Sei sulla pagina 1di 131

SEMINARIO DEMAND PLANNING

Previsione e gestione
della domanda
commerciale

Prof. Fabrizio Dallari


Ing. Damiano Milanato

Centro di Ricerca sulla Logistica


Universit Carlo Cattaneo LIUC

Demand Planning 1

INDICE DEGLI ARGOMENTI TRATTATI

Demand Planning e Supply Chain Management

Demand Planning: processi e tipologie di piani

Workflow di Demand Planning

Dimensioni di analisi del Demand Planning

Modelli e algoritmi di Sales Forecasting

Modelli qualitativi per la previsione della domanda

Demand Planning & Information Technology

Demand Planning 2

1
LA PREVISIONE E IL PROCESSO DI PIANIFICAZIONE
Demand
Demand & Operation Planning Management
Sistema produttivo Sistema distributivo Ordini e Previsioni

MP WIP PF PF PF

Production
Procurement Planning Inventory
Planning & MRP Planning

Sales Forecasting
Distribution
Aggregate &Transport
Planning
Planning

Demand Planning 3

F.A.Q. (FREQUENTLY ASKED QUESTIONS)

PERCH ?
PREVEDERE
COSA ?

QUANDO ?

CHI ?

COME ?

QUANTO COSTA ?

Demand Planning 4

2
PERCH PREVEDERE ?
Fasi del ciclo produttivo - distributivo Alternative
produttive
Approvvigion. Produzione Assemblaggio Spedizione
Engineer - prodotto
to order Non sono richieste previsioni personalizzato
su commessa

Make to - prodotto
Previsioni su standard su
order materie prime ordine

Assembly Previsioni su - prodotto


to order personalizzato su
materie prime e componenti moduli standard

Make to Previsioni su - produzione


stock materie prime, componenti e prodotti finiti di serie

Ship to Previsioni su - beni di largo


stock materie prime, componenti e prodotti finiti (disaggregata) consumo

Lead Time accettato dai clienti / consentito dal mercato


Demand Planning 5

PERCH PREVEDERE ? Ordine vs. Previsione

Principio del Postponement : differenziare i prodotti il pi tardi possibile

La struttura del prodotto, in termini di rapporto tra il numero di componenti diversi


e di opzioni di prodotto finito, condiziona il punto nel quale collocare la cerniera

prodotto
standard

parti Gestione su Gestione prodottI


comuni
previsione su ordine finitI

LT concesso
dal mercato

LT totale di produzione

Demand Planning 6

3
COSA PREVEDERE ?

Si parla di previsioni della domanda ma spesso si fanno previsioni delle


vendite

Produzione Distribuzione Punto vendita Cliente


(fornitore) (cliente) finale

Domanda del
Fatture Ordini Ordini Ordini Vendite
cliente finale
emesse ai consegnati confermati ricevuti (dati POS)
(lista della
clienti ai clienti ai clienti dai clienti sell-out
spesa)

dilazione problemi mancanza politiche eventi / azioni


pagamenti logistici prodotto di riordino promozionali

Demand Planning 7

COSA PREVEDERE ?
PRODOTTO

business unit

brand
3 LIVELLI DI
AGGREGAZIONE famiglia
gruppo comm., tecn.

codice articolo
SKU PERIODO DI
RIFERIMENTO
punto vendita __
cliente __
area comm. __
totale country __
totale mondo __

Inoltre esistono diverse UNIT DI MISURA :


MERCATO / AREA kg, litri, pezzi, colli, pallet, euro, etc.
GEOGRAFICA
Demand Planning 8

4
QUANDO PREVEDERE ?

ORIZZONTE TEMPORALE DI PREVISIONE


Previsioni su :
LUNGO TERMINE ( > 2 3 ANNI)
vendite totali, capacit
DECISIONI STRATEGICHE produttiva, modello di
distribuzione,lancio
(pianificazione per divisioni, linee di prodotto, mercati) di nuovi prodotti, ...

MEDIO TERMINE (1 2 ANNI) vendite totali e per


linee di prodotto,
DECISIONI TATTICHE prezzi per linee di
prodotto, condizioni
(budget annuale; previsioni aggregate) generali economiche...

BREVE TERMINE ( 0 6 MESI)


vendite per codice
DECISIONI OPERATIVE prodotto, per area
geografica, per cliente,
(previsioni disaggregate su base settimanale e prezzi e volumi ...
mensile)
Demand Planning 9

QUANDO PREVEDERE ?

CICLO DI VITA DEL PRODOTTO

Volume
MATURIT

DECLINO

CRESCITA
INTRODUZIONE

Et

Demand Planning 10

5
LEGGE DI PROPAGAZIONE DEGLI SCARTI

Laccuratezza delle previsioni :


ALLAUMENTARE DEL LIVELLO DI AGGREGAZIONE DI PRODOTTO
(es. la previsione fatta a livello di famiglia di prodotto risulta pi accurata
rispetto alla previsione ottenuta a partire dai singoli prodotti)

ALLAUMENTARE DEL LIVELLO DI AGGREGAZIONE NEL TEMPO


(es. la previsione fatta su base mensile risulta pi accurata rispetto alla
previsione ottenuta per le singole settimane)

ALLAUMENTARE DEL LIVELLO DI AGGREGAZIONE NELLO SPAZIO


(es. la previsione fatta sul totale vendite Italia risulta pi accurata rispetto
alla previsione ottenuta per le singole Regioni)

ALLAUMENTARE DELLORIZZONTE PREVISIONALE


(tanto pi lontano il momento in cui si vuole prevedere quanti pi sono
gli eventi casuali di disturbo)
Demand Planning 11

CHI DEVE PREVEDERE CHE COSA ?


Le principali funzioni aziendali effettuano previsioni con differenti obiettivi, livelli di
aggregazione, unit di misura, periodi di riferimento e orizzonti previsionali

Marketing / Produzione Contabilit


Logistica
Vendite / Acquisti / Finanza

Esigenze analisi nuovi prodotti approvv. MP/WIP costo del denaro gestione scorte PF
previsionali trend consumi piano di produzione richieste di capitale piano consegne
nuovi canali commer. capacit produttiva liquidit addetti magazzino
politiche di prezzo investimenti tassi e cambi capacit stoccaggio
effetto promozioni manodopera profitti e perdite capacit movimentaz.
obiettivi di vendita costo materiali
Livello di
aggregazione articolo, famiglia SKU, articolo totale azienda, SKU
divisione, famiglia
Periodo e annuale, con 1-6 mesi / 1-5 anni annuale, con 1-4 settimane /1-2
orizzonte di aggiornamento con aggiornamento aggiornamento anni con
riferimento mensile, trimestrale settimanale/mensile mensile, trimestrale aggiornamento
settimanale/giornal.
Demand Planning 12

6
CHI DEVE PREVEDERE CHE COSA ?

L'UNICIT DELLA PREVISIONE


Difficilmente in azienda si ha una visione unica e condivisa della previsione
e spesso esistono contrasti e contraddizioni di carattere strutturale

Vendite
Marketing Produzione
Acquisti
Comunico allinterno Finanza
100 per essere sicuro Programmo per 70 Logistica
di avere 80 perch quelli Compro 90 perch
esagerano sempre mancano sempre i Se dicono 90 avranno
materiali bisogno di soldi per 110
?
Generalmente le previsioni elaborate dal Marketing riflettono obiettivi commerciali a
livello aggregato, non legati al processo di pianificazione (generano previsioni senza
vincoli di capacit).
Al contrario le previsioni elaborate dalla Logistica o dalla Produzione rispettano i
vincoli di capacit ma ignorano le informazioni provenienti dal mercato.
Demand Planning 13

QUADRO DELLE METODOLOGIE PREVISIONALI

- FORZA DI VENDITA

METODI QUALITATIVI - PANEL DI ESPERTI / METODO DELPHI


E A BASE SOGGETTIVA: - SCENARI FUTURI / ANALOGIE
- INDAGINI DI MERCATO, TEST E SONDAGGI

METODI CAUSALI BASATI - REGRESSIONE (lineare, quadratica,multipla,...)


SU CORRELAZIONE :
- ECONOMETRICI / INPUT-OUTPUT

- MEDIE MOBILI (semplice, ponderata,..)


TECNICHE ESTRAPOLATIVE - SMORZAMENTO ESPONENZIALE (Winters...)
DELLE SERIE STORICHE :
- DECOMPOSIZIONE / PROIEZIONE TREND

- ARIMA (Box Jenkins)


Demand Planning 14

7
COME PREVEDERE Utilizzo congiunto delle metodologie

Metodi Causali Tecniche Estrapolative


DB base demand forecast tunnel
Domanda

P 1 P2 P3 P4

effetti
cause
base
a b
forecast

Metodi Qualitativi DB
eventi
info mercato
piani MKTG
ordini Market Consensus
esistenti intelligence forecast group
etc.

Forecast & Accuracy


Demand Planning 15

DEMAND PLANNING: DEFINIZIONE

Il piano aziendale di domanda (demand plan) quantifica


indirettamente il fabbisogno di risorse logistico produttive
necessarie al suo ottenimento, supportando i responsabili
aziendali nella formulazione dei piani di fornitura (supply plan).

I piani di domanda rappresentano linput per altri processi


gestionali di Supply Chain Management: pianificazione di
processi produttivi (production plan: Master Production
Schedule, Master Planning)
processi distributivi (distribution plan: Distribution
Requirements Planning - DRP)
processi di approvvigionamento (procurement plan: MRP,
acquisti ai fornitori)
Demand Planning 16

8
DEMAND PLANNING: OBIETTIVI

Prevedere con accuratezza la domanda futura nei segmenti


prodotto mercato in cui unazienda opera significa:
Poter calcolare con sufficiente precisione lammontare di
prodotti richiesti dai clienti, per formulare il budget
commerciale
Poter operare interventi correttivi per incrementare le vendite
(promozioni, introduzione nuovi prodotti, rimozione di obsoleti)
Analizzare il comportamento delle vendite aziendali rispetto alla
concorrenza, valutando la redditivit sui segmenti prodotto -
mercato
Valutare la forza vendita
Poter generare piani di produzione e distribuzione affidabili ed
ottimizzanti
Demand Planning 17

NODI DELLA RETE LOGISTICA (SUPPLY CHAIN)

Dimensioni di analisi:
Produttori, Fornitori, Distributori
Clienti, Terzisti, Intermediari logistici
Business to Business / Business to Consumer
Demand Planning 18

9
RETE LOGISTICA MULTILIVELLO

19
Demand Planning 19

PROGETTAZIONE E GESTIONE DELLA SUPPLY CHAIN

Progettazione strategica della struttura organizzativa ed


impiantistica del Supply Chain Network
(Supply Chain Configuration)

Gestione operativa delle attivit produttive e logistiche


(Supply Chain Operations)

Demand Planning 20

10
PROCESSO GENERALE DI SALES & OPERATIONS PLANNING

Lobiettivo del macroprocesso S&OP la generazione di piani


operativi fattibili:
in grado di soddisfare gli impieghi potenziali delle risorse
logistico produttive (la domanda di mercato)
assorbendo quantitativi di risorse realmente disponibili nel
breve medio periodo.

Dallanalisi incrociata di
fabbisogni di produzione e distribuzione (derivanti dalla
domanda dei prodotti finiti)
disponibilit di risorse umane e tecnologiche
si determinano:
Demand plans
Supply plans
Inventory plans (SI&OP)

Demand Planning 21

PROCESSO GENERALE DI SALES & OPERATIONS PLANNING

Demand Planning 22

11
S&OP: DEMAND & SUPPLY PLANNING

Esistono quattro tipologie principali di piani di domanda:


Sales Forecast, Sales Budget, Demand Plan, Sales Target

Demand Planning 23

DEMAND PLANNING & MASTER PRODUCTION SCHEDULE (MPS)


Input al processo di Master Planning: mix fra previsioni di
vendita e ordini cliente in portafoglio

MPS: quali prodotti


produrre, in che
quantit, su quali plant
di produzione, in quali
periodi

Demand Planning 24

12
DEMAND PLANNING & REPLENISHMENT PLANNING (1/2)
Input al processo di Store Replenishment: mix fra previsioni di
vendita e ordini cliente in portafoglio

Demand Planning 25

DEMAND PLANNING & REPLENISHMENT PLANNING (2/2)


Input al processo di Store Replenishment: mix fra previsioni di
vendita e ordini cliente in portafoglio

Demand Planning 26

13
IL MODULO DEMAND PLANNING NEI SISTEMI APS

Il modulo Demand Planning presente nei sistemi di


pianificazione di tipo APS ( Advanced Planning & Scheduling
Systems)
Demand Planning 27

TIPOLOGIE DI DOMANDA COMMERCIALE

Demand Planning 28

14
SELL-IN VS. SELL-OUT

Sell-Out
Domanda del consumatore finale, stimata dal gestore del
punto vendita al dettaglio (venditore): B2C
Domanda del cliente finale (azienda industriale cliente), che
acquista componenti da un produttore (venditore), per poi
assemblare i componenti in manufatti complessi: B2B
Sell-In
Domanda del punto vendita, stimata dal distributore
(wholesaler nei confronti del retailer a valle nella catena
logistico-distributiva)
Domanda del distributore di prodotti finiti (cliente), stimata
dal produttore di prodotti finiti (venditore)
Differenze fra Sell-In e Sell-Out
Produttore Distributore: scorte speculative (pricing),
scorte di sicurezza / target, lotti minimi / multipli
Distributore Punto Vendita: promozioni locali (sconti
quantit), persistenza di stockout,
Demand Planning 29

