17571-1 Gestione della domanda

5/12/2018 17571-1 Gestione della domanda - slidepdf.com

http://slidepdf.com/reader/full/17571-1-gestione-della-domanda 1/99

1

Organizzazione dell a Produzione e dei Organizzazione dell a Produzione e dei

Sist emi Logist ici Sist emi Logist ici

La previ sione e gest ione della domanda La previsione e gest ione dell a domanda

-- 22 --

ImportanzaImportanza delledelle previsioniprevisioni

Impatto critico nelle attività di pianificazione

pianificazione/dimensionamento capacità

inventory management

supply management

Gestione dei prodotti

phase-in, phase-out

nuovi prodotti

advertising/promozioni

Azioni non possono essere prese senza alcuna previsione

Le 3 leggi di Melnyk sulle previsioni

Tutte le previsioni sono sbagliate

Tutte le previsioni cambiano

Siete responsabili per l’accuratezza

delle previsioni



2

-- 33 --

La gestione della domandaLa gestione della domanda

“Making supply meet demand in an uncertain world”(Fisher et al. 1994)

Incertezza

percepitaPrevisione SistemaProduttivo

Ambiente Turbolenza

Effetti

dell’incertezza

Endogenizzare- Azioni dimarketing

- Partnership

Ridurre gli effettidell’incertezza- Slack- Flessibilità

Prevedere- Miglioriinformazioni

- Migliori tecniche

Ridefinire il problema- Riduzione del TLT- Utilizzo di comunanze

(errore diprevisione)

-- 44 --

Gli obiettiviGli obiettivi

Stimare la probabilità di occorrenza di eventi futuri(ad es. domanda superiore ad un certo valore,l’assegnazione di una commessa)

Determinare la collocazione temporale di eventifuturi (ad es. la ricezione di un ordine)

Predire la magnitudine di variabili casuali che si

osserveranno nel futuro (ad es. l’impatto di unaazione promozionale)

Identificare le regolarità di serie di dati osservatenel passato (ad es. stagionalità, trend)



3

-- 55 --

Il ruolo delle previsioniIl ruolo delle previsioni

Marketing

Produzione

Logistica

Amministrazione e Controllo

Approvvigionamenti

….

(fonte questionario GMRG 250 imprese)

0%

10%

20%

30%

40%

50%

60%

70%

80%

P r e p a r a z i o n e

B u d g e t

P i a n i f i c a z i o n e

p r o d u z i o n e


v e n d i t e


s c o r t e


a t t r e z z a t u r e


r i s o r e u m a n e


a c q u i s t o

i m p i a n t i

S v i l u p p o

n u o v i p r o d o t t i

S u b f o r n i t u r a

-- 66 --

Interdipendenze generiche

Interdipendenze sequenziali

Interdipendenze reciproche

Un processo aziendale è un insieme organizzato di attività e di decisioni,finalizzato alla creazione di un output effettivamente domandato da un cliente,

e al quale questi attribuisce un “valore” ben definito

Elementi definitori

1. Output

2. Fasi

3. Input

4. Risorse

5. Interdipendenze

6. Metodi di gestione

Processi aziendaliProcessi aziendali



4

-- 77 --

Il Processo di previsioneIl Processo di previsione

Definizionedel problema

Raccoltainformativa

Analisipreliminare

Selezione esettaggio dei

modelli

Utilizzo evalutazione

Raccoltainformativa

Utilizzo evalutazione

Definizionedel problema

Analisipreliminare

Selezione esettaggio dei

modelli

-- 88 --


Definizione del problemaPasso molto difficileNecessario comprendere come la previsione sarà utilizzataNecessario valutare il posizionamento organizzativo di chi

opera le previsioni Interazione come tutti coloro legati alla raccolta dati, alla

manutenzione database e all’uso delle previsioni.

Fondamentale comprendere: Prodotto Tempi di processo Obiettivi Informazioni Strumenti

Livello diaggregazione



5

-- 99 --

Il livello di aggregazioneIl livello di aggregazione

Il livello di aggregazione dell’output è dato dalla natura delprocesso decisionale che necessita di previsioni

Mercato: cliente, punto vendita, regione, paese, area dibusiness

Prodotto: SKU, famiglia, fatturato

Tempo: giorni, settimane, mesi, anni

Spesso si assume che i dati devono essere sempre allo stessolivello di aggregazione del processo decisionale

Spesso si dice che è sempre meglio usare dati aggregati perchéè più facile

Spesso si dice che è sempre meglio usare dati disaggregatiperché è più preciso NON E’ VERO

NON E’ VERO

NON E’ VERO

-- 1010 --


Raccolta informativa Informazioni

Statistiche Competenze

Fondamentale la dimensione della storia Poco: non sufficienti informazioni Troppo: informazioni non utili e distorcenti

“Stanare” l’informazione Problema organizzativo

Sistemi informativi

(Forecastingerror)

TurbulenceDemandgeneration

process

Informationretrieval

Forecastingalgorithm

Retrievedinformation

PerceivedUncertainty



6

-- 1111 --

Quale tipo di informazioniQuale tipo di informazioni

Trade-off costo e beneficio

Futuro vs. passato

Quantità / Qualità / Efficacia

0%

10%

20%

30%40%

50%

60%

70%

80%

90%

I n f o r m a z i o n i

s u c l i e n t i

C o n d i z i o n i

E c o n o m i c h e

A t t u a l i s t o c k -

o u t

I n f o r m a z i o n i

s u f o r n i t o r i

R i c e r c h e d i

m e r c a t o


-- 1212 --


Analisi preliminare (esplorativa)

Analisi dei dati

Grafica, Descrittiva, ecc.

Identificazione qualitativa dei principali fattori divariabilità

Trend, Stagionalità, Ciclicità, Outliers, ecc.

Selezione e settaggio modelliFondamentali le metriche di valutazione e l’analisi

della serie

Utilizzo e valutazione di un modello

Fondamentale contributo dei manager

Monitoraggio



7

-- 1313 --

Il contributo dei managerIl contributo dei manager

3.9%

-5.8%

7.2%

6.4%

6.1%

7.5%

15.5%

-2.5%

8.6%

6.8%

4.5%

-1.2%

%BIAS

17.0%

22.8%

16.0%

9.9%

15.4%

17.9%

29.9%

14.4%

24.3%

14.1%

11.3%

19.0%

%MAD

-6.9%26.5%Prodotto K

-1.7%26.1%Prodotto J

-0.8%19.5%Media pes.

-0.1%10.4%Prodotto I

2.1%16.3%Prodotto H

-3.1%27.9%Prodotto G

-4.9%23.9%Prodotto F

-0.4%15.6%Prodotto E

-6.1%20.5%Prodotto D

7.4%15.8%Prodotto C

0.7%13.9%Prodotto B

-3.2%23.5%Prodotto A

BIAS Sistema%MAD SistemaProdotto

(risultati di un caso nel comparto alimentare)

-- 1414 --

Previsione diversa a seconda dellePrevisione diversa a seconda dellesituazionisituazioni

0

10000

20000

30000

40000

50000

60000

1 8 8 3

1 8 8 8

1 8 9 3

1 8 9 8

1 9 0 3

1 9 0 8

1 9 1 3

1 9 1 8

1 9 2 3

1 9 2 8

1 9 3 3

1 9 3 8

1 9 4 3

1 9 4 8

1 9 5 3

1 9 5 8

1 9 6 3

1 9 6 8

1 9 7 3

1 9 7 8

1 9 8 3

1 9 8 8

1 9 9 3

1 9 9 8

Anni

P r o d u z i o n e i d r o e l e t t r i c a

0

50

100

150

200

250

300

350

400

450

gen-93 g iu -94 o tt -95 mar-97 l ug -98 d ic-99 apr-01 set -02 gen-04

Mese

U n i t à

Produzione idroeletticaItalia

Vendite biciclette

0

100

200

300

400

500

600

700

800

S 9 8 0

2

S 9 8 0

5

S 9 8 0

8

S 9 8 1

1

S 9 8 1

4

S 9 8 1

7

S 9 8 2

0

S 9 8 2

3

S 9 8 2

6

S 9 8 2

9

S 9 8 3

2

S 9 8 3

5

S 9 8 3

8

S 9 8 4

1

S 9 8 4

4

S 9 8 4

7

S 9 8 5

0

S 9 8 5

3

S 9 9 0

3

S 9 9 0

6

S 9 9 0

9

S 9 9 1

2

S 9 9 1

5

S 9 9 1

8

S 9 9 2

1

S 9 9 2

4

S 9 9 2

7

settimane

c a r t o n i

Ordini di Ravioli



8

-- 1515 --

Tipologie di tecnicheTipologie di tecniche

Quantitative: Dati quantitativi sono forniti a sufficienza

Serie storiche: prevedere la continuazione di un comportamento storico

Explanatory: comprendere come una variabile ne influenza un’altra

Qualitative: Poche informazioni quantitative sono disponibili, ma c’èconoscenza qualitativa

Velocità telecomunicazioni nel 2000

Opinioni del management

Imprevedibile: Poca informazione è disponibile

Prevedere la scoperta di una nuova forma di energia

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

Q u a n t i t a t i v i

Q u a l i t a t i v i

O p i n i o n i

m a n a g e m e n t


-- 1616 --

Tecniche quantitativeTecniche quantitative

Utilizzabili quando

Informazione riguardo il passato è disponibile

Tale informazione è quantificabile nella forma di un datonumerico

Si può assumere che alcuni elementi del passato continueranno nelfuturo (assunzione di continuità)

Diverse tipologie di tecniche

Proprietà

Accuratezza

Costi

MetodiIntuitivi

MetodiFormali

Semplici

Poco accuratiNo info su accuratezza

Approccio sistematicoMin. errori



9

-- 1717 --

Tecniche quantitativeTecniche quantitative

Classificabili anche in base al modello sottostante:

Modelli esplicativi

Assumono che la variabile da prevedere abbia un legamecon delle variabili note.

Ad es. PIL = f (politiche fiscali, politiche monetarie,importazioni, esportazioni, consumi, errore)

Serie Storiche

Considerano il sistema come una black box. Idea è che il

sistema è troppo complesso ed è difficile se non impossibilecomprenderlo. Oltretutto può non essere così importantecomprenderlo (Ad es. regolarità macchie solari)

Ad es. PILt+1 = f (PILt, PILt-1, PILt-2, PILt-3, …, errore)

-- 1818 --

Tecniche qualitativeTecniche qualitative

Non dati quantitativi, ma risultato di conoscenzaaccumulata o giudizio

Solitamente utilizzate per previsioni di medio-lungoperiodo (anni)

Applicazioni anche per previsioni di breve periodo(Delphi)



10

-- 1919 --

Come valutare quale metodoCome valutare quale metodoadottareadottare

Fattori Critici Tempo

Arco temporale (Uso previsione a breve, medio o lungo termine?) Urgenza (La previsione è necessaria averla subito?) Frequenza (Necessario frequente aggiornamento della previsione?)

Risorse Capacità matematiche (Modeste abilità e supporti quantitativi?) Informatiche (Modeste abilità informatiche?) Finanziarie (Limitata disponibilità di risorse finanziarie

Input Precedenti (Disponibili pochi dati dal passato?) Variabilità (Notevole fluttuazione in serie primaria?) Coerenza interna (Previsti mutamenti chiave nelle decisioni del mgt.?) Coerenza esterna (Previsti mutamenti chiave nel contesto economico?) Stabilità esterna (Previsti mutamenti nei rapporti esistenti tra le variabili?)

Output Grado di dettaglio (Necessaria previsione su singoli aspetti?) Esattezza (Necessario alto livello di accuratezza?) Capacità di riflettere tendenze (Le svolte devono essere riflesse

immediatamente?) Capacità di scoprire tendenze (Le svolte devono essere identificate subito?) Forma della previsione (Servono previsioni su intervalli e previsioni

probabilistiche?)



