organizzazione della produzione e dei sistemi logistici gestione della domanda... · organizzazione...
TRANSCRIPT
1
Organizzazione della Produzione e dei Organizzazione della Produzione e dei Sistemi LogisticiSistemi LogisticiSistemi LogisticiSistemi Logistici
La previsione e gestione della domandaLa previsione e gestione della domanda
La gestione della domandaLa gestione della domanda
“Making supply meet demand in an uncertain world”(Fisher et al. 1994)
Incertezza percepitaPrevisione Sistema
ProduttivoAmbiente
Turbolenza Effetti dell’incertezza
Ridefinire il problema- Riduzione del TLT - Utilizzo di comunanze
-- 22 --
Produttivo
Endogenizzare- Azioni di marketing
- Partnership
Ridurre gli effetti dell’incertezza- Slack- Flessibilità
Prevedere- Migliori informazioni
- Migliori tecniche
(errore di previsione)
2
Importanza delle previsioniImportanza delle previsioni
Impatto critico nelle attività di pianificazionepianificazione/dimensionamento capacitàinventory management
l supply managementGestione dei prodotti
phase-in, phase-outnuovi prodottiadvertising/promozioni
Azioni non possono essere prese senza alcuna previsione
Le 3 leggi di Melnyk sulle previsioni
I am interested in the future because I will spend the rest of my life there…
C.F.Kettering, Seeds for Thought
-- 33 --
gg y pTutte le previsioni sono sbagliateTutte le previsioni cambianoSiete responsabili per l’accuratezza delle previsioni
Attenzione agli effetti delle Attenzione agli effetti delle proprie decisioniproprie decisioni
L’eclisse solare del 1999
Alle 9.35 di mercoledì 11 Agosto 1999 vi fu una eclissi solare totale. Questa fu la prima visibile in UK dal 1927 e la successiva si stima sarà nel 2091. La ‘linea d’ombra’ passava per il sud ovest del paesed ombra passava per il sud-ovest del paese.Il turismo è molto importante in tale area, perciò si presero accurate misure per pianificare l’elevato numero di visitatori, a partire da una previsione del loro numero.Previsione iniziale (no precedenti): 3 milioni di personeTale previsione ebbe notevoli effetti:
Commentatori non informati cominciarono a parlare di possibili disserviziVennero cancellati numerosi festival locali per non attrarre ulteriori personeFu proibito l’accesso ad aree aperte per evitare camping illegaleAlcuni piccoli cottage vennero messi in affitto a 25.000 £ a settimanaAccesso alle scogliere venne bloccato
44
L’eclissi doveva durare 2’ 6’’!!Molte persone decisero di non andareNuova previsione a Febbraio: 1 milione di personeA Maggio: numero di prenotazioni in alberghi inferiore agli anni precedenti
La “sindrome” del budget di vendita
3
Le 6 domande chiaveLe 6 domande chiave
Quanto costa?
Quando?
Chi?
Come?
55
Cosa?
Perché?
Gli obiettiviGli obiettivi
Stimare la probabilità di occorrenza di eventi futuri (ad es. domanda superiore ad un certo valore l’assegnazione di una commessa)valore, l assegnazione di una commessa)Determinare la collocazione temporale di eventi futuri (ad es. la ricezione di un ordine)Predire la magnitudine di variabili casuali che si osserveranno nel futuro (ad es. l’impatto di una azione promozionale)Id ifi l l i à di i di d i
-- 66 --
Identificare le regolarità di serie di dati osservate nel passato (ad es. stagionalità, trend)
Il problema del punto di disaccoppiamento
4
Il ruolo delle previsioniIl ruolo delle previsioni
MarketingProduzioneLogisticaLogisticaAmministrazione e ControlloApprovvigionamenti….
30%
40%
50%
60%
70%
80%
-- 77 --
(fonte questionario GMRG 250 imprese)
0%
10%
20%
Pre
para
zion
eB
udge
t
Pia
nific
azio
nepr
oduz
ione
Pia
nific
azio
neve
ndite
Pia
nific
azio
nesc
orte
Pia
nific
azio
neat
trezz
atur
e
Pia
nific
azio
neris
ore
uman
e
Pia
nific
azio
neac
quis
toim
pian
ti
Svi
lupp
onu
ovi p
rodo
tti
Sub
forn
itura
Un processo aziendale è un insieme organizzato di attività e di decisioni, finalizzato alla creazione di un output effettivamente domandato da
un cliente,
Processi aziendaliProcessi aziendali
e al quale questi attribuisce un “valore” ben definito
Elementi definitori1. Output
2. Fasi
3. Input
-- 88 --
Interdipendenze generiche
Interdipendenze sequenziali
Interdipendenze reciproche
4. Risorse
5. Interdipendenze
6. Metodi di gestione
5
Il Processo di previsioneIl Processo di previsione
Definizionedel problema
Raccoltainformativa
Analisipreliminare
Selezione esettaggio dei
modelli
Utilizzo evalutazione
Raccolta informativa
Definizione del problema
-- 99 --
Utilizzo e valutazione
Analisi preliminare
Selezione e settaggio dei
modelli
Il Processo di previsioneIl Processo di previsione
Definizione del problemaPasso molto difficileNecessario comprendere come la previsione sarà utilizzataN i l il i i i i di hi Necessario valutare il posizionamento organizzativo di chi opera le previsioniInterazione come tutti coloro legati alla raccolta dati, alla manutenzione database e all’uso delle previsioni.
Fondamentale comprendere:ProdottoT i di
-- 1010 --
Tempi di processoObiettiviInformazioniStrumenti
Livello di aggregazione
6
Il livello di aggregazioneIl livello di aggregazione
Il livello di aggregazione dell’output è dato dalla natura del processo decisionale che necessita di previsioni
Mercato: cliente, punto vendita, regione, paese, area di , p , g , p ,businessProdotto: SKU, famiglia, fatturatoTempo: giorni, settimane, mesi, anni
Spesso si assume che i dati devono essere sempre allo stesso livello di aggregazione del processo decisionaleSpesso si dice che è sempre meglio usare dati aggregati perché è più facile NON E’ VERO
NON E’ VERO
-- 1111 --
è più facileSpesso si dice che è sempre meglio usare dati disaggregati perché è più preciso NON E’ VERO
NON E VERO
Il Processo di previsioneIl Processo di previsione
Raccolta informativaInformazioni
StatisticheCompetenzep
Fondamentale la dimensione della storiaPoco: non sufficienti informazioniTroppo: informazioni non utili e distorcenti
“Stanare” l’informazioneProblema organizzativoSistemi informativi
-- 1212 --
(Forecastingerror)
TurbulenceDemand generation
process
Informationretrieval
Forecasting algorithm
Retrievedinformation
Perceived Uncertainty
7
Consumo di Cemento in ItaliaConsumo di Cemento in Italia
4.500
5.000
1.500
2.000
2.500
3.000
3.500
4.000
1313
0
500
1.000
gen-9
0
mag-90
set-9
0ge
n-91
mag-91
set-9
1ge
n-92
mag-92
set-9
2ge
n-93
mag-93
set-9
3ge
n-94
mag-94
set-9
4ge
n-95
mag-95
set-9
5ge
n-96
mag-96
set-9
6ge
n-97
mag-97
set-9
7ge
n-98
mag-98
set-9
8ge
n-99
mag-99
set-9
9ge
n-00
mag-00
set-0
0ge
n-01
mag-01
set-0
1ge
n-02
mag-02
set-0
2
17/2/1992
Quale tipo di informazioniQuale tipo di informazioni
Trade-off costo e beneficioFuturo vs. passato
à àQuantità / Qualità / Efficacia
20%30%40%50%60%70%80%90%
-- 1414 --
0%10%20%
Info
rmaz
ioni
su c
lient
i
Con
dizi
oni
Eco
nom
iche
Attu
ali s
tock
-ou
t
Info
rmaz
ioni
su fo
rnito
ri
Ric
erch
e di
mer
cato
(fonte questionario GMRG 250 imprese)
8
Il Processo di previsioneIl Processo di previsione
Analisi preliminare (esplorativa)Analisi dei dati
G fi D itti Grafica, Descrittiva, ecc.
Identificazione qualitativa dei principali fattori di variabilità
Trend, Stagionalità, Ciclicità, Outliers, ecc.
Selezione e settaggio modelliFondamentali le metriche di valutazione e l’analisi della serie
-- 1515 --
della serie
Utilizzo e valutazione di un modelloFondamentale contributo dei managerMonitoraggio
Il contributo dei managerIl contributo dei manager
Prodotto %MAD %BIAS %MAD Sistema BIAS Sistema
Prodotto A 19.0% -1.2% 23.5% -3.2%
Prodotto B 11.3% 4.5% 13.9% 0.7%
Prodotto C 14.1% 6.8% 15.8% 7.4%
Prodotto D 24.3% 8.6% 20.5% -6.1%
Prodotto E 14.4% -2.5% 15.6% -0.4%
Prodotto F 29.9% 15.5% 23.9% -4.9%
Prodotto G 17.9% 7.5% 27.9% -3.1%
Prodotto H 15.4% 6.1% 16.3% 2.1%
Prodotto I 9.9% 6.4% 10.4% -0.1%
-- 1616 --
Prodotto J 16.0% 7.2% 26.1% -1.7%
Prodotto K 22.8% -5.8% 26.5% -6.9%
Media pes. 17.0% 3.9% 19.5% -0.8%
(risultati di un caso nel comparto alimentare)
9
Previsione diversa a seconda delle Previsione diversa a seconda delle situazionisituazioni
30000
40000
50000
60000
e id
roel
ettri
ca
Produzione idroeletticaItalia
0
10000
20000
3000018
83
1888
1893
1898
1903
1908
1913
1918
1923
1928
1933
1938
1943
1948
1953
1958
1963
1968
1973
1978
1983
1988
1993
1998
Anni
Prod
uzio
ne
350
400
450
Vendite biciclette600
700
800
Ordini di Ravioli
-- 1717 --
0
50
100
150
200
250
300
gen-93 giu-94 ott-95 mar-97 lug-98 dic-99 apr-01 set-02 gen-04
Mese
Uni
tà
0
100
200
300
400
500
S9802
S9805
S9808
S9811
S9814
S9817
S9820
S9823
S9826
S9829
S9832
S9835
S9838
S9841
S9844
S9847
S9850
S9853
S9903
S9906
S9909
S9912
S9915
S9918
S9921
S9924
S9927
settimane
cart
oni
Tipologie di tecnicheTipologie di tecniche
Quantitative: Dati quantitativi sono forniti a sufficienzaSerie storiche: prevedere la continuazione di un comportamento storicoExplanatory: comprendere come una variabile ne influenza un’altra
Q li i P h i f i i i i di ibili ’è Qualitative: Poche informazioni quantitative sono disponibili, ma c’è conoscenza qualitativa
Velocità telecomunicazioni nel 2000Opinioni del managementImprevedibile: Poca informazione è disponibile
Prevedere la scoperta di una nuova forma di energia
60%70%80%90%
-- 1818 --
0%10%20%30%40%50%60%
Qua
ntita
tivi
Qua
litat
ivi
Opi
nion
im
anag
emen
t
(fonte questionario GMRG 40 imprese)
10
Tecniche quantitativeTecniche quantitative
Utilizzabili quandoInformazione riguardo il passato è disponibileTale informazione è quantificabile nella forma di un dato numericoSi può assumere che alcuni elementi del passato continueranno nel futuro (assunzione di continuità)
Diverse tipologie di tecnicheProprietàAccuratezzaCosti
-- 1919 --
MetodiIntuitivi
MetodiFormali
SempliciPoco accuratiNo info su accuratezza
Approccio sistematicoMin. errori
Tecniche quantitativeTecniche quantitative
Classificabili anche in base al modello sottostante:Modelli esplicativiAssumono che la variabile da prevedere abbia un legame Assumono che la variabile da prevedere abbia un legame con delle variabili note.Ad es. PIL = f (politiche fiscali, politiche monetarie,
importazioni, esportazioni, consumi, errore)
Serie StoricheConsiderano il sistema come una black box. Idea è che il sistema è troppo complesso ed è difficile se non impossibile comprenderlo Oltretutto può non essere così importante
-- 2020 --
comprenderlo. Oltretutto può non essere così importante comprenderlo (Ad es. regolarità macchie solari)Ad es. PILt+1 = f (PILt, PILt-1, PILt-2, PILt-3, …, errore)
11
Tecniche qualitativeTecniche qualitative
Non dati quantitativi, ma risultato di conoscenza accumulata o giudizio
Solitamente utilizzate per previsioni di medio-lungo periodo (anni)
Applicazioni anche per previsioni di breve periodo (Delphi)
-- 2121 --
Come valutare quale metodo Come valutare quale metodo adottareadottare
Fattori CriticiTempo
Arco temporale (Uso previsione a breve, medio o lungo termine?)Urgenza (La previsione è necessaria averla subito?)Frequenza (Necessario frequente aggiornamento della previsione?)Frequenza (Necessario frequente aggiornamento della previsione?)
