Indice dei contenuti
Indice dei contenuti- Dai dati alle decisioni: Sfrutta l’accuratezza delle previsioni per migliorare il processo decisionale
- Che cos’è l’accuratezza delle previsioni o forecast accuracy?
- Indicatori per misurare l’accuratezza delle previsioni (forecast accuracy)
- Come deve essere una “buona” forecast accuracy?
- Quale modello di accuratezza delle previsioni utilizzare?
- Per cosa utilizzare l’accuratezza delle previsioni?
- Riflessioni finali sull’accuratezza delle previsioni
- Autori del blog
- FAQ sull’accuratezza delle previsioni
Iniziamo con una statistica importante: il 77% delle aziende sta investendo in tecnologia per migliorare i processi legati alla Supply Chain e in particolar modo quelli legati al mondo previsionale.
La visibilità della supply chain è diventata una priorità assoluta per i vertici aziendali. Tuttavia, in un’epoca in cui l’intelligenza artificiale e gli strumenti basati sul machine learning stanno trasformando il panorama delle previsioni, non possiamo permetterci di ignorare un dato di fatto molto importante: nessuna previsione, per quanto accurata, è immune da errori.
Fortunatamente, esistono strumenti e tecniche statistiche che possono aiutarti a colmare il divario tra la domanda prevista e quella effettiva.
Per questo motivo, nel blog di oggi approfondiremo il tema dell’accuratezza delle previsioni e di come sia possibile utilizzare la nuova tecnologia di analisi statistica per costruire previsioni più solide e creare una migliore visibilità su tutta la supply chain.
Iniziamo dalle basi.
Che cos’è l’accuratezza delle previsioni o forecast accuracy?
L’accuratezza delle previsioni o forecast accuracy è il metodo che si può utilizzare per valutare la qualità delle previsioni della domanda. Nel contesto della pianificazione della supply chain, l’accuratezza delle previsioni si riferisce alla relazione tra la domanda prevista di prodotti o servizi e la domanda effettiva.
Il risultato della previsione può contribuire a garantire un processo decisionale più efficace. Tuttavia non si può fare affidamento solo su questo numero senza considerare anche altri fattori.
Anche stabilire quale sia il margine di errore da considerare può essere problematico. Dopotutto, come si può definire il concetto di “accuratezza”?
Ottenere 100% di accuratezza è un’utopia, e spesso è più un punto di riferimento idealizzato che un risultato realistico. Allo stesso modo, il 75% sembra ragionevole, ma se sia raggiungibile o addirittura utile come obiettivo da raggiungere dipende da quelli che sono gli obiettivi per i differenti prodotti e mercati.
Dipende completamente dagli obiettivi della tua azienda, dalla natura del comportamento di acquisto dei tuoi clienti e dai dati che hai a disposizione.
Indicatori per misurare l’accuratezza delle previsioni (forecast accuracy)
Anche se prevedere le vendite è importante, Il vero valore aggiunto sta spesso nel valutare l’accuratezza di tale previsione. A tal fine, è essenziale stabilire un modo per assegnare un punteggio di performance. In molti casi, questo punteggio fornisce una prospettiva più significativa della sola previsione.
I fondamenti della misurazione dell’accuratezza delle previsioni
Prima di continuare, è importante ricordare alcune nozioni di base.
Tutte le misure si basano sull’errore di previsione denominato e nella formula. Questo errore è la differenza tra la previsione, f, cioè la domanda prevista, e la domanda effettiva, d, in un determinato periodo di tempo:
Una previsione è buona quanto più la misura dell’errore è piccola.
A volte, tuttavia, le prestazioni si concentrano sull’accuratezza piuttosto che sul grado di errore. In questo caso, una previsione è buona quando l’accuratezza è vicina al 100%.
Esistono diversi metodi per valutare l’accuratezza delle previsioni. Ognuno di essi presenta aspetti positivi e negativi. Di seguito ti presentiamo una guida ai metodi più comuni a tua disposizione.
Bias o errore medio (ME)
La prima misura dell’accuratezza delle previsioni, chiamata bias o errore medio (ME), è la media dell’errore di previsione:
Questa misura è facile da capire. Per una buona previsione, la differenza tra le previsioni e la domanda effettiva deve essere piccola, quindi il bias è prossimo allo zero.
Un bias positivo indica che si sta prevedendo una domanda eccessiva, mentre un bias negativo significa che la si sta sottostimando.
Un inconveniente di questo modello, tuttavia, è che gli errori positivi e negativi si annullano a vicenda. Una previsione con grandi errori sia in positivo che in negativo può comunque avere un piccolo bias.
Pertanto, non bisogna mai considerare solo il bias, ma anche altre misure di accuratezza delle previsioni.
