7
1 Intr oduz i one
Perfezionare le tecniche di previsione di vendita permette ad un’organizzazione di
migliorare l’efficienza dei suoi processi ed il servizio al cliente finale. Da un lato, sarà
possibile ottimizzare i piani produttivi, la gestione dei magazzini e l’occupazione del
personale; dall’altro lato, il cliente finale al momento dell’acquisto non si troverà davanti
alla spiacevole comunicazione: “Articolo non disponibile” .
C onoscendo gli impatti che le previsioni di vendita possono avere su un sistema, è stato
redatto un elaborato che descrivesse l’approfondimento delle tecniche di forecasting
affrontate durante il percorso di studi, adattandole al contesto reale di una multinazionale
leader di mercato nel settore pharma&care.
Figura 1–1: recap grafico dei temi principali trattati nell'elaborato.
Analisi delle
tecniche di
previsione
Valutazione delle
tecniche di
previsione
Definizione
dell'accuratezza
previsionale
Costruzione dello
strumento
previsionale
Inizializzazione e
simulazione
Analisi delle
previsioni sellin e
sellout
Applicazione
della tecnica di
correlazione
lineare
Analisi
dell'indice di
Pearson
Inizializzazione e
simulazione dello
strumento
E sposizione della
tecnica di target
coverage
Descrizione della
tecnica
Esposizione degli
step necessari
all'implementazione
Nel primo capitolo sono descritte le diverse tecniche di modellizzazione della domanda,
valutando vantaggi e svantaggi di ognuna per scegliere il metodo più adatto ai dati della
multinazionale. Inoltre, a valle di questo capitolo, sarà definito come misurare
l’accuratezza previsionale in modo da utilizzare un criterio unico e oggettivo per valutare
la bontà dei modelli generati.
8
Il capitolo successivo vuole esporre gli step necessari all’inizializzazione e simulazione
delle previsioni di vendita. Dopo un’analisi dei dati disponibili, sono stati definiti i
coefficienti di stagionalità delle 550 referenze catalogo, quindi è stato eseguito un
cleaning su due livelli: dapprima destagionalizzando le serie storiche, in seguito
individuando e rimuovendo gli outlier. Infine sono stati calcolati i parametri di pendenza
ed intercetta in grado di ottimizzare l’accuratezza previsionale.
Dopo aver creato lo strumento per generare previsioni di vendita, sono stati analizzati i
risultati di accuratezza ottenuti nel contesto della multinazionale, distinguendo tra
l’ambiente delle vendite al dettaglio – sellout e all’ingrosso – sellin. Per entrambi i canali
di vendita è stata effettuata una simulazione dei modelli sui dati degli anni 2014 e 2015,
quindi le previsioni di vendita sono state proiettate sul primo semestre 2016.
Il lavoro di ampliamento delle tecniche di forecasting è stato eseguito negli ultimi due
capitoli. Nel contesto di riferimento è stata applicata la tecnica di correlazione lineare tra
le vendite all’ingrosso e al dettaglio. È verosimile pensare che l’andamento delle vendite
al dettaglio influenzi fortemente l’evoluzione delle vendite all’ingrosso. Avendo a
disposizione entrambe le serie storiche, tramite l’indice di Pearson è stato valutato se
queste fossero correlate, quindi è stata simulata la generazione delle previsioni di sellin in
funzione alle previsioni proiettate dai modelli di sellout.
L’ultimo approfondimento si basa sulla presentazione di una nuova metodologia di
generazione di previsioni di sellin. C ombinando le informazioni di vendite al dettaglio,
all’ingrosso e stock in distribuzione – cfr: pari alla somma dello stock presente in tutti i
negozi concessionari – è possibile generare previsioni di sellin sfruttando la correlazione
tra le due serie storiche. Ipotizzando di avere a disposizione i dati storici di almeno due
anni delle tre componenti, è possibile definire i parametri fondamentali al nuovo calcolo
delle previsioni di sellin, non basato su metodi statistici.
11
2 Anal i si de l l e te c ni c he di sponi bi l i
Questo capitolo vuole esporre le tecniche di previsione di domanda disponibili e valutare
i vantaggi e svantaggi di ognuna di queste nel contesto della multinazionale di
riferimento. Inoltre, a valle dell’esposizione delle tecniche di previsione, sarà definito il
criterio con cui sarà misurata l’accuratezza previsionale nell’elaborato.
I modelli e le tecniche di previsione della domanda sono raggruppabili in tre macro
categorie:
- Metodi causali basati sulla correlazione: attraverso queste tecniche, si ricerca una
correlazione tra fattori tale da giustificarne la previsione di un elemento
conoscendone il legame con quelli noti. Per esempio: noto il legame tra i fattori
maltempo – numero di ombrelli venduti, è verosimile prevedere che nei giorni di
pioggia si venderanno più ombrelli.
- Metodi estrapolativi basati sulle serie storiche: attraverso queste tecniche, si
vuole stimare l’andamento futuro della domanda sulla base degli schemi e delle
regolarità riscontrate nel passato.
- Metodi qualitativi a base soggettiva: si basano sull’esperienza, le valutazioni
personali e di opinioni di esperti del mercato o del prodotto di riferimento, ad
esempio la forza vendita.
La scelta del metodo ideale dipende da molti fattori, tra i più rilevanti abbiamo l’orizzonte
temporale della previsione, la disponibilità e l’accuratezza dei dati e infine l’obiettivo per
cui sono stilate delle previsioni di vendita.