RisorseCapacità matematiche (Modeste abilità e supporti quantitativi?)Informatiche (Modeste abilità informatiche?)Finanziarie (Limitata disponibilità di risorse finanziarie
InputPrecedenti (Disponibili pochi dati dal passato?)Variabilità (Notevole fluttuazione in serie primaria?)Coerenza interna (Previsti mutamenti chiave nelle decisioni del mgt.?)Coerenza esterna (Previsti mutamenti chiave nel contesto economico?)Stabilità esterna (Previsti mutamenti nei rapporti esistenti tra le variabili?)
-- 2222 --
OutputGrado di dettaglio (Necessaria previsione su singoli aspetti?)Esattezza (Necessario alto livello di accuratezza?)Capacità di riflettere tendenze (Le svolte devono essere riflesse immediatamente?)Capacità di scoprire tendenze (Le svolte devono essere identificate subito?)Forma della previsione (Servono previsioni su intervalli e previsioni probabilistiche?)
12
Organizzazione della Produzione e dei Organizzazione della Produzione e dei Sistemi LogisticiSistemi LogisticiSistemi LogisticiSistemi Logistici
La misura degli erroriLa misura degli errori
Perchè misurare errori Perchè misurare errori previsionaliprevisionali
ControlloDefinire obiettivi
è dLa previsione è parte di un processo
Effetti manageriali
Perceived Service Level
-- 2424 --
UncertaintyForecast Production
SystemMarket
Turbulence
(forecastingerror) Inventory
13
Il grado di utilizzoIl grado di utilizzo
In generale vi è scarsa attenzione alla misura delle performance
90%
0%10%20%30%40%50%60%70%80%
Rac
colta
form
ativ
a
nera
zion
eev
isio
ne
lidaz
ione
evis
ione
Mis
ura
form
ance
-- 2525 --
Processo complesso, ma fondamentale
R inf
Gen pr
e
Va pre M
perf
(fonte questionario GMRG 40 imprese)
MisureMisure
Puntuali vs. medie 1 2 3 4 5 6
Previsione 100 120 110 80 90 110
Assolute vs. relative
Domanda 80 90 130 70 100 80
Errore puntuale +20 +30 -20 +10 -10 +30
Errore medio 10
Errore previsione Domanda %
-- 2626 --
Distorsione vs. accuratezza
Prodotto A 30 90 33%
Prodotto B 15 40 70%
14
Cosa misurareCosa misurare
Distorsione
Di quanto mediamente
Accuratezza
Di quanto si discosta la mia Di quanto mediamente sovrastimo o sottostimo la domanda?
previsione dalla domanda?
uant
ity
Demand Forecast
antit
y Demand Forecast
-- 2727 --
time
qu
time
qu
Distorsione e AccuratezzaDistorsione e Accuratezza
Distorsione OKAccuratezza OK
2828
15
Distorsione e AccuratezzaDistorsione e Accuratezza
Distorsione OKAccuratezza KO
In media le frecce
2929
colpiscono il centro
Distorsione e AccuratezzaDistorsione e Accuratezza
Distorsione KOAccuratezza KO
Previsioni
3030
inaccurate e distorte
16
Misure di distorsioneMisure di distorsione
BIASBIAS > 0: previsione sovrastima la
domanda ∑ −=
ntt DF
BIASBIAS < 0: previsione sottostima la domanda
BIAS = 0: OK (?)
Considera errori con segnoAffetto da fenomeni di compensazioneMisura assoluta
∑=
=1t n
BIAS
-- 3131 --
time
quan
tity Demand Forecast
Misure di distorsioneMisure di distorsione
MPE (%BIAS)Considera errori con segno ⎟⎟
⎠
⎞⎜⎜⎝
⎛ −n
tt
DDF
gAffetto da fenomeni di compensazioneMisura relativa
∑=
⎠⎝=1t
t
nD
MPE
y Demand Forecast
( )
t
n
1t
tt
DnDF
%BIAS∑=
−
=
-- 3232 --
time
quan
tity Demand Forecast t
17
Misure di accuratezzaMisure di accuratezza
MADConsidera l’errore senza segnogNon affetto da errori di compensazioneMisura assoluta
ty
Demand Forecast
∑=
−=
n
1t
tt
nDF
MAD
-- 3333 --
time
quan
tit
Misure di accuratezzaMisure di accuratezza
MSE“pesa” maggiormente gli errori più grandi (effetto ( )∑ −n
tt DFMSE2
p g (scala)Problemi di interpretazioneMisura assoluta
ty
Demand Forecast
( )∑=
=1t
tt
nMSE
-- 3434 --
time
quan
tit
18
Misure di accuratezzaMisure di accuratezza
RMSE“pesa” maggiormente gli errori più grandi (effetto ( )∑ −n
tt DFRMSE2
p g (scala)Riduce problemi di interpretazioneMisura assoluta
ntity
Demand Forecast
( )∑=
=1t
tt
nRMSE
-- 3535 --
time
quan
Misure di accuratezzaMisure di accuratezza
Misure percentualiMAPE
∑=
−
=n
1t
t
tt
nD
DF
MAPE
Versione percentuale del MAD
%MADVersione percentuale del MAD
MPSEVersione percentuale del MSE ∑
⎟⎠⎞⎜
⎝⎛ −
=n
t
ttD
DF
MPSE
2t
n
1t
tt
DnDF
%MAD⎟⎟⎠
⎞⎜⎜⎝
⎛ −
=∑=
-- 3636 --
MSERMPSE
Versione percentuale del RMSE
∑=
⎟⎠⎞⎜
⎝⎛ −
=n
1t
t
tt
nD
DF
RMPSE
2
∑=1t n
19
Altre misure di accuratezzaAltre misure di accuratezza
RAECompara la attuale tt DF
RAE−Compara la attuale
previsione con quella ottenuta tramite un modello naive
Modello Naive prevede la domanda per il prossimo periodo usando esattamente l’ultima
tt
ttt DFR
RAE−
=
y Demand Forecast
-- 3737 --
esattamente l ultima osservazione
time
quan
tity Demand Forecast
Altre misure di accuratezzaAltre misure di accuratezza
MRAEMisura relativa
∑n
Influenzato dal comportamento della domanda
7
8
9
10
y
∑=
=1t
tRAEMRAE
-- 3838 --
0
1
2
3
4
5
6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
time
quan
tity
Demand Naive Forecast
20
Altre misure di accuratezzaAltre misure di accuratezza
GMRAEInfluenzato dal 1/nn ⎤⎡comportamento della domandaFortemente influenzato da outliersDifficile interpretazione gestionale
1ttRAEGMRAE ⎥⎦
⎤⎢⎣
⎡= ∏
=
-- 3939 --
Altre misure di accuratezzaAltre misure di accuratezza
Theil’s U-statisticConfronta previsione con ∑
−++⎟⎟⎞
⎜⎜⎛ −
2111
ntt DFp
quella di metodo naïvePesa maggiormente errori maggioriE’ simile al MAPE ∑
∑−
=
+
=
++
⎟⎟⎠
⎞⎜⎜⎝
⎛ −
⎟⎟⎠
⎜⎜⎝=
1
1
2
1
1
11
n
t t
tt
t t
tt
DDD
DU
-- 4040 --
21
Principi per la misura delle previsioniPrincipi per la misura delle previsioni
Assicurarsi che le misure dell’errore non siano influenzate dalla dimensione
Le misure d’errore dovrebbero essere interpretabili
Ridurre l’effetto degli outliers
Non confrontare serie differenti mediante RMSE
-- 4141 --
Utilizzare differenti misure di errore
Linee guidaLinee guida
Spesso si misura l’errore solo in “una direzione” (ad es. il mancato raggiungimento di un budget non il suo superamento; il superamento della data di consegna non il costo per raggiungerla)Ad i lAdottare misure complete
Eventualmente utilizzare più misureCreare un sistema di KPI
Valutare l’impatto dell’errore in termini misurabili (ad es. il costo dell’errore)Definire delle soglie di controllo
22
Un esempio dal settore alimentareUn esempio dal settore alimentarest
ocko
ut
errore
Intervalli di previsioneIntervalli di previsione
Desiderabile fornire non solo previsioni ma anche stime dell’incertezzaSolitamente basate s RMSESolitamente basate su RMSE
z Probabilità
0.674 0.50
1.000 0.68
1.150 0.75
1.282 0.80
1.645 0.90
1.960 0.95
Fn+1 ± z RMSE
3000
3500
4000
4500
-- 4444 --
2.576 0.99
2000
2500
3000
0 10 20 30 40 50 60 70 80
23
Organizzazione della Produzione e dei Organizzazione della Produzione e dei Sistemi LogisticiSistemi LogisticiSistemi LogisticiSistemi Logistici
Good judgment comes from experience, and experience… well Good judgment comes from experience, and experience… well that comes from poor judgmentthat comes from poor judgment
B. Baruch
Tecniche qualitative di previsioneTecniche qualitative di previsione
Tecniche Esplorative Tecniche Normative
Intenzioni
Tecniche basate su giudiziTecniche basate su giudizi(Judgmental)(Judgmental)
Basate su giudizi
individuali
(Market research)Probabilità soggettiveAnalisi congiunta
Opinioni di esperti(Sales force composites)Delphi
Judgmental Bootstrapping
-- 4646 --
Basate sulle
interazioniRole PlayingJury of executiveTeoria dei giochi
Focus GroupBrainstorming
Delphi
24
Sono molto utili e forniscono buoni risultati quando:Siamo in situazioni dinamiche e/o si prevedono cambiamenti radicali
Tecniche basate su giudizi Tecniche basate su giudizi (Judgmental)(Judgmental)
Non esistono molti dati storiciSi devono formulare previsioni a medio-lungo termineEsiste la necessità/opportunità di incorporare l’esperienza
I risultati possono essere migliorati notevolmente integrandole con tecniche statistiche… non viceversa! (a parità di informazione)
-- 4747 --
Sono più costose delle tecniche quantitative perché coinvolgono più persone per più tempoCome nel caso delle tecniche quantitative è importante misurare e capire l’errore
Attori coinvoltiAttori coinvolti
Venditori: presenza di molte informazioni sul mercato, ma…
Influenza dello stato d’animo del momentoInfluenza dello stato d’animo del momentoTendenza alla sottostima della domanda (bonus sugli obiettivi)Tendenza alla sovrastima della domanda (per incentivare la forza vendita)Molto focalizzati sul presente e poco sulle condizioni future
-- 4848 --
futureMolto focalizzati sul prorpio mercato e poco sulle condizioni generali
25
Attori coinvoltiAttori coinvolti
Manager: visione più ampia dell’azienda e del mercato, ma…
Troppo ottimistiTroppo ottimistiConoscenza approssimativa dei segmenti di mercato
In generale, laddove esistono dati quantitativi le tecniche statistiche forniscono previsioni più accurate degli esperti
-- 4949 --
DISTORSIONE DEL GIUDIZIO (judgemental biases)
E’ importante riconoscere la distorsione per porvi rimedio (in modo analogo ai limiti della memoria)
Caso Elco White GoodsCaso Elco White Goods
Previsione statistica (tendenza lineare)
Vendite della Elco (migliaia)
30 35
52 5765
99
50
100
150
-- 5050 --
10 1220
30
01996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
26
Caso Elco White GoodsCaso Elco White Goods
Distorsione del giudizio: famiglia nuova e vecchia
Vendite della Elco (migliaia)
30 3552 57
50
100
150
Prodotto nuovo
Prodotto
-- 5151 --
201210
30
01996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Prodotto vecchio
Natura della distorsione del giudizioNatura della distorsione del giudizio
Tipo di distorsione Descrizione Possibili rimedi
I i
Applicazione di diversi criteri decisionali in
Formalizzare il processo decisionaleCreare regole decisionali da seguireInconsistenza criteri decisionali in
situazioni similiCreare regole decisionali da seguire
Conservazione
Inerzia a cambiare i propri modelli mentali in conseguenza di nuovi eventi o informazioni
Monitorare i cambiamenti nell’ambiente e prevedere delle procedure quando si manifestano
Influenze Attribuzione di maggior peso agli eventi recenti
Essere consapevoli che esistono dei cicli (alti e bassi)
-- 5252 --
Influenze recenti
peso agli eventi recenti rispetto a quelli passati
cicli (alti e bassi)Focalizzare tutti i fattori rilevanti che influenzano la variabile da prevedere
DisponibilitàInfluenza di eventi specifici richiamati dalla memoria a scapito di altri
Disporre di informazioni completePresentare le informazioni in modo da far emergere tutti gli aspetti rilevanti
27
Natura della distorsione del giudizioNatura della distorsione del giudizio
Tipo di distorsione Descrizione Possibili rimedi
Essere influenzati dalle informazioni iniziali
Fornire fin da subito informazioni oggettive
Ancoraggio informazioni iniziali oggettiveChiedere alle persone possibili variazioni e relative motivazioni
Correlazioni illusorie
