PGSC
Corso di Progettazione e Gestione della Supply Chain
Facoltà di Ingegneria
STRATEGIE E MODELLI DI SALES FORECASTING & DEMAND PLANNING Prof. Fabrizio Dallari Direttore C-log Università C. Cattaneo LIUC Centro Centro di di Ricerca Ricerca sulla sulla Logistica Logistica
Demand Demand Planning Planning
IL PROCESSO PREVISIONALE
1. tecniche e modelli
2. sistemi e applicativi
utenti
environment
competition
mercato
3. management e organizzazione
supply chain Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
1
PGSC
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
Demand Demand Planning Planning
LA PREVISIONE E IL PROCESSO DI PIANIFICAZIONE Sales & Operation Planning Sistema produttivo
MP
Procurement Planning
WIP
Production Planning & MRP
Demand Management
Sistema distributivo
PF
PF
Ordini e Previsioni
PF
Inventory Planning
Sales Forecasting Aggregate Planning
Distribution &Transport Planning
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
2
PGSC
F.A.Q. (Frequently Asked Questions)
PREVEDERE …
… … PERCHÉ PERCHÉ ?? … … COSA COSA ?? … … QUANDO QUANDO?? … … CHI CHI?? … … COME COME?? … … QUANTO QUANTOCOSTA COSTA ??
Demand Demand Planning Planning
PERCHÉ PREVEDERE ? Fasi del ciclo produttivo - distributivo Approvvigion. Engineer to order Make to order
Produzione
Assemblaggio
Spedizione
Non sono richieste previsioni
Alternative produttive - prodotto personalizzato su commessa - prodotto standard su ordine
Previsioni su materie prime
Assembly Previsioni su to order materie prime e componenti
- prodotto personalizzato su moduli standard
Make to stock
Previsioni su materie prime, componenti e prodotti finiti
- produzione di serie
Ship to stock
Previsioni su materie prime, componenti e prodotti finiti (disaggregata)
- beni di largo consumo
Lead Time accettato dai clienti / consentito dal mercato Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
3
PGSC
COSA PREVEDERE ? Si parla di previsioni della “domanda” ma spesso si fanno previsioni delle “vendite”
Distribuzione
Produzione (fornitore)
Fatture emesse ai clienti
Ordini consegnati ai clienti
dilazione pagamenti
Ordini confermati ai clienti
problemi logistici
Punto vendita (cliente)
Ordini ricevuti dai clienti
mancanza prodotto
Vendite (dati POS) sell-out
politiche di riordino
Cliente finale
Domanda del cliente finale (lista della spesa)
eventi / azioni promozionali
Demand Demand Planning Planning
COSA PREVEDERE ? PRODOTTO — business unit
33 LIVELLI LIVELLIDI DI AGGREGAZIONE AGGREGAZIONE
— brand — famiglia — gruppo comm., tecn. — codice articolo — SKU
punto vendita __ cliente __ area comm. __ totale country __ totale mondo __
MERCATO / AREA GEOGRAFICA
rn gi o
__ __ __ __ a re se n na n t i e a s an e ic m m nd im tti i r e t u s q
o
__
PERIODO DI RIFERIMENTO _ o_
Inoltre esistono diverse UNITÀ DI MISURA : kg, litri, pezzi, colli, pallet, euro, etc.
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
4
PGSC
QUANDO PREVEDERE ? ORIZZONTE TEMPORALE DI PREVISIONE Previsioni su :
LUNGO LUNGOTERMINE TERMINE((> >22÷÷ 33ANNI) ANNI) DECISIONI STRATEGICHE DECISIONI STRATEGICHE (pianificazione (pianificazioneper perdivisioni, divisioni,linee lineedi diprodotto, prodotto,mercati) mercati)
vendite totali, capacità produttiva, modello di distribuzione,lancio di nuovi prodotti, ...
MEDIO MEDIOTERMINE TERMINE(1 (1÷÷ 22ANNI) ANNI) DECISIONI TATTICHE DECISIONI TATTICHE (budget (budgetannuale; annuale;previsioni previsioniaggregate) aggregate)
vendite totali e per linee di prodotto, prezzi per linee di prodotto, condizioni generali economiche...
BREVE BREVETERMINE TERMINE((00÷÷66MESI) MESI) DECISIONI DECISIONIOPERATIVE OPERATIVE (previsioni (previsionidisaggregate disaggregatesu subase basesettimanale settimanaleeemensile) mensile)
vendite per codice prodotto, per area geografica, per cliente, prezzi e volumi ...
