Domanda stagionale: cos’è, rilevamento di modelli e previsioni con l’IA, esempi

La stagionalità può avere un impatto enorme sui modelli di domanda di alcuni prodotti. Da un lato, se non viene adeguatamente anticipata, può esporre l’azienda al rischio di esaurimento delle scorte, con conseguente insoddisfazione dei clienti. Allo stesso modo, senza una buona visibilità dei cambiamenti della domanda che la stagionalità può provocare, le aziende rischiano di accumulare livelli eccessivi di scorte, che richiederanno di impegnare risorse che sarebbero meglio investite altrove, per non parlare dell’enorme impatto finanziario delle scorte obsolete che dovranno essere smaltite alla fine della stagione.

Adattando le previsioni tenendo conto della stagionalità, sarai in grado di rispondere a questi cambiamenti della domanda in modo tempestivo. Questo ti permetterà di mantenere livelli di scorte ottimali prima, durante e dopo il picco stagionale, in modo da mantenere i costi di magazzino al minimo, pur garantendo un alto livello di servizio.

Per raggiungere questo obiettivo è necessario prendere in considerazione una serie di fattori. Ad esempio, la stagionalità ha causato cambiamenti nella domanda in passato? Come si possono prevedere i modelli di domanda stagionale per i nuovi articoli? La stagionalità ha un impatto su gruppi di prodotti o solo su articoli singoli? L’impatto è solo locale o anche nazionale o internazionale?

Come si può intuire, le variabili da considerare sono molte ed è per questo motivo che l’Intelligenza Artificiale (IA) è una tecnologia molto utile quando si tratta di prevedere la domanda stagionale. In questo articolo esamineremo i principali elementi da prendere in considerazione per individuare il modo migliore per prevedere la domanda stagionale. Allo stesso modo, approfondiremo le potenzialità dell’IA e del Machine Learning in questo campo.

Previsione della domanda punto di riordino in un mondo ideale

Immagina di avere 150 TV in magazzino, con un tasso di vendita medio di 100 unità per mese e una quantità minima ordinabile (MOQ) di 20 unità. Il lead time è di 7 giorni e, poiché non vuoi deludere i tuoi clienti con potenziali rotture di stock, hai una scorta di sicurezza di 50 unità. Quando è il momento giusto per ordinare e quante unità si devono ordinare?

La teoria del punto di riordino

Il modo più logico per calcolare il fabbisogno è il seguente: in media vendi 100 unità al mese, il che equivale a 25 a settimana. In 4 settimane esaurirai le scorte di sicurezza. Quindi, per evitare che ciò accada, decidi di effettuare l’ordine tra 3 settimane.

Poiché si prevede di vendere altre 25 unità nella quarta settimana, l’ordine raddoppia il MOQ. In altre parole, decidi di ordinare 40 nuovi televisori nella terza settimana.

Il processo di riordino nella vita reale

La situazione descritta sopra è facile da prevedere. Tuttavia, non è realistica. Spesso i modelli di domanda non sono stabili come in questo esempio. Cosa succede se la domanda è soggetta a trend, modifiche o stagionalità? Avrai scorte sufficienti in caso di un picco inaspettato della domanda? Come puoi gestire i cambiamenti dovuti alla stagionalità?

Comprendere la domanda stagionale

Durante i mesi più caldi dell’anno la domanda di pneumatici invernali è più bassa, mentre la domanda di barbecue, ad esempio, diminuisce in inverno. Non bisogna essere esperti di settore per rendersene conto: è risaputo che questi articoli hanno un andamento stagionale. Tuttavia, non sappiamo esattamente quando inizierà la stagione perché dipende, in parte, dal meteo che può variare di anno in anno e far partire la stagione dei barbecue prima o dopo. Per esempio, in una giornata di sole a marzo, quando ci sono 17 gradi, ci possono essere molte persone che vogliono fare un barbecue per aprire la stagione. Questa domanda può essere “anomala” o comunque anticipata rispetto al picco di domanda che arriverà nei mesi di maggio – giugno considerati come vera stagionalità.

A causa di questo comportamento, è necessario conoscere sia l’influenza stagionale sulla domanda sia il profilo della domanda a breve termine. Ad esempio, se la temperatura raggiunge i 27 gradi all’inizio di maggio, è probabile che si verifichi un boom di vendite. Ma se ad agosto la temperatura scende a 17 gradi, è probabile che questo cambiamento abbia un impatto meno significativo perché avviene a fine stagione. Inoltre, con la fine dell’estate in vista, l’incertezza sul tempo è comprensibilmente maggiore.