Errore assoluto medio (MAE)
Un modello che indica direttamente l’entità degli errori è l’errore assoluto medio (MAE):
Il vantaggio di questo modello è che utilizza errori di previsione assoluti, quindi un MAE piccolo significa che tutti gli errori di previsione sono prossimi allo zero.
Questo metodo di misurazione è facilmente interpretabile.
Tuttavia, non mostra quanto sia grande l’errore medio rispetto alla domanda effettiva. Una previsione sbagliata di 5 pezzi è pessima per un prodotto che ne vende in media 10, ma è buona per un prodotto che ne vende in media 1000.
Errore percentuale medio assoluto (MAPE)
L’errore percentuale assoluto medio (MAPE) riflette l’entità degli errori rispetto alla domanda effettiva.
È definito come il rapporto medio tra l’errore di previsione e la domanda effettiva:
Per questo motivo, è anche facile da interpretare.
Il MAPE indica lo scarto medio delle previsioni, espresso in percentuale.
Tuttavia, anche questo metodo di accuratezza delle previsioni ha i suoi limiti. La sovrastima della domanda viene punita più della sottostima. Prevedere 30 pezzi quando la domanda effettiva era di soli 10 pezzi dà un MAPE del 200%, ma le sottostime danno un MAPE massimo del 100%.
Questo è un problema per i prodotti con poca domanda, dove è più difficile ottenere un MAPE ridotto. Ma è un problema ancora più grave per i periodi di tempo in cui non c’è domanda, perché si dividerebbe per zero.
Errore quadratico medio (RMSE)
L’ultimo modello di accuratezza delle previsioni da menzionare è l’errore quadratico medio (RMSE).
Come suggerisce il nome, questa misura si basa sulla radice quadrata degli errori di previsione:
Questo modello è simile e quindi paragonabile al MAE, ma punisce maggiormente gli errori più grandi rispetto a quelli più piccoli.
È una buona misura per vedere se le vendite previste e quelle effettive sono sempre vicine. Purtroppo, però, questo particolare modello è più difficile da interpretare.
Se i dati relativi alla domanda contengono occasionalmente una vendita anomala, che non ci si aspetta venga colta da una previsione, si dovrebbe invece utilizzare il metodo MAE, che è molto più robusto nei confronti dei valori anomali.
L’errore quadratico medio (MSE) è quasi uguale all’RMSE, ma non utilizza la radice quadrata aggiuntiva. Pertanto, esprime l’errore in unità quadratiche, rendendo l’MSE più difficile da interpretare.
Esistono molte altre misure di accuratezza delle previsioni. Quale utilizzare dipende dai dati a disposizione e da cosa si vuole analizzare.
Come deve essere una “buona” forecast accuracy?
L’enorme quantità di modelli di accuratezza delle previsioni fa sorgere domande come: “Quale misura di accuratezza delle previsioni dovrei usare?” e “Quale dovrebbe essere il mio obiettivo di accuratezza delle previsioni?”.
Purtroppo, non è facile rispondere a nessuna delle due domande.
Supponiamo di gestire le previsioni dei tuoi prodotti e di scoprire che, in media, il MAE è del 60%.
È un punteggio buono o cattivo?
Un punteggio di accuratezza delle previsioni di per sé non ha molto significato. La domanda futura di un prodotto dipende da molti fattori.
La domanda di prodotti con grandi volumi è di solito più facile da prevedere rispetto a quella di prodotti che si muovono lentamente. È anche più facile prevedere la domanda di un prodotto in un aggregato di negozi piuttosto che rilevare con precisione la domanda in ciascun negozio separatamente.
Inoltre, le previsioni a lungo termine sono molto più difficili di quelle a breve termine. L’accuratezza delle previsioni dipende anche dalla quantità di dati rilevanti disponibili.
Se mancano informazioni importanti, i modelli di previsione non funzioneranno bene. Dopotutto, si possono fare previsioni solo sulla base di ciò che si conosce.
I due grafici qui sopra mostrano una semplice previsione e le vendite effettive di due ipotetici prodotti.
La domanda per il primo prodotto mostra un andamento mensile distinto, quindi una previsione costante è chiaramente subottimale.
Per il secondo prodotto, sono stati utilizzati gli stessi dati, ma la domanda è più frequente.
Senza ulteriori informazioni, una previsione costante è il massimo che possiamo fare ma non è sicuramente un risultato ottimale.
Tutte le misure discusse in precedenza mostrano che la performance di questa previsione costante per questi due prodotti è esattamente la stessa.
Naturalmente, ciò è fuorviante.
Se si utilizza un modello in grado di rilevare gli andamenti settimanali e mensili, si otterrà una previsione molto migliore per il primo prodotto, come dimostra il grafico seguente.
