Come migliorare le tue metriche e il processo di previsione senza algoritmi sofisticati?

Migliora le metriche e il processo di previsione senza algoritmi sofisticati.

Sviluppare l’analisi descrittiva può aiutare a individuare aree di focus per migliorare i KPI della pianificazione della domanda e l’efficienza dei processi

Introduzione

La pianificazione della domanda è all’avanguardia di un processo di pianificazione aziendale integrata (IBP). I risultati di questa fase costituiscono la base per altre fasi (ad esempio, pianificazione della fornitura, pianificazione della produzione). Questa fase di solito inizia con la generazione di una previsione statistica basata sulle vendite storiche e la combinazione di essa con i dati di vendita per ottenere una previsione di base iniziale. Questa proiezione viene quindi affinata per ottenere una previsione di consenso dopo la revisione e l’allineamento con le parti interessate delle vendite e del marketing. Solitamente monitoriamo l’accuratezza e il bias delle previsioni come indicatori chiave di prestazione (KPI) in questa fase di IBP. I team di supply chain, vendite e marketing possono dedicare tempo, sforzi (e denaro) considerevoli per ottenere previsioni accurate, spesso investendo in costosi strumenti di previsione. Sebbene sia certamente utile disporre di una serie di algoritmi avanzati per migliorare l’accuratezza delle previsioni, l’analisi descrittiva derivata dalle vendite storiche e dai dati di previsione può anche aiutare a razionalizzare il processo di pianificazione della domanda e migliorare i KPI.

Perché abbiamo bisogno di queste analisi?

Per lo più, le analisi servono a due scopi principali:

1) Aiutano a individuare opportunità per migliorare i KPI

2) Aiutano a identificare passaggi del processo inefficienti

• Regex per il moderno Data Scientist – Parte 2
• Julia è più veloce di Python e Numba?
• Risoluzione dei problemi e miglioramento delle risposte di ChatGPT 🧐

Ad esempio, confrontare l’accuratezza delle previsioni di vendita con l’accuratezza delle previsioni statistiche per ciascun prodotto e cliente può aiutare a capire dove dedicare tempo alla raccolta dei dati di vendita produce risultati più accurati rispetto a una previsione statistica generata dal sistema. Il team di vendita può concentrarsi solo su quegli articoli specifici e risparmiare tempo e sforzi, generando nel contempo una previsione migliore.

L’analisi aiuta anche a trasmettere un messaggio chiaro alla dirigenza su azioni concrete. Invece di cercare di interpretare dati KPI oscuri, l’analisi evidenzia aree specifiche da migliorare e entità ad alte prestazioni da cui trarre insegnamenti in tutta l’azienda. Questo è molto efficace nel ottenere l’approvazione della dirigenza per lavorare verso obiettivi specifici e tangibili.

Progettazione delle analisi

Uno degli approcci più intuitivi è quello di esaminare i singoli componenti del processo di pianificazione della domanda (Figura 1) e sviluppare analisi descrittive per ciascuno di questi sottoprocessi.

* Tutte le immagini in questo articolo, a meno che diversamente indicato, sono dell’autore

Prima di implementare le analisi, è fondamentale decidere la loro granularità. Le diverse unità aziendali all’interno di un’organizzazione possono pianificare la domanda, l’offerta e la logistica a livelli di prodotto e cliente diversi. La pianificazione del prodotto può essere fatta a livello di SKU, famiglia di prodotti (o altro) a seconda dell’organizzazione produttiva. La pianificazione del cliente può essere fatta a livello di cliente o segmento di mercato, tra gli altri, a seconda di come sono organizzati gli account. Invece di sviluppare e mostrare analisi descrittive per ogni entità individuale, potrebbe essere utile sviluppare flessibilità nella scelta dei livelli in cui si desidera visualizzare le analisi e le informazioni. La progettazione delle analisi è influenzata anche dai KPI che vogliamo migliorare. In questo articolo, ci concentreremo sulle analisi descrittive basate sul volume che dovrebbero contribuire a migliorare l’errore percentuale medio ponderato (MAPE) come indicatore dell’accuratezza delle previsioni.

Modelli di analisi

In questa sezione, parleremo di analisi descrittive che utilizzano previsioni e vendite storiche (dati effettivi) nei calcoli. È importante notare che tutte le previsioni e i dati effettivi si riferiscono ai volumi venduti nella granularità scelta. Le granularità scelte (in termini di gerarchie di prodotto e cliente, periodi di tempo storici, tipi di previsione, ecc.) nelle visualizzazioni sottostanti sono solo esempi e possono essere aggiornate per adattarsi a una configurazione aziendale. Le caselle blu in cima a ogni visualizzazione sono menu a tendina in cui l’utente può selezionare più elementi (ad eccezione di “Display Entity”, dove è possibile selezionare solo un’entità). “Display Entity” è il livello a cui viene visualizzata l’analisi. Il periodo di tempo indica il periodo passato più recente (in mesi negli esempi mostrati in questa sezione) su cui viene eseguita l’analisi.

