Oltre alla previsione Il delicato equilibrio tra servire i clienti e far crescere la tua azienda

Andando oltre la previsione Il delicato equilibrio tra soddisfare i clienti e far crescere la tua azienda

Le aziende utilizzano la previsione delle serie temporali per prendere decisioni di pianificazione fondamentali che li aiutano a navigare attraverso futuri incerti. Questo post è rivolto agli stakeholder della supply chain, che condividono la necessità comune di determinare quante merci finite sono necessarie su una varietà mista di orizzonti temporali di pianificazione. Oltre a pianificare quante unità di beni sono necessarie, le aziende spesso devono sapere dove saranno necessari, per creare un inventario geograficamente ottimale.

Il delicato equilibrio tra sovraffollamento e sottoscaffale

Se i produttori producono poche parti o merci finite, il sottoscaffale risultante può costringerli a fare scelte difficili di razionamento delle risorse disponibili tra i loro partner commerciali o unità aziendali. Di conseguenza, gli ordini di acquisto possono avere tassi di accettazione più bassi con minori profitti realizzati. Più in basso nella supply chain, se un rivenditore ha pochi prodotti da vendere, rispetto alla domanda, può deludere i clienti a causa della mancanza di merci. Quando il cliente al dettaglio ha un bisogno immediato, queste carenze possono comportare l’acquisto da un rivenditore alternativo o marchio sostituibile. Questa sostituzione può essere un rischio di churn se l’alternativa diventa il nuovo predefinito.

All’altro estremo del pendolo della fornitura, un sovraffollamento di merci può comportare anche penalità. Gli articoli in surplus devono ora essere mantenuti in inventario fino a quando non vengono venduti. Ci si aspetta un certo grado di stock di sicurezza per aiutare a navigare attraverso l’incertezza della domanda prevista; tuttavia, un eccesso di inventario porta a inefficienze che possono diluire il risultato finale di un’organizzazione. Specialmente quando i prodotti sono deperibili, un sovraffollamento può comportare la perdita di tutto o parte dell’investimento iniziale fatto per acquisire il bene vendibile.

Anche quando i prodotti non sono deperibili, durante lo stoccaggio diventano efficacemente una risorsa inattiva che potrebbe essere disponibile nel bilancio come denaro liquido gratuito o utilizzato per perseguire altri investimenti. A parte i bilanci, i costi di stoccaggio e gestione non sono gratuiti. Le organizzazioni di solito hanno una quantità finita di magazzino ed capacità logistiche organizzate. Devono operare all’interno di questi vincoli, utilizzando le risorse disponibili in modo efficiente.

• Migliorare l’accuratezza del punteggio di sentiment con FinBERT e abbracciare i principi SOLID
• Crea un’applicazione di riassunto dei documenti HCLS con Falcon utilizzando Amazon SageMaker JumpStart
• Automatizza l’autorizzazione preventiva utilizzando CRD con CDS Hooks e AWS HealthLake

Dinanzi alla scelta tra sovraffollamento e sottoscaffale, in media, la maggior parte delle organizzazioni preferisce sovrapprezzare per scelta esplicita. Il costo misurabile della mancanza di beni spesso è più alto, talvolta anche di molteplici volte, rispetto al costo del sovraffollamento, di cui discuteremo nelle sezioni successive.

La ragione principale per il favore verso il sovraffollamento è evitare il costo intangibile di perdere il buon rapporto con i clienti quando i prodotti non sono disponibili. Produttori e rivenditori pensano al valore a lungo termine del cliente e desiderano favorire la fidelizzazione del marchio – questa missione aiuta a informare la loro strategia della supply chain.

In questa sezione, abbiamo esaminato le iniquità derivanti dall’allocazione di troppa poca o troppa risorse in seguito a un processo di pianificazione della domanda. Successivamente, indagheremo la previsione delle serie temporali e come le previsioni sulla domanda possano essere ottimamente abbinate alle strategie di fornitura a livello di articolo.

Approcci classici ai cicli di pianificazione delle vendite e delle operazioni

Storicamente, la previsione è stata realizzata con metodi statistici che producono previsioni puntuali, che forniscono un valore più probabile per il futuro. Questo approccio si basa spesso su forme di medie mobili o regressione lineare, che cercano di adattare un modello utilizzando un approccio di minimi quadrati ordinari. Una previsione puntuale consiste in un singolo valore di previsione della media. Poiché il valore previsto è centrato su una media, si prevede che il valore reale sia superiore alla media, approssimativamente il 50% delle volte. Ciò lascia un restante 50% delle volte in cui il vero numero sarà inferiore alla previsione puntata.

