Previsione

della domanda

1. Introduzione pag. 3
1.1 Alcune problematiche pag. 12

Indice

2. I modelli di previsione pag. 14

2.1 Analisi delle serie storiche pag. 19
2.1.1 Media mobile semplice pag. 20
2.1.2 Media mobile ponderata pag. 22
2.1.3 Smorzamento esponenziale pag. 23

3. Errori di previsione pag. 26

4. Cenni sullanalisi di regressione lineare pag. 30
5. Scomposizione di una serie storica pag. 34
5.1 Effetti di trend (il modello di Holt) pag. 35
5.2 Effetti di trend e di stagionalit (il modello di Winter)pag.37

6. Studio del caso Tahoe Salt pag. 43

7. Previsione mediante simulazione pag. 51

8. Modello collaborativo di pianificazione, previsione,reintegro

1. Introduzione
Finanza e controllo di gestione

Marketing

Produzione

Commerciale

Previsione
3

Nel mondo della produzione industriale molto rari sono i

casi di aziende che hanno lintero orizzonte del Piano di
produzione basato sulle commesse acquisite dei clienti. I
prodotti di consumo (cibi, elettrodomestici, parti di
ricambio, farmaci) sono esempi di prodotti con prevalenti
previsioni di vendite.
Molte aziende forniscono una scadente assistenza alle
vendite e allo stesso tempo hanno elevate giacenze in
magazzino proprio a causa dellincapacit di realizzare
delle previsioni.

Quattro caratteristiche fondamentali delle

previsioni:
1) Le previsioni sono sempre sbagliate.
Tuttavia sono tutto quello che abbiamo a disposizione e
rappresentano pur sempre una base da cui partire.
2) Le previsioni dovrebbero essere espresse da almeno
due numeri.
Se le previsioni sono sempre sbagliate il problema
allora: quanto sono sbagliate? Spesso lerrore di
previsione pi prevedibile della previsione stessa

3) Le previsioni sono pi precise per famiglie.

Ci suggerisce che i programmi principali di produzione
dovrebbero essere costruiti, ove possibile, per famiglie di
prodotti, ritardando il pi possibile la conversione negli
articoli specifici del prodotto.
4) Le previsioni sono tanto pi sbagliate quanto pi sono
a lungo termine.
Questo spinge a dichiarare guerra ai lead time e ai tempi
di risposta, sia di produzione che di approvvigionamento.

Di fronte a ordini che si discostano dalle previsioni ci si

pu comportare in tre modi diversi:
1) modificare il pi rapidamente possibile il MPS per fare
fronte allurgenza: ci comporta costi maggiori, scontento
dei fornitori, elevate giacenze e clima da spegnimento di
incendio in fabbrica.
2) non modificare il piano e offrire al cliente le consegne
programmate sulla base delle previsioni: gli inconvenienti
sono scontento dei clienti, mancate vendite, elevate
giacenze di prodotti finiti.
7

3) aggiungere dei margini di variabilit selettivi sulle

voci specifiche di un prodotto finito e previsti dallo
stesso MPS (over-planning), in modo da consentire
che le vendite effettive siano diverse da quelle
pianificate, senza grossi turbamenti ai programmi di
produzione e di approvvigionamento

Over-planning significa aumentare la quantit da produrre

nel MPS.
Questi aumenti di quantit, esplosi attraverso la distinta di
base, incrementano la domanda di scorte e la capacit
necessaria
8

Ordinariamente le distinte di base non permettono

previsioni sulle singole voci ed pertanto necessario una
ri-definizione delle stesse introducendo la distinta di
pianificazione (planning bill o super bill).

Consideriamo un prodotto caratterizzato da tre feature; alla

prima corrispondono due opzioni alla seconda quattro ed
alla terza tre.
Luso delle super bill semplifica le definizione di MPS
perch programmare il numero di opzioni risulta pi
semplice che programmare le possibili combinazioni.
9

veicolo

Uno di 2
trasmissioni

Uno di 4
interni

Uno di 3
motori

- Numero di modelli possibili = 243 = 24

- Numero di moduli prodotti = 2+4+3 = 9
Nelle super bill si riportano le percentuali di clienti che scelgono
ciascuna opzione; ad esempio, per quanto riguarda la
caratteristica 1 lopzione A costituisce mediamente il 60% degli
ordini e lopzione B il 40%.
Le parti comuni hanno ovviamente percentuale duso del 100%.
Fluttuazioni nel mix di ordini sono coperte dalla scorta di
sicurezza SS.
10