I. Scala e variabilità della domanda

Nella Figura 2, mostriamo le vendite effettive a livello di SKU negli ultimi 12 mesi. Questo viene visualizzato sotto forma di un boxplot che evidenzia la mediana, il 25° percentile, il 75° percentile, il minimo e il massimo delle vendite nel periodo storico.

Insight: I boxplot mostrati nella Figura 2 forniscono un’idea della scala della domanda (indicata dalla mediana) nel corso di un periodo storico e della variabilità della domanda espressa utilizzando l’intervallo interquartile (IQR). Possiamo scegliere di ordinare per mediana o IQR per identificare gli articoli con il volume più elevato o con la maggiore variabilità, rispettivamente.

Azioni: Di solito, concentriamo i nostri sforzi di previsione sugli articoli ad alto volume e ad alta variabilità, utilizzando invece una previsione statistica per gli articoli a basso volume o bassa variabilità.

II. Vendite storiche di Pareto

Nella Figura 3, rappresentiamo le vendite effettive effettuate da ciascun cliente negli ultimi 6 mesi.

Insight: Il grafico nella Figura 3 mostra i clienti elencati uno accanto all’altro in ordine decrescente di volume venduto negli ultimi 6 mesi. Questa visualizzazione ci consente anche di calcolare le vendite cumulative durante questo periodo passato per un insieme di clienti.

Azioni: Spesso, una piccola percentuale di clienti è responsabile della maggior parte della domanda (regola 80-20). Sarebbe prudente concentrarsi sulla previsione di questi articoli per ottenere un maggior rendimento sull’investimento di tempo.

III. Performer costantemente scadenti

Nella Figura 4A e nella Figura 4B, analizziamo la deviazione grezza e assoluta della previsione dagli effettivi, rispettivamente, a livello di SKU sommate negli ultimi 6 mesi.

Insight: Le deviazioni positive nella Figura 4A mostrano le aree in cui abbiamo costantemente sovrastimato e le deviazioni negative evidenziano gli articoli in cui c’è una costante sottostima. Il secondo grafico (Figura 4B) mostra dove sbagliamo il momento delle previsioni per l’articolo (intermittentemente sovrastimato e sottostimato).

Azioni: Idealmente, ridurremmo la previsione per gli articoli con un bias positivo costante e aumenteremmo la previsione per quelli che sono stati costantemente sottostimati, a meno che le condizioni aziendali non siano cambiate. Per quelli in cui non siamo in grado di catturare correttamente il momento, potremmo voler collaborare con i clienti per comprendere le cause principali e migliorare la previsione del momento.

IV. Segmentare gli elementi in base all’accuratezza delle previsioni

Nella Figura 5, mostriamo la deviazione tra l’errore di previsione delle vendite e l’errore di previsione statistica per la combinazione SKU-cliente aggregata negli ultimi 6 mesi.

Insight: Il bias positivo nella Figura 5 mostra dove la previsione delle vendite ha avuto un errore cumulativo superiore alla previsione statistica nei 6 mesi. Le deviazioni negative mostrano dove gli aggiustamenti delle vendite stanno migliorando la previsione rispetto alla previsione statistica (cioè l’errore cumulativo di previsione delle vendite è inferiore all’errore cumulativo di previsione statistica nel periodo di tempo selezionato).

Azioni: Per migliorare le metriche, useremmo la previsione statistica per gli elementi con deviazioni positive e la previsione delle vendite per le entità con deviazioni negative. Questo supponendo nuovamente che le condizioni aziendali rimangano stabili.

V. Outliers basati sulle vendite recenti

Nella Figura 6, analizziamo la deviazione della previsione delle vendite del prossimo mese rispetto alla media degli ultimi 3 mesi.

Insight: Gli errori positivi nella Figura 6 mostrano dove stiamo sovrastimando rispetto alle vendite recenti, mentre le deviazioni negative mostrano dove prevediamo che le vendite siano molto più basse rispetto alla storia recente.

Azioni: Dovremmo esaminare attentamente gli outliers e verificare se la previsione è fuori linea o se ci sono state anomalie nelle vendite recenti, e aggiustare la previsione se necessario.

VI. Outliers basati sulla crescita e sulla stagionalità

Per queste visualizzazioni, di solito scegliamo la famiglia di prodotti o un livello superiore poiché un attributo di livello inferiore (ad esempio, SKU) potrebbe generare rumore nei tassi di crescita. Per lo stesso motivo, tendiamo a analizzare gli outliers su base trimestrale anziché mensile. Nella Figura 7A, analizziamo le famiglie di prodotti con deviazione della previsione delle vendite rispetto alle vendite attese del secondo trimestre. Le vendite attese nel secondo trimestre sono semplicemente il prodotto delle ultime vendite disponibili del secondo trimestre e del tasso di crescita medio per le vendite del secondo trimestre negli anni precedenti. Nella Figura 7B, approfondiamo i tassi di crescita (%) per vari trimestri, guardando l’anno precedente negli ultimi 3 anni.