Le previsioni puntuali possono essere interessanti, ma possono far sì che i rivenditori rimangano senza gli articoli indispensabili il 50% delle volte se seguite senza una revisione esperta. Per evitare di deludere i clienti, i pianificatori di offerta e domanda applicano giudizi manuali o regolano le previsioni puntuali con una formula di stock di sicurezza. Le aziende possono utilizzare la propria interpretazione di una formula di stock di sicurezza, ma l’idea è contribuire a garantire che la fornitura di prodotti sia disponibile per un orizzonte temporale a breve termine incerto. Alla fine, i pianificatori dovranno decidere se aumentare o diminuire le previsioni della media a punti, secondo le loro regole, interpretazioni e visione soggettiva del futuro.

Le previsioni delle serie temporali all’avanguardia abilitano la scelta

Per soddisfare le esigenze di previsione del mondo reale, AWS offre un ampio e completo set di funzionalità che offrono un approccio moderno alla previsione delle serie temporali. Offriamo servizi di machine learning (ML) che includono, ma non si limitano a Amazon SageMaker Canvas (per ulteriori dettagli, consulta Train a time series forecasting model faster with Amazon SageMaker Canvas Quick build), Amazon Forecast (Start your successful journey with time series forecasting with Amazon Forecast), e Amazon SageMaker algoritmi integrati (Deep demand forecasting with Amazon SageMaker). Inoltre, AWS ha sviluppato un pacchetto software open source, AutoGluon, che supporta diverse attività di ML, incluse quelle nel dominio delle serie temporali. Per ulteriori informazioni, consulta Easy and accurate forecasting with AutoGluon-TimeSeries.

Considera la previsione dei punti discussa nella sezione precedente. I dati del mondo reale sono più complicati di quanto possa essere espresso con una media o una stima rettilinea di regressione. Inoltre, a causa dello squilibrio tra sovrapproduzione e sottoproduzione, hai bisogno di più di una singola stima puntiforme. I servizi AWS affrontano questa esigenza attraverso l’uso di modelli di ML combinati con la regressione quantile. La regressione quantile ti consente di selezionare una vasta gamma di scenari di pianificazione, espressi come quantili, anziché fare affidamento su previsioni puntuali. Sono proprio questi quantili che offrono scelta, di cui parleremo in dettaglio nella sezione successiva.

Previsioni progettate per servire i clienti e generare la crescita del business

La figura seguente fornisce una visualizzazione di una previsione di serie temporale con risultati multipli, resa possibile attraverso la regressione quantile. La linea rossa, indicata con p05, offre una probabilità che il numero reale, qualunque esso sia, si prevede che scenda al di sotto della linea p05, circa il 5% delle volte. Al contrario, ciò significa che il numero effettivo cadrà probabilmente al di sopra della linea p05 il 95% delle volte.

Successivamente, osserva la linea verde, indicata con p70. Il valore effettivo scenderà al di sotto della linea p70 circa il 70% delle volte, lasciando il 30% di possibilità che superi la linea p70. La linea p50 fornisce una prospettiva di punto medio sul futuro, con il 50% di possibilità che i valori siano al di sopra o al di sotto della linea p50, in media. Questi sono solo esempi, ma qualsiasi quantile può essere interpretato nello stesso modo.

Nella sezione successiva, esamineremo come misurare se le previsioni dei quantili producono una sovrapproduzione o sottoproduzione per articolo.

Misurare la sovrapproduzione e la sottoproduzione dai dati storici

La sezione precedente ha dimostrato un modo grafico per osservare le previsioni; un altro modo per visualizzarle è in modo tabellare, come mostrato nella tabella seguente. Quando si creano modelli di serie temporali, una parte dei dati viene trattenuta dall’operazione di addestramento, il che consente di generare metriche di accuratezza. Sebbene il futuro sia incerto, l’idea principale qui è che l’accuratezza durante un periodo di trattenimento sia l’approssimazione migliore di come si comporteranno le previsioni di domani, a parità di altre cose.

La tabella non mostra le metriche di accuratezza; mostra invece i valori reali noti dal passato, insieme a diverse previsioni di quantili da p50 a p90 in incrementi del 10. Durante i recenti cinque periodi di tempo storico, la domanda reale era di 218 unità. Le previsioni dei quantili offrono una gamma di valori, da un minimo di 189 unità a un massimo di 314 unità. Con la seguente tabella, è facile vedere che p50 e p60 comportano una sottoproduzione, mentre gli ultimi tre quantili comportano una sovrapproduzione.