Super bill
parti comuni
% uso = 1,0
SS = 0

Opzione 1A
% uso = 0,6
SS = 100

Opzione 2A
% uso = 0,1
SS = 100

Opzione 3A
% uso = 0,5
SS = 200

Opzione 1B
% uso = 0,4
SS = 150

Opzione 2B
% uso = 0,4
SS = 300

Opzione 3B
% uso = 0,4
SS = 100

Opzione 2C
% uso = 0,2
SS = 400

Opzione 3C
% uso = 0,1
SS = 250

Opzione 2D
% uso = 0,3
SS = 50

Se la previsione di vendita del prodotto generico 1000 unit, lMPS, che

in ambiente assemble to order dato a livello di moduli da assemblare,
preveder un fabbisogno lordo di 600 moduli corrispondenti allopzione
1A, di 400 corrispondenti allopzione 1B e cos via.
11

1.1 Alcune problematiche

12
Diversificazione ritardata: tenere gli articoli in stato di basso costo

13

2.

14

Principali modelli di previsione

1. Qualitativa
2. Analisi delle serie storiche
3. Causale
4. Modelli di simulazione
1- Qualitativa

Soggettiva, discrezionale, basata su stime ed opinioni

BOTTOM UP

Elabora la previsione inserendo input provenienti dal fondo della gerarchia distributiva,
concernenti loggetto della previsione. Una previsione delle vendite complessive, per esempio,
pu scaturire dalla combinazione di input da ogni venditore, il soggetto pi vicino al cliente
finale.

RICERCA DI
MERCATO

Procede alla raccolta die dati mediante diversi sistemi (indagini, interviste ecc.) per testare ipotesi
di mercato. Tipicamente applicata al prodotto, per prevedere le vendite nel lungo periodo e le
vendite dei nuovi prodotti.

PANEL CONSENSUS

Riunioni allargate, con libera circolazione di idee. Lidea che tali discussioni di gruppo
generano previsioni migliori delle elaborazioni del singolo. I partecipanti possono essere
dirigenti, venditori o clienti.

ANALOGIA STORICA

Pone in relazione la voce oggetto di previsione con articoli simili. Utile a pianificare nuovi
prodotti quando sia possibile derivare una previsione dai dati storici di un prodotto analogo.

METODO DELPHI

Gruppi di esperti rispondono ad un questionario. Un moderatore elabora i risultati e formula un

nuovo questionario, poi sottoposto al gruppo. Pertanto, ricevendo nuove informazioni, il gruppo
fruisce di un processo di apprendimento e non risente di influenze dovute a pressioni di
15gruppo o
a soggetti in posizione dominante.

2- Analisi delle
serie storiche

Basata sul concetto che la successione degli eventi nel tempo possa
essere usata per prevedere il futuro

MEDIA MOBILE
SEMPLICE

Si calcola la media aritmetica di una serie di valori puntuali di un periodo di tempo.

Ciascuno di essi, quindi, ha uguale peso.

MEDIA MOBILE
PONDERATA

A determinati valori possono essere attribuiti pesi superiori rispetto agli altri, secondo
valori suggeriti dallesperienza.

SMORZAMENTO
ESPONENZIALE

I valori recenti vengono ponderati secondo pesi esponenziali decrescenti,

proporzionalmente allinvecchiamento dei dati.

ANALISI DI
REGRESSIONE

Traccia una linea retta tra i dati passati, generalmente correlando il valore dei dati al
tempo. La tecnica pi comune per definire la retta quella dei minimi quadrati.

PROCEDURA BOXJENKINS

Correla ai dati una classe di modelli statistici e adegua il modello alla serie temporale
utilizzando le distribuzioni di Bayes.

SERIE TEMPORALE
DI SHISKIN

Ideata da Julius Shiskin del Census Bureau. Metodo efficace per scomporre una serie
temporale in elementi stagionali, di trend e irregolari.

PROIEZIONI DI
TREND

Adegua una linea di tendenza ai valori e la proietta nel futuro.

16

3- Casuale

Cerca di comprendere il sistema di relazioni casuali che circonda

la voce oggetto di previsione. Le vendite, ad esempio, possono
essere influenzate da pubblicit, qualit e concorrenti.

ANALISI DI
REGRESSIONE

Simile al metodo dei minimi quadrati, ma pu contenere variabili multiple. Fondata

sullidea che la previsione causata dal verificarsi di altri eventi.

MODELLI
ECONOMETRICI

Tentano di descrivere alcuni settori delleconomia attraverso una serie di equazioni

interdipendenti.

MODELLI DI
INPUT/OUTPUT

Indicano le probabili future variazioni di vendita entro un settore industriale, legate a

variazioni nei modelli dacquisto in un altro settore.