I I am am interested interested in the future in the future because because I I wi l l wi l l spend spend t he t he rest rest of of my my

l i fe l i fe there there C.F.Kettering, Seeds for Thought

La misura degli error i La misura degli error i



11

-- 2121 --

PerchPerchèè misuraremisurare errorierrori previsionaliprevisionali

Controllo

Definire obiettivi

La previsione è parte di un processo

Effetti manageriali

PerceivedUncertainty

ForecastProduction

SystemMarket

Turbulence

(forecastingerror)

Service Level

Inventory

-- 2222 --

Il grado di utilizzoIl grado di utilizzo

In generale vi è scarsa attenzione alla misura delleperformance

Processo complesso, ma fondamentale

0%10%

20%

30%

40%

50%

60%

70%

80%

90%

R a c c o l t a

i n f o r m a t i v a

G e n e r a z i o n e

p r e v i s i o n e

V a l i d a z i o n e

p r e v i s i o n e

M i s u r a

p e r f o r m a n c e




12

-- 2323 --

MisureMisure

Puntuali vs. medie

Assolute vs. relative

Distorsione vs. accuratezza

1 2 3 4 5 6

Previsione 100 120 110 80 90 110

Domanda 80 90 130 70 100 80

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

Errore medio 10

Errore

previsione Domanda %

Prodotto A 30 90 33%

Prodotto B 15 40 70%

-- 2424 --

CosaCosa misuraremisurare

Distorsione

Di quanto mediamentesovrastimo o sottostimo ladomanda?

Accuratezza

Di quanto si discosta la miaprevisione dalla domanda?

time

q u a n t i t y

Demand Forecast

time

q u a n t i t y

Demand Forecast



13

-- 2525 --

DistorsioneDistorsione ee AccuratezzaAccuratezza

Distorsione OKAccuratezza OK

-- 2626 --


Distorsione OKAccuratezza KO

In media le freccecolpiscono ilcentro



14

-- 2727 --


Distorsione KOAccuratezza KO

Previsioniinaccurate edistorte

-- 2828 --

MisureMisure didi distorsionedistorsione

BIAS

BIAS > 0: previsione sovrastima ladomanda

BIAS < 0: previsione sottostima ladomanda

BIAS = 0: OK (?)

Considera errori con segno

Affetto da fenomeni di

compensazione Misura assoluta

∑=

−=

n

1t

tt

n

DFBIAS ∑

=

−=

n

1t

tt

n

DFBIAS

time

q u a n t i t y

Demand Forecast



15

-- 2929 --

MisureMisure didi distorsionedistorsione

MPE (%BIAS)

Considera errori consegno

Affetto da fenomeni dicompensazione

Misura relativa

∑=

⎟⎟ ⎠

⎞⎜⎜⎝

⎛ −

=n

1t

t

tt

n

D

DF

MPE ∑=

⎟⎟ ⎠

⎞⎜⎜⎝

⎛ −

=n

1t

t

tt

n

D

DF

MPE

time

q u a n t i t y

Demand Forecast

( )

t

n

1t

tt

Dn

DF

% BIAS

∑=

−

=

( )

t

n

1t

tt

Dn

DF

% BIAS

∑=

−

=

-- 3030 --

MisureMisure didi accuratezzaaccuratezza

MAD

Considera l’errore senzasegno

Non affetto da errori dicompensazione

Misura assoluta

time

q u a n t i t y

Demand Forecast

∑=

−=

n

1t

tt

n

DFMAD ∑

=

−=

n

1t

tt

n

DFMAD



16

-- 3131 --


MSE

“pesa” maggiormente glierrori più grandi (effettoscala)

Problemi diinterpretazione

Misura assoluta

time

q u a n t i t y

Demand Forecast

( )∑=

−=

n

1t

tt

n

DFMSE

2( )∑=

−=

n

1t

tt

n

DFMSE

2

-- 3232 --


RMSE

“pesa” maggiormente glierrori più grandi (effettoscala)

Riduce problemi diinterpretazione

Misura assoluta

time

q u a n t i t y

Demand Forecast

( )∑=

−=

n

1t

tt

n

DFRMSE

2( )∑=

−=

n

1t

tt

n

DFRMSE

2



17

-- 3333 --


Misure percentuali

MAPE

Versione percentuale delMAD

%MAD

Versione percentuale delMAD

MPSE

Versione percentuale delMSE

RMPSE

Versione percentuale delRMSE

∑=

⎟ ⎠ ⎞

⎜⎝ ⎛ −

=n

1t

t

tt

n

DDF

RMPSE

2

∑=

⎟ ⎠ ⎞

⎜⎝ ⎛ −

=n

1t

t

tt

n

DDF

RMPSE

2

∑=

⎟ ⎠

⎞⎜⎝

⎛ −

=n

1t

t

tt

nD

DF

MPSE

2

∑=

⎟ ⎠

⎞⎜⎝

⎛ −

= n

1t

t

tt

nD

DF

MPSE

2

∑=

−

=n

1t

t

tt

n

DDF

MAPE ∑=

−

=n

1t

t

tt

n

DDF

MAPE

t

n

1t

tt

Dn

DF

% MAD⎟⎟ ⎠

⎞⎜⎜⎝

⎛ −

=∑=

t

n

1t

tt

Dn

DF

% MAD⎟⎟ ⎠

⎞⎜⎜⎝

⎛ −

=∑=

-- 3434 --

AltreAltre misuremisure didi accuratezzaaccuratezza

RAE

Compara la attualeprevisione con quellaottenuta tramite unmodello naive

Modello Naive prevede ladomanda per il prossimoperiodo usandoesattamente l’ultimaosservazione

tt

tt

tDFR

DFRAE

−

−=

tt

tt

tDFR

DFRAE

−

−=

time

q u a n t i t y

Demand Forecast



18

-- 3535 --


MRAE

Misura relativa

Influenzato dalcomportamento delladomanda

0

1

2

3

4

5

6

7

8

9

10

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

time

q u a n t i t y

Demand Naive Forecast

∑=

=n

1t

tRAEMRAE ∑=

=n

1t

tRAEMRAE

-- 3636 --


GMRAE

Influenzato dalcomportamento delladomanda

Fortemente influenzatoda outliers

Difficile interpretazionegestionale

1/ nn

1t

tRAEGMRAE ⎥⎦

⎤⎢⎣

⎡= ∏

=

1/ nn

1t

tRAEGMRAE ⎥⎦

⎤⎢⎣

⎡= ∏

=



19

-- 3737 --


Theil’s U-statistic

Confronta previsione conquella di metodo naïve

Pesa maggiormenteerrori maggiori

E’ simile al MAPE

∑

∑−

=

+

−

=

++

⎟⎟

⎠

⎞⎜⎜

⎝

⎛ −

⎟⎟ ⎠

⎞⎜⎜⎝

⎛ −

=1

1

2

1

21

1

11

n

t t

t t

n

t t

t t

D

D D

D

DF

U

∑

∑−

=

+

−

=

++

⎟⎟

⎠

⎞⎜⎜

⎝

⎛ −

⎟⎟ ⎠

⎞⎜⎜⎝

⎛ −

=1

1

2

1

21

1

11

n

t t

t t

n

t t

t t

D

D D

D

DF

U

-- 3838 --

PrincipiPrincipi per laper la misuramisura delledelle previsioniprevisioni

Assicurarsi che le misure dell’errore non sianoinfluenzate dalla dimensione

Le misure d’errore dovrebbero essere interpretabili

Ridurre l’effetto degli outliers

Non confrontare serie differenti mediante RMSE

Utilizzare differenti misure di errore



20

-- 3939 --

Intervalli di previsioneIntervalli di previsione

Desiderabile fornire non solo previsioni ma anchestime dell’incertezza

Solitamente basate su RMSE

0.992.576

0.951.960

0.901.645

0.801.282

0.751.150

0.681.000

0.500.674

Probabilitàz

Fn+1 ± z RMSE

2000

2500

3000

3500

4000

4500

0 10 20 30 40 50 60 70 80


Sist emi Logist ici Sist emi Logist ici Good Good j udgment j udgment comes comes from from experience experience , and , and experience experience ……well well

that that comes comes from from poor poor j udgment j udgment B. Baruch

Tecniche qualitative di previsione Tecniche quali t at ive di previsione



21

-- 4141 --

Basatesulle

interazioni

Basate sugiudizi

individuali

Tecniche NormativeTecniche Esplorative

Intenzioni(Market research)

Probabilità soggettive Analisi congiunta

Role Playing Jury of executive Teoria dei giochi

Focus Group Brainstorming

Opinioni di esperti

(Sales force composites) Delphi

Tecniche basate su giudiziTecniche basate su giudizi((JudgmentalJudgmental))

Judgmental

Bootstrapping

-- 4242 --

Sono molto utili e forniscono buoni risultati quando:Siamo in situazioni dinamiche e/o si prevedono cambiamenti

radicali

Non esistono molti dati storici

Si devono formulare previsioni a medio-lungo termine

Esiste la necessità/opportunità di incorporare l’esperienza

I risultati possono essere migliorati notevolmente

integrandole con tecniche statistiche…

non viceversa! (a parità di informazione)

Sono più costose delle tecniche quantitative perchécoinvolgono più persone per più tempo

Come nel caso delle tecniche quantitative èimportante misurare e capire l’errore

Tecniche basate su giudiziTecniche basate su giudizi((JudgmentalJudgmental))



22

-- 4343 --

Attori coinvoltiAttori coinvolti

Venditori: presenza di molte informazioni sulmercato, ma…

Influenza dello stato d’animo del momento

Tendenza alla sottostima della domanda (bonus sugliobiettivi)

Tendenza alla sovrastima della domanda (perincentivare la forza vendita)

Molto focalizzati sul presente e poco sulle condizionifuture

Molto focalizzati sul prorpio mercato e poco sullecondizioni generali

-- 4444 --

Attori coinvoltiAttori coinvolti

Manager: visione più ampia dell’azienda e delmercato, ma…

Troppo ottimisti

Conoscenza approssimativa dei segmenti di mercato

In generale, laddove esistono dati quantitativi letecniche statistiche forniscono previsioni piùaccurate degli esperti

DISTORSIONE DEL GIUDIZIO (judgemental biases)

E’ importante riconoscere la distorsione per porvirimedio (in modo analogo ai limiti della memoria)



23

-- 4545 --

CasoCaso ElcoElco WhiteWhite GoodsGoods

Previsione statistica (tendenza lineare)

Vendite della Elco (migliaia)

10 1220

30 35

52 57

65

99

0

50

100

150

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

-- 4646 --

CasoCaso ElcoElco WhiteWhite GoodsGoods

Distorsione del giudizio: famiglia nuova e vecchia

Vendite della Elco (migliaia)

201210

30 35

5257

0

50

100

150

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

Prodottonuovo

Prodottovecchio



24

-- 4747 --

Natura della distorsione del giudizioNatura della distorsione del giudizio

Essere consapevoli che esistono deicicli (alti e bassi)

Focalizzare tutti i fattori rilevanti cheinfluenzano la variabile da prevedere

Attribuzione di maggiorpeso agli eventi recentirispetto a quelli passati

Influenzerecenti

Disporre di informazioni complete

Presentare le informazioni in modo dafar emergere tutti gli aspetti rilevanti

Influenza di eventispecifici richiamati dallamemoria a scapito di altri

Disponibilità

Monitorare i cambiamentinell’ambiente e prevedere delleprocedure quando si manifestano

Inerzia a cambiare ipropri modelli mentali inconseguenza di nuovieventi o informazioni

Conservazione

Formalizzare il processo decisionale

Creare regole decisionali da seguire

Applicazione di diversicriteri decisionali insituazioni simili

Inconsistenza

Possibili rimediDescrizioneTipo di

distorsione

-- 4848 --


Coinvolgere nelle previsioni terze partidisinteressate

Utilizzare previsioni indipendentiformulate da più persone

La previsione èinfluenzata da ciò che sidesidera

Desideri

Non punire gli errori

Apprendere dagli errori e diffonderlinell’organizzazione

Il successo è legatoall’abilità ed il fallimentoalla sfortuna o ad altri

Percezione disuccesso efallimento

Verificare statisticamente l’esistenzadi pattern ipotizzati

Modellizzare le relazioni tra variabili

Credere che esistanopattern precisi e/ocorrelazioni tra variabili

Correlazioniillusorie

Fornire fin da subito informazionioggettive

Chiedere alle persone possibilivariazioni e relative motivazioni

Essere influenzati dalleinformazioni inizialiAncoraggio


distorsione



25

-- 4949 --


Ricerca di evidenze che non

supportano le previsioni Assumere il ruolo di “avvocato del

diavolo”