Demand Demand Planning Planning
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) Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
5
PGSC
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 // Vendite Vendite
Esigenze previsionali
Livello di aggregazione Periodo e orizzonte di riferimento
Produzione Produzione // Acquisti Acquisti
Contabilità Contabilità // Finanza Finanza
Logistica Logistica
analisi
nuovi prodotti consumi nuovi canali commer. politiche di prezzo effetto promozioni obiettivi di vendita
approvv.
MP/WIP di produzione capacità produttiva investimenti manodopera costo materiali
costo
piano
del denaro di capitale liquidità tassi e cambi profitti e perdite
gestione
trend
richieste
piano
articolo,
SKU,
totale
SKU
annuale,
1-4
famiglia
annuale,
con aggiornamento mensile, trimestrale
articolo
azienda, divisione, famiglia
1-6
mesi / 1-5 anni con aggiornamento settimanale/mensile
con aggiornamento mensile, trimestrale
scorte PF consegne addetti magazzino capacità stoccaggio capacità movimentaz.
settimane /1-2 anni con aggiornamento settimanale/giornaliero
Demand Demand Planning Planning
LIVELLI DI AGGREGAZIONE THE COCA COLA COMPANY
PRODOTTI
VARIANTI
ARTICOLI
SKU
…
...
...
...
FANTA
LIGHT
VETRO 1l
L33x6Z7
COCA-COLA
CLASSIC
PET 0,5l
DIET
PET 1,5l
L33x4AZ4
Per prodotti. Serve a dimensionare la cap. produttiva degli stabilimenti SPRITE
CHERRY
LATTINA
0,33l
L33x24Z1
Per varianti. Serve a pianificare acquisti di MP e produzione. Per articoli. Serve a pianificare le attività di imbottigliamento Per SKU. Serve a pianificare le scorte e la distribuzione
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
6
PGSC
COME PREVEDERE 1.
Numero di clienti
2.
Domande per la scelta del metodo
pochi: condivisione piani e informazioni, molti: maggiore affidabilità dei metodi statistici
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
Demand Demand Planning Planning
QUADRO DELLE METODOLOGIE PREVISIONALI - FORZA DI VENDITA
METODI QUALITATIVI E A BASE SOGGETTIVA:
- PANEL DI ESPERTI / METODO DELPHI - 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) Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
7
PGSC
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.
Market Market Intelligence Intelligence
Tale modalità di previsione permette al Marketing di focalizzare la propria attenzione sul miglioramento della qualità delle previsioni aggiungendovi il valore derivante dalla proprie specifiche conoscenze sulle vendite future
Demand Demand Planning Planning
FATTORI CHE INFLUENZANO LA DOMANDA
METODI CAUSALI BASATI SU CORRELAZIONE
Company
Sales data Price, Promotion Service Level Quality Budget
I metodi causali aiutano a capire quali sono i fattori rilevanti e quale è la relazione con le vendite Demand 180
Marketplace
Consumer perception Demographics Competition Innovation Random Factors
150
120
90
60
30
Environment
Regulation Economy Business Cycle Weather conditions
Time DB Legami causa/effetto
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
8
PGSC
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
Estrapolazione delle sole componenti prevedibili (trend e stagionalità)
Previsioni & Accuratezza
NB : le previsioni sono erratiche per definizione Demand Demand Planning Planning
COME PREVEDERE
Utilizzo congiunto delle metodologie Metodi Causali
DB Domanda
Tecniche Estrapolative
base demand
forecast tunnel
cause
effetti
P1 P2 P3 P4 …
info mercato piani MKTG ordini esistenti etc.