4- Modelli di
Simulazione

Modelli dinamici, normalmente originati al computer, che

consentono al pianificatore di fare delle ipotesi sulle variabili
interne e sullambiente esterno al modello. A seconda delle
variabili nel modello, il pianificatore pu porsi delle domande
come Che cosa accadrebbe alla mia previsione se il prezzo
aumentasse del 10%?, Che impatto avrebbe sulla mia
previsione una lieve flessione delleconomia nazionale?

17

Componenti della domanda

trend
sistematiche

cicliche
oscillatorie

componenti

stagionali

casuali
18

Livello
medio

19
Va inoltre tenuta in considerazione la componente autocorrelazione

Trend pi comuni

20

2.1 Analisi delle serie storiche

METODO DI
PREVISIONE

Quantit di dati
storici

Andamento dei dati

Orizzonte di
previsione

Tempo di
preparazione

Competenza
richiesta al
personale

Smorzamento
esponenziale
semplice

Da 5 a 10 osservazioni
per assegnare il peso

I dati dovrebbero essere

stazionari

Breve

Breve

Minima

Smorzamento
esponenziale di
Holt

Da 10 a 15
osservazioni per
assegnare entrambi i
pesi

Presenza di trend,
assenza di stagionalit

Da breve a
medio

Breve

Sufficiente

Smorzamento
esponenziale di
Winter

Almeno 4 o 5
osservazioni per
stagione

Presenza di trend e
stagionalit

Da breve a
medio

Breve

Discreta

Modelli di
regressione con
trend

Da 10 a 20; per la
stagionalit almeno 5
per stagione

Presenza di trend e
stagionalit

Da breve a
medio

Breve

Discreta

Modelli di
regressione casuale

10 osservazioni per le
variabili indipendenti

Andamenti complessi
gestibili

Breve medio o
lungo

Tempo di elaborazione
lungo, tempo di
implementazione
breve

Buona

Box-Jenkins

50 o piuosservazioni

Il set di dati deve essere

stazionario o deve esser
convertito in stazionario

Breve medio o
lungo

Lungo

Elevata

21

2.1.1 Media mobile semplice

At 1 + At 2 + ... + At n
Ft =
n
Ft = previsione per il periodo entrante
n = numero di periodi su cui si calcola la media
At-n = domanda effettiva n periodi indietro nel tempo
* Pi lungo il periodo della media mobile e pi gli elementi
casuali vengono livellati

* Se i dati presentano un trend un periodo di media pi corto

consentir una maggiore aderenza al trend
22

23

2.1.2 Media mobile ponderata

Ft = w1 At 1 + w2 At 2 + ... + wn At n
n = numero di periodo su cui si calcola la media
n

wn = peso da attribuire al periodo t-n

w
i =1

Mese 1

Mese 2

Mese 3

Mese 4

100

90

105

95

=1

Dando maggior peso ai dati pi recenti:

w1 = 0.4, w2 = 0.3, w3 = 0.2, w4 = 0.1
F5 = 0.4x95+0.3x105+0.2x90+0.1x100 = 97.5
24

2.1.3 Smorzamento esponenziale

Utile nei casi in cui i dati pi recenti sono pi significativi dei dati
pi lontani nel tempo

Ft = Ft 1 + ( At 1 Ft 1 )
Si richiedono solo 3 dati Ft-1 At-1 e = coefficiente di reazione desiderato

Ft = At 1 + (1 ) Ft 1

Ft 1 = At 2 + (1 ) Ft 2

Ft = At 1 + (1 )[At 2 + (1 ) Ft 2 ]

Ft = At 1 + (1 ) At 2 + (1 ) 2 At 3 + ... + (1 ) k 1 At k + (1 ) t F0
= k =1 (1 ) k 1 At k + (1 ) t F0
t

25

26

La previsione della domanda in periodi successivi al primo

Si considera A(t + ) uguale ad F(t), con = 1, 2, ampiezza
dellorizzonte di previsione
periodo

quantit

975

1025

895

1055

925

985

775

805

880

10

870

11

915

12

855

con n = 2 e = 3
F13 = (855 + 915)/2 = 885 = F14 = F15
Al tempo 13 se A13 = 890
F14 = (890 + 855)/2 = 872.5 = F15 = F16
* Lorizzonte temporale di previsione di tipo
mobile (rolling horizon)

27

3. Errori di previsione
Domanda osservata (O) = Componente Sistematica (S) + Componente Casuale (R)

Componente sistematica:
1) Level = domanda destagionalizzata
2) Trend = tasso di crescita o di perdita della domanda nel periodo
successivo
3) Stagionalit = fluttuazioni stagionali della domanda
Componente casuale: parte della previsione che non compresa
nella componente sistematica. Unimpresa non pu prevedere la
componente casuale.
1) Errore casuale: errori non spiegabili con il modello previsionale impiegato
2) Errore sistematico: dovuto ad utilizzo di relazioni improprie tra le variabili,
uso sbagliato di trend, errato posizionamento della domanda stagionale,
esistenza di tendenze pluriennali non rilevate. Pu essere rilevato utilizzando
i
28
tracking signal.