Insight: Gli errori positivi nella Figura 7A mostrano dove stiamo sovrastimando rispetto alle vendite attese considerando la crescita media annuale e la stagionalità, mentre le deviazioni negative mostrano dove prevediamo che le vendite siano inferiori rispetto alla crescita attesa stagionalmente aggiustata su base annua. Approfondendo la famiglia di prodotti (ad esempio, PF21) nella Figura 7B, scopriamo che il tasso di crescita stimato del secondo trimestre per l’anno successivo è molto più basso rispetto al tasso di crescita medio del secondo trimestre degli ultimi 3 anni e richiede ulteriori approfondimenti.

Azioni: Le deviazioni più grandi (positive e negative) devono essere esaminate per capire perché le previsioni non sono in linea con la crescita e la stagionalità attese e regolate di conseguenza.

VII. Outliers prezzo-volume

Nella figura 8, rappresentiamo il prezzo normalizzato rispetto al volume per la famiglia di prodotti PF23. Mentre il prezzo è normalizzato utilizzando il prezzo dell’alimento pertinente ‘Feed3’, il volume non è normalizzato poiché potremmo non avere dati sulla domanda complessiva del settore per questa famiglia di prodotti o per un prodotto comparabile. Per i periodi storici, i prezzi e i volumi storici vengono utilizzati per generare il grafico a dispersione, mentre i prezzi e i volumi previsti vengono utilizzati per generare la previsione normalizzata del prezzo e del volume orientata al futuro.

Insight: Il grafico a dispersione mostra come il prezzo (normalizzato) e il volume (normalizzato) siano correlati a diverse granularità. Sebbene ciò approssimi il modo in cui il volume si muove con le variazioni di prezzo (si noti che le entità di normalizzazione stesse sono approssimazioni), il grafico può aiutare a identificare i valori anomali delle previsioni (ad esempio, un volume previsto (normalizzato) troppo alto per un dato prezzo previsto (normalizzato), confrontando le tendenze storiche di prezzo vs volume normalizzato).

Azione: Esploriamo gli valori anomali delle previsioni sul grafico prezzo vs volume per l’orizzonte di previsione e analizziamo il contesto aziendale storico e le condizioni attuali di domanda e offerta di mercato per valutare se i valori anomali sono giustificati. In caso contrario, i volumi o i prezzi vengono regolati per allineare le previsioni alle tendenze storiche.

VIII. Entità con miglioramento o degrado costante delle previsioni nel tempo

Nella figura 9A, analizziamo le prestazioni della previsione Lag2Final (previsione finalizzata 2 mesi prima del mese con i dati effettivi analizzati) a livello di SKU negli ultimi 6 mesi. Inoltre, indaghiamo anche gli articoli della famiglia di prodotti che presentano il valore assoluto di errore minore nella previsione Lag2Final nel corso di 6 mesi, come mostrato nella figura 9B. Per capire le tendenze di ciascuno di questi articoli, rappresentiamo le diverse previsioni ritardate rispetto ai dati effettivi nella figura 9C.

Insight: Dalla figura 9A, possiamo identificare le entità che sono costantemente sovrastimate o sottostimate in base al fatto che gli errori siano positivi o negativi, rispettivamente. La figura 9B mostra gli articoli che presentano la maggiore precisione per una previsione ritardata selezionata nel corso del tempo. Approfondiamo l’analisi (come mostrato nella figura 9C) per indagare ogni articolo della tabella nella figura 9B in termini di prestazioni rispetto ad altre previsioni ritardate nel periodo passato.

Azione: Vogliamo ridurre l’errore per tutte le previsioni ritardate e quindi ci concentreremo sugli articoli con prestazioni scadenti in tutte queste previsioni. Un altro elemento su cui agire è imparare dalla previsione ritardata costantemente migliore a qualsiasi livello di granularità di interesse e usarla come riferimento futuro. Ad esempio, se peggioriamo la previsione passando da Lag3Final a Lag2Final a Lag1Final per un determinato articolo, potremmo prima voler capire la causa principale: se si tratta di aggiornamenti di previsione scadenti non correlati a nessuna anomalia aziendale, potremmo smettere di aggiornare la previsione dopo Lag3Final per l’articolo in questione.

Sommario

Mentre abbiamo discusso di un insieme di analisi di pianificazione della domanda descrittive chiave, queste non sono esaustive. Ad esempio, è possibile trovare un elenco dettagliato qui. Tuttavia, è importante considerare il compromesso tra avere troppe e troppe poche analisi. Un numero troppo ridotto non fornisce sufficienti informazioni, mentre un numero troppo elevato richiede molto tempo e sforzo, vanificando lo scopo originale della gestione delle previsioni per eccezione. L’obiettivo è cercare la coerenza delle informazioni provenienti da varie analisi. Alla fine della giornata, indipendentemente dal numero di analisi, vogliamo utilizzare queste informazioni per identificare aree che richiedono maggiore attenzione al fine di migliorare il processo di pianificazione della domanda e l’accuratezza delle previsioni di un’organizzazione.

Grazie per la lettura. Spero che tu abbia trovato utile il contenuto. Non esitare a inviarmi i tuoi commenti a [email protected]. Restiamo in contatto su LinkedIn.