Previsione e gestione della domanda commerciale

Transcript

1 SEMINARIO DEMAND PLANNING Previsione e gestione della domanda commerciale Prof. Fabrizio Dallari Ing. Damiano Milanato Centro di Ricerca sulla Logistica Università Carlo Cattaneo LIUC 1 INDICE DEGLI ARGOMENTI TRATTATI e Supply Chain Management : processi e tipologie di piani Workflow di Dimensioni di analisi del Modelli e algoritmi di Sales Forecasting Modelli qualitativi per la previsione della domanda & Information Technology 2 1

2 LA PREVISIONE E IL PROCESSO DI PIANIFICAZIONE Demand & Operation Planning Sistema produttivo Sistema distributivo Demand Management Ordini e Previsioni MP WIP PF PF PF Procurement Planning Production Planning & MRP Inventory Planning Sales Forecasting Aggregate Planning Distribution &Transport Planning 3 F.A.Q. (FREQUENTLY ASKED QUESTIONS) PREVEDERE PERCHÉ? COSA? QUANDO? CHI? COME? QUANTO COSTA? 4 2

3 PERCHÉ PREVEDERE? Engineer to order Make to order Approvvigion. Produzione Assemblaggio Spedizione Previsioni su materie prime Fasi del ciclo produttivo - distributivo Non sono richieste previsioni Alternative produttive - prodotto personalizzato su commessa - prodotto standard su ordine Assembly to order Previsioni su materie prime e componenti - prodotto personalizzato su moduli standard Make to stock Ship to stock Previsioni su materie prime, componenti e prodotti finiti Previsioni su materie prime, componenti e prodotti finiti (disaggregata) - produzione di serie - beni di largo consumo Lead Time accettato dai clienti / consentito dal mercato 5 PERCHÉ PREVEDERE? Ordine vs. Previsione Principio del Postponement : differenziare i prodotti il più tardi possibile La struttura del prodotto, in termini di rapporto tra il numero di componenti diversi e di opzioni di prodotto finito, condiziona il punto nel quale collocare la cerniera prodotto standard parti comuni Gestione su previsione Gestione su ordine prodotti finiti LT concesso dal mercato LT totale di produzione 6 3

4 COSA PREVEDERE? Si parla di previsioni della domanda ma spesso si fanno previsioni delle vendite Produzione (fornitore) Distribuzione Punto vendita (cliente) Cliente finale Fatture emesse ai clienti Ordini consegnati ai clienti Ordini confermati ai clienti Ordini ricevuti dai clienti Vendite (dati POS) sell-out Domanda del cliente finale (lista della spesa) dilazione pagamenti problemi logistici mancanza prodotto politiche di riordino eventi / azioni promozionali 7 COSA PREVEDERE? PRODOTTO business unit 3 LIVELLI DI AGGREGAZIONE brand famiglia gruppo comm., tecn. punto vendita cliente area comm. totale country totale mondo codice articolo SKU PERIODO DI RIFERIMENTO MERCATO / AREA GEOGRAFICA Inoltre esistono diverse UNITÀ DI MISURA : kg, litri, pezzi, colli, pallet, euro, etc. 8 4

5 QUANDO PREVEDERE? ORIZZONTE TEMPORALE DI PREVISIONE LUNGO TERMINE ( > 2 3 ANNI) DECISIONI STRATEGICHE (pianificazione per divisioni, linee di prodotto, mercati) Previsioni su : vendite totali, capacità produttiva, modello di distribuzione,lancio di nuovi prodotti,... MEDIO TERMINE (1 2 ANNI) DECISIONI TATTICHE (budget annuale; previsioni aggregate) vendite totali e per linee di prodotto, prezzi per linee di prodotto, condizioni generali economiche... BREVE TERMINE ( 0 6 MESI) DECISIONI OPERATIVE (previsioni disaggregate su base settimanale e mensile) vendite per codice prodotto, per area geografica, per cliente, prezzi e volumi... 9 QUANDO PREVEDERE? CICLO DI VITA DEL PRODOTTO Volume MATURITÀ DECLINO INTRODUZIONE CRESCITA Età 10 5

6 LEGGE DI PROPAGAZIONE DEGLI SCARTI L accuratezza delle previsioni : ALL AUMENTARE DEL LIVELLO DI AGGREGAZIONE DI PRODOTTO (es. la previsione fatta a livello di famiglia di prodotto risulta più accurata rispetto alla previsione ottenuta a partire dai singoli prodotti) ALL AUMENTARE DEL LIVELLO DI AGGREGAZIONE NEL TEMPO (es. la previsione fatta su base mensile risulta più accurata rispetto alla previsione ottenuta per le singole settimane) ALL AUMENTARE DEL LIVELLO DI AGGREGAZIONE NELLO SPAZIO (es. la previsione fatta sul totale vendite Italia risulta più accurata rispetto alla previsione ottenuta per le singole Regioni) ALL AUMENTARE DELL ORIZZONTE PREVISIONALE (tanto più è lontano il momento in cui si vuole prevedere quanti più sono gli eventi casuali di disturbo) 11 CHI DEVE PREVEDERE CHE COSA? Le principali funzioni aziendali effettuano previsioni con differenti obiettivi, livelli di aggregazione, unità di misura, periodi di riferimento e orizzonti previsionali Marketing / Vendite Produzione / Acquisti Contabilità / Finanza Logistica Esigenze previsionali analisi nuovi prodotti trend consumi approvv. MP/WIP piano di produzione costo del denaro richieste di capitale gestione scorte PF piano consegne nuovi canali commer. capacità produttiva liquidità addetti magazzino politiche di prezzo effetto promozioni investimenti manodopera tassi e cambi profitti e perdite capacità stoccaggio capacità movimentaz. obiettivi di vendita costo materiali Livello di aggregazione Periodo e orizzonte di riferimento articolo, famiglia annuale, con aggiornamento mensile, trimestrale SKU, articolo 1-6 mesi / 1-5 anni con aggiornamento settimanale/mensile totale azienda, divisione, famiglia annuale, con aggiornamento mensile, trimestrale SKU 1-4 settimane /1-2 anni con aggiornamento settimanale/giornal. 12 6

7 CHI DEVE PREVEDERE CHE COSA? L'UNICITÀ DELLA PREVISIONE Difficilmente in azienda si ha una visione unica e condivisa della previsione e spesso esistono contrasti e contraddizioni di carattere strutturale Vendite Marketing Comunico all interno 100 per essere sicuro di avere 80 Produzione Programmo per 70 perché quelli esagerano sempre Acquisti Compro 90 perché Finanza Logistica mancano sempre i Se dicono 90 avranno materiali bisogno di soldi per 110? Generalmente le previsioni elaborate dal Marketing riflettono obiettivi commerciali a livello aggregato, non legati al processo di pianificazione (generano previsioni senza vincoli di capacità). Al contrario le previsioni elaborate dalla Logistica o dalla Produzione rispettano i vincoli di capacità ma ignorano le informazioni provenienti dal mercato. 13 QUADRO DELLE METODOLOGIE PREVISIONALI - FORZA DI VENDITA METODI QUALITATIVI E A BASE SOGGETTIVA: - PANEL DI ESPERTI / METODO DELPHI - SCENARI FUTURI / ANALOGIE - INDAGINI DI MERCATO, TEST E SONDAGGI METODI CAUSALI BASATI SU CORRELAZIONE : - REGRESSIONE (lineare, quadratica,multipla,...) - ECONOMETRICI / INPUT-OUTPUT TECNICHE ESTRAPOLATIVE DELLE SERIE STORICHE : - MEDIE MOBILI (semplice, ponderata,..) - SMORZAMENTO ESPONENZIALE (Winters...) - DECOMPOSIZIONE / PROIEZIONE TREND - ARIMA (Box Jenkins) 14 7

8 COME PREVEDERE Utilizzo congiunto delle metodologie DB Domanda Metodi Causali base demand Tecniche Estrapolative forecast tunnel P 1 P 2 P 3 P 4 cause effetti a b base forecast Metodi Qualitativi DB eventi info mercato piani MKTG ordini esistenti etc. Market intelligence Consensus forecast group Forecast & Accuracy 15 DEMAND PLANNING: DEFINIZIONE Il piano aziendale di domanda (demand plan) quantifica indirettamente il fabbisogno di risorse logistico produttive necessarie al suo ottenimento, supportando i responsabili aziendali nella formulazione dei piani di fornitura (supply plan). I piani di domanda rappresentano l input per altri processi gestionali di Supply Chain Management: pianificazione di processi produttivi (production plan: Master Production Schedule, Master Planning) processi distributivi (distribution plan: Distribution Requirements Planning - DRP) processi di approvvigionamento (procurement plan: MRP, acquisti ai fornitori) 16 8

9 DEMAND PLANNING: OBIETTIVI Prevedere con accuratezza la domanda futura nei segmenti prodotto mercato in cui un azienda opera significa: Poter calcolare con sufficiente precisione l ammontare di prodotti richiesti dai clienti, per formulare il budget commerciale Poter operare interventi correttivi per incrementare le vendite (promozioni, introduzione nuovi prodotti, rimozione di obsoleti) Analizzare il comportamento delle vendite aziendali rispetto alla concorrenza, valutando la redditività sui segmenti prodotto - mercato Valutare la forza vendita Poter generare piani di produzione e distribuzione affidabili ed ottimizzanti 17 NODI DELLA RETE LOGISTICA (SUPPLY CHAIN) Dimensioni di analisi: Produttori, Fornitori, Distributori Clienti, Terzisti, Intermediari logistici Business to Business / Business to Consumer 18 9

10 RETE LOGISTICA MULTILIVELLO PROGETTAZIONE E GESTIONE DELLA SUPPLY CHAIN Progettazione strategica della struttura organizzativa ed impiantistica del Supply Chain Network (Supply Chain Configuration) Gestione operativa delle attività produttive e logistiche (Supply Chain Operations) 20 10

11 PROCESSO GENERALE DI SALES & OPERATIONS PLANNING L obiettivo del macroprocesso S&OP è la generazione di piani operativi fattibili: in grado di soddisfare gli impieghi potenziali delle risorse logistico produttive (la domanda di mercato) assorbendo quantitativi di risorse realmente disponibili nel breve medio periodo. Dall analisi incrociata di fabbisogni di produzione e distribuzione (derivanti dalla domanda dei prodotti finiti) disponibilità di risorse umane e tecnologiche si determinano: Demand plans Supply plans Inventory plans (SI&OP) 21 PROCESSO GENERALE DI SALES & OPERATIONS PLANNING 22 11

12 S&OP: DEMAND & SUPPLY PLANNING Esistono quattro tipologie principali di piani di domanda: Sales Forecast, Sales Budget, Demand Plan, Sales Target 23 DEMAND PLANNING & MASTER PRODUCTION SCHEDULE (MPS) Input al processo di Master Planning: mix fra previsioni di vendita e ordini cliente in portafoglio MPS: quali prodotti produrre, in che quantità, su quali plant di produzione, in quali periodi 24 12