b
base forecast
DB eventi
Metodi Qualitativi
a
Market intelligence
Consensus Consensus forecast forecast group group
Forecast & Accuracy Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
9
PGSC
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)
Demand Demand Planning Planning
COME PREVEDERE
FINANZA
PRODUZIONE & LOGISTICA
Organizzazione processo previsionale
1. 1. MODELLO MODELLO INDIPENDENTE INDIPENDENTE 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
2. 2. MODELLO MODELLO CONCENTRATO CONCENTRATO
FINANZA
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 & LOGISTICA
MARKETING
Naturale Naturale distorsione distorsione del del forecast forecast (ownership) (ownership) Coordinamento Coordinamento limitato limitato ee formale formale
VENDITE
Inefficiente Inefficiente utilizzo utilizzo delle delle informazioni informazioni Basse Basse prestazioni prestazioni (soprattutto (soprattutto per per le le
funzioni-cliente) funzioni-cliente) Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
10
PGSC
COME PREVEDERE PRODUZIONE & LOGISTICA
FINANZA
Organizzazione processo previsionale 3. 3. MODELLO MODELLO NEGOZIATO NEGOZIATO 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 VENDITE
di di possibili possibili conflittualità conflittualità (non (non collaborativo) collaborativo) Miglioramento Miglioramento delle delle prestazioni prestazioni
4. 4. MODELLO MODELLO CONSENSUALE CONSENSUALE PRODUZIONE & LOGISTICA FINANZA
Esiste Esiste un un “comitato “comitato per per le le previsioni”, previsioni”, con con
rappresentanti rappresentanti di di ciascuna ciascuna area area funzionale funzionale Logica Logica del del “consensus “consensus forecast”: forecast”: le le informazioni informazioni
Consensus Consensus forecast forecast group group VENDITE
MARKETING
dalle dalle diverse diverse aree aree confluiscono confluiscono nella nella previsione previsione Coordinamento, Coordinamento, Collaborazione, Collaborazione,
Comunicazione Comunicazione (3C) (3C) Massima Massima condivisione condivisione delle delle informazioni informazioni Elevato Elevato assorbimento assorbimento di di risorse risorse
Demand Demand Planning Planning
GLI APPROCCI ORGANIZZATIVI
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
11
PGSC
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 Università Carlo Cattaneo – LIUC
Centro Centro di di Ricerca Ricerca sulla sulla Logistica Logistica
Coordinatore Gruppo di Lavoro Ailog “Demand Planning” Demand Demand Planning Planning
QUANTO COSTA PREVEDERE ? L’IMPLEMENTAZIONE DI UN SISTEMA DI PREVISIONE DELLE VENDITE IMPATTA SULLE RISORSE FINANZIARIE, UMANE E TECNOLOGICHE DELL’AZIENDA COSTI COSTI DI DI REPERIMENTO REPERIMENTO EE CONSERVAZIONE CONSERVAZIONE DEI DEI DATI DATI
- analisi, ricerca e acquisizione dati - mantenimento e conservazione DB - traduzione delle informazioni esterne
COSTI COSTI DI DI SVILUPPO SVILUPPO EE INSTALLAZIONE INSTALLAZIONE
- analisi della situazione attuale - progettazione e parametrizzazione - hardware & software
COSTI COSTI DI DI GESTIONE GESTIONE EE FUNZIONAMENTO FUNZIONAMENTO OPERATIVO OPERATIVO
- recruiting e formazione personale - analisi e monitoraggio continuo - organizzazione del processo
MA ESISTE UN TRADE-OFF … Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
12
PGSC
QUANTO COSTA PREVEDERE ? VALUTAZIONE DI COSTI vs. BENEFICI Costo Costi per previsioni errate vendite
perse (stock-out) elevate (SS ≈ errore previs.) fermi di produzione, elevati set-up ritardi nelle consegne (disservizio), duplicazione costi per back-log scorte
Costi Totali
Costi del processo previsionale regione ottimale
+
Accuratezza
reperimento e conservazione dati sviluppo e installazione SW & HW personale e organizzazione
-
Demand Demand Planning Planning
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
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
13
PGSC
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
Estrapolazione delle sole componenti prevedibili (trend e stagionalità)
Previsioni & Accuratezza
NB : le previsioni sono erratiche per definizione Demand Demand Planning Planning
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 Dt-1
t Dt
t+1 t+2 Pt+1 Pt+2
t +m Pt+m
Tempo
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
14
PGSC
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 Demand Demand Planning Planning
ANALISI DELLE SERIE STORICHE Dt = f ( Tt , St , Ct ) + εt componenti sistematiche
componente 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 Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
