Previsioni della domanda che sopravvivono al contatto con la realtà

La maggior parte delle previsioni sulla domanda falliscono non perché i calcoli siano sbagliati, ma perché incontrano il mondo reale e si interrompono. Una previsione della domanda sopravvive al contatto con la realtà quando viene costruita a ritroso a partire dalla decisione che informa, convalidata rispetto alla storia già disponibile, monitorata una volta che è attiva e riqualificata man mano che le condizioni cambiano. L'obiettivo non è un singolo numero intelligente. È una previsione di cui qualcuno si fida abbastanza da poter agire, che rimane più o meno corretta anche quando il business cambia e che si indebolisce quando inizia ad andare alla deriva. Considera una previsione come una parte integrante del modo in cui l'azienda prende le decisioni relative agli ordini, al personale e alle scorte, non come un rapporto una tantum. Ottieni il ciclo giusto (prevedi, confronta con ciò che è accaduto, impara, adatta) e la precisione si manterrà nel tempo.

Perché le previsioni della domanda falliscono nella pratica?

Le previsioni raramente falliscono nel foglio di calcolo. Falliscono nel magazzino, in cucina o nella catena di fornitura, dove i presupposti smettono silenziosamente di reggere.

I fallimenti comuni sono familiari. Un modello viene messo a punto in un periodo di calma, quindi una variazione di prezzo, una promozione o un concorrente spostano il terreno sotto di esso. I dati storici riportano vecchi stockout, quindi il modello apprende la domanda che potresti soddisfare, non la domanda che esisteva. Un singolo dato sull’accuratezza del titolo nasconde il fatto che il modello va bene per i prodotti stabili e inutile per quelli nuovi o stagionali che contano davvero. E, cosa più dannosa di tutte, le previsioni finiscono in una casella di posta che nessuno apre, quindi non cambia nulla.

Lo schema sottostante a tutti questi è lo stesso. La previsione è stata trattata come un risultato finale piuttosto che come una parte operativa di una decisione. Questa è la stessa trappola che cattura i progetti di analisi in generale, motivo per cui è utile pensare all'analisi predittiva: trasformare i dati in decisioni prima di ricorrere a un modello.

Come si costruisce una previsione della domanda che resista?

Costruiscilo come un loop, non come un lancio. I passaggi seguenti sono ordinati deliberatamente e l'ordine è il punto.

1. Inizia dalla decisione. Indica la scelta che la previsione migliorerà (quanto ordinare, quante persone inserire nell'elenco, quando riordinare) e chi la fa. Se non puoi dare un nome alla decisione, non sei pronto per modellare.
2. Convalida rispetto alla storia reale. Trattenete le settimane o i mesi più recenti, prevedeteli come se fossero sconosciuti e confrontateli con ciò che è realmente accaduto. Questo backtesting è il test onesto, molto più di qualsiasi adattamento interno al campione.
3. Tenere conto delle distorsioni note. Correggere gli stockout passati, eliminare gli eventi una tantum e separare la domanda di base dall'aumento delle promozioni. Altrimenti il ​​modello impara la lezione sbagliata.
4. Scegliere la misura dell'errore adatta alla decisione. L'errore medio su tutti i prodotti è confortante e fuorviante. Misura dove risiede il costo: i prodotti a rotazione lenta, i beni deperibili, gli articoli per cui sbagliare è costoso.
5. Collegalo al flusso di lavoro. Una previsione che richiede che qualcuno acceda a uno strumento separato verrà ignorata. Inseriscilo nel sistema in cui è già stata presa la decisione sull'ordine o sul roster.
6. Monitora e riqualifica. Tieni traccia della precisione man mano che arrivano nuovi dati e imposta un trigger per quando peggiorano. I modelli della domanda cambiano e una previsione buona a gennaio è un’ipotesi per giugno.

Come fai a sapere se una previsione è effettivamente buona?

Non per la sua accuratezza sui dati su cui è stato addestrato. Un modello può adattarsi quasi perfettamente alla storia ed essere comunque inutile la prossima settimana.

Il test che conta è fuori campione. Prendi un periodo che il modello non ha mai visto, prevedilo e misura il divario. Eseguilo sui segmenti che ti interessano, non solo sull'aggregato, perché un'elevata precisione complessiva può nascondere un fallimento completo sui prodotti che determinano i costi. Confronta il risultato anche con un riferimento semplice, ad esempio "lo stesso dell'anno scorso" o "la media delle ultime settimane". Se il tuo modello non può batterlo, la complessità non guadagna terreno. Una buona previsione è quella che batte l’opzione ingenua, tiene fede agli elementi che contano ed è onesta riguardo alla propria incertezza piuttosto che emettere un unico numero sicuro.

Con quale frequenza è opportuno riqualificare una previsione della domanda?

Abbastanza spesso da non allontanarsi mai dalla realtà, il che dipende dalla velocità con cui si muove la domanda. Il monitoraggio decide la cadenza, non il calendario. La tabella seguente è un punto di partenza, non una regola.

Situazione	Cadenza consigliata	Cosa innesca una riqualificazione precedente
Prodotti stabili e lenti	Revisione mensile, riqualificazione trimestrale	Un calo prolungato della precisione o un cambiamento noto del mercato
Linee stagionali o promozionali	Rassegna settimanale	Inizio stagione, promozione prevista, variazione prezzo
Domanda in rapida evoluzione o volatile	Monitoraggio continuo, riqualificazione frequente	La precisione supera una soglia prestabilita
Nuovo prodotto, poca storia	Guarda da vicino dal lancio	Prime settimane di dati sulle vendite reali in arrivo

Il principio alla base del tavolo: monitorare continuamente, riqualificarsi su un segnale. Una riqualificazione programmata su un prodotto silenzioso spreca sforzi. Una mancata riqualificazione su un piano volatile costa tranquillamente denaro. Lascia che il monitoraggio ti dica in quale situazione ti trovi.

Come si presenta tutto questo nel business?

Sembra insignificante, questo è il punto. L'acquirente apre il sistema che già utilizza e la quantità dell'ordine suggerita è lì, con un'idea di quanto sia sicura la previsione e un flag sugli articoli che meritano una seconda occhiata. Quando una previsione inizia a peggiorare, qualcuno viene informato prima dell'esaurimento delle scorte, non dopo. Il modello viene confrontato con quanto effettivamente venduto, impara dal divario e si adatta. Niente di tutto ciò dipende dal fatto che una persona si ricordi di aprire un rapporto.

L'ultimo miglio, da un numero a una decisione che qualcuno prende senza attriti, è solitamente il luogo del vero lavoro ed è il fulcro di ciò che facciamo nell'ambito dell'analisi predittiva.

Il pratico asporto

Se stai valutando uno sforzo di previsione, fai una domanda. Quando la domanda cambierà nel prossimo trimestre, cosa succede a questa previsione? Se la risposta è "qualcuno lo ricostruisce", hai una segnalazione. Se la risposta è "si accorge, si segnala e la decisione si adatta", hai un sistema. Costruisci il secondo tipo. Convalidalo rispetto alla storia reale, misuralo dove risiede il costo, collegalo alla decisione e lascia che continui ad apprendere. Una previsione che sopravvive al contatto con la realtà non è quella più precisa del primo giorno. È quello ancora fidato al trecento giorno.