SELL-IN VS. SELL-OUT


Differenze fra Sell-In e Sell-Out
Sell-Out: previsione effettuata dal distributore
Sell-In: piano di domanda emesso dal distributore al produttore
Il produttore esegue la stima (forecast) della domanda di Sell-In
Scorta di sicurezza: 20% della domanda di Sell-Out

Demand Planning 30

15
DOMANDA INDIPENDENTE VS. DOMANDA DIPENDENTE

Demand Planning 31

BUSINESS TO BUSINESS (WHOLESALE)


Caratteristiche della domanda

Limitato numero di clienti a valle della catena logistica

Domanda poco elastica nel breve periodo

Contrattazioni ed accordi commerciali di lungo termine con


i singoli clienti (sconti di prezzo su alti volumi dacquisto)

Singoli ordini di acquisto per elevate quantit di prodotto

Prevalenza di relazioni commerciali individuali con i singoli


clienti (contatto diretto con la forza vendita locale)

Demand Planning 32

16
BUSINESS TO CONSUMER (RETAIL)
Caratteristiche della domanda

Elevato numero di clienti a valle nella Supply Chain

Domanda molto elastica e fluttuante nel breve periodo

Domanda diretta (non mediata)

Singoli ordini di acquisto indipendenti per minime quantit di


prodotto

Assenza di relazioni di vendita individuali con i singoli


consumatori, presso i punti vendita della distribuzione
(la disponibilit di prodotto deve essere garantita a scaffale)

Demand Planning 33

B2B vs. B2C: METODOLOGIE DI PREVISIONE

Business to Business B2B


Processi collaborativi
VMI (Vendor Managed Inventory)
CPFR (Collaborative Planning Forecasting Replenishment)
Metodi qualitativi di Sales Forecasting
Metodo Delphi, coinvolgimento forza vendita, Jury of
Executive

Business to Consumer B2C


Analisi dei dati storici di vendita Point of Sale
Azioni promozionali (Trade Promotion Management)
Metodi quantitativi / statistici di Sales Forecasting
Time Series Forecasting, Regressione Lineare

Demand Planning 34

17
PROCESSO NON COLLABORATIVO: EFFETTO BULLWIP

Demand Planning 35

VENDOR MANAGED INVENTORY

Flussi informativi nel caso di VMI (Vendor Managed Inventory)

Livello di giacenza (disponibilit)


Quantit spedite dal Ce.Di.
Ordini dai punti vendita

Proposta dordine

Produttore Ce.Di. Distributore

Conferma dordine

Demand Planning 36

18
COLLABORATIVE PLANNING, FORECASTING & REPLENISHMENT
Processo non collaborativo

Inefficienza del processo 110,5% = (100+210+331+464) / 1000


Processo collaborativo CPFR

Inefficienza del processo 40% = 100 * 4 / 1000


Demand Planning 37

COLLABORATIVE PLANNING, FORECASTING & REPLENISHMENT

Processo non collaborativo

Ogni nodo della rete logistica aumenta fittiziamente la domanda


stimata del 10% (linaccuratezza di previsione comporta la creazione
di scorte di sicurezza)

Solo il retailer misura direttamente la domanda di Sell-Out

La domanda del cliente finale viene sovrastimata, procedendo verso


monte della Supply Chain (effetto bullwip). Il supplier produce 1464
unit, a fronte di una richiesta del consumatore pari a 1000

Processo collaborativo

Linefficienza del processo risiede nel solo mantenimento della scorta


di sicurezza presso ogni nodo della Supply Chain
Demand Planning 38

19
CRITICITA DEI PROCESSI DI DEMAND PLANNING

Criticit di prodotto
Ampiezza della gamma
Riassortimento della gamma
Ciclo di vita dei prodotti
Attivit di marketing (promotion planning)
Durabilit dei prodotti (ex: food & beverage)

Criticit di mercato
Numero di clienti
Livello di servizio
Azioni dei competitor
Lead Time di consegna
Canali commerciali di vendita (retail, wholesale)
Demand Planning 39

IMPORTANZA DELLE PREVISIONI DI DOMANDA

Under-forecasting
Diminuzione del livello di servizio
Possibili periodi di stock-out
Elevato livello di scorta di sicurezza
Necessit di continue ed impegnative revisioni al piano di
domanda ed ai piani di Supply Planning
Frequente emissione / modifica ordini ai fornitori
Perdita di immagine dellazienda

Over-forecasting
Costi di mantenimento a scorta, dovuti a invenduti
Obsolescenza dei prodotti (fisica / tecnologica)
Errata allocazione di capacit produttiva

Demand Planning 40

20
UNDERFORECASTING

La domanda effettiva (actual sales) stata sottostimata del


25%, in modo sistematico
Livello di servizio erogato: 75% (360 unit perse)

Demand Planning 41

OVERFORECASTING
La domanda effettiva (actual sales) stata sovrastimata del
25%, in modo sistematico
Livello di servizio erogato: 100% (0 unit perse)
Livello di over-stock: 360 unit finali; 30 unit medie

Demand Planning 42

21
INDICE DEGLI ARGOMENTI TRATTATI

Demand Planning e Supply Chain Management

Demand Planning: processi e tipologie di piani

Workflow di Demand Planning

Dimensioni di analisi del Demand Planning

Modelli e algoritmi di Sales Forecasting

Modelli qualitativi per la previsione della domanda

Demand Planning & Information Technology

Demand Planning 43

PIANI DI DOMANDA

Demand Planning 44

22
PIANI DI DOMANDA

Sales Forecast
Previsione quantitativa della domanda futura
Effettuata con metodi quantitativi di tipo statistico

Sales Budget
Definizione delle modalit attuative della previsione di
domanda: un mix fra
Previsione statistica (Sales Forecast)
Azioni di marketing (Trade Promotion Management)
Obiettivi di vendita sui canali commerciali / clienti

Demand Plan
Adattamento del Sales Budget ai vincoli di fornitura (Supply
Planning) imposti dalle funzioni logistico produttive
Vincoli di capacit produttiva, distributiva, ricettiva, di
fornitura
45
Demand Planning 45

SALES FORECAST VS. SALES BUDGET

Differenze tipiche

Logiche di Order Netting (integrazione ordini B2B)

Azioni promozionali (incremento endogeno di domanda)

Input del Top Management (marginalit, profittabilit)

Prodotti basso vendenti vs. Prodotti alto vendenti

Prodotti obsoleti vs. Prodotti innovativi

Opinioni della forza vendita / azioni di vendita

Demand Planning 46

23
SALES FORECAST VS. SALES BUDGET
Esempio
Date due coppie prodotto {SKU1, SKU2} mercato {store A},
in un orizzonte semestrale

Demand Planning 47

SALES FORECAST VS. SALES BUDGET

Conclusioni

La determinazione del Sales Forecast precede, temporalmente ed


operativamente, la definizione del Sales Budget

Il Sales Forecast il primo input per il Sales Budget, ne definisce


lordine di grandezza e la profilazione temporale

Aggiungendo al Sales Forecast le promozioni e nettificando gli


ordini cliente, si ottiene il piano da sottoporre allapprovazione del
Management, a valle del quale si ottiene il Sales Budget

Spesso le aziende definiscono il Sales Budget in modo


indipendente (e precedentemente) dal Sales Forecast, privandosi
del suo prezioso ausilio decisionale

Demand Planning 48

24
SALES BUDGET VS. DEMAND PLAN
Esempio
Ipotesi:la produzione si verifica nel periodo di occorrenza della
domanda (Sales Budget): non c possibilit di anticipi o ritardi
di produzione
Vincolo: rispetto della capacit massima di periodo
Vincolo non rispettato in Lug10 e Ott10 per il prodotto SKU1

Demand Planning 49

SALES TARGET VS. DEMAND PLAN

Sales Target

Definisce gli obiettivi di vendita per ciascun agente della forza


vendita (sales representative, sales accountant).

Gli obiettivi di vendita possono essere:

coincidenti con il Demand Plan


superiori al Demand Plan
Per stimolare il venditore al miglioramento continuo
inferiori al Demand Plan
In seguito a performance passate insufficienti (target
passati spesso non raggiunti)

Demand Planning 50

25
PROCESSI DI DEMAND PLANNING

Demand Planning 51

(1) DEMAND ANALYTICS

Analisi gerarchica OLAP sui cubi di dati ( On Line Analytical


Processing) / analisi statistica dei dati storici
Analisi delle vendite storiche
Calcolo della Forecast Accuracy

Demand Planning 52

26
(2) SALES FORECASTING

Sales Cleaning: rimozione outliers statistici e promozioni


passate dalle serie storiche
Best Fit parametrico (scelta del miglior algoritmo)
Generazione del Sales Forecast periodico
53
Demand Planning 53

(3) DEMAND INTELLIGENCE / DEMAND MINING

DATA MINING
Clustering (gruppi di negozi o prodotti)
Sequence clustering (sequenze temporali di navigazione)
Classificazione (ABC, tipo di cliente)
Regole associative (market basket analysis)

Demand Planning 54

27
(4) MARKETING INTELLIGENCE: PRODOTTI
Azioni sui prodotti
Definizione di promozioni su prodotti basso vendenti

Definizione di offerte di vendita congiunta su coppie o


gruppi di prodotti (es: pacchetti regalo a Natale)

Definizione dei listini

Preparazione dei cataloghi commerciali (allocazione delle


pagine cartacee o web ai prodotti in modo da stimolare
acquisti incrociati di prodotti)

Progettazione di campagne pubblicitarie su determinati


prodotti / linee di prodotto

Demand Planning 55

(4) MARKETING INTELLIGENCE: MERCATI

Azioni sui mercati


Valutazione dellopportunit di aprire nuovi punti vendita
Analisi delle opportunit di vendita sui prospect

Definizione dei cicli promozionali (contenuti, durata,


modalit di presentazione, parametri economici dellofferta)
su gruppi di prodotti, per specifici clienti

Introduzione di nuove linee di prodotto su specifici mercati


target
Definizione delle relazioni commerciali con singoli clienti
industriali (B2B)
Progettazione delle modalit di contatto con il consumatore
finale in contesti B2C (mailing list, siti web commerciali,
advertising multimediale, servizi di customer care)
Demand Planning 56

28
INDICE DEGLI ARGOMENTI TRATTATI

Demand Planning e Supply Chain Management

Demand Planning: processi e tipologie di piani

Workflow di Demand Planning

Dimensioni di analisi del Demand Planning

Modelli e algoritmi di Sales Forecasting

Modelli qualitativi per la previsione della domanda

Demand Planning & Information Technology

Demand Planning 57

ESEMPIO DI WORKFLOW DI DEMAND PLANNING

58
Demand Planning 58

29
CPG: WORKFLOW TIPICO DI DEMAND PLANNING

CPG: Consumer Packaged Goods

Beni durevoli destinati al largo consumo (distribuzione di massa)


Food & Beverage: prodotti confezionati
Hi-Tech: elettronica e informatica di consumo
Elettrodomestici, domotica
Industrial components
[ci che non nel settore fashion, fashion-retail]

Nei progetti di Demand Planning si riscontra di frequente un


workflow tipico di analisi, previsione e controllo della domanda
commerciale

Demand Planning 59

CPG: WORKFLOW TIPICO DI DEMAND PLANNING

Demand Planning 60

30
CPG: WORKFLOW TIPICO DI DEMAND PLANNING

Processi di Demand Planning per il settore CPG (1/2)


ANALISI VENDITE STORICHE
KPI di forecast, budget, target sales
Business Intelligence sui cubi di vendite storiche
Sales Rewarding, Sales Replanning

PREPARAZIONE BASELINE STORICA


Rimozione degli outlier non promo (picchi e stockout)
Rimozione delle promozioni commerciali

GESTIONE DELLE PROMOZIONI


Trade Promotion Intelligence
Progettazione delle campagne promozionali

Demand Planning 61

CPG: WORKFLOW TIPICO DI DEMAND PLANNING

Processi di Demand Planning per il settore CPG (2/2)


FORECASTING STATISTICO
Elaborazione delle previsioni statistiche
Intervallo di confidenza sulla previsione
MARKETING INTELLIGENCE
Integrazione delle Promozioni con il Sales Forecast
Analisi dei fattori qualitativi influenzanti la domanda
CONSOLIDAMENTO DELLA PREVISIONE
Forecast Meeting, Collaborative Forecasting
Determinazione di Sales Budget / Sales Target
VALUTAZIONE DELLE PERFORMANCE
Monitoring del Supply Chain Execution
Rilevazione KPI di forecast accuracy, promo effectiveness

Demand Planning 62

31
CPG: WORKFLOW TIPICO DI DEMAND PLANNING

Analisi dei processi: schema metodologico


Per ciascuno dei processi di Demand Planning per il CPG occorre
mappare le seguenti informazioni:

Organizzazione: funzioni aziendali coinvolte


Organizzazione: responsabile funzionale del processo
Dati in input al processo (data sources)
Dati di output e obiettivi del processo
Metodologie quantitative (algoritmi) o qualitative di
supporto
Strumenti IT di supporto
Misure e KPI di riferimento
Viste e report per la visualizzazione dei risultati di analisi e
pianificazione (KPI)
Tempificazione operativa
Demand Planning 63