Grafico 3: Buone previsioni di domanda prevedibile
I grafici di cui sopra mostrano uno dei principali inconvenienti del tentativo di misurare l’accuratezza delle previsioni, ovvero che si può dire che l’accuratezza è buona solo se inserita nel giusto contesto.
È molto meglio confrontare le prestazioni di previsione di un modello con altri modelli piuttosto che concentrarsi solo sui valori dei punteggi.
È qui che entrano in gioco i modelli di base.
Un modello di base fornisce una previsione basata su una logica semplice. Può calcolare una previsione costante basata sulla domanda storica media.
Può fornire un limite inferiore alle tue prestazioni con cui confrontare le tue previsioni, oltre a fornirti un’idea di quanto sia prevedibile la domanda.
Confrontando l’accuratezza delle previsioni dei nostri modelli di previsione con quelle dei modelli di riferimento, si capisce quanto stiamo migliorando.
Quale modello di accuratezza delle previsioni utilizzare?
Come abbiamo già detto, ogni modello che si può utilizzare per l’accuratezza delle previsioni presenta sia aspetti negativi che positivi. Ecco quindi una breve panoramica.
Tabella 1: Vantaggi e svantaggi delle misure di accuratezza delle previsioni.
| Facile da interpretare | Indica una stima eccessiva o insufficiente | Piccolo quanto l’errore è piccolo | Errore relativo | Errori sensibili o grandi | |
|---|---|---|---|---|---|
| Bias/ME | ✅ | ✅ | ❌ | ❌ | ❌ |
| MAE | ✅ | ❌ | ✅ | ❌ | ❌ |
| MAPE | ✅ | ❌ | ✅ | ✅ | ❌ |
| RMSE | ❌ | ❌ | ✅ | ❌ | ❌ |
È fondamentale rendersi conto che ogni modello di accuratezza delle previsioni misura qualcosa di diverso. Pertanto, la previsione migliore sarà diversa a seconda del modello scelto.
Il grafico seguente mostra questo aspetto in modo più sintetico. Anche per una previsione costante, le diverse misure di accuratezza delle previsioni non concordano su quale sia la previsione ottimale.
Quindi, quale misura di previsione è la migliore per te? Dipende da cosa ti interessa.
Grafico 4: Per diverse misure di accuratezza delle previsioni, diverse previsioni sono ottimali
Per cosa utilizzare l’accuratezza delle previsioni?
Si dovrebbe evitare di considerare un solo modello di accuratezza delle previsioni.
In questo modo, è più probabile che si evitino alcune delle insidie che si possono incontrare quando si prevede l’accuratezza di prodotti e gruppi di prodotti diversi. L’accuratezzea delle previsioni, se utilizzata in modo efficace, è tuttavia incredibilmente preziosa per la tua azienda.
1) Possono migliorare i processi aziendali
Se effettuata correttamente, la valutazione della qualità delle previsioni può essere molto utile per migliorare i processi aziendali.
Per individuare le aree di miglioramento, è necessario esaminare l’impatto delle previsioni sull’inventario e sull’azienda nel suo complesso.
È qui che la Business Intelligence (BI) ha la chiave.
In primo luogo, è necessario esaminare tutti i dati disponibili. Grazie alla BI, i dati possono essere analizzati e trasformati in informazioni utili con l’aiuto di strumenti di visualizzazione dei dati.
È quindi possibile valutare contemporaneamente una serie di indicatori di performance e ingrandire gruppi di prodotti molto specifici.
Inoltre, laddove le previsioni sono meno rilevanti, la BI può rivelare altre aree di miglioramento dei processi aziendali.
Per i prodotti con tempi di consegna brevi e lotti di grandi dimensioni, la precisione delle previsioni non è così rilevante. Si riordina quando le scorte sono scarse e si aspetta il tempo necessario per vendere questi articoli.
L’obiettivo della BI è quello di ottenere informazioni utili dai dati, in modo da poterli utilizzare per prendere decisioni basate sui dati.
I report sull’accuratezza delle previsioni a livello di articolo potrebbero non fornire informazioni utili.
C’è un altro motivo per cui il monitoraggio dell’accuratezza delle previsioni è essenziale.
2) È possibile misurare l’incertezza
Una previsione di alta qualità è in grado di meglio prevedere la domanda. Ma una previsione non è mai perfetta. Ci sarà sempre un’incertezza sulla domanda futura.
Per una buona pianificazione della supply chain, è essenziale conoscere l’incertezza delle previsioni della domanda. In questo modo è possibile tenere conto delle incertezze e considerare di conseguenza il rischio di esaurimento delle scorte.
Se vuoi garantire un certo livello di servizio ai tuoi clienti è necessario disporre di scorte di sicurezza per far fronte a tutte le incertezze e le oscillazioni della domanda e non solo.
