Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Previsione e gestione
della domanda
commerciale
Demand Planning 1
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
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
prodotto
standard
LT concesso
dal mercato
LT totale di produzione
Demand Planning 6
3
COSA PREVEDERE ?
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)
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 __
4
QUANDO PREVEDERE ?
QUANDO PREVEDERE ?
Volume
MATURIT
DECLINO
CRESCITA
INTRODUZIONE
Et
Demand Planning 10
5
LEGGE DI PROPAGAZIONE DEGLI SCARTI
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 ?
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
- FORZA DI VENDITA
7
COME PREVEDERE Utilizzo congiunto delle metodologie
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.
8
DEMAND PLANNING: OBIETTIVI
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
Demand Planning 20
10
PROCESSO GENERALE DI SALES & OPERATIONS PLANNING
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
Demand Planning 22
11
S&OP: DEMAND & SUPPLY PLANNING
Demand Planning 23
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 26
13
IL MODULO DEMAND PLANNING NEI SISTEMI APS
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
Demand Planning 30
15
DOMANDA INDIPENDENTE VS. DOMANDA DIPENDENTE
Demand Planning 31
Demand Planning 32
16
BUSINESS TO CONSUMER (RETAIL)
Caratteristiche della domanda
Demand Planning 33
Demand Planning 34
17
PROCESSO NON COLLABORATIVO: EFFETTO BULLWIP
Demand Planning 35
Proposta dordine
Conferma dordine
Demand Planning 36
18
COLLABORATIVE PLANNING, FORECASTING & REPLENISHMENT
Processo non collaborativo
Processo collaborativo
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
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
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 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
Differenze tipiche
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
Conclusioni
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
Demand Planning 50
25
PROCESSI DI DEMAND PLANNING
Demand Planning 51
Demand Planning 52
26
(2) SALES FORECASTING
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
Demand Planning 55
28
INDICE DEGLI ARGOMENTI TRATTATI
Demand Planning 57
58
Demand Planning 58
29
CPG: WORKFLOW TIPICO DI DEMAND PLANNING
Demand Planning 59
Demand Planning 60
30
CPG: WORKFLOW TIPICO DI DEMAND PLANNING
Demand Planning 61
Demand Planning 62
31
CPG: WORKFLOW TIPICO DI DEMAND PLANNING
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
Demand Planning 65
Demand Planning 66
33
ANALISI DEI KPI DI DEMAND PLANNING
Demand Planning 67
Demand Planning 68
34
ANALISI DEI KPI DI DEMAND PLANNING
KPI TARGET
Valore obiettivo deciso in fase di pianificazione
KPI FORECAST
Valore stimato mediante metodi previsivi
KPI ACTUAL
Valore rilevato a consuntivo
Demand Planning 69
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
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
Range di performance
Demand Planning 74
37
KPI COMPOSTI: ESEMPIO
Demand Planning 75
Scostamento percentuale
Scostamento percentuale su domanda
(12 15)/12 = - 25% (periodo 1)
Demand Planning 76
38
DIMENSIONI DI ANALISI GERARCHICA
Demand Planning 77
GERARCHIE DI NAVIGAZIONE
Demand Planning 78
39
CUBI DI NAVIGAZIONE
Demand Planning 79
Demand Planning 80
40
ENTITA E LIVELLI DI NAVIGAZIONE
81
Demand Planning 81
41
AGGREGAZIONE / DISAGGREGAZIONE GERARCHICA
Demand Planning 83
Demand Planning 84
42
REPORTING: SCELTA DEI LIVELLI DI ANALISI
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
86
Demand Planning 86
43
GESTIONE DEGLI UTENTI
La gestione degli utenti definisce le associazioni utente
prodotto e utente mercato
Demand Planning 87
Demand Planning 88
44
INDICE DEGLI ARGOMENTI TRATTATI
Demand Planning 89
Demand Planning 90
45
TECNICHE QUANTITATIVE BASATE SU SERIE STORICHE
COME PREVEDERE?
1. Numero di clienti
pochi: condivisione piani e informazioni, molti: maggiore affidabilit dei metodi statistici
46
SALES FORECASTING: SERIE STORICHE
Demand Planning 93
Demand Planning 94
47
SERIE STORICHE: LIVELLI GERARCHICI
Demand Planning 95
Demand Planning 96
48
LOGICHE DI SPLITTING (2/2)
B: budget; F: forecast
Demand Planning 97
Demand Planning 98
49
SCELTA DEL LIVELLO DI CALCOLO: CONSIDERAZIONI (1/2)
Demand Planning 99
50
SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST
51
SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST
52
SCELTA DEI LIVELLI DI CALCOLO DEL FORECAST
Modalit di consegna:
Diretta: da fornitore a punto vendita
Indiretta: da fornitore a CeDi; da CeDi a punto vendita
53
METODI E ALGORITMI DI SALES FORECASTING
54
TIME SERIES ANALYSIS: COMPONENTI
110
Demand Planning 110
55
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
56
TIPOLOGIE DI SERIE STORICHE: PRESENZA DI STAGIONALITA
L L L
L L L
L L L L
Demand Planning 113
57
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
58
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
59
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
60
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
61
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
62
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
63
TIME SERIES ANALYSIS: ESEMPI DI SERIE STORICHE
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
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%
65
TIPOLOGIE DI SERIE STORICHE
100 %
Vendite
C
B
A
100 %
Articoli
0
66
PREVEDIBILITA DELLE SERIE STORICHE
Densit di zeri
67
SALES CLEANING: TIPOLOGIA 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
68
SALES CLEANING: FASI
69
METODO DELLINTERVALLO DI CONFIDENZA
70
METODI E ALGORITMI DI SALES FORECASTING
71
SALES FORECASTING: FORECAST ACCURACY
E t= D t -Ft 1 2 3 4 5 6 7 8 9 10 11 12
- DISTORSIONE : ME
- SEGNALE DI TRACKING : TS
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
73
FORECAST ACCURACY: METRICHE DI DISTORSIONE
74
FORECAST ACCURACY: METRICHE DI DISPERSIONE
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
Tipologia di prodotti
Prodotti a domanda continua nel tempo
Prodotti di nuova introduzione
Tipologia di variabili
Modelli estrapolativi (Time Series)
