Metodi Di Previsione Delle Vendite 2

Gestione della Produzione Industriale 2
CORSO DI “Gestione della Produzione Industriale 2”
Facoltà di Ingegneria
STRATEGIE E TECNICHE DI DEMAND

PLANNING AND SALES FORECASTING
Prof. Fabrizio Dallari

Università Carlo Cattaneo
Centro di Ricerca sulla Logistica
e-mail: fdallari@liuc.it
IL PROCESSO PREVISIONALE
mercato
1. tecniche 2. sistemi e
environment
competition
e modelli applicativi
utenti
3. management e
organizzazione
supply chain
Prof. Fabrizio Dallari – LIUC 1

INDICE DEGLI ARGOMENTI TRATTATI
ruolo delle previsioni nel processo di pianificazione
analisi delle serie storiche
modelli basati sullo smorzamento esponenziale
fasi del processo di implementazione
monitoraggio delle previsioni (indicatori dell’errore)
applicazioni numeriche e casi aziendali
LA PREVISIONE E IL PROCESSO DI PIANIFICAZIONE
Sales & Operation Planning Demand Management

Sistema produttivo Sistema distributivo Ordini e Previsioni
MP WIP PF PF PF
Production
Procurement Planning Inventory
Planning & MRP Planning
Sales Forecasting
Distribution
Aggregate &Transport
Planning Planning

F.A.Q. (Frequently Asked Questions)
PREVEDERE … …
… PERCHÉ
PERCHÉ ??
…
… COSA
COSA ??
…
… QUANDO
QUANDO??
…
… CHI
CHI??
…
… COME
COME??
…
… QUANTO
QUANTOCOSTA
COSTA ??
PERCHÉ PREVEDERE ?
Fasi del ciclo produttivo - distributivo Alternative
produttive
Approvvigion. Produzione Assemblaggio Spedizione
- prodotto
Engineer
Non sono richieste previsioni personalizzato
to order
su commessa
Make to Previsioni su - prodotto standard

order su ordine
materie prime
- prodotto
Assembly Previsioni su
personalizzato su
to order materie prime e componenti
moduli standard
Make to Previsioni su - produzione

stock materie prime, componenti e prodotti finiti di serie
Ship to Previsioni su - beni di largo

stock materie prime, componenti e prodotti finiti (disaggregata) consumo
Lead Time accettato dai clienti / consentito dal mercato

6

COSA PREVEDERE ?
Si parla di previsioni della “domanda” ma spesso si fanno previsioni delle “vendite”
Produzione Distribuzione Punto vendita Cliente

(fornitore) (cliente) finale
Domanda
Fatture Ordini Ordini Ordini Vendite
del cliente
emesse ai consegnati confermati ricevuti (dati POS)
finale (lista
clienti ai clienti ai clienti dai clienti sell-out
della spesa)
dilazione problemi mancanza politiche eventi / azioni

pagamenti logistici prodotto di riordino promozionali
COSA PREVEDERE ?
PRODOTTO
— business unit
— brand
33 LIVELLI
LIVELLIDI
DI
AGGREGAZIONE — famiglia
AGGREGAZIONE
— gruppo comm., tecn.
— codice articolo
— SKU PERIODO DI
RIFERIMENTO
punto vendita __ __ __ __ __ __ __
rn
o
a na i na
e se t re no
cliente __
gi o i m dic m e s an
t t i n i m
area comm. __ se qu tr
totale country __
totale mondo __
Inoltre esistono diverse UNITÀ DI MISURA :

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

QUANDO PREVEDERE ?
ORIZZONTE TEMPORALE DI PREVISIONE

Previsioni su :
LUNGO
TERMINE((>
LUNGOTERMINE >22÷÷ 33ANNI)
ANNI) vendite totali, capacità
produttiva, modello di
DECISIONI STRATEGICHE
DECISIONI STRATEGICHE distribuzione,lancio
(pianificazione
(pianificazioneper
perdivisioni,
divisioni,linee
lineedi
diprodotto,
prodotto,mercati)
mercati) di nuovi prodotti, ...
vendite totali e per

MEDIO
TERMINE(1
MEDIOTERMINE (1÷÷ 22ANNI)
ANNI) linee di prodotto,
DECISIONI TATTICHE
DECISIONI TATTICHE prezzi per linee di
(budget prodotto, condizioni
(budgetannuale;
annuale;previsioni
previsioniaggregate)
aggregate) generali economiche...
TERMINE((00÷÷66MESI)
vendite per codice
BREVE
BREVETERMINE MESI) prodotto, per area
DECISIONI
DECISIONIOPERATIVE
OPERATIVE geografica, per cliente,
(previsioni
(previsionidisaggregate
disaggregatesu
subase
basesettimanale
settimanaleeemensile)
mensile) prezzi e volumi ...
GERARCHIA DELLA PIANIFICAZIONE
Livello di dettaglio Obiettivo Aggiornamento

Piano aziendale Segmento di Redditività/ Poliennale/annuale
mercato sviluppo aziendale
Piano vendite Famiglia Fatturato Annuale con

dettaglio mensile
Piano aggregato Famiglia/unità Bilanciamento Annuale con

(budget) produttiva risorse/domanda dettaglio mensile
Piano principale Famiglia/prodotto Livellamento, Mensile/settimanale

di produzione lottizzazione,
sequencing
Codice articolo Prevedere fabbisogni Settimanale /

MRP
materiali e capacità giornaliero con
Programmare linee dettaglio orario
Programma Emettere ordini di
operativo rifornimento
10

LEGGE DI PROPAGAZIONE DEGLI SCARTI

L’accuratezza delle previsioni :
ALL’AUMENTARE DEL LIVELLO DI AGGREGAZIONE DI PRODOTTO
(es. la previsione fatta a livello di famiglia di prodotto risulta più accurata
rispetto alla previsione ottenuta a partire dai singoli prodotti)
ALL’AUMENTARE DEL LIVELLO DI AGGREGAZIONE NEL TEMPO

(es. la previsione fatta su base mensile risulta più accurata rispetto alla
previsione ottenuta per le singole settimane)
ALL’AUMENTARE DEL LIVELLO DI AGGREGAZIONE NELLO SPAZIO

(es. la previsione fatta sul totale vendite Italia risulta più accurata rispetto alla
previsione ottenuta per le singole Regioni)
ALL’AUMENTARE DELL’ORIZZONTE PREVISIONALE

(tanto più è lontano il momento in cui si vuole prevedere quanti più sono gli
eventi casuali di disturbo)
11
CHI DEVE PREVEDERE CHE COSA ?

Le principali funzioni aziendali effettuano previsioni con differenti obiettivi, livelli di
aggregazione, unità di misura, periodi di riferimento e orizzonti previsionali
Marketing
Marketing // Produzione
Produzione Contabilità
Contabilità Logistica
Logistica
Vendite
Vendite // Acquisti
Acquisti // Finanza
Finanza
Esigenze analisi nuovi prodotti approvv. MP/WIP costo del denaro gestione scorte PF
previsionali trend consumi piano di produzione richieste di capitale piano consegne
nuovi canali commer. capacità produttiva liquidità addetti magazzino
politiche di prezzo investimenti tassi e cambi capacità stoccaggio
effetto promozioni manodopera profitti e perdite capacità movimentaz.
obiettivi di vendita costo materiali
Livello di
articolo, famiglia SKU, articolo totaleazienda, SKU
aggregazione
divisione, famiglia
Periodo e annuale,con 1-6 mesi / 1-5 anni annuale,con 1-4 settimane /1-2 anni
orizzonte di aggiornamento con aggiornamento aggiornamento con aggiornamento
riferimento mensile, trimestrale settimanale/mensile mensile, trimestrale settimanale/giornaliero
12

