Previsioni tradizionali con serie temporali (2008)

Aspetti pratici

Quali modelli di previsione usate?

La risposta non è semplice, per due motivi: primo, perché la nostra tecnologia è il nucleo della nostra proprietà intellettuale, di cui non vogliamo rivelare i dettagli; secondo, perché la nostra tecnologia è complessa e si fonda sull'uso di vari modelli. Tutto ciò premesso, Lokad sfrutta una teoria ben nota, quella dell'apprendimento statistico. Questa teoria comprende molti dei moderni metodi di previsione, tra cui la regressione di vettore di supporto, le reti bayesiane, i metodi mixture/boosting e le tecniche metaeuristiche, ivi compresi reti neurali e algoritmi genetici. Usiamo anche metodi più classici, come l'autoregressione lineare, la media mobile, lo smorzamento esponenziale (semplice, doppio, triplo), i metodi Box-Jenkins, Holt-Winters, ARMA, ARIMA. Questi grandi classici, però, sono piuttosto deboli quando si tratta di stabilire correlazioni tra diverse serie temporali.

Quanto sono accurate le vostre previsioni?

L'accuratezza delle previsioni dipende principalmente dallo specifico insieme di dati che viene considerato. Ci sono capitate le situazioni più diverse: in alcuni casi, un errore dello 0,5% poteva essere considerato un risultato mediocre (come nel caso delle previsioni orarie del consumo nazionale di elettricità con 24 ore di anticipo); in altri casi, un errore dell'80% era considerato un risultato eccellente (ad esempio, per un'operazione promozionale una tantum durante il lancio di un prodotto). L'accuratezza dipende in gran parte dall'orizzonte della previsione (più le previsioni sono a lungo termine, meno saranno accurate) e dal livello di aggregazione (più le previsioni sono aggregate, meno saranno accurate).

A proposito delle gare di previsione, la vostra tecnologia è stata riconosciuta a livello accademico?

Ogni anno si tengono moltissime competizioni di data mining. Noi di Lokad dedichiamo particolare attenzione a questi eventi e mettiamo regolarmente alla prova la nostra tecnologia, quando la competizione rientra nella nostra sfera di competenza (ci occupiamo unicamente di serie temporali, non, ad esempio, di immagini o profili clienti). Finora, però, non abbiamo ancora trovato una competizione pubblica di data mining che, a nostro giudizio, sia veramente rappresentativa delle sfide che affrontiamo ogni giorno. I dati accademici, infatti, sono tendenzialmente esigui (qualche centinaio di serie temporali, o meno) e comprendono serie temporali lunghe (centinaia di punti per ogni serie). Questo è l'esatto opposto di ciò che si verifica in realtà nel settore della distribuzione: le serie temporali sono migliaia, se non milioni, e sono tutte molto brevi, poiché i prodotti hanno vita breve. Detto ciò, in queste prove Lokad ottiene di solito dei buoni risultati, anzi, degli ottimi risultati, se teniamo conto del fatto che con Lokad i risultati sono prodotti in automatico e non sono ritoccati da un esperto in materia.

Misurate l'accuratezza delle vostre previsioni?

Sì, certo. La nostra tecnologia di punta è costituita per buona parte da precise misurazioni quantitative delle previsioni che abbiamo ottenuto con la nostra tecnologia di previsione. Senza addentrarci troppo nei particolari, possiamo riassumere dicendo che la vera sfida non è tanto produrre modelli che si adattino perfettamente ai dati, quanto che questi modelli siano davvero validi per i dati che non si hanno ancora a disposizione, ossia i dati futuri (vedi anche il post in inglese Overfitting: quando la misurazione dell'accuratezza finisce male). Il team ricerca e sviluppo di Lokad dedica gran parte del suo tempo a inserire i dati dei nostri clienti nel motore di previsione, misurare gli errori di previsione e tentare di ridurli. Un altro aspetto notevole della nostra tecnologia è che, oltre alle previsioni, forniamo anche, per ogni valore previsto, l'accuratezza attesa di questo valore, espressa sotto forma di errore MAPE. Grazie a questo accorgimento, non è necessario aspettare di avere i risultati per giudicare se la previsione è attendibile o meno; Lokad offre queste informazioni in anticipo, così da poter regolare la propria strategia di conseguenza.

Di quanti dati storici avete bisogno?

Non è richiesta una quantità minima di dati storici. Va detto, però, che Lokad fornisce una tecnologia statistica: quindi, più sono i dati storici a disposizione, più accurata sarà la previsione. 2 anni di dati storici sono un buon punto di partenza, 3 o più anni sono un punto di partenza eccellente. Con meno di 1 anno di dati storici, Lokad non potrà perfezionare le previsioni attraverso il parametro della stagionalità, un indicatore importante per molte attività. Per poter sfruttare la stagionalità, Lokad non ha bisogno di più di un anno di dati storici per ogni serie temporale (cioè per ogni prodotto venduto); abbiamo solo bisogno di qualche serie temporale con più di un anno di dati storici, per stabilire i profili di stagionalità dell'attività. Per le startup e le imprese emergenti, Lokad può essere usato fin dall'inizio, visto che non forniamo solo previsioni, ma anche dati sull'accuratezza prevista della previsione. Le prime previsioni hanno livelli di errore molto alti, ma migliorano gradualmente. Lokad offre inoltre un modo per quantificare l'incertezza.

