Analisi della correlazione temporale tra le serie storiche di vendita all'ingrosso e al dettaglio: il caso di un'azienda multinazionale del pharma&care

Ogni oggetto in nostro possesso è stato, in una fase del suo ciclo di vita, una previsione di vendita. Gli abiti che indossiamo, il cibo che mangiamo, le auto che guidiamo, gli smartphone che utilizziamo e molto altro ancora sono stati una proiezione di un modello in un determinato periodo. Per massimizzare il livello di servizio che un’azienda vuole offrire ai propri clienti, è quindi fondamentale avere un processo solido di generazione di previsioni di vendita.

Consapevole della rilevanza dell’argomento, lo studente ha sviluppato un elaborato che descrivesse gli step per creare uno strumento per generare previsioni di vendita al dettaglio – sellout e all’ingrosso – sellin basandosi sul database di una multinazionale leader nel mercato pharma&care operante nel settore FMCG. L’implementazione dello strumento è stata precisa e dettagliata, con spunti tecnici interessanti per rendere possibile lo sviluppo sulla piattaforma Excel. Dopo un’attenta analisi del database, composto da quasi 1.000 referenze con dati di vendita mensili da gennaio 2014 a dicembre 2015, è stato implementato il modello moltiplicativo di scomposizione delle serie storiche adattato al contesto della multinazionale. Sono stati calcolati i coefficienti di stagionalità, quindi sono stati eseguiti due livelli di cleaning degli outlier per definire al meglio i valori di intercetta e pendenza di ogni SKU. Infine sono stati testati i modelli sui dati storici noti, quindi una volta raggiunti risultati soddisfacenti sono stati proiettati sul primo semestre 2016 valutandone l’accuratezza previsionale. I risultati sono stati ottimi per le vendite al dettaglio e buoni per le vendite all’ingrosso, soggette a molte variabili esogene. Lo strumento creato, grazie alla solidità e versatilità, potrà essere implementato in qualsiasi ambiente aziendale con sufficienti dati storici – 24 periodi – in modo da generare accurate previsioni di vendita.

Procedendo nella lettura dell’elaborato, si incontrerà l’analisi di correlazione lineare tra le vendite all’ingrosso e al dettaglio, basata sull’indice di correlazione Pearson. Tramite questa analisi lo studente vuole sottolineare che il forte legame tra le due tipologie di vendite potrebbe essere sfruttato per migliorare la generazione di previsioni di sellin. Calcolando l’intercetta e la pendenza sulle previsioni sellout per definire quelle sellin si evince che l’elasticità dell’accuratezza previsionale sia molto elevata tra le due serie storiche. Laddove le previsioni sellout registrano un lieve peggioramento di accuratezza, le previsioni sellin prodotte amplificano l’effetto distorcendo la proiezione del modello. Per questo motivo non è stato possibile dichiarare questa tecnica accettabile poiché meno accurata dello strumento proposto inizialmente.

Infine, sono stati esposti i motivi per cui il metodo di correlazione non fosse applicabile ed è stata proposta una nuova teoria per generare previsioni all’ingrosso per tutti i contesti fornitore – negozi – consumatori. Questa tecnica sfrutta il modello presentato inizialmente per generare previsioni sellout, quindi combina i dati di stock in distribuzione calcolato e target per definire l’ammontare di sellin necessario a garantire una copertura in linea con quella registrata in passato. Qualitativamente, è possibile affermare che considerare una variabile così importante come quella dello stock in distribuzione per costruire le previsioni di sellin potrebbe migliorare sia l’accuratezza previsionale sia il tasso di servizio al cliente. Utilizzare questa informazione è fondamentale per garantire una migliore velocità di reazione di tutta la filiera logistica, requisito fondamentale in ogni ambiente di FMCG.