Sei sulla pagina 1di 31

METODI

DI PREVISIONE DELLA
DOMANDA

Fondamenti di Impianti e Logistica

Riccardo Melloni

Università di Modena e Reggio Emilia | Dipartimento di Ingegneria “Enzo Ferrari”


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Introduzione

La domanda di un particolare articolo, o famiglia di articoli, può essere modellizzata come


una serie storica di particolari valori. Chiaramente ai fini della pianificazione e controllo delle
operazioni è necessario avere una previsione della domanda nei periodi futuri. La previsione
della domanda può essere definita come «il tentativo di determinare oggettivamente la
natura e l’entità di ciascuna richiesta che un’azienda può ragionevolmente attendersi in
un prefissato orizzonte di tempo». In particolare, se il tempo di approvvigionamento dei
materiali unito a quello necessario per la fabbricazione e per la consegna risulta essere
maggiore di quello che il consumatore è disposto ad aspettare, allora la previsione della
domanda diviene essenziale.
La previsione è fondamentale ogni qual volta è necessario prendere una decisione inerente ad
attività future: per esempio per pianificare l’investimento totale in scorte, per preventivare il
bisogno di capacità produttiva addizionale, per scegliere tra diverse strategie gestionali, etc.
Le procedure di pianificazione e controllo devono verificare l’entità dell’errore che,
inevitabilmente, si commette con l’attività di previsione per modificare i modelli previsionali
eventualmente tarando meglio i parametri caratteristici.
La previsione in genere si basa su di una combinazione tra un’estrapolazione di ciò che si è
osservato in passato (chiamata previsione statistica) e giudizi “informati” sugli eventi futuri.
I giudizi informati possono derivare dalla conoscenza di ordini futuri da parte di clienti
esterni, delle condizioni economiche generali, etc., ma anche da giudizi di marketing come
l’effetto di promozioni, di sconti, di campagne pubblicitarie, etc.
La struttura complessiva di un generico sistema di previsione è mostrata nella figura seguente.
Il giudizio umano è un fattore cruciale. Inoltre è da notare che la domanda effettiva in un dato
periodo è confrontata con la previsione iniziale in maniera tale da poterne misurare l’errore.
Monitorare questi errori è importante per almeno tre ragioni:
1. La quantità di scorte di sicurezza dipende dal livello di servizio al cliente che, a sua
volta, dipende dall’entità dell’errore di previsione;
2. La previsione statistica si basa su specifici modelli caratterizzati da opportuni
parametri. Il valore ed il segno dell’errore (positivo o negativo) può suggerire delle
modifiche sia ai valori di questi parametri, sia addirittura alla forma del modello stesso,

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -2-


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

per esempio introducendo una componente stagionale che prima non era stata prevista;
3. L’errore può servire a monitorare l’influenza degli input soggettivi del modello
previsionale.

Dati storici

Selezione ed inizializzazione Possibili modifiche al modello


del modello o ai suoi parametri

Modelli
matematici

Giudizi di Domanda effettiva


input Previsione osservata
Input umano statistica

Calcolo
Previsione dell’errore di
della previsione ed
domanda aggiornamento
delle statistiche
dell’errore

Feedback sulla performance

Fig.1 – Struttura di un processo di previsione della domanda

È possibile classificare le diverse tipologie di previsione in base all’orizzonte temporale


coperto, che è l’intervallo di tempo che intercorre tra il momento in cui si effettua la previsione
e l’istante di tempo più distante che viene considerato ai fini predittivi. L’orizzonte temporale
di previsione viene suddiviso in periodi e la previsione viene effettuata per ogni periodo
all’interno dell’orizzonte di previsione. Si possono definire tre differenti tipi di previsione in
base all’ampiezza dell’orizzonte temporale. Le previsioni di lungo periodo (oltre i 24 mesi)
vengono formulate come supporto alle decisioni manageriali relative ai piani di sviluppo
dell’impresa: acquisti di società, costruzione di nuovi stabilimenti, aumento della capacità
produttiva, ecc. Le previsioni di medio periodo (da 12 a 24 mesi) vengono formulate, invece,

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -3-


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

per prendere decisioni relative ai piani aggregati di produzione: definizione dei volumi di
produzione per famiglie di prodotti, definizione dei turni lavorativi giornalieri, ricorso ad
assunzione stagionali, ricorso alla cassa integrazione guadagni, ecc. Sul breve periodo (fino a
12 mesi) le decisioni sono relative ai piani dei materiali e di capacità: ricorso a nuovi fornitori,
allo straordinario, a terzisti.

Tipo di Orizzonte
Scopo
previsione temporale

Piani di sviluppo dell’impresa:


Lungo 1. Acquisti di società
periodo Oltre i 24 mesi 2. Costruzione di nuovi stabilimenti
3. Aumento della capacità
produttiva

Piani aggregati di produzione:


1. Definiz. dei volumi di produz. per
famiglie di prodotti
Medio 2. Definiz. dei turni lavorativi
periodo 12 - 24 mesi giornalieri
3. Ricorso ad assunzioni stagionali
4. Ricorso alla cassa integrazione
guadagni

Piani dei materiali e di capacità:


Breve 1. Ricorso a nuovi fornitori
periodo Fino a 12 mesi 2. Ricorso allo straordinario
3. Ricorso a terzisti

Fig. 2: Tipi di previsione in base all’orizzonte temporale.

Le previsioni di lungo, medio e breve periodo si differenziano per il crescente grado di


aggregazione degli oggetti della previsione. Sul lungo termine, oggetto di previsione sono i
volumi complessivi di vendita, sul medio termine le famiglie di prodotti, mentre, sul breve
termine i prodotti finiti, i moduli e i sotto-assiemi.
Bisogna ora fare una puntualizzazione: nel seguito la domanda verrà sempre trattata come
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -4-
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

una variabile esogena, cioè indipendente dalle azioni intraprese dal management. In realtà,
soprattutto nel lungo periodo, l’abilità nel soddisfare le richieste del cliente sicuramente
influenzerà la domanda dei prodotti. Al momento non è possibile sviluppare un modello che
esplicitamente tenga conto di questi due tipi di interazione, in particolar modo per quanto
riguarda i singoli articoli. Per questo motivo la domanda verrà trattata generalmente come una
variabile esogena, ma in alcuni casi si cercherà di incorporare gli effetti delle azioni intraprese
dal management, come sconti, promozioni, etc.
Lo scopo della previsione è quello di ridurre il rischio nel processo decisionale in relazione al
metodo previsionale adottato; è evidente che destinando maggiori risorse all’attività
previsionale dovremmo essere in grado di migliorare l’accuratezza dei risultati riducendo gli
errori legati all’incertezza insita nella stima.