Quando finisce davvero la stagione? Prendiamo ancora una volta come esempio i barbecue. Quando è opportuno rimuovere dagli scaffali di un supermercato la carne per barbecue? Vuoi risparmiare sui costi rimuovendo questi prodotti in anticipo o rischi di tenerli più a lungo (con conseguenti scorte eccessive) per non deludere i clienti?

Per garantire un alto livello di servizio e bassi costi di magazzino durante la stagione, è molto importante introdurre e ritirare i prodotti in modo tempestivo.

Le migliori pratiche per garantire un livello di scorte ottimale prima, durante e dopo la stagione

1. Migliora l’accuratezza delle tue previsioni includendo più informazioni provenienti dall’esterno nelle previsioni a breve e a lungo termine e ripulendo i dati storici da eventi speciali e promozioni.
2. Sviluppa una strategia di inventario specifica, ad esempio aumentare le scorte iniziali per essere in grado di far fronte a un picco di domanda inaspettato nel prossimo futuro.
3. Rivedi la quantità minima d’ordine (MOQ) e la quantità economica d’ordine (EOQ). È necessario aumentare o diminuire le quantità ordinate per coprire determinati rischi?
4. Modifica il livello delle scorte di sicurezza in determinati periodi. In bassa stagione, è probabile che i clienti accettino un livello di servizio inferiore a quello dell’alta stagione.

Migliora le previsioni e il rilevamento della domanda stagionale grazie all’Intelligenza Artificiale

Migliorare la previsione della domanda è fondamentale per mantenere un livello di scorte ottimale e, per questo, l’intelligenza artificiale può essere di grande aiuto. A questo proposito, i vantaggi dei metodi che coinvolgono l’IA sono sempre più precisi. I metodi tradizionali di previsione della domanda spesso considerano solo uno o pochi fattori, mentre i metodi che sfruttano l’intelligenza artificiale possono considerare una varietà molto più ampia di fattori che possono influenzare la domanda e sono quindi in grado di riconoscere meglio la stagionalità.

Per raggiungere questo obiettivo, esiste un’ampia varietà di modelli che possono essere applicati alla previsione della domanda. Alcuni dei più comuni sono:

• Reti neurali – modelli computazionali ispirati al funzionamento del cervello umano, utilizzati in un’ampia gamma di attività di apprendimento automatico;
• Modelli ad albero – modelli di Machine Learning che utilizzano strutture ad albero per prendere decisioni basate su caratteristiche o attributi dei dati;
• Modelli basati sulla regressione – Machine Learning per prevedere valori numerici o continui dai dati di input.

Previsione della domanda AI vs previsione tradizionale

Miglioramento dell’accuratezza delle previsioni

Come già accennato, l’utilizzo dell’IA consente di identificare una maggiore varietà di modelli/tendenze stagionali. Anche in questo caso, ciò è dovuto alla maggiore varietà di dati che può coinvolgere nel processo. Se il software di previsione della domanda normalmente considera variabili come la domanda storica, il meteo o gli eventi, l’IA potrebbe anche pesare – e interpretare – dati come i trending topic sui social network, i dati sulle visite web, le recensioni dei clienti su diverse piattaforme, i dati macroeconomici in tempo reale, ecc. Tutte queste informazioni aggregate possono contribuire a previsioni più accurate e all’individuazione di modelli stagionali più affidabili.

Identificazione di correlazioni e modelli complessi

D’altra parte, l’intelligenza artificiale è molto utile anche per prevedere le fluttuazioni della domanda in occasione di eventi speciali, festività o altre circostanze impreviste. Raccogliendo dati su eventi simili (come promozioni o festività precedenti), è possibile prevedere la domanda per i prossimi eventi sulla base di questi dati storici. In questo modo, è possibile fare previsioni sul volume della domanda, sulla base di promozioni comparabili e di periodi stagionali equivalenti

Maggiore adattabilità

I modelli di intelligenza artificiale sono in grado di adattarsi e di apprendere da nuovi dati, rendendoli adatti a gestire modelli di domanda mutevoli, cambiamenti stagionali e dinamiche di mercato.

Scalabilità migliorata

L’intelligenza artificiale è in grado di gestire in modo efficiente grandi quantità di dati. Ciò significa che è adatta alle aziende in crescita che necessitano di una tecnologia scalabile per far fronte alla crescente complessità delle loro operazioni.

Miglioramento continuo più efficiente

I modelli di intelligenza artificiale sono in grado di “auto-ottimizzarsi” e di migliorare nel corso del tempo, man mano che vengono esposti a un maggior numero di dati e di feedback, ottenendo previsioni sempre più accurate.