Misurazione dellerrore
Errore di previsione nel periodo t =
MSE (Mean Squared Error) =

Et = At Ft

1 n
2
( At Ft )

t =1
n

* In pratica si pu considerare che la componente casuale abbia

una distribuzione normale con valor medio pari a 0 e varianza pai a
MSE
MAD (Mean Absolute Deviation) =

1 n
A Ft

t =1 t
n

Ipotizzando al solito che la componente casuale sia distribuita

secondo una curva normale, allora :
Deviazione standard = MAD/2 1.25 MAD
29

MAPE (Mean Absolute Percentage Error) =

1 n Et
100

n t =1 At
Per valutare se le previsioni consecutivamente stanno sovra o sotto
stimando la domanda effettive si valuta il BIAS:

BIAS = t =1 Et
n

O ancora meglio il Tracking Signal (TS):

BIASt
TS t =
MADt
30

BIAS
BIAS

BIAS

In linea generale se il TS ad ogni periodo fuori dal range 6, questo un segnale che il
nostro modello di previsione tendenzialmente sottostima (TS > 6) o sovrastima (TS 31
< -6) la
domanda sar necessario utilizzare dei modelli che tengano in considerazione i trend.

4. Cenni sullanalisi di regressione lineare

Retta che interpola una serie di dati (retta dei minimi quadrati):

Y = a + bX
Y = variabile dipendente
X = variabile indipendente (tempo)

y x x (x y )

Intercetta sullasse Y a =
n x ( x )
n ( x y ) x y
Pendenza della retta b =
n x ( x )
2
i

2
i

i
2
i

* Usata nei modelli di previsione attraverso serie temporali e

mediante relazioni casuali
32

Si conoscono i dati della produzione di frumento (in milioni di quintali)

negli anni dal 1996 al 2004
Anni
1996
1997
1998
1999
2000
2001
2002
2003
2004

xi
0
1
2
3
4
5
6
7
8
36

yi
85,65
91,8
94,6
88,55
86,4
98,2
90,5
99,35
90,7
825,75

xi^2
0
1
4
9
16
25
36
49
64
204

xi yi
0
91,8
189,2
265,65
345,6
491
543
695,45
725,6
3347,3

n=9

= 36

( xi ) 2 = 36 2 = 1296
825.75 204 36 3347.3
a=
= 88.798
9 204 1296
9 3347.3 36 825.75
b=
= 0.738
9 204 1296

110
100
90

y = 0,7383x + 88,797

80

R = 0,1756
70
60
50
0

10

Per lanno 2005 si pu

prevedere una produzione
di frumento di:
33
0.73839 + 88.798 = 95.44

Si parla di correlazione tra X ed Y quando si vuole misurare il grado

di intensit della relazione lineare che intercorre tra i due fenomeni
Coefficiente di correlazione

r=

[n x

n xy x y

][

( x ) 2 n y 2 ( y ) 2

9 3347.3 36 825.75
r=
= 0.419
(9 204 1296)(9 75948.8 681863)