Modelli esplicativi (Regressione)
76
SALES FORECASTING: PROFILI DI CLASSIFICAZIONE DEI MODELLI
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
77
SCHEMA GENERALE DI IMPLEMENTAZIONE
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
78
METODI E ALGORITMI DI SALES FORECASTING
MEDIA MOBILE
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
79
MEDIA MOBILE
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
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
80
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
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
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
81
MEDIA MOBILE CENTRATA
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 - -
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 - - -
82
MEDIA MOBILE CENTRATA: CALCOLO DELLA TENDENZA
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
Pt1 MM t k
k valori
83
MEDIA MOBILE COME MODELLO PREVISIONALE
P t+1 =a .D t + (1-a) . P t
a : COEFFICIENTE DI SMORZAMENTO (0 a 1 )
84
SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN
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
85
SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN
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)
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
86
SMORZAMENTO ESPONENZIALE: MODELLO DI BROWN
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
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
Pt m M t m Tt St - L m
m : ORIZZONTE DI PREVISIONE
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
88
METODI E ALGORITMI DI SALES FORECASTING
METODO DI SCOMPOSIZIONE
Ct additivo : Dt=Tt+St+Ct+et
et
t moltiplicativo : Dt=Tt St Ct et
89
ANALISI DELLA STAGIONALITA
S1 S2 S3 . . . SL
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
90
ANALISI DELLA 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
ANALISI DI TREND
Trend
quadratico
Trend
lineare
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
91
ANALISI DI TREND
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
ANALISI DI TREND
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
92
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO
Tt Ct MMt
93
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO
94
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO
III 900
IV 930 0,8
I II III IV
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
95
METODO DI SCOMPOSIZIONE MOLTIPLICATIVO: ESEMPIO
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
Ft = Tt St L = (a + b t) St L
96
SALES FORECAST & RECESSIONE ECONOMICA
Modelli a tendenza ridotta
Trend crescente meno che linearmente
Ft = TLOGt St L = (a + b log(t)) St L
Ft = TEXPt St L = (a + b exp(-t)) St L
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 )
97
METODI E ALGORITMI DI SALES FORECASTING
y f x1, x 2 , ... , xn
98
METODI CAUSALI BASATI SU CORRELAZIONE
Service Level
Quality Demand
Company
Budget
180
Demographics 120
Competition 90
Marketplace Innovation
60
Random Factors
30
Regulation Time
Economy
DB
Business Cycle
Legami
Environment Weather conditions causa/effetto
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?
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
100
REGRESSIONE LINEARE MULTIPLA
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)
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
5 y a b x
0
1 1,2 1,4 1,6 1,8 2
102
COEFFICIENTE DI CORRELAZIONE LINEARE
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
ESEMPI DI CORRELAZIONI
r=- 0,9 r0 r0
103
REGRESSIONE LINEARE CON 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
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
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 ?
105
MODELLI PER SERIE SPORADICHE
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
106
MODELLI PER SERIE SPORADICHE: CROSTON
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
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
107
MODELLI PER SERIE SPORADICHE: CROSTON
Esempi numerici
108
MODELLI PER SERIE SPORADICHE: POISSON
0,5 0,5
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
109
MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO
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
110
MODELLI PER SERIE SPORADICHE: POISSON / ESEMPIO
Distribuzione di probabilit dellevento:
221
Demand Planning 221
111
MODELLI PER SERIE SPORADICHE: POISSON
112
UTILIZZO PREVISIVO DEL MODELLO DI POISSON
Esempio numerico
113
NEW PRODUCT FORECASTING
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)
114
NEW PRODUCT FORECASTING
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.
115
NEW PRODUCT FORECASTING: ESEMPI
116
NEW PRODUCT FORECASTING: METODOLOGIE (3/5)
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)
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
Soluzione:
Interpolazione lineare sullo storico delle vendite non
natalizie
Proiezione anno su anno del picco natalizio, seguendo il
trend lineare nei periodi non natalizi
119
NEW PRODUCT FORECASTING
Previsione del picco natalizio (esempio 1)
120
INDICE DEGLI ARGOMENTI TRATTATI
121
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
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
SVANTAGGI
VANTAGGI
SONDAGGIO EVOLUZIONE
SU UN DEL
CAMPIONE DI
CLIENTI MERCATO
estrapolazione
(oggettivit)
- occasione per evidenziare altri aspetti campione
(modifiche al prodotto in esame o - economicit numerosit del
suggerimenti per il prossimo lancio) campione
123
METODI A BASE SOGGETTIVA
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
124
INDICE DEGLI ARGOMENTI TRATTATI
125
MODULI DI UN SISTEMA ERP
126
FLUSSI DI DATI NEL MODULO DEMAND PLANNING DI UN APS
253
Demand Planning 253
127
BUSINESS INTELLIGENCE O ADVANCED 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
128
SOFTWARE SELECTION PER IL DEMAND PLANNING
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)
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
129
SOFTWARE SELECTION PER IL DEMAND 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
130
BIBLIOGRAFIA C-LOG LIUC
LIBRI
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
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