15
PGSC
ANALISI DELLE SERIE STORICHE
Componente di stagionalità
DISPONENDO DI N DATI STORICI (ALMENO DUE ANNI), E’ POSSIBILE EFFETTUARE UN’ANALISI DI AUTOCORRELAZIONE (ACF), CALCOLANDO IL COEFFICIENTE DI AUTOCORRELAZIONE rk PER DIVERSI VALORI DI “k” n−k
∑ (X
=
rk
t
t =1
n−k
∑ (X t =1
− X(1) ) ⋅ (X t +k − X(2) )
− X(1) ) ⋅ 2
t
n−k
∑ (X t =1
dove : X(1) =
t =1
− X(2) )2
n−k
n−k
∑X
t +k
∑X
t
n−k
e X(2) =
t =1
t +k
n−k
(k = 1, 2, 3, ... )
Demand Demand Planning Planning
ANALISI DELLE SERIE STORICHE Serie storica
1996
(1, 2, 3, … , N)
1997
es. es. k=6 k=6
155 354 492 358 359 688 401 82 336 525 604 944 178 360 546 418 394 801 428 95 374 674 573 1088
Componente di stagionalità 155 354 492 358 359 688 401 82 336 525 604 944 178 360 546 418 394 801
Serie I (1, 2, 3, … , N-k)
Serie II (k+1, k+2, …, N) 401 82 336 525 604 944 178 360 546 418 394 801 428 95 374 674 573 1088
In EXCEL adottare la funzione: “ =CORRELAZIONE (serie_ I; serie_ II) ” Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
16
PGSC
ANALISI DELLE SERIE STORICHE PER IDENTIFICARE LA PRESENZA DI TREND E’ POSSIBILE IMPIEGARE L’ANALISI DI AUTOCORRELAZIONE (ACF)
500
+1
Dt
400
300
rk
200
100
0 1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
0
35
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
k
Valori elevati del coefficiente di autocorrelazione per k=1 e k=2 stanno a significare che dati successivi della serie sono correlati positivamente Demand Demand Planning Planning
ANALISI DELLE SERIE STORICHE 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
k
Valori modesti del coefficiente di autocorrelazione che assume valori vicini a zero per scarti temporali (k) superiori a 2 o 3 Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
17
PGSC
ANALISI DELLE SERIE STORICHE 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
rk
1000
500
0 1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
0
35
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
k
E’ necessario ricorrere al metodo delle differenze prime per rendere la serie stazionaria al fine di rilevarne la componente di stagionalità. Demand Demand Planning Planning
ANALISI DELLE SERIE STORICHE DEPURAZIONE DELLA COMPONENTE DI TREND 2000
Dt
METODO DELLE DIFFERENZE PRIME
1500
Data una serie di n valori (D1, D2,… Dt, …Dn) si determina la serie delle
1000
500
differenze prime : 0 1000
D’t = Dt − Dt-1
D’t 500
0 1
3
5
7
9
11
13
15
17
19
21
-500
23
25
27
29
31
33
35
Tale serie consta di n-1 valori e risulta stazionaria se la serie di partenza presenta un trend lineare
-1000
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
18
PGSC
ANALISI DELLE SERIE STORICHE L’ANALISI DI AUTOCORRELAZIONE SULLA SERIE DELLE DIFFERENZE PRIME RIVELA L’ESISTENZA DI UNA COMPONENTE STAGIONALE DI PASSO L=6
rk
IN CORRISPONDENZA DI k TALE PER CUI +1
1000
D’t
E’ MASSIMO
rk
500
0
0 1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
35
-500
-1
-1000
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) Demand Demand Planning Planning
INDICE DEGLI ARGOMENTI TRATTATI
ruolo delle previsioni nel processo di pianificazione
analisi delle serie storiche: metodo di decomposizione
modelli basati sullo smorzamento esponenziale
fasi del processo di implementazione
monitoraggio delle previsioni (indicatori dell’errore)
applicazioni numeriche e casi aziendali
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
19
PGSC
ANALISI DELLE SERIE STORICHE METODO DI DECOMPOSIZIONE E’ un metodo che consente di identificare le principali componenti in cui una serie storica può essere suddivisa
Dt Tt
Richiede in primo luogo di identificare il modello di rappresentazione della serie storica :
St
additivo : Dt=Tt+St+Ct+εεt
Ct
t
εt
moltiplicativo : Dt=Tt ⋅ St ⋅ Ct ⋅ εt
Demand Demand Planning Planning
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 :
St ⋅ ε t =
Dt Tt ⋅ Ct
≈
Dt MMt
3. depurazione dalla componente di stagionalità dell’effetto delle fluttuazioni casuali εt come media dei valori St ⋅ εt sulle diverse stagioni Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
20
PGSC
ANALISI DELLE SERIE STORICHE
Decomposizione
4. destagionalizzazione della serie storica ottenuta dividendo ciascun valore della serie per il corrispondente coefficiente stagionale : Dt St
= Tt ⋅ Ct ⋅ εt
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
Demand Demand Planning Planning
ANALISI DELLE SERIE STORICHE
Decomposizione
Esempio : applicare il metodo di decomposizione alle vendite trimestrali di videoregistratori riportati in tabella (si assuma un modello moltiplicativo) Anno
Trim.