LIVELLI DI AGGREGAZIONE
THE COCA COLA COMPANY Per prodotti. Serve

a dimensionare la
cap. produttiva
degli stabilimenti
PRODOTTI … FANTA COCA-COLA SPRITE

Per varianti. Serve
a pianificare
acquisti di MP e
VARIANTI ... LIGHT CLASSIC DIET CHERRY produzione.
Per articoli. Serve

a pianificare le
ARTICOLI VETRO PET PET LATTINA attività di
... 0,33l
1l 0,5l 1,5l imbottigliamento
Per SKU. Serve a

pianificare le
SKU ... L33x6Z7 L33x4AZ4 L33x24Z1 scorte e la
distribuzione
13
COME PREVEDERE Domande per la scelta del metodo
1. Numero di clienti
pochi: condivisione piani e informazioni, molti: maggiore affidabilità dei metodi statistici
2. Caratteristiche dei dati

dati storici a disposizione (ordini, dati POS, bolle, etc.)
storicità dei dati (almeno 2 anni per stagionalità)
livello di dettaglio dei dati
disponibilità di dati / informazioni esterne
3. Numero e tipo di previsioni

livello di aggregazione, orizzonte di previsione
numerosità dei codici da prevedere
numerosità delle combinazioni prodotto/mercato
4. Nuovi prodotti
cambio codice articolo, assimilazione, variante, novità assoluta
5. Disponibilità di risorse
persone, sistemi IT, budget
6. Accuratezza richiesta
identificare le conseguenze / costi derivanti da errate previsioni
14

QUADRO DELLE METODOLOGIE PREVISIONALI
- FORZA DI VENDITA
- PANEL DI ESPERTI / METODO DELPHI
METODI QUALITATIVI
E A BASE SOGGETTIVA: - SCENARI FUTURI / ANALOGIE
- INDAGINI DI MERCATO, TEST E SONDAGGI
METODI CAUSALI BASATI - REGRESSIONE (lineare, quadratica,multipla,...)

SU CORRELAZIONE : - ECONOMETRICI / INPUT-OUTPUT
- MEDIE MOBILI (semplice, ponderata,..)

TECNICHE ESTRAPOLATIVE - SMORZAMENTO ESPONENZIALE (Winters...)
DELLE SERIE STORICHE : - DECOMPOSIZIONE / PROIEZIONE TREND
- ARIMA (Box Jenkins)
15
METODI QUALITATIVI E A BASE SOGGETTIVA
Il Marketing deve poter influenzare o modificare le proiezioni proposte, in base

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

Market
Market attenzione sul miglioramento della qualità delle previsioni aggiungendovi
Intelligence
Intelligence
il valore derivante dalla proprie specifiche conoscenze sulle vendite future
16

METODI CAUSALI BASATI SU CORRELAZIONE
Sales data
I metodi causali aiutano a capire
FATTORI CHE INFLUENZANO LA DOMANDA
quali sono i fattori rilevanti e quale

Price, Promotion
è la relazione con le vendite
Service Level
Quality
Company Demand
Budget
180
Consumer perception 150
Demographics
120
Competition
Marketplace Innovation 90
Random Factors 60
30
Regulation Time
Economy
Business Cycle DB
Legami
Environment Weather conditions causa/effetto
17
TECNICHE QUANTITATIVE BASATE SU SERIE STORICHE
AMBITO : pianificazione integrata (gestione delle scorte, pianificazione

della distribuzione, programmazione della produzione, etc.)
LIVELLO DI DETTAGLIO : codice articolo, SKU, famiglia merceologica
ORIZZONTE PREVISIONALE : breve-brevissimo periodo (1-6 mesi)
DATI STORICI : - riferiti alle vendite settimanali/mensili/bimestrali …
- sono disponibili almeno 2 anni di storia (per stagionalità)
- domanda di tipo continuativo e prevedibile
(coefficiente di variazione : σ/DM)
ASSUNZIONE : il futuro sarà come il passato
Previsioni
Estrapolazione delle sole componenti prevedibili (trend e stagionalità) &
Accuratezza
NB : le previsioni sono erratiche per definizione
18

COME PREVEDERE Utilizzo congiunto delle metodologie
Metodi Causali Tecniche Estrapolative

DB
base demand forecast tunnel
Domanda
P1 P2 P3 P4 …
effetti
cause
base
a b forecast
DB
Metodi Qualitativi eventi
info mercato
piani MKTG Market Consensus
Consensus
ordini esistenti intelligence forecast
forecast group
group
etc.
Forecast & Accuracy

19
LE “3C” DELL’INTEGRAZIONE FUNZIONALE
“comunicazione” se sussiste un semplice scambio di informazioni più o meno

strutturato tra i diversi attori che collaborano al processo previsionale;
(↓ : news alla macchina del caffè , ↑ : data & info sharing)
“coordinamento” se sono presenti incontri formalizzati e pianificati ossia un

gruppo di lavoro o un comitato che si riunisce periodicamente;
(↓ : incontri spot , ↑ : gruppo di lavoro ben definito che si riunisce settimanalmente)
“collaborazione” se è presente un’interazione di più alto livello tra le parti che

si manifesta attraverso lo sviluppo “in team” delle previsioni e degli obiettivi
condivisi che ne guidano la redazione, secondo un approccio consensuale
(↓ : previsioni seguono gli obiettivi del singolo, ↑ : KPI di accuracy condiviso)
20

COME PREVEDERE Organizzazione processo previsionale
PRODUZIONE & 1.
1. MODELLO
MODELLO INDIPENDENTE
INDIPENDENTE
FINANZA LOGISTICA
Ogni
Ogni funzione
funzione sviluppa
sviluppa un
un proprio
proprio forecast
forecast
ad
ad uso
uso interno
interno sulle
sulle proprie
proprie esigenze
esigenze
Assoluta
Assoluta inconsistenza
inconsistenza tra
tra ii vari
vari forecast
forecast
Nessun
Nessun coordinamento
coordinamento tra
tra le
le funzioni
funzioni
Nessuna
Nessuna condivisione
condivisione informazioni
informazioni
MARKETING
VENDITE Basse
Basse prestazioni
prestazioni previsionali
previsionali
FINANZA 2.
2. MODELLO
MODELLO CONCENTRATO
CONCENTRATO
Una
Una sola
sola funzione
funzione sviluppa
sviluppa le
le previsioni
previsioni per
per
tutta
tutta le
le altre
altre (es.
(es. Marketing,
Marketing, Logistica)
Logistica)
PRODUZIONE & Naturale
Naturale distorsione
distorsione del
del forecast
forecast (ownership)
(ownership)
LOGISTICA
Coordinamento
Coordinamento limitato
limitato ee formale
formale
MARKETING
VENDITE Inefficiente
Inefficiente utilizzo
utilizzo delle
delle informazioni
informazioni
Basse
Basse prestazioni
prestazioni (soprattutto
(soprattutto per
per le
le
funzioni-cliente)
funzioni-cliente)
21
COME PREVEDERE Organizzazione processo previsionale
PRODUZIONE &
3.
3. MODELLO
MODELLO NEGOZIATO
NEGOZIATO
LOGISTICA
FINANZA Ciascuna
Ciascuna funzione
funzione genera
genera un
un proprio
proprio forecast
forecast ee
partecipa
partecipa alla
alla “negoziazione”
“negoziazione” del
del final
final forecast
forecast
Coordinamento
Coordinamento ampio
ampio ee strutturato
strutturato (nel
(nel corso
corso
di
di riunioni
riunioni formali)
formali)
Flusso
Flusso informativo
informativo non
non ottimizzato
ottimizzato ee presenza
presenza
MARKETING di
di possibili
possibili conflittualità
conflittualità (non
(non collaborativo)
collaborativo)
VENDITE
Miglioramento
Miglioramento delle
delle prestazioni
prestazioni
4.
4. MODELLO
MODELLO CONSENSUALE
CONSENSUALE
PRODUZIONE &
LOGISTICA
Esiste
Esiste un
un “comitato
“comitato per
per le
le previsioni”,
previsioni”, con
con
rappresentanti
rappresentanti di
di ciascuna
ciascuna area
area funzionale
funzionale
FINANZA
Logica
Logica del
del “consensus
“consensus forecast”:
forecast”: le
le informazioni
informazioni
Consensus
Consensus dalle
dalle diverse
diverse aree
aree confluiscono
confluiscono nella
nella previsione
previsione
forecast
forecast group
group Coordinamento,
Coordinamento, Collaborazione,
Collaborazione,
VENDITE Comunicazione
Comunicazione (3C)
(3C)
Massima
Massima condivisione
condivisione delle
delle informazioni
informazioni
MARKETING
Elevato
Elevato assorbimento
assorbimento di
di risorse
risorse
22