Pattern di comportamento generali

Come sono gestiti i macro trend, ad esempio le crisi finanziarie?

A proposito di macro trend, siamo convinti che sia necessario fare un po' di chiarezza. In primo luogo, si può perfezionare una previsione attraverso i macro trend solo se essi stessi possono essere previsti in maniera accurata. Se le banche fossero state in grado di prevedere la crisi finanziaria, non ci sarebbe stata alcuna crisi. Prevedere le tendenze macroeconomiche è molto più complicato che prevedere la domanda per un prodotto, per cui questa opzione viene spesso scartata. In secondo luogo, una recessione del -3% l'anno è considerata come una tendenza importante, ma, in realtà, significa un -0,06% a settimana. In confronto, siamo abituati a vedere variazioni settimanali del 20% nella domanda di un prodotto. Lokad è più adatto alle previsioni a breve termine: se guardiamo i macro trend in prospettiva settimanale, ci accorgiamo che vengono ridimensionati da fattori microeconomici, come promozioni, cannibalizzazioni, campagne pubblicitarie... Insomma, Lokad solitamente tralascia quasi tutti i macrotrend, che, come ci ha insegnato la nostra esperienza, è la cosa più ragionevole da fare nel 99% dei casi.

Come sono gestiti la stagionalità e il trend?

I comportamenti basati sul calendario sono identificati automaticamente. Ciò significa che non occorre specificare a Lokad che un certo prodotto è stagionale, poiché la stagionalità è un pattern ricorrente, incluso nativamente nella nostra tecnologia di previsione. In realtà, la stagionalità è un fenomeno più complesso di quanto si possa pensare. Dal nostro punto di vista, non c'è una sola stagionalità; ci sono piuttosto molti comportamenti ciclici che interagiscono in diversi modi. Ci sono le stagionalità annuali, l'effetto giorno della settimana, l'effetto giorno di paga una volta al mese, la stagionalità quasi annuale (come nel caso della festa della mamma, celebrata in diversi Paesi la seconda domenica di maggio)... Quando, poi, consideriamo la stagionalità nell'ottica del punto vendita, il comportamento ciclico del prodotto si somma al comportamento ciclico del punto vendita stesso: ogni punto vendita, infatti, ha delle peculiarità che generano dei particolari comportamenti della domanda. Stagionalità, quindi, non significa semplicemente barrare la casella SÌ/NO, ma significa tenere conto di un insieme complesso di comportamenti strettamente connessi gli uni agli altri. La buona notizia è che Lokad gestisce questi aspetti complessi al posto vostro.

Cosa succede per la Pasqua, il Ramadan, la Festa della mamma e altri eventi quasi-stagionali?

Noi di Lokad abbiamo definito alcuni comportamenti legati al calendario come quasi-stagionali: sono comportamenti che si ripresentano ogni anno, ma non sono annuali nel senso del calendario gregoriano (per intenderci, quello cristiano od occidentale). La Pasqua, il Ramadan, il Capodanno cinese, la Festa della mamma, sono tutti esempi di pattern quasi-stagionali. Lokad identifica automaticamente i pattern quasi-stagionali, così nessuno dovrà preoccuparsi di individuarli e gestirli. Poi, analogamente a ciò che avviene per la stagionalità classica, Lokad si basa principalmente sull'analisi di serie temporali multiple per rifinire l'analisi dei pattern.

Come sono gestiti il ciclo di vita e il lancio dei prodotti?

La maggioranza dei beni di consumo ha un proprio ciclo di vita. I prodotti vengono lanciati, evolvono, decadono e, infine, escono dal mercato. Lokad riesce a prevedere le vendite al lancio del prodotto, a condizione che la data di lancio sia nota. Ovviamente, quando un prodotto non è ancora stato lanciato, non esistono dati disponibili sulle vendite di questo particolare prodotto a supporto della previsione. A differenza di altri strumenti di previsione tradizionale, Lokad non fornisce solo previsioni tradizionali. In particolare, Lokad permette di descrivere i prodotti attraverso dei tag. Un tag può rappresentare una qualsiasi proprietà del prodotto: categoria, sottocategoria, famiglia, brand, colore, dimensione... Per produrre una previsione vendite di un prodotto in fase di lancio, Lokad analizza i dati storici relativi al lancio di prodotti simili: le similitudini sono stabilite sulla base dei tag forniti per ogni prodotto. Lo stesso principio è applicato anche per gli altri pattern di comportamento legati al ciclo di vita del prodotto.

Come sono gestiti i prodotti intermittenti o a basso volume?