Costi

Regione
ottimale
Ct

C1

C2

Errori di previsione

Fig. 3: andamento dei costi di previsione in base all’accuratezza

Quindi è bene tener conto dei costi legati alla previsione della domanda; in linea di principio
nello scegliere tra le varie procedure previsionali, la linea di condotta più corretta è quella di
cercare di mantenere i costi totali attesi durante l’orizzonte decisionale il più basso possibile.
I suddetti costi dovrebbero comprendere sia i costi di ottenimento della previsione che i costi
derivanti dall’errore di previsione:
Ct = C1 + C2 ;

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -5-


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

in cui:
─ Ct = costi totali relativi alla procedura previsionale;
─ C1 = costi di ottenimento della previsione;
─ C2 = costi derivanti dall’errore di previsione.
In pratica l’applicazione di questo criterio apparentemente semplice risulta essere piuttosto
limitata in quanto è molto difficile misurare il costo dovuto all’errore di previsione.

Classificazione dei metodi previsionali

Con riguardo alla natura dei fenomeni, le previsioni possono riguardare i dati originari, i valori
aggregati nello spazio e/o nel tempo di dati elementari, i tassi di variazione, il rapporto tra
variabili.
Circa i differenti approcci statistici per la previsione, si possono distinguere i metodi
univariati e multivariati (a seconda del numero di variabili utilizzate), metodi statistici ed
econometrici (se il modello viene costruito basandosi su dati rilevati, ovvero viene dedotto da
ipotesi economiche), metodi estrapolativi e metodi strutturali (a seconda che l’enfasi della
modellistica venga posta sulla capacità di previsione o di interpretazione), metodi
deterministici e metodi stocastici (a seconda che l’adattamento del modello si basi su una
funzione matematica o su un processo stocastico).
Le precedenti classificazioni, come vedremo, si sovrappongono per più aspetti perché uno
stesso modello può essere esaminato secondo ottiche diverse. Per esempio, una funzione di
regressione è di per sé un metodo multivariato, ma se contiene solo un trend polinomiale
rappresenta un approccio deterministico alle previsioni.
Le previsioni possono essere di diverso tipo (economico-generali, sociali, tecnologiche, di
mercato ecc.) e compongono il quadro delle ipotesi entro cui si formulano gli obiettivi e le
politiche aziendali. Ci occuperemo specificamente delle previsioni della domanda, cioè delle
stime (espresse in unità fisiche, monetarie o convenzionali) delle quantità di prodotto
collocabili sul mercato in periodi di tempo futuro. Con esse l’impresa intende conoscere in
anticipo quale potrà essere l’assorbimento dei suoi prodotti, in modo da programmare gli
investimenti, i cicli di lavorazione, l’approvvigionamento delle risorse, l’attività di
distribuzione commerciale.

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -6-


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

La previsione della domanda è generalmente frutto di un processo di approssimazioni


successive, che si sviluppa in tre fasi fondamentali:
• Analisi della domanda cioè valutazioni delle tendenze espansive o recessive dei consumi
e quantificazione della domanda globale (previsioni del mercato);
• Determinazione della quota aziendale di vendita, cioè individuazione di quella che, in
base alle scelte correnti di marketing (prodotti, prezzi, promozione ecc.) potrà essere la
fetta del mercato globale che l’impresa è in grado di soddisfare (previsione delle vendite);
• Definizione del volume di vendita, in base alle nuove scelte di marketing, effettivamente
raggiungibile (obiettivo di vendita).

Alla previsione della domanda si può dunque giungere per due vie e sulla base di due ipotesi
alternative. La prima via è quella più lunga, che parte dalla stima della domanda globale e
che, attraverso la definizione della quota di mercato spettante all’impresa, perviene a
quantificare il volume.
Il materiale che si gestisce in un’azienda, qualunque sia la tipologia del prodotto, dalle materie
prime al semilavorato, al componente generico, può essere essenzialmente classificato in
domanda dipendente e indipendente.
I materiali a domanda dipendente sono quelli che rientrano nella distinta base di un qualsiasi
prodotto come suoi componenti o sotto-assiemi. Come esempio possiamo riportare le ruote
di una bicicletta, il telaio di un’autovettura, la tastiera di un computer. Tutti questi componenti
sono richiesti non direttamente ma per mezzo della richiesta di una bicicletta, un’autovettura,
un computer, in quantità che dipendono dalla richiesta del prodotto di cui fanno parte. Ogni
bicicletta prevede la presenza di due ruote, un’autovettura quella di un telaio. In realtà per
molti prodotti a domanda dipendente esiste una componente di domanda indipendente che
deriva dal mercato della ricambistica. La domanda totale di un prodotto che presenta due
componenti di domanda, dipendente ed indipendente, è la somma del valore delle due
componenti. Tutti i prodotti che vengono direttamente richiesti dal mercato sono, invece, a
domanda indipendente (olio da taglio, lubrificante, carta, refrigerante, autovetture,
macchine operatrici, etc.)

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -7-


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

La distinzione fondamentale sta nel fatto che per i materiali a domanda dipendente, la gestione
avviene in un ambiente deterministico (per esempio in sede di planning si decide il mixing
produttivo di certi prodotti A, B, C, D ..., e si utilizzano tecniche specifiche come la
programmazione lineare). Per questi materiali l’aleatorietà si concentra esclusivamente nella
previsione della domanda del prodotto finito, caratterizzato da domanda indipendente. Gli
articoli che vengono utilizzati come componenti del prodotto finito, infatti, non necessitano
di tale metodo in quanto il loro fabbisogno può essere ricavato deterministicamente una volta
nota la domanda dei beni di cui fanno parte.
Per i materiali a domanda indipendente, invece, non si conosce la domanda (almeno in termini
deterministici), tali materiali sono inoltre “indipendenti” dal piano generale di produzione.
La scelta dei più appropriati metodi di previsioni è influenzata da una serie di fattori:
• Tipo di previsione richiesta
• Orizzonte di previsione
• Dati in possesso
• Accuratezza richiesta
• Comportamento del processo di previsione
• Costi di sviluppo e installazione
• Facilità operativa
• Comprensione e cooperazione del management.

In particolare considereremo i seguenti metodi di previsione che possono essere classificati


Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -8-
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

in soggettivi (o qualitativi) e oggettivi (o quantitativi).

Panel di
Valutazioni
Qualitativi del Reparto
/ Indagini di
Mercato
Delphi

Metodi Media mobile


di Exponential
Serie Smooting
storiche Analisi di
regressione
Quantitati Box Jenkins
vi /

Modelli
Indicatori Econometrici
Economic Regressione
Multipla

Fig. 4 - Classificazione dei metodi di previsione della domanda.