In precedenza abbiamo evidenziato che c’è un’asimmetria nella sovrapproduzione e nella sottoproduzione. La maggior parte delle aziende che scelgono consapevolmente di sovrapprodurre lo fanno per evitare di deludere i clienti. La domanda critica diventa: “Per il futuro in arrivo, quale numero di previsione dei quantili dovrebbe pianificare l’azienda?” Dato l’asimmetria che esiste, è necessaria una decisione ponderata. Questa esigenza è affrontata nella sezione successiva in cui le quantità previste, come unità, vengono convertite nei rispettivi significati finanziari.

Selezione automatica dei punti di quantile corretti basati sulla massimizzazione del profitto o degli obiettivi di servizio al cliente

Per convertire i valori dei quantili in valori aziendali, dobbiamo trovare la penalità associata a ciascuna unità di sovrastoccaggio e a ciascuna unità di sottostoccaggio, poiché queste sono raramente uguali. Una soluzione a questa esigenza è ben documentata e studiata nel campo della ricerca operativa, nota come problema del venditore di giornali. Whitin (1955) è stato il primo a formulare un modello di domanda con effetti di prezzo inclusi. Il problema del venditore di giornali prende il nome da un periodo in cui i venditori di giornali dovevano decidere quanti giornali acquistare per il giorno. Se sceglievano un numero troppo basso, si sarebbero esauriti presto e non avrebbero raggiunto il loro potenziale di reddito nella giornata. Se sceglievano un numero troppo alto, rimanevano con “notizie di ieri” e rischiavano di perdere parte del loro investimento speculativo del mattino presto.

Per calcolare le penalità di sovrastima e sottovalutazione per unità, sono necessari alcuni dati per ogni articolo che si desidera prevedere. È possibile aumentare la complessità specificando i dati come coppie articolo+località, articolo+cliente o altre combinazioni in base alle esigenze aziendali.

• Valore delle vendite previste per l’articolo.
• Costo totale dei beni da acquistare o produrre per l’articolo.
• Costi stimati di stoccaggio associati al mantenimento dell’articolo in inventario, se invenduto.
• Valore di recupero dell’articolo, se invenduto. Se altamente deperibile, il valore di recupero potrebbe avvicinarsi allo zero, risultando in una perdita totale dell’investimento originale dei costi dei beni. Quando stabile in scaffale, il valore di recupero può essere inferiore al valore delle vendite previste per l’articolo, a seconda della natura di un articolo conservato e potenzialmente invecchiato.

La tabella seguente mostra come i punti di quantile siano stati autoselezionati tra i punti di previsione disponibili nei periodi storici noti. Consideriamo l’esempio dell’articolo 3, che ha avuto una domanda reale di 1.578 unità nei periodi precedenti. Una stima p50 di 1.288 unità avrebbe causato una carenza, mentre un valore p90 di 2.578 unità avrebbe prodotto un surplus. Tra i quantili osservati, il valore p70 produce un profitto massimo di $7.301. Sapendo questo, si può vedere come una selezione p50 comporterebbe una penalità di quasi $1.300, rispetto al valore p70. Questo è solo un esempio, ma ogni articolo nella tabella ha una storia unica da raccontare.

Panoramica della soluzione

Il diagramma seguente illustra un flusso di lavoro proposto. Innanzitutto, Amazon SageMaker Data Wrangler utilizza le previsioni dei backtest prodotte da un modello di previsione delle serie temporali. Successivamente, le previsioni dei backtest e i valori reali noti vengono uniti con i metadati finanziari su base di articolo. A questo punto, utilizzando le previsioni dei backtest, una trasformazione di SageMaker Data Wrangler calcola il costo per sottovalutazione e sovrastima per articolo.

SageMaker Data Wrangler traduce la previsione per unità in un contesto finanziario e seleziona automaticamente il quantile specifico dell’articolo che fornisce la quantità di profitto più elevata tra i quantili esaminati. Il risultato è un set tabulare di dati, memorizzato su Amazon S3, e concettualmente simile alla tabella nella sezione precedente.