Credere che esistano pattern precisi e/o correlazioni tra variabili
Verificare statisticamente l’esistenza di pattern ipotizzatiModellizzare le relazioni tra variabili
D id i
La previsione è influenzata da ciò che si
Coinvolgere nelle previsioni terze parti disinteressate
-- 5353 --
Desideri influenzata da ciò che si desidera
disinteressateUtilizzare previsioni indipendenti formulate da più persone
Percezione di successo e fallimento
Il successo è legato all’abilità ed il fallimento alla sfortuna o ad altri
Non punire gli erroriApprendere dagli errori e diffonderli nell’organizzazione
Natura della distorsione del giudizioNatura della distorsione del giudizio
Tipo di distorsione Descrizione Possibili rimedi
Sottovalutazione Le persone tendono a sottovalutare l’incertezza
Stimare oggettivamente l’incertezzaStimolare più persone a ipotizzare
dell’incertezzasottovalutare l incertezza dei fenomeni
Stimolare più persone a ipotizzare eventi/situazioni non prevedibili
Percezione selettiva
Osservare le situazioni con l’unica prospettiva del proprio back-ground
Coinvolgere persone con back-ground ed esperienza differenti
Ricerca unilaterale di
Enfasi ad eventi che confermano alcune previsioni e
Ricerca di evidenze che non supportano le previsioniAssumere il ruolo di “avvocato del
-- 5454 --
evidenza previsioni e sottovalutazione di altri
Assumere il ruolo di avvocato del diavolo”
28
Luoghi comuniLuoghi comuni
Più informazioni abbiamo maggiore è l’accuratezza della previsione
Molte informazioni spesso creano confusione e ridondanza e aumentano solamente la nostra confidenza nella previsione, non la reale accuratezza
Possiamo distinguere tra informazioni utili e irrilevanti
Le informazioni irrilevanti spesso possono causare distorsione nella previsione
Più siamo certi della previsione maggiore è l’accuratezza
Non esiste correlazione tra la nostra confidenza e l’accuratezza della previsione
Possiamo valutare la nostra Generalmente siamo troppo ottimisti e
-- 5555 --
capacità di fallire o di avere successo nelle previsioni
Generalmente siamo troppo ottimisti e sottovalutiamo problemi e difficoltà
L’esperienza migliora l’accuratezza delle previsioni
In situazioni stabili e ripetitive l’esperienza non aggiunge valore alle informazioni storiche oggettive
DelphiDelphi
Metodo sviluppato negli anni 50 dalla Rand Corporation per prevedere la strategia di armamento sovieticaBasato su valutazioni dei singoli e sulla successiva Basato su valutazioni dei singoli e sulla successiva interazione di gruppo al fine di:
Ridurre le influenze psicologicheTenere in considerazione le idee proposte da minoranze (evitare “band wagon”)
L’obiettivo è l’ottenimento di una previsione “stabile” del futuro tramite un processo di progressiva convergenzaAnonimato
-- 5656 --
IterazioneFeed-back ai partecipantiAggregazione statistica
29
Delphi convenzionaleDelphi convenzionale
Creazione di un Panel di esperti Centro Coordinatore
Modalità:• In loco• Per posta o fax
Questionario di esplorazione delle possibilità
Raccolta, analisi e definizione delle possibili alternative
Questionario strutturato
Esperti2/3 round
Per posta o fax• Tramite Internet
-- 5757 --
di richiesta previsioni
Raccolta, analisi e feed-back dei risultati
Sintesi finale dei risultati
Richiesta motivazioni valutazioni “strane”
• Distribuzione risposte• Media• Eventuali motivazioni di
altri panelist
Il Caso Prodotto FrescoIl Caso Prodotto Fresco
Impresa operante nel settore dei prodotti freschi. Stanno valutando il lancio di una nuova serie di yogurt proposta in 2 varianti di gusto differenti. Vengono prese in considerazione tutte le funzioni coinvolte dal prodotto a partire dallo sviluppo prodotti al marketing alla le funzioni coinvolte dal prodotto, a partire dallo sviluppo prodotti, al marketing, alla produzione, alla logistica e viene loro sottoposto un questionario relativo alla domanda attesa dei 2 prodotti nei primi mesi di vita.Per ogni esperto viene ottenuta una valutazione tabellare delle tonnellate che saranno domandate nei primi 4 mesi di vita
Prodotto A Prodotto B
-- 5858 --
Dic. Gen. Feb. Mar. Tot. Dic. Gen. Feb. Mar. Tot.Rossi 5 5.5 5.5 6 22 5.5 6 6 6 23.5
30
Il Caso Prodotto FrescoIl Caso Prodotto Fresco
A partire da queste informazioni vengono fornite ad ogni esperto informazioni sul posizionamento della propria valutazione rispetto al comportamento aggregato del panel di esperti, in forma tabellaredel panel di esperti, in forma tabellare
PRODOTTIPrevisioni di Rossi
Qui di seguito troverà le sue previsioni confrontate con la media delle previsioni dell’intero panel diesperti. La preghiamo di valutare eventuali divergenze e di provvedere a confermare o a correggere lesue previsioni, mediante la tabella allegata alla fine di questo documento.
Prodotto A Prodotto BDic. Gen. Feb. Mar. Tot. Dic. Gen. Feb. Mar. Tot.
-- 5959 --
Rossi 5 5.5 5.5 6 22 5.5 6 6 6 23.5Media 9.5 10.7 12.7 15.2 48.0 10.6 11.9 13.8 16.4 52.7Dev.std. 10.5 10.7 12.9 15.2 48.2 11.9 12.0 14.0 17.5 54.4
Il Caso Prodotto FrescoIl Caso Prodotto Fresco
E in forma graficaLa barra verticale indica la previsione media, mentre la freccia indica il posizionamento delle sueprevisioni sulla curva di distribuzione.
Gnocchi Ripieni Funghi Dicembre
0 3 6 9 12 15 18 21 24 27 30 33 36 39
tonnellate
prob
abili
tà
Gnocchi Ripieni Funghi Gennaio
0 3 6 9 12 15 18 21 24 27 30 33 36 39
tonnellate
prob
abili
tà
Mese 1 Mese 2
-- 6060 --
Gnocchi Ripieni Funghi Febbraio
0 3 6 9 12 15 18 21 24 27 30 33 36 39
tonnellate
prob
abili
tà
Gnocchi Ripieni Funghi Marzo
0 3 6 9 12 15 18 21 24 27 30 33 36 39
tonnellate
prob
abili
tà
Mese 3 Mese 4
31
Integrazione di tecnicheIntegrazione di tecnichejudgmental e statistichejudgmental e statistiche
Es. Budget meetingCoinvolgimento di più persone con obiettivi differentiP l di i i iù h di d iProcesso lungo di negoziazione più che di decsione
Eliminazione dell’ancoraggioDistribuzione di dati oggettivi statistici sul mercato, sul settore e sull’azienda
Valutazioni anonime di eventuali modifiche alle
-- 6161 --
stime statistiche e relative motivazioniAnalisi e discussione di gruppoValutazione ex-post dell’affidabilità statistica
Organizzazione della Produzione e dei Organizzazione della Produzione e dei Sistemi LogisticiSistemi LogisticiSistemi LogisticiSistemi Logistici
"An unsophisticated forecaster uses statistics as a "An unsophisticated forecaster uses statistics as a drunken man uses lampdrunken man uses lamp--posts posts -- for support rather for support rather
than for illumination. " than for illumination. " After Andrew Lang After Andrew Lang
Analisi della domandaAnalisi della domanda
32
ObiettiviObiettivi
Perché l’analisi della domanda?Prima di pensare alla previsione, è necessario capire come è fatta la domanda
Comprendere le caratteristiche della serie di datiTipologie di datiRappresentazioni graficheStatistiche descrittive
Permettere un uso efficace dei datiTrasformazioni
-- 6363 --
Individuare le componenti principali della domanda, in modo da isolare l’effetto dei fenomeni che contribuiscono a determinarla
Scomposizione della domanda
Tipologie di datiTipologie di dati
Domanda Vs. VenditeStock outBack log (riduzione livello di servizio)V di ( di i di ib i )Vendite perse (perdita margine di contribuzione)
ProdottoSingolo SKU, Famiglia di prodotti, Fatturato, …
Time bucketGiorno, settimana, mese, trimestre, anno, …
MercatoGeografico: Italia aree di vendita uffici vendita
-- 6464 --
Geografico: Italia, aree di vendita, uffici vendita, …Tipologie di clienti
33
Tipologie di datiTipologie di dati
Serie storicheSequenza di osservazioni nel tempoUtili t d t i h i i li h di Utilizzate da tecniche previsionali che cercano di prevedere la continuazione di un comportamento passato (ipotesi di continuità)
-- 6565 --
Rappresentazioni graficheRappresentazioni grafiche
Visualizzare i dati è la prima cosa da fareCaratteristiche di base dei datiI di id i di t ti i ti ( tt )Individuazione di comportamenti ricorrenti (pattern)Individuazione di comportamenti eccezionali
Rappresentazioni diverse per diverse tipologie di dati
Grafici temporali per serie storicheGrafici di dispersione (scatter plot) per dati cross-
-- 6666 --
sectional
34
Serie StoricheSerie Storiche
3 500
4.000
4.500
1 000
1.500
2.000
2.500
3.000
3.500
Domanda di cemento in Italia
-- 6767 --
0
500
1.000
gen-9
6ap
r-96
lug-96
ott-96
gen-9
7ap
r-97
lug-97
ott-97
gen-9
8ap
r-98
lug-98
ott-98
gen-9
9ap
r-99
lug-99
ott-99
gen-0
0ap
r-00
lug-00
ott-00
gen-0
1ap
r-01
lug-01
ott-01
gen-0
2ap
r-02
lug-02
ott-02
domanda aggiustataStagionalità annualeTrend
Serie StoricheSerie Storiche
Ravioli al brasato – effetti di politiche promozionali
800 2
300
400
500
600
700
cart
oni
1
-- 6868 --
0
100
200
S9802
S9805
S9808
S9811
S9814
S9817
S9820
S9823
S9826
S9829
S9832
S9835
S9838
S9841
S9844
S9847
S9850
S9853
S9903
S9906
S9909
S9912
S9915
S9918
S9921
S9924
S9927
settimane
-
35
Statistiche DescrittiveStatistiche Descrittive
Sintesi numeriche delle caratteristiche dei datiUnivariate: considerano un singolo set di dati (serie storica o cross sectional)storica o cross sectional)
Media, mediana, varianza, …
Bivariate: considerano la relazione fra due set di dati (serie storiche o cross sectional)
Covarianza, correlazione
Singola serie storica in due diversi istanti
-- 6969 --
Autocovarianza, autocorrelazione
Statistiche UnivariateStatistiche Univariate
Misure di posizione o tendenza centrale:Media:
Ordine di grandezza della domandaMediana: osservazione centrale
∑=
=n
iix
n 1
1μ
Mediana: osservazione centraleMeno soggetta a distorsione in presenza di outliers
Moda: osservazione più frequente (probabilità massima)Misure di dispersione:
Range:Ampiezza della banda di oscillazione
Varianza: Dispersione intorno alla media, unità di misura diversa
( )2
1
2
11 ∑
=
−−
=n
iix
nμσ
minmax xx −
-- 7070 --
p ,Deviazione Standard:
Dispersione intorno alla media, stessa unità di misuraCoefficiente di variazione:
Dispersione intorno alla media, indicatore relativo adimensionale
2σσ =
μσCV =
36
Statistiche UnivariateStatistiche Univariate
Altri indicatori della forma di una distribuzione:Coefficiente di asimmetria:
Se >0 coda a destra; se <0 coda a sinistra
( )( )( )21
3
1 −−⎟⎠⎞
⎜⎝⎛ −∑
= nnnxn
i
i
σμ
Se 0 coda a destra; se 0 coda a sinistra
Curtosi:Se >0 più appuntita di una normale; se<0 più piatta
Percentili e QuartiliIl Pesimo percentile è il valore per il quale P% osservazioni sono uguali o inferiori a quel valoreI quartili sono percentili “speciali”
Q è il 25° til
( ) ( )( )( )( )
( )( )( )32
13321
1 24
1 −−−
−−−−
+⎟⎠⎞
⎜⎝⎛ −∑
= nnn
nnnnnxn
i
i
σμ
-- 7171 --
Q1 è il 25° percentileQ2 è il 50° percentile (la mediana)Q3 è il 75° percentile
Range interquartileDifferenza fra il 3° e il 1° quartile
