Sei sulla pagina 1di 95

Organizzazione della Produzione e dei

Sistemi Logistici

La previsione e gestione della domanda

La gestione della domanda

“Making supply meet demand in an uncertain world”


(Fisher et al. 1994)
Ridefinire il problema
- Riduzione del TLT
- Utilizzo di comunanze

Incertezza Effetti
Turbolenza
Ambiente Previsione percepita Sistema dell’incertezza
Produttivo
(errore di
previsione)

Endogenizzare Prevedere Ridurre gli effetti


- Azioni di - Migliori dell’incertezza
marketing informazioni - Slack
- Partnership - Migliori tecniche - Flessibilità

-2-

1
Importanza delle previsioni

‰ Impatto critico nelle attività di pianificazione


f pianificazione/dimensionamento capacità
f inventory management
f supply
l management
‰ Gestione dei prodotti I am interested in the future because I will spend the
rest of my life there…
f phase-in, phase-out C.F.Kettering, Seeds for Thought

f nuovi prodotti
f advertising/promozioni
‰ Azioni non possono essere prese senza alcuna previsione

‰ Le 3 leggi
gg di Melnyk
y sulle pprevisioni
f Tutte le previsioni sono sbagliate
f Tutte le previsioni cambiano
f Siete responsabili per l’accuratezza
delle previsioni

-3-

Attenzione agli effetti delle


proprie decisioni
L’eclisse solare del 1999

‰ Alle 9.35 di mercoledì 11 Agosto 1999 vi fu una eclissi solare totale. Questa fu
la prima visibile in UK dal 1927 e la successiva si stima sarà nel 2091. La ‘linea
d’ombra’
d ombra passava per il sud
sud-ovest
ovest del paese.
paese
‰ Il turismo è molto importante in tale area, perciò si presero accurate misure
per pianificare l’elevato numero di visitatori, a partire da una previsione del
loro numero.
‰ Previsione iniziale (no precedenti): 3 milioni di persone
‰ Tale previsione ebbe notevoli effetti:
f Commentatori non informati cominciarono a parlare di possibili disservizi
f Vennero cancellati numerosi festival locali per non attrarre ulteriori persone
f Fu proibito l’accesso ad aree aperte per evitare camping illegale
f Alcuni piccoli cottage vennero messi in affitto a 25.000 £ a settimana
f Accesso alle scogliere venne bloccato
‰ L’eclissi doveva durare 2’ 6’’!!
‰ Molte persone decisero di non andare
‰ Nuova previsione a Febbraio: 1 milione di persone
‰ A Maggio: numero di prenotazioni in alberghi inferiore agli anni precedenti

La “sindrome” del budget di


4 vendita

2
Le 6 domande chiave

Quanto costa?

Quando?

Chi?

Come?

Cosa?

Perché?

Gli obiettivi

‰ Stimare la probabilità di occorrenza di eventi futuri


(ad es. domanda superiore ad un certo
valore ll’assegnazione
valore, assegnazione di una commessa)
‰ Determinare la collocazione temporale di eventi
futuri (ad es. la ricezione di un ordine)
‰ Predire la magnitudine di variabili casuali che si
osserveranno nel futuro (ad es. l’impatto di una
azione promozionale)
‰ Id ifi
Identificare lle regolarità
l i à di serie
i di d
datii osservate
nel passato (ad es. stagionalità, trend)

‰ Il problema del punto di disaccoppiamento


-6-

3
Il ruolo delle previsioni

‰ Marketing
‰ Produzione
‰ Logistica
‰ Amministrazione e Controllo
‰ Approvvigionamenti
‰ …. 80%
70%
60%
50%
40%
30%
20%
10%
0%
Pianificazione

Pianificazione

Pianificazione

Pianificazione

Pianificazione

Pianificazione

Subfornitura
nuovi prodotti
Preparazione

risore umane
attrezzature
produzione

Sviluppo
acquisto
impianti
Budget

vendite

scorte

(fonte questionario GMRG 250 imprese)

-7-

Processi aziendali

Un processo aziendale è un insieme organizzato di attività e di


decisioni, finalizzato alla creazione di un output effettivamente domandato da
un cliente,
e al quale questi attribuisce un “valore” ben definito

Elementi definitori
1. Output
2. Fasi
3. Input
4. Risorse

Interdipendenze sequenziali 5. Interdipendenze


Interdipendenze reciproche 6. Metodi di gestione
Interdipendenze generiche

-8-

4
Il Processo di previsione

Selezione e
Definizione Raccolta Analisi Utilizzo e
settaggio dei
del problema informativa preliminare valutazione
modelli

Definizione Raccolta
del problema informativa

Utilizzo e Analisi
valutazione preliminare

Selezione e
settaggio dei
modelli
-9-

Il Processo di previsione

‰ Definizione del problema


f Passo molto difficile
f Necessario comprendere come la previsione sarà utilizzata
f Necessario
N i valutare
l il posizionamento
i i organizzativo
i i di chihi
opera le previsioni
f Interazione come tutti coloro legati alla raccolta dati, alla
manutenzione database e all’uso delle previsioni.

f Fondamentale comprendere:
‹ Prodotto
T
Tempii di processo
‹

‹ Obiettivi
Livello di
‹ Informazioni aggregazione
‹ Strumenti

- 10 -

5
Il livello di aggregazione

‰ Il livello di aggregazione dell’output è dato dalla natura del


processo decisionale che necessita di previsioni
f Mercato: cliente,,p
punto vendita,, regione,
g ,ppaese,, area di
business
f Prodotto: SKU, famiglia, fatturato

f Tempo: giorni, settimane, mesi, anni

‰ Spesso si assume che i dati devono essere sempre allo stesso


livello di aggregazione del processo decisionale NON E’ VERO
‰ Spesso si dice che è sempre meglio usare dati aggregati perché
è più facile NON E’ E VERO
‰ Spesso si dice che è sempre meglio usare dati disaggregati
perché è più preciso NON E’ VERO

- 11 -

Il Processo di previsione

‰ Raccolta informativa
f Informazioni
‹ Statistiche
‹ Competenze
p
f Fondamentale la dimensione della storia
‹ Poco: non sufficienti informazioni
‹ Troppo: informazioni non utili e distorcenti
f “Stanare” l’informazione
‹ Problema organizzativo
‹ Sistemi informativi

Demand Retrieved Perceived


Turbulence Information information Forecasting Uncertainty
generation
process retrieval algorithm (Forecasting
error)

- 12 -

6
ge
n

0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
5.000
m -90
ag

13

‰
‰
‰
-9
se 0
t-9
ge 0
n-
m 91
ag
-9
se 1
t-9
ge 1

0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
n-
m 92
ag
-9

Quantità
se 2
t-9
ge 2
Informazioni n-

17/2/1992
m 93
su clienti ag
-9
se 3
t-9
ge 3
n-
m 94

(fonte questionario GMRG 250 imprese)


ag
-9
se 4

Futuro vs. passato


t-9

à / Qualità
Condizioni ge 4
Economiche n-
m 95
ag
-9
se 5
t-9
ge 5
n-
m 96
ag
-9
se 6
Attuali stock-

- 14 -
t-9

Trade-off costo e beneficio


out ge 6
n-
m 97
ag

à / Efficacia
-9
se 7
t-9
ge 7
n-
m 98
ag
-9
Informazioni se 8
su fornitori t-9
ge 8
n
m -99
ag
-9

Quale tipo di informazioni


se 9
t-9
ge 9
n
Consumo di Cemento in Italia

m -00
Ricerche di ag
-0
mercato se 0
t-0
ge 0
n
m -01
ag
-0
se 1
t-0
ge 1
n
m -02
ag
-0
se 2
t-0
2

7
Il Processo di previsione

‰ Analisi preliminare (esplorativa)


f Analisi dei dati
‹ G fi
Grafica, D
Descrittiva,
itti ecc.
f Identificazione qualitativa dei principali fattori di
variabilità
‹ Trend, Stagionalità, Ciclicità, Outliers, ecc.
‰ Selezione e settaggio modelli
f Fondamentali le metriche di valutazione e l’analisi
della serie
‰ Utilizzo e valutazione di un modello
f Fondamentale contributo dei manager
f Monitoraggio

- 15 -

Il contributo dei manager

Prodotto %MAD %BIAS %MAD Sistema BIAS Sistema

Prodotto A 19.0% -1.2% 23.5% -3.2%

Prodotto B 11.3% 4.5% 13.9% 0.7%

Prodotto C 14.1% 6.8% 15.8% 7.4%

Prodotto D 24.3% 8.6% 20.5% -6.1%

Prodotto E 14.4% -2.5% 15.6% -0.4%

Prodotto F 29.9% 15.5% 23.9% -4.9%

Prodotto G 17.9% 7.5% 27.9% -3.1%

Prodotto H 15.4% 6.1% 16.3% 2.1%

Prodotto I 9.9% 6.4% 10.4% -0.1%

Prodotto J 16.0% 7.2% 26.1% -1.7%

Prodotto K 22.8% -5.8% 26.5% -6.9%

Media pes. 17.0% 3.9% 19.5% -0.8%

(risultati di un caso nel comparto alimentare)

- 16 -

8
Previsione diversa a seconda delle
situazioni
60000
Produzione idroelettica
50000
e idroelettrica Italia
40000

30000
Produzione

20000

10000

0
1883
1888
1893
1898
1903
1908
1913
1918
1923
1928
1933
1938
1943
1948
1953
1958
1963
1968
1973
1978
1983
1988
1993
1998
Anni
800 450

400

Ordini di Ravioli
700

600
350 Vendite biciclette
300
500

250
cartoni

400
Unità
200
300

150
200

100
100

50
0

0
02

05

08

11

14

17

20

23

26

29

32

35

38

41

44

47

50

53

03

06

09

12

15

18

21

24

27
8

9
S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

settimane gen-93 giu-94 ott-95 mar-97 lug-98 dic-99 apr-01 set-02 gen-04
Mese

- 17 -

Tipologie di tecniche

‰ Quantitative: Dati quantitativi sono forniti a sufficienza


f Serie storiche: prevedere la continuazione di un comportamento storico

f Explanatory: comprendere come una variabile ne influenza un’altra

‰ Q li i
Qualitative: Poche
P h iinformazioni
f i i quantitative
i i sono di disponibili,
ibili ma c’è
’è
conoscenza qualitativa
f Velocità telecomunicazioni nel 2000

‰ Opinioni del management


‰ Imprevedibile: Poca informazione è disponibile
f Prevedere la scoperta di una nuova forma di energia
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Quantitativi

Qualitativi

management
Opinioni

(fonte questionario GMRG 40 imprese) - 18 -

9
Tecniche quantitative

‰ Utilizzabili quando
f Informazione riguardo il passato è disponibile

f Tale informazione è quantificabile nella forma di un dato


numerico
f Si può assumere che alcuni elementi del passato continueranno nel
futuro (assunzione di continuità)
‰ Diverse tipologie di tecniche
f Proprietà

f Accuratezza

f Costi

Semplici Approccio sistematico


Poco accurati Min. errori
No info su accuratezza

Metodi Metodi
Intuitivi Formali

- 19 -

Tecniche quantitative

‰ Classificabili anche in base al modello sottostante:


f Modelli esplicativi

Assumono che la variabile da prevedere abbia un legame


con delle variabili note.
Ad es. PIL = f (politiche fiscali, politiche monetarie,
importazioni, esportazioni, consumi, errore)
f Serie Storiche
Considerano il sistema come una black box. Idea è che il
sistema è troppo complesso ed è difficile se non impossibile
comprenderlo Oltretutto può non essere così importante
comprenderlo.
comprenderlo (Ad es. regolarità macchie solari)
Ad es. PILt+1 = f (PILt, PILt-1, PILt-2, PILt-3, …, errore)

- 20 -

10
Tecniche qualitative

‰ Non dati quantitativi, ma risultato di conoscenza


accumulata o giudizio

‰ Solitamente utilizzate per previsioni di medio-lungo


periodo (anni)

‰ Applicazioni anche per previsioni di breve periodo


(Delphi)

- 21 -

Come valutare quale metodo


adottare
‰ Fattori Critici
f Tempo
‹ Arco temporale (Uso previsione a breve, medio o lungo termine?)
‹ Urgenza (La previsione è necessaria averla subito?)
‹ Frequenza (Necessario frequente aggiornamento della previsione?)
f Risorse
‹ Capacità matematiche (Modeste abilità e supporti quantitativi?)
‹ Informatiche (Modeste abilità informatiche?)
‹ Finanziarie (Limitata disponibilità di risorse finanziarie
f Input
‹ Precedenti (Disponibili pochi dati dal passato?)
‹ Variabilità (Notevole fluttuazione in serie primaria?)
‹ Coerenza interna (Previsti mutamenti chiave nelle decisioni del mgt.?)
‹ Coerenza esterna (Previsti mutamenti chiave nel contesto economico?)
‹ Stabilità esterna (Previsti mutamenti nei rapporti esistenti tra le variabili?)
f Output
‹ Grado di dettaglio (Necessaria previsione su singoli aspetti?)
‹ Esattezza (Necessario alto livello di accuratezza?)
‹ Capacità di riflettere tendenze (Le svolte devono essere riflesse
immediatamente?)
‹ Capacità di scoprire tendenze (Le svolte devono essere identificate subito?)
‹ Forma della previsione (Servono previsioni su intervalli e previsioni
probabilistiche?)

