La nostra pianificazione finanziaria ci permette di verificare la plausibilità della nostra strategia e di fissare obiettivi realistici. In base a ciò, decidiamo, ad esempio, quando è necessario ampliare le nostre capacità di magazzino, quanti costi fissi possiamo sostenere o quanta liquidità ci serve. Nel tentativo di migliorare continuamente i nostri processi, abbiamo sviluppato il demand forecasting (previsione della domanda) come motore più importante della nostra pianificazione finanziaria, contribuendo così ad aumentarne la qualità e l'efficienza.
Numerose innovazioni portano a un modello di domanda significativamente migliore
Il miglioramento si riflette anche nelle metriche: la percentuale media di errore è passata dal 16% al 7% durante l'intero periodo di valutazione di un anno. Più tecnicamente: il coefficiente di determinazione (R²), che indica il legame tra la variabilità dei dati e la correttezza del modello statistico utilizzato, è stata migliorata dal 34% a oltre il 90%.
Migliori previsioni su tutte le gerarchie di prodotti e sui loro limiti
Il nostro demand forecasting prevede la domanda giornaliera della clientela in unità per gruppo di prodotti, tipo di cliente, modello di business e Paese di vendita. Da questo, il nostro modello finanziario ricava metriche come le vendite, il margine di contribuzione, il numero di consegne o di resi. Nella logistica, le quantità giornaliere sono un indicatore per la pianificazione del personale. Tutti questi fattori dipendono direttamente o indirettamente dal demand forecasting, che ci mostra punti deboli noti. Ad esempio, il sabato è stato sistematicamente sovrastimato, mentre la settimana del Black Friday è stata sottostimata. La tendenza a lungo termine nello sviluppo dei gruppi di prodotti si è discostata dalle aspettative del nostro Category Management, in alcuni casi con percentuali a due cifre. Inoltre, gli shock da domanda non potevano essere facilmente riconosciuti ed esclusi dal training del modello, portando, ad esempio, alla crescita insensata dei disinfettanti (dopo lo scoppio della pandemia di Covid), dei sistemi di accumulo di energia e dei droni (dopo lo scoppio della guerra in Ucraina).
Quantità giornaliere ordinate per i disinfettanti in Svizzera.
Abbiamo apportato numerose modifiche per evitare i punti deboli noti. Mentre all'inizio abbiamo stimato tutte le serie temporali con un unico modello sviluppato da Meta e chiamato Prophet, ora decidiamo nella prima fase quale tipo di modello è più adatto a prevedere le serie temporali. In base alla distribuzione dei dati, stimiamo separatamente le tendenze e le stagionalità o permettiamo al modello di includere i giorni in cui non viene venduto alcun prodotto. Attualmente distinguiamo cinque tipi di modelli e possiamo estenderli in futuro, se necessario, non appena ci rendiamo conto che un modello di dati precedentemente sconosciuto non può essere modellato correttamente da nessuno dei tipi esistenti. Data la varietà delle serie temporali, anche questo è necessario. Ad esempio, non vendiamo calendari dell'Avvento in estate, ma vendiamo salotti da giardino e accessori per auto. Vendiamo pannolini e latte d'avena Oatly in quantità sempre maggiori. La clientela aziendale di solito non ordina nel fine settimana, ma per la clientela privata la domenica è spesso il giorno della settimana con la domanda più forte.
Inoltre, ci si è chiesti a quale granularità possiamo stimare al meglio la domanda e quale sia più adatta al nostro modello finanziario. In un caso estremo, a livello di prodotto, dovremmo generare una previsione per diversi milioni di serie temporali e nell'altro caso estremo, aggregato su tutti i prodotti, perderemmo molte proprietà specifiche del prodotto. Dopo varie prove, abbiamo trovato una via di mezzo, in modo da rimanere sufficientemente granulari per non perdere le caratteristiche stagionali dei gruppi di prodotti, ma anche per avere a disposizione dati sufficienti per una previsione affidabile. Ciò ha portato a un numero significativamente inferiore di serie temporali per le quali la domanda era stata precedentemente prevista. Grazie a questa riduzione, anche il nostro monitoraggio può essere effettuato con meno sforzo. Questo significa che possiamo implementare con uno sforzo ragionevole aggiustamenti individuali, come un periodo di training più breve o una configurazione dei parametri del modello che differisce dal tipo di modello.