Un metodo soggettivo è basato sul giudizio umano. Tra questi ultimi ricordiamo:
• valutazioni del reparto vendite: ciascun agente di vendita stima la domanda futura
relativamente al proprio territorio per il prossimo periodo. L’ipotesi alla base di questo
metodo, anche se non sempre vera, è che le persone più vicine al cliente conoscono
meglio di chiunque altro le sue necessità future. Queste informazioni vengono
successivamente aggregate per giungere a previsioni globali per ciascuna area
geografica o famiglia di prodotti;
• indagini di mercato: le aziende spesso si rivolgono ad imprese specializzate nelle
indagini di mercato per effettuare questo tipo di previsione. Le informazioni vengono
ricavate direttamente dai clienti o più spesso da un campione rappresentativo di essi.
Questo tipo di indagine, comunque, viene soprattutto utilizzata per cercare nuove idee,
cosa piace o non piace di prodotti già esistenti, quali sono le marche preferite di un
determinato prodotto, etc.;
• panel di esperti: le previsioni vengono sviluppate da un ristretto gruppo di esperti delle
varie aree funzionali dell’azienda (marketing, finanzia e produzione) che interagiscono
direttamente tra loro. La previsione viene sviluppata tramite incontri con scambi di
idee ed informazioni tra manager di tutti i livelli; vi è però il problema che le figure

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” -9-


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

che corrispondono ad un più basso livello possono non avere il coraggio di esprimere
opinioni contrastanti quelle indicate dalle figure di più alto livello, e per questo le loro
opinioni non emergono spesso come dovuto.
• metodo Delphi: come si è visto, un’opinione di una figura di più alto livello, finisce
col pesare maggiormente rispetto a quella di una figura di basso livello. Il caso
peggiore è che quest’ultimo non contribuisca alla discussione per non contrariare i suoi
superiori. Per prevenire questo tipo di problemi nel metodo Delphi è garantito
l’anonimato di coloro che partecipano allo studio, in maniera tale che ognuno abbia lo
stesso peso. Viene redatto un questionario che viene distribuito ai partecipanti. Le
risposte vengono aggregate e viene preparato un nuovo set di domande che vengono
riproposte al gruppo.
La procedura può essere schematizzata in cinque fasi:
1. Scelta degli esperti. Ci devono essere impiegati appartenenti a più aree aziendali
e a diversi livelli;
2. Tramite un questionario inviato a tutti i partecipanti, inviato anche tramite e-
mail, si ricava la previsione;
3. Si aggregano i risultati e si ridistribuiscono ai partecipanti mediante un
appropriato nuovo set di domande;
4. Si aggregano di nuovo i risultati, si affina la previsione e si sviluppa ancora un
nuovo questionario;
5. Se necessario si ripete la fase 4 e si distribuisce il risultato finale ai partecipanti.
Il metodo Delphi generalmente raggiunge dei risultati accettabili in tre tornate ed il
tempo richiesto è funzione del numero di partecipanti, quanto tempo e lavoro
impiegano per sviluppare la loro previsione e la loro velocità nel rispondere al
questionario.
I metodi di previsione oggettivi impiegano, invece, modelli matematici e dati storici per
prevedere la domanda. L’ipotesi base è che il futuro si assume essere determinato dal passato.
Esistono due tipi di metodi oggettivi: il metodo delle serie storiche ed il metodo degli
indicatori economici.
Il metodo degli indicatori economici consiste nel ricercare un’espressione funzionale che pone in
correlazione l’entità della domanda di un prodotto finito, o una famiglia di prodotti finiti, ad alcuni
indicatori economici. Questi indicatori sono delle variabili che descrivono le condizioni economiche
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 10 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

prevalenti in un determinato periodo di tempo. Esempi di indicatori sono: reddito nazionale lordo,
reddito pro-capite, reddito agricolo ed industriale, licenze edilizie concesse, produzione
automobilistica, livello di occupazione, prezzi al consumo e all’ingrosso, depositi bancari, produzioni
industriale, produzione di acciaio e cemento, ecc.
Se si indica con Y la domanda di un prodotto che si vuole prevedere e con x1, x2,, …, xn le n
variabili che si suppone siano collegate ad Y, allora il metodo asserisce che:
1. Y = f ( x1, x2, …, xn ).
Si può assumere, ad esempio, che tale relazione sia lineare, in questo caso:
2. Y = a0+a1 x1+a2 x2+…+an xn.
La stima delle costanti del modello di previsione viene, generalmente, effettuata con il metodo
dell’analisi di regressione multipla.

Componenti della domanda


Normalmente la domanda di un prodotto e/o servizio, vista in un intervallo temporale ampio
che preveda la successione di alcuni anni, può essere scomposta in sei componenti: valore
medio di un periodo, trend, stagionalità, ciclicità, casualità, e autocorrelazione.
Per la previsione della domanda ai fini di effettuare una gestione delle scorte o la
programmazione della produzione, si utilizzano generalmente metodi basati sulle serie
storiche che si basano sul presupposto che la domanda di un periodo è funzione del suo
andamento nei periodi passati. In realtà non è il tempo che determina direttamente il valore
della domanda nei periodi futuri, bensì i fenomeni che sono intervenuti nei periodi precedenti
che influenzano la domanda futura. Tali fenomeni sono di diversa natura e risultano
difficilmente controllabili. Tra questi fenomeni gioca un ruolo fondamentale la maturità di un
prodotto. Ogni prodotto, infatti, nel momento in cui viene immesso per la prima volta sul
mercato deve essere fatto conoscere. Le aziende, quindi, esercitano azioni di promozione e
marketing, verso i potenziali clienti, per far sì che una parte sempre più consistente del
mercato venga a conoscenza del prodotto. Più la conoscenza del prodotto si diffonde nel
mercato, maggiore è la probabilità che se ne faccia richiesta. Questa fase è la fase di
introduzione del prodotto, nella quale ci si aspetta un aumento graduale della domanda non
per effetto diretto del tempo, bensì per effetto delle azioni messe in campo dall’azienda che
necessitano di tempo per determinare un effetto. Al termine del periodo di introduzione del
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 11 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

prodotto si passa attraverso la fase di maturità, nella quale la domanda è di norma stabilizzata
su un valore stazionario per effetto della saturazione del suo assorbimento nella fetta di
mercato riservata all’azienda. Segue una fase decrescente della domanda che può essere
determinata dall’introduzione di prodotti succedanei che ne riducono la richiesta nel mercato.
Altri fattori che possono influenzare l’andamento della domanda sono di natura socio
economica come il potere di acquisto dei clienti, fenomeni di moda, mutamenti della struttura
sociale, crisi economiche, etc.
Tutti questi fenomeni si possono manifestare nel tempo in cui noi operiamo ai fini di
previsione della domanda ma, non essendo facilmente controllabili, ci si limita ad analizzare
gli effetti che determinano nei singoli istanti in cui la domanda si manifesta per poi legarli
strettamente al tempo.
Vediamo operativamente quali sono le ipotesi semplificative che, nei modelli di previsione
della domanda basati su serie storica, si adottano.
Prendendo un orizzonte storico Ωs per il quale sappiamo come si è comportata la domanda Y
in funzione del tempo l’ipotesi principale, come in precedenza dichiarato, è ritenere che nel
periodo di previsione futura Ωp la variabile si comporterà secondo la stessa legge che ha
caratterizzato la serie storica nell’intervallo di osservazione Ωs e successivamente che la
dipendenza sia solo determinata dalla variabile tempo, ovvero:
3. Y=φ(t)

t
W W

Fig. 5 - Orizzonte di osservazione e periodo di previsione della domanda.

