Previsioni di vendita più accurate con la tecnologia di Machine Learning
L'accuratezza delle previsioni di vendita è un importante indicatore delle performance aziendali.
Un'analisi comparativa dei dati relativi alla supply chain, condotta dalla società di consulenza Gartner su 70 aziende di diversi settori, mostra che nel migliore dei casi le previsioni di vendita conducono a: riduzione delle scorte (15%), miglioramento nell'evasione degli ordini (17%) e riduzione del ciclo di conversione di cassa (35%) (Gartner, How Good Is Your Forecast?, febbraio 2011).
Eppure, la maggior parte dei sistemi previsionali presenti sul mercato spesso genera risultati deludenti oltre che errori di valutazione significativi. I modelli standard alla base di tali sistemi non sono in grado di identificare facilmente il trend nascosto nei dati.
L'incapacità a individuare un modello per i fattori che determinano la variabilità nella domanda può anche condurre a gestire in maniera inefficiente le promozioni commerciali e a fallire il lancio di nuovi prodotti.
Questo tipo di attività può richiedere un pesante intervento manuale, che ha come conseguenza la diminuzione della produttività dei pianificatori.
Integrare la previsione della domanda di mercato con una tecnologia di machine learning può fare la differenza: progetti condotti con società leader di diversi settori hanno dimostrato che la nuova tecnologia migliora in maniera significativa l'accuratezza del forecast.
L'analisi dei dati con il supporto di un software più intelligente si è rilevata capace di migliorare l'accuratezza delle previsioni di vendita. L'innovazione sta nell'aver integrato una tecnologia di machine learning per risolvere i problemi che i pianificatori devono affrontare ogni giorno e che hanno afflitto le aziende per molto tempo.
Grazie alla sua capacità di autoapprendimento, il motore di machine learning definisce un modello accurato della domanda in scenari previsionali resi complicati ad esempio da promozioni commerciali, introduzione di nuovi prodotti, marcata stagionalità e cannibalizzazione di prodotti.
L'applicazione di un motore di machine learning permette di considerare la previsione della domanda in maniera innovativa in quanto le tecnologie precedenti non hanno mai risolto il difficile problema di misurare l'impatto di una variabile esterna sulla domanda di base.
Il modello di domanda così elaborato genera un profilo affidabile per la domanda di base, e applica il machine learning per adattare quel valore identificando l'effetto di input esterni a livello molto dettagliato.
Inoltre analizza tutte le variabili rilevanti e le complesse interazioni che le legano in maniera altamente automatica.
Il machine learning migliora notevolmente la visibilità della domanda, la qualità e il livello di dettaglio delle previsioni, tutti fattori critici per una supply chain affidabile.
Diversi clienti hanno già implementato con successo questa tecnologia nel loro processo previsionale:
- Un gruppo alimentare leader nel settore Food la usa per identificare l'effetto delle promozioni commerciali e degli eventi media. L'azienda applica la nuova procedura diTrade Promotion Forecasting a una vasta gamma di prodotti freschi caratterizzati da domanda dinamica e shelf life breve che richiedono previsioni di domanda molto affidabili. Il progetto ha permesso di ridurre del 20% l'errore previsionale, del 30% le vendite perse, e di aumentare di 10 punti il ROI delle promozioni.
- Una società leader nella distribuzione di latte e prodotti caseari ha implementato un importante progetto per gestire l'elevata pressione promozionale e la necessità di stimare correttamente i picchi di domanda che ha migliorato di molto l'accuratezza previsionale (con un picco del 95% per latte e panna freschi) riducendo fortemente lo stock.
- Un importante produttore di sistemi di condizionamento ha applicato la tecnologia di machine learning per identificare, tra centinaia di migliaia di SKU/location, "cluster" con profili di stagionalità simili. La definizione di gruppo di stagionalità per calcolare le previsioni di vendita è stata molto complessa per la presenza di molti articoli a bassa movimentazione, comportamento della domanda eterogeneo e spiccata stagionalità. La nuova procedura ha permesso di automatizzare il processo e definire un mix di scorte affidabile lungo tutta la rete di distribuzione, migliorando molto l'accuratezza delle previsioni nei periodi di picco e anche la reattività della supply chain durante un periodo di forte crescita del business.
Un'analisi di questo tipo permette alle aziende di determinare rapidamente la maniera più vantaggiosa per allocare risorse addizionali nel marketing, gli acquisti e i riapprovvigionamenti per i prodotti con maggiore probabilità di successo.