r 2 = 0.1756

34

Anni
1996
1997
1998
1999
2000
2001
2002
2003
2004

xi
0
1
2
3
4
5
6
7
8
36

yi
85,65
91,8
94,6
88,55
86,4
98,2
90,5
99,35
90,7
825,75

xi^2
0
1
4
9
16
25
36
49
64
204

yi^2
7335,9
8427,2
8949,2
7841,1
7465,0
9643,2
8190,3
9870,4
8226,5
75948,8

xi yi
0
91,8
189,2
265,65
345,6
491
543
695,45
725,6
3347,3

yi lin
88,80
89,54
90,27
91,01
91,75
92,49
93,23
93,97
94,70

(yi-yi lin)^2
9,9
5,1
18,7
6,1
28,6
32,6
7,4
29,0
16,0
153,5

2
y
y
(

)
i i

yi pol
87,7
89,3
90,6
91,7
92,5
93,1
93,5
93,7
93,6

dev stand
4,13006368

(yi-yi pol)^2
4,2
6,4
16,1
9,7
37,5
25,5
9,2
32,0
8,5
149,3

yi esp
88,7
89,5
90,2
90,9
91,6
92,4
93,1
93,9
94,6

(yi-yi esp)^2
9,6
5,5
19,6
5,5
27,4
34,0
6,8
30,2
15,3
153,8

dev stand
4,07338785

dev stand
4,134133674

105
100
95

105
90

100

y = 0,7383x + 88,797

85

R = 0,1756
95

80
0

105

10

90
100

y = -0,1166x + 1,6708x + 87,709

85

R = 0,1981

95

80
90

y = 88,746e

85

0,008x

R = 0,177

35

80
0

10

10

5. Scomposizione di una serie storica

Lobbiettivo di qualsiasi modello di previsione quello di prevedere
la componente sistematica della domanda.
Le situazioni pi diffuse sono:
Moltiplicativa: componente sistematica = level x trend x stagionalit
Additiva: componente sistematica = level + trend + stagionalit
Mixed: componente sistematica = (level + trend) x stagionalit

36

5.1 Effetti di trend (il modello di Holt)

componente sistematica = level + trend

FITt = Ft 1 + Tt 1
Ft = FITt + ( At FITt )

Tt = Tt 1 + ( Ft FITt )
FITt = previsione con trend al periodo t
Tt = trend smorzato esponenzialmente
= costante di smorzamento del trend (cos come anche ha
un valore compreso tra 0 ed 1

Nei periodi successivi al primo si assume:

FITt+n = Ft-1 + (n+1) Tt-1

37

Si assuma di avere inizialmente Ft-2 = 100 ed ipotizziamo Tt-2 = 10.

Si assume inoltre = 0.2 e = 0.3. Supponendo che la domanda
reale al tempo t-1 stata di 115 e non di 100, si vuole calcolare la
previsione per il periodo t.
FITt-1= Ft-1+Tt-1= 100 + 10 = 110; con At-1 = 115
Ft-1 = FITt-1 + (At-1 FITt-1) = 110 + 0.2(115 110) = 111
Tt-1 = Tt-2 + (Ft-1 FITt-1) = 10 + 0.3(111 110) = 10.3
FITt = Ft-1 + Tt-1 = 111 + 10.3 = 121.3
FITt+3 = Ft-1 + (n+1) Tt-1 = 111 + 4 10.3 = 152.2
Se la domanda reale al periodo t si rivelasse pari a 120 la
previsione per il periodo t+1 sarebbe:
Ft = 121.3 + 0.2(120 - 121.3) = 121.04
Tt = 10.3 + 0.3(121.04 121.3) = 10.22
FITt+1 = 121.04 + 10.22 = 131.26
38

5.2 Effetti di trend e di stagionalit (il modello di Winter)

componente sistematica = (level + trend) x stagionalit

Passi del processo di scomposizione di una serie storica:
1) Scomporre la serie temporale nei suoi componenti

Individuare i componenti di stagionalit

Destagionalizzare la domanda
Individuare i componenti di level e di trend

2) Prevedere i valori futuri di ogni componente

Proiettare il componente di trend nel futuro

Moltiplicare il componente (level + trend) per il componente
stagionale

39

Domanda di sale alla Tahoe Salt

anno
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003

trimestre periodo t domanda A(t)

2
1
8000
3
2
13000
4
3
23000
1
4
34000
2
5
10000
3
6
18000
4
7
23000
1
8
38000
2
9
12000
3
10
13000
4
11
32000
1
12
41000

45000
40000
35000
30000
25000
20000
15000
10000
5000
0
1

10

11

12

Periodicit = numero di periodi dopo i quali il ciclo stagionale si ripete

per il caso in esame la periodicit (p) uguale a 4
Domanda destagionalizzata:

At =

t + p / 2

A / p
i

per p dispari

i =t p / 2

t 1+ ( p / 2 )

At = At ( p / 2 ) + At + ( p / 2 ) + 2 Ai / 2 p
i =t +1 ( p / 2 )

per p pari

40

Nel caso Tahoe

1
2
3
4
5
6
7
8
9
10
11
12
13

A3 = A1 + A5 + 2 Ai / 8 = 19750
i=2

A
B
C
periodo t domanda A(t) domanda destagionalizzata
1
8000
2
13000
=(B2+B6+2*SOMMA(B3:B5))/8
3
23000
19750
4
34000
20625
5
10000
21250
6
18000
21750
7
23000
22500
8
38000
22125
9
12000
22625
10
13000
24125
11
32000
domanda
45000
12
41000
domanda
destagionalizzata

40000
35000
30000
25000
20000
15000
10000
5000
0
1

10

41

11

12

Una volta determinati i dati della domanda destagionalizzata si

assume che sussista una relazione lineare tra i dati destagionalizzati
ed il tempo:

At = F0 + T t
F0 = level, o domanda destagionalizzata al tempo 0
T = trend, tasso di crescita della domanda destagionalizzata
Nel caso Tahoe impostando una regressione lineare dei dati
domanda
destagionalizzati si ha:

At = 18439 + 524t

29000

domanda
destagionalizzata

27000

y = 523,81x + 18439

25000
23000
21000
19000
17000
15000
1

10

42

11

12

Fattore di stagionalit:
1
2
3
4
5
6
7
8
9
10
11
12
13

At
St =
At

A
B
C
periodo t domanda A(t) domanda destagionalizzata
1
8000
18963
2
13000
19487
3
23000
20011
4
34000
20535
5
10000
21059
6
18000
21583
7
23000
22107
8
38000
22631
9
12000
23155
10
13000
23679
11
32000
24203
12
41000
24727

=18439+524*A2
D
fattore di stagionalit
0,42
0,67
1,15
1,66
0,47
0,83
1,04
1,68
0,52
0,55
1,32
1,66

=B2/C2

Se si hanno a disposizione r cicli stagionali il fattore di stagionalit pu essere calcolato

come la media sui r cicli:

r 1

Si = S jp +i / r

j =0

Nel caso Tahoe con p = 4 e r = 3

S1 = ( S1 + S 5 + S9 ) / 3 = (0.42 + 0.47 + 0.52) / 3 = 0.47

S 2 = ( S 2 + S 6 + S10 ) / 3 = (0.67 + 0.83 + 0.55) / 3 = 0.68 S3=1.17, S443
=1.67

La previsione data da

FITt +1 = ( Ft + Tt ) St +1
Ft +1 = ( At +1 / St +1 ) + (1 + )( Ft Tt )

Tt +1 = ( Ft +1 Ft ) + (1 )Tt

St + p +1 = ( At +1 / Ft +1 ) + (1 ) St +1
FITt+1 = previsione con level, trend e stagionalit al periodo t+1
Tt = trend smorzato esponenzialmente
S = fattore di stagionalit
= costante di smorzamento del fattore di stagionalit (cos come
e anche ha un valore compreso tra 0 ed 1
Si ha inoltre:

FITt +l = ( Ft + lTt ) St +l
44

6. Studio del caso Tahoe Salt

45

Media mobile semplice

con n = 4

=SOMMA($E$6:E6)/H6
=MEDIA($I$6:I6)
=SOMMA($F$6:F6)/(A6-4)

=MEDIA(B2:B5)

A
1 periodo t
2
1
3
2
4
3
5
4
6
5
7
6
8
7
9
8
10
9
11
10
12
11
13
12

B
domanda A
8000
13000
23000
34000
10000
18000
23000
38000
12000
13000
32000
41000

=SOMMA.Q($E$6:E6)/(A6-4)
=C5

=D6-B6

=ASS(E6)

C
level F

D
forecast FIT

E
error E

F
errore assoluto

19500
20000
21250
21250
22250
22750
21500
23750
24500

19500
20000
21250
21250
22250
22750
21500
23750

9500
2000
-1750
-16750
10250
9750
-10500
-17250

9500
2000
1750
16750
10250
9750
10500
17250

=100*(F6/B6)
G
MSE

H
MAD

I
%error

90250000
9500
95
47125000
5750
11,11111
32437500
4416,667 7,608696
94468750
7500
44,07895
96587500
8050
85,41667
96333333,33 8333,333
75
98321428,57 8642,857 32,8125
123226562,5 9718,75 42,07317

J
MAPE

K
TS

95,0
53,1
37,9
39,4
48,6
53,0
50,1
49,1

1,0
2,0
2,2
-0,9
0,4
1,6
0,3
-1,5

46

FIT13 = FIT14 = FIT15 = FIT16 = F12 = 24500

Poich MAD = 9719 la deviazione standard dellerrore di previsione
pari a 1.25 x 9719 = 12148 (valore abbastanza elevato in relazione
alla previsione)
TS rimane nel range 6 la previsione con n = 4 non produce
significativi valori di BIAS

47

Smorzamento esponenziale
1 12
F0 = Ai = 22083
12 i =1
con = 0.1
=0,1*B3+(1-0,1)*C2
=C2
1
2
3
4
5
6
7
8
9
10
11
12
13
14

A
t
0
1
2
3
4
5
6
7
8
9
10
11
12

B
A
8000
13000
23000
34000
10000
18000
23000
38000
12000
13000
32000
41000

C
F
22083
20675
19907
20217
21595
20435
20192
20473
22225
21203
20383
21544
23490

=SOMMA($E$3:E3)/H3
=MEDIA($I$3:I3)
=SOMMA($F$3:F3)/A3

=SOMMA.Q($E$3:E3)/A3
=D3-B3

=100*(F3/B3)