- 22 -

11
Organizzazione della Produzione e dei
Sistemi Logistici

La misura degli errori

Perchè misurare errori previsionali

‰ Controllo
‰ Definire obiettivi
f La previsione è parte d
di un processo
‰ Effetti manageriali

Service Level
Perceived
Turbulence Uncertainty Production
Market Forecast
System
(forecasting
error) Inventory

- 24 -

12
Il grado di utilizzo

‰ In generale vi è scarsa attenzione alla misura delle


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

nerazione

Validazione
infformativa

perfformance
evisione
Raccolta

evisione

Misura
M
pre
R

pre
Gen

‰ Processo complesso, ma fondamentale

(fonte questionario GMRG 40 imprese)

- 25 -

Misure

‰ Puntuali vs. medie 1 2 3 4 5 6


Previsione 100 120 110 80 90 110

Domanda 80 90 130 70 100 80

Errore puntuale +20 +30 -20 +10 -10 +30

Errore medio 10

‰ Assolute vs. relative


Errore
Domanda %
previsione
Prodotto A 30 90 33%

Prodotto B 15 40 70%

‰ Distorsione vs. accuratezza

- 26 -

13
Cosa misurare

Distorsione Accuratezza

‰ Di quanto mediamente ‰ Di quanto si discosta la mia


sovrastimo o sottostimo la previsione dalla domanda?
domanda?

Demand Forecast Demand Forecast


uantity

quantity
qu

time time

- 27 -

Distorsione e Accuratezza

Distorsione OK
Accuratezza OK

28

14
Distorsione e Accuratezza

Distorsione OK
Accuratezza KO

In media le frecce
colpiscono il
centro

29

Distorsione e Accuratezza

Distorsione KO
Accuratezza KO

Previsioni
inaccurate e
distorte

30

15
Misure di distorsione

‰ BIAS
BIAS > 0: previsione sovrastima la n
Ft − D t
BIAS = ∑
domanda
BIAS < 0: previsione sottostima la
domanda
t =1 n
BIAS = 0: OK (?)
f Considera errori con segno
f Affetto da fenomeni di
compensazione
f Misura assoluta
Demand Forecast

quantity

time
- 31 -

Misure di distorsione

MPE (%BIAS)
‰
⎛ F − Dt ⎞
f Considera errori con
⎜⎜ t ⎟⎟
segno
g n
Dt
f Affetto da fenomeni di MPE = ∑ ⎝ ⎠
compensazione
t =1 n
f Misura relativa
n
(Ft − D t )
∑ n
%BIAS = t =1
Demand Forecast Dt
quantity
y

time

- 32 -

16
Misure di accuratezza

‰ MAD
f Considera l’errore senza
segno
g
f Non affetto da errori di
compensazione n Ft − D t
f Misura assoluta
MAD = ∑
t =1 n
Demand Forecast
quantitty

time

- 33 -

Misure di accuratezza

‰ MSE
f “pesa” maggiormente gli
errori p
più g
grandi ((effetto
MSE = ∑
n
(Ft − D t )2
scala)
f Problemi di t =1 n
interpretazione
f Misura assoluta

Demand Forecast
quantitty

time

- 34 -

17
Misure di accuratezza

‰ RMSE
f “pesa” maggiormente gli
n
(Ft − D t )2

errori p
più g
grandi ((effetto
scala) RMSE =
f Riduce problemi di t =1 n
interpretazione
f Misura assoluta

Demand Forecast

ntity
quan

time

- 35 -

Misure di accuratezza
Ft − D t
n
Dt
Misure percentuali MAPE = ∑
‰ MAPE t =1 n
f Versione percentuale del ⎛ Ft − D t
n

MAD ⎜∑ ⎟
⎜ ⎟
‰ %MAD
%MAD = ⎝ t =1 n ⎠
f Versione percentuale del Dt
MAD 2
⎛ Ft − D t ⎞
n ⎜
D t ⎟⎠
‰ MPSE

f Versione percentuale del


MPSE = ∑ ⎝
MSE n
t =1
‰ RMPSE
2
f Versione percentuale del ⎛ Ft − D t ⎞
n ⎜
RMSE D t ⎟⎠
RMPSE = ∑ ⎝
t =1 n
- 36 -

18
Altre misure di accuratezza

‰ RAE
Ft − D t
f Compara la attuale
previsione con quella RAEt =
ottenuta tramite un
modello naive
FR t − D t
f Modello Naive prevede la
domanda per il prossimo
periodo usando
esattamente l’ultima
l ultima Demand Forecast

quantity
y
osservazione

time

- 37 -

Altre misure di accuratezza

‰ MRAE
f Misura relativa n
f Influenzato dal MRAE = ∑ RAE t
comportamento della
domanda t =1

10

7
quantity
y

6
Demand Naive Forecast
5

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

- 38 -
time

19
Altre misure di accuratezza

‰ GMRAE
1/n
f Influenzato dal
⎡ n ⎤
comportamento della
domanda GMRAE = ⎢∏ RAE t ⎥
f Fortemente influenzato ⎣ t =1 ⎦
da outliers
f Difficile interpretazione
gestionale

- 39 -

Altre misure di accuratezza

Theil’s U-statistic 2
n −1
⎛ Ft +1 − Dt +1 ⎞
‰

f Confronta p previsione con


quella di metodo naïve ∑
t =1 ⎝
⎜⎜ ⎟⎟
f Pesa maggiormente
U=
D t ⎠
errori maggiori 2
n −1
⎛ Dt +1 − Dt ⎞

f E’ simile al MAPE
⎜⎜ ⎟⎟
t =1 ⎝ Dt ⎠

- 40 -

20
Principi per la misura delle previsioni

‰ Assicurarsi che le misure dell’errore non siano


influenzate dalla dimensione

‰ Le misure d’errore dovrebbero essere interpretabili

‰ Ridurre l’effetto degli outliers

‰ Non confrontare serie differenti mediante RMSE

‰ Utilizzare differenti misure di errore

- 41 -

Linee guida

‰ Spesso si misura l’errore solo in “una direzione” (ad es. il mancato


raggiungimento di un budget non il suo superamento; il superamento
della data di consegna non il costo per raggiungerla)
‰ Ad
Adottare misure
i complete
l
f Eventualmente utilizzare più misure
f Creare un sistema di KPI
‰ Valutare l’impatto dell’errore in termini misurabili (ad es. il costo
dell’errore)
‰ Definire delle soglie di controllo

21
Un esempio dal settore alimentare
stockout

errore

Intervalli di previsione

‰ Desiderabile fornire non solo previsioni ma anche


stime dell’incertezza
‰ Solitamente basate ssu RMSE z Probabilità
Fn+1 ± z RMSE 0.674 0.50
1.000 0.68
4500
1.150 0.75
4000 1.282 0.80

3500
1.645 0.90
1.960 0.95
3000 2.576 0.99

2500

2000

0 10 20 30 40 50 60 70 80

- 44 -

22
Organizzazione della Produzione e dei
Sistemi Logistici
Good judgment comes from experience, and experience… well
that comes from poor judgment
B. Baruch

Tecniche qualitative di previsione

Tecniche basate su giudizi


(Judgmental)

Tecniche Esplorative Tecniche Normative


‰ Intenzioni
(Market research)
‰ Probabilità soggettive
Basate su ‰ Analisi congiunta
giudizi
individuali
‰ Judgmental ‰ Opinioni di esperti
Bootstrapping (Sales force composites)
‰ Delphi
‰ Focus Group
Basate ‰ Brainstorming

sulle ‰ Role Playing


interazioni ‰ Jury of executive
‰ Teoria dei giochi

- 46 -

23
Tecniche basate su giudizi
(Judgmental)
‰ Sono molto utili e forniscono buoni risultati quando:
f Siamo in situazioni dinamiche e/o si prevedono cambiamenti
radicali
f Non esistono molti dati storici

f Si devono formulare previsioni a medio-lungo termine

f Esiste la necessità/opportunità di incorporare l’esperienza

‰ I risultati possono essere migliorati notevolmente


integrandole con tecniche statistiche…
non viceversa! (a parità di informazione)
‰ Sono più costose delle tecniche quantitative perché
coinvolgono più persone per più tempo
‰ Come nel caso delle tecniche quantitative è
importante misurare e capire l’errore
- 47 -

Attori coinvolti

‰ Venditori: presenza di molte informazioni sul


mercato, ma…
f Influenza dello stato d’animo del momento
f Tendenza alla sottostima della domanda (bonus sugli
obiettivi)
f Tendenza alla sovrastima della domanda (per
incentivare la forza vendita)
f Molto focalizzati sul presente e poco sulle condizioni
future
f Molto focalizzati sul prorpio mercato e poco sulle
condizioni generali

- 48 -

24
Attori coinvolti

‰ Manager: visione più ampia dell’azienda e del


mercato, ma…
f Troppo ottimisti
f Conoscenza approssimativa dei segmenti di mercato

‰ In generale, laddove esistono dati quantitativi le


tecniche statistiche forniscono previsioni più
accurate degli esperti
f DISTORSIONE DEL GIUDIZIO (judgemental biases)
‰ E’ importante riconoscere la distorsione per porvi
rimedio (in modo analogo ai limiti della memoria)

- 49 -

Caso Elco White Goods

‰ Previsione statistica (tendenza lineare)

Vendite della Elco (migliaia)


150

99
100
65
52 57
50
30 35
20
10 12

0
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

- 50 -

25
Caso Elco White Goods

‰ Distorsione del giudizio: famiglia nuova e vecchia

Vendite della Elco (migliaia)


150

Prodotto
nuovo
100

57
52
50
35
30 Prodotto
20
10 12 vecchio
0
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

- 51 -

Natura della distorsione del giudizio

Tipo di
Descrizione Possibili rimedi
distorsione
Applicazione di diversi ‰ Formalizzare il processo decisionale
I
Inconsistenza
i criteri decisionali in ‰ Creare regole decisionali da seguire
situazioni simili

Inerzia a cambiare i ‰ Monitorare i cambiamenti


propri modelli mentali in nell’ambiente e prevedere delle
Conservazione procedure quando si manifestano
conseguenza di nuovi
eventi o informazioni
Attribuzione di maggior ‰ Essere consapevoli che esistono dei
Influenze peso agli eventi recenti cicli (alti e bassi)
recenti rispetto a quelli passati ‰ Focalizzare tutti i fattori rilevanti che
influenzano la variabile da prevedere
Influenza di eventi ‰ Disporre di informazioni complete
Disponibilità specifici richiamati dalla ‰ Presentare le informazioni in modo da
memoria a scapito di altri far emergere tutti gli aspetti rilevanti

- 52 -

26
Natura della distorsione del giudizio

Tipo di
Descrizione Possibili rimedi
distorsione
Essere influenzati dalle ‰ Fornire fin da subito informazioni
informazioni iniziali oggettive
Ancoraggio
‰ Chiedere alle persone possibili
variazioni e relative motivazioni
Credere che esistano ‰ Verificare statisticamente l’esistenza
Correlazioni pattern precisi e/o di pattern ipotizzati
illusorie correlazioni tra variabili ‰ Modellizzare le relazioni tra variabili

La previsione è ‰ Coinvolgere nelle previsioni terze parti


influenzata da ciò che si disinteressate
D id i
Desideri
desidera ‰ Utilizzare previsioni indipendenti
formulate da più persone

Percezione di Il successo è legato ‰ Non punire gli errori


successo e all’abilità ed il fallimento ‰ Apprendere dagli errori e diffonderli
fallimento alla sfortuna o ad altri nell’organizzazione

- 53 -

Natura della distorsione del giudizio

Tipo di
Descrizione Possibili rimedi
distorsione
Le persone tendono a ‰ Stimare oggettivamente l’incertezza
Sottovalutazione sottovalutare l’incertezza
l incertezza ‰ Stimolare più persone a ipotizzare
dell’incertezza dei fenomeni eventi/situazioni non prevedibili

Osservare le situazioni ‰ Coinvolgere persone con back-ground


Percezione con l’unica prospettiva ed esperienza differenti
selettiva del proprio back-ground

Enfasi ad eventi che ‰ Ricerca di evidenze che non


Ricerca supportano le previsioni
confermano alcune
unilaterale di Assumere il ruolo di “avvocato
avvocato del
previsioni e ‰
evidenza diavolo”
sottovalutazione di altri