Quanto meno precise sono le previsioni, tanto maggiore sarà la quantità di scorte di sicurezza necessaria per garantire un determinato livello di servizio target ai propri clienti.
Osserva le differenze tra la domanda prevista e quella effettiva, cioè l’errore di previsione, per i due prodotti ipotetici qui sotto.
Se supponiamo di essere stati in grado di formulare buoni modelli di previsione per questi prodotti, l’accuratezza della previsione ci dà informazioni sulle differenze tra la domanda prevista e quella effettiva.
Grafico 5: Per diverse misure di accuratezza delle previsioni, diverse previsioni sono ottimali
Gruppo 6: Distribuzione degli errori per un prodotto con bassa incertezza attesa con il tempo di copertura
La figura sopra mostra le distribuzioni degli errori per queste due previsioni.
Il prodotto con un’incertezza attesa più elevata richiede più scorte di sicurezza per coprire, ad esempio, il 99% della domanda.
Il grafico mostra anche una distribuzione simmetrica degli errori.
Questo può essere il caso di buone previsioni di prodotti con una domanda elevata. Ma per i prodotti con una domanda bassa o irregolare, la distribuzione degli errori non è simmetrica, anche perché la domanda non può essere negativa.
Per decidere un livello di scorte di sicurezza adeguato, è necessario prendere in considerazione la forma della distribuzione degli errori.
Monitorando la distribuzione degli errori di previsione, si può avere una buona idea dei tipi di errore da aspettarsi in futuro e regolare di conseguenza il processo della supply chain.
Grafico 7: Errore di previsione simmetrico per un prodotto in rapida evoluzione
Grafico 8: Errore di previsione asimmetrico per un prodotto con domanda bassa o irregolare
Riflessioni finali sull’accuratezza delle previsioni
Per la pianificazione della supply chain è assolutamente necessario avere una buona idea della domanda futura e della sua volatilità.
Pertanto, è naturale monitorare l’accuratezza delle previsioni.
Nell’esaminare l’accuratezza delle tue previsioni, tieni a mente i seguenti punti:
- Non è possibile stabilire obiettivi generali di accuratezza delle previsioni, perché non si può sapere in anticipo quanto sia prevedibile la domanda (con i dati disponibili).
- È invece necessario confrontare le prestazioni dei modelli di previsione con quelle di altri modelli (di base).
- Allo stesso modo, non esiste il “miglior” modello di accuratezza delle previsioni.
- Per una buona valutazione delle prestazioni del modello di previsione, è necessario esaminare una selezione di misure relative al proprio obiettivo.
- Quando si valutano le prestazioni di previsione, è necessario assicurarsi di esaminare tutte le informazioni pertinenti.
- Buone previsioni possono prevedere gli schemi della domanda, ma ci sarà sempre una certa incertezza.
- L’accuratezza delle previsioni è un modo per misurare questa incertezza quando ci si affida alle previsioni.
- Dovresti usare queste informazioni per regolare i tuoi processi di rifornimento e coprire gli errori di previsione previsti.
Autori del blog
Nico Van Dijk
Kevin Overbeek
FAQ sull’accuratezza delle previsioni
Che cos’è l’accuratezza delle previsioni?
L’accuratezza delle previsioni è un metodo utilizzato per valutare la qualità delle previsioni. Nella pianificazione della supply chain, misura la correlazione tra la domanda prevista e quella effettiva.
Come posso misurare l’accuratezza delle previsioni?
L’accuratezza delle previsioni può essere misurata con diversi metodi, tra cui il bias o errore medio (ME), l’errore assoluto medio (MAE), l’errore percentuale assoluto medio (MAPE), l’errore quadratico medio (RMSE) e altri ancora. Ogni metodo presenta vantaggi e svantaggi.
Qual è l’importanza dell’accuratezza delle previsioni?
L’accuratezza delle previsioni è fondamentale per migliorare i processi aziendali e la gestione delle scorte. Aiuta a valutare l’impatto delle previsioni sulle scorte, a identificare le aree di miglioramento e a prendere decisioni basate sui dati.
Come deve essere una “buona” accuratezza delle previsioni?
La definizione di “buona” accuratezza delle previsioni varia a seconda di fattori quali i modelli di domanda dei prodotti, i tempi di consegna e la disponibilità dei dati. È essenziale confrontare l’accuratezza delle previsioni con i modelli di riferimento e considerare il contesto.
Perché monitorare l’accuratezza delle previsioni?
Il monitoraggio dell’accuratezza delle previsioni aiuta a comprendere l’incertezza della domanda, a determinare i livelli delle scorte di sicurezza e a garantire un certo livello di servizio ai clienti. Consente alle aziende di adattare i processi della supply chain per tenere conto degli errori di previsione.
