Le previsioni probabilistiche sono il paradigma attualmente in uso a Lokad. Tuttavia, da quando sono state implementate nel 2016, la tecnologia a supporto di questo paradigma si è evoluta. Per maggiori informazioni, consultate le nostre più recenti pagine dedicate alla tecnologia.
Le previsioni probbilistiche rappresentano un enorme passo in avanti rispetto alle generazioni precedenti di previsioni di Lokad, basate sulle
tabelle dei quantili. Rispetto ai
metodi tradizionali, le previsioni probabilistiche sono una novità assoluta e forniscono dati di granlunga più accurate, che si traducono in guadagni operativi per la supply chain, l’inventario e la produzione. Molte aziende sono deluse dalle previsioni che continuano a non funzionare. Ci sono voluti anni a Lokad per comprendere appieno la natura del problema: ci si aspetta che gli approcci tradizionali alle previsioni producano dati
corretti. Ovviamente, il futuro è incerto, e quando un dato strumento o una data soluzione non riescono a fornire dei dati corretti, anche i benefici non si concretizzano. Invece di prendere in considerazione un solo futuro possibile, le previsioni probabilstiche
assegnano una probabilità ad ogni singolo futuro possibile.
In questo episodio di LokadTV, capiremo come le previsioni probabilistiche possano essere utilizzate per migliorare il funzionamento della supply chain. Parleremo di precisione e di limiti e discuteremo delle ragioni per cui l'industria è ancora così attaccata alle metodologie più tradizionali di previsione e di come sarà probabilmente il futuro delle previsioni.
LOKAD TV
Accogliere l’incertezza
Secondo la nostra esperienza, nessuna messa a punto dei modelli di previsione esistenti e nessuna attività di R&S per sviluppare modelli migliori, nel senso tradizionale, possono risolvere questo problema. Metodi come l'analisi degli stock di sicurezza dovrebbero essere in grado di gestire l'incertezza ma, in pratica, essi sono semplicemente un ripiego.
Nella gestione della supply chain, i costi sono determinati da eventi estremi: è una domanda sorprendentemente alta a generare rotture di stock e delusione dei clienti, ed è una domanda sorprendentemente bassa a generare stock morto e, di conseguenza, costosi storni. Come tutti i manager sanno, un'azienda deve sperare per il meglio, ma prepararsi al peggio. Quando la domanda si rivela essere esattamente come era stata prevista, non ci sono problemi. La vera sfida di una previsione, però, non è quella di fornire dati corretti nelle situazioni più semplici, in cui le cose sembrano andare bene anche considerando una semplice media mobile. La vera sfida è quella di riuscire a gestire le situazioni più impegnative, quelle che mandano in tilt la supply chain e regalano nottate insonni ai manager dell'azienda.
Lokad ha pensato a un metodo totalmente innovativo di gestire le previsioni, il metodo delle previsioni probabilistiche. In parole semplici, una previsione probabilistica della domanda non si limita a dare una stima della domanda, ma valuta la probabilità che si verifichi ognuno dei possibili scenari futuri: viene così calcolata la probabilità che si verifichi una domanda di 0 unità, una domanda di 1 unità, una domanda di 2 unità, e così via... Viene insomma analizzata la probabilità che si verifichi ogni livello di domanda, finché le probabilità diventano tanto irrilevanti da poter essere ignorate senza alcun problema.
Le previsioni probabilistiche sono un modo completamente nuovo di guardare al futuro. Invece di restare bloccate in una prospettiva illusoria, in attesa che i dati delle previsioni si concretizzino, le previsioni probabilistiche ci ricordano che tutto è possibile, ma non ugualmente probabile. E, quando si tratta di prepararsi al peggio, le previsioni probabilistiche offrono un potente mezzo per bilanciare quantitativamente i rischi (rischi che di solito le previsioni tradizionali ignorano).
Se le analisi di rischio nelle previsioni tradizionali non sono altro che riflessioni con il senno di poi, il metodo di Lokad riporta tutto in prospettiva grazie alle previsioni probabilistiche.