13 QQIQR −=
Tendenza centraleTendenza centrale
30
35
10
15
20
25
voti 2003
media 22,29
mediana 22
moda 18
-- 7272 --
0
5
10
18 19 20 21 22 23 24 25 26 27 28 29 30
37
Tendenza centraleTendenza centrale
3500
4000
domanda
1000
1500
2000
2500
3000 medianamedia
-- 7373 --
0
500
S9802
S9806
S9810
S9814
S9818
S9822
S9826
S9830
S9834
S9838
S9842
S9846
S9850
S9901
S9905
S9909
S9913
S9917
S9921
S9925
S9929
S9933
S9937
S9941
S9945
S9949
S0001
S0005
S0009
S0013
S0017
S0021
Aggiustamenti di calendarioAggiustamenti di calendario
La diversa lunghezza dei mesi può avere un impatto significativo(31-28)/30=10%Aggiustamento: yt = xt (n° medio giorni in un mese) / (n° giorni nel mese t)yt xt (n medio giorni in un mese) / (n giorni nel mese t)
= xt (365.25/12) / (n° giorni nel mese t)Anche il numero di giorni lavorativi può essere rilevante
I giorni lavorativi di un mese possono cambiare da un anno all’altroAggiustamento:yt = xt (n° medio giorni lavorativi in un mese) / (n° giorni lavorativi nel mese t)
E’ necessario aggiustare i dati quando questi fenomeni hanno realmente effetto sulla domanda
-- 7474 --
Il consumo di cemento dipende dai giorni lavorativiIl consumo di pasta mensile non dipende dai giorni lavorativi, ma dalla lunghezza del meseLe vendite di automobili sono influenzate da molti fattori, la lunghezza del mese conta meno
38
Altri aggiustamentiAltri aggiustamenti
InflazioneNecessario quando si considerano i prezziL’approccio standard consiste nell’utilizzare valori L approccio standard consiste nell utilizzare valori equivalenti riferiti ad uno stesso annoIn questo modo i valori di anni diversi diventano confrontabili
Cambiamenti nella popolazioneNecessario quando si considera una variabile che dipende dalla popolazione totale (es. gli utenti dei mezzi pubblici)Invece di utilizzare direttamente la grandezza desiderata
-- 7575 --
Invece di utilizzare direttamente la grandezza desiderata, conviene considerare la popolazione totaleLa grandezza considerata viene considerata come porzione della popolazione totale (incidenza percentuale)
Scomposizione serie storicheScomposizione serie storiche
Le serie storiche possono avere un andamento ricorrente (pattern)In questo caso è possibile separare l’andamento dalla variabilità casualeL’andamento si può individuare smorzando (mediando) i valori
ti li i d ì l i bilità lpassati, eliminando così la variabilità casualeSolitamente si cercano due componenti principali:
Stagionalità (S): fluttuazioni periodiche di lunghezza costante (es. mese, cicli meteorologici, ecc.)Tendenza e ciclicità (T): cambiamenti di più lungo termine di lunghezza variabile
A volte è separata in due componenti, tendenza (trend) e ciclicitàModello di riferimento:
S i t i tt
-- 7676 --
Serie storica = pattern + erroreL’errore (E) è la differenza fra serie storica effettiva e andamento, chiamato anche componente irregolare o residuo
Dal punto di vista statistico ci sono alcuni problemi teoriciTuttavia la scomposizione viene regolarmente usata in pratica con buon successo
39
Scomposizione serie storicheScomposizione serie storiche
Modello generalext = f(St,Tt,Et)
Forma funzionaleAdditiva: xt = St + Tt + EtAdditiva: xt St + Tt + Et
La magnitudine della fluttuazione stagionale non dipende dal livello della serie
Moltiplicativa: xt = St · Tt · EtLa magnitudine della fluttuazione stagionale è proporzionale al livello della serie
Trasformazione logaritimica: log xt = log St + log Tt + log EtPer modellizzare additivamente dati moltiplicativi
Pseudo-additiva: xt = Tt · (St + Et -1)
-- 7777 --
Utile per serie con un periodo fortemente diverso dagli altri (es. agosto)
Aggiustamento stagionalext – St = Tt + Etxt / St = Tt · Et
Scomposizione serie storicheScomposizione serie storiche
Modello moltiplicativo xt = St · Tt · Et
1. Stima di Tt mediamente Media Mobile
2. xt / Tt = St · Et
3. A partire da St · Et stimiamo St in base al valor medio
4. xt / (Tt · St) = Et
-- 7878 --
40
Scomposizione serie storicheScomposizione serie storiche
4.000
4.500
1.500
2.000
2.500
3.000
3.500
-- 7979 --
0
500
1.000
gen-9
6ap
r-96
lug-96
ott-96
gen-9
7ap
r-97
lug-97
ott-97
gen-9
8ap
r-98
lug-98
ott-98
gen-9
9ap
r-99
lug-99
ott-99
gen-0
0ap
r-00
lug-00
ott-00
gen-0
1ap
r-01
lug-01
ott-01
gen-0
2ap
r-02
lug-02
ott-02
domanda aggiustata
Tendenza e ciclicitàTendenza e ciclicità
4.000
4.500
1.500
2.000
2.500
3.000
3.500
-- 8080 --
0
500
1.000
gen-9
6ap
r-96
lug-96
ott-96
gen-9
7ap
r-97
lug-97
ott-97
gen-9
8ap
r-98
lug-98
ott-98
gen-9
9ap
r-99
lug-99
ott-99
gen-0
0ap
r-00
lug-00
ott-00
gen-0
1ap
r-01
lug-01
ott-01
gen-0
2ap
r-02
lug-02
ott-02
domanda aggiustata tendenza
41
StagionalitàStagionalità
4.000
4.500
120%
140%
1.500
2.000
2.500
3.000
3.500
40%
60%
80%
100%
-- 8181 --
0
500
1.000
gen-9
6ap
r-96
lug-96
ott-96
gen-9
7ap
r-97
lug-97
ott-97
gen-9
8ap
r-98
lug-98
ott-98
gen-9
9ap
r-99
lug-99
ott-99
gen-0
0ap
r-00
lug-00
ott-00
gen-0
1ap
r-01
lug-01
ott-01
gen-0
2ap
r-02
lug-02
ott-02
0%
20%domanda aggiustata tendenza stagionalità
Componente irregolareComponente irregolare
4.000
4.500
120%
140%
1.500
2.000
2.500
3.000
3.500
40%
60%
80%
100%
-- 8282 --
0
500
1.000
gen-9
6ap
r-96
lug-96
ott-96
gen-9
7ap
r-97
lug-97
ott-97
gen-9
8ap
r-98
lug-98
ott-98
gen-9
9ap
r-99
lug-99
ott-99
gen-0
0ap
r-00
lug-00
ott-00
gen-0
1ap
r-01
lug-01
ott-01
gen-0
2ap
r-02
lug-02
ott-02
0%
20%domanda aggiustata media mobile centrata
coefficienti stagionali incertezza
42
Media mobileMedia mobile
Un’elevata variabilità fra un periodo e il successivo (alta frequenza) non permette di distinguere fenomeni sottostanti (bassa frequenza – tendenza e ciclicità)
E’ necessario scomporre la serie in modo da identificarne le componenti
La media mobile è lo strumento fondamentale per smorzare (smoothing) la serie
In questo modo si riduce la variabilità casuale fra un periodo e il successivo
L’id di b è h f i di l i d bbi
-- 8383 --
L’idea di base è che fenomeni di lungo periodo abbiano valori simili in periodi contigui
Calcolando per ogni periodo la media con i valori immediatamente precedenti e successivi la variabilità casuale si compensa
Media mobileMedia mobile
E’ necessario definire l’ordine k, cioè l’ampiezza della media mobile (moving average)
Es. t-1, t e t+1: 3 MAMedia mobile centrataMedia mobile centrata
Es. 3 MA: L’ordine k della media mobile centrata può essere:
Dispari: k=2m+1Pari: k=2m
il valore in ogni periodo è la media delle due medie mobili contigue. Es. k=4, 2x4MA
( )1131
+− ++= tttt xxxy
∑−=
+=m
miitt x
ky 1
∑∑+−=
+
−
−=+ +=
m
miit
m
miitt x
kx
ky
1
1
21
21
( ) ( )211112 81
81
++−+−− +++++++= ttttttttt xxxxxxxxy
-- 8484 --
Maggiore è l’ordine della media mobile, maggiore è l’effetto di smorzamento
Medie mobili di diversa ampiezza permettono di depurare da fenomeni diversi (es. stagionalità settimanale oppure annuale)
88
43
Media mobileMedia mobile
ITA 5 MA 6 MA 2x6 MA
gen-06 100
feb-06 105feb 06 105
mar-06 104 103 104
apr-06 102 105 105 104
mag-06 103 105 105 105
giu-06 109 105 106 106
lug-06 107 107 107 107
ago-06 106 109 109 108
set-06 110 109 109 109
-- 8585 --
ott-06 108
nov-06 112
dic-06 110
Media mobile centrata k = 5Media mobile centrata k = 5
4000
4500
1500
2000
2500
3000
3500
-- 8686 --
0
500
1000
44
Media mobile centrata k = 12Media mobile centrata k = 12
4.000
4.500
1.500
2.000
2.500
3.000
3.500
-- 8787 --
0
500
1.000
Media mobile centrataMedia mobile centrata
1200
1400
1600
domanda giornaliera7 MA
400
600
800
1000
365 MA
-- 8888 --
0
200
01/0
1/19
98
01/0
2/19
98
01/0
3/19
98
01/0
4/19
98
01/0
5/19
98
01/0
6/19
98
01/0
7/19
98
01/0
8/19
98
01/0
9/19
98
01/1
0/19
98
01/1
1/19
98
01/1
2/19
98
01/0
1/19
99
01/0
2/19
99
01/0
3/19
99
01/0
4/19
99
01/0
5/19
99
01/0
6/19
99
01/0
7/19
99
01/0
8/19
99
01/0
9/19
99
01/1
0/19
99
01/1
1/19
99
01/1
2/19
99
01/0
1/20
00
01/0
2/20
00
01/0
3/20
00
01/0
4/20
00
01/0
5/20
00
45
Alcune osservazioniAlcune osservazioni
Maggiore l’ordine kMaggiore è lo smorzamentoPiù dati è necessario avere (diminuiscono le “code”)Più dati è necessario avere (diminuiscono le code )
Se l’ordine è fissato pari al ciclo della stagionalitàViene eliminato l’effetto della stagionalitàSi ottiene il trend
Se l’ordine è dispari (ad esempio serie di dati quadrimestrali)
-- 8989 --
p ( p q )la valutazione della MA è sempliceSe l’ordine è pari (ad esempio serie di dati trimestrali o mensili) la valutazione della MA richiede di valutare una 2 X ?? MA
Media mobile pesataMedia mobile pesata
Formulazione generaleai sono i pesi assegnati ad ogni osservazione, nella media mobile semplice sono tutti uguali a 1/kI pesi devono sommare 1
∑−=
+=m
miitit xay
I pesi devono sommare 1I pesi devono essere simmetrici: ai=a-i
Pesando le osservazioni, lo smorzamento è maggioreOgni osservazione viene inclusa e poi esclusa gradualmente
Le medie mobili combinate equivalgono ad uno schema di pesi2xk equivale a pesare 1/2k le osservazioni estreme
Esistono molti schemi di pesatura proposti da diversi autoriE S S15 MA S21 MA
-- 9090 --
Es. Spencer S15 MA, S21 MA, Es. Henderson H5 MA, H9 MA, H13 MA, H23 MA (Census Bureau)
Agli estremi della serie, è possibile utilizzare un set ridotto di osservazioni
I pesi devono essere riscalati in modo da sommare sempre 1
46
Scomposizione additiva classicaScomposizione additiva classica
Passo 1: calcolo della componente di tendenza-ciclicitàSi utilizza una media mobile centrata: Tt = 2x12 MA
Passo 2: calcolo della serie depurata dalla tendenzaSi sottrae la componente di tendenza, lasciando la stagionalità e la componente irregolare: xt – Tt = St + Et
Passo 3: calcolo della componente stagionaleSi ipotizza che la componente stagionale sia costanteI coefficienti (indici) stagionali sono ottenuti come media di tutti i valori depurati dalla tendenza riferiti ad uno stesso mese (es. i valori di gennaio nei vari anni)
-- 9191 --
(es. i valori di gennaio nei vari anni) Passo 4: calcolo della componente irregolare
Sottrazione delle altre componenti dalla serie originale: Et = xt – Tt - St
Esempio Esempio -- DomandaDomanda
Quadr Domanda
01-02 100
02-02 105
Domanda
115
03-02 104
01-03 102
02-03 107
03-03 105
01-04 106
02-04 111
03-04 110
01-05 108
02 05 113
95
100
105
110
-- 9292 --
02-05 113
03-05 111 9001-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05
47
Esempio Esempio –– Valutazione del TrendValutazione del Trend
Dati quadrimestrali: scegliamo il ciclo della stagionalità come ordine della media mobile (k=3)
Domanda e TrendQuadr Domanda 3 MA
01-02 100
02-02 105 103,00
03-02 104 103,67
01-03 102 104,33
02-03 107 104,67
03-03 105 106,00
01-04 106 107,33
02 04 111 109 00
Domanda e Trend
100
105
110
115
-- 9393 --
02-04 111 109,00
03-04 110 109,67
01-05 108 110,33
02-05 113 110,67
03-05 111 90
95
01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05