- 54 -

27
Luoghi comuni

Più informazioni abbiamo Molte informazioni spesso creano confusione


e ridondanza e aumentano solamente la
maggiore è l’accuratezza
nostra confidenza nella previsione, non la
della previsione reale accuratezza
Possiamo distinguere tra
Le informazioni irrilevanti spesso possono
informazioni utili e causare distorsione nella previsione
irrilevanti
Più siamo certi della
Non esiste correlazione tra la nostra
previsione maggiore è confidenza e l’accuratezza della previsione
l’accuratezza
Possiamo valutare la nostra
Generalmente siamo troppo ottimisti e
capacità di fallire o di avere sottovalutiamo problemi e difficoltà
successo nelle previsioni
L’esperienza migliora In situazioni stabili e ripetitive l’esperienza
l’accuratezza delle non aggiunge valore alle informazioni
previsioni storiche oggettive

- 55 -

Delphi

‰ Metodo sviluppato negli anni 50 dalla Rand Corporation per


prevedere la strategia di armamento sovietica
‰ Basato su valutazioni dei singoli e sulla successiva
interazione di gruppo al fine di:
‹ Ridurre le influenze psicologiche
‹ Tenere in considerazione le idee proposte da minoranze (evitare “band
wagon”)
‰ L’obiettivo è l’ottenimento di una previsione “stabile” del
futuro tramite un processo di progressiva convergenza
‰ Anonimato
‰ Iterazione
‰ Feed-back ai partecipanti
‰ Aggregazione statistica

- 56 -

28
Delphi convenzionale

Modalità: Creazione di un Panel di


• In loco esperti
Centro Coordinatore
• Per posta o fax
• Tramite Internet
Questionario di esplorazione
delle possibilità

Raccolta, analisi e definizione


delle possibili alternative

Esperti
2/3 round
Questionario strutturato
di richiesta previsioni
Richiesta motivazioni
valutazioni “strane”
Raccolta, analisi e feed- • Distribuzione risposte
back dei risultati • Media
• Eventuali motivazioni di
altri panelist
Sintesi finale dei risultati
- 57 -

Il Caso Prodotto Fresco

Impresa operante nel settore dei prodotti freschi. Stanno valutando il lancio di una nuova
serie di yogurt proposta in 2 varianti di gusto differenti. Vengono prese in considerazione tutte
le funzioni coinvolte dal prodotto,
prodotto a partire dallo sviluppo prodotti
prodotti, al marketing
marketing, alla
produzione, alla logistica e viene loro sottoposto un questionario relativo alla domanda attesa
dei 2 prodotti nei primi mesi di vita.
Per ogni esperto viene ottenuta una valutazione tabellare delle tonnellate che saranno
domandate nei primi 4 mesi di vita

Prodotto A Prodotto B
Dic. Gen. Feb. Mar. Tot. Dic. Gen. Feb. Mar. Tot.
Rossi 5 5.5 5.5 6 22 5.5 6 6 6 23.5

- 58 -

29
Il Caso Prodotto Fresco

A partire da queste informazioni vengono fornite ad ogni esperto informazioni sul


posizionamento della propria valutazione rispetto al comportamento aggregato
del panel di esperti, in forma tabellare

PRODOTTI
Previsioni di Rossi
Qui di seguito troverà le sue previsioni confrontate con la media delle previsioni dell’intero panel di
esperti. La preghiamo di valutare eventuali divergenze e di provvedere a confermare o a correggere le
sue previsioni, mediante la tabella allegata alla fine di questo documento.

Prodotto A Prodotto B
Dic. Gen. Feb. Mar. Tot. Dic. Gen. Feb. Mar. Tot.
Rossi 5 5.5 5.5 6 22 5.5 6 6 6 23.5
Media 9.5 10.7 12.7 15.2 48.0 10.6 11.9 13.8 16.4 52.7
Dev.std. 10.5 10.7 12.9 15.2 48.2 11.9 12.0 14.0 17.5 54.4

- 59 -

Il Caso Prodotto Fresco

E in forma grafica
La barra verticale indica la previsione media, mentre la freccia indica il posizionamento delle sue
previsioni sulla curva di distribuzione.

Gnocchi Ripieni Funghi Dicembre Gnocchi Ripieni Funghi Gennaio


Mese 1 Mese 2
probabilità

probabilità

0 3 6 9 12 15 18 21 24 27 30 33 36 39 0 3 6 9 12 15 18 21 24 27 30 33 36 39
tonnellate tonnellate

Gnocchi Ripieni Funghi Febbraio Gnocchi Ripieni Funghi Marzo


Mese 3 Mese 4
probabilità
probabilità

0 3 6 9 12 15 18 21 24 27 30 33 36 39 0 3 6 9 12 15 18 21 24 27 30 33 36 39
tonnellate tonnellate

- 60 -

30
Integrazione di tecniche
judgmental e statistiche

‰ Es. Budget meeting


f Coinvolgimento di più persone con obiettivi differenti
f Processo
P lungo
l di negoziazione
i i più
iù che
h di d
decsione
i

‰ Eliminazione dell’ancoraggio
f Distribuzione di dati oggettivi statistici sul mercato,
sul settore e sull’azienda
‰ Valutazioni anonime di eventuali modifiche alle
stime statistiche e relative motivazioni
‰ Analisi e discussione di gruppo
‰ Valutazione ex-post dell’affidabilità statistica

- 61 -

Organizzazione della Produzione e dei


Sistemi Logistici
"An unsophisticated forecaster uses statistics as a
drunken man uses lamp-
lamp-posts - for support rather
than for illumination. "
After Andrew Lang

Analisi della domanda

31
Obiettivi

‰ Perché l’analisi della domanda?


f Prima di pensare alla previsione, è necessario capire come è
fatta la domanda
‰ Comprendere le caratteristiche della serie di dati
f Tipologie di dati
f Rappresentazioni grafiche

f Statistiche descrittive

‰ Permettere un uso efficace dei dati


f Trasformazioni

‰ Individuare le componenti principali della domanda, in


modo da isolare l’effetto dei fenomeni che
contribuiscono a determinarla
f Scomposizione della domanda

- 63 -

Tipologie di dati
‰ Domanda Vs. Vendite
f Stock out

f Back log (riduzione livello di servizio)

f Vendite
V di perse (perdita
( di margine i di contribuzione)
ib i )
‰ Prodotto
f Singolo SKU, Famiglia di prodotti, Fatturato, …

‰ Time bucket
f Giorno, settimana, mese, trimestre, anno, …

‰ Mercato
f Geografico: Italia
Italia, aree di vendita,
vendita uffici vendita
vendita, …
f Tipologie di clienti

- 64 -

32
Tipologie di dati

‰ Serie storiche
f Sequenza di osservazioni nel tempo
f Utilizzate
Utili t d da ttecniche
i h previsionali
i i li che
h cercano di
prevedere la continuazione di un comportamento
passato (ipotesi di continuità)

- 65 -

Rappresentazioni grafiche

‰ Visualizzare i dati è la prima cosa da fare


f Caratteristichedi base dei dati
f Individuazione
I di id i di comportamenti
t ti ricorrenti
i ti ((pattern)
tt )
f Individuazione di comportamenti eccezionali

‰ Rappresentazioni diverse per diverse tipologie di


dati
f Grafici temporali per serie storiche
f Grafici di dispersione (scatter plot) per dati cross-
sectional

- 66 -

33
ge

0
500
1 000
1.000
1.500
2.000
2.500
3.000
3 500
3.500
4.000
4.500
n-
96
cartoni ap
r-9
S9 6

0
100
200
300
400
500
600
700
800
80 lu
2 g-
S9 96
80
5 ot
t-9
S9
80 6
ge
8 n-
S9 97
81
1 ap
S9 r-9
81 7
4 lu
S9 g-

Trend
81 97
7 ot
S9 t-9
82
0 7
S9 ge
n-
82 98
3
S9 ap
82 r-9
6 8
S9 lu
82 g-
9 98
S9
83 ot
2
t-9
S9 8
ge
83 n-
5 99
S9
83 ap
8 r-9
S9 9
84 lu
1 g-

- 68 -
- 67 -
Stagionalità annuale
S9 99
84
4 ot
t-9

settimane
S9
84 9
ge
7 n-
S9 00
85
domanda aggiustata

0 ap
S9 r-0

Serie Storiche
Serie Storiche

85 0
3 lu
S9 g-
90 00
3 ot
S9
Domanda di cemento in Italia

t-0
90
6 0
S9
ge
n-
90 01
9 ap
S9
91 r-0
2 1
S9 lu
91 g-
5 01
S9 ot
91 t-0
8 1
S9 ge
92 n-
1 02
S9
92 ap
4 r-0
S9 2
92 lu
7 g-
02

Ravioli al brasato – effetti di politiche promozionali


ot
t-0

-
1
2
2

34
Statistiche Descrittive

‰ Sintesi numeriche delle caratteristiche dei dati


‰ Univariate: considerano un singolo set di dati (serie
storica o cross sectional)
f Media, mediana, varianza, …
‰ Bivariate: considerano la relazione fra due set di
dati (serie storiche o cross sectional)
f Covarianza, correlazione
‰ Singola serie storica in due diversi istanti
f Autocovarianza, autocorrelazione

- 69 -

Statistiche Univariate
‰ Misure di posizione o tendenza centrale:
1 n
f Media: μ= ∑ xi
n i =1
‹ Ordine di grandezza della domanda
f Mediana: osservazione centrale
‹ Meno soggetta a distorsione in presenza di outliers
f Moda: osservazione più frequente (probabilità massima)
‰ Misure di dispersione:
f Range: xmax − xmin
‹ Ampiezza della banda di oscillazione 2
1 n
f Varianza: σ2 = ∑ (xi − μ )
n − 1 i =1
‹ Dispersione
p intorno alla media,, unità di misura diversa
f Deviazione Standard: σ = σ2
‹ Dispersione intorno alla media, stessa unità di misura
f Coefficiente di variazione: σ
‹ Dispersione intorno alla media, indicatore relativo CV =
adimensionale μ
- 70 -

35
Statistiche Univariate

‰ Altri indicatori della forma di una distribuzione: n ⎛ (x − μ ) ⎞3 n


f Coefficiente di asimmetria: ∑ ⎜ i
i =1 ⎝

σ ⎠ (n − 1)(n − 2)
‹ Se >0
0 coda a destra; se <0
0 coda a sinistra
⎛ ( xi − μ ) ⎞ n(n + 1) (n − 1)
n 4 2

f Curtosi: ∑ ⎜⎝
i =1
⎟ −3
σ ⎠ (n − 1)(n − 2 )(n − 3) (n − 2 )(n − 3)
‹ Se >0 più appuntita di una normale; se<0 più piatta
‰ Percentili e Quartili
f Il Pesimo percentile è il valore per il quale P% osservazioni
sono uguali o inferiori a quel valore
f I quartili sono percentili “speciali”
‹ Q1 è il 25° percentile
til
‹ Q2 è il 50° percentile (la mediana)
‹ Q3 è il 75° percentile
f Range interquartile IQR = Q3 − Q1
‹ Differenza fra il 3° e il 1° quartile
- 71 -

Tendenza centrale

35

30

voti 2003

25

media 22,29
20 mediana 22

moda 18

15

10

0
18 19 20 21 22 23 24 25 26 27 28 29 30

- 72 -

36
Tendenza centrale

4000

3500

domanda
3000 mediana
media

2500

2000

1500

1000

500

0
2

S9 6
0

S9 7
1

S0 9
3

1
80

80

81

81

81

82

82

83

83

83

84

84

85

90

90

90

91

91

92

92

92

93

93

94

94

94

00

00

00

01

01

02
S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S9

S0

S0

S0

S0

S0
- 73 -

Aggiustamenti di calendario

‰ La diversa lunghezza dei mesi può avere un impatto significativo


f (31-28)/30=10%
f Aggiustamento:
yt = xt (n
(n° medio giorni in un mese) / (n
(n° giorni nel mese t)
= xt (365.25/12) / (n° giorni nel mese t)
‰ Anche il numero di giorni lavorativi può essere rilevante
f I giorni lavorativi di un mese possono cambiare da un anno all’altro
f Aggiustamento:
yt = xt (n° medio giorni lavorativi in un mese) / (n° giorni lavorativi
nel mese t)
‰ E’ necessario aggiustare i dati quando questi fenomeni hanno realmente
effetto sulla domanda
f Il consumo di cemento dipende dai giorni lavorativi
f Il consumo di pasta mensile non dipende dai giorni lavorativi, ma
dalla lunghezza del mese
f Le vendite di automobili sono influenzate da molti fattori, la
lunghezza del mese conta meno

- 74 -

37
Altri aggiustamenti

‰ Inflazione
f Necessario quando si considerano i prezzi

fLL’approccio
approccio standard consiste nell
nell’utilizzare
utilizzare valori
equivalenti riferiti ad uno stesso anno
f In questo modo i valori di anni diversi diventano
confrontabili
‰ Cambiamenti nella popolazione
f Necessario quando si considera una variabile che dipende
dalla popolazione totale (es. gli utenti dei mezzi pubblici)
f Invece di utilizzare direttamente la grandezza desiderata,
desiderata
conviene considerare la popolazione totale
f La grandezza considerata viene considerata come porzione
della popolazione totale (incidenza percentuale)