Cosa significa dal punto di vista pratico
Il termine previsioni probabilistiche potrebbe suonare intimidatorio e complesso, ma in realtà chi lavora alla supply chain di un'azienda fa continuamente previsioni probabilistiche, anche se solo in modo intuitivo: pensiamo, per esempio, a tutte le situazioni in cui è necessario
rivedere le previsioni di base al rialzo o al ribasso perché i rischi sono troppo grandi. Una previsione probabilistica consiste esattamente in questo: trovare il giusto equilibrio tra le decisioni concrete della vita quotidiana di fronte a un futuro incerto. E se l'analisi dei rischi tende a essere sottovalutata negli approcci tradizionali, con Lokad diventa parte integrante delle previsioni probabilistiche.
Il nostro motore di previsione probabilistica produce una serie di distribuzioni di probabilità: dal punto di vista pratico, questi dati sono estremamente complessi (dopotutto, si tratta di un riassunto di tutte le situazioni future che potrebbero presentarsi) e poco pratici da usare così come sono. Lokad mette quindi a disposizione un'intera piattaforma, completa di tutti gli strumenti necessari e con un servizio di assistenza dedicato, per alle aziende di trasformare queste probabilità in decisioni commerciali, come le quantità di riordino.
![](/public/Upload/Features/reorder_quantities.png)
L'applicazione web di Lokad, che si basa su capacità di calcolo big data, consente di mettere a punto la logica necessaria ad estrapolare dalle previsioni le decisioni più in linea con le esigenze della tua attività. Potrai, ad esempio, sfruttare le previsioni per rispettare particolari vincoli di approvvigionamento, come i quantitativi minimi di ordine, o rispondere ai driver economici rilevanti per la tua attività, come i rischi associati alla durata di conservazione dei tuoi prodotti, o ancora mettere in atto i procedimenti richiesti, come effettuare ordini giornalieri prima delle 8 di mattina.
Automatizzazione attraverso il machine learning
La gestione della catena logistica richiede spesso che molti prodotti siano spostati da una posizione all'altra. Le soluzioni di previsione tradizionali si affidano solitamente ad aggiustamenti e regolazioni manuali, anche nei casi in cui sono coinvolti schemi statistici avanzati, come l'introduzione di nuovi prodotti o gli effetti dettati dal ciclo di vita del prodotto. La nostra esperienza con Lokad ci ha però insegnato che, quando si cerca di "migliorare" una soluzione di previsione di questo tipo, si rischia di cadere in un circolo vizioso: non importa quanti mesi di lavoro e quanti sforzi si dedichino a trovare la giusta chiave, ci sarà sempre "qualcos'altro" da migliorare, perché i prodotti sono tanti, le posizioni sono tante, perché l'attività è in continua evoluzione...
Per tutti questi motivi, noi di Lokad abbiamo deciso di optare per una completa automatizzazione del procedimento di previsione. In concreto, questo significa che:
- non sono richieste specifiche competenze statistiche per elaborare una previsione;
- non sono richieste complesse operazioni per affinare le previsioni
- non è necessario ricorrere a una manutenzione continua per mantenere le previsioni in linea con l’evoluzione dell’attività
L’automatizzazione è resa possibile grazie a un meccanismo di
machine learning o apprendimento automatico. Per fare un esempio di come funziona, pensiamo all'analisi statistica di un singolo prodotto: solitamente, i dati a un solo prodotto sono troppo esigui per essere di qualche rilevanza. Ma, se allarghiamo l'analisi a prodotti simili venduti precedentemente, possiamo impostare i nostri modelli statistici in modo da basare la previsione non solo sui dati del prodotto che ci interessa, ma anche sugli altri prodotti statisticamente simili, e ottenere così stime decisamente più accurate. Gli algoritmi in grado di gestire questi problemi statistici
ad alta dimensione sono comunemente definiti algoritmi di
machine learning o di
apprendimento automatico e sono alla base di tutte le previsioni di Lokad.
L'unico lato negativo di questo metodo è che per ogni previsione sono richieste capacità di calcolo ben superiori a quelle necessarie a una previsione tradizionale: il problema può però essere facilmente risolto attraverso il
cloud computing, che consente il corretto funzionamento del motore di previsione anche in presenza di enormi quantità di dati.