Enfasi ad eventi che

confermano alcuneprevisioni esottovalutazione di altri

Ricercaunilaterale dievidenza

Coinvolgere persone con back-grounded esperienza differenti

Osservare le situazionicon l’unica prospettivadel proprio back-ground

Percezioneselettiva

Stimare oggettivamente l’incertezza

Stimolare più persone a ipotizzareeventi/situazioni non prevedibili

Le persone tendono asottovalutare l’incertezzadei fenomeni

Sottovalutazionedell’incertezza


distorsione

-- 5050 --

Luoghi comuniLuoghi comuni

Generalmente siamo troppo ottimisti esottovalutiamo problemi e difficoltà

Possiamo valutare la nostracapacità di fallire o di averesuccesso nelle previsioni

In situazioni stabili e ripetitive l’esperienzanon aggiunge valore alle informazionistoriche oggettive

L’esperienza miglioral’accuratezza delleprevisioni

Non esiste correlazione tra la nostra

confidenza e l’accuratezza della previsione

Più siamo certi della

previsione maggiore èl’accuratezza

Le informazioni irrilevanti spesso possonocausare distorsione nella previsione

Possiamo distinguere trainformazioni utili eirrilevanti

Molte informazioni spesso creano confusionee ridondanza e aumentano solamente lanostra confidenza nella previsione, non lareale accuratezza

Più informazioni abbiamomaggiore è l’accuratezzadella previsione



26

-- 5151 --

DelphiDelphi

Metodo sviluppato negli anni 50 dalla Rand Corporation perprevedere la strategia di armamento sovietica

Basato su valutazioni dei singoli e sulla successivainterazione di gruppo al fine di:

Ridurre le influenze psicologiche

Tenere in considerazione le idee proposte da minoranze (evitare “bandwagon”)

L’obiettivo è l’ottenimento di una previsione “stabile” delfuturo tramite un processo di progressiva convergenza

Anonimato

Iterazione

Feed-back ai partecipanti

Aggregazione statistica

-- 5252 --

DelphiDelphi convenzionaleconvenzionale

Creazione di un Panel diesperti

Questionario di esplorazionedelle possibilità

Raccolta, analisi e definizione

delle possibili alternative

Questionario strutturatodi richiesta previsioni

Raccolta, analisi e feed-back dei risultati

Sintesi finale dei risultati

Richiesta motivazionivalutazioni “strane”

Centro Coordinatore

Esperti2/3 round

• Distribuzione risposte• Media• Eventuali motivazioni di

altri panelist

Modalità:• In loco• Per posta o fax• Tramite Internet



27

-- 5353 --

Il Caso Prodotto FrescoIl Caso Prodotto Fresco

Impresa operante nel settore dei prodotti freschi. Stanno valutando il lancio di una nuovaserie di yogurt proposta in 2 varianti di gusto differenti. Vengono prese in considerazione tuttele funzioni coinvolte dal prodotto, a partire dallo sviluppo prodotti, al marketing, allaproduzione, alla logistica e viene loro sottoposto un questionario relativo alla domanda attesadei 2 prodotti nei primi mesi di vita.

Per ogni esperto viene ottenuta una valutazione tabellare delle tonnellate che sarannodomandate nei primi 4 mesi di vita

Prodotto A Prodotto B

Dic. Gen. Feb. Mar. Tot. Dic. Gen. Feb. Mar. Tot.

Rossi 5 5.5 5.5 6 22 5.5 6 6 6 23.5

-- 5454 --


A partire da queste informazioni vengono fornite ad ogni esperto informazioni sulposizionamento della propria valutazione rispetto al comportamento aggregatodel panel di esperti, in forma tabellare

PRODOTTI

Previsioni di Rossi

Qui di seguito troverà le sue previsioni confrontate con la media delle previsioni dell’intero panel di

esperti. La preghiamo di valutare eventuali divergenze e di provvedere a confermare o a correggere lesue previsioni, mediante la tabella allegata alla fine di questo documento.

Prodotto A Prodotto B

Dic. Gen. Feb. Mar. Tot. Dic. Gen. Feb. Mar. Tot.

Rossi 5 5.5 5.5 6 22 5.5 6 6 6 23.5

Media 9.5 10.7 12.7 15.2 48.0 10.6 11.9 13.8 16.4 52.7

Dev.std. 10.5 10.7 12.9 15.2 48.2 11.9 12.0 14.0 17.5 54.4



28

-- 5555 --


E in forma graficaLa barra verticale indica la previsione media, mentre la freccia indica il osizionamento delle sue

previsioni sulla curva di distribuzione.

Gnocchi Ripieni Funghi Dicembre

0 3 6 9 12 1 5 18 2 1 24 2 7 30 3 3 36 3 9

tonnellate

p r o b a b i l i t à

Gnocchi Ripieni Funghi Gennaio

0 3 6 9 12 1 5 18 2 1 24 2 7 30 3 3 36 3 9

tonnellate


Gnocchi Ripieni Funghi Febbraio

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

tonnellate


Gnocchi Ripieni Funghi Marzo

0 3 6 9 1 2 1 5 1 8 2 1 2 4 2 7 3 0 3 3 3 6 3 9

tonnellate


Mese 1 Mese 2

Mese 3 Mese 4

-- 5656 --

Integrazione di tecnicheIntegrazione di tecnichejudgmentaljudgmental e statistichee statistiche

Es. Budget meeting

Coinvolgimento di più persone con obiettivi differenti

Processo lungo di negoziazione più che di decsione

Eliminazione dell’ancoraggio

Distribuzione di dati oggettivi statistici sul mercato,sul settore e sull’azienda

Valutazioni anonime di eventuali modifiche allestime statistiche e relative motivazioni

Analisi e discussione di gruppo

Valutazione ex-post dell’affidabilità statistica



29



Analisi della domanda Analisi della domanda

"An unsophist icated forecaster uses stat isti cs as a "An unsophist icated forecaster uses st at ist ics as a

drunken man uses lamp drunken man uses lamp - - posts posts - - for support rat her for support rat her

than for illumination. " than for illumination. "

After Andrew Lang Af t er Andrew Lang

-- 5858 --

ObiettiviObiettivi

Perché l’analisi della domanda?

Prima di pensare alla previsione, è necessario capire come èfatta la domanda

Comprendere le caratteristiche della serie di dati

Tipologie di dati

Rappresentazioni grafiche

Statistiche descrittive

Permettere un uso efficace dei dati

Trasformazioni

Individuare le componenti principali della domanda, inmodo da isolare l’effetto dei fenomeni checontribuiscono a determinarla

Scomposizione della domanda



30

-- 5959 --

Tipologie di datiTipologie di dati

Domanda Vs. Vendite

Stock out

Back log (riduzione livello di servizio)

Vendite perse (perdita margine di contribuzione)

Prodotto

Singolo SKU, Famiglia di prodotti, Fatturato, …

Time bucket

Giorno, settimana, mese, trimestre, anno, …

MercatoGeografico: Italia, aree di vendita, uffici vendita, …

Tipologie di clienti

-- 6060 --

Tipologie di datiTipologie di dati

Serie storiche

Sequenza di osservazioni nel tempo

Utilizzate da tecniche previsionali che cercano diprevedere la continuazione di un comportamentopassato (ipotesi di continuità)



31

-- 6161 --

Rappresentazioni graficheRappresentazioni grafiche

Visualizzare i dati è la prima cosa da fare

Caratteristiche di base dei dati

Individuazione di comportamenti ricorrenti (pattern)

Individuazione di comportamenti eccezionali

Rappresentazioni diverse per diverse tipologie didati

Grafici temporali per serie storiche

Grafici di dispersione (scatter plot) per dati cross-sectional

-- 6262 --

Serie StoricheSerie Storiche

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

g e n - 9 6

a p r - 9 6

l u g - 9 6

o t t - 9

6

g e n - 9 7

a p r - 9 7

l u g - 9 7

o t t - 9

7

g e n - 9 8

a p r - 9 8

l u g - 9 8

o t t - 9

8

g e n - 9 9

a p r - 9 9

l u g - 9 9

o t t - 9

9

g e n - 0 0

a p r - 0 0

l u g - 0 0

o t t - 0

0

g e n - 0 1

a p r - 0 1

l u g - 0 1

o t t - 0

1

g e n - 0 2

a p r - 0 2

l u g - 0 2

o t t - 0

2

domanda aggiustata

Domanda di cemento in ItaliaStagionalità annualeTrend



32

-- 6363 --

Serie StoricheSerie Storiche

Ravioli al brasato – effetti di politiche promozionali

0

100

200

300

400

500

600

700

800

S 9 8 0

2

S 9 8 0

5

S 9 8 0

8

S 9 8 1

1

S 9 8 1

4

S 9 8 1

7

S 9 8 2

0

S 9 8 2

3

S 9 8 2

6

S 9 8 2

9

S 9 8 3

2

S 9 8 3

5

S 9 8 3

8

S 9 8 4

1

S 9 8 4

4

S 9 8 4

7

S 9 8 5

0

S 9 8 5

3

S 9 9 0

3

S 9 9 0

6

S 9 9 0

9

S 9 9 1

2

S 9 9 1

5

S 9 9 1

8

S 9 9 2

1

S 9 9 2

4

S 9 9 2

7

settimane

c a r t o n i

-

1

2

-- 6464 --

Statistiche DescrittiveStatistiche Descrittive

Sintesi numeriche delle caratteristiche dei dati

Univariate: considerano un singolo set di dati (seriestorica o cross sectional)

Media, mediana, varianza, …

Bivariate: considerano la relazione fra due set didati (serie storiche o cross sectional)

Covarianza, correlazione

Singola serie storica in due diversi istanti

Autocovarianza, autocorrelazione



33

-- 6565 --

StatisticheStatistiche UnivariateUnivariate

Misure di posizione o tendenza centrale:

Media: Ordine di grandezza della domanda

Mediana: osservazione centrale Meno soggetta a distorsione in presenza di outliers

Moda: osservazione più frequente (probabilità massima)

Misure di dispersione:

Range: Ampiezza della banda di oscillazione

Varianza: Dispersione intorno alla media, unità di misura diversa

Deviazione Standard: Dispersione intorno alla media, stessa unità di misura

Coefficiente di variazione: Dispersione intorno alla media, indicatore relativo

adimensionale

∑=

=n

i

i xn 1

1μ

2σ σ =

( )

2

1

2

1

1

∑=−

−=

n

ii xn μ σ

μ

σCV =

minmax x x −

-- 6666 --

StatisticheStatistiche UnivariateUnivariate

Altri indicatori della forma di una distribuzione:

Coefficiente di asimmetria:

Se >0 coda a destra; se <0 coda a sinistra

Curtosi:

Se >0 più appuntita di una normale; se<0 più piatta

Percentili e Quartili

Il Pesimo percentile è il valore per il quale P% osservazionisono uguali o inferiori a quel valore

I quartili sono percentili “speciali”

Q 1 è il 25° percentile

Q 2 è il 50° percentile (la mediana)

Q 3 è il 75° percentile

Range interquartile

Differenza fra il 3° e il 1° quartile

( )( )( )21

3

1 −−⎟ ⎠

⎞⎜⎝

⎛ −∑= nn

n xn

i

i

σ

μ

( ) ( )( )( )( )

( )( )( )32

13

321

124

1 −−

−−

−−−

+⎟ ⎠

⎞⎜⎝

⎛ −∑= nn

n

nnn

nn xn

i

i

σ

μ

13 QQ IQR −=



34

-- 6767 --

Tendenza centraleTendenza centrale

0

5

10

15

20

25

30

35

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

voti 2003

18moda

22mediana

22,29media

-- 6868 --

Tendenza centraleTendenza centrale

0

500

1000

1500

2000

2500

3000

3500

4000

S 9 8 0

2

S 9 8 0

6

S 9 8 1

0

S 9 8 1

4

S 9 8 1

8

S 9 8 2

2

S 9 8 2

6

S 9 8 3

0

S 9 8 3

4

S 9 8 3

8

S 9 8 4

2

S 9 8 4

6

S 9 8 5

0

S 9 9 0

1

S 9 9 0

5

S 9 9 0

9

S 9 9 1

3

S 9 9 1

7

S 9 9 2

1

S 9 9 2

5

S 9 9 2

9

S 9 9 3

3

S 9 9 3

7

S 9 9 4

1

S 9 9 4

5

S 9 9 4

9

S 0 0 0

1

S 0 0 0 5

S 0 0 0 9

S 0 0 1 3

S 0 0 1 7

S 0 0 2

1

domanda

mediana

media



35

-- 6969 --

Aggiustamenti di calendarioAggiustamenti di calendario

La diversa lunghezza dei mesi può avere un impatto significativo

(31-28)/30=10%

Aggiustamento:yt = xt (n° medio giorni in un mese) / (n° giorni nel mese t)