GLI APPROCCI ORGANIZZATIVI
23
RICERCA DEMAND PLANNING AILOG
IL PROCESSO DI PIANIFICAZIONE
DELLA DOMANDA
“Il processo di Demand Planning nelle aziende italiane:

i risultati della Ricerca Ailog – LIUC”
LIUC”
Fabrizio Dallari
Direttore del Centro di Ricerca sulla Logistica Centro
Centro
Università Carlo Cattaneo – LIUC di
di Ricerca
Ricerca
sulla
sulla Logistica
Logistica
Coordinatore Gruppo di Lavoro Ailog “Demand Planning”
24

Classificazione delle logiche previsionali
INDIPENDENTE CONCENTRATA
Previsione Previsione Comunicazione
Funzione Funzione
Funzione 22
Funzione 11
Coordinamento
Previsione
Funzione
Funzione 11 Funzione
Funzione 22
Collaborazione
Completa
Completa sconnessione
sconnessione Presenza
Presenza distorsione
distorsione aa
Previsione
tra
tra gli
gli attori
attori del
del causa
causa dell’unicità
Previsione dell’unicità del
del
processo
processo previsionale
Funzione 33previsionale
punto
punto di
di vista
vista
Funzione Funzione
Funzione 44 0% 47%
Funzione
Funzione 44
Previsione Previsione
NEGOZIATA CONSENSUALE
Funzione
Funzione 22
Funzione
Funzione 22
27% 26%
Le
Le diverse
Previsionediverse previsioni
previsioni
Previsione
Approccio
Approccio ottimale,
ottimale,
Team interfunzionale
generate
preliminare
generate oggetto
oggetto
Gruppo
Gruppo
lavoro
di
di di
di
preliminare tuttavia
tuttavia necessita
necessita di di
lavoro
interazioni
Previsione (conflittuali)
interazioni (conflittuali)
Previsione
Comunicazione
molte
molte
Funzione
Funzione 33 risorse
risorse
Funzione
Funzione 44
preliminare preliminare
Funzione
Funzione 44 Coordinamento
Previsione Previsione
Collaborazione
25
Il background: la prima fase della ricerca

FASE 1 Timing : aprile ‘04 – marzo ’05
Ricerca
Ricerca Bibliografica
Bibliografica su
su Consultazione
Consultazione esperti
esperti ee
processo
processo di
di SF&DP
SF&DP fornitori
fornitori di
di sistemi
sistemi IT
IT Obiettivo: comprendere la situazione “as-is”
delle practice previsionali, secondo il
modello di Mentzer
Questionario
Questionario Focus:
1. integrazione funzionale
2. approccio e metodi
3. sistemi IT
4. misura performance
Ambito: vari settori industriali

1.
1. Indagine
Indagine on
on site
site (20)
(20) 2.
2. Indagine
Indagine telefono
telefono (60)
(60)
Risultati (1): score da 1 a 4 per ciascuna delle
Benchmarking Results Survey Results 4 dimensioni investigate con interviste dirette
1.
4
3
2
1 Risultati (2): ripartizione % tra le risposte
4. 0 2.
fornite al questionario a risposte multiple
3.
somministrato via call center della rivista
“Logistica”
26

Prima fase: i risultati (1)

1. Integrazione
1. Integrazione
funzionale
funzionale
3,96
3,96
4 4 3,93
3,93
3 3
2 2
FMCG 2
FMCG 1
4. Misura 2,95 1 4. Misura 1

2,95 2. Approccio 2,85
2,85 2. Approccio
delle delle
0 al problema 0 al problema
prestazioni 2,73
2,73 prestazioni 1,57
previsionale 1,57 previsionale
1,85
1,85
2,90
2,90
3. Sistemi IT 3. Sistemi IT
e applicativi e applicativi
1. Integrazione 1. Integrazione
funzionale funzionale
4 4
3,10
3,10
3 3
2,05
2,05
2 2
FMCG 4
FMCG 3
4. Misura 1
4. Misura 2,25
1 2. Approccio 3,20 2. Approccio
2,25 delle 3,20
delle 0 al problema prestazioni 0 al problema
prestazioni 1,80 1,95
1,95 previsionale
1,80 previsionale
1,75
1,75
3,15
3,15
3. Sistemi IT
3. Sistemi IT
e applicativi
e applicativi
27
Prima fase: i risultati (2)

Quali funzioni sono coinvolte nel processo previsionale? Quali modelli previsionali vengono adottati ?
100% 80%
86% 64%
80% 73% 60%
% risposte
% risposte
60%
40%
39%
40%
29% 20%
24%
20% 10% 10%
20% 14% 15% 7%
3%
0% 0%
Sales Marketing Production Logistics Finance Purchase Other Qualitative Naive Time Regressive Other Don't know
series
Quali sistemi IT sono utilizzati per generare le previsioni ? Su quali aspetti si valuta l’impatto della forecast accuracy ?
60% 80%
53% 71%
50% 59%
42% 60% 55%
40%
43%
% risposte
% risposte
30% 40%
20% 15%
20%
10% 9%
2% 2%
0% 0%
General purpose Self-developed or Sales Don't know Customer Invent. Stockout Production Other Don't know
(e.g. Excel) customized Forecasting
tool service holding costs costs
level costs
28

Analisi comparativa dei processi di SF & DP

Timing : aprile ‘05 – ottobre ‘06
Obiettivo: mappatura e caratterizzazione del

processo di SF&DP (funzioni, ruoli, processi e
prassi)
Questionario
Questionario
Focus: a) caratteristiche azienda e filiera
b) organizzazione del processo DP
c) metodi, sistemi IT e forecast accuracy
1.
1. Indagine
Indagine on-site
on-site (35)
(35) Ambito: Pharma, Beverage, CPG
2.
2. Condivisione
Condivisione risultati
risultati
Focus
Focus Group
Group Focus
Focus Group
Group Focus
Focus Group
Group Focus
Focus Group
Group
Pharma
Pharma Beverage
Beverage CPG
CPG non-food
non-food CPG
CPG Food
Food
29
Aziende coinvolte
Beverage Pharma CPG non food CPG food (secco) CPG food (fresco)
30

Metodologia di ricerca
Contesto
a) Contesto
filiera
aziendale
Focus Group
di filiera
aziendale
Beverage
ee di
a)
Focus Group
Organizzazione
Pharma
b) Organizzazione
processo
ee processo
35
35 schede
schede
aziendali
aziendali
(anonime)
(anonime)
Focus Group
b)
CPG non food

sistemi
Metodi, sistemi
prestazioni
ee prestazioni
c) Metodi,
Focus Group
CPG food
c)
31
Le sezioni della ricerca Ailog & C-log
Peculiarità settore Incidenza nuovi prodotti Allocazione produzione

Contesto
a) Contesto
filiera
aziendale
di filiera
aziendale
Numero articoli Incidenza promozioni Quota produzione MTS

Classi merceologiche Incidenza stagionalità Numero clienti
ee di
a)
Classificazione ABC Incidenza azioni competitor Canali distributivi

