Quanto sono "evolute" le vostre previsioni di vendita?
Innovazione nella supply chain: l’evoluzione delle previsioni di vendita
Certo non vi piacerebbe scoprire di trovarvi a sinistra nella carta dell'evoluzione delle previsioni di vendita, che rappresenta i passi avanti che hanno accompagnato i grandi progressi raggiunti nella supply chain.
I primitivi ominidi previsori agivano in maniera puramente reattiva, oppure ipotizzavano che quanto era accaduto nell'ultimo periodo sarebbe accaduto in quello successivo (per esempio, se ieri nella piana c'erano otto antilopi, probabilmente oggi ce ne sarà un numero simile).
L'uomo primitivo scoprì la previsione statistica della domanda: non proprio la ruota, ma un grande balzo in avanti. Una serie storica di valori precedenti poteva essere usata per creare un grafico che mostrasse la domanda aggregata un periodo dopo l'altro.
Egli proiettava in avanti quello che era avvenuto negli ultimi periodi, oppure semplicemente aggiungeva un X% al numero precedente.
Questa evoluzione generò un altro progresso: l'adattamento delle curve in relazione alla domanda storica, la creazione di medie mobili e linee di trend. Anche la stagionalità poteva adesso essere inclusa nel calcolo: l'inverno sta arrivando, probabilmente ci saranno meno antilopi.
Il Demand Planning venne in aiuto integrando nelle previsioni ulteriori effetti gerarchici e causali. Tuttavia, con il passare del tempo, la complessità del business continuava ad aumentare. In un'altra parte del mondo, il marketing e le vendite fornivano indizi circa il comportamento dei consumatori.
Purtroppo la Supply Chain viveva ancora nei secoli bui, e le previsioni di vendita erano affidate a ingombranti algoritmi o alla sfera di cristallo. L'incapacità di integrare e sfruttare la mole crescente di dati disponibili fece sì che l'accuratezza del Forecasting rimase un concetto per lo più ignorato.
Ancora oggi vediamo aziende con un'accuratezza delle previsioni di vendita addirittura inferiore al 70% in termini di errore medio percentuale assoluto (Mean Absolute Percent Error o MAPE).
Questa inefficienza è frequente soprattutto in aziende che per le previsioni di vendita adottano un approccio "top-down", in cui la domanda futura è calcolata in forma aggregata per essere poi frammentata a livello di SKU-Location per la pianificazione delle scorte e dei rifornimenti. L'aggregazione smussa la variabilità e il "rumore", e rende più semplice la generazione di una previsione di alto livello.
Tuttavia, la qualità delle previsioni di vendita a livello di SKU-Location è scarsa, perché il dettaglio nel segnale di domanda viene filtrato insieme al rumore, e in questo modo vanno perdute informazioni fondamentali sulla volatilità e il margine di errore.
A questo punto si è evoluta una nuova forma di Forecasting, definita come modellazione della domanda (Demand Modeling), che opera in modalità bottom-up, piuttosto che top-down, e genera un modello di domanda che riconosce il particolare profilo giornaliero per ogni singola combinazione SKU-Location.
Frammenta questo flusso di domanda in una serie di componenti – fattori interni ed esterni – e analizza il modo in cui ognuno di questi influisce sulla domanda.
Questi fattori possono includere una previsione di base statistica; stagionalità, calendario, e profili di vendita giornalieri; la modellazione della domanda in seguito all'introduzione di nuovi prodotti, ecc.
Migliora notevolmente l'accuratezza delle previsioni a livello di dettaglio, e riduce l'intervento manuale dell'utente.
Questo tipo di approccio è efficiente perché le informazioni più significative circa la variabilità e la volatilità della domanda si ritrovano al livello più granulare di dettaglio; con questo punto di partenza, le previsioni di vendita possono essere aggregate a qualsiasi livello per supportare un processo S&OP o la distribuzione operativa delle scorte attraverso tutta la rete distributiva.
L'integrazione di dati dettagliati sul canale lo rende un approccio "outside-in", definito anche come Demand Sensing. Traduce i dati di domanda del canale rilevati a valle in un segnale di domanda per ogni SKU-Location a monte, e migliora l'affidabilità della previsione statistica, riducendo la latenza.
Lo sviluppo più recente, che vede l'adozione di tecniche di apprendimento automatico (Machine Learning, una forma di intelligenza artificiale), individua e modella profili complessi che caratterizzano il segnale di domanda, consentendo ai pianificatori di ottimizzare in maniera continua il rapporto segnale-rumore.
Questa tecnologia all'avanguardia identifica modelli e trend nascosti che sono estremamente difficili da riconoscere con altri metodi, come le tecniche statistiche standard o l'analisi da parte dell'uomo. I risultati sono poi utilizzati per affinare le analisi future, rendendo automaticamente il sistema più intelligente e più accurato nel tempo.
Il metodo si adatta molto bene nel caso di promozioni frequenti, introduzione di nuovi prodotti, domanda caratterizzata dalla cosiddetta "coda lunga", ed estrema stagionalità.
Ad esempio, un sistema di Machine Learning che sfrutti dati provenienti dal web per determinare il successo di un prodotto nuovo imparerà a riconoscere gli indicatori di domanda – pagine visitate, download specifici, tempo trascorso sulla pagina – più eloquenti, e aggiornerà il suo modello in maniera conforme alle variazioni di comportamento del consumatore
Allora, quanto sono "evolute" le vostre previsioni di vendita?