13 DEMAND PLANNING & REPLENISHMENT PLANNING (1/2) Input al processo di Store Replenishment: mix fra previsioni di vendita e ordini cliente in portafoglio 25 DEMAND PLANNING & REPLENISHMENT PLANNING (2/2) Input al processo di Store Replenishment: mix fra previsioni di vendita e ordini cliente in portafoglio 26 13

14 IL MODULO «DEMAND PLANNING» NEI SISTEMI APS Il modulo è presente nei sistemi di pianificazione di tipo APS (Advanced Planning & Scheduling Systems) 27 TIPOLOGIE DI DOMANDA COMMERCIALE 28 14

15 SELL-IN VS. SELL-OUT Sell-Out Domanda del consumatore finale, stimata dal gestore del punto vendita al dettaglio (venditore): B2C Domanda del cliente finale (azienda industriale cliente), che acquista componenti da un produttore (venditore), per poi assemblare i componenti in manufatti complessi: B2B Sell-In Domanda del punto vendita, stimata dal distributore (wholesaler nei confronti del retailer a valle nella catena logistico-distributiva) Domanda del distributore di prodotti finiti (cliente), stimata dal produttore di prodotti finiti (venditore) Differenze fra Sell-In e Sell-Out Produttore Distributore: scorte speculative (pricing), scorte di sicurezza / target, lotti minimi / multipli Distributore Punto Vendita: promozioni locali (sconti quantità), persistenza di stockout, 29 SELL-IN VS. SELL-OUT Differenze fra Sell-In e Sell-Out Sell-Out: previsione effettuata dal distributore Sell-In: piano di domanda emesso dal distributore al produttore Il produttore esegue la stima (forecast) della domanda di Sell-In Scorta di sicurezza: 20% della domanda di Sell-Out 30 15

16 DOMANDA INDIPENDENTE VS. DOMANDA DIPENDENTE 31 BUSINESS TO BUSINESS (WHOLESALE) Caratteristiche della domanda Limitato numero di clienti a valle della catena logistica Domanda poco elastica nel breve periodo Contrattazioni ed accordi commerciali di lungo termine con i singoli clienti (sconti di prezzo su alti volumi d acquisto) Singoli ordini di acquisto per elevate quantità di prodotto Prevalenza di relazioni commerciali individuali con i singoli clienti (contatto diretto con la forza vendita locale) 32 16

17 BUSINESS TO CONSUMER (RETAIL) Caratteristiche della domanda Elevato numero di clienti a valle nella Supply Chain Domanda molto elastica e fluttuante nel breve periodo Domanda diretta (non mediata) Singoli ordini di acquisto indipendenti per minime quantità di prodotto Assenza di relazioni di vendita individuali con i singoli consumatori, presso i punti vendita della distribuzione (la disponibilità di prodotto deve essere garantita a scaffale) 33 B2B vs. B2C: METODOLOGIE DI PREVISIONE Business to Business B2B Processi collaborativi VMI (Vendor Managed Inventory) CPFR (Collaborative Planning Forecasting Replenishment) Metodi qualitativi di Sales Forecasting Metodo Delphi, coinvolgimento forza vendita, Jury of Executive Business to Consumer B2C Analisi dei dati storici di vendita Point of Sale Azioni promozionali (Trade Promotion Management) Metodi quantitativi / statistici di Sales Forecasting Time Series Forecasting, Regressione Lineare 34 17

18 PROCESSO NON COLLABORATIVO: EFFETTO BULLWIP 35 VENDOR MANAGED INVENTORY Flussi informativi nel caso di VMI (Vendor Managed Inventory) Livello di giacenza (disponibilità) Quantità spedite dal Ce.Di. Ordini dai punti vendita Proposta d ordine Produttore Ce.Di. Distributore Conferma d ordine 36 18

19 COLLABORATIVE PLANNING, FORECASTING & REPLENISHMENT Processo non collaborativo Inefficienza del processo 110,5% = ( ) / 1000 Processo collaborativo CPFR Inefficienza del processo 40% = 100 * 4 / COLLABORATIVE PLANNING, FORECASTING & REPLENISHMENT Processo non collaborativo Ogni nodo della rete logistica aumenta fittiziamente la domanda stimata del 10% (l inaccuratezza di previsione comporta la creazione di scorte di sicurezza) Solo il retailer misura direttamente la domanda di Sell-Out La domanda del cliente finale viene sovrastimata, procedendo verso monte della Supply Chain (effetto bullwip ). Il supplier produce 1464 unità, a fronte di una richiesta del consumatore pari a 1000 Processo collaborativo L inefficienza del processo risiede nel solo mantenimento della scorta di sicurezza presso ogni nodo della Supply Chain 38 19

20 CRITICITA DEI PROCESSI DI DEMAND PLANNING Criticità di prodotto Ampiezza della gamma Riassortimento della gamma Ciclo di vita dei prodotti Attività di marketing (promotion planning) Durabilità dei prodotti (ex: food & beverage) Criticità di mercato Numero di clienti Livello di servizio Azioni dei competitor Lead Time di consegna Canali commerciali di vendita (retail, wholesale) 39 IMPORTANZA DELLE PREVISIONI DI DOMANDA Under-forecasting Diminuzione del livello di servizio Possibili periodi di stock-out Elevato livello di scorta di sicurezza Necessità di continue ed impegnative revisioni al piano di domanda ed ai piani di Supply Planning Frequente emissione / modifica ordini ai fornitori Perdita di immagine dell azienda Over-forecasting Costi di mantenimento a scorta, dovuti a invenduti Obsolescenza dei prodotti (fisica / tecnologica) Errata allocazione di capacità produttiva 40 20

21 UNDERFORECASTING La domanda effettiva (actual sales) è stata sottostimata del 25%, in modo sistematico Livello di servizio erogato: 75% (360 unità perse) 41 OVERFORECASTING La domanda effettiva (actual sales) è stata sovrastimata del 25%, in modo sistematico Livello di servizio erogato: 100% (0 unità perse) Livello di over-stock: 360 unità finali; 30 unità medie 42 21

22 INDICE DEGLI ARGOMENTI TRATTATI e Supply Chain Management : processi e tipologie di piani Workflow di Dimensioni di analisi del Modelli e algoritmi di Sales Forecasting Modelli qualitativi per la previsione della domanda & Information Technology 43 PIANI DI DOMANDA 44 22

23 PIANI DI DOMANDA Sales Forecast Previsione quantitativa della domanda futura Effettuata con metodi quantitativi di tipo statistico Sales Budget Definizione delle modalità attuative della previsione di domanda: è un mix fra Previsione statistica (Sales Forecast) Azioni di marketing (Trade Promotion Management) Obiettivi di vendita sui canali commerciali / clienti Demand Plan Adattamento del Sales Budget ai vincoli di fornitura (Supply Planning) imposti dalle funzioni logistico produttive Vincoli di capacità produttiva, distributiva, ricettiva, di fornitura SALES FORECAST VS. SALES BUDGET Differenze tipiche Logiche di Order Netting (integrazione ordini B2B) Azioni promozionali (incremento endogeno di domanda) Input del Top Management (marginalità, profittabilità) Prodotti basso vendenti vs. Prodotti alto vendenti Prodotti obsoleti vs. Prodotti innovativi Opinioni della forza vendita / azioni di vendita 46 23

24 SALES FORECAST VS. SALES BUDGET Esempio Date due coppie prodotto {SKU1, SKU2} mercato {store A}, in un orizzonte semestrale 47 SALES FORECAST VS. SALES BUDGET Conclusioni La determinazione del Sales Forecast precede, temporalmente ed operativamente, la definizione del Sales Budget Il Sales Forecast è il primo input per il Sales Budget, ne definisce l ordine di grandezza e la profilazione temporale Aggiungendo al Sales Forecast le promozioni e nettificando gli ordini cliente, si ottiene il piano da sottoporre all approvazione del Management, a valle del quale si ottiene il Sales Budget Spesso le aziende definiscono il Sales Budget in modo indipendente (e precedentemente) dal Sales Forecast, privandosi del suo prezioso ausilio decisionale 48 24

25 SALES BUDGET VS. DEMAND PLAN Esempio Ipotesi: la produzione si verifica nel periodo di occorrenza della domanda (Sales Budget): non c è possibilità di anticipi o ritardi di produzione Vincolo: rispetto della capacità massima di periodo Vincolo non rispettato in Lug10 e Ott10 per il prodotto SKU1 49 SALES TARGET VS. DEMAND PLAN Sales Target Definisce gli obiettivi di vendita per ciascun agente della forza vendita (sales representative, sales accountant). Gli obiettivi di vendita possono essere: coincidenti con il Demand Plan superiori al Demand Plan Per stimolare il venditore al miglioramento continuo inferiori al Demand Plan In seguito a performance passate insufficienti (target passati spesso non raggiunti) 50 25

26 PROCESSI DI DEMAND PLANNING 51 (1) DEMAND ANALYTICS Analisi gerarchica OLAP sui cubi di dati (On Line Analytical Processing) / analisi statistica dei dati storici Analisi delle vendite storiche Calcolo della Forecast Accuracy 52 26

27 (2) SALES FORECASTING Sales Cleaning: rimozione outliers statistici e promozioni passate dalle serie storiche Best Fit parametrico (scelta del miglior algoritmo) Generazione del Sales Forecast periodico (3) DEMAND INTELLIGENCE / DEMAND MINING DATA MINING Clustering (gruppi di negozi o prodotti) Sequence clustering (sequenze temporali di navigazione) Classificazione (ABC, tipo di cliente) Regole associative (market basket analysis) 54 27

28 (4) MARKETING INTELLIGENCE: PRODOTTI Azioni sui prodotti Definizione di promozioni su prodotti basso vendenti Definizione di offerte di vendita congiunta su coppie o gruppi di prodotti (es: pacchetti regalo a Natale) Definizione dei listini Preparazione dei cataloghi commerciali (allocazione delle pagine cartacee o web ai prodotti in modo da stimolare acquisti incrociati di prodotti) Progettazione di campagne pubblicitarie su determinati prodotti / linee di prodotto 55 (4) MARKETING INTELLIGENCE: MERCATI Azioni sui mercati Valutazione dell opportunità di aprire nuovi punti vendita Analisi delle opportunità di vendita sui prospect Definizione dei cicli promozionali (contenuti, durata, modalità di presentazione, parametri economici dell offerta) su gruppi di prodotti, per specifici clienti Introduzione di nuove linee di prodotto su specifici mercati target Definizione delle relazioni commerciali con singoli clienti industriali (B2B) Progettazione delle modalità di contatto con il consumatore finale in contesti B2C (mailing list, siti web commerciali, advertising multimediale, servizi di customer care) 56 28