Esempio Esempio –– Valutazione della StagionalitàValutazione della Stagionalità
Sottraiamo dalla domanda la componente di trend appena stimata, ottenendo i coefficienti di Stagionalità ancora affetti dalla componente di errore
Quadr Domanda 3 MA St - Et
01-02 100
02-02 105 103,00 2,00
03-02 104 103,67 0,33
01-03 102 104,33 -2,33
02-03 107 104,67 2,33
03-03 105 106,00 -1,00
01-04 106 107,33 -1,33
Domanda, Trend e Stagionalità
40
60
80
100
120
-- 9494 --
02-04 111 109,00 2,00
03-04 110 109,67 0,33
01-05 108 110,33 -2,33
02-05 113 110,67 2,33
03-05 111 -20
0
20
40
01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05
48
Esempio Esempio –– Valutazione della StagionalitàValutazione della Stagionalità
Stimiamo i coefficienti di stagionalità in base al loro valor medio (attenzione su periodi omologhi)
Quadr Domanda 3 MA St - Et St
01-02 100
02-02 105 103,00 2,00 2,17
03-02 104 103,67 0,33 -0,11
01-03 102 104,33 -2,33 -2,00
02-03 107 104,67 2,33
03-03 105 106,00 -1,00
01-04 106 107,33 -1,33
02 04 111 109 00 2 00
-- 9595 --
02-04 111 109,00 2,00
03-04 110 109,67 0,33
01-05 108 110,33 -2,33
02-05 113 110,67 2,33
03-05 111
Esempio Esempio –– Valutazione della componente Valutazione della componente di Erroredi Errore
Sottraiamo alla domanda la componente di trend stimata e quella di stagionalità stimata
Quadr Domanda 3 MA St - Et St EtQuadr Domanda 3 MA St - Et St Et
01-02 100
02-02 105 103,00 2,00 2,17 -0,17
03-02 104 103,67 0,33 -0,11 0,44
01-03 102 104,33 -2,33 -2,00 -0,33
02-03 107 104,67 2,33 2,17 0,17
03-03 105 106,00 -1,00 -0,11 -0,89
01-04 106 107,33 -1,33 -2,00 0,67
02-04 111 109,00 2,00 2,17 -0,17
Domanda, Trend, Stagionalità e Errore
40
60
80
100
120
-- 9696 --
03-04 110 109,67 0,33 -0,11 0,44
01-05 108 110,33 -2,33 -2,00 -0,33
02-05 113 110,67 2,33 2,17 0,17
03-05 111-20
0
20
01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05
49
Scomposizione moltiplicativa classicaScomposizione moltiplicativa classica
Passo 1: calcolo della componente di tendenza-ciclicitàSi utilizza una media mobile centrata: Tt = 2x12 MA
Passo 2: calcolo della serie depurata dalla tendenzaSi divide la domanda per la componente di tendenza, lasciando la stagionalità e la componente irregolare: xt / Tt = St · Et
Passo 3: calcolo della componente stagionaleSi ipotizza che la componente stagionale sia costanteI coefficienti (indici) stagionali sono ottenuti come media di tutti i valori depurati dalla tendenza riferiti ad uno stesso mese (es. i valori di gennaio nei vari anni)
-- 9797 --
(es. i valori di gennaio nei vari anni) Passo 4: calcolo della componente irregolare
Divisione della serie originale per le altre componenti: Et = xt / (Tt · St)
Organizzazione della Produzione e dei Organizzazione della Produzione e dei Sistemi LogisticiSistemi LogisticiSistemi LogisticiSistemi Logistici
"A good forecaster is not smarter than everyone "A good forecaster is not smarter than everyone else, he merely has his ignorance better else, he merely has his ignorance better
organised." organised." Anonymous Anonymous
Lo SmorzamentoLo Smorzamento
50
ContestoContesto
tempoistante attuale tPunto di riferimento
tempoYtDati storici Yt-1Yt-2Yt-3
tempoPrevisioni richieste Ft+3Ft+2Ft+1
tempoFtValori di fit Ft-1Ft-2Ft-3
tempoErrori di fit F Y F Y F Y F Y
-- 9999 --
tempoErrori di fit Ft-3-Yt-3 Ft-2-Yt-2 Ft-1-Yt-1 Ft-Yt
tempoErrori di previsione Ft+3-Yt+3Ft+2-Yt+2Ft+1-Yt+1
Definizione del metodo di previsioneDefinizione del metodo di previsione
Step 1: scelta della serie storica di riferimentoSet di dati di inizializzazioneSet di dati di test
Step 2: scelta di un metodo in base alle caratteristiche della domanda
TrendStagionalità
Step 3: inizializzazione del metodoUtilizzo del set di dati di inizializzazione
Step 4: test del metodo
-- 100100 --
Step 4: test del metodoPrevisione per il set di dati di testMisura dell’accuratezza di previsioneIterazione del processo per ottimizzare i parametri
Step 5: decisione sull’utilizzo del metodo
51
Metodi di previsioneMetodi di previsione
MedieMedia mobileM di liMedia semplice
Smorzamento esponenzialeSemplice ad un parametroSemplice con parametro adattivoCon tendenza lineare (Holt)Con tendenza ridotta
-- 101101 --
Con tendenza e stagionalità (Holt-Winters)
Media sempliceMedia semplice
Ipotesi sottostante:Il processo da prevedere è fondamentalmente costanteLe deviazioni sono puramente casuali (rumore) tLe deviazioni sono puramente casuali (rumore)
La previsione è ottenuta come media dei valori passatiTutte le osservazioni hanno lo stesso pesoOgni periodo aumenta la finestra di dati storici utilizzatiLa media smorza tutte le deviazioni
Se il processo sottostante non è costanteSe è stazionario l’errore medio rimane nullo
∑=
+ =t
iit Y
tF
11
1
-- 102102 --
Se c’è un trend la media sistematicamente sottostima (o sovrastima) la domanda
52
Media sempliceMedia semplice
140
Domanda Media
90
100
110
120
130
-- 103103 --
801 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
mese
Media mobileMedia mobile
La media semplice considera tutti i dati a disposizioneIn caso di processi non costanti non si adatta ai cambiamenti
La media mobile semplice è una media semplice che utilizza una p pfinestra di dati di ampiezza fissa k
Vengono considerati soltanto i dati più recenti, permettendo l’adattamento alle variazioni
E’ lo stesso strumento utilizzato per destagionalizzare le serieMa l’uso è diverso: la media mobile non è centrata
∑+−=
+ =t
ktiit Y
kF
11
1
-- 104104 --
L’ampiezza della media mobile ne determina le caratteristiche:Se molto ampia è poco sensibile alle variazioniSe poco ampia è molto sensibile alle variazioni
53
Media mobileMedia mobile
Mese Domanda 3 MA 5 MA 12 MA
1 105
2 1252 125
3 100
4 105
5 104
6 117
7 104
8 127
9 103
-- 105105 --
10 101
11 109
12 121
13 129
14 120 113 112
Domanda non stazionariaDomanda non stazionaria
60
70
20
30
40
50
-- 106106 --
0
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
domandamedia sempliceMA 3
54
Smorzamento esponenzialeSmorzamento esponenziale
La media mobile semplice pesa tutte le osservazioni in modo uguale (1/k)
In alternativa, si può utilizzare una media pesataLa media pesata a scopo previsionale dà maggior peso alle La media pesata a scopo previsionale dà maggior peso alle osservazioni più recenti
I pesi decrescono man mano che le osservazioni sono più lontaneIn questo modo la media mobile diventa più reattiva
La media mobile comunque considera un numero finito e costante di osservazioni
ù h ù d
-- 107107 --
Le osservazioni più vecchie non vengono più considerateLo smorzamento esponenziale è una media mobile pesata
I pesi decrescono esponenzialmenteTutte le osservazioni passate vengono considerate, ma con un peso che diventa man mano ininfluente
Smorzamento esponenziale sempliceSmorzamento esponenziale semplice
La previsione si basa sull’ultima osservazione disponibile e sulla previsione che era stata effettuata per tale periodo
La nuova previsione è uguale alla precedente, aggiustata in base all’errore di previsione (formula ricorsiva – Brown 1956)p ( )Il parametro α è compreso fra 0 e 1Per alfa tendente a 0 l’algoritmo è poco reattivoPer alfa tendente a 1 l’algoritmo è molto reattivoIn presenza di un trend, l’algoritmo non può fare altro che inseguire
Forma generale:Si tratta di una media pesata con pesi α e (1- α)
)(1 tttt YFFF −−=+ α
ttt FYF )1(1 αα −+=+
-- 108108 --
p p ( )Ft è anch’essa ottenuta per smorzamento esponenzialeLa previsione è una media delle osservazioni passate, pesata con pesi esponenzialmente decrescenti
( ) ( )[ ] ( ) ( ) 12
1111 1111 −−−−+ −+−+=−+−+= ttttttt FYYFYYF αααααααα
( ) ( ) ( ) ( ) 111
22
11 11...11 FYYYYF tttttt αααααααα −+−++−+−+= −−−+
55
Smorzamento esponenziale sempliceSmorzamento esponenziale semplice
0,8
0,9
0,3
0,4
0,5
0,6
0,7
Alfa = 0,2Alfa = 0,4Alfa = 0,6Alfa = 0,8
-- 109109 --
0
0,1
0,2
Yt Yt-1 Yt-2 Yt-3 Yt-4
4000
4500
Smorzamento esponenziale sempliceSmorzamento esponenziale semplice
2000
2500
3000
3500
d d
-- 110110 --
1500
gen-9
0lug
-90
gen-9
1lug
-91
gen-9
2lug
-92
gen-9
3lug
-93
gen-9
4lug
-94
gen-9
5lug
-95
gen-9
6lug
-96
gen-9
7lug
-97
gen-9
8lug
-98
gen-9
9lug
-99
gen-0
0lug
-00
gen-0
1lug
-01
gen-0
2lug
-02
domandaAlfa = 0,1
56
Smorzamento esponenziale sempliceSmorzamento esponenziale semplice
4000
4500
2000
2500
3000
3500
-- 111111 --
1500
gen-9
0lug
-90
gen-9
1lug
-91
gen-9
2lug
-92
gen-9
3lug
-93
gen-9
4lug
-94
gen-9
5lug
-95
gen-9
6lug
-96
gen-9
7lug
-97
gen-9
8lug
-98
gen-9
9lug
-99
gen-0
0lug
-00
gen-0
1lug
-01
gen-0
2lug
-02
domandaAlfa = 0,5
Smorzamento esponenziale sempliceSmorzamento esponenziale semplice
4000
4500
2000
2500
3000
3500
-- 112112 --
1500
gen-9
0lug
-90
gen-9
1lug
-91
gen-9
2lug
-92
gen-9
3lug
-93
gen-9
4lug
-94
gen-9
5lug
-95
gen-9
6lug
-96
gen-9
7lug
-97
gen-9
8lug
-98
gen-9
9lug
-99
gen-0
0lug
-00
gen-0
1lug
-01
gen-0
2lug
-02
domandaAlfa = 0,9
57
InizializzazioneInizializzazione
Lo smorzamento esponenziale contiene sempre un termine previsivo iniziale
( ) ( ) ( ) ( ) 111
22
11 11...11 FYYYYF tttttt αααααααα −+−++−+−+= −
+
In genere si pone uguale alla prima osservazione disponibileF1 = Y1
Di conseguenza la prima previsione coincide con la prima osservazione (metodo naive)
Dopo alcuni periodi di assestamento, l’incidenza del valore iniziale diventa trascurabile
( ) ( ) ( ) ( ) 11211 11...11 FYYYYF tttt αααααααα +++++ −−+
( ) 1112 1 YYYF =−+= αα
-- 113113 --
iniziale diventa trascurabileTanto più alfa è vicino a 1, tanto più rapidamente il valore iniziale diventa ininfluente
InizializzazioneInizializzazione
α=0,1 Domanda Formula Previsione
1 105
2 125 α105+(1- α)105= 105,00
3 100 α125+(1- α)105= 107,00
4 105 α100+(1- α)107= 106,30
5 104 106,17
6 117 105,95
7 104 107,06
8 127 106,75
9 103 108,78
-- 114114 --
10 101 108,20
11 109 107,48
12 121 107,63
13 106,17
58
EsempioEsempio
Mese Domanda 0,1 ES 0,5 ES 0,9 ES
1 105
2 125 105 00 105 00 105 002 125 105,00 105,00 105,00
3 100 107,00 115,00 123,00
4 105 106,30 107,50 102,30
5 104 106,17 106,25 104,73
6 117 105,95 105,13 104,07
7 104 107,06 111,06 115,71
8 127 106,75 107,53 105,17
9 103 108 78 117 27 124 82
-- 115115 --
9 103 108,78 117,27 124,82
10 101 108,20 110,13 105,18
11 109 107,48 105,57 101,42
12 121 107,63 107,28 108,24
13 129 108,97 114,14 119,72
OttimizzazioneOttimizzazione
La media, per definizione, minimizza l’errore nel set di dati di inizializzazione
Nello smorzamento esponenziale la definizione di alfa è completamente arbitrariacompletamente arbitraria
Generalmente si definisce alfa in modo da minimizzare un parametro di errore
MSEMAPE…
La ricerca di alfa viene fatta in modo empirico
-- 116116 --
pTentativiAlgoritmi di ottimizzazione non lineare
59
LimitiLimiti
Se la domanda è molto variabile, uno smorzamento reattivo è poco accurato