Infine, un modello di previsione delle serie temporali viene utilizzato per produrre previsioni per periodi futuri. Qui è possibile anche scegliere di guidare le operazioni di inferenza o agire sui dati di inferenza in base al quantile scelto. Questo può consentire di ridurre i costi di elaborazione, oltre a eliminare l’onere della revisione manuale di ogni singolo articolo. Gli esperti della vostra azienda possono dedicare più tempo agli articoli ad alto valore, mentre migliaia di articoli nel catalogo possono avere applicate automaticamente le regolazioni necessarie. Come punto di considerazione, il futuro ha un certo grado di incertezza. Tuttavia, a parità di tutte le altre cose, una selezione mista di quantili dovrebbe ottimizzare i risultati in un set complessivo di serie temporali. Qui presso AWS, vi consigliamo di utilizzare due cicli di previsione mantenuti al fine di quantificare il grado di miglioramenti trovati con la selezione mista di quantili.

Guida alla soluzione per accelerare l’implementazione

Se desideri ricreare la soluzione di selezione del quantile discussa in questo post e adattarla al tuo set di dati, mettiamo a disposizione un set di dati di esempio sintetico e un file di flusso di SageMaker Data Wrangler sul GitHub. L’intera esperienza pratica dovrebbe richiederti meno di un’ora per essere completata.

Mettiamo a disposizione questo post e la guida alla soluzione di esempio per aiutare ad accelerare il tuo tempo di commercializzazione. Il principale facilitatore per la raccomandazione di quantili specifici è SageMaker Data Wrangler, un servizio AWS appositamente progettato per ridurre il tempo necessario per preparare i dati per casi d’uso di machine learning. SageMaker Data Wrangler fornisce un’interfaccia visuale per progettare trasformazioni dei dati, analizzare i dati e svolgere l’ingegneria delle feature.

Se sei nuovo in SageMaker Data Wrangler, consulta Inizia con Data Wrangler per capire come avviare il servizio attraverso Amazon SageMaker Studio. Inoltre, abbiamo oltre 150 articoli nel blog che aiutano a scoprire diverse trasformazioni dei dati di esempio affrontate dal servizio.

Conclusioni

In questo articolo, abbiamo discusso come la regressione quantile consenta di prendere decisioni aziendali multiple nella previsione delle serie storiche. Abbiamo anche discusso delle penalità di costo sbilanciate associate alla sovrastima e alla sottostima della previsione—spesso la penalità per la sottostima è diverse volte quella per la sovrastima, senza parlare del fatto che la sottostima può causare la perdita di fiducia da parte dei clienti.

L’articolo ha discusso come le organizzazioni possono valutare più punti di previsione quantile considerando i costi di sovrastima e sottostima di ciascun elemento per selezionare automaticamente il quantile più probabile di fornire il maggior profitto nei periodi futuri. Quando necessario, è possibile sovrascrivere la selezione quando le regole aziendali richiedono un quantile fisso anziché dinamico.

Il processo è progettato per aiutare a raggiungere gli obiettivi aziendali e finanziari rimuovendo l’attrito di dover applicare manualmente decisioni soggettive a ciascun elemento previsto. SageMaker Data Wrangler aiuta l’esecuzione del processo in modo continuativo perché la selezione del quantile deve essere dinamica con i dati reali in cambiamento.

Va notato che la selezione del quantile non è un evento isolato. Il processo dovrebbe essere valutato durante ogni ciclo di previsione anche per tener conto di cambiamenti tra cui l’aumento dei costi dei beni, l’inflazione, gli adeguamenti stagionali, l’introduzione di nuovi prodotti, le mutanti richieste dei consumatori e altro ancora. Il processo di ottimizzazione proposto viene posizionato dopo la generazione del modello di serie storiche, denominato fase di addestramento del modello. Le selezioni del quantile vengono effettuate e utilizzate nella fase di generazione delle previsioni future, talvolta chiamata fase di inferenza.

Se hai domande su questo articolo o desideri una valutazione più approfondita delle tue esigenze organizzative uniche, ti preghiamo di contattare il tuo team di account AWS, il tuo AWS Solutions Architect o aprire un nuovo caso nel nostro centro di supporto.

Riferimenti

• DeYong, G. D. (2020). The price-setting newsvendor: review and extensions. International Journal of Production Research, 58(6), 1776–1804.
• Liu, C., Letchford, A. N., & Svetunkov, I. (2022). Newsvendor problems: An integrated method for estimation and optimisation. European Journal of Operational Research, 300(2), 590–601.
• Punia, S., Singh, S. P., & Madaan, J. K. (2020). From predictive to prescriptive analytics: A data-driven multi-item newsvendor model. Decision Support Systems, 136.
• Trapero, J. R., Cardós, M., & Kourentzes, N. (2019). Quantile forecast optimal combination to enhance safety stock estimation. International Journal of Forecasting, 35(1), 239–250.
• Whitin, T. M. (1955). Inventory control and price theory. Management Sci. 2 61–68.