29 INDICE DEGLI ARGOMENTI TRATTATI e Supply Chain Management : processi e tipologie di piani Workflow di Dimensioni di analisi del Modelli e algoritmi di Sales Forecasting Modelli qualitativi per la previsione della domanda & Information Technology 57 ESEMPIO DI WORKFLOW DI DEMAND PLANNING

30 CPG: WORKFLOW TIPICO DI DEMAND PLANNING CPG: Consumer Packaged Goods Beni durevoli destinati al largo consumo (distribuzione di massa) Food & Beverage: prodotti confezionati Hi-Tech: elettronica e informatica di consumo Elettrodomestici, domotica Industrial components [ciò che non è nel settore fashion, fashion-retail] Nei progetti di si riscontra di frequente un workflow tipico di analisi, previsione e controllo della domanda commerciale 59 CPG: WORKFLOW TIPICO DI DEMAND PLANNING 60 30

31 CPG: WORKFLOW TIPICO DI DEMAND PLANNING Processi di per il settore CPG (1/2) ANALISI VENDITE STORICHE KPI di forecast, budget, target sales Business Intelligence sui cubi di vendite storiche Sales Rewarding, Sales Replanning PREPARAZIONE BASELINE STORICA Rimozione degli outlier non promo (picchi e stockout) Rimozione delle promozioni commerciali GESTIONE DELLE PROMOZIONI Trade Promotion Intelligence Progettazione delle campagne promozionali 61 CPG: WORKFLOW TIPICO DI DEMAND PLANNING Processi di per il settore CPG (2/2) FORECASTING STATISTICO Elaborazione delle previsioni statistiche Intervallo di confidenza sulla previsione MARKETING INTELLIGENCE Integrazione delle Promozioni con il Sales Forecast Analisi dei fattori qualitativi influenzanti la domanda CONSOLIDAMENTO DELLA PREVISIONE Forecast Meeting, Collaborative Forecasting Determinazione di Sales Budget / Sales Target VALUTAZIONE DELLE PERFORMANCE Monitoring del Supply Chain Execution Rilevazione KPI di forecast accuracy, promo effectiveness 62 31

32 CPG: WORKFLOW TIPICO DI DEMAND PLANNING Analisi dei processi: schema metodologico Per ciascuno dei processi di per il CPG occorre mappare le seguenti informazioni: Organizzazione: funzioni aziendali coinvolte Organizzazione: responsabile funzionale del processo Dati in input al processo (data sources) Dati di output e obiettivi del processo Metodologie quantitative (algoritmi) o qualitative di supporto Strumenti IT di supporto Misure e KPI di riferimento Viste e report per la visualizzazione dei risultati di analisi e pianificazione (KPI) Tempificazione operativa 63 IL RUOLO AZIENDALE DEL DEMAND PLANNER Compiti da svolgere Forecasting Ownership (champion) Ricerca dati di input Analisi Demand Analytics (KPI monitoring) Formulazione e controllo piani di domanda Interfaccia con key user ed esperti Organizzazione meeting periodici Negoziazione collaborativa fra controparti Diffusione aziendale dei piani di domanda 64 32

33 IL RUOLO AZIENDALE DEL DEMAND PLANNER Competenze chiave Matematico statistiche: conoscenza algoritmi di Sales Forecasting / Demand Analytics Relazionali comunicative Organizzative: gestione meeting, reperimento risorse funzionali (forecast group) Business knowledge: conoscenza dei mercati in cui l azienda opera 65 INDICE DEGLI ARGOMENTI TRATTATI e Supply Chain Management : processi e tipologie di piani Workflow di Dimensioni di analisi del Modelli e algoritmi di Sales Forecasting Modelli qualitativi per la previsione della domanda & Information Technology 66 33

34 ANALISI DEI KPI DI DEMAND PLANNING Ciclo di pianificazione e controllo Ciclo: plan, do, check, react Finalità del controllo: Sales Replanning, Sales Rewarding 67 ANALISI DEI KPI DI DEMAND PLANNING Ciclo di pianificazione e controllo 68 34

35 ANALISI DEI KPI DI DEMAND PLANNING Ciclo di pianificazione e controllo KPI TARGET Valore obiettivo deciso in fase di pianificazione KPI FORECAST Valore stimato mediante metodi previsivi KPI ACTUAL Valore rilevato a consuntivo Progettazione dei valori TARGET e FORECAST Misura dei valori ACTUAL 69 ANALISI DEI KPI DI DEMAND PLANNING Ciclo di pianificazione e controllo 70 35

36 TIPOLOGIE DI KPI KPI semplici sales budget, sales forecast, sales target Prezzo, percentuale di sconto, costo Percentuali di splitting KPI composti Fatturato a prezzo standard Fatturato a prezzo scontato Varianza di forecast: D F (con segno, in modulo, percentuale) Varianza di budget: D B (con segno, in modulo, percentuale) Notazione p: prodotto, c: cliente, t: periodo, D: domanda 71 KPI COMPOSTI (1/3) Variazione puntuale (assoluta / percentuale) Lag temporale 72 36

37 KPI COMPOSTI (2/3) Valore cumulato Statico: start date fissa (intervallo variabile) Dinamico: rolling (intervallo fisso) Period to Date Period to Go (percentuali di completamento) Media mobile Media aritmetica sugli ultimi N valori Performance relative Fra prodotti della stessa famiglia Fra clienti /mercati dello stesso gruppo geografico 73 KPI COMPOSTI (3/3) Range di performance Esempio 1: la previsione delle combinazioni prodotto mercato è soddisfacente se il MAPE è inferiore al 20% Esempio 2: selezionare tutte le combinazioni il cui scostamento di budget nel 2010 è stato superiore al 25% Esempio 3: identificare i venditori che hanno fatturato nel 2009 revenue superiori a 7 M (aggregando i prodotti mercati delle combinazioni ad essi associate) Esempio 4: identificare la migliore linea di prodotto nel 2010 (actual demand massimo) 74 37

38 KPI COMPOSTI: ESEMPIO 75 KPI COMPOSTI: ESEMPIO Scostamento percentuale Scostamento percentuale su domanda (12 15)/12 = - 25% (periodo 1) Scostamento percentuale su budget (12 15)/15 = - 20% (periodo 1) 76 38

39 DIMENSIONI DI ANALISI GERARCHICA Prodotto (SKU, item, famiglia, articolo, referenza,...) Mercato (POS, store, supermarket, azienda B2B) Tempo (giorno, settimana, mese, anno, trimestre,...) Altre dimensioni di analisi Produzione (plant, manufacturing location) Outbound Logistics (distribuzione, depositi) Stagione / collezione di vendita Canale (retail, wholesale) 77 GERARCHIE DI NAVIGAZIONE 78 39

40 CUBI DI NAVIGAZIONE 79 GERARCHIE PARALLELE DI NAVIGAZIONE 80 40

41 ENTITA E LIVELLI DI NAVIGAZIONE LIVELLI DI ANALISI GERARCHICA: CRITERI DI SCELTA Quali dimensioni si vogliono modellizzare nel Demand Planning? Es: livello temporale «giorno» Es: dimensione «cliente» Qual è il livello di granularità minima dei dati storici? A che livelli «minimi» si vuole disporre dei piani di domanda? Quali / quanti livelli si vogliono navigare? (reporting / B.I.) Quali decisioni si vogliono prendere con il supporto di un sistema di? Strategico, tattico, operativo 82 41

42 AGGREGAZIONE / DISAGGREGAZIONE GERARCHICA 83 REPORTING DI BUSINESS INTELLIGENCE / ANALYTICS 84 42

43 REPORTING: SCELTA DEI LIVELLI DI ANALISI La scelta dei livelli dimensionali per l analisi dei dati è funzionale alle esigenze aziendali dei planner e dei controller Livello strategico Linee di prodotto, paesi / regioni, mesi / anni Livello tattico Famiglie di prodotto, canali di vendita, zone geografiche (regioni / città), sales representative, settimane / mesi Livello operativo SKU / item / articoli, POS, giorni / settimane, collezione di vendita 85 INDICATORI: INPUT, OUTPUT, FORMULE

44 GESTIONE DEGLI UTENTI La gestione degli utenti definisce le associazioni utente prodotto e utente mercato 87 GESTIONE DELLE COMBINAZIONI VALIDE Una COMBINAZIONE ATTIVA è una entità di pianificazione, rappresentata da un legame di vendita (variabile nel tempo) fra: prodotto mercato (tempo) prodotto mercato plant di fabbricazione (tempo) prodotto mercato warehouse di stoccaggio (tempo) prodotto cliente collezione (tempo) Se un prodotto P è venduto presso un cliente / mercato M in un periodo T di pianificazione, allora la combinazione P-M è attiva nel periodo T Se un prodotto P non viene mai venduto sul cliente / mercato M, il legame P-M non è modellizzato nel sistema di (non esistono misure o formule calcolate all incrocio P-M) 88 44

45 INDICE DEGLI ARGOMENTI TRATTATI e Supply Chain Management : processi e tipologie di piani Workflow di Dimensioni di analisi del Modelli e algoritmi di Sales Forecasting Modelli qualitativi per la previsione della domanda & Information Technology 89 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting 90 45

46 TECNICHE QUANTITATIVE BASATE SU SERIE STORICHE AMBITO : pianificazione integrata (gestione delle scorte, pianificazione della distribuzione, programmazione della produzione, etc.) LIVELLO DI DETTAGLIO : codice articolo, SKU, famiglia merceologica ORIZZONTE PREVISIONALE : breve-brevissimo periodo (1-6 mesi) DATI STORICI : - riferiti alle vendite settimanali/mensili/bimestrali - sono disponibili almeno 2 anni di storia (per stagionalità) - domanda di tipo continuativo e prevedibile (coefficiente di variazione basso : s/dm) ASSUNZIONE : il futuro sarà come il passato Estrapolazione delle sole componenti prevedibili (trend e stagionalità) NB : le previsioni sono erratiche per definizione Previsioni & Accuratezza 91 COME PREVEDERE? 1. Numero di clienti pochi: condivisione piani e informazioni, molti: maggiore affidabilità dei metodi statistici 2. Caratteristiche dei dati dati storici a disposizione (ordini, dati POS, bolle, etc.) storicità dei dati (almeno 2 anni per stagionalità) livello di dettaglio dei dati disponibilità di dati / informazioni esterne 3. Numero e tipo di previsioni livello di aggregazione, orizzonte di previsione numerosità dei codici da prevedere numerosità delle combinazioni prodotto/mercato 4. Nuovi prodotti cambio codice articolo, assimilazione, variante, novità assoluta 5. Disponibilità di risorse persone, sistemi IT, budget 6. Accuratezza richiesta identificare le conseguenze / costi derivanti da errate previsioni 92 46