Come sono nate le previsioni probabilistiche
Le previsioni probabilistiche non sono state inventate da Lokad, ma da,
altri matematici, che hanno messo a punto questo modello per gli scopi più diversi, dalle quotazioni in borsa delle materie prime alle previsioni meteo. Noi di Lokad non abbiamo adottato da subito il metodo delle previsioni probabilistiche: all'inizio ci siamo orientati verso le previsioni tradizionali (2008), per poi passare alle previsioni quantiliche (2012) e alle tabelle dei quantili (2015).
![]( /public/Upload/Technology/ProbabilisticForecasting/graph-work-in-progress.jpg)
Siamo infine approdati alle previsioni probabilistiche, che rappresentano quindi la quarta generazione della nostra tecnologia di previsione.
Grazie all'esperienza acquisita lavorando con altre tipologie di previsioni, disponiamo ora di conoscenze approfondite su come creare un motore di previsione adatto a gestire le più diverse situazioni di business.
L'idea di calcolare un'intera gamma di probabilità, invece che un singolo valore medio, è nata durante i nostri primi anni di attività, quando eravamo ancora intenti a trovare il modo di far funzionare i metodi tradizionali: ci sono voluti non pochi fallimenti per renderci conto che i metodi tradizionali erano imperfetti e che, per quanto ci fossimo impegnati a cercare una soluzione innovativa, non saremmo mai riusciti a far funzionare un metodo statistico sbagliato già in partenza. Se volevamo che il metodo funzionasse, non ci restava che cambiare metodo.
Tra l'altro, ogni nuova versione del nostro motore di previsione non era altro che una
generalizzazione (nel senso matematico del termine) della versione precedente; il nostro motore di previsione, cioè, a ogni nuova generazione era in grado di gestire un maggior numero di situazioni. In realtà, è meglio essere approssimativamente nel giusto che esattamente nel torto: le situazioni più complesse si verificano quando il motore di previsione non è abbastanza espressivo per generare previsioni in linea con una certa situazione, oppure per elaborare i dati di input davvero rilevanti al fine di analizzare statisticamente una determinata situazione. Per noi di Lokad, le previsioni sono un lavoro in corso. Siamo fieri di ciò che siamo riusciti a costruire con il nostro motore di previsione probabilistica, ma siamo anche coscienti che c'è ancora molto da fare. A differenza delle soluzioni
on premise, per cui l'aggiornamento a una nuova versione è già di per sé un'impresa, i clienti di Lokad possono beneficiare delle nuove generazioni del nostro motore di previsione non appena queste sono disponibili.
FAQ
Quali metodi di previsione usa Lokad?
Lokad usa una vasta gamma di metodi di previsione, molti dei quali sarebbero oggi definiti algoritmi di machine learning. questi modelli sono stati sviluppati da Lokad e non hanno una controparte nota in letteratura. Quando abbiamo lanciato la nostra attività nel 2008, avevamo ripreso tutti i metodi classici (Box-Jenkins, ARIMA, Holt-Winters, smorzamento esponenziale, etc.), ma li abbiamo poi abbandonati perché non erano al passo con i nostri modelli più recenti.
Come vengono scelti i metodi da utilizzare?
Per ottenere una buona previsione, la prima cosa da fare è selezionare il modello giusto, o la combinazione giusta di modelli. Dal punto di vista statistico, un sistema in grado di scegliere sempre il modello "migliore" è un sistema in grado di fornire sempre previsioni "perfette". Nella pratica, il nostro motore di previsione si basa principalmente sul
backtesting per selezionare la migliore combinazione di modelli.
Il motore di prevision riesce a gestire stagionalità, trend, giorni della settimana?
Sì, il motore di previsione gestisce tutti i cicli più comuni. I nostri modelli sfruttano inoltre un approccio basato sulle serie temporali per individuare le ciclicità osservate in altri prodotti, al fine di migliorare l'accuratezza delle previsioni di qualsiasi prodotto. Ovviamente, due prodotti possono avere in comune la stessa stagionalità, ma non lo stesso giorno della settimana: in questo caso, possiamo attingere da altri modelli atti allo scopo.
Che tipo di dati bisogna fornire?