Con questa affermazione si è, di fatto, incluso gli effetti delle altre variabili, rappresentative
dei fattori influenzanti la domanda, nel fattore tempo, che equivale ad affermare che le
variabili x1, x2, xn, si mantengono costanti. Questa affermazione è quanto più accettabile tanto
più l’orizzonte di previsione che si considera è limitato nel tempo.
Purtuttavia è possibile tenere conto di alcuni fenomeni ripetitivi quali gli effetti stagionali o
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 12 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

presumibilmente prevedibili in base a congiunture economiche ipotizzabili, la cui durata,


però, non è a priori certa. Perciò si scompone la previsione considerando le componenti
nella quale la domanda si suddivide e la funzione del tempo, espressa in eq. 3, prende la
seguente forma:
4. φ(t)=X(t)+T(t)+S(t)+C(t)+A(t)
• X(t): Valore medio della variabile in esame;
• T(t): Componente di trend, che tiene conto dell’andamento a lungo termine del valore
medio della variabile in oggetto;
• S(t): Componente di stagionalità, che tiene conto delle variazioni della variabile in
oggetto che si ripetono ad intervalli regolari attorno al valore medio di base;
• C(t): Componente ciclica, che è simile alla stagionalità eccetto che per il fatto che la
lunghezza e la intensità del ciclo può variare. Si associano i cicli con le variazioni
economiche di lungo termine;
• A(t): Componente di aleatorietà, considera gli scostamenti della variabile dal valore
che essa avrebbe dovuto assumere per effetto delle precedenti componenti.

Quest’ultima, importante ipotesi presuppone un’indipendenza delle componenti, mentre,


nel caso in cui le componenti siano dipendenti, è preferibile utilizzare il modello
moltiplicativo:
5. φ(t)=X(t)×T(t)×S(t)×C(t)×A(t)

Non sempre tutte le componenti di cui sopra sono presenti in una serie storica, infatti, come
mostrato in figura, si possono avere delle serie stazionarie, stagionali o con trend.
Normalmente in sede di programmazione della produzione, la stima della futura richiesta
viene effettuata, esclusivamente, in base alle componenti di trend e di stagionalità. In aderenza
a tale assunzione, è agevole verificare che una serie storica può essere caratterizzata mediante
quattro modelli:
1. stazionario: l’andamento della domanda appare distribuito intorno ad un valore medio
ed ogni scostamento da tale valore può essere attribuito solo a cause aleatorie
2. con trend: l’andamento della domanda è continuamente crescente (o decrescente) al
variare del tempo,

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 13 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

3. stagionale: la domanda presenta una variazione con periodicità accertata,


4. stagionale con trend: l’andamento della domanda è caratterizzato dalla presenza di una
componente di trend ed una componente di stagionalità.

Fig. 6: Componenti della domanda.

Fig. 7 - Esempi di andamenti della domanda con presenza o assenza di fenomeni stagionali e di trend.

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 14 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Componente di trend
Per trend di una serie temporale s’intende la tendenza, negativa o positiva, che i dati
manifestano ed è imputabile ad una causa sistematica che agisce, nello stesso senso, per un
periodo più o meno lungo, che di norma copre l’intero ciclo di vita del prodotto: introduzione,
maturità e fine vita.
Sono possibili diversi andamenti del trend T(t):
6. T(t) = cost ;
7. T(t) = a + b×t ;
8. T(t) = a + b×t + c×t2.
Il modello più utilizzato per la componente di trend della domanda è quello analiticamente
rappresentabile mediante il polinomio di primo grado rappresentato dall’equazione 7, che è
tanto più aderente alla realtà, quanto più è limitato l’orizzonte di previsione Ωp, come illustrato
in fig. 8, dove si evidenzia che la curva teorica di previsione, basata su un trend di tipo lineare,
approssima, senza errori significativi, la curva di andamento reale della domanda all’interno
del periodo di previsione. È evidente, comunque, sempre osservando la figura, che spostando
l’orizzonte di previsione in avanti nel tempo, occorre ricalcolare il trend.

r(a,
T(t

t
W

Fig. 8 - Confronto tra il trend previsto ed il trend reale nel periodo di previsione.

Componente di stagionalità
Alla tendenza di lungo termine (trend) si possono sovrapporre fenomeni ciclici che si ripetono
in maniera periodica e che vengono attribuiti agli effetti della componente stagionale
sull’andamento di base della domanda.
I fenomeni ciclici possono essere dovuti a effetti di carattere meteorologico, come il caso del
consumo di gelati o bevande che aumentano con le stagioni calde o come i condizionatori la
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 15 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

cui richiesta aumenta in prossimità dell’estate, o dovuti a coincidenze con particolari eventi
di carattere ricorrente come si verifica per il consumo dei panettoni in prossimità del Natale
o della cartoleria all’aperture degli anni scolastici. Tali fenomeni si ripresentano ogni anno
con ampiezza che può essere diversa da anno ad anno.
Al fine di identificare analiticamente tali effetti occorre suddividere l’anno in un numero di
periodi Np di uguale lunghezza e valutare, per ogni periodo, il valore della domanda in un
determinato numero di anni precedenti a quello per il quale si effettua la previsione. Viene,
successivamente, effettuata la media di ogni periodo nei diversi anni presi in considerazione
costituendo un andamento medio della domanda nei diversi periodi. Agendo in questo modo
vengono attenuati fenomeni che potrebbero essersi manifestati in un anno che è stato
caratterizzato da particolari situazioni. L’anno medio viene preso come riferimento per il
calcolo dell’indice o fattore di destagionalizzazione che si calcola effettuando la media delle
domande nei diversi periodi, costituendo quindi un periodo medio come se la domanda fosse
costante in ogni periodo dell’anno, e rapportando il valore così calcolato alla domanda di ogni
periodo (Tab. 1).

Valore della domanda

Fattore di
Periodo Anno 1 Anno 2 Anno 3 Media anni
destaglionalizzazione

Gennaio 500 450 480 477 1,5


Febbraio 520 435 482 479 1,5
Marzo 580 498 473 517 1,3
Aprile 643 529 520 564 1,2
Maggio 751 685 652 696 1,0
Giugno 852 980 712 848 0,8
Luglio 950 1.350 1.200 1.167 0,6
Agosto 1.520 1.120 1.428 1.356 0,5
Settembre 860 812 780 817 0,9
Ottobre 569 540 470 526 1,3
Novembre 500 450 420 457 1,5
Dicembre 450 420 450 440 1,6
Valore medio 695

Tabella 1 - Calcolo del fattore di destagionalizzazione.

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 16 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Il confronto tra i valori della domanda in periodi differenti, senza tenere conto della
stagionalità, può indurre a errate conclusioni. Se, per esempio, osserviamo, con riferimento
alla situazione presentata in tabella, un valore della domanda pari a 800 unità e a luglio di 900
unità, saremmo portati a pensare ad un trend crescente. Se guardiamo, invece, i valori
comparati dei consumi tra giugno e luglio ci si dovrebbe aspettare un aumento ben più
consistente, quindi, siamo in presenza di un trend calante. Occorre, di conseguenza,
confrontare i dati in nostro possesso effettuando l’operazione di destagionalizzazione,
moltiplicando i valori della domanda di ogni periodo per i rispettivi coefficienti di
destagionalizzazione. I valori destagionalizzati vengono utilizzati nei modelli di previsione
per effettuare la previsione del periodo successivo ottenendo un dato di previsione
destagionalizzato. Il risultato della previsione così calcolato deve poi essere corretto
riportandolo alla propria stagionalità. Occorre, quindi, dividere tale valore per il coefficiente
di destagionalizzazione. Per maggiore comprensione si rimanda alla parte dei modelli
sviluppata più avanti.
L’effetto della stagionalità può cambiare da un anno all’atro e presentare ampiezze e
collocamento del massimo in periodi differenti, come si può notare nella rappresentazione
grafica di Fig. 9 che riporta i dati inseriti in Tab. 1.

