Previsione della domanda: Una guida per trasformare la tua azienda

Come ottenere una buona previsione della domanda?

La verità è che le previsioni, per la loro stessa natura, sono delle semplici ipotesi. Naturalmente, più dati si hanno a disposizione, migliori sono le ipotesi.

Ma ci sono ancora molti fattori che possono cambiare il contesto.

Se non si portano in luce questi fattori, le tue previsioni saranno rapidamente vanificate sotto i tuoi occhi.

Come fanno le migliori aziende del settore a prevedere la domanda? Come fanno a valutare continuamente ciò che i loro clienti desiderano e ad allineare i loro sforzi a questo scopo?

Ecco alcuni suggerimenti:

1. La revisione continua sblocca il processo di demand forecasting

Le analisi di mercato possono migliorare moltissimo le previsioni statistiche basate sui dati storici delle vendite e renderle molto precise. Se vendi attrezzature per ufficio e hai avuto continui out-of-stock di supporti per computer portatili durante il periodo di lockdown, significa che accadrà ancora?

Oppure ora che le persone stanno tornando alla vita d’ufficio significa che le vendite rallenteranno?

I dati storici sulle vendite possono fornire una fotografia della situazione, ma il più delle volte non rappresentano un quadro completo. Le aziende di maggior successo basano le loro previsioni su informazioni provenienti da ricerche di mercato.

In questo modo, si instaura un processo di convalida che, se fatto bene, coinvolgerà diversi team e creerà un consenso sulle migliori pratiche.

2. Deve essere comprensibile e facilmente spiegabile

Una previsione della domanda non dovrebbe essere così complessa da non essere compresa da nessuno, ma al contrario dovrebbe essere facile da capire per tutti gli stakeholder dell’azienda.

Inoltre, deve essere facilmente spiegabile. Sia le sue informazioni di dettaglio che le azioni che ne derivano.

3. Deve essere registrabile e misurabile

Se non registri l’accuratezza (o meglio l’errore) della tua previsione della domanda, non saprai mai se hai sbagliato dello 0,5% o del 50%.

E questo è importante: lo 0,5% è un grande successo. Il 50% è un fallimento totale.

Sapere a quale si è andati più vicini sarà utile la prossima volta che si dovrà crearne uno e questo dovrebbe ripetersi presto!

Quanto più misuri le tue previsioni, meglio sarai in grado di modificarle.

Gli errori che non sai di commettere si ripetono continuamente.

4. Ogni demand forecasting deve avere un proprietario

Ogni previsione prodotta deve avere un proprietario. Qualcuno che sia responsabile del suo successo e della sua accuratezza. Senza un responsabile, è più probabile che la previsione possa precipitare piuttosto che creare un vantaggio competitivo.

Ricorda che le decisioni che prenderai sulla base di queste previsioni potrebbero fare la differenza tra il successo e il fallimento.

Se sei tu a prendere queste decisioni e ti dovrai assumere la responsabilità finale se si riveleranno sbagliate.

Come costruire la propria previsione della domanda

Ci sono molti modelli diversi che si possono prendere in considerazione quando si pensa di progettare la propria previsione della domanda. Naturalmente, ognuno di essi presenta pro e contro, mentre in alcuni casi la loro combinazione può dare i risultati migliori.

Nella prossima sezione esploreremo alcuni degli approcci più comuni al demand forecasting.

Quali sono i modelli di previsione della domanda da applicare?

1. Analisi delle serie temporali

Cosa possono prevedere le vendite degli ultimi 12 mesi per l’anno successivo? Questa è la premessa alla base dell’analisi delle serie temporali.

È uno dei metodi più comuni di previsione statistica della domanda, che cerca modelli nei dati che potrebbero essere replicati in futuro e permette di vedere cosa può aver influenzato questi profili e di rendere le previsioni più accurate.

Anche questa funzione di analisi prevede più di un tipo di modello. Ci sono medie mobili, smoothing esponenziale e modelli autoregressivi a media mobile (ARIMA= autoregressive integrated moving average).

Ogni modello utilizza un metodo diverso per analizzare i dati. È necessario prestare molta attenzione a quale sia il più adatto, per aumentare il suo potenziale successo.

2. Previsione della domanda basate sul buonsenso

Quante probabilità hanno le persone della tua azienda di fare ottime previsioni sulla domanda futura? La risposta dipende dal livello delle loro capacità e varia a seconda dell’azienda, del team o della persona.

Uno dei problemi più grandi per un’efficace previsione della domanda è che i dati non possono dire molto.

Se sei in una nuova azienda o stai lanciando un nuovo prodotto in un nuovo mercato, quasi certamente i dati su cui puoi contare sono insufficienti. Per questo vale la pena di prendere in considerazione le previsioni basate sul buonsenso.

Lo stesso si può dire per i mercati con alti livelli di instabilità, data la limitata capacità delle tecniche di Machine learning e della modellazione statistica in aree così sconosciute.

Se il tuo approccio alla previsione della domanda assicura la raccolta automatica di informazioni sul mercato, potrai essere più informato e quindi avrai maggiori possibilità di creare una previsione accurata.