Insegue la domanda, ma in ritardo, continuando a sbagliareConviene utilizzare uno smorzamento poco reattivo
E’ più stabile e si posiziona sul livello medio, riducendo l’erroreNon cogliendo la variabilità della domanda, non riesce comunque ad essere accurato
Lo smorzamento semplice prevede la domanda per il primo periodo non noto
-- 117117 --
pIn caso di previsioni a più lungo termine, la previsione rimane costante: Ft+x=Ft+1
In presenza di trend, lo smorzamento semplice su più periodi fornisce un errore crescente
Smorzamento adattivoSmorzamento adattivo
Evoluzione dello smorzamento semplice che fa variare il valore del parametro in base all’andamento della previsione
L’algoritmo diventa più o meno reattivo in base all’errore di previsione commessoprevisione commesso
Inizializzazione:β = 0,2F2 = Y1
A1 = M1 = 0Il parametro alfa non è più arbitrario,ma autodeterminato
( )
( )( ) ttt
ttt
t
tt
ttt
MEMAEA
MA
FYF
−+=
−+=
=
−+=
−
−
+
1
1
1
11
1
ββββ
α
αα
-- 118118 --
Il sistema si presta all’uso in sistemi automatici perché è robusto
Tuttavia il parametro beta è arbitrarioinfluenza notevolmente la reattività dell’algoritmo
ttt YFE −=
60
Smorzamento adattivoSmorzamento adattivo
t Yt Ft Et At Mt αt
1 2980 0 0 indeterminato
2 3719 2980 -738 -29,5378 29,53776 1
3 3867 3719 -149 -34,3053 34,30528 1
4 3768 3867 100 -28,9429 36,92322 0,783868
5 4114 3789 -325 -40,7832 48,44428 0,841858
6 4108 4063 -45 -40,9569 48,31148 0,847766
7 4134 4101 -33 -40,6504 47,71087 0,852016
8 2544 4129 1585 24,37821 109,2051 0,223233
9 3987 3776 -211 14,94767 113,2923 0,131939
10 3807 3803 -3 14,21936 108,891 0,130583
-- 119119 --
β=0,04
0 380 3803 3 , 936 08,89 0, 30583
11 3877 3804 -73 10,74354 107,4424 0,099993
12 2345 3811 1467 68,97452 161,8054 0,426281
Smorzamento adattivoSmorzamento adattivo
4000
4500
5000
0,8
0,9
1
1000
1500
2000
2500
3000
3500
0,2
0,3
0,4
0,5
0,6
0,7
domandaadattivoAlfa
-- 120120 --
0
500
gen-
90
mag
-90
set-9
0
gen-
91
mag
-91
set-9
1
gen-
92
mag
-92
set-9
2
gen-
93
mag
-93
set-9
3
gen-
94
mag
-94
set-9
4
gen-
95
mag
-95
set-9
5
gen-
96
mag
-96
set-9
6
gen-
97
mag
-97
set-9
7
gen-
98
mag
-98
set-9
8
gen-
99
mag
-99
set-9
9
gen-
00
mag
-00
set-0
0
gen-
01
mag
-01
set-0
1
gen-
02
mag
-02
set-0
2
0
0,1
61
Tendenza lineare (Holt)Tendenza lineare (Holt)
Estensione dello smorzamento esponenziale semplice per dati con tendenza (Holt 1957)
( )( )bLYL +−+= 111 αα
Lt stima il livello della seriebt stima la pendenza della serieL’algoritmo necessita di due parametri arbitrari, alfa e beta
( )( )( ) ( )
mbLFbLLb
bLYL
ttmt
tttt
tttt
+=−+−=++
+
−−
−−
11
11
11
ββαα
-- 121121 --
E’ possibile prevedere su un orizzonte illimitatoLa tendenza viene ipotizzata lineareSe la tendenza varia nel tempo, l’algoritmo si adatta
Fluttuazioni casuali potrebbero apparire come cambiamenti nel trendIl parametro beta smorza appositamente la reattività di bt
Costruzione del modelloCostruzione del modello
Inizializzazione: bisogna stimare due valori inizialiL1 = Y1
b1 = Y2-Y1b1 Y2 Y1
Se i primi valori sono molto diversi, si rischia di imporre una tendenza fittizia
b1 = (Y4 – Y1)/3b1 = (Y13 – Y1)/12In alternativa, è possibile utilizzare una regressione lineare dei primi valori della serie
-- 122122 --
Ottimizzazione: bisogna definire il valore delle due costantiTentativi: bisogna considerare le varie combinazioni dei valori di alfa e betaAlgoritmo di ottimizzazione non lineare
62
Smorzamento con tendenza (0,1 Smorzamento con tendenza (0,1 –– 0,1)0,1)
t Yt Ft Lt bt
1 105 105,0 1,502 107 107 106,6 1,513 110 108 108,2 1,524 111 110 109,9 1,545 112 111 111,5 1,546 114 113 113,1 1,557 113 115 114,5 1,548 114 116 115,8 1,51
-- 123123 --
, ,9 116 117 117,2 1,50
10 118 119 118,7 1,4911 121 120 120,2 1,50
12 124 122 122,0 1,53
Smorzamento con tendenzaSmorzamento con tendenza
135
Domanda Ft
110
115
120
125
130
-- 124124 --
100
105
1 2 3 4 5 6 7 8 9 10 11 12 13
63
Tendenza e stagionalità (HoltTendenza e stagionalità (Holt--Winters)Winters)
Estensione dello smorzamento esponenziale di Holt per dati con tendenza e stagionalità (Winters 1960)
Modello moltiplicativo
( )( )ttt
t bLSYL −− +−+= αα 1 11
Lt stima il livello della seriebt stima la pendenza della serie
( )( )
( ) ( )
( )
( ) mstttmt
stt
tt
tttt
ttst
t
SmbLF
SLYS
bLLbS
+−+
−
−−
−
+=
−+=
−+−=
γγ
ββ
1
1 11
11
-- 125125 --
t pSt stima la componente stagionales è la lunghezza della stagionalità, che è ipotizzata costante e nota a priori (es. 12 per la stagionalità mensile)L’algoritmo necessita di tre parametri arbitrari, alfa, beta e gamma
Caratteristiche del metodoCaratteristiche del metodo
E’ possibile prevedere su un orizzonte illimitatoTendenza e stagionalità sono ipotizzate costanti nel futuro
La tendenza viene ipotizzata lineareSe la tendenza varia nel tempo, l’algoritmo si adatta
La stagionalità viene ipotizzata moltiplicativaPer ogni periodo si stima un coefficiente stagionale come per la scomposizioneSe la stagionalità varia nel tempo, l’algoritmo modifica i coefficienti
Fluttuazioni casuali potrebbero apparire come cambiamenti nel
-- 126126 --
Fluttuazioni casuali potrebbero apparire come cambiamenti nel trend e nella stagionalità
Il parametro beta smorza appositamente la reattività di bt
Il parametro gamma smorza la reattività di St
64
Costruzione del modelloCostruzione del modello
Inizializzazione: bisogna stimare tre valori iniziali
( )ss
YYYYYY
YYYs
L
⎤⎡ −−−
+++=
1
...121
L’inizializzazione richiede due stagioni completeLa lunghezza della stagionalità si può identificare con il correlogrammaSe solo una è disponibile si rischia di imporre una tendenza
s
ss
ss
ssssss
LYS
LYS
LYS
sYY
sYY
sYY
sb
===
⎥⎦⎤
⎢⎣⎡ −
++−
+−
= +++
;...;;
...1
22
11
2211
-- 127127 --
Se solo una è disponibile, si rischia di imporre una tendenza fittizia
Ottimizzazione: bisogna definire il valore delle tre costantiTentativi: bisogna considerare le varie combinazioni dei valori di alfa, beta e gammaAlgoritmo di ottimizzazione non lineare
Tendenza e stagionalità (HoltTendenza e stagionalità (Holt--Winters)Winters)
Estensione dello smorzamento esponenziale di Holt per dati con tendenza e stagionalità (Winters 1960)
Modello additivo
( ) ( )( )bLSYL ++= αα 1
Lt stima il livello della seriebt stima la pendenza della serie
( ) ( )( )( ) ( )( ) ( )( )mstttmt
stttt
tttt
ttsttt
SmbLFSLYS
bLLbbLSYL
+−+
−
−−
−−−
++=−+−=−+−=
+−+−=
γγββαα
111
11
11
-- 128128 --
t pSt stima la componente stagionales è la lunghezza della stagionalità, che è ipotizzata costante e nota a priori (es. 12 per la stagionalità mensile)L’algoritmo necessita di tre parametri arbitrari, alfa, beta e gamma
65
Costruzione del modelloCostruzione del modello
Inizializzazione: bisogna stimare tre valori iniziali
( )ss
YYYYYY
YYYs
L
⎤⎡
+++=
1
...121
L’inizializzazione richiede due stagioni completeLa lunghezza della stagionalità si può identificare con il correlogrammaSe solo una è disponibile si rischia di imporre una tendenza
sssss
ssssss
LYSLYSLYSs
YYs
YYs
YYs
b
−=−=−=
⎥⎦⎤
⎢⎣⎡ −
++−
+−
= +++
;...;;
...1
2211
2211
-- 129129 --
Se solo una è disponibile, si rischia di imporre una tendenza fittizia
Ottimizzazione: bisogna definire il valore delle tre costantiTentativi: bisogna considerare le varie combinazioni dei valori di alfa, beta e gammaAlgoritmo di ottimizzazione non lineare
InizializzazioneInizializzazione
Su lunghe serie di dati, l’inizializzazione non influenza significativamente le previsioni
Tuttavia se i valori iniziali sono affidabili l’algoritmo si aggiusta più rapidamentepiù rapidamenteEsistono metodi sofisticati per inizializzare gli algoritmi
Previsione inversaLa serie di dati viene utilizzata all’inverso, dai dati più recenti a quelli più vecchiSi prevedono, con lo stesso algoritmo, i valori inizialiQuesti valori vengono utilizzati per inizializzare il modello
-- 130130 --
Stima con i minimi quadratiI valori iniziali vengono stimati minimizzando lo scarto quadratico medio
ScomposizioneI metodi di scomposizione permettono di stimare i valori iniziali
66
Organizzazione della Produzione e dei Organizzazione della Produzione e dei Sistemi LogisticiSistemi LogisticiSistemi LogisticiSistemi Logistici
La Gestione delle scorteLa Gestione delle scorte
Ruolo delle scorteRuolo delle scorte
Voce di particolare rilevanza per le impreseImpatto diretto su Conto EconomicoI tt I d bit t ( l i l Impatto su Indebitamento (spesso valore superiore al 25% degli asset)Impatto sul livello di servizio
Consentono di Disaccoppiare operazioni successiveGestire la variabilità della domanda
-- 132132 --
Produrre anticipatamente rispetto alla domanda (importante per livellare la produzione)
67
Il problema decisionaleIl problema decisionale
Il problema si riconduce sostanzialmente a dover decidere:
Quanto ordinare (size)Quanto ordinare (size)Quando ordinare (timing)
Quantità di riordino
Frequenza di riordino Fissa (Q) Variabile
(S)
Variabile (R) (Q,R) (S,R)
-- 133133 --
Ordina una quantità fissa QOrdina fino ad un livello di scorta predefinito SOrdina quando le scorte scendono sotto un predefinito livello ROrdina ogni T periodi
(R)
Fissa (T) (Q,T) (S,T)
I modelli tradizionaliI modelli tradizionali
Modelli come il Lotto Economico, l’Intervallo di Riordino Fisso, ecc funzionano quando la domanda presenta particolari caratteristiche di regolaritàpresenta particolari caratteristiche di regolarità
Domanda “relativamente” stabileStoria sufficiente per valutare comportamento…
Spesso tuttavia queste e altre ipotesi non si applicano
-- 134134 --
68
La domanda lumpyLa domanda lumpy
Una domanda è definita LUMPY quando:Variabile, quindi caratterizzata da rilevanti fluttuazionifluttuazioniSporadica, quindi caratterizzata da numerosi periodi con domanda nullaNervosa, quindi con significative differenze tra osservazioni successive
-- 135135 --
Le fonti della domanda lumpyLe fonti della domanda lumpy
Influenzata da caratteristiche del mercato:Numerosità dei clienti: al diminuire del numero dei clienti la domanda tende a diventare più sporadicap pEterogeneità dei clienti: maggiori sono le differenze in termini di dimensioni tra i clienti, maggiore sarà la lumpinessFrequenza delle richieste dei clienti: la lumpiness diminuisce all’aumentare della frequenza delle richieste dei clientiVarietà delle richieste dei clienti: la lumpiness
-- 136136 --
Varietà delle richieste dei clienti: la lumpiness aumenta se ogni cliente ha richieste differenti in termini di dimensioniCorrelazione tra le richieste dei clienti: lumpiness aumenta tanto più tale correlazione è presente.
69
Le fonti della domanda lumpyLe fonti della domanda lumpy-- Alcuni esempi Alcuni esempi --
Parti di ricambio(esempio nel settore degli elettrodomestici bianchi)elettrodomestici bianchi)
Politiche promozionali(esempio nel settore del food)
-- 137137 --
)
Quali sono i problemi?Quali sono i problemi?