Se tra i prodotti in catalogo ce n'è uno che viene venduto una volta l'anno, dal punto di vista della previsione statistica c'è ben poco da fare. Nella realtà, avere in magazzino una unità o nessuna unità è piuttosto una scelta di marketing. Tra questi casi estremi e i prodotti più venduti, però, c'è un'intera zona grigia di prodotti venduti raramente, ma abbastanza frequentemente per richiedere un'ottimizzazione delle scorte. Molti strumenti di previsione tradizionale danno risultati mediocri in caso di vendite intermittenti. Lokad, invece, ha investito molto su questo pattern di comportamento della domanda, poiché molte attività, come le imprese di e-commerce, si affidano spesso alla coda lunga per ottenere una maggiore redditività. Tuttavia, i prodotti di lento rigiro, se non vengono gestiti con cautela, possono generare una quantità di giacenze persino maggiore dei prodotti più venduti. Per gestire i prodotti di lento rigiro, suggeriamo di passare alle previsioni probabilistiche.

Come è gestito il fattore meteo?

In alcune attività, come le rivendite alimentari, il meteo è un fattore chiave della domanda. A oggi, Lokad non ha ancora inserito le previsioni meteo tra gli input per la nostra tecnologia di previsione, ma conta di farlo al più presto. Il nostro obiettivo è quello di supportare gli input legati al meteo e di rendere la procedura in gran parte automatica, in modo che i nostri clienti possano godersi previsioni più accurate con il minimo sforzo.

Irregolarità della domanda

Come sono gestite le perdite causate da una rottura di stock?

Le vendite non sono uguali alla domanda. Una rottura di stock è un'irregolarità che distorce le vendite rispetto alla domanda originale: la rottura di stock, infatti, causa un crollo delle vendite mentre la domanda rimane costante. Alcuni strumenti di previsione tradizionale richiedono di alterare i dati storici, per tentare di esprimere le vendite che ci sarebbero state se non si fosse verificata la rottura di stock. Lokad, invece, consente di usare degli eventi per indicare quando si è verificata la rottura di stock. Le informazioni sulla rottura di stock vengono poi utilizzate per stimare più accuratamente tutti i pattern di comportamento (stagionalità, trend...) che avrebbero dovuto essere impattati. Se le rotture di stock non sono indicate come tali con gli eventi, Lokad classifica questi pattern come rumore. Tenere traccia delle rotture di stock può essere utile, ma non è indispensabile per iniziare a usare Lokad.

Come sono gestite le vendite eccezionali?

A seconda del settore in cui opera, un'attività commerciale potrebbe ritrovarsi a dover gestire delle vendite eccezionali. Poiché queste vendite sono, è il caso di dirlo, eccezionali dal punto di vista quantitativo, sono anche molto facili da reperire con un approccio puramente statistico. Suggeriamo quindi di non distorcere i dati storici per controbilanciare le vendite eccezionali, prima di tutto perché sarebbe una perdita di tempo, e poi perché le vendite eccezionali potrebbero contenere informazioni utili alla previsione della domanda. Lokad non è in grado di prevedere singoli casi di vendite eccezionali (che potrebbero risultare da una trattativa, ad esempio). Se in passato si sono già verificati dei casi di vendite eccezionali, consigliamo di aggiungere manualmente queste informazioni alle previsioni elaborate da Lokad.

Aggregazione, top-down o bottom-up?

Alcune aziende prevedono la domanda a livello di gruppi o famiglie, per poi suddividere le previsioni fino ad arrivare al singolo prodotto. Questo metodo di previsione è detto product top-down. La stessa idea può essere applicata alla frequenza della previsione: alcune aziende forniscono previsioni a livello settimanale, per poi applicare i coefficienti per i diversi giorni della settimana. Questo metodo di previsione è detto frequency top-down. Seguendo un ragionamento opposto, possiamo ottenere previsioni settimanali sommando le previsioni giornaliere. Noi suggeriamo di regolare le previsioni in modo che combacino il più possibile con le esigenze operative dell'azienda: se la catena logistica richiede previsioni settimanali per ogni prodotto, è meglio richiedere a Lokad previsioni settimanali per ogni prodotto. Richiedere previsioni giornaliere e sommarle non darà risultati più accurati. Allo stesso modo, richiedere previsioni di vendita a livello di gruppo di prodotti, e poi suddividere le previsioni manualmente per ogni SKU, non è una buona idea, perché durante la suddivisione potrebbe essere introdotto un errore, anche significativo, di previsione. Lokad si basa su molti algoritmi di aggregazione/disaggregazione e sfrutta i dati più precisi a disposizione. Ad esempio, sfruttiamo i dati relativi alle vendite giornaliere per elaborare previsioni mensili: in un mese, infatti, ci sono 4 o 5 weekend, che influiscono negativamente su molte attività. Come sempre, non è necessario preoccuparsi del livello di aggregazione: ci ha già pensato Lokad.