IL RUOLO AZIENDALE DEL DEMAND PLANNER

Compiti da svolgere
Forecasting Ownership (champion)
Ricerca dati di input
Analisi Demand Analytics (KPI monitoring)
Formulazione e controllo piani di domanda
Interfaccia con key user ed esperti
Organizzazione meeting periodici
Negoziazione collaborativa fra controparti
Diffusione aziendale dei piani di domanda

Demand Planning 64

32
IL RUOLO AZIENDALE DEL DEMAND PLANNER

Competenze chiave
Matematico statistiche: conoscenza algoritmi di Sales
Forecasting / Demand Analytics

Relazionali comunicative

Organizzative: gestione meeting, reperimento risorse


funzionali (forecast group)

Business knowledge: conoscenza dei mercati in cui


lazienda opera

Demand Planning 65

INDICE DEGLI ARGOMENTI TRATTATI

Demand Planning e Supply Chain Management

Demand Planning: processi e tipologie di piani

Workflow di Demand Planning

Dimensioni di analisi del Demand Planning

Modelli e algoritmi di Sales Forecasting

Modelli qualitativi per la previsione della domanda

Demand Planning & Information Technology

Demand Planning 66

33
ANALISI DEI KPI DI DEMAND PLANNING

Ciclo di pianificazione e controllo


Ciclo: plan, do, check, react
Finalit del controllo: Sales Replanning, Sales Rewarding

Demand Planning 67

ANALISI DEI KPI DI DEMAND PLANNING

Ciclo di pianificazione e controllo

Demand Planning 68

34
ANALISI DEI KPI DI DEMAND PLANNING

Ciclo di pianificazione e controllo

KPI TARGET
Valore obiettivo deciso in fase di pianificazione
KPI FORECAST
Valore stimato mediante metodi previsivi
KPI ACTUAL
Valore rilevato a consuntivo

Progettazione dei valori TARGET e FORECAST


Misura dei valori ACTUAL

Demand Planning 69

ANALISI DEI KPI DI DEMAND PLANNING

Ciclo di pianificazione e controllo

Demand Planning 70

35
TIPOLOGIE DI KPI
KPI semplici
sales budget, sales forecast, sales target
Prezzo, percentuale di sconto, costo
Percentuali di splitting

KPI composti
Fatturato a prezzo standard
Fatturato a prezzo scontato
Varianza di forecast: D F (con segno, in modulo, percentuale)
Varianza di budget: D B (con segno, in modulo, percentuale)

Notazione
p: prodotto, c: cliente, t: periodo, D: domanda

Demand Planning 71

KPI COMPOSTI (1/3)


Variazione puntuale (assoluta / percentuale)

Lag temporale

Demand Planning 72

36
KPI COMPOSTI (2/3)

Valore cumulato
Statico: start date fissa (intervallo variabile)
Dinamico: rolling (intervallo fisso)
Period to Date
Period to Go (percentuali di completamento)

Media mobile
Media aritmetica sugli ultimi N valori

Performance relative
Fra prodotti della stessa famiglia
Fra clienti /mercati dello stesso gruppo geografico

Demand Planning 73

KPI COMPOSTI (3/3)

Range di performance

Esempio 1: la previsione delle combinazioni prodotto mercato


soddisfacente se il MAPE inferiore al 20%

Esempio 2: selezionare tutte le combinazioni il cui scostamento


di budget nel 2010 stato superiore al 25%

Esempio 3: identificare i venditori che hanno fatturato nel 2009


revenue superiori a 7 M (aggregando i prodotti mercati delle
combinazioni ad essi associate)

Esempio 4: identificare la migliore linea di prodotto nel 2010


(actual demand massimo)

Demand Planning 74

37
KPI COMPOSTI: ESEMPIO

Demand Planning 75

KPI COMPOSTI: ESEMPIO

Scostamento percentuale
Scostamento percentuale su domanda
(12 15)/12 = - 25% (periodo 1)

Scostamento percentuale su budget


(12 15)/15 = - 20% (periodo 1)

Demand Planning 76

38
DIMENSIONI DI ANALISI GERARCHICA

Prodotto (SKU, item, famiglia, articolo, referenza, ...)


Mercato (POS, store, supermarket, azienda B2B)
Tempo (giorno, settimana, mese, anno, trimestre, ...)

Altre dimensioni di analisi


Produzione (plant, manufacturing location)
Outbound Logistics (distribuzione, depositi)
Stagione / collezione di vendita
Canale (retail, wholesale)

Demand Planning 77

GERARCHIE DI NAVIGAZIONE

Demand Planning 78

39
CUBI DI NAVIGAZIONE

Demand Planning 79

GERARCHIE PARALLELE DI NAVIGAZIONE

Demand Planning 80

40
ENTITA E LIVELLI DI NAVIGAZIONE

81
Demand Planning 81

LIVELLI DI ANALISI GERARCHICA: CRITERI DI SCELTA

Quali dimensioni si vogliono modellizzare nel Demand


Planning?
Es: livello temporale giorno
Es: dimensione cliente

Qual il livello di granularit minima dei dati storici?

A che livelli minimi si vuole disporre dei piani di domanda?


Quali / quanti livelli si vogliono navigare? (reporting / B.I.)

Quali decisioni si vogliono prendere con il supporto di un


sistema di Demand Planning?
Strategico, tattico, operativo
Demand Planning 82

41
AGGREGAZIONE / DISAGGREGAZIONE GERARCHICA

Demand Planning 83

REPORTING DI BUSINESS INTELLIGENCE / ANALYTICS

Demand Planning 84

42
REPORTING: SCELTA DEI LIVELLI DI ANALISI

La scelta dei livelli dimensionali per lanalisi dei dati funzionale


alle esigenze aziendali dei planner e dei controller

Livello strategico
Linee di prodotto, paesi / regioni, mesi / anni
Livello tattico
Famiglie di prodotto, canali di vendita, zone geografiche
(regioni / citt), sales representative, settimane / mesi
Livello operativo
SKU / item / articoli, POS, giorni / settimane, collezione di
vendita

Demand Planning 85

INDICATORI: INPUT, OUTPUT, FORMULE

86
Demand Planning 86

43
GESTIONE DEGLI UTENTI
La gestione degli utenti definisce le associazioni utente
prodotto e utente mercato

Demand Planning 87

GESTIONE DELLE COMBINAZIONI VALIDE

Una COMBINAZIONE ATTIVA una entit di pianificazione,


rappresentata da un legame di vendita (variabile nel tempo) fra:
prodotto mercato (tempo)
prodotto mercato plant di fabbricazione (tempo)
prodotto mercato warehouse di stoccaggio (tempo)
prodotto cliente collezione (tempo)

Se un prodotto P venduto presso un cliente / mercato M in un


periodo T di pianificazione, allora la combinazione P-M attiva
nel periodo T
Se un prodotto P non viene mai venduto sul cliente / mercato M, il
legame P-M non modellizzato nel sistema di Demand Planning
(non esistono misure o formule calcolate allincrocio P-M)

Demand Planning 88

44
INDICE DEGLI ARGOMENTI TRATTATI

Demand Planning e Supply Chain Management

Demand Planning: processi e tipologie di piani

Workflow di Demand Planning

Dimensioni di analisi del Demand Planning

Modelli e algoritmi di Sales Forecasting

Modelli qualitativi per la previsione della domanda

Demand Planning & Information Technology

Demand Planning 89

METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting

Demand Planning 90

45
TECNICHE QUANTITATIVE BASATE SU SERIE STORICHE

AMBITO : pianificazione integrata (gestione delle scorte, pianificazione


della distribuzione, programmazione della produzione, etc.)
LIVELLO DI DETTAGLIO : codice articolo, SKU, famiglia merceologica
ORIZZONTE PREVISIONALE : breve-brevissimo periodo (1-6 mesi)
DATI STORICI :
- riferiti alle vendite settimanali/mensili/bimestrali
- sono disponibili almeno 2 anni di storia (per stagionalit)
- domanda di tipo continuativo e prevedibile
(coefficiente di variazione basso : s/DM)
ASSUNZIONE : il futuro sar come il passato

Estrapolazione delle sole componenti prevedibili (trend e stagionalit) Previsioni


& Accuratezza
NB : le previsioni sono erratiche per definizione
Demand Planning 91

COME PREVEDERE?
1. Numero di clienti
pochi: condivisione piani e informazioni, molti: maggiore affidabilit dei metodi statistici

2. Caratteristiche dei dati


dati storici a disposizione (ordini, dati POS, bolle, etc.)
storicit dei dati (almeno 2 anni per stagionalit)
livello di dettaglio dei dati
disponibilit di dati / informazioni esterne
3. Numero e tipo di previsioni
livello di aggregazione, orizzonte di previsione
numerosit dei codici da prevedere
numerosit delle combinazioni prodotto/mercato
4. Nuovi prodotti
cambio codice articolo, assimilazione, variante, novit assoluta
5. Disponibilit di risorse
persone, sistemi IT, budget
6. Accuratezza richiesta
identificare le conseguenze / costi derivanti da errate previsioni
Demand Planning 92

46
SALES FORECASTING: SERIE STORICHE

Demand Planning 93

SERIE STORICHE: LIVELLI GERARCHICI


Tre decisioni principali:

Livello di massima granularit delle vendite storiche ( historical


sales)
Livello di calcolo del piano di domanda ( sales forecasting)
Livello di massima granularit del piano di domanda ( sales
forecasting)

Basi di splitting: criteri di scelta


(se il livello di calcolo della previsione superiore rispetto
al livello di massima granularit di utilizzo del piano di
domanda)
1. Vendite anno precedente
2. Pattern tipici / profili giornalieri

Demand Planning 94

47
SERIE STORICHE: LIVELLI GERARCHICI

Demand Planning 95

LOGICHE DI SPLITTING (1/2)

Demand Planning 96

48
LOGICHE DI SPLITTING (2/2)

Simboli usati nelle formule della slide precedente:

B: budget; F: forecast

p, c, t: prodotto, cliente, periodo

F(k): forecast della famiglia k di prodotti

N(k): numerosit o cardinalit della famiglia k (numero di


prodotti p)

w(p): peso attribuito al prodotto p della famiglia k

Demand Planning 97

LOGICHE DI SPLITTING: ESEMPIO

Demand Planning 98

49
SCELTA DEL LIVELLO DI CALCOLO: CONSIDERAZIONI (1/2)

La domanda a livello bottom nervosa, molto dispersa attorno


al valor medio

Il fatto di dover disporre di una previsione fruibile a livelli bottom


(operativi) non implica che tali livelli siano quelli pi appropriati
per il calcolo statistico

Aggregando i dati storici di domanda (ad esempio sulla


dimensione tempo), si ottengono serie pi regolari

Ci non implica che allaumentare del livello di aggregazione


aumenti, di conseguenza, laffidabilit complessiva della
previsione

Demand Planning 99

SCELTA DEL LIVELLO DI CALCOLO: CONSIDERAZIONI (2/2)

Non esiste un livello multidimensionale ottimo per il calcolo del


sales forecast

Generare la previsione di domanda a livelli troppo aggregati


poco significativo, dal punto di vista della interpretabilit delle
previsioni

Laccuratezza predittiva diminuisce con il progredire del tempo


(asse temporale)

Data lesistenza di un trade-off nella scelta fra livelli di calcolo


alternativi, possibile eseguire un confronto sullaccuratezza di
calcolo (forecast accuracy) a vari livelli gerarchici

Demand Planning 100

50
SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST

Metodologia di calcolo (su due livelli)


Esempio: dimensione prodotto su due livelli; iso-livello sulle altre
dimensioni di analisi
Calcolo bottom: Calcolare il miglior forecast su p prodotti
(appartenenti alla stessa famiglia) a livello bottom; registrare p
metriche di errore, una per ciascun prodotto
Calcolo aggregato: Calcolare il miglior forecast sul padre F
(famiglia, aggregazione) dei p prodotti (a livello aggregato);
splittare il forecast dal padre F ai p figli, secondo unopportuna
base di splitting; registrare p metriche di errore, una per ciascun
prodotto, valutate sul forecast splittato a livello prodotto
Confronto e scelta: Calcolare il numero di volte in cui il forecast
a livello bottom migliore del forecast calcolato a livello aggregato
e poi splittato (calcolo eseguito prodotto per prodotto, p volte); se
tale numero superiore al numero di volte in cui il forecast pi
accurato se calcolato top e quindi splittato, si sceglie il metodo
bottom, altrimenti quello aggregato
Demand Planning 101

SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST

Esempio 1: purchase plan


Contesto: azienda distributiva nel comparto luxury food, canale
Ho.Re.Ca. (50 agenti plurimandatari)

Obiettivo: acquistare le quantit giuste di prodotto dai fornitori

Vincoli: domanda non ritardabile, shelf life dei prodotti (1-2


settimane)

Livelli di calcolo della previsione


Prodotto finito (1000 SKU)
Totale cliente
Settimana (forecasting)
Giorno (warehouse replenishment)

Demand Planning 102

51
SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST

Esempio 2: shipment forecasting


Contesto: azienda produttiva e distributiva nel segmento fashion
accessories, canale Wholesale (worldwide countries)