Organizzazione
b) Organizzazione
Organigramma aziendale Numero di planner

processo
ee processo
Descrizione processo di DP Persone coinvolte nel processo

Frequenza dei forecast meeting Skill del personale DP
Coordinamento intercompany Commitment del top management
b) sistemi
Metodi, sistemi
prestazioni
ee prestazioni
Livello di dettaglio delle previsioni SW utilizzato Indicatore utilizzato

Tipo dati storici utilizzati Collaborazione con i clienti Impatti accuracy su
c) Metodi,
costi/KPI
Top down vs. bottom up Integrazione tra DP e ERP
Soddisfazione processo
Legame tra budget e previsione Livello di forecast accuracy
c)
Priorità di intervento
32

Contesto aziendale e di filiera

Le aziende intervistate hanno così quantificato le determinanti della domanda: = valori medi
= lower bound
upper bound
26%
= valori medi
Stagionalità
Stagionalità 22/35 ??
Contesto
a) Contesto
filiera
aziendale
di filiera
aziendale
ee di
17% 77 Temperatura
a)
14%
11% 11%
55 55
9%
6% 6%
Organizzazione
Organizzazione
55
processo
66
ee processo
1 2 3 4 5 6 7 8 9 10
Festività
Festività
Promozioni
Promozioni 20%
18/35
17%
14%
11%
sistemi
Metodi, sistemi
prestazioni
ee prestazioni
9% 9% 9%
6% 6%
Metodi,
Solo OTC
1 2 3 4 5 6 7 8 9 10
33
Contesto aziendale e di filiera = valori medi

= lower bound
upper bound
29%
19/35 Nuovi
Nuovi
?? = valori medi
26%
prodotti
Contesto
prodotti
a) Contesto
filiera
aziendale
di filiera
aziendale
ee di
a)
14%
11%
9%
Stime qualitative
6%
fatte dal MKTG
3% 3%
Organizzazione
Organizzazione
processo
ee processo
1 2 3 4 5 6 7 8 9 10
46%
22/35 Azioni
Azioni
competitors
competitors
22
17%
sistemi
Metodi, sistemi
prestazioni
ee prestazioni
11 44
11%
9% Info disponibili
Metodi,
6% 6% 6% 33 33 solo EX-
EX-POST
1 2 3 4 5 6 7 8 9 10
34

Organizzazione e processo
Ownership processo Funzioni che partecipano al processo
aziendale
Contesto aziendale
83%
77%
74%
filiera
di filiera
% aziende
Contesto
ee di
66% 34%
31%
26%
23%
Organizzazione
b) Organizzazione
processo
ee processo
Supply Operations Marketing Vendite Finanza Customer

Supply chain Marketing/Vendite chain service
37%
Frequenza degli incontri n° SKU per planner
31%
b)
60% qualità
qualità
% aziende
NON quantità
quantità
% aziende
17%
sistemi
Metodi, sistemi
prestazioni
ee prestazioni
11%
17%
14%
Metodi,
9%
3%
No meeting Settimanale Bi-settimanale Mensile <100 100-200 200-500 500-1000 >1000

35
Metodi, sistemi e prestazioni

Qualitativi 89%
aziendale
Contesto aziendale
filiera
di filiera
Serie
83%
Contesto
storiche
ee di
Correlazione 23%
Organizzazione
Organizzazione
% aziende
processo
ee processo
sistemi
Metodi, sistemi
prestazioni
ee prestazioni
c) Metodi,
c)
36

Metodi, sistemi e prestazioni

Applicativo e sistemi IT Dati storici
69%
aziendale
Contesto aziendale
31% 31%
filiera
di filiera
% aziende
% aziende
23%
Contesto
ee di
14%
17%
9%
6%
No Foglio Applicativo DP Tools Fatturato/ Ordinato Consegnato Altro

Organizzazione
Organizzazione
elettronico integrato stand alone venduto

processo
ee processo
Accuratezza Valutazione impatti dell'accuratezza
40% stime, non valutazioni
?
33% 37%
34% solo alcune voci di costo
% aziende
21%
% aziende
18%
sistemi
17%
Metodi, sistemi
15%
14%
prestazioni
ee prestazioni
12%
c) Metodi,
no <70 70-80 80-90 >=90 Vendite Immobilizzo Costi Extra costi Extra costi
c)
perse scorte obsolescenza logistici produzione
37
Forecast accuracy
Le diverse formule adottate per il calcolo statistico dell’errore previsionale non consentono
una comparazione precisa tra le forecast accuracy delle aziende intervistate né tra settori
D − PLT − SS n
D −P n 1−
1 − ∑ ωi i i
Pi
PLT ∑D −P i i
i=1 1− i=1
Forecast accuracy Di
40% Beverage
30%
? Pharmaceutical
Grocery non-food
1 n Di ⋅ ci − Pi D − Pm − 3
∑ 1−
% aziende
n i=1 Di ⋅ ci 20%
Pm − 3
10%
n
0%
<70 % 70-80 % 80-90 % >90 %
∑D i − Pi
1 n Di − Pi 1− i=1
∑ ωi P
n i=1
1 Di − Pi
∑
n
∑P
n
i
i n i=1 Di i=1
38

Principali criticità e roadmap evolutiva

Organizzazione:
ROADMAP EVOLUTIVA
- confusione interpretativa tra processi di SF e DP ⇒
attività parallele o duplicate, ownership parziale Integrare efficacemente i processi SF e DP
- conflittualità tra commerciale/supply chain Innescare il “circolo virtuoso” delle 3C e attivare
- ↓ comunicazione, coordinamento e collaborazione sia processi collaborativi con gli attori della filiera
CRITICITÀÀ
cross-functional sia tra attori della filiera (CPFR ?)

PRINCIPALI CRITICIT
Elevare il commitment a livello individuale

Metodi: e la sponsorship del top management
- difficoltà a separare promozioni/eventi da baseline
Utilizzare e “manutenere” correttamente lo
- a volte forecast non è estrapolato statisticamente storico (vendite, ordini, promozioni, eventi,
Sistemi IT: share, etc.)
- coesistenza di più sistemi per SF e DP (Excel rules) Sfruttare al meglio le potenzialità degli
- “circolo vizioso” : complessità del tool, non adeguate applicativi e degli strumenti IT
competenze statistiche, mancato trasferimento
conoscenza ⇒ perdita di fiducia e non utilizzo tool
Misurare e correlare analiticamente l’accuracy
previsionale alle performance e ai costi della SC
Accuracy:
- non sempre viene misurata
- difficoltà quantificazione impatti su KPI & gap analysis
39
QUANTO COSTA PREVEDERE ?
L’IMPLEMENTAZIONE DI UN SISTEMA DI PREVISIONE DELLE VENDITE IMPATTA

SULLE RISORSE FINANZIARIE, UMANE E TECNOLOGICHE DELL’AZIENDA
COSTI - analisi, ricerca e acquisizione dati

COSTI DI
DI REPERIMENTO
REPERIMENTO EE
- mantenimento e conservazione DB
CONSERVAZIONE
CONSERVAZIONE DEIDEI DATI
DATI
- traduzione delle informazioni esterne
- analisi della situazione attuale

COSTI
COSTI DI
DI SVILUPPO
SVILUPPO EE - progettazione e parametrizzazione
INSTALLAZIONE
INSTALLAZIONE - hardware & software
- recruiting e formazione personale

COSTI
COSTI DI
DI GESTIONE
GESTIONE EE - analisi e monitoraggio continuo
FUNZIONAMENTO
FUNZIONAMENTO OPERATIVO
OPERATIVO - organizzazione del processo
MA ESISTE UN TRADE-OFF …
40