- 75 -

Scomposizione serie storiche


‰ Le serie storiche possono avere un andamento ricorrente (pattern)
f In questo caso è possibile separare l’andamento dalla variabilità
casuale
f L’andamento si può individuare smorzando (mediando) i valori
passati,
ti eliminando
li i d cosìì lla variabilità
i bilità casuale
l
‰ Solitamente si cercano due componenti principali:
f Stagionalità (S): fluttuazioni periodiche di lunghezza costante
(es. mese, cicli meteorologici, ecc.)
f Tendenza e ciclicità (T): cambiamenti di più lungo termine di
lunghezza variabile
‹ A volte è separata in due componenti, tendenza (trend) e ciclicità
‰ Modello di riferimento:
f Serie
S i storica
t i = pattern
tt + errore
f L’errore (E) è la differenza fra serie storica effettiva e
andamento, chiamato anche componente irregolare o residuo
‰ Dal punto di vista statistico ci sono alcuni problemi teorici
f Tuttavia la scomposizione viene regolarmente usata in pratica
con buon successo
- 76 -

38
Scomposizione serie storiche

‰ Modello generale
f xt = f(St,Tt,Et)
‰ Forma funzionale
f Additiva: xt = St + Tt + Et
‹ La magnitudine della fluttuazione stagionale non dipende dal
livello della serie
f Moltiplicativa: xt = St · Tt · Et
‹ La magnitudine della fluttuazione stagionale è proporzionale al
livello della serie
f Trasformazione logaritimica: log xt = log St + log Tt + log Et
‹ Per modellizzare additivamente dati moltiplicativi
f Pseudo-additiva: xt = Tt · (St + Et -1)
‹ Utile per serie con un periodo fortemente diverso dagli altri (es.
agosto)
‰ Aggiustamento stagionale
f xt – St = Tt + Et
f xt / St = Tt · Et

- 77 -

Scomposizione serie storiche

Modello moltiplicativo xt = St · Tt · Et

1. Stima di Tt mediamente Media Mobile


2. xt / Tt = St · Et
3. A partire da St · Et stimiamo St in base al valor
medio
4. xt / (Tt · St) = Et

- 78 -

39
ge ge

0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
n- n- 4.500
96 96
ap ap
r-9 r-9
6 6
lu lu
g- g-
96 96
ot ot
t-9 t-9
6 6
ge ge
n- n-
97 97
ap ap
r-9 r-9
7 7
lu lu
g- g-
97 97
ot ot
t-9 t-9
7 7
ge ge
n- n-
98 98
ap ap
r-9 r-9
8 8
lu lu
g- g-
98 98
ot ot
t-9 t-9
8 8
ge ge
n- n-
99 99
ap ap
r-9 r-9
9 9
lu lu
g- g-

domanda aggiustata

- 80 -
- 79 -
99 99
ot ot
t-9 t-9
9 9
ge ge
n- n-
00 00
domanda aggiustata

ap ap
r-0 r-0
0 0
lu lu
g- g-
00 00

tendenza
ot ot
t-0 t-0

Tendenza e ciclicità
0 0
ge ge
n- n-
01 01
ap ap
r-0 r-0
1 1
lu lu
Scomposizione serie storiche

g- g-
01 01
ot ot
t-0 t-0
1 1
ge ge
n- n-
02 02
ap ap
r-0 r-0
2 2
lu lu
g- g-
02 02
ot ot
t-0 t-0
2 2

40
ge ge

0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
n- n-
96 96
ap ap
r-9 r-9
6 6
lu lu
g- g-
96 96
ot ot
t-9 t-9
6 6
ge ge
n- n-
97 97
ap ap
r-9 r-9
7 7
lu lu
g- g-
97 97
ot ot
t-9 t-9
ge 7 ge 7
n- n-
98 98
ap ap
r-9 r-9
8 8
lu lu
g- g-
98 98
ot ot
t-9 t-9
ge 8 ge 8
n- n-
99 99
ap ap
r-9 r-9
9 9

domanda aggiustata

coefficienti stagionali
lu lu

domanda aggiustata
g- g-
99 99

- 82 -
- 81 -
ot ot
t-9 t-9
ge 9 ge 9
n- n-
00 00
ap ap
r-0 r-0
0 0

incertezza
Stagionalità

lu lu
tendenza

g- g-
00 00
ot ot
t-0 t-0

media mobile centrata


ge 0 ge 0
n- n-
01 01
ap ap

Componente irregolare
r-0 r-0
1 1
lu lu
g- g-
stagionalità

01 01
ot ot
t-0 t-0
1 1
ge ge
n- n-
02 02
ap ap
r-0 r-0
2 2
lu lu
g- g-
02 02
ot ot
t-0 t-0
2 2

0%
0%

20%
40%
60%
80%
20%
40%
60%
80%

100%
120%
140%
100%
120%
140%

41
Media mobile

‰ Un’elevata variabilità fra un periodo e il successivo


(alta frequenza) non permette di distinguere fenomeni
sottostanti (bassa frequenza – tendenza e ciclicità)
f E’ necessario scomporre la serie in modo da identificarne
le componenti
‰ La media mobile è lo strumento fondamentale per
smorzare (smoothing) la serie
f In questo modo si riduce la variabilità casuale fra un
periodo e il successivo
‰ L’idea di base
L’id b è che
h fenomeni
f i di lungo
l periodo
i d abbiano
bbi
valori simili in periodi contigui
f Calcolando per ogni periodo la media con i valori
immediatamente precedenti e successivi la variabilità
casuale si compensa
- 83 -

Media mobile

‰ E’ necessario definire l’ordine k, cioè l’ampiezza della media


mobile (moving average)
f Es. t-1, t e t+1: 3 MA
‰ Media mobile centrata
1
f Es. 3 MA: yt = ( xt −1 + xt + xt +1 )
3
‰ L’ordine k della media mobile centrata può essere:
1 m
f Dispari: k=2m+1 yt = ∑ xt + i
1 m −1 1 m
f Pari: k=2m
k i =− m yt = ∑ xt +i + 2k i =∑
2k i = − m
xt +i
− m +1
il valore in ogni periodo è la media delle due medie mobili
‹

contigue. Es. k=4, 2x4MA yt = 1 (xt −2 + xt −1 + xt + xt +1 ) + 1 (xt −1 + xt + xt +1 + xt + 2 )


8 8
‰ Maggiore è l’ordine della media mobile, maggiore è
l’effetto di smorzamento
f Medie mobili di diversa ampiezza permettono di
depurare da fenomeni diversi (es. stagionalità
settimanale oppure annuale)
- 84 -

42
Media mobile

ITA 5 MA 6 MA 2x6 MA
gen-06 100
feb-06
feb 06 105
mar-06 104 103 104
apr-06 102 105 105 104
mag-06 103 105 105 105
giu-06 109 105 106 106
lug-06 107 107 107 107
ago-06 106 109 109 108
set-06 110 109 109 109
ott-06 108
nov-06 112
dic-06 110

- 85 -

Media mobile centrata k = 5

4500

4000

3500

3000

2500

2000

1500

1000

500

- 86 -

43
0
200
400
600
800
1000
1200
1400
1600
01/01/1998

01/02/1998

1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500

500

0
01/03/1998

01/04/1998

01/05/1998

01/06/1998

01/07/1998

01/08/1998

01/09/1998

01/10/1998

01/11/1998

01/12/1998

01/01/1999

01/02/1999
01/03/1999

- 88 -
- 87 -

7 MA
01/04/1999

365 MA
01/05/1999

01/06/1999

domanda giornaliera
01/07/1999

01/08/1999

Media mobile centrata


01/09/1999

01/10/1999
Media mobile centrata k = 12

01/11/1999

01/12/1999

01/01/2000

01/02/2000
01/03/2000

01/04/2000

01/05/2000

44
Alcune osservazioni

‰ Maggiore l’ordine k
f Maggiore è lo smorzamento

f Più dati è necessario avere (diminuiscono le “code”)


code )

‰ Se l’ordine è fissato pari al ciclo della stagionalità


f Viene eliminato l’effetto della stagionalità

f Si ottiene il trend

‰ Se l’ordine è dispari
p ((ad esempiop serie di dati qquadrimestrali))
la valutazione della MA è semplice
‰ Se l’ordine è pari (ad esempio serie di dati trimestrali o
mensili) la valutazione della MA richiede di valutare una 2 X ??
MA

- 89 -

Media mobile pesata


m

‰ Formulazione generale yt = ∑ ai xt +i
i =− m
f ai sono i pesi assegnati ad ogni osservazione, nella media mobile
semplice sono tutti uguali a 1/k
f I pesi devono sommare 1
f I pesi devono essere simmetrici: ai=a-i
‰ Pesando le osservazioni, lo smorzamento è maggiore
f Ogni osservazione viene inclusa e poi esclusa gradualmente
‰ Le medie mobili combinate equivalgono ad uno schema di pesi
f 2xk equivale a pesare 1/2k le osservazioni estreme
‰ Esistono molti schemi di pesatura proposti da diversi autori
f Es.
E Spencer
S S15 MA
MA, S21 MA
MA,
f Es. Henderson H5 MA, H9 MA, H13 MA, H23 MA (Census Bureau)
‰ Agli estremi della serie, è possibile utilizzare un set ridotto di
osservazioni
f I pesi devono essere riscalati in modo da sommare sempre 1

- 90 -

45
Scomposizione additiva classica

‰ Passo 1: calcolo della componente di tendenza-ciclicità


f Si utilizza una media mobile centrata: Tt = 2x12 MA

‰ Passo 2: calcolo della serie depurata dalla tendenza


f Si sottrae la componente di tendenza, lasciando la stagionalità e
la componente irregolare: xt – Tt = St + Et
‰ Passo 3: calcolo della componente stagionale
f Si ipotizza che la componente stagionale sia costante

f I coefficienti (indici) stagionali sono ottenuti come media di


tutti i valori depurati dalla tendenza riferiti ad uno stesso mese
(es. i valori di gennaio nei vari anni)
‰ Passo 4: calcolo della componente irregolare
f Sottrazione delle altre componenti dalla serie originale:
Et = xt – Tt - St

- 91 -

Esempio - Domanda

Quadr Domanda Domanda

01-02 100 115

02-02 105
03-02 104 110
01-03 102
02-03 107
105
03-03 105
01-04 106
100
02-04 111
03-04 110
95
01-05 108
02 05
02-05 113
03-05 111 90
01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05

- 92 -

46
Esempio – Valutazione del Trend

‰ Dati quadrimestrali: scegliamo il ciclo della


stagionalità come ordine della media mobile (k=3)
Domanda e Trend
Quadr Domanda 3 MA
01-02 100 115

02-02 105 103,00


03-02 104 103,67 110

01-03 102 104,33


02-03 107 104,67 105
03-03 105 106,00
01-04 106 107,33
100
02 04
02-04 111 109 00
109,00
03-04 110 109,67
95
01-05 108 110,33
02-05 113 110,67
90
03-05 111
01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05

- 93 -

Esempio – Valutazione della Stagionalità

‰ Sottraiamo dalla domanda la componente di trend appena


stimata, ottenendo i coefficienti di Stagionalità ancora affetti
dalla componente di errore
Quadr Domanda 3 MA St - Et Domanda, Trend e Stagionalità

01-02 100 120

02-02 105 103,00 2,00


100
03-02 104 103,67 0,33
01-03 102 104,33 -2,33 80
02-03 107 104,67 2,33
60
03-03 105 106,00 -1,00
01-04 106 107,33 -1,33
40
02-04 111 109,00 2,00
03-04 110 109,67 0,33 20

01-05 108 110,33 -2,33


0
02-05 113 110,67 2,33 01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05

03-05 111 -20

- 94 -

47
Esempio – Valutazione della Stagionalità

‰ Stimiamo i coefficienti di stagionalità in base al loro


valor medio (attenzione su periodi omologhi)
Quadr Domanda 3 MA St - Et St
01-02 100
02-02 105 103,00 2,00 2,17
03-02 104 103,67 0,33 -0,11
01-03 102 104,33 -2,33 -2,00
02-03 107 104,67 2,33
03-03 105 106,00 -1,00
01-04 106 107,33 -1,33
02 04
02-04 111 109 00
109,00 2 00
2,00
03-04 110 109,67 0,33
01-05 108 110,33 -2,33
02-05 113 110,67 2,33
03-05 111

- 95 -

Esempio – Valutazione della componente


di Errore

‰ Sottraiamo alla domanda la componente di trend


stimata e quella di stagionalità stimata
Quadr Domanda 3 MA St - Et St Et
Domanda, Trend, Stagionalità e Errore
01-02 100
120
02-02 105 103,00 2,00 2,17 -0,17
03-02 104 103,67 0,33 -0,11 0,44 100