Obiettivo: formulare le previsioni di spedizione dal sito logistico


EMEA verso catene di wholesaler

Drivers: forecast commerciale, portafoglio ordini, backorder


produttivo (forecast), resi (forecast)

Livelli di calcolo della previsione


Totale prodotto finito (all brands) volumi di spedizione
Country
Settimana (shipment forecast)
Giorno (controllo avanzamento)

Demand Planning 103

SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST


Esempio 2: shipment forecasting

Demand Planning 104

52
SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST

Esempio 3: channel forecasting


Contesto: azienda produttiva e distributiva di prodotti dolciari
Canali distributivi: moderno (GDO), retail, wholesale, specializzato

Obiettivo: formulare le previsioni di domanda per canale,


analizzando le peculiarit dei singoli contesti; formulare il piano di
produzione di prodotti finiti (produzioni stagionali a lotti)

Criticit: stockout, overstock, shelf-life, nuovi prodotti, processo di


presa ordini

Livelli di calcolo della previsione


SKU
Totale canale
Mese

Demand Planning 105

SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST

Esempio 4: POS forecasting


Contesto: catena di profumerie (>300 negozi, retail)

Obiettivo: formulare le previsioni di acquisto verso i fornitori


(produttori di articoli per la cosmetica e ligiene)

Modalit di consegna:
Diretta: da fornitore a punto vendita
Indiretta: da fornitore a CeDi; da CeDi a punto vendita

Livelli di calcolo della previsione


Consegna diretta: SKU / pos / mese ( bisettimana)
Consegna indiretta: SKU / totale pos / settimana
Formulazione del budget degli acquisti

Demand Planning 106

53
METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting

Demand Planning 107

TIME SERIES ANALYSIS: INTRODUZIONE


Obiettivi
Identificazione di outliers
Promozioni storiche
Altri tipi di irregolarit (picchi e valli)

Analisi delle componenti delle serie storiche


Tipologie di base
Serie continue
Serie sporadiche
(Nuovi prodotti)
Componenti delle serie continue
Stagionalit
Tendenza
Ciclicit (di lungo periodo)
Rumore (componente casuale)
Demand Planning 108

54
TIME SERIES ANALYSIS: COMPONENTI

Demand Planning 109

TIME SERIES ANALYSIS: COMPONENTI

110
Demand Planning 110

55
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 111

TIPOLOGIE DI SERIE STORICHE: ASSENZA DI STAGIONALITA

assenza di trend (stazionaria) trend lineare / crescente trend lineare / decrescente

trend non lineare / trend non lineare - S


trend non lineare / crescente
decrescente curve

Demand Planning 112

56
TIPOLOGIE DI SERIE STORICHE: PRESENZA DI STAGIONALITA

assenza di trend (stazionaria) trend lineare / decrescente

L L L
L L L

trend non lineare / crescente

L : passo della stagionalit

L L L L
Demand Planning 113

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 114

57
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 115

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 116

58
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 117

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 118

59
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 119

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 120

60
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 121

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 122

61
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 123

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 124

62
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 125

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 126

63
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 127

TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE

Demand Planning 128

64
RICOSTRUZIONE DELLE SERIE STORICHE
Identificare periodi con mancate vendite
Ipotesi: stockout non rilevabile formalmente
1) Vendite nulle nel periodo
2) Stock di inizio ciclo nullo
Responsabilit: logistica distributiva? fornitori?

Criteri di ricostruzione
Rimozione
Periodi con zero vendite e zero stock sono rimossi dalla
serie storica (non fanno media)
Sporadici: OK
Continui: perdita di informazione, perdita di stagionalit
Sostituzione
Inserimento di vendite minime (es: 1 pezzo)
Sporadici: diventano continui!
Continui: OK
Demand Planning 129

CLASSIFICAZIONE ABC: RICHIAMO

Valore 100%

cumulato 90%
parametro 80%
70%

60%

50%
C
B
A
40%

30%

20%

10%

0
0 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Il 20% degli articoli Numero articoli


(A) determinano il 80 %
del valore del parametro
Demand Planning 130

65
TIPOLOGIE DI SERIE STORICHE

100 %
Vendite

C
B
A
100 %
Articoli
0

Previsione mediante modelli Previsione mediante modelli


basati su estrapolazione delle basati su distribuzioni di
serie storiche (con eccezioni!) probabilit (con eccezioni!)

Demand Planning 131

TIPOLOGIE DI SERIE STORICHE: FORECASTABILITY


Che legame esiste fra classificazione ABC di Pareto e
prevedibilit di una serie storica?

A priori, nessun legame!


Fatturato = prezzo * quantit
Solitamente, il forecast calcolato sulle quantit (per filtrare
leffetto di politiche di pricing)
Ci possono essere serie storiche sporadiche in classe A
La serie del gioielliere
Ci possono essere serie storiche continue in classe C
La serie delle viti generiche
Il driver di forecastability non di tipo business driven
se vende tanto, allora un prodotto continuo
Occorre classificare la forecastability di una serie storica
mediante driver di tipo statistico morfologico (analizzando
cio la forma della serie storica)
Demand Planning 132

66
PREVEDIBILITA DELLE SERIE STORICHE

Quanto facile prevedere una serie storica?


Quali metodi devono essere utilizzati?
Primo check: serie continue vs. sporadiche vs. nuovi prodotti
Secondo check: regolarit delle serie continue

Densit di zeri

Coefficiente di variazione (range: < 0,7; > 1,4)

Demand Planning 133

SALES CLEANING: SCHEMA DEL PROCESSO

Demand Planning 134

67
SALES CLEANING: TIPOLOGIA DI OUTLIER

azioni promozionali e politiche di marketing (es. sconti, azioni


3 x 2, confezione regalo, formato convenienza, )

preavviso di aumento di prezzo, cambio listino

eventi eccezionali e commesse rilevanti

influsso di calendario ( es. festivit mobili, giorni lavorativi


effettivi, calendario di vendita, )

giorni di pagamento (fatturazione fine mese)

fenomeni esogeni (es. crisi del settore, azioni della


concorrenza , )

Demand Planning 135

SALES CLEANING: RIMOZIONE DI OUTLIER

10
AZIONI SPECIALI Dt
8
ogni iniziativa dellimpresa
6
destinata ad influire
transitoriamente sulle vendite 4
di un determinato articolo
2

Esempio : campagna 0

promozionale con riduzione del


% At
prezzo unitario effetto
di vendita sulla confezione formato 1 dellazione
speciale
famiglia di dentifricio
durata
dellazione
speciale
Demand Planning 136

68
SALES CLEANING: FASI

Demand Planning 137

METODO DELLINTERVALLO DI CONFIDENZA

Metodo a due fasi:


Fase 1: Pulizia periodi non promozionali
Fase 2: Pulizia periodi promozionali
Demand Planning 138

69
METODO DELLINTERVALLO DI CONFIDENZA

Fase 1: dalla serie storica di domanda ( arancione) vengono rimossi gli


outlier statistici, ottenendo (1) Cleaning di outlier ( verde);
Fase 2: dalla serie storica di domanda (periodi promo), unita alla serie (1)
Cleaning di outlier (verde) (periodi no-promo gi puliti), si ottiene la serie
finale (2) Cleaning di promo ( viola).
Demand Planning 139

METODO DELLINTERVALLO DI CONFIDENZA


Ipotesi di validit del metodo
Il metodo dellintervallo di confidenza applicabile preferibilmente
in caso di domanda avente le seguenti caratteristiche:
Serie storiche continue, aventi elevate fluttuazioni (elevato
coefficiente di variazione) dovute alla presenza di promozioni
commerciali
La presenza di promozioni che impattano le vendite pi
significativa rispetto a fenomeni di stagionalit nelle vendite
(regolarit periodiche facilmente identificabili)
La domanda modellizzabile secondo distribuzioni statistiche di
probabilit, essendo formata da una molteplicit di contributi di
acquisto (singolarmente microscopici, unitari) di numerosi
consumatori, il cui ammontare complessivo assume valori
rilevanti, trattabili con distribuzioni di probabilit (distribuzione
normale)
Demand Planning 140

70
METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting

Demand Planning 141

SALES FORECASTING: FORECAST ACCURACY

Intervalli di una serie storica


Training Set
Test Set (forecast nel passato)
Intervallo di previsione (orizzonte futuro di previsione)

Demand Planning 142

71
SALES FORECASTING: FORECAST ACCURACY

Lerrore di previsione per il P12


P3
periodo t definito come
differenza tra il valore effettivo P1 P2
della domanda ed il valore
previsto per quel periodo
1 2 3 4 5 6 7 8 9 10 11 12

E t= D t -Ft 1 2 3 4 5 6 7 8 9 10 11 12

Demand Planning 143

MONITORAGGIO DELLE PREVISIONI

LE CARATTERISTICHE DI UN BUON SISTEMA DI CONTROLLO DEGLI


ERRORI PREVISIONALI DEVE BASARSI SUI SEGUENTI PRESUPPOSTI:

semplicit sinteticit flessibilit

- DISTORSIONE : ME

INDICATORI STATISTICI - CONSISTENZA : MAD, MAPE, MSE, SDE


DELLERRORE
- CORRELAZIONE : DW

- SEGNALE DI TRACKING : TS

Demand Planning 144

72
FORECAST ACCURACY: METRICHE DI CALCOLO

Estensione temporale
Misure puntuali
Misure globali
Misure di DISTORSIONE
Misure di DISPERSIONE
Unit di misura
Misure assolute (in quantit o a valore)
Misure relative (percentuali)
Utilizzo
Best Fit parametrico (scelta dei migliori parametri)
Best Fit algoritmico (scelta del miglior algoritmo)
Dimensionamento della scorta di sicurezza
Demand Planning 145

FORECAST ACCURACY: METRICHE PUNTUALI

Demand Planning 146

73
FORECAST ACCURACY: METRICHE DI DISTORSIONE

Demand Planning 147

FORECAST ACCURACY: METRICHE DI DISPERSIONE

Demand Planning 148

74
FORECAST ACCURACY: METRICHE DI DISPERSIONE

Demand Planning 149

FORECAST ACCURACY: SINTESI


Pregi e difetti delle metriche di errore

Mean Error ME: indica se lerrore mediamente in eccesso o in


difetto (BIAS); errore medio nullo non significa previsione perfetta

Mean Absolute Percentage Error MAPE: non compensa errori


di segno opposto (meglio del ME); il suo significato intuitivo
(quanto si sbaglia percentualmente); perde significato in caso di
domanda nulla (caso delle serie sporadiche); si possono effettuare
confronti fra prodotti venduti in unit fisiche differenti; penalizza
maggiormente gli errori commessi in periodi a bassa domanda

Standard Deviation Error SDE: utilizzato per il


dimensionamento statico della scorta di sicurezza
Demand Planning 150

75
FORECAST ACCURACY PER PRODOTTI SPORADICI
Metrica di misura da utilizzare:
Cumulative Mean Error CME: per le serie sporadiche, corretto
compensare errori di segno positivo con errori di segno negativo:
limportante prevedere la domanda futura in media, su un lead
time di pi periodi (giorni, settimane).
Questa metrica di errore non penalizza errori di stima commessi su
quantit piccole
Il CME non va usato per valutare laccuratezza previsionale su serie
continue
E invece utilizzabile nel calcolo della scorta di sicurezza, al posto
del SDE

Demand Planning 151

SALES FORECASTING: PROFILI DI CLASSIFICAZIONE DEI MODELLI

Tipologia di prodotti
Prodotti a domanda continua nel tempo
Prodotti di nuova introduzione

Tipologia di variabili
Modelli estrapolativi (Time Series)
Modelli esplicativi (Regressione)

Tipologia di domanda commerciale


Modelli per serie continue (regolari o irregolari)
Modelli per serie sporadiche

Demand Planning 152

76
SALES FORECASTING: PROFILI DI CLASSIFICAZIONE DEI MODELLI

Struttura dei modelli matematici

Modelli a media mobile


Modelli di smorzamento esponenziale
Modelli Holt-Winters
Modelli di scomposizione di serie storiche
Modelli per serie sporadiche
Modelli per lintroduzione di nuovi prodotti
Modelli di regressione (lineare, non lineare)

Demand Planning 153

SALES FORECASTING: MAPPATURA DELLE METODOLOGIE

Tipologia di domanda commerciale


Modelli per serie continue
Smorzamento esponenziale, Holt-Winters, Time Series
Decomposition, regressione
Modelli per serie sporadiche
Croston, Poisson, modelli shifting

Tipologia di prodotti
Prodotti a domanda continua nel tempo
Smorzamento esponenziale, Holt-Winters, Time Series
Decomposition
Prodotti di nuova introduzione
Lifecycle, pattern numerici, prodotti sostitutivi,
regressione

Demand Planning 154

77
SCHEMA GENERALE DI IMPLEMENTAZIONE

FASE 0 FASE 1 Almeno 2 anni se la


Depurazione dei dati Inizializzazione delle domanda
storici di vendita tecniche previsionali stagionale
(ovvero 2 cicli di
stagionalit)

FASE 2
Adattamento delle tecniche previsionali
Simulazione della 1 anno
previsione sui dati storici (ovvero un ciclo di
stagionalit)
Scelta dei parametri Analisi degli
di funzionamento scostamenti rilevati

FASE 3
Previsione della domanda 6 mesi - 1 anno
per il futuro

Demand Planning 155

BEST & WORST FORECASTING


Intervallo di confidenza sulla previsione di domanda

Assegnato un profilo temporale di previsione futura della domanda


F(t), calcolato secondo il metodo di sales forecasting pi idoneo

possibile fornire un intervallo di confidenza (forecast tunnel) per


deliminare larea in cui cadr effettivamente la domanda futura,
con probabilit percentuale assegnata (es: 99%).