=ASS(E3)

D
FIT

E
error E

F
errore ass

G
MSE

H
MAD

I
%error

J
MAPE

K
TS

22083
20675
19907
20217
21595
20435
20192
20473
22225
21203
20383
21544

14083
7675
-3093
-13783
11595
2435
-2808
-17527
10225
8203
-11617
-19456

14083
7675
3093
13783
11595
2435
2808
17527
10225
8203
11617
19456

198330889
128615955
88932378
114195454
118244501
99525590
86434191
114030916
112978425
108409252
110823399
133131785

14083
10879
8283
9658
10046
8777
7925
9125
9247
9143
9368
10208

176
59
13
41
116
14
12
46
85
63
36
47

176
118
83
72
81
70
62
60
62
63
60
59

1,0
2,0
2,3
0,5
1,6
2,2
2,0
-0,2
1,0
1,9
0,6
-1,4

FIT13 = FIT14 = FIT15 = FIT16 = F12 = 23490

MAD = 10208 = 1.25 x 10208 = 12761

48
TS rimane tra 6 la previsione con = 0.1 non produce significativi valori di BIAS

Il modello di Holt
con = 0.1 e = 0.2
periodo t domanda A
1
8000
2
13000
3
23000
4
34000
5
10000
6
18000
7
23000
8
38000
9
12000
10
13000
11
32000
12
41000

45000
40000
35000
30000
25000
20000

y = 1549x + 12015

15000
10000
5000
0
1

F0 = 12015, T0 = 1549

10

11

12

49

=SOMMA($G$3:G3)/I3
=0,1*B3+(1-0,1)*(C2+D2)

=MEDIA($J$3:J3)

=0,2*(C3-C2)+(1-0,2)*D2
=C2+D2

=SOMMA($F$3:F3)/A3
=SOMMA.Q($F$3:F3)/A3

=E3-B3
1
2
3
4
5
6
7
8
9
10
11
12
13
14

A
t
0
1
2
3
4
5
6
7
8
9
10
11
12

B
A
8000
13000
23000
34000
10000
18000
23000
38000
12000
13000
32000
41000

C
F
12015
13008
14301
16439
19594
20322
21570
23123
26018
26262
26298
27963
30443

D
T
1549
1438
1409
1555
1875
1645
1566
1563
1830
1513
1217
1307
1541

=100*(G3/B3)

=ASS(F3)

E
FIT

F
error E

G
errore ass

H
MSE

I
MAD

J
%error

K
MAPE

L
TS

13564
14445
15710
17993
21469
21967
23137
24686
27847
27775
27515
29270

5564
1445
-7290
-16007
11469
3967
137
-13314
15847
14775
-4485
-11730

5564
1445
7290
16007
11469
3967
137
13314
15847
14775
4485
11730

30958096
16523523
28732318
85603146
94788701
81613705
69957267
83369836
102010079
113639348
105137395
107841864

5564
3505
4767
7577
8355
7624
6554
7399
8338
8981
8573
8836

70
11
32
47
115
22
1
35
132
114
14
29

70
40
37
40
55
49
42
41
52
58
54
52

1,0
2,0
-0,1
-2,1
-0,6
-0,1
-0,1
-1,9
0,2
1,8
1,4
0,0

FIT13 = F12 + T12 = 30443+1541 = 31984; FIT14 = F12 + 2T12 = 33525;

FIT15 = F12 + 3T12 = 35066; FIT16 = F12 + 4T12 = 36607

MAD = 8836 = 1.25 x 8836 = 11045

50
TS rimane tra 6 con = 0.1 e = 0.2 non si produce significativi valori di BIAS

Il modello di Winter

con = 0.05, = 0.1 e = 0.1

F0 = 18439, T0 = 524, S1 = 0.47, S2 = 0.68, S3 = 1.17, S4 = 1.67

=0,05*(B3/E3)+(1-0,05)*(C2+D2)

=SOMMA($G$3:G3)/J3

=0,1*(C3-C2)+(1-0,1)*D2

=MEDIA($K$3:K3)
=SOMMA($H$3:H3)/A3

=0,1*(B3/C3)+(1-0,1)*E3
=(C2+D2)*E3

=SOMMA.Q($G$3:G3)/A3
=F3-B3

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

A
t
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

B
A
8000
13000
23000
34000
10000
18000
23000
38000
12000
13000
32000
41000

C
F
18439
18866
19367
19869
20380
20921
21689
22102
22636
23291
23577
24271
24791

D
T
524
514
513
512
512
515
540
527
528
541
515
533
532

=100*(H3/B3)