01-03 102 104,33 -2,33 -2,00 -0,33


80
02-03 107 104,67 2,33 2,17 0,17
03-03 105 106,00 -1,00 -0,11 -0,89 60

01-04 106 107,33 -1,33 -2,00 0,67


40

02-04 111 109,00 2,00 2,17 -0,17


20
03-04 110 109,67 0,33 -0,11 0,44
01-05 108 110,33 -2,33 -2,00 -0,33 0
01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05
02-05 113 110,67 2,33 2,17 0,17
-20
03-05 111

- 96 -

48
Scomposizione moltiplicativa classica

‰ Passo 1: calcolo della componente di tendenza-ciclicità


f Si utilizza una media mobile centrata: Tt = 2x12 MA

‰ Passo 2: calcolo della serie depurata dalla tendenza


f Si divide la domanda per la componente di tendenza, lasciando
la stagionalità e la componente irregolare: xt / Tt = St · Et
‰ Passo 3: calcolo della componente stagionale
f Si ipotizza che la componente stagionale sia costante

f I coefficienti (indici) stagionali sono ottenuti come media di


tutti i valori depurati dalla tendenza riferiti ad uno stesso mese
(es. i valori di gennaio nei vari anni)
‰ Passo 4: calcolo della componente irregolare
f Divisione della serie originale per le altre componenti:
Et = xt / (Tt · St)

- 97 -

Organizzazione della Produzione e dei


Sistemi Logistici
"A good forecaster is not smarter than everyone
else, he merely has his ignorance better
organised."
Anonymous

Lo Smorzamento

49
Contesto

Punto di riferimento
istante attuale t tempo

Dati storici Yt-3 Yt-2 Yt-1 Yt tempo

Previsioni richieste Ft+1 Ft+2 Ft+3 tempo

Valori di fit Ft-3 Ft-2 Ft-1 Ft tempo

Errori di fit Ft-3-Y


Yt-3 Ft-2-Y
Yt-2 Ft-1-Y
Yt-1 Ft-Y
Yt tempo

Errori di previsione Ft+1-Yt+1 Ft+2-Yt+2 Ft+3-Yt+3 tempo

- 99 -

Definizione del metodo di previsione

‰ Step 1: scelta della serie storica di riferimento


f Set di dati di inizializzazione
f Set di dati di test
‰ Step 2: scelta di un metodo in base alle
caratteristiche della domanda
f Trend
f Stagionalità

‰ Step 3: inizializzazione del metodo


f Utilizzo del set di dati di inizializzazione
‰ Step 4: test del metodo
f Previsione per il set di dati di test
f Misura dell’accuratezza di previsione
f Iterazione del processo per ottimizzare i parametri

‰ Step 5: decisione sull’utilizzo del metodo


- 100 -

50
Metodi di previsione

‰ Medie
f Media mobile
f Media
M di semplice
li
‰ Smorzamento esponenziale
f Semplice ad un parametro
f Semplice con parametro adattivo

f Con tendenza lineare (Holt)

f Con tendenza ridotta

f Con tendenza e stagionalità (Holt-Winters)

- 101 -

Media semplice

‰ Ipotesi sottostante:
f Il processo da prevedere è fondamentalmente costante

f Le deviazioni sono puramente casuali (rumore)


1 t
‰ La previsione è ottenuta come media dei valori passati Ft +1 = t ∑i =1
Yi

f Tutte le osservazioni hanno lo stesso peso

f Ogni periodo aumenta la finestra di dati storici utilizzati

f La media smorza tutte le deviazioni

‰ Se il processo sottostante non è costante


f Se è stazionario l’errore medio rimane nullo

f Se c’è un trend la media sistematicamente sottostima (o


sovrastima) la domanda

- 102 -

51
Media semplice

Domanda Media

140

130

120

110

100

90

80
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 26 27 28 29 30
mese

- 103 -

Media mobile

‰ La media semplice considera tutti i dati a disposizione


f In caso di processi non costanti non si adatta ai cambiamenti
‰ La media mobile semplice p è una media semplice
p che utilizza una
finestra di dati di ampiezza fissa k
1 t
Ft +1 = ∑ Yi
k i =t − k +1
f Vengono considerati soltanto i dati più recenti, permettendo
l’adattamento alle variazioni
‰ E’ lo stesso strumento utilizzato per destagionalizzare le serie
f Ma l’uso è diverso: la media mobile non è centrata
‰ L’ampiezza della media mobile ne determina le caratteristiche:
f Se molto ampia è poco sensibile alle variazioni
f Se poco ampia è molto sensibile alle variazioni

- 104 -

52
Media mobile

Mese Domanda 3 MA 5 MA 12 MA
1 105
2 125
3 100
4 105
5 104
6 117
7 104
8 127
9 103
10 101
11 109
12 121
13 129
14 120 113 112

- 105 -

Domanda non stazionaria

70

60

50

40

30

20
domanda
media semplice
MA 3
10

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

- 106 -

53
Smorzamento esponenziale
‰ La media mobile semplice pesa tutte le osservazioni in modo
uguale (1/k)
f In alternativa, si può utilizzare una media pesata

‰ La media pesata a scopo previsionale dà maggior peso alle


osservazioni più recenti
f I pesi decrescono man mano che le osservazioni sono più
lontane
f In questo modo la media mobile diventa più reattiva

‰ La media mobile comunque considera un numero finito e costante


di osservazioni
f Le osservazioni piùù vecchie
h non vengono più ù considerate
d
‰ Lo smorzamento esponenziale è una media mobile pesata
f I pesi decrescono esponenzialmente

f Tutte le osservazioni passate vengono considerate, ma con un


peso che diventa man mano ininfluente
- 107 -

Smorzamento esponenziale semplice

‰ La previsione si basa sull’ultima osservazione disponibile e sulla


previsione che era stata effettuata per tale periodo
f La nuova previsione è uguale alla precedente, aggiustata in
base all’errore di p
previsione ((formula ricorsiva – Brown 1956))
f Il parametro α è compreso fra 0 e 1 Ft +1 = Ft − α ( Ft − Yt )
f Per alfa tendente a 0 l’algoritmo è poco reattivo
f Per alfa tendente a 1 l’algoritmo è molto reattivo
f In presenza di un trend, l’algoritmo non può fare altro che
inseguire
‰ Forma generale: Ft +1 = αYt + (1 − α ) Ft
f Si tratta di una media ppesata con ppesi α e ((1- α))
f Ft è anch’essa ottenuta per smorzamento esponenziale
f La previsione è una media delle osservazioni passate, pesata
con pesi esponenzialmente decrescenti
Ft +1 = αYt + (1 − α )[αYt −1 + (1 − α )Ft −1 ] = αYt + α (1 − α )Yt −1 + (1 − α ) Ft −1
2

Ft +1 = αYt + α (1 − α )Yt −1 + α (1 − α ) Yt − 2 + ... + α (1 − α ) Y1 + (1 − α ) F1


2 t −1 t

- 108 -

54
Smorzamento esponenziale semplice

0,9

0,8

0,7

0,6

Alfa = 0,2
Alfa = 0,4
0,5
Alfa = 0,6
Alfa = 0,8

0,4

0,3

0,2

0,1

0
Yt Yt-1 Yt-2 Yt-3 Yt-4

- 109 -

Smorzamento esponenziale semplice


4500

4000

3500

3000

2500

2000
domanda
d d
Alfa = 0,1

1500
90

90

91

91

92

92

93

93

94

94

95

95

96

96

97

97

98

98

99

99

00

00

01

01

02

02
n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-

n-

g-
ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

ge

lu

- 110 -

55
ge ge
n- n-

1500
2000
2500
3000
3500
4000
4500

1500
2000
2500
3000
3500
4000
4500
90 90
lu lu
g- g-
90 90
ge ge
n- n-
91 91
lu lu
g- g-
91 91
ge ge
n- n-
92 92
lu lu
g- g-
92 92
ge ge
n- n-
93 93
lu lu
g- g-
93 93
ge ge
n- n-
94 94
lu lu
g- g-
94 94
ge ge
n- n-
95 95
lu lu
g- g-
95 95
ge ge
n- n-
96 96
lu lu
g- g-
96 96
ge ge

- 112 -
- 111 -
n- n-
97 97
lu lu
g- g-
97 97
ge ge
n- n-
98 98
lu lu
g- g-
98 98
ge ge
n- n-
99 99
lu lu
g- g-
99 99
ge ge
n- n-
00 00
lu lu
g- g-
00 00
ge ge
n- n-
01 01
lu lu
g- g-
01 01

Smorzamento esponenziale semplice


Smorzamento esponenziale semplice

ge ge
n- n-
02 02
lu lu
g- g-
02 02
domanda
Alfa = 0,5

domanda
Alfa = 0,9

56
Inizializzazione

‰ Lo smorzamento esponenziale contiene sempre un termine


previsivo iniziale
Ft +1 = αYt + α (1 − α )Yt −1 + α (1 − α ) Yt − 2 + ... + α (1 − α ) Y1 + (1 − α ) F1
2 t −1 t

‰ In genere si pone uguale alla prima osservazione disponibile


f F1 = Y1

‰ Di conseguenza la prima previsione coincide con la prima


osservazione (metodo naive)
F2 = αY1 + (1 − α )Y1 = Y1
‰ Dopo alcuni periodi di assestamento, l’incidenza del valore
iniziale diventa trascurabile
f Tanto più alfa è vicino a 1, tanto più rapidamente il valore
iniziale diventa ininfluente

- 113 -

Inizializzazione

α=0,1 Domanda Formula Previsione


1 105
2 125 α105+(1- α)105= 105,00
3 100 α125+(1- α)105= 107,00
4 105 α100+(1- α)107= 106,30
5 104 106,17
6 117 105,95
7 104 107,06
8 127 106,75
9 103 108,78
10 101 108,20

11 109 107,48

12 121 107,63

13 106,17

- 114 -

57
Esempio

Mese Domanda 0,1 ES 0,5 ES 0,9 ES

1 105
2 125 105 00
105,00 105 00
105,00 105 00
105,00
3 100 107,00 115,00 123,00
4 105 106,30 107,50 102,30
5 104 106,17 106,25 104,73
6 117 105,95 105,13 104,07
7 104 107,06 111,06 115,71
8 127 106,75 107,53 105,17
9 103 108 78
108,78 117 27
117,27 124 82
124,82
10 101 108,20 110,13 105,18
11 109 107,48 105,57 101,42
12 121 107,63 107,28 108,24
13 129 108,97 114,14 119,72

- 115 -

Ottimizzazione

‰ La media, per definizione, minimizza l’errore nel set di dati di


inizializzazione
f Nello smorzamento esponenziale la definizione di alfa è
completamente arbitraria
‰ Generalmente si definisce alfa in modo da minimizzare un
parametro di errore
f MSE

f MAPE

f…

‰ La ricerca di alfa viene fatta in modo empirico


p
f Tentativi

f Algoritmi di ottimizzazione non lineare

- 116 -

58
Limiti

‰ Se la domanda è molto variabile, uno smorzamento reattivo è


poco accurato
f Insegue la domanda, ma in ritardo, continuando a sbagliare

‰ Conviene utilizzare uno smorzamento poco reattivo


f E’ più stabile e si posiziona sul livello medio, riducendo
l’errore
f Non cogliendo la variabilità della domanda, non riesce
comunque ad essere accurato
‰ Lo smorzamento semplice prevede la domanda per il primo
periodo non noto
p
f In caso di previsioni a più lungo termine, la previsione
rimane costante: Ft+x=Ft+1
f In presenza di trend, lo smorzamento semplice su più
periodi fornisce un errore crescente

- 117 -

Smorzamento adattivo

‰ Evoluzione dello smorzamento semplice che fa variare il valore


del parametro in base all’andamento della previsione
f L’algoritmo diventa più o meno reattivo in base all’errore di
previsione commesso
‰ Inizializzazione: Ft +1 = αYt + (1 − α )Ft
f β = 0,2 A
αt = t
f F2 = Y1 Mt
f A1 = M1 = 0
At = β Et + (1 − β )At −1
Il parametro alfa non è più arbitrario,
M t = β Et + (1 − β )M t −1
‰
ma autodeterminato
f Il sistema si presta all’uso in sistemi Et = Ft − Yt
automatici perché è robusto
‰ Tuttavia il parametro beta è arbitrario
f influenza notevolmente la reattività dell’algoritmo

- 118 -

59
Smorzamento adattivo

t Yt Ft Et At Mt αt
1 2980 0 0 indeterminato
2 3719 2980 -738 -29,5378 29,53776 1
3 3867 3719 -149 -34,3053 34,30528 1
4 3768 3867 100 -28,9429 36,92322 0,783868
5 4114 3789 -325 -40,7832 48,44428 0,841858
6 4108 4063 -45 -40,9569 48,31148 0,847766
7 4134 4101 -33 -40,6504 47,71087 0,852016
8 2544 4129 1585 24,37821 109,2051 0,223233
9 3987 3776 -211 14,94767 113,2923 0,131939
10
0 3807
380 3803 -3
3 14,21936
, 936 108,891
08,89 0,130583
0, 30583
11 3877 3804 -73 10,74354 107,4424 0,099993
12 2345 3811 1467 68,97452 161,8054 0,426281