6 consigli per gestire la scorte stagionali

Destagionalizzare la domanda

Con gli articoli stagionali si può percepire un’elevata deviazione dalla domanda passata. Ciò comporta un elevato livello di scorte di sicurezza. Tuttavia, se sei in grado di tenere conto di queste deviazioni, potrai tenere meno alte le scorte di sicurezza. È importante correggere i dati storici delle vendite per adattarli ai modelli di domanda stagionale. In questo modo avrai un quadro realistico della tua domanda storica che ti permetterà di capire se puoi ridurre le scorte di sicurezza.

Distinguere tra i modelli stagionali di promozioni/eventi

Se negli ultimi 2 anni hai effettuato una promozione o un evento, questo potrebbe apparire nelle tue previsioni come curva stagionale. Per questo motivo è importante separare i modelli stagionali dall’influenza di promozioni ed eventi. Se non pulisci questi dati e alla fine decidi di non eseguire quella promozione o quell’evento, nel terzo anno, la tua previsione sarà sbagliata perché conterà quell’evento come se fosse un andamento stagionale.

Previsioni locali

Se vuoi prevedere la domanda di barbecue per una città specifica, ma vendi solo 5 unità in quella città, la tua popolazione statistica è troppo piccola per fare una previsione affidabile. In questo caso, è meglio raccogliere dati da un’area più ampia, che ti darà più informazioni su cui basare le tue decisioni.

SKU vs. aggregazione

Ogni volta che si introduce un nuovo articolo nell’assortimento, non si hanno informazioni sufficienti per fare una previsione affidabile. In questo caso, si può utilizzare l’andamento stagionale di un articolo simile o di un gruppo di articoli aggregati. È importante calcolare le previsioni stagionali per diversi livelli gerarchici. Se utilizziamo i prodotti per il condizionamento dell’aria come esempio, dovremmo dividerli in prodotti per il riscaldamento e per il raffreddamento. Non possiamo raggrupparli insieme quando si tratta di previsioni della domanda, poiché le loro stagioni alte e basse sono invertite.

Previsione della domanda di picco

Sebbene esistano chiari schemi stagionali, in alcuni casi possono esserci variazioni da un anno all’altro. Ad esempio, il Natale si celebra sempre nella stessa data del calendario, ma ci sono variazioni significative a seconda del particolare giorno della settimana in cui cade. Variazioni ancora più importanti si notano per la Pasqua, la cui data varia di anno in anno.

In entrambi i casi, vedremo che il picco della domanda può spostarsi di diverse settimane in anticipo o in ritardo da un anno all’altro. Ciò rappresenta una sfida significativa nella previsione della domanda stagionale, poiché a causa di questi spostamenti non si può fare affidamento su un’esatta ripetizione dei modelli di acquisto da un anno all’altro. Per questo motivo, è necessario prendere in considerazione diversi fattori per poter identificare con precisione il momento in cui si verificherà il picco della domanda.

Gestione dell’assortimento stagionale

Abbiamo parlato più volte dell’importanza di ottimizzare l’assortimento attraverso l’analisi ABC, che ci permette di ottenere il più alto margine di profitto possibile e, in definitiva, di raggiungere i nostri obiettivi commerciali. Questo significa anche che dobbiamo decidere se ci sono articoli che possiamo eliminare dal nostro portafoglio prodotti in un certo periodo dell’anno perché non sono sufficientemente richiesti.

Conclusioni: Sfrutta il potenziale dell’IA per individuare i modelli di domanda stagionale

Individuare i modelli di domanda stagionale non è una tecnica nuova. Tuttavia, se continui a usare Excel piuttosto che una tecnologia specializzata nella pianificazione della supply chain, sarai molto meno competitivo se non adotti strumenti che sfruttano l’intelligenza artificiale per prevedere la stagionalità.

Il vantaggio principale dell’IA applicata al rilevamento delle tendenze periodiche è che è in grado di prendere in considerazione molti più dati rispetto agli strumenti tradizionali e può quindi identificare modelli più complessi e meno ovvi. Inoltre, queste tecnologie sono altamente scalabili, quindi sono ideali se la tua azienda è in fase di rapida espansione, in quanto saranno in grado di tenere il passo con la tua crescita.

Con tutti questi elementi sul tavolo – maggiore accuratezza nella previsione della domanda, rilevamento di modelli più sottili, maggiore scalabilità – fanno sembrare abbastanza evidente che optare per uno strumento che incorpora l’Intelligenza Artificiale migliorerà molti dei tuoi processi quando si tratta di rilevare e prevedere la domanda stagionale.