![Analisi della pianificazione della domanda | Verso la scienza dei dati
| Intelligenza-Artificiale Analisi della pianificazione della domanda | Verso la scienza dei dati
| Intelligenza-Artificiale](https://intelligenza-artificiale.eu/wp-content/uploads/2023/09/Analisi-della-pianificazione-della-domanda-Verso-la-scienza-dei.jpeg)
In questa sezione discuteremo dell’analisi descrittiva che utilizza previsioni e vendite storiche (effettive) nei calcoli. Notiamo che tutte le previsioni e i dati effettivi si riferiscono ai volumi venduti alla granularità scelta. Le granularità scelte (in termini di gerarchie di prodotti e clienti, periodi di tempo storici, tipi di previsioni ecc.) nelle visualizzazioni seguenti sono semplicemente esempi e possono essere aggiornate per corrispondere a una configurazione aziendale. Le caselle blu nella parte superiore di ciascuna visualizzazione sono menu a discesa in cui l’utente può selezionare più elementi (ad eccezione di Visualizza entitàdove possiamo selezionare una sola entità). Visualizza entità è il livello al quale viene visualizzata l’analisi. Il periodo di tempo indica il periodo passato più recente (in mesi negli esempi mostrati in questa sezione) durante il quale viene eseguita l’analisi.
IO. Scala e variabilità della domanda
Nella Figura 2 vengono visualizzate le vendite effettive a livello di SKU negli ultimi 12 mesi. Questo viene visualizzato sotto forma di boxplot che evidenzia la mediana, il 25° percentile, il 75° percentile, il minimo e il massimo delle vendite nel periodo di tempo storico.
Approfondimenti: I boxplot mostrati nella Figura 2 forniscono un’idea dell’entità della domanda (indicata dalla mediana) in un periodo di tempo storico e della variabilità della domanda espressa utilizzando l’intervallo interquartile (IQR). Possiamo scegliere di ordinare in base alla mediana o all’IQR per identificare rispettivamente gli elementi di volume maggiore o di variabilità maggiore.
Azioni): in genere, concentriamo i nostri sforzi di previsione su elementi a volume elevato e ad alta variabilità, utilizzando una previsione statistica per elementi a volume basso o a bassa variabilità.
II. Vendite storiche Pareto
Nella Figura 3 vengono tracciati i guadagni effettivi ottenuti da ciascun cliente negli ultimi 6 mesi.
Approfondimenti: il grafico nella Figura 3 mostra i clienti elencati fianco a fianco in ordine decrescente in base al volume raccolto in 6 mesi. Questa visualizzazione ci consente inoltre di calcolare le vendite cumulative nell’ultimo periodo per un insieme di clienti.
Azioni): spesso, una piccola percentuale di clienti è responsabile della maggior parte della domanda (regola 80-20). Sarebbe prudente concentrarsi sulla previsione di questi elementi per un maggiore ritorno sull’investimento in termini di tempo.
III. Performance costantemente scadenti
Nella Figura 4A e nella Figura 4B, esaminiamo rispettivamente la deviazione grezza e assoluta della previsione rispetto ai valori effettivi, a livello di SKU sommati negli ultimi 6 mesi.
Approfondimenti: Le deviazioni positive nella Figura 4A mostrano le aree in cui le previsioni sono costantemente sovrastimate, mentre le deviazioni negative evidenziano gli elementi in cui le previsioni sono costantemente sottostimate. Il secondo grafico (Figura 4B) mostra dove otteniamo errori nella tempistica della previsione per l’elemento (previsione intermittente di sovra e sotto).
Azioni): Idealmente, abbasseremmo la previsione per gli elementi con una tendenza positiva costante e aumenteremmo la previsione per quelli che sono stati costantemente sottostimati, a meno che le condizioni commerciali non siano cambiate. Per quelli in cui non siamo in grado di catturare i tempi giusti, potremmo voler collaborare con i clienti per comprendere le cause profonde e catturare meglio i tempi.
IV. Segmenta gli elementi in base all’accuratezza della previsione
Nella Figura 5, mostriamo la deviazione tra l’errore di previsione delle vendite e l’errore di previsione statistica nella combinazione SKU-cliente aggregata negli ultimi 6 mesi.
Approfondimenti: la distorsione positiva nella Figura 5 mostra dove la previsione di vendita presentava un errore cumulativo maggiore su 6 mesi rispetto alla corrispondente previsione statistica. Le deviazioni negative mostrano dove le rettifiche delle vendite rendono la previsione migliore rispetto alla previsione statistica (ovvero l’errore cumulativo della previsione delle vendite è inferiore all’errore cumulativo della previsione statistica nel periodo di tempo selezionato).
Azioni): Per migliorare i parametri, utilizzeremmo la previsione statistica per gli articoli con deviazioni positive e le previsioni di vendita per le entità con deviazioni negative. Ciò presuppone ancora una volta che le condizioni commerciali rimangano stabili.
V. Valori anomali basati sulle vendite recenti
Nella Figura 6, esaminiamo la deviazione delle previsioni di vendita per il mese successivo dalla media degli ultimi 3 mesi.
Approfondimenti: Gli errori positivi nella Figura 6 mostrano dove stiamo sovrastimando rispetto alle vendite recenti, mentre le deviazioni negative mostrano dove prevediamo che le vendite saranno molto inferiori rispetto alla storia recente.