Dt
1995
I II III IV I II III IV I II III IV I II III IV
570 500 700 740 670 610 770 830 700 650 740 770 720 680 900 930
1996
1997
1998
1000
750
500
250
0 I
II III IV I
1995
II III IV I
1996
II III IV I
1997
II III IV
1998
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
21
PGSC
ANALISI DELLE SERIE STORICHE
Decomposizione
1. Si applica una media mobile centrata di ordine k=4 (per filtrare l’eventuale stagionalità su base annuale) Anno
Trim.
Dt
1995
I II III IV I II III IV I II III IV I II III IV
570 500 700 740 670 610 770 830 700 650 740 770 720 680 900 930
1996
1997
1998
MM t (4) MM t (2) 1000
627,5 652,5 680,0 697,5 720,0 727,5 737,5 730,0 715,0 720,0 727,5 767,5 807,5
640,0 666,3 688,8 708,8 723,8 732,5 733,8 722,5 717,5 723,8 747,5 787,5
750
500
250
0 I
II III IV I
1995
II III IV I
1996
II III IV I
1997
II III IV
1998
Demand Demand Planning Planning
ANALISI DELLE SERIE STORICHE
Decomposizione
2/3. Si determinano i coefficienti di stagionalità per ogni trimestre (valori medi per eliminare la componente irregolare) Anno
Trim.
Dt
1995
I II III IV I II III IV I II III IV I II III IV
570 500 700 740 670 610 770 830 700 650 740 770 720 680 900 930
1996
1997
1998
MM t
640,0 666,3 688,8 708,8 723,8 732,5 733,8 722,5 717,5 723,8 747,5 787,5
D t / MM t
1,094 1,111 0,973 0,861 1,064 1,133 0,954 0,900 1,031 1,064 0,963 0,863
Trim. I II III IV Σ=
St 0,963 0,875 1,063 1,103 4
1,2
St 1,1
1,0
0,9
0,8
I
II
III
IV
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
22
PGSC
ANALISI DELLE SERIE STORICHE
Decomposizione
4. Si ricava la serie dei valori di domanda destagionalizzati Anno
Trim.
Dt
St
D t/ St
1995
I II III IV I II III IV I II III IV I II III IV
570 500 700 740 670 610 770 830 700 650 740 770 720 680 900 930
0,963 0,875 1,063 1,103 0,963 0,875 1,063 1,103 0,963 0,875 1,063 1,103 0,963 0,875 1,063 1,103
592 572 659 671 696 697 724 753 727 743 696 698 747 777 847 843
1996
1997
1998
1000
750
500
250
0 I
II III IV I
1995
II III IV I
1996
II III IV I
1997
II III IV
1998
Demand Demand Planning Planning
ANALISI DELLE SERIE STORICHE
Decomposizione
5. Si determina la retta di regressione sui dati di domanda destagionalizzati Anno
Trim.
D t/ St
Tt =a + b t
1995
I II III IV I II III IV I II III IV I II III IV
592 572 659 671 696 697 724 753 727 743 696 698 747 777 847 843
612 625 639 653 667 681 694 708 722 736 750 763 777 791 805 819
1996
1997
1998
a : 598 b : 13,8
1000
750
500
250
0 I
II III IV I
1995
II III IV I
1996
II III IV I
1997
II III IV
1998
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
23
PGSC
ANALISI DELLE SERIE STORICHE
Decomposizione
6. Infine si valuta la componente dovuta ad andamenti congiunturali ciclici (sovra-annuali) Anno
Trim.