β=0,04

- 119 -

Smorzamento adattivo
5000 1

4500 0,9

4000 0,8

3500 0,7

3000 0,6

2500 0,5

2000 0,4
domanda
adattivo
1500 Alfa 0,3

1000 0,2

500 0,1

0 0
gen-90
mag-90
set-90
gen-91
mag-91
set-91
gen-92
mag-92
set-92
gen-93
mag-93
set-93
gen-94
mag-94
set-94
gen-95
mag-95
set-95
gen-96
mag-96
set-96
gen-97
mag-97
set-97
gen-98
mag-98
set-98
gen-99
mag-99
set-99
gen-00
mag-00
set-00
gen-01
mag-01
set-01
gen-02
mag-02
set-02

- 120 -

60
Tendenza lineare (Holt)

‰ Estensione dello smorzamento esponenziale semplice per dati con


tendenza (Holt 1957)

Lt = αYt + (1 − α )(Lt −1 + bt −1 )
bt = β (Lt − Lt −1 ) + (1 − β )bt −1
Ft + m = Lt + bt m
f Lt stima il livello della serie
f bt stima la pendenza della serie
f L’algoritmo necessita di due parametri arbitrari, alfa e beta

‰ E’ possibile prevedere su un orizzonte illimitato


f La tendenza viene ipotizzata lineare

f Se la tendenza varia nel tempo, l’algoritmo si adatta

‰ Fluttuazioni casuali potrebbero apparire come cambiamenti nel trend


f Il parametro beta smorza appositamente la reattività di bt

- 121 -

Costruzione del modello

‰ Inizializzazione: bisogna stimare due valori iniziali


f L1 = Y1

f b1 = Y2-Y
Y1
‰ Se i primi valori sono molto diversi, si rischia di imporre una
tendenza fittizia
f b1 = (Y4 – Y1)/3

f b1 = (Y13 – Y1)/12

f In alternativa, è possibile utilizzare una regressione lineare


dei primi valori della serie
‰ Ottimizzazione: bisogna definire il valore delle due costanti
f Tentativi: bisogna considerare le varie combinazioni dei
valori di alfa e beta
f Algoritmo di ottimizzazione non lineare

- 122 -

61
Smorzamento con tendenza (0,1 – 0,1)

t Yt Ft Lt bt
1 105 105,0 1,50
2 107 107 106,6 1,51
3 110 108 108,2 1,52
4 111 110 109,9 1,54
5 112 111 111,5 1,54
6 114 113 113,1 1,55
7 113 115 114,5 1,54
8 114 116 115,8
, 1,51
,
9 116 117 117,2 1,50
10 118 119 118,7 1,49
11 121 120 120,2 1,50
12 124 122 122,0 1,53
- 123 -

Smorzamento con tendenza

Domanda Ft

135

130

125

120

115

110

105

100
1 2 3 4 5 6 7 8 9 10 11 12 13

- 124 -

62
Tendenza e stagionalità (Holt
(Holt--Winters)
‰ Estensione dello smorzamento esponenziale di Holt per dati con
tendenza e stagionalità (Winters 1960)
f Modello moltiplicativo

+ (1 − α )(Lt −1 + bt −1 )
Yt
Lt = α
St −s
bt = β (Lt − Lt −1 ) + (1 − β )bt −1

+ (1 − γ )S t − s
Yt
St = γ
Lt
Ft + m = (Lt + bt m )S t − s + m
f Lt stima il livello della serie
f bt stima la ppendenza della serie
f St stima la componente stagionale
f s è la lunghezza della stagionalità, che è ipotizzata costante e
nota a priori (es. 12 per la stagionalità mensile)
f L’algoritmo necessita di tre parametri arbitrari, alfa, beta e
gamma

- 125 -

Caratteristiche del metodo

‰ E’ possibile prevedere su un orizzonte illimitato


f Tendenza e stagionalità sono ipotizzate costanti nel futuro

‰ La tendenza viene ipotizzata lineare


f Se la tendenza varia nel tempo, l’algoritmo si adatta

‰ La stagionalità viene ipotizzata moltiplicativa


f Per ogni periodo si stima un coefficiente stagionale come
per la scomposizione
f Se la stagionalità varia nel tempo, l’algoritmo modifica i
coefficienti
‰ Fluttuazioni casuali potrebbero apparire come cambiamenti nel
trend e nella stagionalità
f Il parametro beta smorza appositamente la reattività di bt

f Il parametro gamma smorza la reattività di St

- 126 -

63
Costruzione del modello

‰ Inizializzazione: bisogna stimare tre valori iniziali


1
L s = (Y1 + Y2 + ... + Ys )
s
1 ⎡ Ys +1 − Y1 Ys + 2 − Y2 Y −Y ⎤
bs = ⎢ + + ... + s + s s ⎥
s⎣ s s s ⎦
Y Y Y
S1 = 1 ; S 2 = 2 ;...; S s = s
Ls Ls Ls
‰ L’inizializzazione richiede due stagioni complete
f La lunghezza della stagionalità si può identificare con il
correlogramma
f Se solo una è disponibile,
disponibile si rischia di imporre una tendenza
fittizia
‰ Ottimizzazione: bisogna definire il valore delle tre costanti
f Tentativi: bisogna considerare le varie combinazioni dei valori di
alfa, beta e gamma
f Algoritmo di ottimizzazione non lineare

- 127 -

Tendenza e stagionalità (Holt


(Holt--Winters)
‰ Estensione dello smorzamento esponenziale di Holt per dati con
tendenza e stagionalità (Winters 1960)
f Modello additivo

Lt = α (Yt − St − s ) + (1 − α )(Lt −1 + bt −1 )
bt = β (Lt − Lt −1 ) + (1 − β )bt −1
St = γ (Yt − Lt ) + (1 − γ )S t − s
Ft + m = (Lt + bt m + S t − s + m )
f Lt stima il livello della serie
f bt stima la ppendenza della serie
f St stima la componente stagionale
f s è la lunghezza della stagionalità, che è ipotizzata costante e
nota a priori (es. 12 per la stagionalità mensile)
f L’algoritmo necessita di tre parametri arbitrari, alfa, beta e
gamma

- 128 -

64
Costruzione del modello

‰ Inizializzazione: bisogna stimare tre valori iniziali


1
Ls = (Y1 + Y2 + ... + Ys )
s
1 ⎡Y − Y Y − Y Y −Y ⎤
bs = ⎢ s +1 1 + s + 2 2 + ... + s + s s ⎥
s⎣ s s s ⎦
S1 = Y1 − Ls ; S 2 = Y2 − Ls ;...; S s = Ys − Ls

‰ L’inizializzazione richiede due stagioni complete


f La lunghezza della stagionalità si può identificare con il
correlogramma
f Se solo una è disponibile,
disponibile si rischia di imporre una tendenza
fittizia
‰ Ottimizzazione: bisogna definire il valore delle tre costanti
f Tentativi: bisogna considerare le varie combinazioni dei valori di
alfa, beta e gamma
f Algoritmo di ottimizzazione non lineare

- 129 -

Inizializzazione
‰ Su lunghe serie di dati, l’inizializzazione non influenza
significativamente le previsioni
f Tuttavia se i valori iniziali sono affidabili l’algoritmo si aggiusta
più rapidamente
f Esistono metodi sofisticati per inizializzare gli algoritmi

‰ Previsione inversa
f La serie di dati viene utilizzata all’inverso, dai dati più recenti
a quelli più vecchi
f Si prevedono, con lo stesso algoritmo, i valori iniziali

f Questi valori vengono utilizzati per inizializzare il modello

‰ Stima con i minimi quadrati


f I valori iniziali vengono stimati minimizzando lo scarto
quadratico medio
‰ Scomposizione
f I metodi di scomposizione permettono di stimare i valori iniziali
- 130 -

65
Organizzazione della Produzione e dei
Sistemi Logistici

La Gestione delle scorte

Ruolo delle scorte

‰ Voce di particolare rilevanza per le imprese


f Impatto diretto su Conto Economico
f Impatto
I tt su IIndebitamento
d bit t ((spesso valore
l superiore
i all
25% degli asset)
f Impatto sul livello di servizio

‰ Consentono di
f Disaccoppiare operazioni successive
f Gestire la variabilità della domanda

f Produrre anticipatamente rispetto alla domanda


(importante per livellare la produzione)

- 132 -

66
Il problema decisionale

‰ Il problema si riconduce sostanzialmente a dover


decidere:
f Quantoordinare (size)
f Quando ordinare (timing)

Quantità di riordino
Frequenza Variabile
Fissa (Q)
di riordino (S)
Variabile
(Q,R) (S,R)
(R)
Fissa (T) (Q,T) (S,T)
‰ Ordina una quantità fissa Q
‰ Ordina fino ad un livello di scorta predefinito S
‰ Ordina quando le scorte scendono sotto un predefinito livello R
‰ Ordina ogni T periodi
- 133 -

I modelli tradizionali

‰ Modelli come il Lotto Economico, l’Intervallo di


Riordino Fisso, ecc funzionano quando la domanda
presenta particolari caratteristiche di regolarità
f Domanda “relativamente” stabile
f Storia sufficiente per valutare comportamento

f…

‰ Spesso tuttavia queste e altre ipotesi non si


applicano

- 134 -

67
La domanda lumpy

‰ Una domanda è definita LUMPY quando:


f Variabile, quindi caratterizzata da rilevanti
fluttuazioni
f Sporadica, quindi caratterizzata da numerosi periodi
con domanda nulla
f Nervosa, quindi con significative differenze tra
osservazioni successive

- 135 -

Le fonti della domanda lumpy

‰ Influenzata da caratteristiche del mercato:


f Numerosità dei clienti: al diminuire del numero dei
clienti la domanda tende a diventare p più sporadica
p
f Eterogeneità dei clienti: maggiori sono le differenze in
termini di dimensioni tra i clienti, maggiore sarà la
lumpiness
f Frequenza delle richieste dei clienti: la lumpiness
diminuisce all’aumentare della frequenza delle
richieste dei clienti
f Varietà delle richieste dei clienti: la lumpiness
aumenta se ogni cliente ha richieste differenti in
termini di dimensioni
f Correlazione tra le richieste dei clienti: lumpiness
aumenta tanto più tale correlazione è presente.

- 136 -

68
Le fonti della domanda lumpy
- Alcuni esempi -

‰ Parti di ricambio
(esempio nel settore degli
elettrodomestici bianchi)

‰ Politiche promozionali
(esempio nel settore del
food))

- 137 -

Quali sono i problemi?

‰ I metodi tradizionali (sia di previsione che di


riordino) non sono in grado di gestire
opportunamente questo tipo di domanda
f Non valgono numerose assunzioni dei modelli (ad es.
domanda o errori di previsione distribuiti secondo una
normale)
f I metodi cercano di rilevare le regolarità delle serie:
problema quando le irregolarità sono maggiori delle
g
regolarità
f Fenomeni di distorsione dei modelli

f Spesso pochi dati su cui stimare i modelli

- 138 -

69
Quali sono i problemi?
- Alcuni esempi -

‰ Smorzamento esponenziale applicato ad una serie


“relativamente” regolare

‰ Smorzamento esponenziale applicato ad una serie


altamente irregolare
g

- 139 -

Quali sono i problemi?


- Alcuni esempi -

‰ Il livello delle scorte necessario per servire la


domanda
90
80
70
60
Demand

50
40
30
20
10
0
Time

‰ Scorte eccessive in moltissimi periodi

- 140 -

70
Metodi di gestione

‰ Differenti a seconda del tipo di problema


considerato
‰ Possibile dividerli
di iderli a seconda del ciclo di vita
ita del
prodotto
f Metodi per prodotti in fase di introduzione
f Metodi per prodotti in fase di maturità

- 141 -

Metodi per prodotti in fase di


introduzione
- Early Sales -

‰ Ipotizziamo di dover lanciare sul mercato un nuovo


prodotto mai venduto prima dall’impresa.
‰ Non abbiamo dati storici utilizzabili
tili abili (neanche per
prodotti similari), come prevediamo la domanda e
come decidiamo quanto produrne e metterne a
scorta?
‰ E se il prodotto ha oltretutto un ciclo di vita molto
breve (ad esempio un capo di abbigliamento
stagionale)?
‰ L’approccio Early Sales considera di utilizzare i dati
sulle prime vendite per operare un aggiornamento
sulle stime della domanda futura di tale prodotto.