= xt (365.25/12) / (n° giorni nel mese t)

Anche il numero di giorni lavorativi può essere rilevante

I giorni lavorativi di un mese possono cambiare da un anno all’altro

Aggiustamento:yt = xt (n° medio giorni lavorativi in un mese) / (n° giorni lavorativinel mese t)

E’ necessario aggiustare i dati quando questi fenomeni hanno realmenteeffetto sulla domanda

Il consumo di cemento dipende dai giorni lavorativi

Il consumo di pasta mensile non dipende dai giorni lavorativi, madalla lunghezza del mese

Le vendite di automobili sono influenzate da molti fattori, lalunghezza del mese conta meno

-- 7070 --

Altri aggiustamentiAltri aggiustamenti

Inflazione

Necessario quando si considerano i prezzi

L’approccio standard consiste nell’utilizzare valoriequivalenti riferiti ad uno stesso anno

In questo modo i valori di anni diversi diventanoconfrontabili

Cambiamenti nella popolazione

Necessario quando si considera una variabile che dipendedalla popolazione totale (es. gli utenti dei mezzi pubblici)

Invece di utilizzare direttamente la grandezza desiderata,conviene considerare la popolazione totale

La grandezza considerata viene considerata come porzionedella popolazione totale (incidenza percentuale)



36

-- 7171 --

Scomposizione serie storicheScomposizione serie storiche

Le serie storiche possono avere un andamento ricorrente (pattern) In questo caso è possibile separare l’andamento dalla variabilità

casualeL’andamento si può individuare smorzando (mediando) i valori

passati, eliminando così la variabilità casuale Solitamente si cercano due componenti principali:

Stagionalità (S): fluttuazioni periodiche di lunghezza costante(es. mese, cicli meteorologici, ecc.)

Tendenza e ciclicità (T): cambiamenti di più lungo termine dilunghezza variabile

A volte è separata in due componenti, tendenza (trend) e ciclicità

Modello di riferimento:Serie storica = pattern + erroreL’errore (E) è la differenza fra serie storica effettiva e

andamento, chiamato anche componente irregolare o residuo Dal punto di vista statistico ci sono alcuni problemi teorici

Tuttavia la scomposizione viene regolarmente usata in praticacon buon successo

-- 7272 --


Modello generalext = f(St,Tt,Et)

Forma funzionaleAdditiva: xt = St + Tt + Et

La magnitudine della fluttuazione stagionale non dipende dallivello della serie

Moltiplicativa: xt = St · Tt · Et

La magnitudine della fluttuazione stagionale è proporzionale allivello della serie

Trasformazione logaritimica: log xt = log St + log Tt + log Et

Per modellizzare additivamente dati moltiplicativi

Pseudo-addittiva: xt = Tt · (St + Et -1) Utile per serie con un periodo fortemente diverso dagli altri (es.

agosto)

Aggiustamento stagionalext – St = Tt + Et

xt / St = Tt · Et



37

-- 7373 --


Modello moltiplicativo xt = St · Tt · Et

1. Stima di Tt mediamente Media Mobile

2. xt / Tt = St · Et

3. A partire da St · Et stimiamo St in base al valormedio

4. xt / (Tt · St) = Et

-- 7474 --


0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

g e n - 9 6

a p r - 9 6

l u g - 9 6

o t t - 9

6

g e n - 9 7

a p r - 9 7

l u g - 9 7

o t t - 9

7

g e n - 9 8

a p r - 9 8

l u g - 9 8

o t t - 9

8

g e n - 9 9

a p r - 9 9

l u g - 9 9

o t t - 9

9

g e n - 0 0

a p r - 0 0

l u g - 0 0

o t t - 0

0

g e n - 0 1

a p r - 0 1

l u g - 0 1

o t t - 0

1

g e n - 0 2

a p r - 0 2

l u g - 0 2

o t t - 0

2

domanda aggiustata



38

-- 7575 --

Tendenza e ciclicitTendenza e ciclicitàà

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

g e n - 9 6

a p r - 9 6

l u g - 9 6

o t t - 9

6

g e n - 9 7

a p r - 9 7

l u g - 9 7

o t t - 9

7

g e n - 9 8

a p r - 9 8

l u g - 9 8

o t t - 9

8

g e n - 9 9

a p r - 9 9

l u g - 9 9

o t t - 9

9

g e n - 0 0

a p r - 0 0

l u g - 0 0

o t t - 0

0

g e n - 0 1

a p r - 0 1

l u g - 0 1

o t t - 0

1

g e n - 0 2

a p r - 0 2

l u g - 0 2

o t t - 0

2

domanda agg iustata tendenza

-- 7676 --

StagionalitStagionalitàà

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

g e n - 9 6

a p r - 9 6

l u g - 9 6

o t t - 9

6

g e n - 9 7

a p r - 9 7

l u g - 9 7

o t t - 9

7

g e n - 9 8

a p r - 9 8

l u g - 9 8

o t t - 9

8

g e n - 9 9

a p r - 9 9

l u g - 9 9

o t t - 9

9

g e n - 0 0

a p r - 0 0

l u g - 0 0

o t t - 0

0

g e n - 0 1

a p r - 0 1

l u g - 0 1

o t t - 0

1

g e n - 0 2

a p r - 0 2

l u g - 0 2

o t t - 0

2

0%

20%

40%

60%

80%

100%

120%

140%

domanda agg iustata tendenza s tagional it à



39

-- 7777 --

Componente irregolareComponente irregolare

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

g e n - 9 6

a p r - 9 6

l u g - 9 6

o t t - 9

6

g e n - 9 7

a p r - 9 7

l u g - 9 7

o t t - 9

7

g e n - 9 8

a p r - 9 8

l u g - 9 8

o t t - 9

8

g e n - 9 9

a p r - 9 9

l u g - 9 9

o t t - 9

9

g e n - 0 0

a p r - 0 0

l u g - 0 0

o t t - 0

0

g e n - 0 1

a p r - 0 1

l u g - 0 1

o t t - 0

1

g e n - 0 2

a p r - 0 2

l u g - 0 2

o t t - 0

2

0%

20%

40%

60%

80%

100%

120%

140%

domanda aggiustata media mobile centrata

coefficienti stagionali incertezza

-- 7878 --

Media mobileMedia mobile

Un’elevata variabilità fra un periodo e il successivo(alta frequenza) non permette di distinguere fenomenisottostanti (bassa frequenza – tendenza e ciclicità)E’ necessario scomporre la serie in modo da identificarne

le componenti

La media mobile è lo strumento fondamentale persmorzare (smoothing) la serieIn questo modo si riduce la variabilità casuale fra un

periodo e il successivo

L’idea di base è che fenomeni di lungo periodo abbianovalori simili in periodi contiguiCalcolando per ogni periodo la media con i valori

immediatamente precedenti e successivi la variabilitàcasuale si compensa



40

-- 7979 --


E’ necessario definire l’ordine k, cioè l’ampiezza della mediamobile (moving average)

Es. t-1, t e t+1: 3 MA

Media mobile centrata

Es. 3 MA:

L’ordine k della media mobile centrata può essere:

Dispari: k=2m+1

Pari: k=2m

il valore in ogni periodo è la media delle due medie mobilicontigue. Es. k=4, 2x12MA

Maggiore è l’ordine della media mobile, maggiore èl’effetto di smorzamento

Medie mobili di diversa ampiezza permettono didepurare da fenomeni diversi (es. stagionalitàsettimanale oppure annuale)

( )113

1+− ++=

t t t t x x x y

∑−=

+=m

mi

it t xk

y1

∑∑+−=

+

−

−=+ +=

m

mi

it

m

mi

it t x

k x

k y

1

1

2

1

2

1

( ) ( )211112

8

1

8

1++−+−− +++++++= t t t t t t t t t x x x x x x x x y

-- 8080 --


110dic-06

112nov-06

108ott-06

109109109110set-06

108109109106ago-06107107107107lug-06

106106105109giu-06

105105105103mag-06

104105105102apr-06

104103104mar-06

105feb-06

100gen-06

2x6 MA6 MA5 MAITA



41

-- 8181 --

Media mobile centrata k = 5Media mobile centrata k = 5

0

500

1000

1500

2000

2500

3000

3500

4000

4500

g e n - 9 6

a p r - 9

6

l u g - 9 6

o t t - 9

6

g e n - 9 7

a p r - 9 7

l u g - 9 7

o t t - 9

7

g e n - 9 8

a p r - 9 8

l u g - 9 8

o t t - 9

8

g e n - 9 9

a p r - 9 9

l u g - 9 9

o t t - 9

9

g e n - 0 0

a p r - 0

0

l u g - 0 0

o t t - 0

0

g e n - 0 1

a p r - 0

1

l u g - 0 1

o t t - 0

1

g e n - 0 2

a p r - 0 2

l u g - 0 2

o t t - 0

2

-- 8282 --

Media mobile centrata k = 12Media mobile centrata k = 12

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

g e n - 9 6

a p r - 9

6

l u g - 9 6

o t t - 9

6

g e n - 9 7

a p r - 9 7

l u g - 9 7

o t t - 9

7

g e n - 9 8

a p r - 9 8

l u g - 9 8

o t t - 9

8

g e n - 9 9

a p r - 9 9

l u g - 9 9

o t t - 9

9

g e n - 0 0

a p r - 0

0

l u g - 0 0

o t t - 0

0

g e n - 0 1

a p r - 0

1

l u g - 0 1

o t t - 0

1

g e n - 0 2

a p r - 0 2

l u g - 0 2

o t t - 0

2



42

-- 8383 --

Media mobile centrataMedia mobile centrata

0

200

400

600

800

1000

1200

1400

1600

0 1 / 0 1 / 1 9 9 8

0 1 / 0 2 / 1 9 9 8

0 1 / 0 3 / 1 9 9 8

0 1 / 0 4 / 1 9 9 8

0 1 / 0 5 / 1 9 9 8

0 1 / 0 6 / 1 9 9 8

0 1 / 0 7 / 1 9 9 8

0 1 / 0 8 / 1 9 9 8

0 1 / 0 9 / 1 9 9 8

0 1 / 1 0 / 1 9 9 8

0 1 / 1 1 / 1 9 9 8

0 1 / 1 2 / 1 9 9 8

0 1 / 0 1 / 1 9 9 9

0 1 / 0 2 / 1 9 9 9

0 1 / 0 3 / 1 9 9 9

0 1 / 0 4 / 1 9 9 9

0 1 / 0 5 / 1 9 9 9

0 1 / 0 6 / 1 9 9 9

0 1 / 0 7 / 1 9 9 9

0 1 / 0 8 / 1 9 9 9

0 1 / 0 9 / 1 9 9 9

0 1 / 1 0 / 1 9 9 9

0 1 / 1 1 / 1 9 9 9

0 1 / 1 2 / 1 9 9 9

0 1 / 0 1 / 2 0 0 0

0 1 / 0 2 / 2 0 0 0

0 1 / 0 3 / 2 0 0 0

0 1 / 0 4 / 2 0 0 0

0 1 / 0 5 / 2 0 0 0

domanda giornaliera

7 MA

365 MA

-- 8484 --

Alcune osservazioniAlcune osservazioni

Maggiore l’ordine k

Maggiore è lo smorzamento

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

Se l’ordine è fissato pari al ciclo della stagionalità

Viene eliminato l’effetto della stagionalità

Si ottiene il trend

Se l’ordine è dispari (ad esempio serie di dati quadrimestrali)la valutazione della MA è semplice

Se l’ordine è pari (ad esempio serie di dati trimestrali omensili) la valutazione della MA richiede di valutare una 2 X ??MA



43

-- 8585 --

Media mobile pesataMedia mobile pesata

Formulazione generale

ai sono i pesi assegnati ad ogni osservazione, nella media mobilesemplice sono tutti uguali a 1/k