47 SALES FORECASTING: SERIE STORICHE 93 SERIE STORICHE: LIVELLI GERARCHICI Tre decisioni principali: Livello di massima granularità delle vendite storiche (historical sales) Livello di calcolo del piano di domanda (sales forecasting) Livello di massima granularità del piano di domanda (sales forecasting) Basi di splitting: criteri di scelta (se il livello di calcolo della previsione è superiore rispetto al livello di massima granularità di utilizzo del piano di domanda) 1. Vendite anno precedente 2. Pattern tipici / profili giornalieri 94 47

48 SERIE STORICHE: LIVELLI GERARCHICI 95 LOGICHE DI SPLITTING (1/2) 96 48

49 LOGICHE DI SPLITTING (2/2) Simboli usati nelle formule della slide precedente: B: budget; F: forecast p, c, t: prodotto, cliente, periodo F(k): forecast della famiglia k di prodotti N(k): numerosità o cardinalità della famiglia k (numero di prodotti p) w(p): peso attribuito al prodotto p della famiglia k 97 LOGICHE DI SPLITTING: ESEMPIO 98 49

50 SCELTA DEL LIVELLO DI CALCOLO: CONSIDERAZIONI (1/2) La domanda a livello bottom è nervosa, molto dispersa attorno al valor medio Il fatto di dover disporre di una previsione fruibile a livelli bottom (operativi) non implica che tali livelli siano quelli più appropriati per il calcolo statistico Aggregando i dati storici di domanda (ad esempio sulla dimensione tempo), si ottengono serie più regolari Ciò non implica che all aumentare del livello di aggregazione aumenti, di conseguenza, l affidabilità complessiva della previsione 99 SCELTA DEL LIVELLO DI CALCOLO: CONSIDERAZIONI (2/2) Non esiste un livello multidimensionale ottimo per il calcolo del sales forecast Generare la previsione di domanda a livelli troppo aggregati è poco significativo, dal punto di vista della interpretabilità delle previsioni L accuratezza predittiva diminuisce con il progredire del tempo (asse temporale) Data l esistenza di un trade-off nella scelta fra livelli di calcolo alternativi, è possibile eseguire un confronto sull accuratezza di calcolo (forecast accuracy) a vari livelli gerarchici

51 SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST Metodologia di calcolo (su due livelli) Esempio: dimensione prodotto su due livelli; iso-livello sulle altre dimensioni di analisi Calcolo bottom: Calcolare il miglior forecast su p prodotti (appartenenti alla stessa famiglia) a livello bottom; registrare p metriche di errore, una per ciascun prodotto Calcolo aggregato: Calcolare il miglior forecast sul padre F (famiglia, aggregazione) dei p prodotti (a livello aggregato); splittare il forecast dal padre F ai p figli, secondo un opportuna base di splitting; registrare p metriche di errore, una per ciascun prodotto, valutate sul forecast splittato a livello prodotto Confronto e scelta: Calcolare il numero di volte in cui il forecast a livello bottom è migliore del forecast calcolato a livello aggregato e poi splittato (calcolo eseguito prodotto per prodotto, p volte); se tale numero è superiore al numero di volte in cui il forecast è più accurato se calcolato top e quindi splittato, si sceglie il metodo bottom, altrimenti quello aggregato 101 SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST Esempio 1: purchase plan Contesto: azienda distributiva nel comparto luxury food, canale Ho.Re.Ca. (50 agenti plurimandatari) Obiettivo: acquistare le quantità «giuste» di prodotto dai fornitori Vincoli: domanda non ritardabile, shelf life dei prodotti (1-2 settimane) Livelli di calcolo della previsione Prodotto finito (1000 SKU) Totale cliente Settimana (forecasting) Giorno (warehouse replenishment)

52 SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST Esempio 2: shipment forecasting Contesto: azienda produttiva e distributiva nel segmento fashion accessories, canale Wholesale (worldwide countries) Obiettivo: formulare le previsioni di spedizione dal sito logistico EMEA verso catene di wholesaler Drivers: forecast commerciale, portafoglio ordini, backorder produttivo (forecast), resi (forecast) Livelli di calcolo della previsione Totale prodotto finito (all brands) volumi di spedizione Country Settimana (shipment forecast) Giorno (controllo avanzamento) 103 SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST Esempio 2: shipment forecasting

53 SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST Esempio 3: channel forecasting Contesto: azienda produttiva e distributiva di prodotti dolciari Canali distributivi: moderno (GDO), retail, wholesale, specializzato Obiettivo: formulare le previsioni di domanda per canale, analizzando le peculiarità dei singoli contesti; formulare il piano di produzione di prodotti finiti (produzioni stagionali a lotti) Criticità: stockout, overstock, shelf-life, nuovi prodotti, processo di presa ordini Livelli di calcolo della previsione SKU Totale canale Mese 105 SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST Esempio 4: POS forecasting Contesto: catena di profumerie (>300 negozi, retail) Obiettivo: formulare le previsioni di acquisto verso i fornitori (produttori di articoli per la cosmetica e l igiene) Modalità di consegna: Diretta: da fornitore a punto vendita Indiretta: da fornitore a CeDi; da CeDi a punto vendita Livelli di calcolo della previsione Consegna diretta: SKU / pos / mese ( bisettimana) Consegna indiretta: SKU / totale pos / settimana Formulazione del budget degli acquisti

54 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting 107 TIME SERIES ANALYSIS: INTRODUZIONE Obiettivi Identificazione di outliers Promozioni storiche Altri tipi di irregolarità (picchi e valli) Analisi delle componenti delle serie storiche Tipologie di base Serie continue Serie sporadiche (Nuovi prodotti) Componenti delle serie continue Stagionalità Tendenza Ciclicità (di lungo periodo) Rumore (componente casuale)

55 TIME SERIES ANALYSIS: COMPONENTI 109 TIME SERIES ANALYSIS: COMPONENTI

56 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 111 TIPOLOGIE DI SERIE STORICHE: ASSENZA DI STAGIONALITA assenza di trend (stazionaria) trend lineare / crescente trend lineare / decrescente trend non lineare / crescente trend non lineare / decrescente trend non lineare - S curve

57 TIPOLOGIE DI SERIE STORICHE: PRESENZA DI STAGIONALITA assenza di trend (stazionaria) trend lineare / decrescente L L L L L L trend non lineare / crescente L : passo della stagionalità L L L L 113 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

58 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 115 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

59 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 117 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

60 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 119 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

61 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 121 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

62 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 123 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

63 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 125 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

64 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE 127 TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

65 RICOSTRUZIONE DELLE SERIE STORICHE Identificare periodi con mancate vendite Ipotesi: stockout non rilevabile formalmente 1) Vendite nulle nel periodo 2) Stock di inizio ciclo nullo Responsabilità: logistica distributiva? fornitori? Criteri di ricostruzione Rimozione Periodi con zero vendite e zero stock sono rimossi dalla serie storica («non fanno media») Sporadici: OK Continui: perdita di informazione, perdita di stagionalità Sostituzione Inserimento di vendite minime (es: 1 pezzo) Sporadici: diventano continui! Continui: OK 129 CLASSIFICAZIONE ABC: RICHIAMO Valore cumulato parametro 100% 90% 80% 70% 60% 50% 40% 30% 20% A B C 10% Il 20% degli articoli (A) determinano il 80 % del valore del parametro % 20% 30% 40% 50% 60% 70% 80% 90% 100% Numero articoli

66 TIPOLOGIE DI SERIE STORICHE 100 % Vendite 0 A B C 100 % Articoli Previsione mediante modelli basati su estrapolazione delle serie storiche (con eccezioni!) Previsione mediante modelli basati su distribuzioni di probabilità (con eccezioni!) 131 TIPOLOGIE DI SERIE STORICHE: FORECASTABILITY Che legame esiste fra classificazione ABC di Pareto e prevedibilità di una serie storica? A priori, nessun legame! Fatturato = prezzo * quantità Solitamente, il forecast è calcolato sulle quantità (per filtrare l effetto di politiche di pricing) Ci possono essere serie storiche sporadiche in classe A La serie del «gioielliere» Ci possono essere serie storiche continue in classe C La serie delle «viti generiche» Il driver di forecastability non è di tipo business driven «se vende tanto, allora è un prodotto continuo» Occorre classificare la forecastability di una serie storica mediante driver di tipo statistico morfologico (analizzando cioè la «forma» della serie storica)

67 PREVEDIBILITA DELLE SERIE STORICHE Quanto è facile prevedere una serie storica? Quali metodi devono essere utilizzati? Primo check: serie continue vs. sporadiche vs. nuovi prodotti Secondo check: regolarità delle serie continue Densità di zeri Coefficiente di variazione (range: < 0,7; > 1,4) 133 SALES CLEANING: SCHEMA DEL PROCESSO

68 SALES CLEANING: TIPOLOGIA DI OUTLIER azioni promozionali e politiche di marketing (es. sconti, azioni 3 x 2, confezione regalo, formato convenienza, ) preavviso di aumento di prezzo, cambio listino eventi eccezionali e commesse rilevanti influsso di calendario (es. festività mobili, giorni lavorativi effettivi, calendario di vendita, ) giorni di pagamento (fatturazione fine mese) fenomeni esogeni (es. crisi del settore, azioni della concorrenza, ) 135 SALES CLEANING: RIMOZIONE DI OUTLIER AZIONI SPECIALI ogni iniziativa dell impresa destinata ad influire transitoriamente sulle vendite di un determinato articolo D t Esempio : campagna 0 promozionale con riduzione del prezzo unitario di vendita sulla confezione formato famiglia di dentifricio % 1 A t durata dell azione speciale effetto dell azione speciale

69 SALES CLEANING: FASI 137 METODO DELL INTERVALLO DI CONFIDENZA Metodo a due fasi: Fase 1: Pulizia periodi non promozionali Fase 2: Pulizia periodi promozionali

70 METODO DELL INTERVALLO DI CONFIDENZA Fase 1: dalla serie storica di domanda (arancione) vengono rimossi gli outlier statistici, ottenendo (1) Cleaning di outlier (verde); Fase 2: dalla serie storica di domanda (periodi promo), unita alla serie (1) Cleaning di outlier (verde) (periodi no-promo già puliti), si ottiene la serie finale (2) Cleaning di promo (viola). 139 METODO DELL INTERVALLO DI CONFIDENZA Ipotesi di validità del metodo Il metodo dell intervallo di confidenza è applicabile preferibilmente in caso di domanda avente le seguenti caratteristiche: Serie storiche continue, aventi elevate fluttuazioni (elevato coefficiente di variazione) dovute alla presenza di promozioni commerciali La presenza di promozioni che impattano le vendite è più significativa rispetto a fenomeni di stagionalità nelle vendite (regolarità periodiche facilmente identificabili) La domanda è modellizzabile secondo distribuzioni statistiche di probabilità, essendo formata da una molteplicità di contributi di acquisto (singolarmente microscopici, unitari) di numerosi consumatori, il cui ammontare complessivo assume valori rilevanti, trattabili con distribuzioni di probabilità (distribuzione normale)