Il metodo di calcolo simile a quello utilizzato nel sales cleaning.


Estremi dellintervallo di confidenza:
Worst F_min(t) = F(t) k * sigma
Best F_max(t) = F(t) + k * sigma
Sigma = deviazione standard della previsione futura
Demand Planning 156

78
METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting
Trade Promotion Management

Demand Planning 157

MEDIA MOBILE

DATA UNA SERIE STORICA DI N TERMINI (Dt, Dt-1, Dt-2,), AL TERMINE


DEL GENERICO PERIODO t E POSSIBILE CALCOLARE IL VALORE PUNTUALE
DELLA MEDIA MOBILE DI ORDINE k:

D t D t -1 D t - 2 ... D t -k 1
M M (k )
t k
Dt-k+1 Dt-k+2 Dt-1 Dt

k valori MMt (k)


Demand Planning 158

79
MEDIA MOBILE

SI APPLICA UNA MEDIA MOBILE (k=4) ALLA SERIE STORICA CONSIDERATA

D 4 D3 D2 D1 MM4(4)
per il mese t=4 : M M 4 (4 )
4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

D D4 D3 D2 MM5(4)
per il mese t=5 : M M 5 (4 ) 5
4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

D6 D5 D4 D3 MM6(4)
per il mese t=6 : M M 6 (4 )
4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Demand Planning 159

MEDIA MOBILE

PROSEGUENDO SINO ALLULTIMO PERIODO A DISPOSIZIONE, SI


OTTIENE UNA SERIE DI N-k+1 VALORI DI MEDIA MOBILE

2009 2010
MMt(4)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Nellesempio considerato : N=24, k=4 21 valori di media mobile di ordine 4

Demand Planning 160

80
MEDIA MOBILE

IN ALTERNATIVA, OPERANDO UNA MEDIA MOBILE DI ORDINE


k=6, SI OTTENGONO 19 VALORI DI MEDIA MOBILE

2009 2010
MMt(6)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Le irregolarit presenti nella serie storica originale vengono ora maggiormente filtrate

Demand Planning 161

MEDIA MOBILE: ESEMPIO NUMERICO

NUMERICAMENTE SI OTTIENE :

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

Domanda 105 160 139 114 143 108 130 125 140 181 172 180

M.Mobile (4) - - - 129,5 139 126 123,8 126,5 125,8 144 154,5 168,3

M.Mobile (6) - - - - - 128,2 132,3 126,5 126,7 137,8 142,7 154,7

mese 13 14 15 16 17 18 19 20 21 22 23 24

Domanda 161 146 190 134 182 201 200 180 235 226 206 242

M.Mobile (4) 173,5 164,8 169,3 157,8 163 176,8 179,3 190,8 204 210,3 211,8 227,3

M.Mobile (6) 159,8 163,3 171,7 163,8 165,5 169 175,5 181,2 188,7 204 208 214,8

N.B. Allaumentare dellordine k della media mobile, aumenta il


filtraggio della serie ma si perde un numero maggiore di dati

Demand Planning 162

81
MEDIA MOBILE CENTRATA

Rappresenta la media aritmetica di k osservazioni tali che t sia il


punto di mezzo dellinsieme degli istanti corrispondenti alle
osservazioni (nellipotesi che k sia dispari).

D t - k -1 2 ... D t-1 D t D t 1 ... D t k -1 2


M M C (k )
t k
mese 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Domanda 105 160 139 114 143 108 130 125 140 181 172 180 161 146 190 134 182 201 200 180 235 226 206 242

MMC (5) - - 132 133 127 124 129 137 150 160 167 168 170 162 163 171 181 179 200 208 209 218 - -

Demand Planning 163

MEDIA MOBILE CENTRATA

Se k pari, si ricorre ad una duplice procedura ricorsiva, centrando il


primo insieme di medie mobili di ordine k sui punti intermedi degli
intervalli temporali e successivamente calcolando una media mobile di
ordine k=2 per riallineare temporalmente i valori

mese 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Domanda 105 160 139 114 143 108 130 125 140 181 172 180 161 146 190 134 182 201 200 180 235 226 206 242

MM (6)
128 132 127 127 138 143 155 160 163 172 164 166 169 176 181 189 204 208 215

MMC (2) - - - 130 129 127 132 140 149 157 162 168 168 165 167 172 178 185 196 206 211 - - -

Demand Planning 164

82
MEDIA MOBILE CENTRATA: CALCOLO DELLA TENDENZA

SE LA SERIE STORICA E AFFETTA DA STAGIONALITA, E POSSIBILE EVIDENZIARNE


IL TREND EFFETTUANDO UNA MEDIA
MMMOBILE CENTRATA DI ORDINE k = L
C (k= 12)

2009 2010

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

nella media mobile rimangono le componenti di trend e


irregolare
si perdono la testa e la coda
Demand Planning 165

MEDIA MOBILE COME MODELLO PREVISIONALE

MEDIA MOBILE SEMPLICE


La media mobile pu essere anche utilizzata per formulare previsioni nel
caso di domanda stazionaria e non stagionale

Pt1 MM t k
k valori

D t-k+1 ... D t-1 Dt


Tempo
Pt+1
MMt (k)

Demand Planning 166

83
MEDIA MOBILE COME MODELLO PREVISIONALE

ADOTTANDO IL MODELLO DI PREVISIONE A MEDIA MOBILE k=6


CON RIFERIMENTO ALLA SERIE STORICA IN ESAME, SI OTTIENE :

4 5 6 7 8 mese9 10 11 1 12 2 13 3 14 4 15 5 16 6 17 7 18 8 19 9 2010 2111 2212 2313 2414 2515 16 17 18 19 2

114 143 108 130 125 Domanda


140 181 172
105 180
160 161
139 146
114 190
143 134
108 182
130 201
125 200
140 180
181 235
172 226
180 206
161 242
146 190 134 182 201 200 18

- 128,2 132,3 126,5 M-Mobile


126,7 137,8
(6) 142,7
- 154,7
- 159,8
- 163,3
- 171,7
- 163,8
128,2 165,5
132,3 169,0
126,5 175,5
126,7 181,2
137,8 188,7
142,7 204,0
154,7208,0
159,8214,8
163,3 171,7 163,8 165,5 169,0 175,5 181

128,2 132,3 Previsione


126,5 126,7 137,8 142,7 154,7 159,8 163,3 171,7 163,8
128,2 165,5
132,3 169,0
126,5 175,5
126,7 181,2
137,8 188,7
142,7204,0
154,7208,0
159,8214,8
163,3 171,7 163,8 165,5 169,0 175

i valori della previsione coincidono con quelli della media mobile


di ordine k, sfasati in avanti di un mese

previsioni solamente per il periodo successivo (m=1)

per k=1 la previsione coincide con lultimo valore a disposizione

Demand Planning 167

SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN

DATA LA SERIE STORICA DI VALORI DELLA DOMANDA D1, D2, , Dt


LA PREVISIONE PER IL PERIODO t+1 VALE :

P t+1 =a .D t + (1-a) . P t

a : COEFFICIENTE DI SMORZAMENTO (0 a 1 )

LA PREVISIONE E OTTENUTA DALLA MEDIA PONDERATA TRA IL


VALORE ATTUALE Dt E LA PREVISIONE PRECEDENTE Pt

Demand Planning 168

84
SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN

al periodo t : Pt+1 = a . D t + (1-a) . P t

al periodo t -1: Pt = a . D t-1 + (1-a) . P t -1

al periodo t -2: Pt-1 = a . D t-2 + (1-a) . P t -2

sostituendo si ottiene : Pt+1= a . D t+ (1-a). [ a . D t -1+(1-a) . P t -1 ]

Pt+1= a . D t+ a . (1-a). D t -1 + (1-a)2 . P t -1

Pt+1=a D t+a (1-a) D t -1+a (1-a)2 D t -2+a (1-a)t-i D t-i


. . . . . . .

Demand Planning 169

SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN

DATI Esempio: a=0,5


300 STORICI D t-1
D t-2 Dt
200

100

0
t-2 t-1 t
0,1
0,2
a . (1-a)2 Ad ogni elemento
a . (1-a)
0,3
0,4 della serie attribuito
un peso diverso in
a
0,5
PESI funzione dellanzianit

Demand Planning 170

85
SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN

LA SCELTA DEL VALORE DI a AVVIENE ALLINTERNO DEI LIMITI [0;1]

t-3 t-2 t-1 t


0

0,1 a = 0,1
0,2

0,3
a = 0,3
0,4

0,5 a = 0,5
PESI
- a elevato : modello reattivo (> peso ai dati recenti)
- a basso : modello statico (> peso al passato)

Demand Planning 171

SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN

P t+1 =a .D t + (1-a) . P t

OSSERVAZIONI

se a = 1 : P t+1 =D t

se a = 0 : P t+1 =P t

al periodo t=1 : P 2 = a . D1 + (1 - a ) . Piniziale

Demand Planning 172

86
SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN

PROCEDENDO IN QUESTO MODO E POSSIBILE RICAVARE LE PREVISIONI PER


TUTTI I 2 ANNI A DISPOSIZIONE E PER IL GENNAIO 2011

2009 2010
200

150
a=0,3
100 a=0,5

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Demand Planning 173

MODELLO DI HOLT WINTERS: TREND E STAGIONALITA

AL TERMINE DEL PERIODO t SI AGGIORNANO I VALORI


SMORZATI DELLA MEDIA, TREND, STAGIONALITA' :

1 - a M t -1 Tt -1
Dt
Media : Mt a
St - L
Trend : Tt M t - M t -1 1 - Tt -1

1 - St - L
Dt
Stagionalit : St
Mt
Demand Planning 174

87
MODELLO DI HOLT WINTERS: TREND E STAGIONALITA

AL TERMINE DEL PERIODO t E POSSIBILE CALCOLARE LA PREVISIONE PER IL


GENERICO PERIODO FUTURO t+m :

Pt m M t m Tt St - L m

m : ORIZZONTE DI PREVISIONE

LA PREVISIONE E OTTENUTA A PARTIRE DAL VALORE DELLA MEDIA


SMORZATA Mt , CORRETTA MEDIANTE IL TREND SMORZATO Tt ED
IL RELATIVO ORIZZONTE PREVISIONALE m

Demand Planning 175

MODELLO DI HOLT WINTERS: TREND E STAGIONALITA

D : domanda
M : valor medio

D t-3

D t-4
M t+ mTt
Mt
M t-1
D t-2
M t-2
D t-1

Dt

t-4 t-3 t-2 t-1 t t+ 1 t+ 2 t+ 3

Demand Planning 176

88
METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting

Demand Planning 177

METODO DI SCOMPOSIZIONE

E un metodo che consente di identificare


Dt le principali componenti in cui una serie
storica pu essere suddivisa
Tt
Richiede in primo luogo di identificare il
modello di rappresentazione della serie
St
storica :

Ct additivo : Dt=Tt+St+Ct+et

et
t moltiplicativo : Dt=Tt St Ct et

Demand Planning 178

89
ANALISI DELLA STAGIONALITA

SI DEFINISCONO L FATTORI (MOLTIPLICATIVI) DI STAGIONALIT, UNO


PER OGNI PERIODO DEL CICLO STAGIONALE.