QUANTO COSTA PREVEDERE ?
VALUTAZIONE DI COSTI vs. BENEFICI

Costo
Costi per previsioni errate
vendite perse (stock-out)
scorte elevate (SS ≈ errore previs.)
Costi Totali
fermi di produzione, elevati set-up
ritardi nelle consegne (disservizio),
duplicazione costi per back-log
Costi del processo previsionale

regione reperimento e conservazione dati
ottimale sviluppo e installazione SW & HW
personale e organizzazione
+ Accuratezza -
41
metodi causali
analisi delle serie storiche

56

TECNICHE QUANTITATIVE BASATE SU SERIE STORICHE
AMBITO : pianificazione integrata (gestione delle scorte, pianificazione

della distribuzione, pianificazione della produzione, etc.)
LIVELLO DI DETTAGLIO : codice articolo, SKU, famiglia merceologica

ORIZZONTE PREVISIONALE : breve-brevissimo periodo (≤ 12 mesi)
DATI STORICI : - riferiti alle vendite settimanali/mensili/bimestrali …
- sono disponibili almeno 2 anni di storia (per stagionalità)
- domanda di tipo continuativo e prevedibile
(coefficiente di variazione : σ/DM)
ASSUNZIONE : il futuro sarà come il passato
Previsioni
Estrapolazione delle sole componenti prevedibili (trend e stagionalità) &
Accuratezza
NB : le previsioni sono erratiche per definizione

57
SIMBOLOGIA ADOTTATA
DOMANDA EFFETTIVA relativa al periodo t : Dt

PREVISIONE fatta alla fine del periodo t per il periodo t+m : Pt+m
ORIZZONTE PREVISIONALE : m
m periodi
t-1 t t+1 t+2 t +m

Tempo
Dt-1 Dt Pt+1 Pt+2 Pt+m
58

COMPONENTI DI UNA SERIE STORICA
Dt : valore della serie storica al tempo t
Tt : componente di tendenza al tempo t
St : componente di stagionalità al tempo t
Ct : componente di ciclicità al tempo t
ε t : fluttuazione casuale al tempo t

t
59
ANALISI DELLE SERIE STORICHE
Dt = f ( Tt , St , Ct ) + εt
componenti componente
sistematiche aleatoria
PRIMA DI FORMULARE LE PREVISIONI DI VENDITA, È

NECESSARIO ANALIZZARE L’ANDAMENTO PASSATO DELLA
SERIE STORICA PER INDIVIDUARE L’ESISTENZA DI EVENTUALI
COMPONENTI DI
TREND E STAGIONALITÀ
60

PER IDENTIFICARE LA PRESENZA DI TREND E’ POSSIBILE IMPIEGARE

L’ANALISI DI AUTOCORRELAZIONE (ACF)
500
+1
Dt
400
300
200
rk
100
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Valori elevati del coefficiente di autocorrelazione per k=1 e k=2 stanno a

significare che dati successivi della serie sono correlati positivamente
61
IN ASSENZA DI TREND L’ANALISI DI AUTOCORRELAZIONE CONSENTE DI

VERIFICARE LA STAZIONARIETÀ DELLA SERIE STORICA
300
+1
Dt
200
rk
100
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Valori modesti del coefficiente di autocorrelazione che assume

valori vicini a zero per scarti temporali (k) superiori a 2 o 3
62

SE UNA SERIE STORICA E’ STAGIONALE MA POSSIEDE UN TREND MARCATO,

QUEST’ULTIMO PUÒ RISULTARE DOMINANTE NELL’ANALISI ACF,
COMPROMETTENDO LA BONTÀ DELL’ANALISI DELLE SERIE STORICHE
2000
+1
Dt
1500
1000
rk
500
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
E’ necessario ricorrere al metodo delle differenze prime per rendere la

serie stazionaria al fine di rilevarne la componente di stagionalità.
63
DEPURAZIONE DELLA COMPONENTE DI TREND

2000
Dt
1500
METODO DELLE DIFFERENZE PRIME
1000 Data una serie di n valori (D1, D2,…

Dt, …Dn) si determina la serie delle
500
differenze prime :
0
1000
D’t D’t = Dt − Dt-1

500
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 Tale serie consta di n-1 valori e
-500
risulta stazionaria se la serie di
partenza presenta un trend lineare
-1000
64

L’ANALISI DI AUTOCORRELAZIONE SULLA SERIE DELLE DIFFERENZE PRIME

RIVELA L’ESISTENZA DI UNA COMPONENTE STAGIONALE DI PASSO L=6
IN CORRISPONDENZA DI k TALE PER CUI rk E’ MASSIMO
1000
+1
D’t rk
500
0 0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
-500
-1000
-1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
k
La caratteristica di periodicità della componente stagionale di passo 6 è
inoltre confermata anche dal valore del coefficiente di autocorrelazione
in corrispondenza di scarti temporali multipli di 6 (k=12, 18)
65
analisi delle serie storiche: metodo di decomposizione
66

METODO DI DECOMPOSIZIONE
E’ un metodo che consente di identificare

Dt le principali componenti in cui una serie
storica può essere suddivisa
Tt
Richiede in primo luogo di identificare il
modello di rappresentazione della serie
St storica :
Ct additivo : Dt=Tt+St+Ct+εεt
εt
t moltiplicativo : Dt=Tt ⋅ St ⋅ Ct ⋅ εt
67
ANALISI DELLE SERIE STORICHE Decomposizione
Il metodo prevede di scorporare una alla volta le principali componenti

della serie storica mediante la seguente procedura (modello moltiplicativo):
1. determinazione della componente congiunta di trend e ciclicità mediante

il calcolo della media mobile MMt :
Tt ⋅ Ct ≈ MMt
2. determinazione della componente stagionale attraverso il calcolo dei

coefficienti di stagionalità :
Dt Dt
St ⋅ ε t = ≈
Tt ⋅ Ct MMt
3. depurazione dalla componente di stagionalità dell’effetto delle fluttuazioni

casuali εt come media dei valori St ⋅ εt sulle diverse stagioni
68

4. destagionalizzazione della serie storica ottenuta dividendo ciascun valore

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

delle componenti di stagionalità e casualità (mediante la media mobile) e
della componente di tendenza (mediante la regressione):
MMt
Ct =
Tt
69
Esempio : applicare il metodo di decomposizione alle vendite trimestrali di

videoregistratori riportati in tabella (si assuma un modello moltiplicativo)
Anno Trim. Dt
1000
1995 I 570
II 500
III 700
750
IV 740
1996 I 670
II 610
500
III 770
IV 830
1997 I 700
II 650 250
III 740
IV 770
1998 I 720 0
II 680 I II III IV I II III IV I II III IV I II III IV
III 900
IV 930 1995 1996 1997 1998
70

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

l’eventuale stagionalità su base annuale)
Anno Trim. Dt MM t (4) MM t (2)

1000
1995 I 570
II 500 627,5
III 700 652,5 640,0
750
IV 740 680,0 666,3
1996 I 670 697,5 688,8
II 610 720,0 708,8
500
III 770 727,5 723,8
IV 830 737,5 732,5
1997 I 700 730,0 733,8
250
II 650 715,0 722,5
III 740 720,0 717,5
IV 770 727,5 723,8 0
1998 I 720 767,5 747,5
I II III IV I II III IV I II III IV I II III IV
II 680 807,5 787,5
III 900 1995 1996 1997 1998
IV 930
71
2/3. Si determinano i coefficienti di stagionalità per ogni trimestre (valori

medi per eliminare la componente irregolare)
Anno Trim. Dt MM t D t / MM t Trim. St

1995 I 570 I 0,963
II 500 II 0,875
III 700 640,0 1,094 III 1,063
IV 740 666,3 1,111 IV 1,103
1996 I 670 688,8 0,973 Σ= 4
II 610 708,8 0,861
III 770 723,8 1,064 1,2
IV 830 732,5 1,133 St