Azioni): Vorremmo esaminare attentamente i valori anomali e verificare se la previsione non è in linea o se si è verificata un’anomalia nelle vendite recenti e, se necessario, modificare la previsione.
VI. Valori anomali basati su crescita e stagionalità
Per questi elementi visivi, in genere scegliamo una famiglia di prodotti o un livello superiore poiché un attributo di livello inferiore (ad esempio, SKU) può causare rumore nei tassi di crescita. Per lo stesso motivo, tendiamo a considerare i valori anomali su base trimestrale anziché mensile. Nella Figura 7A, esaminiamo le famiglie di prodotti con deviazione delle previsioni di vendita rispetto alle vendite previste del secondo trimestre. Le vendite previste nel secondo trimestre sono semplicemente il prodotto delle ultime vendite disponibili del secondo trimestre e del tasso di crescita medio delle vendite del secondo trimestre su più anni. Nella Figura 7B, analizziamo in dettaglio i tassi di crescita (%) per più trimestri osservando l’andamento anno su anno degli ultimi 3 anni.
Approfondimenti: Gli errori positivi nella Figura 7A mostrano dove stiamo sovrastimando le vendite previste tenendo conto della crescita media su base annua e della stagionalità, mentre le deviazioni negative mostrano dove prevediamo che le vendite saranno inferiori alla crescita su base annua prevista corretta per la stagionalità. Analizzando in modo approfondito una famiglia di prodotti (ad esempio, PF21) nella Figura 7B, scopriamo che il tasso di crescita stimato per il secondo trimestre per il prossimo anno è molto inferiore al tasso di crescita medio del secondo trimestre degli ultimi 3 anni e merita un ulteriore esame.
Azioni): è necessario rivedere gli scostamenti maggiori (positivi e negativi) per comprendere il motivo per cui le previsioni non sono in linea con la crescita e la stagionalità previste e adeguarle di conseguenza.
VII. Valori anomali prezzo-volume
Nella Figura 8, tracciamo il prezzo normalizzato rispetto al volume per la famiglia di prodotti PF23. Sebbene il prezzo sia normalizzato utilizzando il prezzo del feed pertinente “Feed3”, il volume non è normalizzato poiché potremmo non disporre di dati sulla domanda complessiva del settore per questa famiglia di prodotti o per una comparabile. Per i periodi storici, i prezzi e i volumi storici vengono utilizzati per generare il grafico a dispersione, mentre i prezzi e i volumi previsti vengono utilizzati per generare la previsione normalizzata di prezzi e volumi lungimirante.
Approfondimenti: Il grafico a dispersione mostra come il prezzo (normalizzato) e il volume (normalizzato) sono correlati a diverse granularità. Anche se questo approssima il modo in cui il volume si muove con le variazioni di prezzo (si noti che le stesse entità di normalizzazione sono approssimazioni), il grafico può aiutare a identificare i valori anomali della previsione (ad esempio, un volume previsto (normalizzato) troppo alto per un dato prezzo previsto (normalizzato), quando si confronta con andamento storico (normalizzato) del prezzo rispetto al volume).
Azioni): Esploriamo i valori anomali delle previsioni su prezzo rispetto al volume grafico per l’orizzonte di previsione e rivedere il contesto aziendale storico e le attuali condizioni di domanda e offerta del mercato per valutare se i valori anomali sono giustificati. In caso contrario, i volumi o i prezzi vengono adeguati per allineare le previsioni alle tendenze storiche.
VIII. Entità con degrado o miglioramento previsti coerenti nel tempo
Nella Figura 9A, analizziamo le prestazioni del Previsione Lag2Final (previsione finalizzata 2 mesi prima del mese con i dati effettivi analizzati) a livello di SKU negli ultimi 6 mesi. Andando oltre, esaminiamo anche gli articoli della famiglia di prodotti che hanno il numero più piccolo Previsione Lag2Final errore assoluto su 6 mesi come mostrato nella Figura 9B. Per comprendere le tendenze per ciascuno di questi elementi, tracciamo i diversi ritardi previsti rispetto ai valori effettivi nella Figura 9C.
Approfondimenti: Dalla Figura 9A, possiamo identificare le entità che sono costantemente sovra o sottostimate a seconda che gli errori siano rispettivamente positivi o negativi. La Figura 9B mostra gli elementi che hanno la massima precisione per un selezionato Ritardo previsione in un periodo di tempo. Sbucciamo la cipolla (come mostrato nella Figura 9C) per analizzare ogni elemento della tabella nella Figura 9B per vedere come si è comportato rispetto ad altri Ritardo previsioni nell’ultimo periodo.
Azione(i): Vorremmo ridurre l’errore per tutti Ritardo previsioni e di conseguenza si concentrerebbe sui risultati scadenti in tutte queste previsioni. Un altro elemento attuabile è imparare dalle prestazioni costantemente migliori Ritardo effettuare previsioni con qualsiasi granularità di interesse e utilizzarle per riferimento futuro. Ad esempio, se peggioriamo la previsione andando da Lag3Finale A Lag2Finale A Lag1Finale per qualsiasi articolo, potremmo prima voler comprendere la causa principale: se si ritiene che si tratti di aggiornamenti di previsione scadenti non correlati ad alcuna anomalia aziendale, potremmo semplicemente interrompere l’aggiornamento della previsione dopo Lag3Finale per il particolare articolo in questione.
Fonte: towardsdatascience.com