1995
I II III IV I II III IV I II III IV I II III IV
1996
1997
1998
MM t
Tt =a + b t
Ct = MMt / Tt
640,0 666,3 688,8 708,8 723,8 732,5 733,8 722,5 717,5 723,8 747,5 787,5
612 625 639 653 667 681 694 708 722 736 750 763 777 791 805 819
1,001 1,020 1,033 1,041 1,042 1,034 1,016 0,982 0,957 0,948 0,962 0,995
Demand Demand Planning Planning
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
2002
1
97
90
5
2
107 125 140
99
6,8
111 127 137
9,7 12,6 11,5
152 162 169 177
13,4 11,6 9,1 8,7
180 181
5,7 3,2
185
3,9 m=1
3 4 5 2003
6 1 2 3 4 5 6
132 161 154 157 175 166 169 188
m=2 m=3 m=4
Pt 95 105 121 139 149 166 174 178 186
200
150
100
185 184 189 193 197 200
50 1
2
3
4
2002
5
6
1
2
3
4
2003
5
6
1
2
3
4
2004
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
24
PGSC
SMORZAMENTO ESPONENZIALE α=0,3 γ=0,5 200
200
150
150
100
100
50 1
2
3
4
5
6
1
2
3
4
5
6
Modello di Holt α=0,3 γ=0,3
50 1
2
3
4
5
6
1
2
3
4
5
6
4
5
6
α=0,3 γ=0,1
α=0,1 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
Demand Demand Planning Planning
INDICE DEGLI ARGOMENTI TRATTATI
ruolo delle previsioni nel processo di pianificazione
analisi delle serie storiche: stagionalità
modelli basati sullo smorzamento esponenziale
fasi del processo di implementazione
monitoraggio delle previsioni (indicatori dell’errore)
applicazioni numeriche e casi aziendali
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
25
PGSC
Modello di Brown
SMORZAMENTO ESPONENZIALE
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
Demand Demand Planning Planning
SMORZAMENTO ESPONENZIALE
Coefficiente di smorzamento
10
Risposta del modello di smorzamento esponenziale a segnali tipici in funzione del coefficiente di smorzamento
9
0,5
8
IMPULSE
0,3 0,1
7
6
5
4 0
1
2
3
4
5
6
7
8
10
0,5
9
0,3
8
STEP
0,1 7 6 5 4 0
RAMP
1
2
3
4
5
6
7
8
9
10
9
0,5
8
0,3
7
0,1
6
Il ritardo nella risposta del modello semplice in presenza di una componente di trend :
E=T/α
5
4 0
1
2
3
4
5
6
7
8
9
10
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
26
PGSC
SMORZAMENTO ESPONENZIALE
Modello di Holt
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 Demand Demand Planning Planning
SMORZAMENTO ESPONENZIALE
Modello di Holt
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 Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
27
PGSC
SMORZAMENTO ESPONENZIALE
Modello di Holt
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] Demand Demand Planning Planning
SMORZAMENTO ESPONENZIALE
Modello di Holt
Esempio : applicare il modello di Holt alla serie storica degli ordini bimestrali riportati nella tabella sottostante Anno 2002
2003
Bim.
Dt
1
97
2
107
3
125
4 5
140
6 1
161
2
157
3
175
4 5
166
6
188
200
150
132 154
169
100
50 1
2
3
4
2002
5
6
1
2
3
4
5
6
2003
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
28
PGSC
SMORZAMENTO ESPONENZIALE
Modello di Holt
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
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
2003
Demand Demand Planning Planning
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
2002
1
97
90
5
2
107 125 140
99
6,8
111 127 137
9,7 12,6 11,5
152 162 169 177
13,4 11,6 9,1 8,7
180 181
5,7 3,2
185
3,9 m=1
3 4 5 2003
6 1 2 3 4 5 6
132 161 154 157 175 166 169 188
m=2 m=3 m=4
Pt 95 105 121 139 149 166 174 178 186
200
150
100
185 184 189 193 197 200
50 1
2
3
4
2002
5
6
1
2
3
4
2003
5
6
1
2
3
4
2004
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
29
PGSC
SMORZAMENTO ESPONENZIALE α=0,3 γ=0,5 200
200
150
150
100
100
50 1
2
3
4
5
6
1
2
3
4
5
Modello di Holt α=0,3 γ=0,3
50
6
1
2
3
4
5
6
1
2
3
4
5
6
4
5
6
α=0,3 γ=0,1
α=0,1 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
Demand Demand Planning Planning
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 Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
30
PGSC
SMORZAMENTO ESPONENZIALE
Modello di Winters
AL TERMINE DEL PERIODO t SI AGGIORNANO I VALORI SMORZATI DELLA MEDIA, TREND, STAGIONALITA' :