=ASS(G3)

E
S

F
FIT

G
error E

H
errore ass

I
MSE

J
MAD

K
%error

L
MAPE

M
TS

0,47
0,68
1,17
1,67
0,47
0,68
1,17
1,67
0,47
0,69
1,16
1,67
0,47
0,68
1,17
1,67

8913
13179
23260
34036
9723
14558
25981
37787
10810
16544
27849
41442

913
179
260
36
-277
-3442
2981
-213
-1190
3544
-4151
442

913
179
260
36
277
3442
2981
213
1190
3544
4151
442

832857
432367
310720
233364
202036
2143255
3106508
2723856
2578653
3576894
4818258
4432987

913
546
450
347
333
851
1155
1037
1054
1303
1562
1469

11
1
1
0
3
19
13
1
10
27
13
1

11,41
6,39
4,64
3,50
3,36
5,98
6,98
6,18
6,59
8,66
9,05
8,39

1,00
2,00
3,00
4,00
3,34
-2,74
0,56
0,42
-0,72
2,14
-0,87
-0,63

51

FIT13 = (F12 + T12 ) S13 = (24791+532)x0.47 = 11940;

FIT14 = (F12 + 2T12 ) S14 = 17579;
FIT15 = (F12 + 3T12 ) S15 = 30930;
FIT16 = (F12 + 4T12 ) S16 = 44928;
MAD = 1469 = 1.25 x 1469 = 1836
TS rimane tra 6 con = 0.05, = 0.1 e = 0.1 non si produce
significativi valori di BIAS; inoltre la previsione non risulta
tendenzialmente sottostima (TS < -6) o sovrastima (TS > 6)
Modello di previsione

MAD

MAPE

TS range

Media mobile semplice

9719

49

Tra 1.52 a 2.21

Smorzamento esponenziale

10208

59

Tra 1.38 a 2.25

Modello di Holt

8836

52

Tra 2.15 a 1.85

Modello di Winter

1469

Tra 2.74 a 4.00

52

7. Previsione mediante relazione causale

Relazione causale: periodo piogge vendita ombrelli

Esempio

53

300

y = 109,23x - 8,135

250

R = 0,9595
200
150
100
50
0
0

0,5

1,5

2,5

vendite con investimenti pari a 1.75 M

109,23(1.75) 8,135 = 183 (x1000) unit
54

Analisi di regressione multipla

Supponiamo di voler conoscere le vendite di accessori per casa:

V = B + Bm(M) + Bc(C) + Br(R) + Bt(T)

V = vendite lorde per anno
B = vendite di base
M = matrimoni durante lanno
C = costruzioni di case avviate durante lanno
R = reddito annuo pro capite
T = tendenza temporale (primo anno = 1, secondo anno = 2, ecc.)
Bm, Bc, B e Bt coefficienti delle variabili indipendenti

55

7. Previsione mediante simulazione

definizione di semplici regole di previsione
simulazione dellapplicazione di tali regole a dati del passato
per valutarne lefficacia
vendite anno
passato
Gennaio
6
Febbraio
212
Marzo
378
Aprile
129
Maggio
163
Giugno
96
Luglio
167
Agosto
159
Settembre
201
Ottobre
153
Novembre
76
Dicembre
30

vendite anno
corrente
72
90
108
134
92
167

Regola 1: qualunque cosa abbiamo venduto

negli ultimi tre mesi equivale a quanto
venderemo nei prossimi tre. Testiamo la regola:
Previsione (aprile+maggio+giugno) = domanda
(gennaio+febbraio+marzo) = 72+90+108 = 270;
efficacia della regola: 270/(134+92+137) = 74%

Regola 2: qualunque sia la variazione

percentuale avuta nei tre mesi passati, rispetto al
medesimo periodo dellanno precedente essa
equivarr alla variazione che si avr nei
prossimi tre mesi. Testiamo la regola:
previsione (aprile+maggio+giugno) = [domanda(gennaio+febbraio+marzo)/domanda
anno scorso(gennaio+febbraio+marzo)]=
56
[(72+90+108)/(6+212+378)]x(129+163+96)= (270/596)x388=175; 175/363 = 48%

8. Modello collaborativo di pianificazione, previsione e reintegro

Fasi del processo:

Stipula tra gli attori della filiera di un accordo di collaborazione con cui
si definiscono obbiettivi (riduzione giacenze, ridurre le vendite in
perdita, ), fabbisogno di risorse (hardware, software, ), requisiti di
riservatezza.
Business plan congiunto per valutare lefficacia delle scelte
Sviluppo delle previsioni della domanda
Condivisione delle previsioni
57
Reintegro delle scorte