1997 I 700 733,8 0,954 1,1
II 650 722,5 0,900
III 740 717,5 1,031
1,0
IV 770 723,8 1,064
1998 I 720 747,5 0,963
II 680 787,5 0,863 0,9
III 900
IV 930 0,8
I II III IV
72

4. Si ricava la serie dei valori di domanda destagionalizzati
Anno Trim. Dt St D t/ St
1995 I 570 0,963 592
II 500 0,875 572 1000
III 700 1,063 659
IV 740 1,103 671
750
1996 I 670 0,963 696
II 610 0,875 697
III 770 1,063 724 500
IV 830 1,103 753
1997 I 700 0,963 727
II 650 0,875 743 250
III 740 1,063 696
IV 770 1,103 698
1998 I 720 0,963 747 0
II 680 0,875 777 I II III IV I II III IV I II III IV I II III IV
III 900 1,063 847 1995 1996 1997 1998
IV 930 1,103 843
73
5. Si determina la retta di regressione sui dati di domanda destagionalizzati
Anno Trim. D t/ St Tt =a + b t
1995 I 592 612
II 572 625 1000
III 659 639
IV 671 653
1996 I 696 667 750
II 697 681
III 724 694
IV 753 708 500
1997 I 727 722
II 743 736
III 696 750 250
IV 698 763
1998 I 747 777
II 777 791 0
III 847 805 I II III IV I II III IV I II III IV I II III IV
IV 843 819
1995 1996 1997 1998
a : 598
b : 13,8
74

6. Infine si valuta la componente dovuta ad andamenti congiunturali ciclici

(sovra-annuali)
Anno Trim. MM t Tt =a + b t Ct = MMt / Tt

1995 I 612
II 625
III 640,0 639 1,001
IV 666,3 653 1,020
1996 I 688,8 667 1,033
II 708,8 681 1,041
III 723,8 694 1,042
IV 732,5 708 1,034
1997 I 733,8 722 1,016
II 722,5 736 0,982
III 717,5 750 0,957
IV 723,8 763 0,948
1998 I 747,5 777 0,962
II 787,5 791 0,995
III 805
IV 819
75
SMORZAMENTO ESPONENZIALE Modello di Holt
2. Infine si calcolano le previsioni mese per mese (m=1) per tutti i bimestri
a disposizione e successivamente (dal 6° bimestre del 1998) si
formulano le previsioni per il futuro (m=1, 2, 3, 4, ...)
Anno Bim. Dt Mt Tt Pt
2002 1 97 90 5
200
2 107 99 6,8 95
3 125 111 9,7 105
4 140 127 12,6 121
5 132 137 11,5 139
150
6 161 152 13,4 149
2003 1 154 162 11,6 166
2 157 169 9,1 174
3 175 177 8,7 178
100
4 166 180 5,7 186
5 169 181 3,2 185
6 188 185 3,9 184
m=1 189
50
m=2 193
1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4
m=3 197
2002 2003 2004
m=4 200
76

α=0,3 γ=0,5 α=0,3 γ=0,3

200 200
150 150
100 100
50
50
1 2 3 4 5 6 1 2 3 4 5 6
1 2 3 4 5 6 1 2 3 4 5 6
α=0,1 γ=0,3 α=0,3 γ=0,1

200 200
150 150
100 100
50 50
1 2 3 4 5 6 1 2 3 4 5 6
1 2 3 4 5 6 1 2 3 4 5 6
77
analisi delle serie storiche: stagionalità
78

SMORZAMENTO ESPONENZIALE Modello di Brown
DATA LA SERIE STORICA DI VALORI DELLA DOMANDA D1, D2, … , Dt

LA PREVISIONE PER IL PERIODO t+1 VALE :
P t+1 = α . D t + (1-α) . P t
α : COEFFICIENTE DI SMORZAMENTO (0 ≤ α ≤ 1)
LA PREVISIONE E’ OTTENUTA DALLA MEDIA PONDERATA TRA

IL VALORE ATTUALE Dt E LA PREVISIONE PRECEDENTE Pt
79
SMORZAMENTO ESPONENZIALE Coefficiente di smorzamento
10
9 Risposta del modello di

0,5 0,3
8
smorzamento esponenziale a
IMPULSE 7 0,1
6
segnali tipici in funzione del
5 coefficiente di smorzamento
4
0 1 2 3 4 5 6 7 8
10 0,5
9 0,3
8
0,1
STEP 7
4
0 1 2 3 4 5 6 7 8 9 10
9
0,5
8
0,3
Il ritardo nella risposta del
RAMP 7 modello semplice in presenza
6 0,1 di una componente di trend :
E=T/α
5
4
0 1 2 3 4 5 6 7 8 9 10
80

AL TERMINE DEL PERIODO t E’ POSSIBILE CALCOLARE LA PREVISIONE PER IL
GENERICO PERIODO FUTURO t+m :
Pt + m = M t + m ⋅ Tt
m : ORIZZONTE DI PREVISIONE
LA PREVISIONE E’ OTTENUTA A PARTIRE DAL VALORE DELLA MEDIA

SMORZATA Mt , CORRETTA MEDIANTE IL TREND SMORZATO Tt
ED IL RELATIVO ORIZZONTE PREVISIONALE m
81
AL TERMINE DEL PERIODO t, DISPONENDO DEL NUOVO DATO DI

DOMANDA, SI AGGIORNANO I VALORI DI MEDIA E TREND SMORZATO:
Media : M t = α ⋅ D t + (1 − α ) ⋅ (M t −1 + Tt −1 )
Trend : Tt = γ ⋅ (M t − M t −1 ) + (1 − γ ) ⋅ Tt −1
α,γ : COEFFICIENTI DI SMORZAMENTO (0 ≤ α, γ ≤ 1)
LE RELAZIONI DI AGGIORNAMENTO DELLA MEDIA E DEL TREND

SEGUONO IL PRINCIPIO DELLO SMORZAMENTO ESPONENZIALE
82

Il modello di Holt si applica in presenza di trend e per domande

non stagionali (o preventivamente destagionalizzate)
richiede 3 dati f (D t , M t-1 , T t-1 )

La previsione Pt+m
contiene tutti i dati storici (Dt , Dt-1 , …, D1)
ponderati con valori decrescenti
I valori di α e γ condizionano la reattività del modello previsionale
All’aumentare di m diminuisce l’accuratezza delle previsioni

In alternativa è possibile attenuare la componente di trend
proiettata nel futuro mediante un parametro Φ [0 ;1]
83
Esempio : applicare il modello di Holt alla serie storica degli ordini

bimestrali riportati nella tabella sottostante
Anno Bim. Dt 200
2002 1 97
2 107
3 125
150
4 140
5 132
6 161
2003 1 154 100
2 157
3 175
4 166
50
5 169
1 2 3 4 5 6 1 2 3 4 5 6
6 188
2002 2003
84

1. Assumendo i valori iniziali M1=90 e T1=5 si procede ad aggiornare bimestre

per bimestre i valori di Mt e Tt (si assumano inizialmente α=0,3 e γ=0,5)
Anno Bim. Dt Mt Tt
2002 1 97 90 5
2 107 99 6,8
3 125 111 9,7
4 140 127 12,6
5 132 137 11,5
6 161 152 13,4

2003 1 154 162 11,6
2 157 169 9,1
3 175 177 8,7
4 166 180 5,7
5 169 181 3,2
6 188 185 3,9
85
2. Infine si calcolano le previsioni mese per mese (m=1) per tutti i bimestri
a disposizione e successivamente (dal 6° bimestre del 1998) si
formulano le previsioni per il futuro (m=1, 2, 3, 4, ...)
Anno Bim. Dt Mt Tt Pt
2002 1 97 90 5
200
2 107 99 6,8 95
3 125 111 9,7 105
4 140 127 12,6 121
5 132 137 11,5 139
150
6 161 152 13,4 149
2003 1 154 162 11,6 166
2 157 169 9,1 174
3 175 177 8,7 178
100
4 166 180 5,7 186
5 169 181 3,2 185
6 188 185 3,9 184
m=1 189
50
m=2 193
1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4
m=3 197
2002 2003 2004
m=4 200
86