1600
1400
1200
1000
800
600
400
200
0

Anno 1 Anno 2 Anno 3

Figura 9 - Andamento dei dati di tabella 1.

Componente aleatoria
Indica gli scostamenti dalla tendenza di base che possono variare la domanda con ricorrenza
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 17 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

occasionale e a differenza della componente stagionale, tali deviazioni, non presentano una
ricorrenza ciclica bensì casuale. Le variazioni casuali derivano da eventi fortuiti e sono quelli
che rimangono una volta eliminate tutte le cause conosciute della domanda: trend, componenti
cicliche, media.

Metodi di previsione della domanda


La previsione della domanda inizia, usualmente, con l’analisi del trend seguita dalla correzione con
la valutazione degli elementi stagionali o ciclici congiunturali e dagli altri elementi di variazione. Una
tecnica di previsione molto diffusa è quella di riportare in grafico i dati di andamento della domanda
nei periodi precedenti quello di previsione, per verificare l’andamento che meglio si adatta a
descrivere il trend. L’andamento potrà essere, quindi, lineare, curva a S, esponenziale, etc.
Abbiamo già accennato ai metodi qualitativi di previsione, quali le indagini di mercato o il metodo
di Delphi. Nelle prossime sezioni ci dedicheremo ai metodi principalmente in uso per l’analisi delle
serie storiche.
Come già affermato nelle parti introduttive, i modelli di previsione basati su serie storiche fanno
riferimento ai dati di venduto in possesso dei periodi precedenti per effettuare la previsione futura,
partendo dal presupposto che la domanda sia una variabile dipendente del tempo. La scelta del
modello di previsione dipende da diversi fattori quali l’orizzonte temporale di previsione, la
disponibilità di dati, la precisione della richiesta e la reazione alle variazioni di trend e alle componenti
aleatorie. È importante considerare anche la flessibilità dell’impresa in termini di risposta alla
variazione della richiesta del mercato. Tanto maggiore è il grado di flessibilità dell’impresa tanto
minore è la richiesta di precisione del modello di previsione necessario.

Metodo della media mobile semplice

Se la domanda del prodotto non è in rapida crescita, come può accadere nella fase di maturità
di un prodotto, e non è suscettibile di fenomeni di carattere stagionale, la media mobile
semplice può essere un valido strumento di previsione per smorzare gli effetti delle
componenti aleatori. La previsione del fabbisogno per un periodo futuro viene determinata
dalla media aritmetica delle richieste osservate durante h periodi precedenti. Il numero di
periodi da prendere in considerazione ai fini della previsione rimane fisso, quindi ogni volta
che si effettua la previsione di un periodo successivo, nel modello esce il valore di domanda
più distante nel tempo ed entra il valore della domanda del periodo precedente. La media si

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 18 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

dice «mobile», infatti, perché viene costantemente aggiornata sostituendo, ogni volta che si
procede alla previsione della domanda per un nuovo periodo, l’ultimo dato disponibile al più
lontano nel tempo. Analiticamente il calcolo della media mobile applicata alla previsione per
un periodo futuro indicato con t risulta dall’espressione:
&
%'( 𝑌"$%
𝑌" =

dove: 𝑌" è la previsione per il periodo t, Yt-i è la domanda effettiva rilevata per i periodi
precedenti, h è il numero di periodi di ampiezza uguale a t da considerare ai fini della
previsione. La previsione per il periodo t dipende dal valore di h scelto.
Da ciò consegue che per elevati valori di h, il trend viene smorzato poiché si risente in modo
importante della domanda che si è manifestata anche in periodi remoti. Valori minori di h
consentono, invece, di seguire con minore ritardo il trend, rendendo più reattivo il modello.
Più si riduce h, quindi maggiore è la reattività del modello, più si è portati in errore nel caso
di componenti aleatorie di forte intensità.

Esempio
Date i dati di domanda, disponibili in Tab. 2, si vuole effettuare una previsione al dodicesimo
mese utilizzando il modello di media mobile semplice, confrontando le previsioni con diversi
valori di h:

Mesi 1 2 3 4 5 6 7 8 9 10 11 12
Domanda
passata 420 410 430 380 350 370 340 330 380 420 440
Tabella 2: Dati di domanda per 11 periodi noti.

Applicando il modello di media mobile semplice si ottengono i risultati di Tab. 3:

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 19 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Mesi Y. passata h=3 h=4 h=5

1 420
2 410
3 430
4 380 420
5 350 407 410
6 370 387 392 398
7 340 367 382 388
8 330 353 360 374
9 380 347 347 354
10 420 350 355 354
11 440 377 367 368
12 413 392 382
Tabella 3: Previsione della domanda per il periodo 12 in base ai dati di Tab.2

Come già detto in precedenza si può osservare che i valori di previsione sono diversi per i
differenti valori di h impiegati:
h=3 - 𝑌(* = 413
h=4 - 𝑌(* = 392
h=5 - 𝑌(* = 382
È evidente, quindi, che si deve opportunamente scegliere il valore di h. Di solito tale valore è
compreso tra 3 e 8. Tanto più si riduce il valore di h, quanto più il modello tende ad essere
reattivo rispetto alla domanda reale e segue più da vicino il trend ma è soggetto a forte
influenza dagli effetti aleatori. Tanto più h aumenta quanto più viene smorzata la componente
casuale a scapito del trend che viene seguito con una maggiore inerzia.
La valutazione del corretto valore del parametro h può essere effettuata ricorrendo a metodi
di valutazione dell’errore di previsione del modello come, ad esempio, il Mean Absolute
Deviation (MAD), di cui si parlerà più avanti, cui si accenna per un esempio:
5
%'( 𝑌% − 𝑌%
𝑀𝐴𝐷 =
𝑛
Il numero di periodi di riferimento per il calcolo dell’errore di previsione è più esteso rispetto
a quello impiegato per la previsione. Nel modello si confrontano i valori di previsione per
periodi noti con quelli di domanda effettivamente verificatasi negli stessi periodi. Per quanto
riguarda l’esempio precedente il calcolo del MAD è di seguito esposto per i valori di h 3, 4 e
5:

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 20 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Mese Vendite previste Vendite effettive Differenza MAD3

4 420 380 40
5 407 350 57
6 387 370 17
7 367 340 27 41.25
8 353 330 23
9 347 380 33
10 350 420 70
11 377 440 63

Mese Vendite previste Vendite effettive Differenza MAD4

5 410 350 60
6 392 370 22
7 382 340 42
8 360 330 30 46.43
9 347 380 33
10 355 420 65
11 367 440 73

Mese Vendite previste Vendite effettive Differenza MAD5

6 398 370 28
7 388 340 48
8 374 330 44
9 354 380 26 47.33
10 354 420 66
11 368 440 72
Tabella 4 - Valutazione del parametro h in base al calcolo dell’errore attraverso il MAD

Per l’esempio in esame la scelta migliore è rappresentata da h=3 che porta ad una previsione
per il periodo 12 pari a 𝑌(* = 413.