Per avere le migliori possibilità di successo nella modellazione basata sul buonsenso, dovrai fare ricerche in un gran numero di aree. Probabilmente si tratta di ricerche di mercato, analisi della concorrenza, colloqui con i clienti, con il team di vendita e persino con esperti di mercato esterni.

Considerare questo approccio può aiutare ad analizzare fattori che non vengono rilevati da altri modelli.

Ma come per ogni altro modello, ci sono degli svantaggi da considerare.

Le persone che esprimono questi giudizi sono totalmente imparziali? Le loro decisioni si basano esclusivamente su dati o su pregiudizi derivanti dalle loro sensazioni su prodotti o mercati?

Allo stesso modo, è possibile ripetere questo processo? Spesso è molto difficile produrre gli stessi numeri con interlocutori diversi, rendendo le previsioni basate sul buonsenso difficili da replicare a lungo termine.

3. Analisi causale

L’analisi causale identifica le relazioni di causa-effetto che hanno un impatto sulla domanda. Si tratta di analizzare i dati per dimostrare come cambiamenti quali prezzi, promozioni o indicatori economici possano modificare la domanda.

L’analisi causale può essere utilizzata per fare previsioni sia a breve che a lungo termine e spesso prevede l’uso di esperimenti per testare le relazioni causali tra le variabili.

4. Analisi di regressione

L’analisi di regressione esplora il nesso tra la domanda e le diverse altre variabili. Sia che si tratti di prezzo, quota di mercato, condizioni ambientali o di mercato.

Questo tipo di analisi consente di valutare l’impatto che la modifica di una delle variabili potrebbe avere sulla domanda e quindi di ottimizzarle. Il che aiuterà la pianificazione della supply chain.

Qual è la differenza tra analisi causale e analisi di regressione?

Una differenza fondamentale tra l’analisi causale e l’analisi di regressione è che l’analisi causale tende a concentrarsi su variabili specifiche, mentre l’analisi di regressione adotta un approccio più completo e considera più variabili.

Un’altra differenza è che l’analisi causale spesso comporta la sperimentazione a vantaggio della verifica. L’analisi di regressione si basa tipicamente su dati storici e sulla modellazione statistica.

5. Machine Learning

Le capacità del Machine learning e dell’AI (Artificial Intelligence) sono davvero impressionanti. L’utilizzo di queste tecniche avanzate per analizzare i dati passati e prendere decisioni informate sulla domanda futura potranno farti risparmiare tempo e denaro.

L’invio di dati storici a una piattaforma di machine learning può far emergere modelli e rendere molto più semplice la stima della domanda futura soprattutto nei casi in cui i metodi più tradizionali potrebbero non essere all’altezza.

Se lavori in un settore in cui l’industria cambia bruscamente e senza preavviso, sostenere le tue previsioni con il Machine learning potrebbe essere incredibilmente utile. L’AI è definita così perché continua ad apprendere.

Quindi, in teoria, l’accuratezza delle previsioni con l’apprendimento automatico dovrebbe migliorare nel tempo.

Naturalmente ci sono delle insidie. Non avere abbastanza dati da analizzare può tradursi in una previsione limitata. Affidarsi troppo a dati incompleti o non accurati può portare al fallimento.

Come si può migliorare l’accuratezza delle previsioni della domanda?

La scelta dei metodi di previsione della domanda più adatti alle tue esigenze ti aiuterà a renderle più accurate e quindi a prendere decisioni aziendali solide e informate.

Anche in questo caso, però, ci sono dei passi da compiere per sbloccare le intuizioni più significative e portare maggiore chiarezza alla tua attività di business.

La prossima sezione si concentrerà su come migliorare ulteriormente il demand forecasting.

Aggregazione e disaggregazione

L’aumento dei dati e il loro utilizzo nelle aziende sono molto ampi. Ma come ogni Data scientist ti dirà, avere i dati e usarli sono due cose molto diverse.

Parliamo spesso dell’importanza di avere strategie di stoccaggio specifiche per ogni SKU. È comprensibile quindi che si possa pensare che lo stesso ragionamento possa aiutare anche le previsioni.

Solo che non è sempre così.

Il grafico seguente spiega perché l’aggregazione può aiutare nelle previsioni.

 

 

Il motivo per cui l’aggregazione può aiutare a migliorare il modello di previsione della domanda è la potenza di set di dati più ampi. La legge dei grandi numeri stabilisce che quanto più grande è il campione, tanto più è rappresentativo di una popolazione più ampia.

I dati di vendita di una città non si riferiranno mai a un’intera nazione. Ma se prendiamo gli stessi dati da 5 città all’interno della nazione, è molto più probabile che ci sia una correlazione.

Utilizzando un maggior numero di dati puntuali, si elimina il rumore delle anomalie. Ciò significa che troverai più modelli e una maggiore capacità di tenere conto delle variabili.

Allo stesso modo, immagina di dover prevedere la domanda di una SKU lanciata di recente. È improbabile che tu abbia un set di dati completo. Tuttavia, se aggreghi le previsioni a livello di categoria, è probabile che tu possa avere un’idea più precisa di come evolverà la domanda per la SKU in questione.