71 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting 141 SALES FORECASTING: FORECAST ACCURACY Intervalli di una serie storica Training Set Test Set (forecast nel passato) Intervallo di previsione (orizzonte futuro di previsione)

72 SALES FORECASTING: FORECAST ACCURACY L errore di previsione per il periodo t è definito come differenza tra il valore effettivo della domanda ed il valore previsto per quel periodo P 1 P 2 P 3 P E t = D t - F t MONITORAGGIO DELLE PREVISIONI LE CARATTERISTICHE DI UN BUON SISTEMA DI CONTROLLO DEGLI ERRORI PREVISIONALI DEVE BASARSI SUI SEGUENTI PRESUPPOSTI: semplicità sinteticità flessibilità - DISTORSIONE : ME INDICATORI STATISTICI DELL ERRORE - CONSISTENZA : MAD, MAPE, MSE, SDE - CORRELAZIONE : DW - SEGNALE DI TRACKING : TS

73 FORECAST ACCURACY: METRICHE DI CALCOLO Estensione temporale Misure puntuali Misure globali Misure di DISTORSIONE Misure di DISPERSIONE Unità di misura Misure assolute (in quantità o a valore) Misure relative (percentuali) Utilizzo Best Fit parametrico (scelta dei migliori parametri) Best Fit algoritmico (scelta del miglior algoritmo) Dimensionamento della scorta di sicurezza 145 FORECAST ACCURACY: METRICHE PUNTUALI

74 FORECAST ACCURACY: METRICHE DI DISTORSIONE 147 FORECAST ACCURACY: METRICHE DI DISPERSIONE

75 FORECAST ACCURACY: METRICHE DI DISPERSIONE 149 FORECAST ACCURACY: SINTESI Pregi e difetti delle metriche di errore Mean Error ME: indica se l errore è mediamente in eccesso o in difetto (BIAS); errore medio nullo non significa previsione perfetta Mean Absolute Percentage Error MAPE: non compensa errori di segno opposto (meglio del ME); il suo significato è intuitivo (quanto si sbaglia percentualmente); perde significato in caso di domanda nulla (caso delle serie sporadiche); si possono effettuare confronti fra prodotti venduti in unità fisiche differenti; penalizza maggiormente gli errori commessi in periodi a bassa domanda Standard Deviation Error SDE: utilizzato per il dimensionamento statico della scorta di sicurezza

76 FORECAST ACCURACY PER PRODOTTI SPORADICI Metrica di misura da utilizzare: Cumulative Mean Error CME: per le serie sporadiche, è corretto compensare errori di segno positivo con errori di segno negativo: l importante è prevedere la domanda futura «in media», su un lead time di più periodi (giorni, settimane). Questa metrica di errore non penalizza errori di stima commessi su quantità piccole Il CME non va usato per valutare l accuratezza previsionale su serie continue E invece utilizzabile nel calcolo della scorta di sicurezza, al posto del SDE 151 SALES FORECASTING: PROFILI DI CLASSIFICAZIONE DEI MODELLI Tipologia di prodotti Prodotti a domanda continua nel tempo Prodotti di nuova introduzione Tipologia di variabili Modelli estrapolativi (Time Series) Modelli esplicativi (Regressione) Tipologia di domanda commerciale Modelli per serie continue (regolari o irregolari) Modelli per serie sporadiche

77 SALES FORECASTING: PROFILI DI CLASSIFICAZIONE DEI MODELLI Struttura dei modelli matematici Modelli a media mobile Modelli di smorzamento esponenziale Modelli Holt-Winters Modelli di scomposizione di serie storiche Modelli per serie sporadiche Modelli per l introduzione di nuovi prodotti Modelli di regressione (lineare, non lineare) 153 SALES FORECASTING: MAPPATURA DELLE METODOLOGIE Tipologia di domanda commerciale Modelli per serie continue Smorzamento esponenziale, Holt-Winters, Time Series Decomposition, regressione Modelli per serie sporadiche Croston, Poisson, modelli shifting Tipologia di prodotti Prodotti a domanda continua nel tempo Smorzamento esponenziale, Holt-Winters, Time Series Decomposition Prodotti di nuova introduzione Lifecycle, pattern numerici, prodotti sostitutivi, regressione

78 SCHEMA GENERALE DI IMPLEMENTAZIONE FASE 0 Depurazione dei dati storici di vendita FASE 1 Inizializzazione delle tecniche previsionali Almeno 2 anni se la domanda è stagionale (ovvero 2 cicli di stagionalità) FASE 2 Adattamento delle tecniche previsionali Scelta dei parametri di funzionamento Simulazione della previsione sui dati storici Analisi degli scostamenti rilevati 1 anno (ovvero un ciclo di stagionalità) FASE 3 Previsione della domanda per il futuro 6 mesi - 1 anno 155 BEST & WORST FORECASTING Intervallo di confidenza sulla previsione di domanda Assegnato un profilo temporale di previsione futura della domanda F(t), calcolato secondo il metodo di sales forecasting più idoneo è possibile fornire un intervallo di confidenza (forecast tunnel) per deliminare l area in cui cadrà effettivamente la domanda futura, con probabilità percentuale assegnata (es: 99%). Il metodo di calcolo è simile a quello utilizzato nel sales cleaning. Estremi dell intervallo di confidenza: Worst F_min(t) = F(t) k * sigma Best F_max(t) = F(t) + k * sigma Sigma = deviazione standard della previsione futura

79 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting Trade Promotion Management 157 MEDIA MOBILE DATA UNA SERIE STORICA DI N TERMINI (D t, D t-1, D t-2, ), AL TERMINE DEL GENERICO PERIODO t E POSSIBILE CALCOLARE IL VALORE PUNTUALE DELLA MEDIA MOBILE DI ORDINE k : D t D t -1 D t D t -k 1 MM (k ) t k D t-k+1 D t-k+2 D t-1 D t k valori MM t (k)

80 MEDIA MOBILE SI APPLICA UNA MEDIA MOBILE (k=4) ALLA SERIE STORICA CONSIDERATA per il mese t=4 : per il mese t=5 : D D D D MM (4 ) D D D D MM (4 ) MM 4 (4) MM 5 (4) per il mese t=6 : D D D D MM (4 ) MM 6 (4) MEDIA MOBILE PROSEGUENDO SINO ALL ULTIMO PERIODO A DISPOSIZIONE, SI OTTIENE UNA SERIE DI N-k+1 VALORI DI MEDIA MOBILE MM t (4) Nell esempio considerato : N=24, k=4 21 valori di media mobile di ordine

81 MEDIA MOBILE IN ALTERNATIVA, OPERANDO UNA MEDIA MOBILE DI ORDINE k=6, SI OTTENGONO 19 VALORI DI MEDIA MOBILE MM t (6) Le irregolarità presenti nella serie storica originale vengono ora maggiormente filtrate 161 MEDIA MOBILE: ESEMPIO NUMERICO NUMERICAMENTE SI OTTIENE : mese Domanda M.Mobile (4) , ,8 126,5 125, ,5 168,3 M.Mobile (6) ,2 132,3 126,5 126,7 137,8 142,7 154,7 mese Domanda M.Mobile (4) 173,5 164,8 169,3 157, ,8 179,3 190, ,3 211,8 227,3 M.Mobile (6) 159,8 163,3 171,7 163,8 165, ,5 181,2 188, ,8 N.B. All aumentare dell ordine k della media mobile, aumenta il filtraggio della serie ma si perde un numero maggiore di dati

82 MEDIA MOBILE CENTRATA Rappresenta la media aritmetica di k osservazioni tali che t sia il punto di mezzo dell insieme degli istanti corrispondenti alle osservazioni (nell ipotesi che k sia dispari). MMC t (k ) D t -... D D k t - 1 t t 1 t k - 1 k D... D 2 mese Domanda MMC (5) MEDIA MOBILE CENTRATA Se k è pari, si ricorre ad una duplice procedura ricorsiva, centrando il primo insieme di medie mobili di ordine k sui punti intermedi degli intervalli temporali e successivamente calcolando una media mobile di ordine k=2 per riallineare temporalmente i valori mese Domanda MM (6) MMC (2)

83 MEDIA MOBILE CENTRATA: CALCOLO DELLA TENDENZA SE LA SERIE STORICA E AFFETTA DA STAGIONALITA, E POSSIBILE EVIDENZIARNE IL TREND EFFETTUANDO UNA MEDIA M MOBILE C (k=12) CENTRATA DI ORDINE k = L nella media mobile rimangono le componenti di trend e irregolare si perdono la testa e la coda 165 MEDIA MOBILE COME MODELLO PREVISIONALE MEDIA MOBILE SEMPLICE La media mobile può essere anche utilizzata per formulare previsioni nel caso di domanda stazionaria e non stagionale P t 1 MM t k k valori D t-k+1... D t-1 D t MM t (k) P t+1 Tempo

84 MEDIA MOBILE COME MODELLO PREVISIONALE ADOTTANDO IL MODELLO DI PREVISIONE A MEDIA MOBILE k=6 CON RIFERIMENTO ALLA SERIE STORICA IN ESAME, SI OTTIENE : mese Domanda ,2 132,3 126,5 M-Mobile 126,7 137,8 (6) 142,7-154,7-159,8-163,3-171,7-163,8 128,2165,5 132,3169,0 126,5175,5 126,7181,2 137,8188,7 142,7204,0 154,7208,0 159,8214,8 163,3 171,7 163,8 165,5 169,0 175, ,2 132,3 Previsione 126,5 126,7 137,8 142,7 154,7 159,8 163,3 171,7 163,8 128,2165,5 132,3169,0 126,5175,5 126,7181,2 137,8188,7 142,7204,0 154,7208,0 159,8214,8 163,3 171,7 163,8 165,5 169,0 175 i valori della previsione coincidono con quelli della media mobile di ordine k, sfasati in avanti di un mese previsioni solamente per il periodo successivo (m=1) per k=1 la previsione coincide con l ultimo valore a disposizione 167 SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN DATA LA SERIE STORICA DI VALORI DELLA DOMANDA D 1, D 2,, D t LA PREVISIONE PER IL PERIODO t+1 VALE : P t+1 = a. D t + (1-a). P t a : COEFFICIENTE DI SMORZAMENTO (0 a 1) LA PREVISIONE E OTTENUTA DALLA MEDIA PONDERATA TRA IL VALORE ATTUALE D t E LA PREVISIONE PRECEDENTE P t

85 SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN al periodo t : P t+1 = a. D t + (1-a). P t al periodo t -1: P t = a. D t-1 + (1-a). P t -1 al periodo t -2: P t-1 = a. D t-2 + (1-a). P t -2 sostituendo si ottiene : P t+1 = a. D t + (1-a). [ a. D t -1 +(1-a). P t -1 ] P t+1 = a. D t + a. (1-a). D t -1 + (1-a)2. P t -1 P t+1 =a. D t +a. (1-a). D t -1 +a. (1-a) 2. D t -2 +a. (1-a) t-i. D t-i 169 SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN 300 DATI STORICI D t-1 Esempio: a=0,5 200 D t-2 D t t-2 t-1 t 0,1 0,2 0,3 0,4 0,5 PESI a. (1-a) 2 a. (1-a) a Ad ogni elemento della serie è attribuito un peso diverso in funzione dell anzianità