I pesi devono sommare 1

I pesi devono essere simmetrici: a i=a-i

Pesando le osservazioni, lo smorzamento è maggiore

Ogni osservazione viene inclusa e poi esclusa gradualmente

Le medie mobili combinate equivalgono ad uno schema di pesi

2x12 equivale a pesare 1/2k le osservazioni estreme

Esistono molti schemi di pesatura proposti da diversi autoriEs. Spencer S15 MA, S21 MA,

Es. Henderson H5 MA, H9 MA, H13 MA, H23 MA (Census Bureau)

Agli estremi della serie, è possibile utilizzare un set ridotto diosservazioni

I pesi devono essere riscalati in modo da sommare sempre 1

∑−=

+=m

mi

it it xa y

-- 8686 --

Scomposizione additiva classicaScomposizione additiva classica

Passo 1: calcolo della componente di tendenza-ciclicità

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

Passo 2: calcolo della serie depurata dalla tendenza

Si sottrae la componente di tendenza, lasciando la stagionalità ela componente irregolare: xt – Tt = St + Et

Passo 3: calcolo della componente stagionale

Si ipotizza che la componente stagionale sia costante

I coefficienti (indici) stagionali sono ottenuti come media ditutti i valori depurati dalla tendenza riferiti ad uno stesso mese(es. i valori di gennaio nei vari anni)

Passo 4: calcolo della componente irregolare

Sottrazione delle altre componenti dalla serie originale:Et = xt – Tt - St



44

-- 8787 --

EsempioEsempio -- DomandaDomanda

11103-05

11302-05

10801-05

11003-04

11102-04

10601-04

10503-03

10702-03

10201-03

10403-02

10502-02

10001-02

DomandaQuadr Domanda

90

95

100

105

110

115

01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05

-- 8888 --

EsempioEsempio –– Valutazione del TrendValutazione del Trend

Dati quadrimestrali: scegliamo il ciclo dellastagionalità come ordine della media mobile (k=3)

11103-05

110,6711302-05

110,3310801-05

109,6711003-04

109,0011102-04

107,3310601-04

106,0010503-03

104,6710702-03

104,3310201-03

103,6710403-02

103,0010502-02

10001-02

3 MADomandaQuadr Domanda e Trend

90

95

100

105

110

115

01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05



45

-- 8989 --

EsempioEsempio –– Valutazione dellaValutazione della StagionalitStagionalitàà

Sottraiamo dalla domanda la componente di trend appenastimata, ottenendo i coefficienti di Stagionalità ancora affettidalla componente di errore

11103-05

2,33110,6711302-05

-2,33110,3310801-05

0,33109,6711003-04

2,00109,0011102-04

-1,33107,3310601-04

-1,00106,0010503-03

2,33104,6710702-03

-2,33104,3310201-03

0,33103,6710403-02

2,00103,0010502-02

10001-02

St - Et3 MADomandaQuadr Domanda, Trend e Stagionalità

-20

0

20

40

60

80

100

120

01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05

-- 9090 --

EsempioEsempio –– Valutazione dellaValutazione della StagionalitStagionalitàà

Stimiamo i coefficienti di stagionalità in base al lorovalor medio (attenzione su periodi omologhi)

11103-05

2,33110,6711302-05

-2,33110,3310801-05

0,33109,6711003-04

2,00109,0011102-04

-1,33107,3310601-04

-1,00106,0010503-03

2,33104,6710702-03

-2,00-2,33104,3310201-03

-0,110,33103,6710403-02

2,172,00103,0010502-02

10001-02

StSt - Et3 MADomandaQuadr



46

-- 9191 --

EsempioEsempio –– Valutazione della componenteValutazione della componentedi Erroredi Errore

Sottraiamo alla domanda la componente di trendstimata e quella di stagionalità stimata

11103-05

0,172,17 2,33110,6711302-05

-0,33-2,00 -2,33110,3310801-05

0,44-0,110,33109,6711003-04

-0,172,17 2,00109,0011102-040,67-2,00 -1,33107,3310601-04

-0,89-0,11-1,00106,0010503-03

0,172,17 2,33104,6710702-03

-0,33-2,00-2,33104,3310201-03

0,44-0,110,33103,6710403-02

-0,172,172,00103,0010502-02

10001-02

EtStSt - Et3 MADomandaQuadr

Domanda, Trend, Stagionalità e Errore

-20

0

20

40

60

80

100

120

01-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05

-- 9292 --

Scomposizione moltiplicativa classicaScomposizione moltiplicativa classica

Passo 1: calcolo della componente di tendenza-ciclicità

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

Passo 2: calcolo della serie depurata dalla tendenza

Si divide la domanda per la componente di tendenza, lasciandola stagionalità e la componente irregolare: xt / Tt = St · Et

Passo 3: calcolo della componente stagionale

Si ipotizza che la componente stagionale sia costante

I coefficienti (indici) stagionali sono ottenuti come media ditutti i valori depurati dalla tendenza riferiti ad uno stesso mese(es. i valori di gennaio nei vari anni)

Passo 4: calcolo della componente irregolare

Divisione della serie originale per le altre componenti:Et = xt / (Tt · St)



47



Lo Smorzamento Lo Smorzament o

"A good f orecast er i s not smart er t han everyone "A good f orecast er i s not smart er t han everyone

else, he merely has his ignorance bet t er else, he merely has his ignorance bet t er

organised." organised."

Anonymous Anonymous

-- 9494 --

ContestoContesto

tempoistante attuale t

tempoYt

Punto di riferimento

Dati storici Yt-1Yt-2Yt-3

tempoPrevisioni richieste Ft+3Ft+2Ft+1

tempoFtValori di fit Ft-1Ft-2Ft-3

tempoErrori di fit Ft-3-Yt-3 Ft-2-Yt-2 Ft-1-Yt-1 Ft-Yt

tempoErrori di previsione Ft+3-Yt+3Ft+2-Yt+2Ft+1-Yt+1



48

-- 9595 --

Definizione del metodo di previsioneDefinizione del metodo di previsione

Step 1: scelta della serie storica di riferimentoSet di dati di inizializzazione

Set di dati di test

Step 2: scelta di un metodo in base allecaratteristiche della domandaTrend

Stagionalità

Step 3: inizializzazione del metodoUtilizzo del set di dati di inizializzazione

Step 4: test del metodoPrevisione per il set di dati di test

Misura dell’accuratezza di previsione

Iterazione del processo per ottimizzare i parametri

Step 5: decisione sull’utilizzo del metodo

-- 9696 --

Metodi di previsioneMetodi di previsione

Medie

Media mobile

Media semplice

Smorzamento esponenziale

Semplice ad un parametro

Semplice con parametro adattivo

Con tendenza lineare (Holt)

Con tendenza ridotta

Con tendenza e stagionalità (Holt-Winters)



49

-- 9797 --

Media sempliceMedia semplice

Ipotesi sottostante:

Il processo da prevedere è fondamentalmente costante

Le deviazioni sono puramente casuali (rumore)

La previsione è ottenuta come media dei valori passati

Tutte le osservazioni hanno lo stesso peso

Ogni periodo aumenta la finestra di dati storici utilizzati

La media smorza tutte le deviazioni

Se il processo sottostante non è costante

Se è stazionario l’errore medio rimane nullo

Se c’è un trend la media sistematicamente sottostima (osovrastima) la domanda

∑=

+ =t

i

it Y t

F 1

1

1

-- 9898 --

Media sempliceMedia semplice

80

90

100

110

120

130

140

1 2 3 4 5 6 7 8 9 10 1 1 12 13 14 15 16 1 7 18 19 20 21 22 23 2 4 25 2 6 27 28 29 30

mese

Domanda Media



50

-- 9999 --


La media semplice considera tutti i dati a disposizione

In caso di processi non costanti non si adatta ai cambiamenti

La media mobile semplice è una media semplice che utilizza unafinestra di dati di ampiezza fissa k

Vengono considerati soltanto i dati più recenti, permettendol’adattamento alle variazioni

E’ lo stesso strumento utilizzato per destagionalizzare le serie

Ma l’uso è diverso: la media mobile non è centrata

L’ampiezza della media mobile ne determina le caratteristiche:

Se molto ampia è poco sensibile alle variazioni

Se poco ampia è molto sensibile alle variazioni

∑+−=

+ =t

k t i

it Y k

F 1

1

1

-- 100100 --


11211312014

12913

12112

10911

10110

1039

1278

1047

1176

1045

1054

1003

1252

1051

12 MA5 MA3 MADomandaMese



51

-- 101101 --

Domanda non stazionariaDomanda non stazionaria

0

10

20

30

40

50

60

70

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

domanda

media semplice

MA 3

-- 102102 --

Smorzamento esponenzialeSmorzamento esponenziale

La media mobile semplice pesa tutte le osservazioni in modouguale (1/k)

In alternativa, si può utilizzare una media pesata

La media pesata a scopo previsionale dà maggior peso alleosservazioni più recenti

I pesi decrescono man mano che le osservazioni sono piùlontane

In questo modo la media mobile diventa più reattiva

La media mobile comunque considera un numero finito e costantedi osservazioni

Le osservazioni più vecchie non vengono più considerate

Lo smorzamento esponenziale è una media mobile pesata

I pesi decrescono esponenzialmente

Tutte le osservazioni passate vengono considerate, ma con unpeso che diventa man mano ininfluente



52

-- 103103 --

Smorzamento esponenziale sempliceSmorzamento esponenziale semplice

La previsione si basa sull’ultima osservazione disponibile e sullaprevisione che era stata effettuata per tale periodo

La nuova previsione è uguale alla precedente, aggiustata inbase all’errore di previsione (formula ricorsiva – Brown 1956)

Il parametro α è compreso fra 0 e 1

Per alfa tendente a 0 l’algoritmo è poco reattivo

Per alfa tendente a 1 l’algoritmo è molto reattivo

In presenza di un trend, l’algoritmo non può fare altro cheinseguire

Forma generale:Si tratta di una media pesata con pesi α e (1- α)

Ft è anch’essa ottenuta per smorzamento esponenziale

La previsione è una media delle osservazioni passate, pesatacon pesi esponenzialmente decrescenti

( ) ( )[ ] ( ) ( ) 1

2

1111 1111 −−−−+ −+−+=−+−+= t t t t t t t F Y Y F Y Y F α α α α α α α α

)(1 t t t t Y F F F −−=+ α

t t t

F Y F )1(1

α α −+=+

( ) ( ) ( ) ( ) 11

1

2

2

11 11...11 F Y Y Y Y F t t

t t t t α α α α α α α α −+−++−+−+= −−−+

-- 104104 --


0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

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

Alfa = 0,2

Alfa = 0,4

Alfa = 0,6

Alfa = 0,8



53

-- 105105 --

1500

2000

2500

3000

3500

4000

4500

g e n - 9 0

l u g - 9 0

g e n - 9 1

l u g - 9 1

g e n - 9 2

l u g - 9 2

g e n - 9 3

l u g - 9 3

g e n - 9 4

l u g - 9 4

g e n - 9 5

l u g - 9 5

g e n - 9 6

l u g - 9 6

g e n - 9 7

l u g - 9 7

g e n - 9 8

l u g - 9 8

g e n - 9 9

l u g - 9 9

g e n - 0 0

l u g - 0 0

g e n - 0 1

l u g - 0 1

g e n - 0 2

l u g - 0 2

domanda

Alfa = 0,1


-- 106106 --


1500

2000

2500

3000

3500

4000

4500

g e n - 9 0

l u g - 9 0

g e n - 9 1

l u g - 9 1

g e n - 9 2

l u g - 9 2

g e n - 9 3

l u g - 9 3

g e n - 9 4

l u g - 9 4

g e n - 9 5

l u g - 9 5

g e n - 9 6

l u g - 9 6

g e n - 9 7

l u g - 9 7

g e n - 9 8

l u g - 9 8

g e n - 9 9

l u g - 9 9

g e n - 0 0

l u g - 0 0

g e n - 0 1

l u g - 0 1

g e n - 0 2

l u g - 0 2

domanda

Alfa = 0,5



54

-- 107107 --


1500

2000

2500

3000

3500

4000

4500

g e n - 9 0

l u g - 9 0

g e n - 9 1

l u g - 9 1

g e n - 9 2

l u g - 9 2

g e n - 9 3

l u g - 9 3

g e n - 9 4

l u g - 9 4

g e n - 9 5

l u g - 9 5

g e n - 9 6

l u g - 9 6

g e n - 9 7

l u g - 9 7

g e n - 9 8

l u g - 9 8

g e n - 9 9

l u g - 9 9

g e n - 0 0

l u g - 0 0

g e n - 0 1

l u g - 0 1

g e n - 0 2

l u g - 0 2

domanda

Alfa = 0,9

-- 108108 --

InizializzazioneInizializzazione

Lo smorzamento esponenziale contiene sempre un termineprevisivo iniziale

In genere si pone uguale alla prima osservazione disponibile

F1 = Y1

Di conseguenza la prima previsione coincide con la primaosservazione (metodo naive)