S1 S2 S3 . . . SL

Il coefficiente di stagionalit di un generico periodo


D
i calcolato come rapporto tra il valore di S i
domanda nel periodo i ed il valore medio della i M
domanda

Demand Planning 179

ANALISI DELLA STAGIONALITA

Nel caso considerato si hanno 12 coefficienti di stagionalit per ciascun


ciclo stagionale Sgen , Sfeb , Smar , , Sdic uno per ogni mese dellanno

Domanda gen feb mar apr mag giu lug ago set ott nov dic

2002 155 354 492 358 359 688 401 82 336 525 604 944

2003 178 360 546 418 394 801 428 95 374 674 573 1088

Stagionalit gen feb mar apr mag giu lug ago set ott nov dic

2002 0,331 0,757 1,052 0,765 0,767 1,471 0,857 0,175 0,718 1,122 1,291 2,018

2003 0,381 0,770 1,167 0,894 0,842 1,712 0,915 0,203 0,800 1,441 1,225 2,326

S i 0,356 0,763 1,109 0,829 0,805 1,592 0,886 0,189 0,759 1,282 1,258 2,172

Significa che nel mese di Novembre le vendite sono mediamente del


25,8% superiori rispetto al valor medio delle vendite nellanno

Demand Planning 180

90
ANALISI DELLA STAGIONALITA

RIPORTANDO I VALORI DEI COEFFICIENTI DI STAGIONALITA SI


OTTIENE LA COSIDDETTA FIGURA DI STAGIONALITA

2,5
vendite superiori
S i
2 alla media
1,5 Si > 1
1

vendite inferiori
0,5
alla media
0 0 < Si < 1

Demand Planning 181

ANALISI DI TREND

Trend
quadratico

Trend
lineare

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

Demand Planning 182

91
ANALISI DI TREND

MEDIANTE LANALISI DI REGRESSIONE E POSSIBILE IDENTIFICARE LA


NATURA DELLA TENDENZA DI FONDO (TREND) E QUANTIFICARLA

2009 2010

y=f(t)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

In questo caso, necessario identificare la funzione teorica y=f(t)


(retta, parabola, ) che meglio approssima la serie reale dei dati storici
Demand Planning 183

ANALISI DI TREND

ASSUMENDO UN TREND DI TIPO LINEARE E NECESSARIO DETERMINARE IL


VALORE DEI COEFFICIENTI DELLA RETTA DI REGRESSIONE

2009 2010

y=f(t)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Retta di regressione Metodo dei minimi quadrati a


y=a+bt b
Demand Planning 184

92
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO

Il metodo prevede di scorporare una alla volta le principali componenti


della serie storica mediante la seguente procedura (modello
moltiplicativo):
1. determinazione della componente congiunta di trend e ciclicit mediante il
calcolo della media mobile centrata MM t di passo L (stagionalit):

Tt Ct MMt

2. determinazione della componente stagionale attraverso il calcolo dei


coefficienti di stagionalit :
Dt Dt
St et =
Tt Ct MMt

3. depurazione dalla componente di stagionalit delleffetto delle


fluttuazioni casuali et come media dei valori St et sulle diverse stagioni

Demand Planning 185

METODO DI SCOMPOSIZIONE MOLTIPLICATIVO

4. destagionalizzazione della serie storica ottenuta dividendo ciascun valore


della serie per il corrispondente coefficiente stagionale :
Dt
= Tt Ct et
St
5. determinazione della componente di tendenza attraverso l'identificazione
di una curva di regressione (ad esempio lineare) dei valori
destagionalizzati della serie in funzione del tempo:
Tt = a + b t

6. determinazione dei fattori ciclici attraverso la rimozione dalla serie


storica delle componenti di stagionalit e casualit ( mediante la media
mobile) e della componente di tendenza ( mediante la regressione):
MMt
Ct =
Tt
Demand Planning 186

93
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO

Esempio : applicare il metodo di decomposizione alle vendite trimestrali


di videoregistratori riportati in tabella (si assuma un modello
moltiplicativo)
Anno Trim. Dt
1000
1995 I 570
II 500
III 700
750
IV 740
1996 I 670
II 610
500
III 770
IV 830
1997 I 700
II 650 250
III 740
IV 770
1998 I 720 0
II 680 I II III IV I II III IV I II III IV I II III IV
III 900
IV 930 1995 1996 1997 1998

Demand Planning 187

METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO

1. Si applica una media mobile centrata di ordine k=4 (per filtrare


leventuale stagionalit su base annuale)

Anno Trim. D t MM t (4) MM t (2)


1995 I 570 1000
II 500 627,5
III 700 652,5 640,0
750
IV 740 680,0 666,3
1996 I 670 697,5 688,8
II 610 720,0 708,8
500
III 770 727,5 723,8
IV 830 737,5 732,5
1997 I 700 730,0 733,8
250
II 650 715,0 722,5
III 740 720,0 717,5
IV 770 727,5 723,8
0
1998 I 720 767,5 747,5
I II III IV I II III IV I II III IV I II III IV
II 680 807,5 787,5
III 900 1995 1996 1997 1998
IV 930

Demand Planning 188

94
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO

2/3. Si determinano i coefficienti di stagionalit per ogni trimestre (valori


medi per eliminare la componente irregolare)

Anno Trim. D t MM t D t / MM t Trim. St


1995 I 570 I 0,963
II 500 II 0,875
III 700 640,0 1,094 III 1,063
IV 740 666,3 1,111 IV 1,103
1996 I 670 688,8 0,973 4
II 610 708,8 0,861
III 770 723,8 1,064 1,2
IV 830 732,5 1,133 St
1997 I 700 733,8 0,954 1,1
II 650 722,5 0,900
III 740 717,5 1,031
1,0
IV 770 723,8 1,064
1998 I 720 747,5 0,963
II 680 787,5 0,863 0,9

III 900
IV 930 0,8

I II III IV

Demand Planning 189

METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO

4. Si ricava la serie dei valori di domanda destagionalizzati

Anno Trim. D t St D t / St
1995 I 570 0,963 592 1000
II 500 0,875 572
III 700 1,063 659
IV 740 1,103 671 750
1996 I 670 0,963 696
II 610 0,875 697
500
III 770 1,063 724
IV 830 1,103 753
1997 I 700 0,963 727
250
II 650 0,875 743
III 740 1,063 696
IV 770 1,103 698 0
1998 I 720 0,963 747 I II III IV I II III IV I II III IV I II III IV
II 680 0,875 777
III 900 1,063 847 1995 1996 1997 1998
IV 930 1,103 843

Demand Planning 190

95
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO

5. Si determina la retta di regressione sui dati di domanda destagionalizzati

Anno Trim. D t / St Tt = a + b t
1995 I 592 612
II 572 625 1000
III 659 639
IV 671 653
1996 I 696 667 750
II 697 681
III 724 694
IV 753 708 500
1997 I 727 722
II 743 736
III 696 750 250
IV 698 763
1998 I 747 777
II 777 791 0
III 847 805 I II III IV I II III IV I II III IV I II III IV
IV 843 819
1995 1996 1997 1998
a : 598
b : 13,8
Demand Planning 191

METODO DI SCOMPOSIZIONE MOLTIPLICATIVO

Nei periodi futuri, la previsione della domanda si calcola ricomponendo le


componenti moltiplicative di trend e stagionalit:

Ft = Tt St L = (a + b t) St L

Demand Planning 192

96
SALES FORECAST & RECESSIONE ECONOMICA
Modelli a tendenza ridotta
Trend crescente meno che linearmente

Ft = TLOGt St L = (a + b log(t)) St L

Trend decrescente meno che linearmente

Ft = TEXPt St L = (a + b exp(-t)) St L

Demand Planning 193

FUSION FORECASTING

COMBINAZIONE DI PREVISIONI
Combinando le previsioni elaborate da n modelli di previsione per un
determinato periodo futuro t si ottiene un nuovo valore di previsione
(P*) che, in alcuni casi, pu fornire risultati migliori di quelli di
partenza.
F*t = f ( Ft,1 , Ft,2 , Ft,3 , , Ft,n )

Metodo 1 : la nuova previsione data dalla media aritmetica


delle m previsioni originali

Metodo 2 : la nuova previsione risulta dalla media ponderata


delle previsioni originali, a ciascuna delle quali assegnato un
peso w inversamente proporzionale allo scarto quadratico
medio (MSE) corrispondente
Demand Planning 194

97
METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting

Demand Planning 195

METODI CAUSALI BASATI SU CORRELAZIONI


Si ipotizza un legame causale tra un insieme di variabili indipendenti e
una variabile dipendente, formalizzato attraverso una relazione
funzionale:

y f x1, x 2 , ... , xn

identificare le variabili ( y : domanda, x : prezzo, investimenti


pubblicitari, promozioni, temperatura, umidit, traffico, tempo, )
evidenziare i legami di dipendenza tra le variabili (equazione lineare,
quadratica, esponenziale, ...)
stimare i parametri dellequazione
la previsione per la variabile dipendente ottenuta a fronte di stime
future per le variabili indipendenti
Demand Planning 196

98
METODI CAUSALI BASATI SU CORRELAZIONE

I metodi causali aiutano a capire


Sales data quali sono i fattori rilevanti e quale
Price, Promotion la relazione con le vendite
FATTORI CHE INFLUENZANO LA DOMANDA

Service Level
Quality Demand
Company
Budget
180

Consumer perception 150

Demographics 120

Competition 90

Marketplace Innovation
60

Random Factors
30

Regulation Time

Economy
DB
Business Cycle
Legami
Environment Weather conditions causa/effetto

Demand Planning 197

REGRESSIONE LINEARE

Finalit interpretativa
La domanda storica legata al prezzo o alla temperatura?

Finalit predittiva
Sapendo che la domanda legata al prezzo, qual la
previsione futura della domanda, note le politiche di prezzo
future (decise dal marketing)?
Correlazione matematica vs. Causalit empirica
Il legame domanda temperatura, dimostrato
matematicamente, ha senso nel business di riferimento?

Demand Planning 198

99
VARIABILI INDIPENDENTI PER LA REGRESSIONE

Variabili esogene
Variabili fisiche (temperatura, umidit, ecc.)
Es: weather forecasting
Variabili ambientali
Ricchezza dei consumatori
Competitor Best in Class

Variabili endogene
Prezzo di vendita
Advertising effort
Campagne promozionali
Livello di servizio al cliente

Demand Planning 199

REGRESSIONE LINEARE SEMPLICE

Demand Planning 200

100
REGRESSIONE LINEARE MULTIPLA

Demand Planning 201

REGRESSIONE LINEARE SEMPLICE

Viene ipotizzato un legame lineare tra una variabile


indipendente (x) e una variabile dipendente (y)

y A B x e
y^ rappresenta la predizione del valore di y
a e b rappresentano le stime di A e B
y a b x
e una variabile casuale (rumore)
si dispone di n coppie di osservazioni
(x1,y1), (x2,y2), , (xn,yn)

Demand Planning 202

101
REGRESSIONE LINEARE SEMPLICE

prezzo vendite
settimana (euro / litro) (litri x 1000)
1 1,3 10 25

2 2 6
20
3 1,7 5
4 1,5 12 15
5 1,6 10 y
6 1,2 15 10

7 1,6 5
5
8 1,4 12
9 1 17 0
10 1,1 20 1 1,2 1,4 1,6 1,8 2

x
n=10 xi yi

Demand Planning 203

REGRESSIONE LINEARE SEMPLICE

Esiste una funzione in


25 grado spiegare il legame tra
20 la variabile indipendente e
15 la variabile dipendente ?
y
10

5 y a b x
0
1 1,2 1,4 1,6 1,8 2

x Quali sono i coefficienti


della retta di regressione?

Demand Planning 204

102
COEFFICIENTE DI CORRELAZIONE LINEARE

Lesistenza di un legame lineare confermata da un valore elevato


del coefficiente di correlazione lineare r (Pearson) :

n
x i - x yi - y
i1
rxy n n
( -1 r 1 )

x i - x yi - y
2 2

i 1 i 1

n n

1 1
essendo : x x i y y i
n 1
i n 1
i

Demand Planning 205

ESEMPI DI CORRELAZIONI

r=0,9 r=0,5 r=- 0,5

r=- 0,9 r0 r0

Il EXCEL adottare la funzione : =CORRELAZIONE (Serie_X; Serie_Y)


Demand Planning 206

103
REGRESSIONE LINEARE CON EXCEL

COEFFICIENTI DELLA RETTA DI REGRESSIONE

Per la determinazione di a e b si consiglia di utilizzare le seguenti funzioni


di EXCEL :

y a b x

b : Pendenza y
=INDICE(REGR.LIN(Serie_Y; Serie_X);1)

a b
a : Intercetta di y
=INDICE(REGR.LIN(Serie_Y; Serie_X);2)
x
Demand Planning 207

REGRESSIONE LINEARE SEMPLICE: ESEMPIO NUMERICO

25 metodo dei
rxy = - 0,86 minimi quadrati
20

15
y a = 32,14
10

5
b = -14,54

0
1 1,2 1,4 1,6 1,8 2

y 32,14 - 14,54 x

Demand Planning 208

104
REGRESSIONE LINEARE SEMPLICE: PREVISIONE FUTURA
Per un certo periodo futuro, stato previsto il valore x = 1,3 per la variabile
indipendente prezzo. Da questo dato, si calcola il valore di vendita y
corrispondente
25
prezzo vendite
settimana (euro / litro) (litri x 1000) 20
1 1,3 10
15
2 2 6
3 1,7 5
y
10
4 1,5 12
5 1,6 10 5

6 1,2 15
0
7 1,6 5
1 1,2 1,4 1,6 1,8 2
8 1,4 12
9 1 17
1,3 x
10 1,1 20

11 1,3 ?

y 32,14 - 14,54 1,3 13,2


Demand Planning 209

METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting

Demand Planning 210

105
MODELLI PER SERIE SPORADICHE

Definizione del problema


Prevedere le vendite per prodotti la cui domanda si manifesta
con frequenza molto bassa nel tempo, il cui andamento
quantitativo fortemente irregolare

Campi di applicazione
Parti di ricambio (componentistica elettronica e meccanica nei
settori hi-tech e automotive)
Farmaci per malattie rare
Prodotti Consumer Packaged venduti solo in periodi di
promozione
Beni di lusso (orologi, gioielli, ) venduti nel singolo punto
vendita

Demand Planning 211

MODELLI PER SERIE SPORADICHE

Contesto operativo di riferimento

Gli eventi di domanda si manifestano in modo irregolare, casuale


e con ridotta frequenza di accadimento
Il comportamento irregolare occorso nel passato si manifester
anche nel futuro
Le richieste di domanda arrivano singolarmente e sono
indipendenti fra loro
Di solito, il valor medio delle richieste (in un arco temporale di
riferimento) basso (poche unit o decine di unit)
La previsione non risente degli eventi (pochi) verificatisi nel
passato