- 142 -

71
Metodi per prodotti in fase di
introduzione
- Early Sales -

4000

3500

3000

2500
Domanda

2000

1500

1000
A
500

0
0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

- 143 -

Metodi per prodotti in fase di


introduzione
- Early Sales -
‰ Il problema:
f Se ordino alla produzione troppi prodotti, rischio di
avere un costo molto elevato di stock che ppoi non
riesco a vendere
f Se ordino poco alla produzione, rischio di avere un
costo molto elevato a causa delle rotture di stock
‰ L’idea:
f Prima del lancio del prodotto: formulo una prima
previsione in base alla quale cerco di formulare una
prima stima di quanto sicuramente sarò in grado di
vendere
f Dopo il lancio del prodotto: Appena vedo i primi ordini
posso riaggiornare tale previsione correggendo gli
ordini in produzione

- 144 -

72
Metodi per prodotti in fase di
introduzione
- Early Sales -

‰ A partire dalle prime


vendite (early sales fino
al tempo k) cerco di
stimare il profilo della
domanda cumulata nel
tempo
‰ Approccio efficace se vi
sono forti somiglianze
tra early buyer e late
buyer

- 145 -

Metodi per prodotti in fase di Prima del


introduzione lancio del
prodotto
- Early Sales –

‰ Utilizzo un panel di esperti per stimare la domanda


di un prodotto prima del suo lancio

Carolyn Laura Tom Kenny Wally Wendy Media Dev. Std

Prodotto A
1200 1150 1250 1300 1100 1200 1200 65

Prodotto B
1500 700 1200 300 2075 1425 1200 572

- 146 -

73
Metodi per prodotti in fase di Prima del
introduzione lancio del
prodotto
- Early Sales –

‰ A partire da tali stime posso valutare la media e la


deviazione standard delle stime

Carolyn Laura Tom Kenny Wally Wendy Media Dev. Std

Prodotto A
1200 1150 1250 1300 1100 1200 1200 65

Prodotto B
1500 700 1200 300 2075 1425 1200 572

Coefficiente di Variazione Prodotto A 6%


CV = Dev. Std / Media Prodotto B 48%
- 147 -

Metodi per prodotti in fase di Prima del


introduzione lancio del
prodotto
- Early Sales -
‰ Il comitato è un modo potente per determinare che cosa si può
e che cosa non si può prevedere
1400
Errore
grande 1200
Errore Errore medio=
1000 medio= 252 unità
150 unità
800
Errore di
previsione
600

400

200
Errore
piccolo 0
Grande 0 110 220 330

accordo Scarso accordo


Deviazione standard delle previsioni individuali di
un comitato di sei persone
- 148 -

74
Metodi per prodotti in fase di Prima del
introduzione lancio del
prodotto
- Early Sales -
‰ La distribuzione storica degli errori di previsione segue la curva
normale a campana

- 149 -

Metodi per prodotti in fase di Prima del


introduzione lancio del
prodotto
- Early Sales -
‰ La distribuzione normale modellizza l’incertezza della
domanda

1200
Distribuzione di probabilità per le vendite di un prodotto
Media = 1200 Deviazione standard = 230
- 150 -

75
Metodi per prodotti in fase di Prima del
introduzione lancio del
prodotto
- Early Sales -
‰ La distribuzione normale modellizza l’incertezza della
domanda
Questa è la parte di domanda
che non sono “sicuro” di
ricevere.
Questa è la parte di domanda La realizzo dopo
che sono “sicuro” di ricevere.
La realizzo subito

970 1200
Distribuzione di probabilità per le vendite di un prodotto
Media = 1200 Deviazione standard = 230
- 151 -

Metodi per prodotti in fase di Prima del


introduzione lancio del
prodotto
- Early Sales -

I dati di un prodotto
P
Prezzo all’ingrosso
ll’ € 200
Meno
costo della fornitura 100
commissioni di vendita 30
trasporto e consegna 25
_____
Margine di profitto € 45 Costo di sotto-produzione

Prezzo scontato € 120


Meno
costo della fornitura 100
trasporto e consegna 35
_____
Perdita (€15) Costo di sovra-produzione

- 152 -

76
Metodi per prodotti in fase di Prima del
introduzione lancio del
prodotto
- Early Sales -

Analisi
probabilistica di
Break-Even
Probabilità = .25

1200 1430
Produrre fino al punto in cui
La probabilità di vendere x il costo di sotto-
sotto-produzione =
alla probabilità di non vendere per il costo di sovra-
sovra-produzione
Costo di sotto-
sotto-produzione = $45
Costo di sovra
sovra--produzione = $15
.25 x 45 = .75 x 15
- 153 -

Metodi per prodotti in fase di Prima del


introduzione lancio del
prodotto
- Early Sales -
‰ Detti
f c0 il costo di Over stock per unità
f cs il costo di Stock out per unità
f p(x)
( ) lla di
distribuzione
ib i d
della
ll ddomanda
d
f Z(α) il livello delle scorte
f α rappresenta la probabilità cumulata di avere una domanda
inferiore a Z(α)
‰ Il costo atteso è pari a:
Z (α ) +∞
CA = ∫ x ⋅ co ⋅ p ( x )dx + ∫ x ⋅ c s ⋅ (1 − p ( x))dx
−∞ Z (α )
‰ Il costo atteso minimo si ha ponendo a 0 la derivata del costo atteso,
quindi quando:
Z (α ) ⋅ co ⋅ p( Z (α )) − Z (α ) ⋅ cs ⋅ (1 − p( Z (α ))) = 0
‰ Da cui:
co ⋅ α − cs ⋅ (1 − α ) = 0
co ⋅ α = cs ⋅ (1 − α )
- 154 -

77
Metodi per prodotti in fase di Prima del
introduzione lancio del
prodotto
- Early Sales -
‰ La previsione iniziale
4000

3500

3000

2500
Domanda

2000

1500

1000
A
500

0
0 500 1000 1500 2000 2500 3000 3500 4000

Previsione
- 155 -

Metodi per prodotti in fase di Dopo il lancio


introduzione del prodotto

- Early Sales -
‰ La previsione con il 20% della domanda conosciuta.
‰ Guardando i primi ordini posso riformulare le previsioni
ottenendo un forte aumento dell’accuratezza
4000

3500

3000

2500
Domanda

2000

1500

1000

A
500

0
0 500 1000 1500 2000 2500 3000 3500 4000
- 156 -
Previsione

78
Metodi per prodotti in fase di Dopo il lancio
introduzione del prodotto

- Early Sales -
‰ La previsione con l’80% della domanda conosciuta
4000

3500

3000

2500
Domanda

2000

1500

1000

500
A

0
0 500 1000 1500 2000 2500 3000 3500 4000
- 157 -
Previsione

Metodi per prodotti in fase di maturità


- I modelli Poissoniani –

‰ Frequentemente si osserva che la domanda di


prodotti con riordini sporadici sia ben modellizzata
da una distribuzione di Poisson.
‰ Tale distribuzione è spesso utilizzata per
modellizzare i processi di decadimento (ad esempio
radioattivo)
‰ Una variabile è distribuita secondo una Poissoniana
se la probabilità di ottenere m successi è pari a:
a m −a
Pm = e
m!
‰ Dove il parametro a rappresenta la frequenza media
dell’evento osservato

- 158 -

79
Metodi per prodotti in fase di maturità
- I modelli Poissoniani –

‰ Nel nostro ambito gli eventi considerati sono


l’occorrenza di ordini.
‰ In altri termini mediante la Poissoniana possiamo
stimare la probabilità che si presentino un certo
numero di ordini in un dato periodo di tempo
‰ Assumere tale distribuzione è valido se:
f La domanda media che si presenta durante il tempo di
approvvigionamento è bassa
f La
L media
di e lla varianza
i d
della
ll d
domandad sono simili
i ili
(ricordate che così è nella Poissoniana)
f Le richieste si presentano singolarmente

f Gli ordini sono indipendenti tra loro

- 159 -

Metodi per prodotti in fase di maturità


- I modelli Poissoniani –

‰ Supponiamo che il livello delle scorte attualmente


rilevato sia pari a k, che il tempo di
approvvigionamento sia pari a t e che la domanda
media per periodo sia pari a d
‰ Qual è la probabilità di andare in stockout?

‰ Lo stock-out si verifica se la domanda nel periodo di


approvvigionamento è maggiore del livello delle
scorte.

- 160 -

80
Metodi per prodotti in fase di maturità
- I modelli Poissoniani –

‰ In base al modello Poissoniano, la probabilità di


ricevere 0 ordini corrisponde alla probabilità di
avere 0 successi
successi, ovvero:
d 0 −d
P0 = e
0!
d 1 −d
‰ La probabilità di ricevere 1 ordine è: P1 = e
1!
‰ E via dicendo…
‰ Lo stockout si verifica q
quando la domanda è
maggiore di k. Quindi la probabilità di andare in
stock-out è: ∞ k
Pstock −out = ∑ P = 1− ∑ P
i = k +1
i
i =0
i

- 161 -

Un esempio

‰ Consideriamo un prodotto che ha ricevuto ordini per


un totale di 5 pezzi nell’ultimo anno
‰ Att almente le scorte sono pari a 4 pezzi
Attualmente pe i
‰ Il tempo di approvvigionamento è pari a 2 mesi.
‰ L’impresa adotta una politica per cui vuole garantire
un livello di servizio pari almeno al 99%
‰ E’ necessario effettuare un riordino?

- 162 -

81
Un esempio

‰ In base ai dati:
d = 5 [pezzi/anno] / 12 [mesi/anno] * 2 [mesi/LT] =
0 83 [pezzi/LT]
0,83
0,83i −0,83
‰ Quindi consideriamo la distribuzione: Pi = e
i!
‰ Da questa:
0,830 −0,83 0,831 −0,83 0,832 −0,83
P0 = e = 0,436 P1 = e = 0,362 P2 = e = 0,150
0! 1! 2!
0,833 −0,83 0,834 −0,83
P3 = e = 0,042 P4 = e = 0,009
3! 4!
∞ k
‰ Quindi: Pstock −out = ∑ Pi = 1 − ∑ Pi = 0,002
i = k +1 i =0
‰ Non occorre riordinare
- 163 -

Metodi per prodotti in fase di maturità


- Il metodo di Croston –

‰ Assumiamo che la domanda abbia un andamento


tipo:

‰ Applicando uno smorzamento esponenziale la


previsione è:

‰ Croston (1972) osserva che se assumiamo che la


dimensione della domanda segua una distribuzione
Normale e gli interarrivi seguono una distribuzione
di Bernoulli, tale stima è distorta:

- 164 -

82
Metodi per prodotti in fase di maturità
- Il metodo di Croston -

‰ Croston propone quindi di stimare la domanda in


modo differente, separando la stima della
dimensione della domanda da quella degli interarrivi

‰ Detta z’t la stima della dimensione della domanda


effettuata mediante uno smorzamento esponenziale
sulla dimensione della domanda effettiva
‰ Detta p’t la stima dell’interarrivo tra un dato di
d
domandad e il successivo,
i effettuata
ff mediante
di uno
smorzamento esponenziale degli interarrivi
‰ Vale:

- 165 -

Metodi per prodotti in fase di maturità


- Il metodo di Croston -

‰ In altri termini Croston elimina il problema


dell’aggiornamento della previsione quando la
domanda non si presenta

‰ Non ci dice quando un picco si presenta, ma valuta


in modo più accurato la sua dimensione

- 166 -

83
Metodi per prodotti in fase di maturità
- Il metodo di Syntetos e Boylan -

‰ S&B (2001) osservano che la stima di Croston è


distorta, infatti

‰ Ma

‰ S&B mostrano che in realtà

- 167 -

Metodi per prodotti in fase di maturità


- Il metodo di Syntetos e Boylan -

‰ Ad esempio, se la dimensione media degli ordini è 6,


e l’intervallo tra un interarrivo e il successivo è 3
f Per Croston, la domanda attesa per periodo è 6/3 = 2
f Per S&B è 6 * 0,549 = 3,295 (Croston ha una
distorsione pari a circa il 64,75%)

‰ S&B dimostrano che uno stimatore non distorto della


domanda per periodo è:

‰ Dove c è una costante

- 168 -

84
Un esempio

‰ Ipotizziamo che smorzamenti tutti con alfa = 0,2 e c


pari a 1,2
Smorz. esponenziale
p Croston S&B
Smoothing su Domanda Domanda
Domanda Smoothing su
t Domanda Smoothing Interarrivi dimensione per per
non zero interarrivi
domanda periodo periodo
1 100 100 100 100
2 0 80,4 100
3 0 64,92 100
4 90 52,736 90 3 98 3 32,66667 26,99725
5 0 43,1888 98 3 32,66667 26,99725
6 0 35,75104 98 3 32,66667 26,99725
7 0 30,000832 98 3 32,66667 26,99725
8 95 25,600666 95 4 97,4 3,2 30,4375 24,68
9 0 22 280532
22,280532 97 4
97,4 3 2 30,4375
3,2 30 4375 24 68
24,68
10 0 19,824426 97,4 3,2 30,4375 24,68
11 102 18,059541 102 3 98,32 3,16 31,11392 25,32483
12 0 16,847633 98,32 3,16 31,11392 25,32483
13 90 16,078106 90 2 96,656 2,928 33,01093 27,46962
14 0 15,662485 96,656 2,928 33,01093 27,46962