Ecco alcuni esempi comuni di come si possono aggregare i piani di domanda:

 

 

Un enorme vantaggio dell’uso dell’aggregazione è che i dati hanno meno probabilità di essere influenzati da singole irregolarità.

Tuttavia, se non si presta attenzione ai valori anomali che normalmente emergono, si rischia di perdere dati importanti che potrebbero avere un impatto sulla propria attività.

Se decidi di utilizzare l’aggregazione caso per caso non sbaglierai di molto.

Come può aiutarti la disaggregazione?

Certo, aggregare i dati può essere molto utile. Tuttavia, è necessario disporre di informazioni a livello granulare per comprendere i modelli di domanda di ogni singolo prodotto.

In genere il livello più basso di granularità nella previsione della domanda si riferisce alla disaggregazione della previsione della domanda per combinazione di SKU o addirittura per cliente.

Il primo può aiutarti a ottimizzare l’allocazione e il rifornimento per garantire il soddisfacimento della domanda prevista con un livello minimo di scorte.

Il secondo può aiutarti a identificare i clienti più redditizi, quelli che hanno un potenziale di crescita e quelli che rappresentano solo una piccola parte della domanda prevista.

E perché dovrebbe interessarti? Questa preziosa informazione ti aiuterà a garantire di investire tempo, denaro ed energia nelle aree della tua azienda o dei tuoi clienti che aggiungono il massimo valore.

In che modo gli intervalli temporali possono creare demand forecasting più affidabili e solide?

Un altro metodo per aggregare le previsioni della domanda è quello per tempo.

Le previsioni mensili tendono ad essere più affidabili di quelle giornaliere o settimanali. Il motivo è che tendono a essere molto meno volatili. Ci possono essere differenze da una settimana all’altra o addirittura da un giorno all’altro per quanto riguarda il numero di prodotti venduti, ma nel corso di un mese queste differenze vengono appianate.

Ecco alcuni motivi per i quali la previsione della domanda in pacchetti mensili è più affidabile:

1. L’intervallo temporale più grande della previsione mensile assorbe meglio la volatilità dei clienti.

Se qualcuno normalmente ordina da te nella prima settimana del mese, ma poi ordina nella seconda settimana, questo sconvolgerebbe enormemente i tuoi dati se modellati in base alla settimana.

Su base mensile, la devianza verrebbe assorbita e i dati sarebbero altrettanto utili.

2. La previsione mensile può essere più efficiente

La creazione di previsioni settimanali può richiedere molto più tempo e risorse rispetto alla creazione di previsioni mensili.

Con le previsioni mensili, potrebbe essere necessario raccogliere e analizzare i dati una volta al mese, mentre con le previsioni settimanali potrebbe essere necessario ripetere il processo quattro o cinque volte al mese, a seconda del numero di settimane del mese.

3. I timeframe mensili gestiscono meglio la stagionalità.

Ogni azienda ha delle settimane lente. Immagina di trovarti in un mercato che rallenta per il Natale, il Capodanno cinese o magari anche durante la stagione estiva.

Nei modelli di previsione settimanali, queste settimane tranquille possono produrre lacune che influenzano maggiormente il demand forecasting. Di conseguenza, si finisce per avere una previsione molto più nervosa ed inoltre è molto più difficile pianificare.

È possibile utilizzare gli intervalli settimanali per la previsione della domanda?

Sì, è possibile ma bisogna sapere quando e come usarli in modo efficace.

Le previsioni settimanali richiedono uno sforzo maggiore rispetto a quelle mensili, ma quando emergono modelli che impongono un’attività di vendita irregolare, ma ripetitiva, a seconda della settimana del mese, vale la pena di pensarci.

Ecco un bell’esempio:

Come si può vedere in questa immagine, il 60% delle vendite avviene nella prima settimana del mese.

Utilizzando dati che mostrano risultati come questo in un modello di previsione settimanale, è probabile che tu sia più reattivo e possa adottare misure più proattive per allineare meglio la domanda e l’offerta. Ciò significa che puoi ottimizzare i livelli di inventario, migliorare la gestione dei ricavi e quindi i profitti.

Un uso altrettanto importante dei modelli di previsione settimanali può essere quello di avere un cliente che utilizza anch’esso un modello settimanale. Aumentare il legame tra te e loro può essere ottimale per aumentare l’accuratezza e allineare gli sforzi di entrambe le aziende.

In che modo Slim4 può aiutarti a prevedere la domanda con sicurezza?

Questo articolo contiene molte informazioni che speriamo possano aiutarti nella previsione della domanda. Ma ci sono molte cose da considerare ed è qui che Slimstock e Slim4 possono essere di grande aiuto.

Trovi limitanti i fogli di calcolo ?

Stai cercando di anticipare la domanda di centinaia o migliaia di SKU?

Stai cercando di pianificare più flussi di domanda e hai solo un piccolo team a disposizione?

Il motore Slim4 può aiutarti. Richiesta di una demo di Slim4