Media mobile pesata

Con la tecnica precedente viene dato lo stesso peso a tutti gli elementi della serie storica, con
una media mobile pesata, invece, è possibile attribuire un peso a ciascun elemento. In questo
caso la formula è la seguente:
𝑌" = 𝑝( ∙ 𝑌( + 𝑝* ∙ 𝑌* + ⋯ + 𝑝5 ∙ 𝑌5
p1, …, pn rappresentano i pesi attribuiti in base all’esperienza ai rispettivi periodi e sono tali
da rispettare la seguente relazione:
5

𝑝% = 1
%'(

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 21 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Di norma la scala dei pesi utilizzati è decrescente a partire dal periodo più vicino a quello di
previsione.

Esempio
Si abbiano i seguenti dati:
Mese Domanda Peso

1 90 0.10
2 105 0.20
3 95 0.30
4 110 0.40

Si vuole effettuare la previsione della domanda nel mese 5:


𝑌; = 0,10 ∙ 90 + 0,20 ∙ 105 + 0,30 ∙ 95 + 0,40 ∙ 110 = 102,5
La valutazione dei parametri migliori per effettuare la previsione, in base agli errori, è
difficoltosa poiché si devono modificare i pesi assegnati ad ogni periodo innescando un
problema di individuazione delle alternative di carattere combinatorio.

Exponential smoothing

Un’altra versione più raffinata, affidabile e facilmente automatizzabile, è quella che prevede
l’attenuazione esponenziale (exponential smoothing) del peso dei dati più lontani. Si tratta di
un particolare tipo di media mobile, ove i fattori sono ponderati in base ad un parametro
sottoposto a continua revisione, che decresce geometricamente all’aumentare della distanza
del periodo considerato da quello in cui si effettua la previsione. Il modello dello
smorzamento esponenziale, quindi, assegna pesi differenti e decrescenti con la distanza del
periodo da quello oggetto di previsione individuando un solo parametro, che potrà essere
valutato in base alla valutazione dell’errore di previsione.
Lo smorzamento esponenziale è il metodo di previsione più largamente utilizzato ed è
presente in una pluralità di software di previsione. I motivi principali per cui il modello ha
avuto successo risiede in sei aspetti per i quali il modello ha fornito un valido riscontro:
1. precisione nella valutazione;
2. facilità di formulazione del modello;
3. facilità di comprensione del suo funzionamento;
4. richiesta di calcoli semplici;
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 22 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

5. ridotto impegno di memoria per i dati necessari;


6. test per la modifica dei parametri del modello molto semplici
Per l’applicazione del modello, nella sua formulazione base, sono necessari tre dati:
1. la previsione più recente;
2. la domanda verificatasi nel periodo di previsione più recente;
3. la costante di smorzamento.
L’equazione per la previsione con smorzamento esponenziale assume la seguente forma:
𝑋" = 𝑋"$( + 𝛼 ∙ 𝑌"$( − 𝑋"$(
𝑌" = 𝑋"
Il modello, quindi, opera in due passaggi. Nel primo passaggio viene effettuata la previsione
del livello medio della domanda 𝑋" per il periodo t, in base ad una media pesata, attraverso il
coefficiente di smorzamento 𝛼, tra il livello medio della domanda prevista per il periodo t-1
e lo scostamento tra il valore reale della domanda nel periodo t-1 e la previsione della
domanda media nello stesso periodo, ovvero l’errore di previsione. Nel secondo passaggio si
pone la previsione della domanda 𝑌" al periodo t pari alla previsione del livello medio di
domanda nello stesso periodo. Tale passaggio potrebbe sembrare superfluo, ma assume la sua
importanza nella modifica del modello per tenere conto delle componenti di trend e di
stagionalità.
Come si può notare dalla relazione alla base del modello, per ogni prodotto per il quale si
vuole effettuare la previsione è necessario tenere in memoria due soli dati:
1. il livello medio di previsione calcolato per il periodo precedente;
2. il livello della domanda verificatasi nel periodo precedente.
Il livello medio della previsione nel periodo precedente, infatti, mantiene lo storico delle
domande e delle previsioni per i periodi precedenti, teoricamente all’infinito. Sviluppando la
relazione, infatti, si ottiene:
𝑋" = 𝑋"$( + 𝛼 ∙ 𝑌"$( − 𝑋"$( =
= 𝛼 ∙ 𝑌"$( + 1 − 𝛼 ∙ 𝑋"$( =
= 𝛼 ∙ 𝑌"$( + 1 − 𝛼 ∙ 𝛼 ∙ 𝑌"$* + 1 − 𝛼 ∙ 𝑋"$* =
*
= 𝛼 ∙ 𝑌"$( + 𝛼 ∙ 1 − 𝛼 ∙ 𝑌"$* + 1 − 𝛼 ∙ 𝑋"$* = ⋯
* 5
⋯ = 𝛼 ∙ 𝑌"$( + 𝛼 ∙ 1 − 𝛼 ∙ 𝑌"$* + 𝛼 ∙ 1 − 𝛼 ∙ 𝑌"$A + ⋯ + 1 − 𝛼 ∙ 𝑋"$5
Come si può notare il calcolo può essere esteso all’infinito, ma nella realtà pratica esiste un
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 23 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

momento iniziale di utilizzo del modello per il quale è necessario fornire un valore di innesco
per il valore di previsione del livello medio da inserire. Tale valutazione può essere effettuata
utilizzando per la previsione del livello medio di innesco il valore che si ottiene con un
ulteriore modello basato su serie storica, come ad esempio la media mobile o la domanda
dell’ultimo periodo, o un valore di stima.
L’importanza data alla domanda nei vari periodi dipende dal valore assegnato al coefficiente
di smorzamento e, di conseguenza, la reattività del modello. Osservando lo sviluppo del
modello per evidenziare il peso della domanda dei periodi precedenti, infatti, si vede che la
progressione del peso assegnato alla domanda nei diversi periodi segue una progressione
geometrica. I valori di 𝛼 possono variare teoricamente tra 0 e 1, ma in pratica vengono
utilizzati valori nell’intervallo 0,1 – 0,5. Se assegniamo al coefficiente di smorzamento il
valore 0,5, per esempio, la domanda dei periodi precedenti assume la seguente scala di
importanza:
𝑌"$( = 0,5 → 50,0 %
𝑌"$* = 0,5 ∙ 1 − 0,5 → 25,0 %
*
𝑌"$* = 0,5 ∙ 1 − 0,5 → 12,5 %
A
𝑌"$A = 0,5 ∙ 1 − 0,5 → 6,25 %
il che porta ad attribuire una notevole importanza alla domanda del periodo precedente
superiore a quello attribuito alla totalità delle domande che si sono verificate nei tre periodi
antecedenti. La reattività del modello è, quindi, elevata.
Per valori del coefficiente di smorzamento pari a 0,1, invece, si osserva il seguente
andamento:
𝑌"$( = 0,1 → 10,0 %
𝑌"$* = 0,1 ∙ 1 − 0,1 → 9,0 %
*
𝑌"$* = 0,1 ∙ 1 − 0,1 → 8,1 %
A
𝑌"$A = 0,1 ∙ 1 − 0,1 → 7,29 %

Si può mostrare che il numero di periodi N significativi, cioè necessari per individuare il
nuovo valore della domanda prevista, dipende da a secondo la relazione:
2 -a
N=
a
Quindi per a = 0.5 sono significativi gli ultimi 3 periodi mentre per a = 0.1 risultano
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 24 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

significativi gli ultimi 19 periodi.


