Le previsioni contano

Transcript

1 Le previsioni contano Marketing Area: previsione della domanda, delle vendite, preferenze dei consumatori. Retail Area: previsione della domanda per ottimizzare i carichi di magazzino. IT Area: previsione del carico dell infrastruttura per anticipare aumenti di capacità ed ottimizzare la gestione delle risorse. Strategic Area: previsione dei movimenti di settore, previsione dei competitors. Production Area: previsione delle variabili di produzione (pezzi difettati, qualità etc.), ottimizzazione della sovraproduzione. NOAA Wether forecasting

2 Gestione integrata del processo di previsione ANALYTICS GIUGNO MILANO - FOUR SEASONS HOTEL MarketMind Research FABIO FOGLIA CO-FOUNDER

3 7 Step del processo di previsione Definire lo scopo Definire la previsione Variabili Distanza temporale Determinare il modello di previsione Algoritmo Tool Selezionare e ottenere Normalizzare Validare & Effettuare la previsione Sfruttare le previsioni

4 7 Step del processo di previsione 4 attività tecnology driven Attività Technology Driven Definire lo scopo Definire la previsione Variabili Distanza temporale Determinare il modello di previsione Algoritmo Tool Selezionare e ottenere Normalizzare Validare & Effettuare la previsione Sfruttare le previsioni

5 4 Step technology driven Le attività core del processo di previsione Determinare il modello di previsione & tuning Selezionare e ottenere Normalizzare Validare & Effettuare la previsione

6 1 Criticità High skills required! 3 Determinare il modello di previsione & tuning Difficile stabilire a priori quale algoritmo / tool usare Come configurare il modello? I cambiamenti di modello impattano sul resto del processo (pochi tentativi possibili) Diversi algoritmi/tool possono richiedere una differente normalizzazione de Analisi d

7 2 Criticità Gestire dati omogenei e con eccezioni 5 Normalizzare Ricampionare alla stessa frequenza (es. ogni settimana, ogni giorno) Dati mancanti! Come gestirli? Colonne parzialmente compilate Dati alfanumerici in colonne numeriche (es. non disp., n.a. ) Colonne parzialmente compilate Colonne di tipo alfanumerico (es. nome campagna )

8 3 Criticità Qual usare? Determinare le variabili significative per la previsione 4 Selezionare e ottenere Dati disponibili Poche metodologie disponibili! (Approccio euristico) Dati utili

9 4 Criticità: dipendenze Le dipendenze tra le attività complicano il flusso reale del processo Algoritmo/Tool sbagliato? Normaliz. non ottimale? Time consuming! Determinare il modello di previsione & tuning Selezionare e ottenere Normalizzare Dati non rappresentativi? Validare & Effettuare la previsione

10 5 Criticità: relazioni complesse Alcune variabili potrebbero essere determinate da relazioni complesse Modelli lineari Modelli regressione /probabilistici classici Modelli intelligenza artificiale Poco rappresentativi in casi reali Possono non cogliere relazioni complesse Difficili da configurare Richieste competenze specialistiche

11 Analisi delle criticità Criticità n 1 Criticità n 2 Criticità n 3 Criticità n 4 Criticità n 5 Scelta dell algoritmo e configurazione Normalizzazione de Individuare variabili significative Necessità di ripetere iterativamente il processo Interpretare relazioni complesse presenti ne Time consuming Time consuming Time consuming Time consuming Time consuming Difficile ottimizzazione Error-prone Difficile ottimizzazione Riduzione della frequenza di esecuzione Riduzione della frequenza di esecuzione

12 Integrare & automatizzare Ottimizzazione migliore grazie alla gestione unificata delle attività core Business Forecasts Definire lo scopo Definire la previsione Variabili Distanza temporale Determinare il modello di previsione Algoritmo Tool Ottenere Normalizzare Validare & Effettuare la previsione Sfruttare le previsioni

13 Previsioni come asset aziendale Previsioni disponibili dove servono e al momento giusto MarketMind Business Forecasts: Automatizza le attività core del processo di previsone Impiega tecniche avanzate di machine learning Normalizza automaticamente eterogenei presenti nel database aziendale Pubblica automaticamente le previsioni nel database aziendale, rendendole un vero asset aziendale

14 Gestione delle criticità Criticità n 1 Criticità n 2 Criticità n 3 Criticità n 4 Criticità n 5 Scelta dell algoritmo e configurazione Normalizzazione de Individuare variabili significative Necessità di ripetere iterativamente il processo Interpretare relazioni complesse presenti ne Sistema proprietario di apprendimento automatizzato. Motore di normalizzazione integrato con il processo. Sistema di selezione automatico delle variabili significative. Completa automazione del processo. Motore di intelligenza artificiale proprietario.

15 Caso previsioni vendite Prevedere le vendite di un prodotto per il prossimo mese. Criticità Criticità Criticità Quali variabili utilizzare? Dati di input eterogenei Relazioni tra i dati non chiare Marco Vendite Business Forecasts Media azienda Selezione automatica delle variabili significative Normalizzazione automatica dei dati aziendali Sistema di machine learning: impara a prevedere studiando il passato

16 Business Forecasts Contatti Fabio Foglia - Co-founder fabio.foglia@market-mind.net MarketMind Research informazioni@market-mind.net