Dopo alcuni periodi di assestamento, l’incidenza del valoreiniziale diventa trascurabile

Tanto più alfa è vicino a 1, tanto più rapidamente il valoreiniziale diventa ininfluente

( ) ( ) ( ) ( ) 11

1

2

2

11 11...11 F Y Y Y Y F t t

t t t t α α α α α α α α −+−++−+−+=−

−−+

( ) 1112 1 Y Y Y F =−+= α α



55

-- 109109 --


107,63

107,48

108,20

108,78

106,75

107,06

105,95

106,17

106,30

107,00

105,00

Previsione

106,1713

12112

10911

10110

1039

1278

1047

1176

1045

α100+(1- α)107=1054

α125+(1- α)105=1003

α105+(1- α)105=1252

1051

FormulaDomandaα=0,1

-- 110110 --

EsempioEsempio

119,72114,14108,9712913

108,24107,28107,6312112

101,42105,57107,4810911

105,18110,13108,2010110

124,82117,27108,781039

105,17107,53106,751278

115,71111,06107,061047

104,07105,13105,951176

104,73106,25106,171045

102,30107,50106,301054

123,00115,00107,001003

105,00105,00105,001252

1051

0,9 ES0,5 ES0,1 ESDomandaMese



56

-- 111111 --

OttimizzazioneOttimizzazione

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

Nello smorzamento esponenziale la definizione di alfa ècompletamente arbitraria

Generalmente si definisce alfa in modo da minimizzare unparametro di errore

MSE

MAPE

…

La ricerca di alfa viene fatta in modo empirico

Tentativi

Algoritmi di ottimizzazione non lineare

-- 112112 --

LimitiLimiti

Se la domanda è molto variabile, uno smorzamento reattivo èpoco accurato

Insegue la domanda, ma in ritardo, continuando a sbagliare

Conviene utilizzare uno smorzamento poco reattivo

E’ più stabile e si posiziona sul livello medio, riducendol’errore

Non cogliendo la variabilità della domanda, non riesce

comunque ad essere accurato Lo smorzamento semplice prevede la domanda per il primo

periodo non noto

In caso di previsioni a più lungo termine, la previsionerimane costante: Ft+x=Ft+1

In presenza di trend, lo smorzamento semplice su piùperiodi fornisce un errore crescente



57

-- 113113 --

SmorzamentoSmorzamento adattivoadattivo

Evoluzione dello smorzamento semplice che fa variare il valoredel parametro in base all’andamento della previsione

L’algoritmo diventa più o meno reattivo in base all’errore diprevisione commesso

Inizializzazione:

β = 0,2

F2 = Y1

A1 = M1 = 0

Il parametro alfa non è più arbitrario,ma autodeterminato

Il sistema si presta all’uso in sistemiautomatici perché è robusto

Tuttavia il parametro beta è arbitrario

influenza notevolmente la reattività dell’algoritmo

( )

( )

( )t t t

t t t

t t t

t

t t

t t t

Y F E

M E M

A E A

M

A

F Y F

−=−+=

−+=

=

−+=

−

−

+

1

1

1

1

1

1

β β

β β

α

α α

-- 114114 --


β=0,04

0,426281161,805468,9745214673811234512

0,099993107,442410,74354-733804387711

0,130583108,89114,21936-33803380710

0,131939113,292314,94767-211377639879

0,223233109,205124,378211585412925448

0,85201647,71087-40,6504-33410141347

0,84776648,31148-40,9569-45406341086

0,84185848,44428-40,7832-325378941145

0,78386836,92322-28,9429100386737684

134,30528-34,3053-149371938673

129,53776-29,5378-738298037192

indeterminato0029801

αt

Mt

At

Et

Ft

Yt

t



58

-- 115115 --


0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

g e n - 9 0

m a g - 9 0

s e t - 9 0

g e n - 9 1

m a g - 9 1

s e t - 9 1

g e n - 9 2

m a g - 9 2

s e t - 9 2

g e n - 9 3

m a g - 9 3

s e t - 9 3

g e n - 9 4

m a g - 9 4

s e t - 9 4

g e n - 9 5

m a g - 9 5

s e t - 9 5

g e n - 9 6

m a g - 9 6

s e t - 9 6

g e n - 9 7

m a g - 9 7

s e t - 9 7

g e n - 9 8

m a g - 9 8

s e t - 9 8

g e n - 9 9

m a g - 9 9

s e t - 9 9

g e n - 0 0

m a g - 0 0

s e t - 0 0

g e n - 0 1

m a g - 0 1

s e t - 0 1

g e n - 0 2

m a g - 0 2

s e t - 0 2

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

domanda

adattivo

Alfa

-- 116116 --

Tendenza lineare (Tendenza lineare (HoltHolt))

Estensione dello smorzamento esponenziale semplice per dati contendenza (Holt 1957)

Lt stima il livello della serie bt stima la pendenza della serie

L’algoritmo necessita di due parametri arbitrari, alfa e beta

E’ possibile prevedere su un orizzonte illimitato

La tendenza viene ipotizzata lineare

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

Fluttuazioni casuali potrebbero apparire come cambiamenti nel trend

Il parametro beta smorza appositamente la reattività di bt

( )( )

( ) ( )

mb LF

b L Lb

b LY L

t t mt

t t t t

t t t t

+=

−+−=

+−+=

+

−−

−−

11

11

1

1

β β

α α



59

-- 117117 --

Costruzione del modelloCostruzione del modello

Inizializzazione: bisogna stimare due valori iniziali

L1 = Y1

b1 = Y2-Y1

Se i primi valori sono molto diversi, si rischia di imporre unatendenza fittizia

b1 = (Y4 – Y1)/3

b1 = (Y13 – Y1)/12

In alternativa, è possibile utilizzare una regressione lineare

dei primi valori della serie Ottimizzazione: bisogna definire il valore delle due costanti

Tentativi: bisogna considerare le varie combinazioni deivalori di alfa e beta

Algoritmo di ottimizzazione non lineare

-- 118118 --

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

1,53122,012212412

1,50120,212012111

1,49118,711911810

1,50117,21171169

1,51115,81161148

1,54114,511511371,55113,1113114

6

1,54111,51111125

1,54109,91101114

1,52108,21081103

1,51106,61071072

1,50105,01051

bt

Lt

Ft

Yt

t



60

-- 119119 --

Smorzamento con tendenzaSmorzamento con tendenza

100

105

110

115

120

125

130

135

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

Domanda Ft

-- 120120 --

Tendenza eTendenza e stagionalitstagionalitàà ((HoltHolt--WintersWinters))

Estensione dello smorzamento esponenziale di Holt per dati contendenza e stagionalità (Winters 1960)

Modello moltiplicativo

Lt stima il livello della serie

bt stima la pendenza della serie

St stima la componente stagionale

s è la lunghezza della stagionalità, che è ipotizzata costante enota a priori (es. 12 per la stagionalità mensile)

L’algoritmo necessita di tre parametri arbitrari, alfa, beta egamma

( )( )

( ) ( )

( )

( ) mst t t mt

st

t

t t

t t t t

t t

st

t t

Smb LF

S L

Y S

b L Lb

b LS

Y L

+−+

−

−−

−−

−

+=

−+=

−+−=

+−+=

γ γ

β β

α α

1

1

1

11

11



61

-- 121121 --

Caratteristiche del metodoCaratteristiche del metodo

E’ possibile prevedere su un orizzonte illimitato

Tendenza e stagionalità sono ipotizzate costanti nel futuro

La tendenza viene ipotizzata lineare

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

La stagionalità viene ipotizzata moltiplicativa

Per ogni periodo si stima un coefficiente stagionale comeper la scomposizione

Se la stagionalità varia nel tempo, l’algoritmo modifica i

coefficienti Fluttuazioni casuali potrebbero apparire come cambiamenti nel

trend e nella stagionalità

Il parametro beta smorza appositamente la reattività di bt

Il parametro gamma smorza la reattività di St

-- 122122 --


Inizializzazione: bisogna stimare tre valori iniziali

L’inizializzazione richiede due stagioni complete

La lunghezza della stagionalità si può identificare con ilcorrelogramma

Se solo una è disponibile, si rischia di imporre una tendenzafittizia

Ottimizzazione: bisogna definire il valore delle tre costanti

Tentativi: bisogna considerare le varie combinazioni dei valori dialfa, beta e gamma


( )

s

ss

ss

ssssss

ss

L

Y S

L

Y S

L

Y S

s

Y Y

s

Y Y

s

Y Y

sb

Y Y Y s

L

===

⎥⎦

⎤⎢⎣

⎡ −++

−+

−=

+++=

+++

;...;;

...1

...1

22

11

2211

21



62

-- 123123 --

Tendenza eTendenza e stagionalitstagionalitàà ((HoltHolt--WintersWinters))

Estensione dello smorzamento esponenziale di Holt per dati contendenza e stagionalità (Winters 1960)

Modello additivo

Lt stima il livello della serie bt stima la pendenza della serie

St stima la componente stagionale

s è la lunghezza della stagionalità, che è ipotizzata costante enota a priori (es. 12 per la stagionalità mensile)

L’algoritmo necessita di tre parametri arbitrari, alfa, beta egamma

( ) ( )( )

( ) ( )

( ) ( )

( )mst t t mt

st t t t

t t t t

t t st t t

Smb LF

S LY S

b L Lb

b LSY L

+−+

−

−−

−−−

++=

−+−=

−+−=

+−+−=

γ γ

β β

α α

1

1

1

11

11

-- 124124 --


Inizializzazione: bisogna stimare tre valori iniziali

L’inizializzazione richiede due stagioni complete

La lunghezza della stagionalità si può identificare con ilcorrelogramma

Se solo una è disponibile, si rischia di imporre una tendenzafittizia

Ottimizzazione: bisogna definire il valore delle tre costanti

Tentativi: bisogna considerare le varie combinazioni dei valori dialfa, beta e gamma


( )

sssss

ssssss

ss

LY S LY S LY S

s

Y Y

s

Y Y

s

Y Y

sb

Y Y Y s

L

−=−=−=

⎥⎦

⎤⎢⎣

⎡ −++

−+

−=

+++=

+++

;...;;

...1

...1

2211

2211

21



63

-- 125125 --


Su lunghe serie di dati, l’inizializzazione non influenzasignificativamente le previsioni

Tuttavia se i valori iniziali sono affidabili l’algoritmo si aggiustapiù rapidamente

Esistono metodi sofisticati per inizializzare gli algoritmi

Previsione inversa

La serie di dati viene utilizzata all’inverso, dai dati più recentia quelli più vecchi

Si prevedono, con lo stesso algoritmo, i valori iniziali

Questi valori vengono utilizzati per inizializzare il modello

Stima con i minimi quadrati

I valori iniziali vengono stimati minimizzando lo scartoquadratico medio

Scomposizione

I metodi di scomposizione permettono di stimare i valori iniziali



I I am am interested interested in the future in the future because because I I wi l l wi l l spend spend t he t he rest rest of of my my

l i fe l i fe there there C.F.Kettering, Seeds for Thought

Il r uolo dell Il ruolo dell ’ ’ inf ormazione nell a previsione dell a inf ormazione nell a previsione dell a

domanda domanda



64

-- 127127 --

Metodi QuantitativiMetodi Quantitativi

Perceived

UncertaintyForecast

Production

SystemMarket

Turbulence

(forecasting

error)

Service Level

Inventory

(Errore diprevisione)

TurbolenzaProcesso digenerazione

delladomanda

RaccoltaInformativa

Algoritmo diprevisione

Informazioneraccolta

Incertezzapercepita

Focus degli

approcci classici

Focus degli

approcci innovativi

-- 128128 --

Le informazioniLe informazioni -- Cosa vuol dire?Cosa vuol dire?