I metodi tradizionali (sia di previsione che di riordino) non sono in grado di gestire opportunamente questo tipo di domandaopportunamente questo tipo di domanda
Non valgono numerose assunzioni dei modelli (ad es. domanda o errori di previsione distribuiti secondo una normale)I metodi cercano di rilevare le regolarità delle serie: problema quando le irregolarità sono maggiori delle regolarità
-- 138138 --
gFenomeni di distorsione dei modelliSpesso pochi dati su cui stimare i modelli
70
Quali sono i problemi?Quali sono i problemi?-- Alcuni esempi Alcuni esempi --
Smorzamento esponenziale applicato ad una serie “relativamente” regolare
Smorzamento esponenziale applicato ad una serie altamente irregolare
-- 139139 --
g
Quali sono i problemi?Quali sono i problemi?-- Alcuni esempi Alcuni esempi --
Il livello delle scorte necessario per servire la domanda
90
0
10
20
30
40
50
60
70
80
90
Time
Dem
and
-- 140140 --
Scorte eccessive in moltissimi periodi
71
Metodi di gestioneMetodi di gestione
Differenti a seconda del tipo di problema consideratoPossibile di iderli a seconda del ciclo di ita del Possibile dividerli a seconda del ciclo di vita del prodotto
Metodi per prodotti in fase di introduzioneMetodi per prodotti in fase di maturità
-- 141141 --
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
Ipotizziamo di dover lanciare sul mercato un nuovo prodotto mai venduto prima dall’impresa.Non abbiamo dati storici tili abili (neanche per Non abbiamo dati storici utilizzabili (neanche per prodotti similari), come prevediamo la domanda e come decidiamo quanto produrne e metterne a scorta?E se il prodotto ha oltretutto un ciclo di vita molto breve (ad esempio un capo di abbigliamento stagionale)?
-- 142142 --
stagionale)?L’approccio Early Sales considera di utilizzare i dati sulle prime vendite per operare un aggiornamento sulle stime della domanda futura di tale prodotto.
72
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
3500
4000
1000
1500
2000
2500
3000
Dom
anda
A
-- 143143 --
0
500
0 500 1000 1500 2000 2500 3000 3500 4000
Previsione
A
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
Il problema:Se ordino alla produzione troppi prodotti, rischio di avere un costo molto elevato di stock che poi non priesco a vendereSe ordino poco alla produzione, rischio di avere un costo molto elevato a causa delle rotture di stock
L’idea:Prima del lancio del prodotto: formulo una prima previsione in base alla quale cerco di formulare una prima stima di quanto sicuramente sarò in grado di
-- 144144 --
prima stima di quanto sicuramente sarò in grado di vendereDopo il lancio del prodotto: Appena vedo i primi ordini posso riaggiornare tale previsione correggendo gli ordini in produzione
73
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
A partire dalle prime vendite (early sales fino al tempo k) cerco di al tempo k) cerco di stimare il profilo della domanda cumulata nel tempoApproccio efficace se vi sono forti somiglianze tra early buyer e late
-- 145145 --
tra early buyer e late buyer
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales ––
Utilizzo un panel di esperti per stimare la domanda di un prodotto prima del suo lancio
Prima del Prima del lancio del lancio del prodottoprodotto
Prodotto A
Prodotto B
Carolyn Laura Tom Kenny Wally Wendy Media
1200
1500
1150 1250 1300 1100 1200 1200 65
700 1200 300 2075 1425 1200 572
Dev. Std
-- 146146 --
74
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales ––
A partire da tali stime posso valutare la media e la deviazione standard delle stime
Prima del Prima del lancio del lancio del prodottoprodotto
Carolyn Laura Tom Kenny Wally Wendy Media Dev. Std
1200
1500
1150 1250 1300 1100 1200 1200 65
700 1200 300 2075 1425 1200 572
Prodotto A
Prodotto B
-- 147147 --
Coefficiente di VariazioneCV = Dev. Std / Media
Prodotto A 6%Prodotto B 48%
1400Errore
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
Il comitato è un modo potente per determinare che cosa si può e che cosa non si può prevedere
Prima del Prima del lancio del lancio del prodottoprodotto
400
600
800
1000
1200
Errore diprevisione
grandeErroremedio=150 unità
Errore medio=252 unità
-- 148148 --
0
200
0 110 220 330
Deviazione standard delle previsioni individuali di un comitato di sei persone
Errorepiccolo
Grandeaccordo Scarso accordo
75
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
La distribuzione storica degli errori di previsione segue la curva normale a campana
Prima del Prima del lancio del lancio del prodottoprodotto
-- 149149 --
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
La distribuzione normale modellizza l’incertezza della domanda
Prima del Prima del lancio del lancio del prodottoprodotto
-- 150150 --
1200
Distribuzione di probabilità per le vendite di un prodottoMedia = 1200 Deviazione standard = 230
76
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
Questa è la parte di domanda
La distribuzione normale modellizza l’incertezza della domanda
Prima del Prima del lancio del lancio del prodottoprodotto
Questa è la parte di domanda che sono “sicuro” di ricevere.
La realizzo subito
Questa è la parte di domanda che non sono “sicuro” di
ricevere.La realizzo dopo
-- 151151 --
1200970Distribuzione di probabilità per le vendite di un prodotto
Media = 1200 Deviazione standard = 230
I dati di un prodotto
P ll’
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
Prima del Prima del lancio del lancio del prodottoprodotto
Prezzo all’ingrossoMeno
costo della fornituracommissioni di venditatrasporto e consegna
Margine di profitto
Prezzo scontato
€ 200
1003025
_____€ 45 Costo di sotto-produzione
€ 120
-- 152152 --
Prezzo scontatoMeno
costo della fornituratrasporto e consegna
Perdita
10035
_____(€15) Costo di sovra-produzione
77
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
Analisi probabilistica di
Prima del Prima del lancio del lancio del prodottoprodotto
Probabilità = .25Probabilità = .25Break-Even
-- 153153 --
Produrre fino al punto in cuiProdurre fino al punto in cuiLa probabilità di vendere x il costo di sottoLa probabilità di vendere x il costo di sotto--produzione = produzione =
alla probabilità di non vendere per il costo di sovraalla probabilità di non vendere per il costo di sovra--produzioneproduzioneCosto di sottoCosto di sotto--produzione = $45produzione = $45Costo di sovraCosto di sovra--produzione = $15produzione = $15
.25 x 45 = .75 x 15.25 x 45 = .75 x 15
1200 1430
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
Dettic0 il costo di Over stock per unitàcs il costo di Stock out per unità( ) l di ib i d ll d d
Prima del Prima del lancio del lancio del prodottoprodotto
p(x) la distribuzione della domandaZ(α) il livello delle scorteα rappresenta la probabilità cumulata di avere una domanda inferiore a Z(α)
Il costo atteso è pari a:
Il costo atteso minimo si ha ponendo a 0 la derivata del costo atteso, ∫∫+∞
∞−−⋅⋅+⋅⋅=
)(
)())(1()(
α
α
Z s
Z
o dxxpcxdxxpcxCA
-- 154154 --
quindi quando:
Da cui: 0)))((1()())(()( =−⋅⋅−⋅⋅ αααα ZpcZZpcZ so
)1(0)1(
αααα
−⋅=⋅=−⋅−⋅
so
so
cccc
78
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
4000
Prima del Prima del lancio del lancio del prodottoprodotto
La previsione iniziale
1500
2000
2500
3000
3500
Dom
anda
-- 155155 --
0
500
1000
0 500 1000 1500 2000 2500 3000 3500 4000
Previsione
A
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
4000
Dopo il lancio Dopo il lancio del prodottodel prodotto
La previsione con il 20% della domanda conosciuta.Guardando i primi ordini posso riformulare le previsioni ottenendo un forte aumento dell’accuratezza
1500
2000
2500
3000
3500
4000
Dom
anda
-- 156156 --
0
500
1000
1500
0 500 1000 1500 2000 2500 3000 3500 4000
Previsione
A
79
Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --
4000
Dopo il lancio Dopo il lancio del prodottodel prodotto
La previsione con l’80% della domanda conosciuta
1500
2000
2500
3000
3500
Dom
anda
-- 157157 --
0
500
1000
0 500 1000 1500 2000 2500 3000 3500 4000
Previsione
A
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- I modelli Poissoniani I modelli Poissoniani ––
Frequentemente si osserva che la domanda di prodotti con riordini sporadici sia ben modellizzata da una distribuzione di Poisson.Tale distribuzione è spesso utilizzata per modellizzare i processi di decadimento (ad esempio radioattivo)Una variabile è distribuita secondo una Poissoniana se la probabilità di ottenere m successi è pari a:
am
eaP −
-- 158158 --
Dove il parametro a rappresenta la frequenza media dell’evento osservato
m em
P =!
80
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- I modelli Poissoniani I modelli Poissoniani ––
Nel nostro ambito gli eventi considerati sono l’occorrenza di ordini.In altri termini mediante la Poissoniana possiamo In altri termini mediante la Poissoniana possiamo stimare la probabilità che si presentino un certo numero di ordini in un dato periodo di tempoAssumere tale distribuzione è valido se:
La domanda media che si presenta durante il tempo di approvvigionamento è bassaL di l i d ll d d i ili
-- 159159 --
La media e la varianza della domanda sono simili (ricordate che così è nella Poissoniana)Le richieste si presentano singolarmenteGli ordini sono indipendenti tra loro
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- I modelli Poissoniani I modelli Poissoniani ––
Supponiamo che il livello delle scorte attualmente rilevato sia pari a k, che il tempo di approvvigionamento sia pari a t e che la domanda approvvigionamento sia pari a t e che la domanda media per periodo sia pari a dQual è la probabilità di andare in stockout?
Lo stock-out si verifica se la domanda nel periodo di approvvigionamento è maggiore del livello delle
-- 160160 --
scorte.
81
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- I modelli Poissoniani I modelli Poissoniani ––
In base al modello Poissoniano, la probabilità di ricevere 0 ordini corrisponde alla probabilità di avere 0 successi ovvero:avere 0 successi, ovvero:
La probabilità di ricevere 1 ordine è:E via dicendo…Lo stockout si verifica quando la domanda è
dedP −=!0
0
0
dedP −=!1
1
1
-- 161161 --
qmaggiore di k. Quindi la probabilità di andare in stock-out è:
∑∑=
∞
+=− −==
k
ii
kiioutstock PPP
011
Un esempioUn esempio
Consideriamo un prodotto che ha ricevuto ordini per un totale di 5 pezzi nell’ultimo annoAtt almente le scorte sono pari a 4 pe iAttualmente le scorte sono pari a 4 pezziIl tempo di approvvigionamento è pari a 2 mesi.L’impresa adotta una politica per cui vuole garantire un livello di servizio pari almeno al 99%E’ necessario effettuare un riordino?
-- 162162 --
82
Un esempioUn esempio
In base ai dati:d = 5 [pezzi/anno] / 12 [mesi/anno] * 2 [mesi/LT] = 0 83 [pezzi/LT]0,83 [pezzi/LT]Quindi consideriamo la distribuzione:Da questa:
83,0
!83,0 −= ei
Pi
i
362,0!1
83,0 83,01
1 == −eP 150,0!2
83,0 83,02
2 == −eP
830 8303
009083,0 8304
−P
436,0!0
83,0 83,00
0 == −eP
-- 163163 --
Quindi:Non occorre riordinare
042,0!3
83,0 83,03 == −eP 009,0
!4, 83,0
4 == eP
002,0101
=−== ∑∑=
∞
+=−
k
ii
kiioutstock PPP
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- Il metodo di Croston Il metodo di Croston ––
Assumiamo che la domanda abbia un andamento tipo:
Applicando uno smorzamento esponenziale la previsione è:
Croston (1972) osserva che se assumiamo che la dimensione della domanda segua una distribuzione
-- 164164 --
Normale e gli interarrivi seguono una distribuzione di Bernoulli, tale stima è distorta:
83
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- Il metodo di Croston Il metodo di Croston --
Croston propone quindi di stimare la domanda in modo differente, separando la stima della dimensione della domanda da quella degli interarrividimensione della domanda da quella degli interarrivi
Detta z’t la stima della dimensione della domanda effettuata mediante uno smorzamento esponenziale sulla dimensione della domanda effettivaDetta p’t la stima dell’interarrivo tra un dato di d d il i ff di
-- 165165 --
domanda e il successivo, effettuata mediante uno smorzamento esponenziale degli interarriviVale:
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- Il metodo di Croston Il metodo di Croston --
In altri termini Croston elimina il problema dell’aggiornamento della previsione quando la domanda non si presentadomanda non si presenta
-- 166166 --
Non ci dice quando un picco si presenta, ma valuta in modo più accurato la sua dimensione
84
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- Il metodo di Syntetos e Boylan Il metodo di Syntetos e Boylan --
S&B (2001) osservano che la stima di Croston è distorta, infatti
Ma
S&B mostrano che in realtà
-- 167167 --
Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- Il metodo di Syntetos e Boylan Il metodo di Syntetos e Boylan --
Ad esempio, se la dimensione media degli ordini è 6, e l’intervallo tra un interarrivo e il successivo è 3
Per Croston, la domanda attesa per periodo è 6/3 = 2Per Croston, la domanda attesa per periodo è 6/3 2Per S&B è 6 * 0,549 = 3,295 (Croston ha una distorsione pari a circa il 64,75%)
S&B dimostrano che uno stimatore non distorto della domanda per periodo è:
-- 168168 --
Dove c è una costante
85
Un esempioUn esempio
Ipotizziamo che smorzamenti tutti con alfa = 0,2 e c pari a 1,2
S&BSmorz. esponenziale Croston
t Domanda Smoothing Domanda non zero Interarrivi
Smoothing su dimensione domanda
Smoothing su interarrivi
Domanda per
periodo
Domanda per
periodo1 100 100 100 1002 0 80,4 1003 0 64,92 1004 90 52,736 90 3 98 3 32,66667 26,997255 0 43,1888 98 3 32,66667 26,997256 0 35,75104 98 3 32,66667 26,997257 0 30,000832 98 3 32,66667 26,997258 95 25,600666 95 4 97,4 3,2 30,4375 24,689 0 22 280532 97 4 3 2 30 4375 24 68
p
-- 169169 --
9 0 22,280532 97,4 3,2 30,4375 24,6810 0 19,824426 97,4 3,2 30,4375 24,6811 102 18,059541 102 3 98,32 3,16 31,11392 25,3248312 0 16,847633 98,32 3,16 31,11392 25,3248313 90 16,078106 90 2 96,656 2,928 33,01093 27,4696214 0 15,662485 96,656 2,928 33,01093 27,46962
Un esempioUn esempio
Se alla fine del 14° periodo devo decidere quanto tenere a scorta per i prossimi 4 periodi, quanto mi dicono di ordinare i diversi modelli?