86 SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN LA SCELTA DEL VALORE DI a AVVIENE ALL INTERNO DEI LIMITI [0;1] 0 t-3 t-2 t-1 t 0,1 a = 0,1 0,2 0,3 a = 0,3 0,4 PESI 0,5 a = 0,5 - a elevato : modello reattivo (> peso ai dati recenti) - a basso : modello statico (> peso al passato) 171 SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN P t+1 = a. D t + (1-a). P t OSSERVAZIONI se a = 1 : P t+1 =D t se a = 0 : P t+1 =P t al periodo t=1 : P 2 = a. D 1 + (1 - a ). P iniziale

87 SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN PROCEDENDO IN QUESTO MODO E POSSIBILE RICAVARE LE PREVISIONI PER TUTTI I 2 ANNI A DISPOSIZIONE E PER IL GENNAIO a=0,3 a=0, MODELLO DI HOLT WINTERS: TREND E STAGIONALITA AL TERMINE DEL PERIODO t SI AGGIORNANO I VALORI SMORZATI DELLA MEDIA, TREND, STAGIONALITA' : Media : Trend : D 1 - a M T M t t a t-1 t-1 St-L Mt - Mt Tt 1 Tt - D 1 - St L Stagionalità : S t t - Mt

88 MODELLO DI HOLT WINTERS: TREND E STAGIONALITA AL TERMINE DEL PERIODO t E POSSIBILE CALCOLARE LA PREVISIONE PER IL GENERICO PERIODO FUTURO t+m : P t m Mt m Tt St-L m m : ORIZZONTE DI PREVISIONE LA PREVISIONE E OTTENUTA A PARTIRE DAL VALORE DELLA MEDIA SMORZATA M t, CORRETTA MEDIANTE IL TREND SMORZATO T t ED IL RELATIVO ORIZZONTE PREVISIONALE m 175 MODELLO DI HOLT WINTERS: TREND E STAGIONALITA D : domanda M : valor medio Dt-3 Dt-4 Mt+ mtt Dt-2 Mt-1 Mt Mt-2 Dt-1 Dt t-4 t-3 t-2 t-1 t t+ 1 t+ 2 t

89 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting 177 METODO DI SCOMPOSIZIONE D t T t S t E un metodo che consente di identificare le principali componenti in cui una serie storica può essere suddivisa Richiede in primo luogo di identificare il modello di rappresentazione della serie storica : C t additivo : D t =T t +S t +C t +e t t e t moltiplicativo : D t =T t S t C t e t

90 ANALISI DELLA STAGIONALITA SI DEFINISCONO L FATTORI (MOLTIPLICATIVI) DI STAGIONALITÀ, UNO PER OGNI PERIODO DEL CICLO STAGIONALE. S 1 S 2 S 3... S L Il coefficiente di stagionalità di un generico periodo i è calcolato come rapporto tra il valore di domanda nel periodo i ed il valore medio della domanda S i Di M 179 ANALISI DELLA STAGIONALITA Nel caso considerato si hanno 12 coefficienti di stagionalità per ciascun ciclo stagionale S gen, S feb, S mar,, S dic uno per ogni mese dell anno Domanda gen feb mar apr mag giu lug ago set ott nov dic Stagionalità gen feb mar apr mag giu lug ago set ott nov dic ,331 0,757 1,052 0,765 0,767 1,471 0,857 0,175 0,718 1,122 1,291 2, ,381 0,770 1,167 0,894 0,842 1,712 0,915 0,203 0,800 1,441 1,225 2,326 S i 0,356 0,763 1,109 0,829 0,805 1,592 0,886 0,189 0,759 1,282 1,258 2,172 Significa che nel mese di Novembre le vendite sono mediamente del 25,8% superiori rispetto al valor medio delle vendite nell anno

91 ANALISI DELLA STAGIONALITA RIPORTANDO I VALORI DEI COEFFICIENTI DI STAGIONALITA SI OTTIENE LA COSIDDETTA FIGURA DI STAGIONALITA 2,5 2 1,5 1 0,5 0 S i vendite superiori alla media S i > 1 vendite inferiori alla media 0 < S i < ANALISI DI TREND Trend quadratico Trend lineare

92 ANALISI DI TREND MEDIANTE L ANALISI DI REGRESSIONE E POSSIBILE IDENTIFICARE LA NATURA DELLA TENDENZA DI FONDO (TREND) E QUANTIFICARLA y=f(t) In questo caso, è necessario identificare la funzione teorica y=f(t) (retta, parabola, ) che meglio approssima la serie reale dei dati storici 183 ANALISI DI TREND ASSUMENDO UN TREND DI TIPO LINEARE E NECESSARIO DETERMINARE IL VALORE DEI COEFFICIENTI DELLA RETTA DI REGRESSIONE y=f(t) Retta di regressione y = a + b t Metodo dei minimi quadrati a b

93 METODO DI SCOMPOSIZIONE MOLTIPLICATIVO Il metodo prevede di scorporare una alla volta le principali componenti della serie storica mediante la seguente procedura (modello moltiplicativo): 1. determinazione della componente congiunta di trend e ciclicità mediante il calcolo della media mobile centrata MM t di passo L (stagionalità): T t C t MM t 2. determinazione della componente stagionale attraverso il calcolo dei coefficienti di stagionalità : S t e t = D t T t C t D t MM t 3. depurazione dalla componente di stagionalità dell effetto delle fluttuazioni casuali e t come media dei valori S t e t sulle diverse stagioni 185 METODO DI SCOMPOSIZIONE MOLTIPLICATIVO 4. destagionalizzazione della serie storica ottenuta dividendo ciascun valore della serie per il corrispondente coefficiente stagionale : D t S t = T t C t e t 5. determinazione della componente di tendenza attraverso l'identificazione di una curva di regressione (ad esempio lineare) dei valori destagionalizzati della serie in funzione del tempo: T t = a + b t 6. determinazione dei fattori ciclici attraverso la rimozione dalla serie storica delle componenti di stagionalità e casualità (mediante la media mobile) e della componente di tendenza (mediante la regressione): MM t C t = T t

94 METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO Esempio : applicare il metodo di decomposizione alle vendite trimestrali di videoregistratori riportati in tabella (si assuma un modello moltiplicativo) Anno Trim. Dt 1995 I 570 II 500 III 700 IV I 670 II 610 III 770 IV I 700 II 650 III 740 IV I 720 II 680 III 900 IV I II III IV I II III IV I II III IV I II III IV METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO 1. Si applica una media mobile centrata di ordine k=4 (per filtrare l eventuale stagionalità su base annuale) Anno Trim. D t MM t (4) MM t (2) 1995 I 570 II ,5 III ,5 640,0 IV ,0 666, I ,5 688,8 II ,0 708,8 III ,5 723,8 IV ,5 732, I ,0 733,8 II ,0 722,5 III ,0 717,5 IV ,5 723, I ,5 747,5 II ,5 787,5 III 900 IV I II III IV I II III IV I II III IV I II III IV

95 METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO 2/3. Si determinano i coefficienti di stagionalità per ogni trimestre (valori medi per eliminare la componente irregolare) Anno Trim. D t MM t D t / MM t 1995 I 570 II 500 III ,0 1,094 IV ,3 1, I ,8 0,973 II ,8 0,861 III ,8 1,064 IV ,5 1, I ,8 0,954 II ,5 0,900 III ,5 1,031 IV ,8 1, I ,5 0,963 II ,5 0,863 III 900 IV 930 1,2 1,1 1,0 0,9 0,8 S t Trim. S t I 0,963 II 0,875 III 1,063 IV 1,103 4 I II III IV 189 METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO 4. Si ricava la serie dei valori di domanda destagionalizzati Anno Trim. D t S t D t / S t 1995 I 570 0, II 500 0, III 700 1, IV 740 1, I 670 0, II 610 0, III 770 1, IV 830 1, I 700 0, II 650 0, III 740 1, IV 770 1, I 720 0, II 680 0, III 900 1, IV 930 1, I II III IV I II III IV I II III IV I II III IV

96 METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO 5. Si determina la retta di regressione sui dati di domanda destagionalizzati Anno Trim. D t / S t T t = a + b t 1995 I II III IV I II III IV I II III IV I II III IV a : 598 b : 13, I II III IV I II III IV I II III IV I II III IV METODO DI SCOMPOSIZIONE MOLTIPLICATIVO Nei periodi futuri, la previsione della domanda si calcola ricomponendo le componenti «moltiplicative» di trend e stagionalità: F t = T t S t L = (a + b t) S t L

97 SALES FORECAST & RECESSIONE ECONOMICA Modelli a tendenza ridotta Trend crescente meno che linearmente F t = TLOG t S t L = (a + b log(t)) S t L Trend decrescente meno che linearmente F t = TEXP t S t L = (a + b exp(-t)) S t L 193 FUSION FORECASTING COMBINAZIONE DI PREVISIONI Combinando le previsioni elaborate da n modelli di previsione per un determinato periodo futuro t si ottiene un nuovo valore di previsione (P * ) che, in alcuni casi, può fornire risultati migliori di quelli di partenza. F * t = f ( F t,1, F t,2, F t,3,, F t,n ) Metodo 1 : la nuova previsione è data dalla media aritmetica delle m previsioni originali Metodo 2 : la nuova previsione risulta dalla media ponderata delle previsioni originali, a ciascuna delle quali è assegnato un peso w inversamente proporzionale allo scarto quadratico medio (MSE) corrispondente

98 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting 195 METODI CAUSALI BASATI SU CORRELAZIONI Si ipotizza un legame causale tra un insieme di variabili indipendenti e una variabile dipendente, formalizzato attraverso una relazione funzionale: y f x, 1 x,..., 2 x n identificare le variabili ( y : domanda, x : prezzo, investimenti pubblicitari, promozioni, temperatura, umidità, traffico, tempo, ) evidenziare i legami di dipendenza tra le variabili (equazione lineare, quadratica, esponenziale,...) stimare i parametri dell equazione la previsione per la variabile dipendente è ottenuta a fronte di stime future per le variabili indipendenti

99 FATTORI CHE INFLUENZANO LA DOMANDA METODI CAUSALI BASATI SU CORRELAZIONE Company Sales data Price, Promotion Service Level Quality Budget I metodi causali aiutano a capire quali sono i fattori rilevanti e quale è la relazione con le vendite Demand 180 Consumer perception 150 Marketplace Environment Demographics Competition Innovation Random Factors Regulation Economy Business Cycle Weather conditions DB Legami causa/effetto Time 197 REGRESSIONE LINEARE Finalità interpretativa La domanda storica è legata al prezzo o alla temperatura? Finalità predittiva Sapendo che la domanda è legata al prezzo, qual è la previsione futura della domanda, note le politiche di prezzo future (decise dal marketing)? Correlazione matematica vs. Causalità empirica Il legame domanda temperatura, dimostrato matematicamente, ha senso nel business di riferimento?