Attenzione non tanto sull’algoritmo di previsionequanto sulle informazioni in input

Focus maggiormente su aspetti organizzativi

Quali sono le informazioni “importanti”?

Dove sono queste informazioni?

Chi le gestisce?

Come possono raccoglierle?

Come usarle?

Quante informazioni? (costano!)

Tecniche molto efficaci in presenza di elevataincertezza



65

-- 129129 --

Quali informazioniQuali informazioni

Logica è identificare e utilizzare informazioni chespieghino la variabilità o che permettano di coglierla

Promozioni future

Lancio di prodotti sostitutivi

Intenzioni d’acquisto

Prime vendite

…

Identificare le cause di maggiore variabilità

-- 130130 --

Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici

Caso Elettrodomestici. Impresa operante nella produzione e vendita di parti diricambio per elettrodomestici. La domanda appare altamente variabile. Metodibasati sulle serie storiche altamente inefficienti

0

50

100

150

200

250

300

350



66

-- 131131 --


Tecniche qualitative non applicabili

Previsioni da aggiornare ogni settimana

60.000 prodotti

Tecniche quantitative poco efficaci

Picchi “relativamente” regolari

Necessaria maggiore comprensione della variabilità

-- 132132 --


Le cause della variabilità della domanda

Multi-Echelon Supply Chain

Multi-Echelon s Supply Chain

Retailers

CentralWarehouse

RegionalWarehouses

Wholesaler

Retailers

CentralWarehouse

Retailers

RegionalWarehousesWholesaler



67

-- 133133 --


Mean Demand vs Mean Inventory (week 0-34)

L. 35

L. 37

L. 39

L. 41

L. 43

L. 45

L. 47

L. 49

L. 51

L. 53

98 99 00

Years

£ ( B

i l l i o n s )

SS

hhiippmmeenntt

SS

hhiippmmeenntt

SS

hhiippmmeenntt

IInn

vveennttoorryy

IInnvveennttoorryy

IInnvveennttoorryy

-- 134134 --


Su 430 clienti, 28 risultano critici

Clienti più importanti sono anche i più complessi da gestire

Clienti “perfetti” (0 clienti)

Clienti su cuiinvestire

(28 clienti)

Clienti

facilmentegestibili

?(0 clienti) ImpattoGestionale

ImpattoCommerciale

AltoBasso

Alto

Basso



68

-- 135135 --


L’effetto sulla domanda

Demand

0

100

200

300

400

1 1 8

3 5

5 2

6 9

8 6

1 0 3

1 2 0

1 3 7

1 5 4

1 7 1

1 8 8

2 0 5

days

q u a n t i t y

Stable series

0

100

200

300

400

1 2 0

3 9

5 8

7 7

9 6

1 1 5

1 3 4

1 5 3

1 7 2

1 9 1

days

q u a n t i t y

Irregular Series

0

100

200

300

400

1 2 0

3 9

5 8

7 7

9 6

1 1 5

1 3 4

1 5 3

1 7 2

1 9 1

days

q u a n t i t y

-- 136136 --


Raccolta informativa da un ristretto numero diclienti

Azione di sensibilizzazione verso i clienti

Le informazioni che i clienti usano per ordinare sonodisponibili prima dell’ordine (almeno a grandi linee)

Impatto delle loro informazioni sul servizio

Sistemi di incentivazione verso i clientiSconto su acquisto a fronte dell’accuratezza

dell’informazione

Entità dello sconto valutato in base al miglioramentodelle prestazioni



69

-- 137137 --


40%

50%

60%

70%

80%

90%

100%

0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000

Scorte

L i v e l l o d i s e r v i z i o

Prestazioni dell'impresa Tecnica quantitativa Informazioni



La Gest ione dell e scort e La Gest ione dell e scort e



70

-- 139139 --

Ruolo delle scorteRuolo delle scorte

Voce di particolare rilevanza per le imprese

Impatto diretto su Conto Economico

Impatto su Indebitamento (spesso valore superiore al25% degli asset)

Impatto sul livello di servizio

Consentono di

Disaccoppiare operazioni successive

Gestire la variabilità della domanda

Produrre anticipatamente rispetto alla domanda(importante per livellare la produzione)

-- 140140 --

Il problema decisionaleIl problema decisionale

Il problema si riconduce sostanzialmente a doverdecidere:

Quanto ordinare (size)

Quando ordinare (timing)

Ordina una quantità fissa Q

Ordina fino ad un livello di scorta predefinito S

Ordina quando le scorte scendono sotto un predefinito livello R

Ordina ogni T periodi

(S,T)(Q,T)Fissa (T)

(S,R)(Q,R)Variabile

(R)

Variabile

(S)Fissa (Q)

Frequenza

di riordino

Quantità di riordino



71

-- 141141 --

I modelli tradizionaliI modelli tradizionali

Modelli come il Lotto Economico, l’Intervallo diRiordino Fisso, ecc funzionano quando la domandapresenta particolari caratteristiche di regolarità

Domanda “relativamente” stabile

Storia sufficiente per valutare comportamento

…

Spesso tuttavia queste e altre ipotesi non si

applicano

-- 142142 --

La domandaLa domanda lumpylumpy

Una domanda è definita LUMPY quando:

Variabile, quindi caratterizzata da rilevantifluttuazioni

Sporadica, quindi caratterizzata da numerosi periodicon domanda nulla

Nervosa, quindi con significative differenze tra

osservazioni successive



72

-- 143143 --

Le fonti della domandaLe fonti della domanda lumpylumpy

Influenzata da caratteristiche del mercato:Numerosità dei clienti: al diminuire del numero dei

clienti la domanda tende a diventare più sporadica

Eterogeneità dei clienti: maggiori sono le differenze intermini di dimensioni tra i clienti, maggiore sarà lalumpiness

Frequenza delle richieste dei clienti: la lumpinessdiminuisce all’aumentare della frequenza delle

richieste dei clientiVarietà delle richieste dei clienti: la lumpiness

aumenta se ogni cliente ha richieste differenti intermini di dimensioni

Correlazione tra le richieste dei clienti: lumpinessaumenta tanto più tale correlazione è presente.

-- 144144 --

Le fonti della domandaLe fonti della domanda lumpylumpy-- Alcuni esempiAlcuni esempi --

Parti di ricambio

(esempio nel settore deglielettrodomestici bianchi)

Politiche promozionali(esempio nel settore delfood)



73

-- 145145 --

Quali sono i problemi?Quali sono i problemi?

I metodi tradizionali (sia di previsione che diriordino) non sono in grado di gestireopportunamente questo tipo di domanda

Non valgono numerose assunzioni dei modelli (ad es.domanda o errori di previsione distribuiti secondo unanormale)

I metodi cercano di rilevare le regolarità delle serie:

problema quando le irregolarità sono maggiori delleregolarità

Fenomeni di distorsione dei modelli

Spesso pochi dati su cui stimare i modelli

-- 146146 --

Quali sono i problemi?Quali sono i problemi?-- Alcuni esempiAlcuni esempi --

Smorzamento esponenziale applicato ad una serie“relativamente” regolare

Smorzamento esponenziale applicato ad una seriealtamente irregolare



74

-- 147147 --

Quali sono i problemi?Quali sono i problemi?-- Alcuni esempiAlcuni esempi --

Il livello delle scorte necessario per servire ladomanda

Scorte eccessive in moltissimi periodi

0

10

20

30

40

50

60

70

80

90

Time

D e m a n d

-- 148148 --

Metodi di gestioneMetodi di gestione

Differenti a seconda del tipo di problemaconsiderato

Possibile dividerli a seconda del ciclo di vita delprodotto

Metodi per prodotti in fase di introduzione

Metodi per prodotti in fase di maturità



75

-- 149149 --

Metodi per prodotti in fase diMetodi per prodotti in fase di

introduzioneintroduzione-- EarlyEarly SalesSales --

Ipotizziamo di dover lanciare sul mercato un nuovoprodotto mai venduto prima dall’impresa.

Non abbiamo dati storici utilizzabili (neanche perprodotti similari), come prevediamo la domanda ecome decidiamo quanto produrne e metterne ascorta?

E se il prodotto ha oltretutto un ciclo di vita molto

breve (ad esempio un capo di abbigliamentostagionale)?

L’approccio Early Sales considera di utilizzare i datisulle prime vendite per operare un aggiornamentosulle stime della domanda futura di tale prodotto.

-- 150150 --

Metodi per prodotti in fase diMetodi per prodotti in fase diintroduzioneintroduzione-- EarlyEarly SalesSales --

0

500

1000

1500

2000

2500

3000

3500

4000

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

D o

m a n d a

A



76

-- 151151 --



Il problema:Se ordino alla produzione troppi prodotti, rischio di

avere un costo molto elevato di stock che poi nonriesco a vendere

Se ordino poco alla produzione, rischio di avere uncosto molto elevato a causa delle rotture di stock

L’idea:Prima del lancio del prodotto: formulo una prima

previsione in base alla quale cerco di formulare unaprima stima di quanto sicuramente sarò in grado divendere

Dopo il lancio del prodotto: Appena vedo i primi ordiniposso riaggiornare tale previsione correggendo gliordini in produzione

-- 152152 --


A partire dalle primevendite (early sales finoal tempo k) cerco distimare il profilo delladomanda cumulata neltempo

Approccio efficace se visono forti somiglianzetra early buyer e latebuyer



77

-- 153153 --


introduzioneintroduzione-- EarlyEarly SalesSales ––

Prodotto

A

Prodotto

B

Carolyn Laura Tom Kenny Wally Wendy Media

1200

1500

1150 1250 1300 1100 1200 1200 65

700 1200 300 2075 1425 1200 572

Dev. Std

Utilizzo un panel di esperti per stimare la domandadi un prodotto prima del suo lancio

Prima delPrima del

lancio dellancio delprodottoprodotto

-- 154154 --

Metodi per prodotti in fase diMetodi per prodotti in fase diintroduzioneintroduzione-- EarlyEarly SalesSales ––

Carolyn Laura Tom Kenny Wally Wendy Media Dev. Std

1200

1500

1150 1250 1300 1100 1200 1200 65

700 1200 300 2075 1425 1200 572

Coefficiente di VariazioneCV = Dev. Std / Media

Prodotto A 6%Prodotto B 48%

A partire da tali stime posso valutare la media e ladeviazione standard delle stime

Prima delPrima dellancio dellancio delprodottoprodotto

Prodotto

A

Prodotto

B



78

-- 155155 --

0

200

400

600

800

1000

1200

1400

0 110 220 330

Deviazione standard delle previsioni individuali di

un comitato di sei persone

Errore di

previsione

Errore

grande

Errore

piccoloGrande

accordo Scarso accordo

Errore

medio=

150 unità

Errore medio=

252 unità



Il comitato è un modo potente per determinare che cosa si puòe che cosa non si può prevedere

Prima delPrima del


-- 156156 --


La distribuzione storica degli errori di previsione segue la curvanormale a campana




79

-- 157157 --

1200

Distribuzione di probabilità per le vendite di un prodottoMedia = 1200 Deviazione standard = 230



La distribuzione normale modellizza l’incertezza delladomanda

Prima delPrima del


-- 158158 --


1200

Questa è la parte di domandache sono “sicuro” di ricevere.