Media :
Trend : Stagionalità :
Mt = α⋅
Dt + (1 − α ) ⋅ (M t −1 + Tt −1 ) St−L
Tt = γ ⋅ (M t − M t − 1 ) + (1 − γ ) ⋅ Tt −1 St = β ⋅
Dt + (1 − β ) ⋅ S t − L Mt
Demand Demand Planning Planning
SMORZAMENTO ESPONENZIALE
Modello di Winters
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 Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
31
PGSC
SMORZAMENTO ESPONENZIALE
Modello di Winters
D : domanda M : valor medio Dt-3 Dt-4 Mt+mTt Mt-1
Dt-2
Mt
Mt-2 Dt-1
Dt …
t-4
t-3
t-2
t-1
t
t+1 t+2 t+3
Demand Demand Planning Planning
INDICE DEGLI ARGOMENTI TRATTATI
ruolo delle previsioni nel processo di pianificazione
analisi delle serie storiche: stagionalità
modelli basati sullo smorzamento esponenziale
fasi del processo di implementazione
monitoraggio delle previsioni (indicatori dell’errore)
applicazioni numeriche e casi aziendali
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
32
PGSC
SCHEMA GENERALE DI IMPLEMENTAZIONE FASE FASE00 Depurazione Depurazionedei deidati dati storici storicidi divendita vendita
FASE FASE11 Inizializzazione Inizializzazionedelle delle tecniche tecnicheprevisionali previsionali
Almeno 2 anni se la domanda è stagionale (ovvero 2 cicli di stagionalità)
FASE 2 Adattamento delle tecniche previsionali 1 anno (ovvero un ciclo di stagionalità)
Simulazione Simulazionedella della previsione previsionesui suidati datistorici storici Scelta Sceltadei deiparametri parametri di difunzionamento funzionamento
Analisi Analisidegli degli scostamenti scostamentirilevati rilevati
FASE FASE 33 Previsione Previsione della della domanda domanda per per ilil futuro futuro
6 mesi - 1 anno
Demand Demand Planning Planning
Fase 0. Depurazione dati
IMPLEMENTAZIONE
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 dati storici
Sistema previsionale
Previsioni
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 Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
33
PGSC
Fase 1. Inizializzazione
IMPLEMENTAZIONE
E’ NECESSARIO DEFINIRE I VALORI INIZIALI DELLE RELAZIONI RICORSIVE DEI MODELLI DI BROWN, HOLT E WINTERS :
P t+1 = α ⋅Dt + (1 − α ) ⋅ P t
Brown (1) :
Mt = α ⋅Dt + (1 − α ) ⋅ ( M t −1 + Tt −1 )
Holt (2) :
Winters (3) :
Dt
Mt = α ⋅
S t −L
+ (1 − α ) ⋅( M t −1 + Tt −1 )
Demand Demand Planning Planning
Fase 1. Inizializzazione
IMPLEMENTAZIONE
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 2001 2002
1
2
3
4
5
6
7
8
9
10
11
12
106
130
157
121
190
240
180
23
230
315
447
586
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
1 2 3 t=0
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
…
t
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
34
PGSC
Fase 1. Inizializzazione
IMPLEMENTAZIONE 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
Media 2001
Media 2002
227
530
1 2 3
…
t
M(t=0) T(t=0) S(t=0),i
Demand Demand Planning Planning
Fase 1. Inizializzazione
IMPLEMENTAZIONE METODO ANALITICO
M02 − M01
trend iniziale :
T(t=0)=
media iniziale :
M(t=0)= M02 +
stagionalità iniz.:
S(t=0),gen=
12
=
530 − 227 12
=25,2
12 T = 530 + 6 ·25,2 =680 2 (t=0)
Dgen,01 Dgen,02 + M01 M02 2
106 437 + 227 530 = =0,646* 2
* idem per febbraio, marzo, ... Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
35
PGSC
Fase 1. Inizializzazione
IMPLEMENTAZIONE
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) T(t=0) S(t=0),i
Retta di regressione
y = a + b ·t Demand Demand Planning Planning
Fase 1. Inizializzazione
IMPLEMENTAZIONE
INIZIALIZZAZIONE MEDIANTE REGRESSIONE
Retta di regressione
Metodo dei minimi quadrati
y = a + b ·t
trend iniziale :
T(t=0) = b =23,7
media iniziale :
M(t=0)= a + b ·24
a = 107 b = 23,7
= 107 + 23,7 ·24 = 675,8
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
36
PGSC
Fase 1. Inizializzazione
IMPLEMENTAZIONE
INIZIALIZZAZIONE MEDIANTE REGRESSIONE
stagionalità iniz.:
Dgen,01 a + b ·1
S(t=0),gen=
2 106
=
Dgen,02 a + b ·13
+
+
107 + 23,7·1
437 107 + 23,7·13 = 0,932*
2
* idem per febbraio, marzo, ...