S&BS thi D d D d
Smorz. esponenziale Croston
t Domanda Smoothing Domanda non zero Interarrivi
Smoothing su dimensione domanda
Smoothing su interarrivi
Domanda per
periodo
Domanda per
periodo1 100 100 100 1002 0 80,4 1003 0 64,92 1004 90 52,736 90 3 98 3 32,66667 26,997255 0 43,1888 98 3 32,66667 26,997256 0 35,75104 98 3 32,66667 26,997257 0 30,000832 98 3 32,66667 26,997258 95 25,600666 95 4 97,4 3,2 30,4375 24,689 0 22,280532 97,4 3,2 30,4375 24,68
-- 170170 --
10 0 19,824426 97,4 3,2 30,4375 24,6811 102 18,059541 102 3 98,32 3,16 31,11392 25,3248312 0 16,847633 98,32 3,16 31,11392 25,3248313 90 16,078106 90 2 96,656 2,928 33,01093 27,4696214 0 15,662485 96,656 2,928 33,01093 27,46962
62,64994 132,0437 109,8785
86
Tecniche e informazioniTecniche e informazioni
PerceivedService Level
Perceived Uncertainty
ForecastProduction
Sys temMarket
Turbulence
(forecastingerror) Inventory
Focus degli approcci classici
Focus degli approcci innovativi
-- 171171 --
(Errore di previsione)
TurbolenzaProcesso di generazione
della domanda
RaccoltaInformativa
Algoritmo diprevisione
Informazione raccolta
Incertezza percepita
Le informazioni Le informazioni -- Cosa vuol dire?Cosa vuol dire?
Attenzione non tanto sull’algoritmo di previsione quanto sulle informazioni in inputFoc s maggiormente s aspetti organi ati iFocus maggiormente su aspetti organizzativi
Quali sono le informazioni “importanti”?Dove sono queste informazioni? (e chi le gestisce?)Quante informazioni servono? (costano!)
Tecniche molto efficaci in presenza di elevata incertezza
-- 172172 --
87
Quali informazioniQuali informazioni
Logica è identificare e utilizzare informazioni che spieghino la variabilità o che permettano di coglierla
Promozioni futurePromozioni futureLancio di prodotti sostitutiviIntenzioni d’acquistoPrime vendite…
-- 173173 --
Identificare le cause di maggiore variabilità
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
Caso Elettrodomestici. Impresa operante nella produzione e vendita di parti di ricambio per elettrodomestici. La domanda appare altamente variabile. Metodi basati sulle serie storiche altamente inefficientibasati sulle serie storiche altamente inefficienti
150
200
250
300
350
-- 174174 --
0
50
100
150
88
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
Tecniche qualitative non applicabiliPrevisioni da aggiornare ogni settimana60 000 SKU tti60.000 SKUs attive
Tecniche quantitative poco efficaciProblemi di aggiornamento della previsionePicchi “relativamente” regolari
Necessaria maggiore comprensione della variabilità
-- 175175 --
gg p
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
Le cause della variabilità della domanda
Multi-Echelon Multi-EchelonsSupply Chain Supply Chain
CentralWarehouse
Regional Wholesaler
CentralWarehouse
RegionalWarehouses
-- 176176 --
Retailers
gWarehouses
Wholesaler
Retailers
Retailers
WarehousesWholesaler
89
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
Mean Demand vs Mean Inventory (week 0-34)
L. 53
L. 41
L. 43
L. 45
L. 47
L. 49
L. 51
£ (B
illio
ns) SS
hhiippmm
SShhiippmm
SShhiippmm
IInnvveenntt
IInnvveenntt
IInnvveennttoo
-- 177177 --
L. 35
L. 37
L. 39
98 99 00
Years
mmeenntt
mmeenntt
mmeenntt
ttoorryy
ttoorryy
oorryy
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
Clienti Clienti su cuiImpatto Commerciale Clienti
“perfetti” (0 clienti)
Clienti su cui investire
(28 clienti)
Clienti facilmente gestibili
? (0 clienti)
Impatto Gestionale
Alto
Basso
-- 178178 --
Su 430 clienti, 28 risultano criticiClienti più importanti sono anche i più complessi da gestire
GestionaleAltoBasso
90
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
L’effetto sulla domandaStable series
Demand
0100200300400
1 18 35 52 69 86 103
120
137
154
171
188
205
days
quan
tity
0100200300400
1 20 39 58 77 96 115
134
153
172
191
days
quan
tity
Irregular Series
400
-- 179179 --
0100200300400
1 20 39 58 77 96 115
134
153
172
191
days
quan
tity
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
Raccolta informativa da un ristretto numero di clientiA ione di sensibili a ione erso i clientiAzione di sensibilizzazione verso i clienti
Le informazioni che i clienti usano per ordinare sono disponibili prima dell’ordine (almeno a grandi linee)Impatto delle loro informazioni sul servizio
Sistemi di incentivazione verso i clientiSconto su acquisto a fronte dell’accuratezza d ll’i f i
-- 180180 --
dell’informazioneEntità dello sconto valutato in base al miglioramento delle prestazioni
91
Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici
100%
Prestazioni dell'impresa Tecnica quantitativa Informazioni
60%
70%
80%
90%
Live
llo d
i ser
vizi
o
-- 181181 --
40%
50%
0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000
Scorte
L
Dove sono le informazioni?Dove sono le informazioni?Un esempio: caso AlimentariUn esempio: caso Alimentari
Caso Alimentari: Impresa operante nel settore dei prodotti freschi. V d i l t tt l d Vende essenzialmente attraverso la grande distribuzione (supermercati, ipermercati, ecc.)
Prodotto fresco: vita inferiore al mese, non è praticamente stoccabile
5000
6000
7000
8000
-- 182182 --
0
1000
2000
3000
4000
5000
S9901S99
03S99
05S99
07S99
09S99
11S99
13S99
15S99
17S99
19S99
21S99
23S99
25S99
27S99
29S99
31S99
33S99
35S99
37S99
39S99
41S99
43S99
45S99
47S99
49S99
51S00
01S00
03S00
05S00
07S00
09S00
11S00
13S00
15S00
17S00
19S00
21
settimane
unitàRavioli al brasato
92
Un esempio: caso AlimentariUn esempio: caso Alimentari
800 2Ravioli al brasato – domanda di un cliente
300
400
500
600
700
cart
oni
1
-- 183183 --
0
100
200
S9802
S9805
S9808
S9811
S9814
S9817
S9820
S9823
S9826
S9829
S9832
S9835
S9838
S9841
S9844
S9847
S9850
S9853
S9903
S9906
S9909
S9912
S9915
S9918
S9921
S9924
S9927
settimane
-
Un esempio: caso AlimentariUn esempio: caso Alimentari
700
800 2Ravioli al brasato – domanda di un cliente
300
400
500
600
700
cart
oni
1
-- 184184 --
0
100
200
S9802
S9805
S9808
S9811
S9814
S9817
S9820
S9823
S9826
S9829
S9832
S9835
S9838
S9841
S9844
S9847
S9850
S9853
S9903
S9906
S9909
S9912
S9915
S9918
S9921
S9924
S9927
settimane
-
93
Un esempio: caso AlimentariUn esempio: caso Alimentari
Tecniche qualitative non applicabiliPrevisioni da aggiornare ogni settimana60 prodotti
T i h i i ffi iTecniche quantitative poco efficaciStoria non spiega: promozioni non sono regolari
Tecnica basata su informazioniElevata “regolarità” dei picchi (in dimensione)Informazioni su promozioni disponibili in aziendaRaccolta sistematica di informazioni su promozioni:
Passate: per pulire la storia
-- 185185 --
p pFuture: per capire quando si presenteranno i picchi
Attenzione: sistemi di incentivazione per chi deve fornire le informazioniTrade-off tra beneficio e costo dell’informazione (spesso non servono molte informazioni per avere buoni risultati)
Come usare le informazioniCome usare le informazioni
Pulire il passatoComprendere delle serie storiche cosa va ritenuto normale
Capire il futuroUtilizzare tali informazioni per prevedere andamenti futuri
Caso Costruzioni. Problema affrontato: stimare la domanda di materiale da costruzioni in Italia, per pianificare capacità produttiva
Attualmente il processo di previsione è completamente qualitativo e poco strutturatoE’ fondamentale avere previsioni accurate, in quanto il cemento non si tiene a scorta ed è molto costoso da trasportare su lunghe
-- 186186 --
non si tiene a scorta ed è molto costoso da trasportare su lunghe distanzeLa domanda di cemento è fortemente stagionaleI Grandi Lavori (Alta Velocità, Autostrade, ecc.) hanno un impatto significativo
94
Consumo di CementoConsumo di Cemento
4.500
5.000
1.500
2.000
2.500
3.000
3.500
4.000
-- 187187 --
0
500
1.000
gen-9
0
mag-90
set-9
0ge
n-91
mag-91
set-9
1ge
n-92
mag-92
set-9
2ge
n-93
mag-93
set-9
3ge
n-94
mag-94
set-9
4ge
n-95
mag-95
set-9
5ge
n-96
mag-96
set-9
6ge
n-97
mag-97
set-9
7ge
n-98
mag-98
set-9
8ge
n-99
mag-99
set-9
9ge
n-00
mag-00
set-0
0ge
n-01
mag-01
set-0
1ge
n-02
mag-02
set-0
2
depurazione serie storica consumo dai grandi lavori13.000
Impatto dei Grandi LavoriImpatto dei Grandi Lavori
10.000
10.500
11.000
11.500
12.000
12.500
-- 188188 --
9.000
9.500
Dic 97
Giu 98
Dic 98
Giu 99
Dic 99
Giu 00
Dic 00
Giu 01
Dic 01
Giu 02
Dic 02
Giu 03
Totale mobile con grandi lavori Totale mobile depurato dai grandi lavori
95
errori medi percentuali di previsioneerrori medi percentuali di previsione
Prodotto 1 Anno
Dati utilizzati 2001 2002 2003 Media
Prodotto 3 Anno
Dati utilizzati 2001 2002 2003 Media
Rilevanza informazioniRilevanza informazioni
Domanda 2,21% 3,84% 9,04% 5,03%
Domanda+eventi 1,61% 2,88% 7,14% 3,88%
Domanda+GL 2,85% 1,77% 5,18% 3,27%
Domanda+eventi e GL 2,24% 0,84% 3,64% 2,24%
Domanda 1,86% 3,77% 4,88% 3,50%
Domanda+eventi 0,27% 3,61% 4,66% 2,81%
Domanda+GL 1,07% 3,43% 4,02% 2,84%
Domanda+eventi e GL 0,07% 3,35% 3,68% 2,37%
Prodotto 2 Anno
Dati utilizzati 2001 2002 2003 Media
-- 189189 --
Domanda 1,16% 7,16% 7,71% 5,34%
Domanda+eventi 0,28% 7,33% 8,09% 5,23%
Domanda+GL 0,84% 0,59% 9,35% 3,59%
Domanda+eventi e GL 2,16% 0,49% 9,61% 4,09%
Informazioni: la collaborazioneInformazioni: la collaborazione
Interna: problema difficileIntegrazione funzionale
Es. caso alimentari: marketing, vendite, pianificazione, eccCreare una visione interna del processoCreare una visione interna del processo
Misure di prestazioneI sistemi di incentivazioneI sistemi informativi
Verso l’esterno: problema molto difficileNon agire solo su leve di prezzoChiedersi cosa vuole il cliente che per noi ha un costo contenutoAlcuni esempi:
-- 190190 --
Alcuni esempi:Il Vendor Managed Inventory
– Cliente fornisce dati sulla domanda– Fornitore gestisce riordini del cliente
Il Collaborative Planning Forecasting Replenishment– Fornitore e Cliente elaborano previsioni in modo congiunto