Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Facoltà di Ingegneria
IL PROCESSO PREVISIONALE
mercato
1. tecniche 2. sistemi e
environment
competition
e modelli applicativi
utenti
3. management e
organizzazione
supply chain
MP WIP PF PF PF
Production
Procurement Planning Inventory
Planning & MRP Planning
Sales Forecasting
Distribution
Aggregate &Transport
Planning Planning
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
COSA PREVEDERE ?
Si parla di previsioni della “domanda” ma spesso si fanno previsioni delle “vendite”
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)
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 __
QUANDO PREVEDERE ?
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, ...
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 ...
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
1. Numero di clienti
pochi: condivisione piani e informazioni, molti: maggiore affidabilità dei metodi statistici
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
- FORZA DI VENDITA
- PANEL DI ESPERTI / METODO DELPHI
METODI QUALITATIVI
E A BASE SOGGETTIVA: - SCENARI FUTURI / ANALOGIE
- INDAGINI DI MERCATO, TEST E SONDAGGI
15
16
Sales data
I metodi causali aiutano a capire
FATTORI CHE INFLUENZANO LA DOMANDA
Demographics
120
Competition
Marketplace Innovation 90
Random Factors 60
30
Regulation Time
Economy
Business Cycle DB
Legami
Environment Weather conditions causa/effetto
17
Previsioni
Estrapolazione delle sole componenti prevedibili (trend e stagionalità) &
Accuratezza
NB : le previsioni sono erratiche per definizione
18
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.
20
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
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
23
IL PROCESSO DI PIANIFICAZIONE
DELLA DOMANDA
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
INDIPENDENTE CONCENTRATA
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 33 Funzione
Funzione 44
Previsione Previsione
NEGOZIATA CONSENSUALE
Funzione
Funzione 11 Funzione
Funzione 22
Funzione
Funzione 11 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 33 Funzione
Funzione 44 Coordinamento
Previsione Previsione
Collaborazione
25
Questionario
Questionario Focus:
1. integrazione funzionale
2. approccio e metodi
3. sistemi IT
4. misura performance
26
FMCG 2
FMCG 1
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
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
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)
Focus Group
CPG food
c)
31
filiera
aziendale
di filiera
aziendale
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
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
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
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%
Serie
83%
Contesto
storiche
ee di
Correlazione 23%
Organizzazione
Organizzazione
% aziende
processo
ee processo
sistemi
Metodi, sistemi
prestazioni
ee prestazioni
c) Metodi,
c)
36
31% 31%
filiera
di filiera
% aziende
% aziende
23%
Contesto
ee di
14%
17%
9%
6%
?
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)
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
39
MA ESISTE UN TRADE-OFF …
40
metodi causali
Previsioni
Estrapolazione delle sole componenti prevedibili (trend e stagionalità) &
Accuratezza
SIMBOLOGIA ADOTTATA
ORIZZONTE PREVISIONALE : m
m periodi
58
Dt = f ( Tt , St , Ct ) + εt
componenti componente
sistematiche aleatoria
COMPONENTI DI
TREND E STAGIONALITÀ
60
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
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
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
63
Dt
1500
METODO DELLE DIFFERENZE PRIME
differenze prime :
0
1000
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
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
66
METODO DI DECOMPOSIZIONE
Ct additivo : Dt=Tt+St+Ct+εεt
εt
t moltiplicativo : Dt=Tt ⋅ St ⋅ Ct ⋅ εt
67
Tt ⋅ Ct ≈ MMt
68
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
71
III 900
IV 930 0,8
I II III IV
72
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
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
75
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
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
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
78
P t+1 = α . D t + (1-α) . P t
α : COEFFICIENTE DI SMORZAMENTO (0 ≤ α ≤ 1)
10
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
Pt + m = M t + m ⋅ Tt
m : ORIZZONTE DI PREVISIONE
81
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
82
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
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
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
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
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
Pt + m = (M t + m ⋅ Tt ) ⋅ St − L + m
m : ORIZZONTE DI PREVISIONE
88
+ (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
La previsione Pt+m
contiene tutti i dati storici (Dt , Dt-1 , …, D1)
ponderati con valori decrescenti
90
D : domanda
M : valor medio
Dt-3
Dt-4
Mt+mTt
Mt
Mt-1
Dt-2
Mt-2
Dt-1
Dt
91
92
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
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)
94
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
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
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
12
media iniziale : M(t=0)= M02 + T = 530 + 6 ·25,2 =680
2 (t=0)
98
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
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
101
1,5
S(t=0),i
1
0,5
0
gen feb mar apr mag giu lug ago set ott nov dic
102
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
2003
1200
P12
800
P3
P1 P2
400
1 2 3 4 5 6 7 8 9 10 11 12
105
106
107
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
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
n
Et
∑
t =1 D t
MAPE = × 100
n
consente di confrontare serie di valori differenti su scala percentuale
111
∑ (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)
n
(
∑ t
E )2
t =1
MSE =
n
penalizza maggiormente gli errori elevati in valore assoluto
fornisce indicazioni simili allo SDE
113
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
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, …)