Demand Demand Planning Planning
Fase 1. Inizializzazione
IMPLEMENTAZIONE
analitico
CONFRONTO TRA I DUE METODI DI INIZIALIZZAZIONE
regressione
M(t=0)
580
675,8
T(t=0)
25,2
23,7
2,5
Metodo analitico Metodo con regressione
2
S(t=0),i
1,5
1
0,5
0 gen
feb
mar
apr
mag
giu
lug
ago
set
ott
nov
dic
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
37
PGSC
Fase 2. Adattamento
IMPLEMENTAZIONE
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
P1
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
Demand Demand Planning Planning
IMPLEMENTAZIONE
Fase 2. Adattamento
Dal periodo t=0 si effettua una previsione “simulata” mese per mese (m=1), ignorando i dati di domanda (noti) del mese successivo
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
38
PGSC
Fase 2. Adattamento
IMPLEMENTAZIONE
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
P3
800
P1
P2
400
0
1
2
3
4
5
6
7
8
9
10
11
12
Demand Demand Planning Planning
INDICE DEGLI ARGOMENTI TRATTATI
ruolo delle previsioni nel processo di pianificazione
analisi delle serie storiche: stagionalità
modelli basati sullo smorzamento esponenziale
fasi del processo di implementazione
monitoraggio delle previsioni (indicatori dell’errore)
applicazioni numeriche e casi aziendali
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
39
PGSC
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
Demand Demand Planning Planning
Fase 2. Simulazione
IMPLEMENTAZIONE 2003 L’errore di previsione per il periodo t è definito come differenza tra il valore effettivo della domanda ed il valore previsto per quel periodo
P1
P2
1
EE tt = =D D tt −− PP tt
P12
P3
1
2
3
2
3
4
4
5
5
6
6
7
7
8
8
9 10 11 12
9 10 11 12
{ MSE } min α, β, γ Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
40
PGSC
MONITORAGGIO DELLE PREVISIONI
Indicatori dell’errore
ME (Mean Error) : ERRORE MEDIO n
ME =
∑ Et t =1
n
eccesso o in difetto (BIAS) : ME < 0
DM < PM
ME > 0
modello B
modello A
indica se l'errore è mediamente in
DM > PM MEA MEB
Demand Demand Planning Planning
MONITORAGGIO DELLE PREVISIONI
Indicatori dell’errore
MAD (Mean Absolute Deviation) : SCARTO MEDIO ASSOLUTO
n
∑ MAD =
t =1
Et n modello A
misura la consistenza degli errori in valore assoluto gli errori di segno opposto non si autocompensano non consente di cogliere la correlazione degli errori
modello B
0
Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
41
PGSC
MONITORAGGIO DELLE PREVISIONI
Indicatori dell’errore
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 Demand Demand Planning Planning
MONITORAGGIO DELLE PREVISIONI
Indicatori dell’errore
SDE (Standard Deviation of Errors) : DEVIAZIONE STD ERRORI n
SDE =
∑ (E ) t =1
2
t
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 Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
42
PGSC
MONITORAGGIO DELLE PREVISIONI
Indicatori dell’errore
MSE (Mean Square Error) : ERRORE QUADRATICO MEDIO
n
MSE =
2 ( ) E ∑ t t =1
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) Demand Demand Planning Planning
IMPLEMENTAZIONE
Fase 3. Previsione
INFINE, SULLA BASE DEI RISULTATI DELLA SIMULAZIONE CONDOTTA NELLA FASE PRECEDENTE, E’ POSSIBILE PROIETTARE NEL FUTURO LE PREVISIONI
2003
1400
2004
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) Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
43
PGSC
IMPLEMENTAZIONE
Fase 3. Previsione
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
1400
2004
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”) Demand Demand Planning Planning
IMPLEMENTAZIONE AZIONI SPECIALI (politiche di marketing, offerte speciali, campagne di vendita, promozioni, ...)
Fase 3. Previsione
A t+m
EFFETTI DI CALENDARIO (festività mobili, giorni lavorativi, …)
S’t+m
ALTRE INFORMAZIONI (commesse particolari, andamento del mercato, azioni della concorrenza, …)
K t+m
Pt+m= Pt+m . S’t+m. A t +m+Kt+m Demand Demand Planning Planning
Prof. Fabrizio Dallari – LIUC
44