100 100 VARIABILI INDIPENDENTI PER LA REGRESSIONE Variabili esogene Variabili fisiche (temperatura, umidità, ecc.) Es: weather forecasting Variabili ambientali Ricchezza dei consumatori Competitor Best in Class Variabili endogene Prezzo di vendita Advertising effort Campagne promozionali Livello di servizio al cliente 199 REGRESSIONE LINEARE SEMPLICE 200

101 101 REGRESSIONE LINEARE MULTIPLA 201 REGRESSIONE LINEARE SEMPLICE Viene ipotizzato un legame lineare tra una variabile indipendente (x) e una variabile dipendente (y) y A B x e y ^ rappresenta la predizione del valore di y ŷ a b x a e b rappresentano le stime di A e B e è una variabile casuale (rumore) si dispone di n coppie di osservazioni (x 1,y 1 ), (x 2,y 2 ),, (x n,y n ) 202

102 102 REGRESSIONE LINEARE SEMPLICE settimana prezzo (euro / litro) vendite (litri x 1000) 1 1, , , , , , , ,1 20 n=10 x i y i y ,2 1,4 1,6 1,8 2 x 203 REGRESSIONE LINEARE SEMPLICE y Esiste una funzione in grado spiegare il legame tra la variabile indipendente e la variabile dipendente? ŷ a b x 0 1 1,2 1,4 1,6 1,8 2 x Quali sono i coefficienti della retta di regressione? 204

103 103 COEFFICIENTE DI CORRELAZIONE LINEARE L esistenza di un legame lineare è confermata da un valore elevato del coefficiente di correlazione lineare r (Pearson) : r xy i 1 n i 1 n x - x y - y 2 x - x y - y i i n i 1 i i 2 ( -1 r 1 ) essendo : x 1 n n x i i 1 y 1 n n i 1 y i 205 ESEMPI DI CORRELAZIONI r=0,9 r=0,5 r=- 0,5 r=- 0,9 r 0 r 0 Il EXCEL adottare la funzione : =CORRELAZIONE (Serie_X; Serie_Y) 206

104 104 REGRESSIONE LINEARE CON EXCEL COEFFICIENTI DELLA RETTA DI REGRESSIONE Per la determinazione di a e b si consiglia di utilizzare le seguenti funzioni di EXCEL : ŷ a b x b : Pendenza y =INDICE(REGR.LIN(Serie_Y; Serie_X);1) a : Intercetta di y =INDICE(REGR.LIN(Serie_Y; Serie_X);2) a b x 207 REGRESSIONE LINEARE SEMPLICE: ESEMPIO NUMERICO r xy = - 0,86 metodo dei minimi quadrati y a = 32,14 b = -14, ,2 1,4 1,6 1,8 2 x y 32,14-14,54 x 208

105 105 REGRESSIONE LINEARE SEMPLICE: PREVISIONE FUTURA Per un certo periodo futuro, è stato previsto il valore x = 1,3 per la variabile indipendente prezzo. Da questo dato, si calcola il valore di vendita y corrispondente settimana prezzo (euro / litro) vendite (litri x 1000) 1 1, , , , , , , , ,3? y ,2 1,4 1,6 1,8 2 y 1,3 x 32,14-14,54 1,3 13,2 209 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting 210

106 106 MODELLI PER SERIE SPORADICHE Definizione del problema Prevedere le vendite per prodotti la cui domanda si manifesta con frequenza molto bassa nel tempo, il cui andamento quantitativo è fortemente irregolare Campi di applicazione Parti di ricambio (componentistica elettronica e meccanica nei settori hi-tech e automotive) Farmaci per malattie rare Prodotti Consumer Packaged venduti solo in periodi di promozione Beni di lusso (orologi, gioielli, ) venduti nel singolo punto vendita 211 MODELLI PER SERIE SPORADICHE Contesto operativo di riferimento Gli eventi di domanda si manifestano in modo irregolare, casuale e con ridotta frequenza di accadimento Il comportamento irregolare occorso nel passato si manifesterà anche nel futuro Le richieste di domanda arrivano singolarmente e sono indipendenti fra loro Di solito, il valor medio delle richieste (in un arco temporale di riferimento) è basso (poche unità o decine di unità) La previsione non risente degli eventi (pochi) verificatisi nel passato 212

107 107 MODELLI PER SERIE SPORADICHE: CROSTON Definizione del problema Prevedere le vendite per prodotti la cui domanda si manifesta con frequenza molto bassa nel tempo, il cui andamento quantitativo è fortemente irregolare Analogo al contesto di riferimento del modello di Poisson Logica di calcolo La serie storica è caratterizzata da due elementi indipendenti, da prevedere singolarmente: Serie numerica dei valori non nulli; Serie numerica degli intervalli di interattivo fra due valori non nulli consecutivi di domanda 213 MODELLI PER SERIE SPORADICHE: CROSTON Algoritmo di Croston (1/2) Data la serie delle quantità vendute non nulle, si calcola il valore Q di domanda futura (un solo valore Q per coppia prodotto mercato), applicando un algoritmo di media mobile o smorzamento esponenziale Data la serie degli intervalli di interarrivo fra due domande storiche non nulle (espresso in numero intero di periodi), si calcola la previsione dell intervallo di interarrivo medio applicando un algoritmo di media mobile o smorzamento esponenziale alla serie degli intervalli storici di interattivo Domanda: { } Serie interarrivi: {4, 3, 6, 2, 3}; media: 18/5 = 3,6 214

108 108 MODELLI PER SERIE SPORADICHE: CROSTON Algoritmo di Croston (2/2) Si dispone la domanda futura costante Q in modo regolare periodico sui periodi dell orizzonte di pianificazione della domanda: partendo dall ultimo valore storico non nullo; determinando il periodo in cui mettere la quantità Q, di volta in volta, con un semplice algoritmo di compensazione dei resti Esempio Domanda: { } Serie interarrivi: {4, 3, 6, 2, 3}; media: 18/5 = 3,6 Previsione: {0 0 Q Q Q } Prima volta: int(3,6) = 4 periodi; seconda volta: int(3,6 0,4) = int(3,2) = 3; terza volta: int(3,8)= MODELLI PER SERIE SPORADICHE: CROSTON Esempi numerici 216

109 109 MODELLI PER SERIE SPORADICHE: POISSON Per stimare la probabilità che la domanda assuma specifici valori nel futuro (ad esempio durante il lead time di rifornimento a magazzino dell articolo da prevedere) si può utilizzare la distribuzione di Poisson 217 MODELLI PER SERIE SPORADICHE: POISSON 0,5 0,5 0,4 D=0,8 0,4 D=1,5 0,3 0,3 0,2 0,2 0,1 0, ,5 0,4 D=3,2 0,5 0,4 D=5,8 0,3 0,3 0,2 0,2 0,1 0,

110 110 MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO La previsione del numero di richieste future durante il lead time di rifornimento, oppure durante il periodo di pianificazione dipende esclusivamente dalla lunghezza dell intervallo temporale considerato proprietà di perdita di memoria della distribuzione di Poisson Esempio numerico L articolo alfa viene gestito con metodo di riordino a quantità costante (Q = 5 pezzi, lotto minimo d acquisto imposto); per tale articolo è noto il valore medio annuo della domanda: 4,5 pezzi/anno. Calcolare la probabilità con cui l articolo alfa verrà richiesto nel prossimo bimestre. (Lead time di consegna: 2 mesi) 219 MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO 1. Calcolo del valor medio della domanda sull intervallo di tempo in esame (bimestre): 4,5 pezzi / anno 4,5 / 6 = 0,75 pezzi / bimestre 2. Calcolo dei valori della distribuzione di Poisson 220

111 111 MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO Distribuzione di probabilità dell evento: Valutazione del grado di copertura scorte: ad esempio, avendo a scorta 3 unità dell articolo alfa, si può stimare che la probabilità di non avere stock-out durante il lead time di 2 mesi è pari a: MODELLI PER SERIE SPORADICHE: POISSON Utilizzo previsivo della distribuzione di Poisson (1/3) Si assegna un livello di servizio target (es: 99,5%) Si calcola il minimo valore di giacenza INVMIN che consente di ottenere il livello di servizio assegnato (k = 0, 1, 2, ; numero intero di unità) Si identifica il valore della previsione della domanda futura con tale valore INVMIN, posizionato all inizio di ogni lead time di pianificazione contando i periodi e la periodicità del lead time dall ultimo valore non nullo di domanda storica Si ottiene una serie sporadica periodica, di valore costante INVMIN (nei periodi di domanda non nulla) 222

112 112 MODELLI PER SERIE SPORADICHE: POISSON Utilizzo previsivo della distribuzione di Poisson (2/3) Se si immagina di avere, ad inizio lead time, una domanda futura pari a INVMIN, per ogni intervallo di lead time in cui è scomponibile l orizzonte di pianificazione (es: 6 lead time da 3 mesi ciascuno, in un orizzonte di pianificazione di 18 mesi) e se si dispone o si approvvigiona, all inizio di ogni lead time, la scorta iniziale necessaria per soddisfare la domanda INVMIN in ogni lead time, si riuscirà a garantire il livello di servizio assegnato, a prescindere dallo specifico periodo nel lead time in cui cadrà la (unica o multipla) richiesta puntuale di domanda. 223 MODELLI PER SERIE SPORADICHE: POISSON Utilizzo previsivo della distribuzione di Poisson (3/3) Moltiplicando la domanda previsionale INVMIN per il numero di lead time che compongono l orizzonte di previsione, si ottiene una stima della quantità totale domandata per l articolo a domanda sporadica. Questa informazione è utile nel caso in cui l articolo (a basso costo unitario) venga riapprovvigionato a lotti di grandi dimensioni (lotti economici) con frequenza temporale molto bassa, in quanto: il costo di mantenimento a scorta per tale articolo è contenuto il livello di servizio deve essere garantito (ad esempio perché il componente è critico per prodotti finiti ad alto valore aggiunto unitario) 224

113 113 UTILIZZO PREVISIVO DEL MODELLO DI POISSON Esempio numerico 225 METODI E ALGORITMI DI SALES FORECASTING Introduzione alle serie storiche Time Series Analysis / Sales Cleaning Forecast Accuracy Media mobile e smorzamento esponenziale Scomposizione delle serie storiche Regressione lineare Modelli per serie storiche sporadiche New Product Forecasting 226