α=0,3 γ=0,5 α=0,3 γ=0,3

200 200
150 150
100 100
50
50
1 2 3 4 5 6 1 2 3 4 5 6
1 2 3 4 5 6 1 2 3 4 5 6
α=0,1 γ=0,3 α=0,3 γ=0,1

200 200
150 150
100 100
50 50
1 2 3 4 5 6 1 2 3 4 5 6
1 2 3 4 5 6 1 2 3 4 5 6
87
SMORZAMENTO ESPONENZIALE Modello di Winters
AL TERMINE DEL PERIODO t E’ POSSIBILE CALCOLARE LA PREVISIONE PER IL
GENERICO PERIODO FUTURO t+m :
Pt + m = (M t + m ⋅ Tt ) ⋅ St − L + m
m : ORIZZONTE DI PREVISIONE
LA PREVISIONE E’ OTTENUTA A PARTIRE DAL VALORE DELLA MEDIA

SMORZATA Mt , CORRETTA MEDIANTE IL TREND SMORZATO Tt
ED IL RELATIVO ORIZZONTE PREVISIONALE m
88

AL TERMINE DEL PERIODO t SI AGGIORNANO I VALORI

SMORZATI DELLA MEDIA, TREND, STAGIONALITA' :
+ (1 − α ) ⋅ (M t −1 + Tt −1 )
Dt
Media : Mt = α⋅
St−L
Trend : Tt = γ ⋅ (M t − M t − 1 ) + (1 − γ ) ⋅ Tt −1
+ (1 − β ) ⋅ S t − L
Dt
Stagionalità : St = β ⋅
Mt
89
Il modello di Winters si applica direttamente ai dati della serie

storica della domanda, in presenza di trend e di stagionalità
richiede 4 dati f (D t , M t-1 , T t-1 , S t+m-L )
La previsione Pt+m
contiene tutti i dati storici (Dt , Dt-1 , …, D1)
ponderati con valori decrescenti
I valori di α, β, γ condizionano la reattività del modello
All’aumentare di m diminuisce l’accuratezza delle previsioni
90

D : domanda
M : valor medio
Dt-3
Dt-4
Mt+mTt
Mt
Mt-1
Dt-2
Mt-2
Dt-1
Dt
… t-4 t-3 t-2 t-1 t t+1 t+2 t+3
91
92

SCHEMA GENERALE DI IMPLEMENTAZIONE
FASE
FASE00 FASE
FASE11 Almeno 2 anni se la
Depurazione
Depurazionedei deidati
dati Inizializzazione
Inizializzazionedelle
delle domanda è stagionale
storici
storicidi
divendita
vendita tecniche
tecnicheprevisionali
previsionali (ovvero 2 cicli di
stagionalità)
FASE 2
Adattamento delle tecniche previsionali
Simulazione
Simulazionedella
della 1 anno
previsione
previsionesui
suidati
datistorici
storici (ovvero un ciclo di
stagionalità)
Scelta
Sceltadei
deiparametri
parametri Analisi
Analisidegli
degli
di
difunzionamento
funzionamento scostamenti
scostamentirilevati
rilevati
FASE
FASE 33
Previsione
Previsione della
della domanda
domanda 6 mesi - 1 anno
per
per ilil futuro
futuro
93
IMPLEMENTAZIONE Fase 0. Depurazione dati
QUALSIASI MODELLO DI ESTRAPOLAZIONE DELLE SERIE STORICHE

PROIETTA NEL FUTURO UNA PREVISIONE CHE E’ BASATA SULLE SOLE
COMPONENTI PREVEDIBILI ⇒ NECESSITÀ DI DEPURARE LA SERIE DEI DATI
Informazioni e Sistema
Previsioni
dati storici previsionale
La qualità dei risultati previsionali dipende dalla qualità dei dati di input
(GI-GO : Garbage In - Garbage Out)
Qualsiasi sia il modello statistico utilizzato, ad un dato errato o non

coerente corrisponderà sempre una previsione poco accurata
94

IMPLEMENTAZIONE Fase 1. Inizializzazione
E’ NECESSARIO DEFINIRE I VALORI INIZIALI DELLE RELAZIONI

RICORSIVE DEI MODELLI DI BROWN, HOLT E WINTERS :
Brown (1) : P t+1 = α ⋅Dt + (1 − α ) ⋅ P t
Holt (2) : Mt = α ⋅Dt + (1 − α ) ⋅ ( M t −1 + Tt −1 )
Dt
Winters (3) : Mt = α ⋅ + (1 − α ) ⋅( M t −1 + Tt −1 )
S t −L
95
ESEMPIO : data una serie storica mensile e stagionale, si calcolano i valori iniziali
di media, trend e stagionalità sui dati storici dei primi 2 anni a consuntivo
1 2 3 4 5 6 7 8 9 10 11 12
2001 106 130 157 121 190 240 180 23 230 315 447 586
2002 437 402 620 403 488 566 430 52 489 764 724 995
1000
2001 2002 2003

800
600
400
?
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 241 2 3 … t
t=0
96

METODO ANALITICO
1000
2001 2002 2003

800
600
400
?
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 … t
M(t=0)
Media 2001 Media 2002
T(t=0)
227 530
S(t=0),i
97
METODO ANALITICO
M02 − M01 530 − 227

trend iniziale : T(t=0)= = =25,2
12 12
12
media iniziale : M(t=0)= M02 + T = 530 + 6 ·25,2 =680
2 (t=0)
Dgen,01 Dgen,02 106 437

+ +
M01 M02 227 530
stagionalità iniz.: S(t=0),gen= = =0,646*
2 2
* idem per febbraio, marzo, ...
98

INIZIALIZZAZIONE MEDIANTE REGRESSIONE

1000
2001 2002 2003

800
600
400
?
MMt(12)
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 … t
M(t=0)
Retta di regressione T(t=0)
y = a + b ·t S(t=0),i
99
Metodo dei minimi quadrati a = 107

Retta di regressione
y = a + b ·t b = 23,7
trend iniziale : T(t=0) = b =23,7
media iniziale : M(t=0)= a + b ·24 = 107 + 23,7 ·24 = 675,8
100

Dgen,01 Dgen,02
+
a + b ·1 a + b ·13
stagionalità iniz.: S(t=0),gen=
2
106 437
+
107 + 23,7·1 107 + 23,7·13 = 0,932*
=
2
* idem per febbraio, marzo, ...
101
CONFRONTO TRA I DUE analitico regressione
METODI DI INIZIALIZZAZIONE M(t=0) 580 675,8
T(t=0) 25,2 23,7

2,5
Metodo analitico
Metodo con regressione
2
1,5
S(t=0),i
1
0,5
0
gen feb mar apr mag giu lug ago set ott nov dic
102

IMPLEMENTAZIONE Fase 2. Adattamento
UNA VOLTA DEFINITI I VALORI INIZIALI DELLE PRINCIPALI VARIABILI DEL

MODELLO, E’ POSSIBILE “AVVIARE” IL PROCEDIMENTO PREVISIONALE A
PARTIRE DAL PRIMO PERIODO A DISPOSIZIONE (nell’esempio : gennaio 2003)
1000
2001 2002 2003
800
600
P1
400
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 … t
103
Dal periodo t=0 si effettua una previsione “simulata” mese per mese (m=1),
ignorando i dati di domanda (noti) del mese successivo
104

DOPO AVER “SIMULATO” LE PREVISIONI PER TUTTO IL 2003 (12 VALORI DI

PREVISIONE), SI POSSONO ANALIZZARE GLI SCOSTAMENTI TRA LA
DOMANDA EFFETTIVAMENTE VERIFICATASI E LA RELATIVA PREVISIONE
2003
1200
P12
800
P3
P1 P2
400
1 2 3 4 5 6 7 8 9 10 11 12
105
106