Demand Planning 212

106
MODELLI PER SERIE SPORADICHE: CROSTON

Definizione del problema


Prevedere le vendite per prodotti la cui domanda si manifesta
con frequenza molto bassa nel tempo, il cui andamento
quantitativo fortemente irregolare
Analogo al contesto di riferimento del modello di Poisson

Logica di calcolo
La serie storica caratterizzata da due elementi indipendenti, da
prevedere singolarmente:
Serie numerica dei valori non nulli;
Serie numerica degli intervalli di interattivo fra due valori non
nulli consecutivi di domanda

Demand Planning 213

MODELLI PER SERIE SPORADICHE: CROSTON

Algoritmo di Croston (1/2)

Data la serie delle quantit vendute non nulle, si calcola il valore


Q di domanda futura (un solo valore Q per coppia prodotto
mercato), applicando un algoritmo di media mobile o
smorzamento esponenziale

Data la serie degli intervalli di interarrivo fra due domande


storiche non nulle (espresso in numero intero di periodi), si
calcola la previsione dellintervallo di interarrivo medio
applicando un algoritmo di media mobile o smorzamento
esponenziale alla serie degli intervalli storici di interattivo

Domanda: {10 0 0 0 4 0 0 2 0 0 0 0 0 3 0 2 0 0}
Serie interarrivi: {4, 3, 6, 2, 3}; media: 18/5 = 3,6

Demand Planning 214

107
MODELLI PER SERIE SPORADICHE: CROSTON

Algoritmo di Croston (2/2)


Si dispone la domanda futura costante Q in modo regolare
periodico sui periodi dellorizzonte di pianificazione della
domanda:
partendo dallultimo valore storico non nullo;
determinando il periodo in cui mettere la quantit Q, di
volta in volta, con un semplice algoritmo di compensazione
dei resti
Esempio
Domanda: {10 0 0 0 4 0 0 2 0 0 0 0 0 3 0 2 0 0}
Serie interarrivi: {4, 3, 6, 2, 3}; media: 18/5 = 3,6
Previsione: {0 0 Q 0 0 0 Q 0 0 0 0 Q }
Prima volta: int(3,6) = 4 periodi; seconda volta:
int(3,60,4) = int(3,2) = 3; terza volta: int(3,8)= 4
Demand Planning 215

MODELLI PER SERIE SPORADICHE: CROSTON

Esempi numerici

Demand Planning 216

108
MODELLI PER SERIE SPORADICHE: POISSON

Per stimare la probabilit che la domanda assuma specifici


valori nel futuro (ad esempio durante il lead time di
rifornimento a magazzino dellarticolo da prevedere) si pu
utilizzare la distribuzione di Poisson

Demand Planning 217

MODELLI PER SERIE SPORADICHE: POISSON

0,5 0,5

D=0,8 0,4 D=1,5


0,4

0,3 0,3

0,2 0,2

0,1 0,1

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

0,5 0,5

D=3,2 D=5,8
0,4 0,4

0,3 0,3

0,2 0,2

0,1 0,1

0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

Demand Planning 218

109
MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO

La previsione del numero di richieste future


durante il lead time di rifornimento, oppure
durante il periodo di pianificazione
dipende esclusivamente dalla lunghezza dellintervallo temporale
considerato
propriet di perdita di memoria della distribuzione di
Poisson

Esempio numerico
Larticolo alfa viene gestito con metodo di riordino a quantit
costante (Q = 5 pezzi, lotto minimo dacquisto imposto); per tale
articolo noto il valore medio annuo della domanda: 4,5
pezzi/anno. Calcolare la probabilit con cui larticolo alfa verr
richiesto nel prossimo bimestre.
(Lead time di consegna: 2 mesi)
Demand Planning 219

MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO

1. Calcolo del valor medio della domanda sullintervallo di tempo


in esame (bimestre):
4,5 pezzi / anno 4,5 / 6 = 0,75 pezzi / bimestre
2. Calcolo dei valori della distribuzione di Poisson

Demand Planning 220

110
MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO
Distribuzione di probabilit dellevento:

Valutazione del grado di copertura scorte:


ad esempio, avendo a scorta 3 unit dellarticolo alfa, si pu
stimare che la probabilit di non avere stock-out durante il
lead time di 2 mesi pari a:

221
Demand Planning 221

MODELLI PER SERIE SPORADICHE: POISSON

Utilizzo previsivo della distribuzione di Poisson (1/3)

Si assegna un livello di servizio target (es: 99,5%)


Si calcola il minimo valore di giacenza INVMIN che
consente di ottenere il livello di servizio assegnato (k = 0,
1, 2, ; numero intero di unit)
Si identifica il valore della previsione della domanda futura
con tale valore INVMIN, posizionato allinizio di ogni lead
time di pianificazione
contando i periodi e la periodicit del lead time
dallultimo valore non nullo di domanda storica

Si ottiene una serie sporadica periodica, di valore costante


INVMIN (nei periodi di domanda non nulla)

Demand Planning 222

111
MODELLI PER SERIE SPORADICHE: POISSON

Utilizzo previsivo della distribuzione di Poisson (2/3)

Se si immagina di avere, ad inizio lead time, una domanda


futura pari a INVMIN,
per ogni intervallo di lead time in cui scomponibile
lorizzonte di pianificazione
(es: 6 lead time da 3 mesi ciascuno, in un orizzonte di
pianificazione di 18 mesi)
e se si dispone o si approvvigiona, allinizio di ogni lead
time, la scorta iniziale necessaria per soddisfare la
domanda INVMIN in ogni lead time,

si riuscir a garantire il livello di servizio assegnato, a


prescindere dallo specifico periodo nel lead time in cui
cadr la (unica o multipla) richiesta puntuale di domanda.

Demand Planning 223

MODELLI PER SERIE SPORADICHE: POISSON

Utilizzo previsivo della distribuzione di Poisson (3/3)

Moltiplicando la domanda previsionale INVMIN per il numero


di lead time che compongono lorizzonte di previsione, si
ottiene una stima della quantit totale domandata per
larticolo a domanda sporadica.

Questa informazione utile nel caso in cui larticolo (a basso


costo unitario) venga riapprovvigionato a lotti di grandi
dimensioni (lotti economici) con frequenza temporale molto
bassa, in quanto:
il costo di mantenimento a scorta per tale articolo
contenuto
il livello di servizio deve essere garantito (ad esempio
perch il componente critico per prodotti finiti ad alto
valore aggiunto unitario)
Demand Planning 224

112
UTILIZZO PREVISIVO DEL MODELLO DI POISSON

Esempio numerico

Demand Planning 225

METODI E ALGORITMI DI SALES FORECASTING

Introduzione alle serie storiche


Time Series Analysis / Sales Cleaning
Forecast Accuracy
Media mobile e smorzamento esponenziale
Scomposizione delle serie storiche
Regressione lineare
Modelli per serie storiche sporadiche
New Product Forecasting

Demand Planning 226

113
NEW PRODUCT FORECASTING

Definizione del problema


Prevedere le vendite di prodotti nuovi, per i quali non si dispone
per definizione di storico delle vendite
Prevedere repentini cambiamenti di domanda

Campi di applicazione
Pre-season forecasting nel settore fashion / retail (vendite di
primo impianto)
Introduzione di nuovi modelli nel settore high-tech (elettronica
di consumo, informatica), a rapida obsolescenza tecnologica
In generale: prodotti a ciclo di vita limitato (al massimo qualche
mese di vita, una stagione di vendita)
Cambiamento delle condizioni di mercato (recessione)

Demand Planning 227

NEW PRODUCT FORECASTING

Curve di ciclo di vita del prodotto


Prodotto mono stagionale
fase 1: lancio; fase 2: crescita
fase 3: maturit; fase 4: declino

Demand Planning 228

114
NEW PRODUCT FORECASTING

Curve di ciclo di vita del prodotto


Prodotto multi stagionale
fase 1: lancio; fase 2: crescita
fase 3: stabilizzazione (prodotto continuativo)

Demand Planning 229

NEW PRODUCT FORECASTING: METODOLOGIE (1/5)

Curve di ciclo di vita (pattern)


Applicazione di curve standard (curva logistica ad S,
funzione polinomiale, funzione esponenziale, ...)

Pattern matching
Si costruisce inizialmente una libreria di pattern (serie
quantitative o percentuali di valori numerici con
identificativo temporale: percentuale di vendita della prima
settimana, della seconda settimana, ecc.) sulla base dei
valori storici di introduzione di prodotti nuovi introdotti nel
passato [esempio: curva XYZ prodotto 123 mercato ijk
valori {15%, 15%, 20%, 25%, 15%, 5%, 5%}].
Il pattern di vendita iniziale per il nuovo segmento
prodotto mercato viene scelto, manualmente o mediante
criteri automatici di tipo empirico, allinterno della libreria
di pattern preventivamente configurata.

Demand Planning 230

115
NEW PRODUCT FORECASTING: ESEMPI

Pattern forecasting: esempio numerico


Budget in-season: 15000 pezzi
Durata della stagione: 4 mesi

Demand Planning 231

NEW PRODUCT FORECASTING: METODOLOGIE (2/5)

Previsione per analogia

La previsione del nuovo segmento prodotto mercato viene


eseguita con tecniche basate su analisi delle serie storiche
(Time Series), come se il segmento nuovo avesse una storia di
vendita.

La storia di vendita del nuovo segmento viene creata


associando la serie storica di un vecchio segmento a quello
nuovo.

Lipotesi sottostante di questo metodo che i clienti


percepiscano il nuovo prodotto venduto in un certo mercato
come sostitutivo (totalmente o parzialmente) di uno
obsoleto, progressivamente dismesso dal mercato.

Demand Planning 232

116
NEW PRODUCT FORECASTING: METODOLOGIE (3/5)

Previsione per analogia (continua)


Molteplicit del legame
Legame 1:1 1 prodotto nuovo / 1 prodotto obsoleto
Legame 1:n 1 prodotto nuovo / n prodotti obsoleti

Linearit del legame


Lineare: lo storico del prodotto obsoleto trasferito as is
sul prodotto nuovo
Non lineare: allo storico del prodotto obsoleto si applicano
coefficienti moltiplicativi di amplificazione (prodotto nuovo
migliore o promozionato) o riduzione delle vendite
(prodotto nuovo solo parzialmente sostitutivo)

Demand Planning 233

NEW PRODUCT FORECASTING: ESEMPI

Previsione per analogia: esempio numerico


NEW = 100% SKU1 + 50% SKU2

Fine vita SKU1: Feb-05


Fine vita SKU2: Apr-05

Inizio vita NEW: Mar-05

Demand Planning 234

117
NEW PRODUCT FORECASTING: METODOLOGIE (4/5)
Analogia basata sulla correlazione lineare (1/2)
Problema: si dispone di pochi dati di vendita relativi alle
prime settimane di commercializzazione di un prodotto ( early
sales)
Obiettivo: calcolare le vendite delle settimane future (fino
alla fine della vita utile del prodotto)

Metodologia di analisi: comparare, tramite il coefficiente di


correlazione lineare,
le prime n settimane di vita del prodotto da prevedere,
con le prime n settimane di prodotti appartenenti a
precedenti cicli di vendita
aventi caratteristiche di marketing simili, oppure
tutti i prodotti, a prescindere dal raggruppamento
merceologico

Demand Planning 235

NEW PRODUCT FORECASTING: METODOLOGIE (5/5)


Analogia basata sulla correlazione lineare (2/2)
Soluzione:
Selezionare il prodotto P le cui prime n vendite storiche
massimizzano il coefficiente di correlazione lineare rispetto
al prodotto nuovo (di cui si dispone di solo n valori di
vendita storici)

Calcolare le percentuali di vendita del prodotto P per tutto


il suo ciclo di vita (n periodi storici, n* periodi successivi
nel ciclo di vita)

Applicare le percentuali trovate al prodotto nuovo,


determinando cos le quantit previsionali di vendita nei
successivi n* periodi futuri

Demand Planning 236

118
NEW PRODUCT FORECASTING: ESEMPI
Analogia basata sulla correlazione lineare:
esempio numerico
NEW = sku 1 / store A; OLD = sku 2, sku 3, sku 4 / store A

Demand Planning 237

NEW PRODUCT FORECASTING


Previsione del picco natalizio (esempio 1)
Ipotesi:
Vendite regolari durante lanno corrente
Picco di vendita nelle settimane natalizie
Un solo Natale storico disponibile

Soluzione:
Interpolazione lineare sullo storico delle vendite non
natalizie
Proiezione anno su anno del picco natalizio, seguendo il
trend lineare nei periodi non natalizi

Demand Planning 238

119
NEW PRODUCT FORECASTING
Previsione del picco natalizio (esempio 1)

Demand Planning 239

NEW PRODUCT FORECASTING


Previsione del picco natalizio (esempio 2)
Ipotesi:
Vendite regolari durante lanno corrente
Picco di vendita nelle settimane natalizie
Nessun Natale storico disponibile

Soluzione: forecast = baseline + uplift natalizio


1. Calcolo della forecast baseline Bt come media della
domanda storica (pochi valori disponibili)

2. Uplift natalizio calcolato:


Novembre su Dicembre dellanno precedente
come media fra le referenze della stessa famiglia, a
parit di punto vendita

Demand Planning 240

120
INDICE DEGLI ARGOMENTI TRATTATI

Demand Planning e Supply Chain Management

Demand Planning: processi e tipologie di piani

Workflow di Demand Planning

Dimensioni di analisi del Demand Planning

Modelli e algoritmi di Sales Forecasting

Modelli qualitativi per la previsione della domanda

Demand Planning & Information Technology

Demand Planning 241

METODI QUALITATIVI E A BASE SOGGETTIVA

Il Marketing deve poter influenzare o modificare le proiezioni proposte, in base


alla conoscenza che esso ha dell'andamento futuro:
delle iniziative cliente
delle promozioni programmate
previsione di acquisizione di un ordine cliente di grosse dimensioni
scadenze legate ad iniziative cliente
modifica delle scadenze legate a budget
variazioni dell'andamento macroeconomico
e comunque di tutte quelle informazioni che possono influenzare i volumi ed il
mix di vendita nel medio termine.