Nel nostro caso, il contesto analizzato è basato sui fast moving consumer goods – FMC G,
i quali permettono di avere a disposizione una quantità elevata di dati storici. Questa
caratteristica ci proietta verso l’utilizzo di modelli matematici dei metodi causali ed
estrapolativi .
Solamente per questo capitolo, ogni tecnica di modellizzazione sarà simulata basandosi
su una serie storica utilizzata a titolo di esempio. Successivamente, nel capitolo 4,
saranno mostrati i risultati di altre serie storiche sviluppate.
Il profilo di domanda utilizzato è generato delle vendite a sellout di un prodotto di make
up, un mascara, alto rotante. La bontà di ogni modello sarà valutata sulla base degli scarti
tra previsione e dati storici passati.
12
2.1 M ode l l i c ausal i
I modelli causali si basano sull’analisi della regressione, tecnica che prevede di avere una
correlazione tra la variabile dipendente – nel nostro caso: vendite – ed indipendente – nel
nostro caso: tempo . La regressione permette di calcolare i coefficienti della retta
d’interpolazione che minimizza gli scarti quadratici medi. In altre parole, noto un insieme
di dati di vendite raffigurati in un grafico cartesiano, il metodo della regressione permette
di rappresentare la retta che meglio approssima l’andamento dei dati.
Figura 2–1: visualizzazione della tecnica di regressione lineare.
C ome è evidente dal grafico sopra riportato, la retta interpolatrice si discosta molto dai
dati storici non approssimando correttamente il profilo di domanda. Questa tecnica non è
in grado di adattarsi alle forti oscillazioni mensili dovute ai fattori di stagionalità nel
mercato.
Il fattore R
2
è pari a 0,0004, valore troppo basso per dichiarare che la retta approssimi
correttamente il profilo di domanda.
13
2.2 M ode l l i e str apol ati vi
I modelli estrapolativi si basano su diversi modelli matematici: media mobile, metodo di
scomposizione delle serie storiche e i modelli di smorzamento esponenziale. Il fattore
comune tra questi modelli consiste nel fondare la previsione di domanda futura sulla base
delle serie storiche disponibili. Le serie storiche sono suddivise in due macro classi:
continuative e sporadiche. La nostra analisi sarà orientata esclusivamente alla prima
categoria, valutando quale tecnica sia la migliore nel nostro contesto.
Modello a media mobile
Questa tecnica è tra le più semplici di questo gruppo dato che il livello computazionale è
minimo. Data la serie storica, è calcolata la media mobile di passo , quindi il valore
ottenuto è utilizzato come previsione del periodo t-esimo.
R isulta dunque fondamentale la scelta di un valore consono del passo : un valore troppo
basso sarà molto sensibile al trend della domanda, tuttavia le previsioni proiettate
potrebbero essere affette da un grande errore poiché il passo non tiene in considerazione
un numero sufficiente di periodi storici. Un valore di troppo alto garantisce che le
fluttuazioni siano livellate, tuttavia potrebbe mascherare variazioni nella componente di
trend rendendo l’azienda incapace di eseguire cambiamenti in caso di variazioni di
tendenza.
Figura 2–2: applicazione della tecnica di media mobile di passo k=3 e k=6.
La tecnica della media mobile non evidenzia i picchi e le valli del profilo di domanda,
generando un alto errore nei periodo dove questi sono presenti. Inoltre, la previsione della
14
domanda tramite media mobile può essere eseguita solo sul periodo immediatamente
successivo all’ultimo dato di storico. Questo vincolo non è accettabile nel contesto della
multinazionale, in quanto è necessario proiettare le previsioni di vendita talvolta per oltre
12 mesi – ad esempio durante la definizione del budget dell’anno successivo.
Modelli di smorzamento esponenziale
C ome per i modelli basati sulla media mobile pesata, anche quelli di smorzamento
esponenziale effettuano delle previsioni considerando la serie storica passata, ma
assegnando ad ogni periodo un peso decrescente in modo esponenziale. Ai periodi recenti
è assegnato un peso maggiore rispetto a quelli più lontani, in questo modo è possibile
essere reattivi ai cambiamenti senza trascurare gli andamenti passati.
I modelli di smorzamento esponenziale possono dare output miglior in contesti dove il
ciclo di vita è molto lungo dato che sono necessari almeno due anni di storicità per
l’inizializzazione ed il test dei modelli matematici. Tra i modelli di smoothing
esponenziale ritroviamo:
- Il modello di Brow n : permette di calcolare la previsione con orizzonte a un
periodo, basandosi sul dato di domanda del periodo in essere e sulla previsione
effettuata per il periodo attuale. Questo modello ha output accettabili nel caso in
cui la serie storica di riferimento non abbia né componenti di trend né di
stagionalità. Dal punto di vista matematico il modello di B rown è riassunto dalla
seguente:
+1
= + (1 − ) - Il modello di Holt : permette di eseguire previsioni su serie storiche in cui è
presente una componente di trend. R ispetto al modello di B rown, quello di Holt
introduce due valori: la media ed il trend . Inoltre, con questa
modellizzazione è possibile proiettare le previsioni con un orizzonte più ampio di
un periodo. Dal punto di vista matematico il modello di Holt è riassunto dalle
seguenti:
+
= + All’inizio di ogni periodo t sono aggiornati i valori e , quindi le previsioni
del periodo +
sono riviste in funzione dei nuovi dati.