IL MONITORAGGIO DELLE PREVISIONI
IN QUALSIASI PROCESSO PREVISIONALE IL SISTEMA DI MONITORAGGIO

NE RAPPRESENTA UNA DELLE COMPONENTI FONDAMENTALI
- sono cambiati dei legami o dei rapporti tra le

variabili interne al modello
LE POSSIBILE CAUSE - sono emerse delle nuove variabili esplicative

DI SCOSTAMENTO
- si sono modificate alcune componenti del modello
- sono sopraggiunti degli eventi particolari o anomali
107
IMPLEMENTAZIONE Fase 2. Simulazione
2003
L’errore di previsione per il P12
P3
periodo t è definito come
differenza tra il valore effettivo P1 P2
della domanda ed il valore
previsto per quel periodo
1 2 3 4 5 6 7 8 9 10 11 12
EE tt =
=DD tt −− PP tt 1 2 3 4 5 6 7 8 9 10 11 12
min
α, β, γ
{ MSE }
108

MONITORAGGIO DELLE PREVISIONI Indicatori dell’errore
ME (Mean Error) : ERRORE MEDIO

n
∑ Et
ME = t =1
n
indica se l'errore è mediamente in modello modello
A B
eccesso o in difetto (BIAS) :
ME < 0 DM < PM
ME > 0 DM > PM
MEA MEB
109
MAD (Mean Absolute Deviation) : SCARTO MEDIO ASSOLUTO

n
∑ Et
MAD = t =1
n
modello A
misura la consistenza degli errori in valore assoluto
gli errori di segno opposto non si autocompensano

modello B
non consente di cogliere la correlazione degli errori
0
110

MAPE (Mean Absolute % Error): ERRORE ASSOLUTO MEDIO %
n
Et
∑
t =1 D t
MAPE = × 100
n
consente di confrontare serie di valori differenti su scala percentuale
a parità di errore in valore assoluto, il MAPE penalizza maggiormente gli errori

commessi in periodi a bassa domanda
perde significato se la serie presenta valori di domanda nulli
111
SDE (Standard Deviation of Errors) : DEVIAZIONE STD ERRORI
∑ (E ) t
2
SDE = t =1
n−1
fa riferimento ad un campione di n osservazioni (il termine n-1
rappresenta il numero di gradi di libertà ovvero il numero di
dati della serie storica che sono indipendenti tra loro)
è fondamentale per il dimensionamento delle scorte di sicurezza

112

MSE (Mean Square Error) : ERRORE QUADRATICO MEDIO
n
(
∑ t
E )2
t =1
MSE =
n
penalizza maggiormente gli errori elevati in valore assoluto
fornisce indicazioni simili allo SDE
l’unità di misura risultante è poco pratica (unità al quadrato)
113
IMPLEMENTAZIONE Fase 3. Previsione
INFINE, SULLA BASE DEI RISULTATI DELLA SIMULAZIONE CONDOTTA NELLA

FASE PRECEDENTE, E’ POSSIBILE PROIETTARE NEL FUTURO LE PREVISIONI
2003 2004
1400
1050
700
350
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Alla fine del periodo di simulazione vengono generate le previsioni per i

prossimi 6 mesi (con la configurazione ottimale del modello di previsione)
114

NON APPENA SI DISPONE DI UN NUOVO DATO DI DOMANDA, E’

POSSIBILE AGGIORNARE LE VARIABILI DI FUNZIONAMENTO DEL
MODELLO E FORMULARE ALTRE PREVISIONI PER IL FUTURO
2003 2004
1400
1050
700
350
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Alla fine del mese 13 vengono riformulate le previsioni per i prossimi 6 mesi
(in questo caso il “periodo congelato” è solo il mese “+1”)
115
AZIONI SPECIALI
(politiche di marketing, offerte speciali, A t+m
campagne di vendita, promozioni, ...)
EFFETTI DI CALENDARIO
(festività mobili, giorni lavorativi, …) S’t+m
ALTRE INFORMAZIONI
(commesse particolari, andamento del K t+m
mercato, azioni della concorrenza, …)
Pt+m= Pt+m . S’t+m. A t +m+Kt+m

116

Metodi Di Previsione Delle Vendite 2

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Metodi Di Previsione Delle Vendite 2

Caricato da

Copyright:

Formati disponibili

Gestione della Produzione Industriale 2

CORSO DI “Gestione della Produzione Industriale 2”

STRATEGIE E TECNICHE DI DEMAND

Prof. Fabrizio Dallari

Prof. Fabrizio Dallari – LIUC 1

INDICE DEGLI ARGOMENTI TRATTATI

ruolo delle previsioni nel processo di pianificazione

analisi delle serie storiche

modelli basati sullo smorzamento esponenziale

fasi del processo di implementazione

monitoraggio delle previsioni (indicatori dell’errore)

applicazioni numeriche e casi aziendali

LA PREVISIONE E IL PROCESSO DI PIANIFICAZIONE

Sales & Operation Planning Demand Management

Prof. Fabrizio Dallari – LIUC 2

F.A.Q. (Frequently Asked Questions)

Make to Previsioni su - prodotto standard

Make to Previsioni su - produzione

Ship to Previsioni su - beni di largo

Lead Time accettato dai clienti / consentito dal mercato

Prof. Fabrizio Dallari – LIUC 3

Produzione Distribuzione Punto vendita Cliente

dilazione problemi mancanza politiche eventi / azioni

Inoltre esistono diverse UNITÀ DI MISURA :

Prof. Fabrizio Dallari – LIUC 4

ORIZZONTE TEMPORALE DI PREVISIONE

vendite totali e per

GERARCHIA DELLA PIANIFICAZIONE

Livello di dettaglio Obiettivo Aggiornamento

Piano vendite Famiglia Fatturato Annuale con

Piano aggregato Famiglia/unità Bilanciamento Annuale con

Piano principale Famiglia/prodotto Livellamento, Mensile/settimanale

Codice articolo Prevedere fabbisogni Settimanale /

Prof. Fabrizio Dallari – LIUC 5

LEGGE DI PROPAGAZIONE DEGLI SCARTI

ALL’AUMENTARE DEL LIVELLO DI AGGREGAZIONE NEL TEMPO

ALL’AUMENTARE DEL LIVELLO DI AGGREGAZIONE NELLO SPAZIO

ALL’AUMENTARE DELL’ORIZZONTE PREVISIONALE

CHI DEVE PREVEDERE CHE COSA ?

Prof. Fabrizio Dallari – LIUC 6

THE COCA COLA COMPANY Per prodotti. Serve

PRODOTTI … FANTA COCA-COLA SPRITE

Per articoli. Serve

Per SKU. Serve a

COME PREVEDERE Domande per la scelta del metodo

2. Caratteristiche dei dati

3. Numero e tipo di previsioni

Prof. Fabrizio Dallari – LIUC 7

QUADRO DELLE METODOLOGIE PREVISIONALI

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

- MEDIE MOBILI (semplice, ponderata,..)

METODI QUALITATIVI E A BASE SOGGETTIVA

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

Tale modalità di previsione permette al Marketing di focalizzare la propria

Prof. Fabrizio Dallari – LIUC 8

METODI CAUSALI BASATI SU CORRELAZIONE

quali sono i fattori rilevanti e quale

Consumer perception 150

TECNICHE QUANTITATIVE BASATE SU SERIE STORICHE

AMBITO : pianificazione integrata (gestione delle scorte, pianificazione

ASSUNZIONE : il futuro sarà come il passato

Prof. Fabrizio Dallari – LIUC 9

COME PREVEDERE Utilizzo congiunto delle metodologie

Metodi Causali Tecniche Estrapolative