per prevedere le vendite di un prodotto in fase di lancio, Lokad analizza i lanci storici di prodotti simili, e le somiglianze vengono valutate in base ai tag forniti per ciascun prodotto. Applichiamo lo stesso principio per altri pattern del ciclo di vita.
Prodotti intermittenti / a basso volume, come vengono gestiti?
Se hai un prodotto che viene venduto una volta all’anno, beh, c’è poco da fare per quanto riguarda la previsione statistica. In pratica, è piuttosto una scelta di marketing avere 1 unità in magazzino o zero. Tuttavia, tra questo caso estremamente lento e i tuoi prodotti più venduti, c’è un’intera area grigia di prodotti venduti raramente ma abbastanza frequentemente da richiedere un’ottimizzazione dell’inventario. La maggior parte dei toolkit di previsione classici si comporta male contro le vendite intermittenti. Da parte nostra, abbiamo dedicato molti sforzi a questo modello di domanda perché molte attività, come l’eCommerce, si basano pesantemente sulla coda lunga per raggiungere la redditività. Tuttavia, i prodotti a lenta rotazione, a meno che non siano gestiti con cura, possono generare ancora più inventario rispetto ai prodotti più venduti. Per gestire i prodotti a lenta rotazione, suggeriamo di optare per la previsione probabilistica.
Meteo, come viene gestito?
In certe attività, come i negozi di alimentari, il meteo è un fattore di domanda molto importante. Al momento, Lokad non sfrutta le previsioni meteorologiche come input nella nostra tecnologia di previsione. Tuttavia, questo elemento fa parte del nostro piano a medio termine. Il nostro obiettivo non è solo quello di supportare gli input meteorologici, ma di rendere il processo ampiamente automatizzato, in modo che richieda praticamente zero sforzi da parte dei nostri clienti per beneficiare dell’accuratezza aggiuntiva.
Artefatti della domanda
Vendite perse a causa di esaurimenti di magazzino, come vengono gestite?
Le vendite non equivalgono alla domanda. Un esaurimento di magazzino è un artefatto che distorce le vendite lontano dalla domanda originale. Infatti, un esaurimento di magazzino fa diminuire le vendite mentre la domanda rimane costante. A differenza dei toolkit di previsione classici, con Lokad, non è necessario modificare o aggiustare i dati storici nel tentativo di esprimere le vendite che si sarebbero verificate se non ci fossero stati esaurimenti di magazzino. Invece, gli eventi possono essere utilizzati per indicare quando si sono verificati gli esaurimenti di magazzino. Le informazioni sugli esaurimenti di magazzino vengono utilizzate per stimare in modo più accurato tutti i pattern che sarebbero stati influenzati (stagionalità, trend, …) altrimenti. Se gli esaurimenti di magazzino non sono contrassegnati come tali con eventi, Lokad filtra quei pattern come rumore. Tenere traccia degli esaurimenti di magazzino è utile, ma non è un requisito per iniziare con Lokad.
Vendite eccezionali, come vengono gestite?
A seconda del settore in cui operi, la tua attività potrebbe affrontare vendite eccezionali. Poiché tali vendite sono, beh, eccezionali per dimensioni, sono anche di solito piuttosto facili da individuare con un approccio puramente statistico. Quindi, suggeriamo di non modificare i tuoi dati storici per pulire quelle vendite eccezionali. Prima di tutto, probabilmente è una perdita di tempo, in secondo luogo, le vendite eccezionali stesse potrebbero contenere informazioni preziose che aiutano a prevedere la domanda. Lokad non può prevedere le singole vendite eccezionali future - che potrebbero dipendere dall’esito di una trattativa, ad esempio. Se è nota un’eccezionale vendita in arrivo, suggeriamo di sovrascrivere manualmente le previsioni di Lokad con il pezzo di informazione aggiuntiva.
Aggregazione, top-down o bottom-up?
Alcune aziende prevedono la domanda a livello di gruppi o famiglie e poi suddividono tali previsioni per raggiungere i singoli prodotti. Questo è un metodo di previsione top-down del prodotto. La stessa idea può essere applicata alla previsione della frequenza: alcune aziende prevedono prima a livello settimanale, e poi applicano coefficienti per il giorno della settimana. In questo caso, si tratta di un metodo di previsione top-down della frequenza. Al contrario, le previsioni settimanali possono essere prodotte sommando le previsioni giornaliere. Da Lokad, suggeriamo di regolare le tue previsioni per corrispondere il più possibile alle tue esigenze operative: se la supply chain ha bisogno di previsioni settimanali per ogni prodotto, allora richiedi previsioni settimanali per ogni prodotto da Lokad. Richiedere previsioni giornaliere e poi sommare quelle previsioni non migliorerà la tua precisione. Seguendo la stessa idea, lasciare che Lokad preveda le vendite a livello di gruppo di prodotti, e poi dividere manualmente le previsioni per ogni SKU è una cattiva idea, perché è probabile che venga introdotto un significativo errore di previsione attraverso la divisione stessa. Internamente, Lokad si basa su molti algoritmi di aggregazione/suddivisione, e di solito ci piace sfruttare i dati più dettagliati disponibili. Ad esempio, sfruttiamo i dati di vendita giornalieri per fornire previsioni mensili. Infatti, un mese può avere 4 o 5 fine settimana che influenzano significativamente la maggior parte delle attività commerciali al dettaglio. Come al solito, non devi preoccuparti del livello di aggregazione, Lokad gestisce le tue esigenze.