114 114 NEW PRODUCT FORECASTING Definizione del problema Prevedere le vendite di prodotti nuovi, per i quali non si dispone per definizione di storico delle vendite Prevedere repentini cambiamenti di domanda Campi di applicazione Pre-season forecasting nel settore fashion / retail (vendite di primo impianto ) Introduzione di nuovi modelli nel settore high-tech (elettronica di consumo, informatica), a rapida obsolescenza tecnologica In generale: prodotti a ciclo di vita limitato (al massimo qualche mese di vita, una stagione di vendita) Cambiamento delle condizioni di mercato (recessione) 227 NEW PRODUCT FORECASTING Curve di ciclo di vita del prodotto Prodotto mono stagionale fase 1: lancio; fase 2: crescita fase 3: maturità; fase 4: declino 228

115 115 NEW PRODUCT FORECASTING Curve di ciclo di vita del prodotto Prodotto multi stagionale fase 1: lancio; fase 2: crescita fase 3: stabilizzazione (prodotto continuativo) 229 NEW PRODUCT FORECASTING: METODOLOGIE (1/5) Curve di ciclo di vita (pattern) Applicazione di curve standard (curva logistica ad S, funzione polinomiale, funzione esponenziale,...) Pattern matching Si costruisce inizialmente una libreria di pattern (serie quantitative o percentuali di valori numerici con identificativo temporale: percentuale di vendita della prima settimana, della seconda settimana, ecc.) sulla base dei valori storici di introduzione di prodotti nuovi introdotti nel passato [esempio: curva XYZ prodotto 123 mercato ijk valori {15%, 15%, 20%, 25%, 15%, 5%, 5%}]. Il pattern di vendita iniziale per il nuovo segmento prodotto mercato viene scelto, manualmente o mediante criteri automatici di tipo empirico, all interno della libreria di pattern preventivamente configurata. 230

116 116 NEW PRODUCT FORECASTING: ESEMPI Pattern forecasting: esempio numerico Budget in-season: pezzi Durata della stagione: 4 mesi 231 NEW PRODUCT FORECASTING: METODOLOGIE (2/5) Previsione per analogia La previsione del nuovo segmento prodotto mercato viene eseguita con tecniche basate su analisi delle serie storiche (Time Series), come se il segmento nuovo avesse una storia di vendita. La storia di vendita del nuovo segmento viene creata associando la serie storica di un vecchio segmento a quello nuovo. L ipotesi sottostante di questo metodo è che i clienti percepiscano il nuovo prodotto venduto in un certo mercato come sostitutivo (totalmente o parzialmente) di uno obsoleto, progressivamente dismesso dal mercato. 232

117 117 NEW PRODUCT FORECASTING: METODOLOGIE (3/5) Previsione per analogia (continua) Molteplicità del legame Legame 1:1 1 prodotto nuovo / 1 prodotto obsoleto Legame 1:n 1 prodotto nuovo / n prodotti obsoleti Linearità del legame Lineare: lo storico del prodotto obsoleto è trasferito as is sul prodotto nuovo Non lineare: allo storico del prodotto obsoleto si applicano coefficienti moltiplicativi di amplificazione (prodotto nuovo migliore o promozionato) o riduzione delle vendite (prodotto nuovo solo parzialmente sostitutivo) 233 NEW PRODUCT FORECASTING: ESEMPI Previsione per analogia: esempio numerico NEW = 100% SKU1 + 50% SKU2 Fine vita SKU1: Feb-05 Fine vita SKU2: Apr-05 Inizio vita NEW: Mar

118 118 NEW PRODUCT FORECASTING: METODOLOGIE (4/5) Analogia basata sulla correlazione lineare (1/2) Problema: si dispone di pochi dati di vendita relativi alle prime settimane di commercializzazione di un prodotto (early sales) Obiettivo: calcolare le vendite delle settimane future (fino alla fine della vita utile del prodotto) Metodologia di analisi: comparare, tramite il coefficiente di correlazione lineare, le prime n settimane di vita del prodotto da prevedere, con le prime n settimane di prodotti appartenenti a precedenti «cicli» di vendita aventi caratteristiche di marketing simili, oppure tutti i prodotti, a prescindere dal raggruppamento merceologico 235 NEW PRODUCT FORECASTING: METODOLOGIE (5/5) Analogia basata sulla correlazione lineare (2/2) Soluzione: Selezionare il prodotto P le cui prime n vendite storiche massimizzano il coefficiente di correlazione lineare rispetto al prodotto nuovo (di cui si dispone di solo n valori di vendita storici) Calcolare le percentuali di vendita del prodotto P per tutto il suo ciclo di vita (n periodi storici, n* periodi successivi nel ciclo di vita) Applicare le percentuali trovate al prodotto nuovo, determinando così le quantità previsionali di vendita nei successivi n* periodi futuri 236

119 119 NEW PRODUCT FORECASTING: ESEMPI Analogia basata sulla correlazione lineare: esempio numerico NEW = sku 1 / store A; OLD = sku 2, sku 3, sku 4 / store A 237 NEW PRODUCT FORECASTING Previsione del picco natalizio (esempio 1) Ipotesi: Vendite regolari durante l anno corrente Picco di vendita nelle settimane natalizie Un solo Natale storico disponibile Soluzione: Interpolazione lineare sullo storico delle vendite non natalizie Proiezione anno su anno del picco natalizio, seguendo il trend lineare nei periodi non natalizi 238

120 120 NEW PRODUCT FORECASTING Previsione del picco natalizio (esempio 1) 239 NEW PRODUCT FORECASTING Previsione del picco natalizio (esempio 2) Ipotesi: Vendite regolari durante l anno corrente Picco di vendita nelle settimane natalizie Nessun Natale storico disponibile Soluzione: forecast = baseline + uplift natalizio 1. Calcolo della forecast baseline Bt come media della domanda storica (pochi valori disponibili) 2. Uplift natalizio calcolato: Novembre su Dicembre dell anno precedente come media fra le referenze della stessa famiglia, a parità di punto vendita 240

121 121 INDICE DEGLI ARGOMENTI TRATTATI e Supply Chain Management : processi e tipologie di piani Workflow di Dimensioni di analisi del Modelli e algoritmi di Sales Forecasting Modelli qualitativi per la previsione della domanda & Information Technology 241 METODI QUALITATIVI E A BASE SOGGETTIVA Il Marketing deve poter influenzare o modificare le proiezioni proposte, in base alla conoscenza che esso ha dell'andamento futuro: delle iniziative cliente delle promozioni programmate previsione di acquisizione di un ordine cliente di grosse dimensioni scadenze legate ad iniziative cliente modifica delle scadenze legate a budget variazioni dell'andamento macroeconomico e comunque di tutte quelle informazioni che possono influenzare i volumi ed il mix di vendita nel medio termine. Market Intelligence Tale modalità di previsione permette al Marketing di focalizzare la propria attenzione sul miglioramento della qualità delle previsioni aggiungendovi il valore derivante dalla proprie specifiche conoscenze sulle vendite future 242

122 VANTAGGI VANTAGGI SVANTAGGI SVANTAGGI 122 METODI A BASE SOGGETTIVA OPINIONI DELLA FORZA DI VENDITA Le informazioni sulle vendite vengono raccolte ed elaborate in un processo piramidale ascendente (venditori responsabile d area direzione Marketing) obiettivi e contenuti individuare i modelli comportamentali della concorrenza indicare i clienti più importanti analizzando e definendo le azioni da intraprendere per aumentare le vendite definire le quote di mercato e le previsioni di vendita analizzare i mutamenti del mercato e individuarne le cause - le figure coinvolte vivono il mercato - responsabilizzazione estesa a tutti i livelli - monitoraggio competitors - opinioni su possibili azioni future - focus sulla singola zona / canale... - preparazione dei venditori? - intuizione o oggettività? - la FdV spesso ignora obiettivi centrali - tendenza a sparare alto e/o basso - lunghi tempi di risposta 243 METODI A BASE SOGGETTIVA METODO DELPHI Un gruppo di esperti viene interrogato mediante questionario che interattivamente riporta le risposte via via fornite (in maniera anonima), fino ad arrivare ad un consenso unanime del gruppo ESPERTI questionari + sintesi risposte risposte CENTRO DI ELABORAZIONE E SINTESI RISPOSTE previsione consensuale - economico (ognuno a casa propria) - tempi lunghi (interattività) - nessuna influenza derivante da dinamiche di gruppo (leadership) - selezione del panel - possibile fallimento per abbandono - possibilità di modificare le proprie opinioni in modo riflessivo ed autonomo - inadatto per indagini di routine (solo per previsioni su ampi scenari) 244

123 VANTAGGI VANTAGGI SVANTAGGI SVANTAGGI 123 METODI A BASE SOGGETTIVA PANEL DI ESPERTI Un gruppo di persone di cultura manageriale e appartenenti a diverse funzioni aziendali (marketing, progettazione, produzione, finanza,...) è ritenuto idoneo e viene incaricato per formulare ed elaborare previsioni GRUPPO INCARICATO previsioni - partecipanti selezionati in base all esperienza specifica (multifunzionale) - conoscenza ottima del contesto aziendale e di mercato - tempi lunghi - dinamica di gruppo (prevalenza personalità forti, leadership, ) - isolamento del gruppo (sistema chiuso) 245 METODI A BASE SOGGETTIVA SONDAGGI / INDAGINI DI MERCATO Viene chiesto ad un campione di clienti importanti l evoluzione degli acquisti e dei piani di sviluppo mediante mailing o interviste; partendo da tale base vengono previste le linee di tendenza del mercato nella sua globalità SONDAGGIO SU UN CAMPIONE DI CLIENTI estrapolazione EVOLUZIONE DEL MERCATO - previsioni basate su piani di acquisto (oggettività) - occasione per evidenziare altri aspetti (modifiche al prodotto in esame o suggerimenti per il prossimo lancio) - reticenza dei clienti - affidabilità significatività del campione - economicità numerosità del campione 246

124 VANTAGGI SVANTAGGI 124 METODI A BASE SOGGETTIVA ANALOGIA CON ALTRI PRODOTTI Consiste nell identificare prodotti che presentino caratteristiche molto simili al nuovo prodotto che si vuole lanciare, utilizzandone i dati di vendita storici per formulare previsioni (phase-in) prodotto A previsione PRODOTTO NUOVO prodotto B prodotto C - funziona anche se non si hanno dati sul prodotto specifico - costringe a ragionare sulle caratteristiche del mercato e del prodotto - consente stime nel medio-lungo termine - non è adatto per il breve periodo - non riesce ad individuare i punti di svolta della serie 247 METODI A BASE SOGGETTIVA DIFFICOLTÀ NELL USO DEI METODI A BASE SOGGETTIVA correlazioni illusorie a conforto delle proprie tesi eccesso di confidenza nelle proprie conclusioni eccesso di conformismo tra i membri di un gruppo conservatorismo e ancoraggio a determinate conclusioni sottostima del grado di incertezza difficoltà a manipolare grandi numeri inconsistenza nei criteri di giudizio 248