Di seguito un esempio di applicazione del modello per diversi valori del coefficiente di
smorzamento. L’esempio parte con un valore di innesco che si riferisce al valore di previsione
per il primo periodo pari alla domanda dell’ultimo periodo, ovvero il periodo 0.
Previsione
Periodo Domanda a=0,5 a=0,3 a=0,1
0 50 50,0 50,0 50,0
1 60 50,0 50,0 50,0
2 100 55,0 53,0 51,0
3 128 77,5 67,1 55,9
4 150 102,8 85,4 63,1
5 170 126,4 104,8 71,8
6 185 148,2 124,3 81,6
7 200 166,6 142,5 92,0
8 180 183,3 159,8 102,8
9 170 181,6 165,8 110,5
10 140 175,8 167,1 116,4
11 130 157,9 159,0 118,8
12 120 144,0 150,3 119,9

Il grafico seguente mette in evidenza il diverso grado di reattività del modello in funzione dei
valori del coefficiente di smorzamento.

Andamento della domanda e della previsione basata sul


modello di smorzamento esponenziale con diversi valori del
coefficiente di smorzamento

250

200

150

100

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13

Domanda a=0,5 a=0,3 a=0,1

Questa tecnica può essere efficacemente impiegata quando la domanda è stazionaria. Nel

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 25 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

caso, invece, in cui è presente un trend è necessario introdurre un secondo coefficiente di


attenuazione esponenziale denominato b. Questo nuovo coefficiente riduce l’impatto
dell’errore che si verifica tra la previsione e il valore attuale. Per il calcolo della previsione
della domanda con correzione di trend si procede calcolando inizialmente il livello medio
della domanda prevista:
𝑋" = 𝛼 ∙ 𝑌"$( + 1 − 𝛼 ∙ 𝑋"$( − 𝑇"$(
essendo T il valore del trend. Successivamente viene calcolato il trend corrente come media
pesata tra il trend apparente, valutato sulla base della differenza rilevata tra i livelli previsti
della domanda nei due periodi adiacenti ed il trend calcolato al periodo precedente:
𝑇" = 𝛽 ∙ 𝑋" − 𝑋"$( + 1 − 𝛽 ∙ 𝑇"$(
la previsione definitiva viene effettuata aggiungendo al valore di previsione del livello medio
della domanda la correzione di trend:
𝑌" = 𝑋" + 𝑇"

L’analisi di regressione lineare

L’andamento della serie storica riportata su un diagramma può essere rappresentato da un


insieme di punti qualsiasi; siamo interessati ad individuare la retta r, di parametri a e b, che
approssimi al meglio questi punti (retta interpolante). A tale scopo si ricorrere al metodo dei
minimi quadrati.
Consideriamo un istante t generico: la domanda reale è definita da 𝑌 𝑡 che porta ad una
sequenza di punti che possono essere rappresentati su un grafico in funzione del tempo. Se
osservando l’andamento dei valori della funzione 𝑌 𝑡 ci si rende conto che c’è una relazione
di tipo lineare, possiamo individuare una retta che interpoli i valori ed utilizzare tale funzione
lineare per effettuare la previsione per i periodi successivi. La retta da individuare sarà del
tipo 𝑌 𝑡 = 𝑎 + 𝑏 ∙ 𝑡, dove dovranno essere individuati i valori dei parametri a e b tali che
l’approssimazione dei valori reali di domanda con quelli della retta sia il più aderente
possibile. Utilizzando il metodo dei minimi quadrati è possibile determinare i valori dei
parametri della retta che minimizzano gli errori e garantiscono una buona approssimazione
della sequenza dei punti che rappresentano la domanda reale.

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 26 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Si imposta la relazione degli errori quadratici di previsione, in base ai dati reali disponibili, e
si effettua la derivazione della relazione rispetto ai due parametri, ottenendo due equazioni
che dovranno essere poste uguali a zero e messe a sistema.
5
*
𝑌 𝑡% − 𝑎 + 𝑏 ∙ 𝑡% = 𝑆𝑆 *
%'(

Il sistema che si ottiene derivando l’equazione rispetto ad a e b e ponendo uguale a zero le


due derivate è il seguente:
5
𝛿 *
𝑌 𝑡% − 𝑎 + 𝑏 ∙ 𝑡% =0
𝛿𝑎
%'(
5
𝛿 *
𝑌 𝑡% − 𝑎 + 𝑏 ∙ 𝑡% =0
𝛿𝑏
%'(

sviluppando i calcoli e risolvendo in funzione di a e b si ottengono i seguenti valori dei


parametri:
5 5
%'( 𝑌 𝑡% − 𝑏 ∙ %'( 𝑡%
𝑎=
𝑛
5
𝑛∙ %'( 𝑡% ∙ 𝑌 𝑡% − 5%'( 𝑡% ∙ 5
%'( 𝑌 𝑡%
𝑏=
𝑛 ∙ 5%'( 𝑡%* − 5%'( 𝑡% *

Nel caso in cui si scelga di porre l’origine dell’asse dei tempi sul valore medio risulta:
5

𝑡% = 0
%'(

il che comporta per i coefficienti della retta di regressione la forma:


5
%'( 𝑌 𝑡%
𝑎=
𝑛
5
%'( 𝑡% ∙ 𝑌 𝑡%
𝑏= 5 *
%'( 𝑡%

Se non è comoda una valutazione grafica degli andamenti nel tempo della domanda è possibile
ricercare la validità della correlazione con lo studio del coefficiente di regressione lineare r.
Il coefficiente di regressione lineare r può variare tra 0, nel caso in cui non vi è correlazione,
ed ± 1, nel caso di perfetta correlazione lineare. Quando r > 0, si dice che le due variabili sono
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 27 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

correlate positivamente (al crescere di una cresce anche l’altra); quando r < 0, negativamente
(al crescere di una decresce l’altra).

Andamento del coefficiente di correlazione lineare in funzione della distribuzione dei punti interpolati.