Mentre in passato era sempre una grande sfida fare previsioni accurate per la settimana del Black Friday e per la settimana prima e dopo Natale, grazie a modelli aggiuntivi siamo ora in grado di prevedere questi due periodi con una precisione paragonabile al resto dell'anno. Da un lato, l'effetto dell'interazione tra giorno feriale e giorno festivo durante il Natale è stato difficile da apprendere per un modello (se il 23 dicembre cade di sabato, non vengono consegnati pacchi il 24 dicembre), poiché questa combinazione di giorno feriale e giorno festivo si verifica solo una o due volte al massimo nei dati storici. Dall'altro, la Black Friday Week è stata introdotta due anni fa per distribuire meglio il picco del Black Friday nell'arco della settimana e alleggerire così il peso della logistica. Abbiamo risolto il primo problema addestrando modelli separati per i giorni festivi, che imparano dai dati di diverse serie temporali contemporaneamente e quindi vedono la combinazione di giorno feriale e giorno festivo più volte nei dati di addestramento. Siamo riusciti a rimediare a quest'ultimo problema addestrando un altro modello aggiuntivo che fa una previsione per l'intera domanda durante la settimana del Black Friday e poi la distribuisce in modo sensato nei singoli giorni della settimana.
Quantità giornaliere ordinate in Svizzera nel corso dell'anno.
Ne è valsa la pena? Il grafico qui sopra fornisce alcune indicazioni: vediamo le previsioni aggregate per la Svizzera. Per consentire un confronto equo, abbiamo addestrato il modello precedente e quello nuovo con gli stessi dati fino all'inizio di novembre 2023 e abbiamo generato una previsione per i 12 mesi successivi. Questo corrisponde esattamente al processo di pianificazione del budget. Un confronto mostra che la linea blu (la nuova previsione) segue la linea nera (i valori effettivi) in modo quasi congruente. La stagionalità settimanale, la settimana del Black Friday, il Natale e l'andamento generale sono migliorati. Se i sabati erano ancora costantemente sovrastimati dal modello di previsione precedente (riconoscibile dalle barre verticali verdi positive a intervalli regolari), non si nota alcun errore sistematico nelle barre verticali blu positive (i residui).
In definitiva, la previsione aggregata è composta da numerose previsioni a livelli gerarchici inferiori, come mostrato nel grafico precedente. L'accuratezza della previsione al livello più alto dipende quindi direttamente dall'accuratezza delle previsioni ai livelli più bassi. Il grafico a sinistra qui sotto, ad esempio, mostra la domanda per il gruppo di prodotti informatici in Svizzera. Anche la stagionalità settimanale è modellata in modo molto più preciso rispetto al passato.
Volumi d'ordine giornalieri per i computer in Svizzera.
Volumi d'ordine giornalieri per gli sport acquatici in Svizzera.
Tuttavia, il nuovo modello non deve essere visto come un oracolo. Ci sono sempre cose che un modello di previsione a lungo termine non può sapere con un anno di anticipo. Un buon esempio è la previsione per il gruppo di prodotti degli sport acquatici. Come si può vedere nel grafico qui a destra, la domanda effettiva di prodotti per gli sport acquatici nei mesi di luglio e agosto è stata piuttosto sottostimata. Il motivo sta nelle condizioni meteorologiche, che non possiamo prevedere in anticipo. Il modello assume un valore medio degli ultimi anni, che è chiaramente troppo basso. Infine, ma non per questo meno importante, attività di marketing come una campagna di buoni sconto o aggiustamenti a breve termine dei prezzi possono portare a una realtà diversa da quella che avevamo previsto. Il nostro modello di domanda non può conoscere questi fattori con un anno di anticipo.
Nel complesso, possiamo chiaramente confermare che lo sviluppo di un nuovo modello demand forecasting per la pianificazione finanziaria ha dato i suoi frutti. Oggi possiamo stimare l'andamento della domanda della clientela con un alto grado di affidabilità. Questo ci dà fiducia nei nostri obiettivi ambiziosi e il coraggio di continuare a cogliere le opportunità in modo «piratico». Non sappiamo ancora tutto, ma siamo posizionati in modo tale da poter reagire rapidamente ai cambiamenti.