- 169 -

Un esempio

‰ Se alla fine del 14° periodo devo decidere quanto tenere a scorta per i
prossimi 4 periodi, quanto mi dicono di ordinare i diversi modelli?
Smorz. esponenziale Croston S&B
Smoothing
S thi su D
Domandad Domanda
D d
Domanda Smoothing su
t Domanda Smoothing Interarrivi dimensione per per
non zero interarrivi
domanda periodo periodo
1 100 100 100 100
2 0 80,4 100
3 0 64,92 100
4 90 52,736 90 3 98 3 32,66667 26,99725
5 0 43,1888 98 3 32,66667 26,99725
6 0 35,75104 98 3 32,66667 26,99725
7 0 30,000832 98 3 32,66667 26,99725
8 95 25,600666 95 4 97,4 3,2 30,4375 24,68
9 0 22,280532 97,4 3,2 30,4375 24,68
10 0 19,824426 97,4 3,2 30,4375 24,68
11 102 18,059541 102 3 98,32 3,16 31,11392 25,32483
12 0 16,847633 98,32 3,16 31,11392 25,32483
13 90 16,078106 90 2 96,656 2,928 33,01093 27,46962
14 0 15,662485 96,656 2,928 33,01093 27,46962

62,64994 132,0437 109,8785

- 170 -

85
Tecniche e informazioni

Service Level
Perceived
Turbulence Uncertainty Production
Market Forecast
Sys tem
(forecasting
error) Inventory

Focus degli Focus degli


approcci innovativi approcci classici

Processo di Turbolenza Informazione Incertezza


generazione Raccolta raccolta Algoritmo di percepita
della Informativa previsione (Errore di
domanda previsione)

- 171 -

Le informazioni - Cosa vuol dire?

‰ Attenzione non tanto sull’algoritmo di previsione


quanto sulle informazioni in input
‰ Foc s maggiormente su
Focus s aspetti organi
organizzativi
ati i
f Qualisono le informazioni “importanti”?
f Dove sono queste informazioni? (e chi le gestisce?)

f Quante informazioni servono? (costano!)

‰ Tecniche molto efficaci in presenza di elevata


incertezza

- 172 -

86
Quali informazioni

‰ Logica è identificare e utilizzare informazioni che


spieghino la variabilità o che permettano di coglierla
f Promozioni future
f Lancio di prodotti sostitutivi

f Intenzioni d’acquisto

f Prime vendite

f…

‰ Identificare le cause di maggiore variabilità

- 173 -

Un esempio: caso Elettrodomestici

Caso Elettrodomestici. Impresa operante nella produzione e vendita di parti di


ricambio per elettrodomestici. La domanda appare altamente variabile. Metodi
basati sulle serie storiche altamente inefficienti

350

300

250

200

150

100

50

0
- 174 -

87
Un esempio: caso Elettrodomestici

‰ Tecniche qualitative non applicabili


f Previsioni
da aggiornare ogni settimana
f 60.000
60 000 SKUs
SKU attive
tti
‰ Tecniche quantitative poco efficaci
f Problemi di aggiornamento della previsione
f Picchi “relativamente” regolari

‰ Necessaria maggiore
gg comprensione
p della variabilità

- 175 -

Un esempio: caso Elettrodomestici

Le cause della variabilità della domanda

Multi-Echelon Multi-Echelons
Supply Chain Supply Chain
Central Central
Warehouse Warehouse

Regional
Regional
g
Wholesaler Warehouses Wholesaler
Warehouses
Retailers

Retailers
Retailers
- 176 -

88
Un esempio: caso Elettrodomestici

Mean Demand vs Mean Inventory (week 0-34)

L. 53

L. 51

L. 49

L. 47
I
I I n
S n S n S v
£ (Billions)

L. 45

h v h v h e
L. 43
i e i e i n
p n p n p t
L. 41
m t m t m o
L. 39 e o e o e r
n r n r n y
L. 37 t y t y t
L. 35
98 99 00
Years

- 177 -

Un esempio: caso Elettrodomestici

Impatto
Commerciale
Clienti Clienti su cui
Alto “perfetti” investire
(0 clienti) (28 clienti)
Clienti
?
Basso facilmente
(0 clienti) Impatto
gestibili
Gestionale
Basso Alto
‰ Su 430 clienti, 28 risultano critici
‰ Clienti più importanti sono anche i più complessi da gestire

- 178 -

89
Un esempio: caso Elettrodomestici

L’effetto sulla domanda


Stable series

Demand
400
300

quantity
400 200
300 100
quantity

200 0

1
20
39
58
77
96
115
134
153
172
191
100
0 days
1
18
35
52
69
86
103
120
137
154
171
188
205
Irregular Series
days
400
300

quantity
200
100
0

1
20
39
58
77
96
115
134
153
172
191
days

- 179 -

Un esempio: caso Elettrodomestici

‰ Raccolta informativa da un ristretto numero di


clienti
‰ A ione di sensibilizzazione
Azione sensibili a ione verso
erso i clienti
f Le informazioni che i clienti usano per ordinare sono
disponibili prima dell’ordine (almeno a grandi linee)
f Impatto delle loro informazioni sul servizio

‰ Sistemi di incentivazione verso i clienti


f Sconto su acquisto a fronte dell’accuratezza
d ll’i f
dell’informazione
i
f Entità dello sconto valutato in base al miglioramento
delle prestazioni

- 180 -

90
Un esempio: caso Elettrodomestici

Prestazioni dell'impresa Tecnica quantitativa Informazioni


100%

90%
Livello di servizio

80%

70%

60%
L

50%

40%
0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000

Scorte

- 181 -

Dove sono le informazioni?


Un esempio: caso Alimentari

‰ Caso Alimentari:
f Impresa operante nel settore dei prodotti freschi.
f Vende
V d essenzialmente
i l t attraverso
tt lla grande
d
distribuzione (supermercati, ipermercati, ecc.)
‰ Prodotto fresco: vita inferiore al mese, non è
praticamente stoccabile 8000

7000

6000

5000

Ravioli al brasato
unità

4000

3000

2000

1000

0
S9 1
S9 3
S9 5
S9 7
S9 9
S9 1
S9 3
S9 5
S9 7
S9 9
S9 1
S9 3
S9 5
S9 7
S9 9
S9 1
S9 3
S9 5
S9 7
S9 9
S9 1
S9 3
S9 5
S9 7
S9 9
S0 1
S0 1
S0 3
S0 5
S0 7
S0 9
S0 1
S0 3
S0 5
S0 7
S0 9
1
90
90
90
90
90
91
91
91
91
91
92
92
92
92
92
93
93
93
93
93
94
94
94
94
94
95
00
00
00
00
00
01
01
01
01
01
02
S9

- 182 -
settimane

91
cartoni
S9 cartoni

0
100
200
300
400
500
600
700
800
80 S9
2

0
100
200
300
400
500
600
700
S9 80
2 800
80 S9
5 8
S9 05
80 S9
8 80
S9 8
81 S9
1 81
S9 1
81 S9
4 81
S9 4
81 S9
7 81
S9 7
82 S9
0 82
S9 0
82 S9
3 82
S9 3
82 S9
6 82
S9 6
82 S9
9 82
S9 9
83 S9
2 83
S9 2
83 S9
5 83
5
S9 S9
83
8 83
8
S9 S9
84 84
1 1
S9

- 184 -
- 183 -
S9
84 84
4 4

settimane
settimane
S9 S9
84 84
7 7
S9 S9
85 85
0 0
S9 S9
85 85
3 3
S9 S9
90 90
3 3
S9 S9
90 90
6 6
S9 S9
90 90
9 9
S9 S9
91 91
2 2
S9 S9

Un esempio: caso Alimentari


Un esempio: caso Alimentari

91 91
5 5
S9 S9
91 91
8 8
S9 S9
92 92
1 1
S9 S9
92
92
4 4

Ravioli al brasato – domanda di un cliente


Ravioli al brasato – domanda di un cliente

S9 S9
92
92
7 7
-
1
2

-
1
2

92
Un esempio: caso Alimentari

‰ Tecniche qualitative non applicabili


f Previsioni da aggiornare ogni settimana
f 60 prodotti
‰ T
Tecniche
i h quantitative
i i poco efficaci
ffi i
f Storia non spiega: promozioni non sono regolari

‰ Tecnica basata su informazioni


f Elevata “regolarità” dei picchi (in dimensione)
f Informazioni su promozioni disponibili in azienda
f Raccolta sistematica di informazioni su promozioni:
‹ Passate: p
per p
pulire la storia
‹ Future: per capire quando si presenteranno i picchi
f Attenzione: sistemi di incentivazione per chi deve fornire le
informazioni
f Trade-off tra beneficio e costo dell’informazione (spesso non
servono molte informazioni per avere buoni risultati)

- 185 -

Come usare le informazioni

‰ Pulire il passato
f Comprendere delle serie storiche cosa va ritenuto normale

‰ Capire il futuro
f Utilizzare tali informazioni per prevedere andamenti futuri

Caso Costruzioni. Problema affrontato: stimare la domanda di materiale


da costruzioni in Italia, per pianificare capacità produttiva
f Attualmente il processo di previsione è completamente qualitativo
e poco strutturato
f E’ fondamentale avere previsioni accurate, in quanto il cemento
non si tiene a scorta ed è molto costoso da trasportare su lunghe
distanze
f La domanda di cemento è fortemente stagionale

f I Grandi Lavori (Alta Velocità, Autostrade, ecc.) hanno un impatto


significativo

- 186 -

93
ge
n

0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
5.000
m -90
ag
-9
D se 0
ic

9.000
9.500
10.000
10.500
11.000
11.500
12.000
12.500
13.000
t-9
97 ge 0
n-
m 91
ag
-9
G se 1
iu t-9
98
ge 1
n-
m 92
ag
-9
D
ic se 2
98 t-9
ge 2
n-
m 93
ag
G -9
iu se 3
99 t-9
ge 3
n-
m 94
ag
D -9
ic se 4
99 t-9
ge 4
n-
m 95
ag
G -9
iu

Totale mobile con grandi lavori


00 se 5
t-9
ge 5
n-
m 96
D
ag
ic -9
00 se 6
t-9

- 188 -
- 187 -
ge 6
n-
m 97
G ag
iu -9
01 se 7
t-9
ge 7
n-
m 98
D ag
ic -9
01 se 8
t-9
ge 8
Consumo di Cemento

n
G m -99
iu ag
02 -9
se 9
t-9

Impatto dei Grandi Lavori


ge 9
n
D m -00
ic ag
02 -0
se 0
t-0
ge 0
n

Totale mobile depurato dai grandi lavori


G m -01
iu ag
03 -0
se 1
t-0
ge 1
n

depurazione serie storica consumo dai grandi lavori


m -02
ag
-0
se 2
t-0
2

94
Rilevanza informazioni
errori medi percentuali di previsione

Prodotto 1 Anno Prodotto 3 Anno

Dati utilizzati 2001 2002 2003 Media Dati utilizzati 2001 2002 2003 Media

Domanda 2,21% 3,84% 9,04% 5,03% Domanda 1,86% 3,77% 4,88% 3,50%

Domanda+eventi 1,61% 2,88% 7,14% 3,88% Domanda+eventi 0,27% 3,61% 4,66% 2,81%

Domanda+GL 2,85% 1,77% 5,18% 3,27% Domanda+GL 1,07% 3,43% 4,02% 2,84%

Domanda+eventi e GL 2,24% 0,84% 3,64% 2,24% Domanda+eventi e GL 0,07% 3,35% 3,68% 2,37%

Prodotto 2 Anno

Dati utilizzati 2001 2002 2003 Media

Domanda 1,16% 7,16% 7,71% 5,34%

Domanda+eventi 0,28% 7,33% 8,09% 5,23%

Domanda+GL 0,84% 0,59% 9,35% 3,59%

Domanda+eventi e GL 2,16% 0,49% 9,61% 4,09%

- 189 -

Informazioni: la collaborazione

‰ Interna: problema difficile


f Integrazione funzionale
‹ Es. caso alimentari: marketing, vendite, pianificazione, ecc
f Creare una visione interna del processo
‹ Misure di prestazione
‹ I sistemi di incentivazione
‹ I sistemi informativi

‰ Verso l’esterno: problema molto difficile


f Non agire solo su leve di prezzo
f Chiedersi cosa vuole il cliente che per noi ha un costo contenuto
f Alcuni esempi:
‹ Il Vendor Managed Inventory
– Cliente fornisce dati sulla domanda
– Fornitore gestisce riordini del cliente
‹ Il Collaborative Planning Forecasting Replenishment
– Fornitore e Cliente elaborano previsioni in modo congiunto

- 190 -

95