Per prevedere la domanda, il motore di previsione necessita di accedere quantomeno ai dati storici della domanda - fornire una cronologia disaggregata degli ordini è ancora meglio. Quanto alla lunghezza della cronologia, più si riesce ad andare indietro nel tempo e meglio è: non è possibile determinare la stagionalità di un prodotto con meno di 2 anni di dati; 3 anni sono sufficienti a una buona previsione, 5 anni a una previsione eccellente. Per prevedere i lead time, il motore di previsione deve poter accedere agli ordini di acquisto, comprensivi di date degli ordini e date delle consegne. Accedere agli attributi del prodotto o della SKU aiuta inoltre a rifinire la previsione. In più, è possibile ottenere un'analisi delle scorte a partire dalla quantità di scorte esistenti.
È possibile eseguire una previsione a partire da un foglio Excel?
In linea di massima, se tutti i dati entrano in un foglio Excel, non possiamo fare molto per te, né noi né, a essere sinceri, qualcun altro. I fogli di calcolo solitamente aggregano i dati per settimana o per mese, per cui gran parte delle informazioni storiche vanno perse. Inoltre, in questi casi, i fogli di calcolo non contengono quasi mai informazioni sulle categorie o sulle gerarchie applicabili al prodotto. Il nostro motore di previsione sfrutta un numero molto maggiore di dati e fare un test su un piccolo campione non serve a dare risultati soddisfacenti.
Come vengono gestite le rotture di stock e le promozioni?
Sia le rotture di stock che le promozioni rappresentano un errore sistematico nelle vendite storiche. Poiché il nostro obiettivo è quello di prevedere la domanda, e non le vendite, questi errori sistematici devono essere presi in considerazione. Un modo piuttosto frequente, ma sbagliato, di gestire tali situazioni consiste nel riscrivere la cronologia, riempiendo i "buchi" e troncando i picchi. Questo non è il nostro metodo preferito, poiché, in sostanza, si tratta di fornire previsioni al motore di previsione, il che può tradursi in seri problemi di overfitting. Al contrario, il motore di previsione supporta delle "bandierine" che indicano i punti in cui la domanda è stata sottoposta a variazioni.
È possibile realizzare previsioni per i nuovi prodotti?
Sì, certo. Per prevedere il comportamento dei nuovi prodotti, però, è necessario fornire al motore di previsione le date di lancio di altri prodotti meno recenti, nonché la domanda storica di tali prodotti al momento del lancio. È consigliabile anche ricorrere a categorie di prodotti e gerarchie di prodotti: il motore esegue infatti le previsioni per i nuovi prodotti individuando automaticamente i prodotti "più vecchi" a esso assimilabili. Tuttavia, poiché non è stata ancora osservata alcuna domanda per i nuovi prodotti, le previsioni si basano pienamente sugli attributi ad essi associati.
È possibile aggiustare le previsioni?
In quasi dieci anni di esperienza nel settore delle previsioni statistiche, abbiamo avuto modo di osservare che ritoccare le previsioni non è mai una buona idea. Se sorge questa necessità, probabilmente è perché nel motore di previsione esiste un bug che deve essere risolto. Se non ci sono bug da risolvere, e le previsioni sono eseguite come previsto da un punto di vista statistico, ritoccarle è probabilmente la soluzione meno adatta. La necessità di ritoccare le previsioni si presenta solitamente quando va tenuto in conto un driver di tipo economico, che influisce sull'analisi di rischio "collaterale" alla previsione, ma non sulla previsione in sé stessa.
Lokad ha esperienza nel mio settore?
Abbiamo esperienza nei settori più vari: moda, alimentare fresco, beni di consumo, elettronica, pezzi di ricambio, aeronautica, industria manifatturiera leggera, industria pesante, etc. Inoltre, lavoriamo con molti attori diversi: attività di e-commerce, grossisti, società di importazioni, aziende di produzione, aziende di distribuzione, catene di vendita al dettaglio, etc. Il modo più semplice per sapere se abbiamo esperienza nel tuo settore è contattarci direttamente.
Vengono usati dati esterni per affinare le previsioni?
No. Le tue previsioni beneficieranno sicuramente di tutta l'esperienza che abbiamo acquisito e dei continui miglioramenti che abbiamo apportato al sistema lavorando con altri clienti, ma non dei dati provenienti da fonti esterne, siano essi appartenenti ad altri clienti di Lokad o provenienti da set di dati pubblici. Allo stesso modo, i tuoi dati non verranno mai usati per scopi che esulano da quelli esplicitamente associati all'account della tua azienda.