Misura dell’errore
La domanda di un prodotto si genera attraverso l’interazione di un notevole numero di fattori,
troppo complessa perché sia descritta completamente in un modello matematico. Di
conseguenza, come è già stato accennato, gli errori di previsione non possono essere
completamente evitati.
Come misurare l’accuratezza di un determinato metodo di previsione è quindi un aspetto
molto importante che deve essere preso in considerazione al fine di completare il modello di
previsione, soprattutto nella valutazione del valore dei parametri.
Il calcolo dell’errore, come nel caso visto per l’analisi di regressione lineare, deve essere
effettuato basandosi su dati reali di domanda verificatasi in periodi noti e la previsione che i
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 28 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

modelli, con la diversa scelta dei parametri hanno fornito. L’errore di previsione, per un
periodo t, è fornito dalla seguente relazione:
𝐸" = 𝑌" − 𝑋"
Per la valutazione dell’errore di previsione del modello si utilizzano diversi indicatori:
• Errore Medio (Mean Error):
5
1
𝑀𝐸 = 𝐸%
𝑛
%'(

• Errore Medio Assoluto (Mean Absolute Deviation):


5
1
𝑀𝐴𝐷 = 𝐸%
𝑛
%'(

• Errore Quadratico Medio (Mean Square Error):


5
1 *
𝑀𝑆𝐸 = 𝐸%
𝑛
%'(

Il ME fornisce l’errore medio su più periodi mantenendo il segno dell’errore. In questo caso,
quindi, gli errori di segno opposto, sovrastima nel caso di errore negativo e sottostima nel
caso opposto, tendono a compensarsi. Tale indicatore, quindi, può portare a valutazioni di
correttezza nella previsione anche quando i valori previsti sono fortemente distanti da quelli
reali ma le compensazioni tra sovrastima e sottostima della previsione sono uguali di
ampiezza. Per ovviare a questo comportamento dell’indicatore è opportuno utilizzare in
abbinamento uno tra i due successivi indicatori, ovvero MAD e MSE. Sia MAD che MSE,
infatti, annullano il segno dell’errore con la differenza che il MSE amplifica gli errori più
distanti allo scopo di penalizzare modelli che commettono anche pochi errori ma di grande
rilevanza.
Il MAD ha il vantaggio di essere più facilmente interpretabile e più facile da spiegare ai non
specialisti. Inoltre quando l’errore di previsione è distribuito secondo una gaussiana (il caso
più comune), vi è una relazione tra deviazione standard s e MAD:
𝜋
𝜎= ∙ 𝑀𝐴𝐷 ≅ 1,25 ∙ 𝑀𝐴𝐷
2
Il MSE, d’altro canto, è spesso usato nelle ottimizzazioni statistiche.
Nella tabella seguente viene presentato un esempio di applicazione del calcolo dell’errore,
applicato al caso precedentemente utilizzato per il confronto della previsione con il modello
Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 29 -
Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

dello smorzamento esponenziale. Il confronto viene riportato per la scelta del più corretto
parametro da utilizzare nel modello e mette in evidenza che, sia nel caso di utilizzo dell’MSE
che del MAD, il valore del coefficiente di smorzamento esponenziale più adatto per effettuare
la previsione è 𝛼 = 0,5, ovvero il valore che rende maggiormente reattivo il modello. Non
sempre, però, i modelli con parametri che favoriscono la reattività sono preferibili a modelli
meno reattivi.

Previsione MAD MSE


Periodo Domanda a=0,5 a=0,3 a=0,1 a=0,5 a=0,3 a=0,1 a=0,5 a=0,3 a=0,1
0 50 50,0 50,0 50,0
1 60 50,0 50,0 50,0 10,0 10,0 10,0 100,0 100,0 100,0
2 100 55,0 53,0 51,0 45,0 47,0 49,0 2.025,0 2.209,0 2.401,0
3 128 77,5 67,1 55,9 50,5 60,9 72,1 2.550,3 3.708,8 5.198,4
4 150 102,8 85,4 63,1 47,3 64,6 86,9 2.232,6 4.177,0 7.549,9
5 170 126,4 104,8 71,8 43,6 65,2 98,2 1.903,1 4.256,4 9.643,4
6 185 148,2 124,3 81,6 36,8 60,7 103,4 1.355,2 3.680,7 10.687,6
7 200 166,6 142,5 92,0 33,4 57,5 108,0 1.116,0 3.302,6 11.673,2
8 180 183,3 159,8 102,8 3,3 20,2 77,2 10,9 409,2 5.965,8
9 170 181,6 165,8 110,5 11,6 4,2 59,5 135,7 17,3 3.542,0
10 140 175,8 167,1 116,4 35,8 27,1 23,6 1.283,4 733,8 555,2
11 130 157,9 159,0 118,8 27,9 29,0 11,2 779,1 838,8 125,6
12 120 144,0 150,3 119,9 24,0 30,3 0,1 573,9 916,5 0,0
40,8 49,7 68,3 1.272,1 2.129,2 4.886,8

Si osservi, a tal proposito il successivo esempio che riporta una domanda fortemente nervosa che
variazioni frequenti in aumento e diminuzione.

Andamento della domanda


300
250
200
150
100
50
0
0 2 4 6 8 10 12

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 30 -


Dispense dell’insegnamento di Fondamenti di Impianti e Logistica

Previsione MAD MSE


Periodo Domanda a=0,5 a=0,3 a=0,1 a=0,5 a=0,3 a=0,1 a=0,5 a=0,3 a=0,1
0 50 50,0 50,0 50,0
1 70 50,0 50,0 50,0 20,0 20,0 20,0 400,0 400,0 400,0
2 100 60,0 56,0 52,0 40,0 44,0 48,0 1.600,0 1.936,0 2.304,0
3 50 80,0 69,2 56,8 30,0 19,2 6,8 900,0 368,6 46,2
4 120 65,0 63,4 56,1 55,0 56,6 63,9 3.025,0 3.199,0 4.080,7
5 230 92,5 80,4 62,5 137,5 149,6 167,5 18.906,3 22.377,8 28.053,6
6 65 161,3 125,3 79,3 96,3 60,3 14,3 9.264,1 3.634,4 203,3
7 25 113,1 107,2 77,8 88,1 82,2 52,8 7.766,0 6.756,8 2.791,2
8 125 69,1 82,5 72,5 55,9 42,5 52,5 3.129,0 1.802,9 2.751,2
9 250 97,0 95,3 77,8 153,0 154,7 172,2 23.399,4 23.938,9 29.655,1
10 35 173,5 141,7 95,0 138,5 106,7 60,0 19.186,6 11.383,7 3.601,7
11 90 104,3 109,7 89,0 14,3 19,7 1,0 203,3 387,5 1,0
12 120 97,1 103,8 89,1 22,9 16,2 30,9 523,1 263,1 954,1
91,0 84,3 77,5 7.758,6 6.770,7 6.636,8

In questo caso si può osservare che il calcolo dell’errore penalizza i modelli con parametri che li
rendono reattivi e favorisce l’utilizzo di parametri che riducono la reattività.

Riccardo Melloni – Dipartimento di Ingegneria “Enzo Ferrari” - 31 -