Tale modalit di previsione permette al Marketing di focalizzare la propria


Market attenzione sul miglioramento della qualit delle previsioni aggiungendovi
Intelligence il valore derivante dalla proprie specifiche conoscenze sulle vendite
future

Demand Planning 242

121
METODI A BASE SOGGETTIVA

OPINIONI DELLA FORZA DI VENDITA


Le informazioni sulle vendite vengono raccolte ed elaborate in un processo
piramidale ascendente (venditori responsabile darea direzione Marketing)

individuare i modelli comportamentali della concorrenza


obiettivi indicare i clienti pi importanti analizzando e definendo le azioni da
e intraprendere per aumentare le vendite
contenuti
definire le quote di mercato e le previsioni di vendita
analizzare i mutamenti del mercato e individuarne le cause

- preparazione dei venditori ?


- le figure coinvolte vivono il mercato
- intuizione o oggettivit ?
SVANTAGGI
VANTAGGI

- responsabilizzazione estesa a tutti i livelli


- la FdV spesso ignora obiettivi
- monitoraggio competitors centrali
- opinioni su possibili azioni future - tendenza a sparare alto e/o basso
- focus sulla singola zona / canale ... - lunghi tempi di risposta
Demand Planning 243

METODI A BASE SOGGETTIVA

METODO DELPHI
Un gruppo di esperti viene interrogato mediante questionario che
interattivamente riporta le risposte via via fornite (in maniera anonima),
fino ad arrivare ad un consenso unanime del gruppo

ESPERTI
questionari +
sintesi risposte CENTRO DI
ELABORAZIONE previsione
E SINTESI consensuale
RISPOSTE
risposte

- economico (ognuno a casa propria) - tempi lunghi (interattivit)


SVANTAGGI
VANTAGGI

- nessuna influenza derivante da - selezione del panel


dinamiche di gruppo (leadership) - possibile fallimento per abbandono
- possibilit di modificare le proprie - inadatto per indagini di routine (solo per
opinioni in modo riflessivo ed autonomo previsioni su ampi scenari)

Demand Planning 244

122
METODI A BASE SOGGETTIVA

PANEL DI ESPERTI
Un gruppo di persone di cultura manageriale e appartenenti a diverse
funzioni aziendali (marketing, progettazione, produzione, finanza, ...)
ritenuto idoneo e viene incaricato per formulare ed elaborare previsioni

GRUPPO
previsioni
INCARICATO

- partecipanti selezionati in base - tempi lunghi

SVANTAGGI
VANTAGGI

allesperienza specifica (multifunzionale) - dinamica di gruppo (prevalenza


- conoscenza ottima del contesto personalit forti, leadership, )
aziendale e di mercato - isolamento del gruppo (sistema chiuso)

Demand Planning 245

METODI A BASE SOGGETTIVA

SONDAGGI / INDAGINI DI MERCATO


Viene chiesto ad un campione di clienti importanti levoluzione degli acquisti e
dei piani di sviluppo mediante mailing o interviste; partendo da tale base
vengono previste le linee di tendenza del mercato nella sua globalit

SONDAGGIO EVOLUZIONE
SU UN DEL
CAMPIONE DI
CLIENTI MERCATO
estrapolazione

- previsioni basate su piani di acquisto - reticenza dei clienti


SVANTAGGI

- affidabilit significativit del


VANTAGGI

(oggettivit)
- occasione per evidenziare altri aspetti campione
(modifiche al prodotto in esame o - economicit numerosit del
suggerimenti per il prossimo lancio) campione

Demand Planning 246

123
METODI A BASE SOGGETTIVA

ANALOGIA CON ALTRI PRODOTTI


Consiste nellidentificare prodotti che presentino caratteristiche molto
simili al nuovo prodotto che si vuole lanciare, utilizzandone i dati di
vendita storici per formulare previsioni ( phase-in)

prodotto A previsione

PRODOTTO
NUOVO
prodotto B

prodotto C

- funziona anche se non si hanno dati sul - non adatto per il breve periodo

SVANTAGGI
VANTAGGI

prodotto specifico - non riesce ad individuare i punti di


- costringe a ragionare sulle caratteristiche svolta della serie
del mercato e del prodotto
- consente stime nel medio-lungo termine

Demand Planning 247

METODI A BASE SOGGETTIVA

DIFFICOLT NELLUSO DEI METODI A BASE SOGGETTIVA

correlazioni illusorie a conforto delle proprie tesi


eccesso di confidenza nelle proprie conclusioni
eccesso di conformismo tra i membri di un gruppo
conservatorismo e ancoraggio a determinate conclusioni
sottostima del grado di incertezza
difficolt a manipolare grandi numeri
inconsistenza nei criteri di giudizio

Demand Planning 248

124
INDICE DEGLI ARGOMENTI TRATTATI

Demand Planning e Supply Chain Management

Demand Planning: processi e tipologie di piani

Workflow di Demand Planning

Dimensioni di analisi del Demand Planning

Modelli e algoritmi di Sales Forecasting

Modelli qualitativi per la previsione della domanda

Demand Planning & Information Technology

Demand Planning 249

IT: DOVE SI TROVA IL MODULO DEMAND PLANNING?


Allinterno dei sistemi APS, specialistici per il Supply Chain
Planning

Allinterno dei sistemi di Business Intelligence


Demand Analytics, Demand Intelligence
Allinterno dei sistemi ERP
Modulo Supply Chain Management
Demand Planning 250

125
MODULI DI UN SISTEMA ERP

Moduli per la gestione di impresa


Amministrazione, contabilit
Finanza
Risorse umane

Moduli per Marketing e Vendite


Customer Relationship Management (CRM)

Moduli per il Supply Chain Management


Gestione dei materiali (inbound, outbound)
Ciclo attivo
Ciclo passivo
Gestione fornitori (Vendor Rating)
Product Lifecycle Management
[Specializzazioni verticali]
Demand Planning 251

MODELLI, TECNICHE E ARCHITETTURA DI UN SISTEMA APS

Modelli logico matematici di rappresentazione dei processi


Tecniche per la generazione euristica o ottimale di piani di
produzione, di distribuzione (algoritmi euristici, ottimizzazione
deterministica mediante programmazione lineare)
Tecniche e algoritmi per la formulazione dei piani di domanda
(sales cleaning, sales forecasting)

Metodologie di simulazione / analisi di scenario (what-if)


Interfacce grafiche per la presentazione interattiva dei piani
formulati (es: diagramma di Gantt)
Reportistica di presentazione dei risultati (es: tabelle di forecast
accuracy per il Demand Planning)

Demand Planning 252

126
FLUSSI DI DATI NEL MODULO DEMAND PLANNING DI UN APS

253
Demand Planning 253

MODULI DI UN SISTEMA DI BUSINESS INTELLIGENCE

Analisi multidimensionale dei dati (Demand Analytics)


Analisi delle serie storiche
Budget di vendita vs. Consuntivo
Sales Forecast vs. Actual Sales
Analisi quantitativa vs. Analisi a valore

Data Mining (Demand Intelligence)


Clustering (Demand Planning: store / product clustering)
Regole associative (Demand Planning: Market Basket Analysis)
Classificazione (Demand & Inventory Planning: ABC Pareto)
Regressione
Time Series Forecasting

Demand Planning 254

127
BUSINESS INTELLIGENCE O ADVANCED PLANNING?

Advanced Planning & Scheduling: punti di forza


Algoritmi di Demand Planning pi sofisticati, specialistici ed
accurati
Integrazione con moduli di Inventory & Replenishment
Planning
Integrazione con moduli di Production & Distribution Planning
What if (simulazione scenari alternativi)

Business Intelligence: punti di forza


Integrazione tecnologica (multidimensionalit)
Analisi storiche sofisticate
Trattamento dei dati in ingresso (ETL)

Demand Planning 255

SOFTWARE SELECTION PER IL DEMAND PLANNING

Requisiti necessari
Completezza funzionale: algoritmi di Demand Planning
sofisticati, specialistici ed accurati (sales cleaning &
forecasting)
Integrazione funzionale: integrazione con moduli di Inventory
& Replenishment Planning
What if (simulazione scenari alternativi)
User Interface: usabilit ed ergonomia

Requisiti nice to have


Integrazione con moduli di Production & Distribution Planning
(capacit finita)
Integrazione tecnologica (multidimensionalit)
?? Integrazione suite ERP ?? (punto aperto)

Demand Planning 256

128
SOFTWARE SELECTION PER IL DEMAND PLANNING

Voci di costo tradizionali

Licenza duso
Primo anno vs. Profilazione temporale
Manutenzione
Su base annuale
Implementazione
Consulting sui processi (as-is / to-be)
Customizzazione del software (metodi, interfacce utente,
parametrizzazione)
Integrazione con database ERP / BI
Addestramento utenti
Documentazione di progetto / di prodotto
Supporto on-line (pre- e post- go live)

Demand Planning 257

SOFTWARE SELECTION PER IL DEMAND PLANNING

Modelli innovativi di Software Vending

Pacchetti algoritmici Excel based


Integrati con ERP / database
(la tecnologia algoritmica ancora in possesso del cliente)
Modello tradizionale Licenza + Manutenzione + Servizi

Cloud computing
Forecasting As A Service
(Replenishment As A Service)
(la tecnologia algoritmica non pi in possesso del cliente)
Modelli di payment pay as you go

Demand Planning 258

129
SOFTWARE SELECTION PER IL DEMAND PLANNING

Profittabilit di un progetto di Demand Planning


A fronte delle voci di costo precedemente elencate
Licenza & Manutenzione
Implementazione
Addestramento e supporto
quali sono i benefici conseguenti allimplementazione di un
progetto di Demand Planning?

Metodologia per lanalisi della profittabilit


Forecasting & Replenishment Assessment
Forecasting: incremento delle vendite
Replenishment: livello di servizio e di giacenza

Demand Planning 259

SOFTWARE SELECTION PER IL DEMAND PLANNING

Consiste nel dimostrare che laccuratezza previsionale


(Forecasting) ed il livello di servizio ( Inventory & Replenishment)
migliorano
utilizzando il sistema software di Demand Planning oggetto della
Software Selection (to-be)
rispetto alla situazione attuale (as-is: azienda che usa semplici fogli di
calcolo privi di algoritmi di forecasting & replenishment planning)

Perimetro dellassessment
Forecast e replenishment calcolati nel passato
Esempio: dati storici nel 2009-2010; previsione nel 2011
Stessi parametri di input e modalit di replenishment
Definizione preliminare dei KPI di valutazione

Demand Planning 260

130
BIBLIOGRAFIA C-LOG LIUC

LIBRI

Milanato D. Demand Planning. Processi, metodologie e modelli matematici


per la gestione della domanda commerciale Springer, 2008

ARTICOLI
Dallari F., Creazza A., Demand Planning. Risultati di unindagine sul campo, Logistica / Tecniche
Nuove, Ottobre 2006
Dallari F., Milanato D., Demand Planning per le aziende industriali e commerciali, Logistica /
Tecniche Nuove, Aprile 2011
Dallari F., Milanato D., Metodologie di Sales Forecasting nel fashion - retail, Logistica / Tecniche
Nuove, Settembre 2011
Dallari F., Milanato D., Come prevedere la domanda di articoli di largo consumo da parte del
consumatore?, Logistica / Tecniche Nuove, Novembre 2011
Demand Planning 261

BIBLIOGRAFIA E RIFERIMENTI GENERALI

SITI WEB
http://www.forecastingeducation.com Institute for Forecasting Education
http://www.ibf.org/ Institute of Business Forecasting
http://www.ms.ic.ac.uk/iif/ International Institute of Forecasting
http://bus.utk.edu/ivc/forecasting/index.htm Sales Forecasting Forum
http://www.sfbf.com/salforsofcom.html Sales Forecasting Benchmarking Forum
http://morris.wharton.upenn.edu/forecast/ Wharton Forecasting Principles

BIBLIOGRAFIA ESSENZIALE
Armstrong S., Principles of forecasting, Kluwer Academic Press, 2001
Chatfield C., The Analysis of Time Series, Chapman and Hall, London 1988
Gardner E. , Exponential Smoothing :the State of the Art, Journal of Forecasting, Vol.4, 1985
Makridakis S., Wheelwright S.C., Forecasting: Methods and Applications, John Wiley, 1998
Mentzer T, Bienstock C., Sales forecasting Management, Sage Publications, 1998
Demand Planning 262

131