La realizzo subito

Questa è la parte di domandache non sono “sicuro” di

ricevere.La realizzo dopo

970

Distribuzione di probabilità per le vendite di un prodottoMedia = 1200 Deviazione standard = 230

La distribuzione normale modellizza l’incertezza delladomanda




80

-- 159159 --

I dati di un prodotto

Prezzo all’ingrosso Meno

costo della fornitura

commissioni di vendita

trasporto e consegna

Margine di profitto

Prezzo scontato Meno

costo della fornitura

trasporto e consegna

Perdita

€ 200

10030

25

_____ € 45 Costo di sotto-produzione

€ 120

100

35

_____

(€15) Costo di sovra-produzione



Prima delPrima del


-- 160160 --


ProdurreProdurre finofino alal puntopunto in cuiin cuiLaLa probabilitprobabilitàà didi venderevendere xx ilil costocosto di sottodi sotto--produzioneproduzione ==

allaalla probabilitprobabilitàà di nondi non venderevendere perper ilil costocosto didi sovrasovra--produzioneproduzione

CostoCosto di sottodi sotto--produzioneproduzione = $45= $45

CostoCosto didi sovrasovra--produzioneproduzione = $15= $15

.25 x 45 = .75 x 15.25 x 45 = .75 x 15

1200 1430

ProbabilitProbabilitàà = .25= .25

Analisiprobabilistica diBreak-Even




81

-- 161161 --



Detti

c0 il costo di Over stock per unità

cs il costo di Stock out per unità

p(x) la distribuzione della domanda

Z(α) il livello delle scorte

α rappresenta la probabilità cumulata di avere una domandainferiore a Z(α)

Il costo atteso è pari a:

Il costo atteso minimo si ha ponendo a 0 la derivata del costo atteso,quindi quando:

Da cui:

Prima delPrima del


∫ ∫ +∞

∞−

−⋅⋅+⋅⋅=)(

)(

))(1()(α

α

Z

s

Z

o dx x pc xdx x pc xCA

0)))((1()())(()( =−⋅⋅−⋅⋅ α α α α Z pc Z Z pc Z so

)1(

0)1(

α α

α α

−⋅=⋅

=−⋅−⋅

so

so

cc

cc

-- 162162 --


0

500

1000

1500

2000

2500

3000

3500

4000

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

D o m a n

d a

A


La previsione iniziale



82

-- 163163 --



0

500

1000

1500

2000

2500

3000

3500

4000

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

D o m

a n d a

A

Dopo il lancioDopo il lancio

del prodottodel prodotto

La previsione con il 20% della domanda conosciuta.

Guardando i primi ordini posso riformulare le previsioniottenendo un forte aumento dell’accuratezza

-- 164164 --


0

500

1000

1500

2000

2500

3000

3500

4000

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

D o m a n

d a

A

Dopo il lancioDopo il lanciodel prodottodel prodotto

La previsione con l’80% della domanda conosciuta



83

-- 165165 --

Metodi per prodotti in fase di maturitMetodi per prodotti in fase di maturitàà-- I modelliI modelli PoissonianiPoissoniani ––

Frequentemente si osserva che la domanda diprodotti con riordini sporadici sia ben modellizzatada una distribuzione di Poisson.

Tale distribuzione è spesso utilizzata permodellizzare i processi di decadimento (ad esempioradioattivo)

Una variabile è distribuita secondo una Poissonianase la probabilità di ottenere m successi è pari a:

Dove il parametro a rappresenta la frequenza mediadell’evento osservato

am

m em

aP −=

!

-- 166166 --


Nel nostro ambito gli eventi considerati sonol’occorrenza di ordini.

In altri termini mediante la Poissoniana possiamostimare la probabilità che si presentino un certonumero di ordini in un dato periodo di tempo

Assumere tale distribuzione è valido se:

La domanda media che si presenta durante il tempo diapprovvigionamento è bassa

La media e la varianza della domanda sono simili(ricordate che così è nella Poissoniana)

Le richieste si presentano singolarmente

Gli ordini sono indipendenti tra loro



84

-- 167167 --


Supponiamo che il livello delle scorte attualmenterilevato sia pari a k, che il tempo diapprovvigionamento sia pari a t e che la domandamedia per periodo sia pari a d

Qual è la probabilità di andare in stockout?

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

approvvigionamento è maggiore del livello dellescorte.

-- 168168 --


In base al modello Poissoniano, la probabilità diricevere 0 ordini corrisponde alla probabilità diavere 0 successi, ovvero:

La probabilità di ricevere 1 ordine è:

E via dicendo…

Lo stockout si verifica quando la domanda èmaggiore di k. Quindi la probabilità di andare instock-out è:

d ed

P −=!0

0

0

d ed

P −=

!1

1

1

∑∑=

∞

+=− −==

k

i

i

k i

iout stock PPP01

1



85

-- 169169 --

Un esempioUn esempio

Consideriamo un prodotto che ha ricevuto ordini perun totale di 10 pezzi nell’ultimo anno

Attualmente le scorte sono pari a 4 pezzi

Il tempo di approvvigionamento è pari a 2 mesi.

L’impresa adotta una politica per cui vuole garantireun livello di servizio pari almeno al 99%

E’ necessario effettuare un riordino?

-- 170170 --


In base ai dati:

d = 10 [pezzi/anno] / 12 [mesi/anno] * 2 [mesi/LT] =0,83 [pezzi/LT]

Quindi consideriamo la distribuzione:

Da questa:

Quindi:

Occorre riordinare

83,0

!

83,0 −= ei

Pi

i

362,0!1

83,083,0

1

1 == −eP 150,0!2

83,083,0

2

2 ==−

eP

042,0!3

83,0 83,03

3 == −eP 009,0!4

83,0 83,04

4 == −eP

436,0!0

83,0 83,0

0

0 == −eP

002,0101

=−== ∑∑=

∞

+=−

k

i

i

k i

iout stock PPP



86

-- 171171 --

Metodi per prodotti in fase di maturitMetodi per prodotti in fase di maturitàà-- Il metodo diIl metodo di CrostonCroston ––

Assumiamo che la domanda abbia un andamentotipo:

Applicando uno smorzamento esponenziale laprevisione è:

Croston (1972) osserva che se assumiamo che ladimensione della domanda segua una distribuzioneNormale e gli interarrivi seguono una distribuzionedi Bernoulli, tale stima è distorta:

-- 172172 --

Metodi per prodotti in fase di maturitMetodi per prodotti in fase di maturitàà-- Il metodo diIl metodo di CrostonCroston --

Croston propone quindi di stimare la domanda inmodo differente, separando la stima delladimensione della domanda da quella degli interarrivi

Detta z’t la stima della dimensione della domandaeffettuata mediante uno smorzamento esponenziale

sulla dimensione della domanda effettiva Detta p’t la stima dell’interarrivo tra un dato di

domanda e il successivo, effettuata mediante unosmorzamento esponenziale degli interarrivi

Vale:



87

-- 173173 --

Metodi per prodotti in fase di maturitMetodi per prodotti in fase di maturitàà-- Il metodo diIl metodo di CrostonCroston --

In altri termini Croston elimina il problemadell’aggiornamento della previsione quando ladomanda non si presenta

Non ci dice quando un picco si presenta, ma valutain modo più accurato la sua dimensione

-- 174174 --

Metodi per prodotti in fase di maturitMetodi per prodotti in fase di maturitàà-- Il metodo diIl metodo di SyntetosSyntetos ee BoylanBoylan --

S&B (2001) osservano che la stima di Croston èdistorta, infatti

Ma

S&B mostrano che in realtà



88

-- 175175 --

Metodi per prodotti in fase di maturitMetodi per prodotti in fase di maturitàà-- Il metodo diIl metodo di SyntetosSyntetos ee BoylanBoylan --

Ad esempio, se la dimensione media degli ordini è 6,e l’intervallo tra un interarrivo e il successivo è 3Per Croston, la domanda attesa per periodo è 6/3 = 2

Per S&B è 6 * 0,549 = 3,295 (Croston ha unadistorsione pari a circa il 64,75%)

S&B dimostrano che uno stimatore non distorto delladomanda per periodo è:

Dove c è una costante

-- 176176 --


Ipotizziamo che smorzamenti tutti con alfa = 0,2 e cpari a 1,2

S&B

t Domanda SmoothingDomanda

non zeroInterarrivi

Smoothing su

dimensione

domanda

Smoothing su

interarrivi

Domanda

per

periodo

Domanda

per

periodo

1 100 100 100 100

2 0 80,4 100

3 0 64,92 100

4 90 52,736 90 3 98 3 32,66667 26,99725

5 0 43,1888 98 3 32,66667 26,997256 0 35,75104 98 3 32,66667 26,99725

7 0 30,000832 98 3 32,66667 26,99725

8 95 25,600666 95 4 97,4 3,2 30,4375 24,68

9 0 22,280532 97,4 3,2 30,4375 24,68

10 0 19,824426 97,4 3,2 30,4375 24,68

11 102 18,059541 102 3 98,32 3,16 31,11392 25,32483

12 0 16,847633 98,32 3,16 31,11392 25,32483

13 90 16,078106 90 2 96,656 2,928 33,01093 27,46962

14 0 15,662485 96,656 2,928 33,01093 27,46962

Smorz. esponenziale Croston



89

-- 177177 --


Se alla fine del 14° periodo devo decidere quanto tenere a scorta per iprossimi 4 periodi, quanto mi dicono di ordinare i diversi modelli?

S&B

t Domanda SmoothingDomanda

non zeroInterarrivi

Smoothing su

dimensione

domanda

Smoothing su

interarrivi

Domanda

per

periodo

Domanda

per

periodo

1 100 100 100 100

2 0 80,4 100

3 0 64,92 100

4 90 52,736 90 3 98 3 32,66667 26,99725

5 0 43,1888 98 3 32,66667 26,99725

6 0 35,75104 98 3 32,66667 26,99725

7 0 30,000832 98 3 32,66667 26,99725

8 95 25,600666 95 4 97,4 3,2 30,4375 24,689 0 22,280532 97,4 3,2 30,4375 24,68

10 0 19,824426 97,4 3,2 30,4375 24,68

11 102 18,059541 102 3 98,32 3,16 31,11392 25,32483

12 0 16,847633 98,32 3,16 31,11392 25,32483

13 90 16,078106 90 2 96,656 2,928 33,01093 27,46962

14 0 15,662485 96,656 2,928 33,01093 27,46962

62,64994 132,0437 109,8785

Smorz. esponenziale Croston

-- 178178 --

Tecniche e informazioniTecniche e informazioni

Perceived

UncertaintyForecast

Production

SystemMarket

Turbulence

(forecasting

error)

Service Level

Inventory

(Errore diprevisione)

TurbolenzaProcesso digenerazione

delladomanda

RaccoltaInformativa

Algoritmo diprevisione

Informazioneraccolta

Incertezzapercepita

Focus degli

approcci classici

Focus degli

approcci innovativi



90

-- 179179 --

Le informazioniLe informazioni -- Cosa vuol dire?Cosa vuol dire?

Attenzione non tanto sull’algoritmo di previsionequanto sulle informazioni in input

Focus maggiormente su aspetti organizzativi

Quali sono le informazioni “importanti”?

Dove sono queste informazioni? (e chi le gestisce?)

Quante informazioni servono? (costano!)

Tecniche molto efficaci in presenza di elevata

incertezza

-- 180180 --

Quali informazioniQuali informazioni

Logica è identificare e utilizzare informazioni chespieghino la variabilità o che permettano di coglierla

Promozioni future

Lancio di prodotti sostitutivi

Intenzioni d’acquisto

Prime vendite

…

Identificare le cause di maggiore variabilità



91

-- 181181 --


Caso Elettrodomestici. Impresa operante nella produzione e vendita di parti diricambio per elettrodomestici. La domanda appare altamente variabile. Metodibasati sulle serie storiche altamente inefficienti

0

50

100

150

200

250

300

350

-- 182182 --




60.000 SKUs attive


Problemi di aggiornamento della previsione

Picchi “relativamente” regolari

Necessaria maggiore comprensione della variabilità



92

-- 183183 --


Le cause della variabilità della domanda

Multi-Echelon Supply Chain

Multi-Echelon s Supply Chain

Retailers

CentralWarehouse

RegionalWarehouses

Wholesaler

Retailers

CentralWarehouse

Retailers

RegionalWarehousesWholesaler

-- 184184 --


Mean Demand vs Mean Inventory (week 0-34)

L. 35

L. 37

L. 39

L. 41

L. 43

L. 45

L. 47

L. 49

L. 51

L. 53

98 99 00

Years

£ ( B i l l i o n s )

SShhiippmmeenntt

SShhiippmmeenntt

SShhiippmmeenntt

IInnvveennttoorryy

IInn

vveennttoorryy

IInnvv

eennttoorryy



93

-- 185185 --


Su 430 clienti, 28 risultano critici

Clienti più importanti sono anche i più complessi da gestire

Clienti

“perfetti” (0 clienti)

Clienti su cui

investire(28 clienti)

Clientifacilmente

gestibili

?(0 clienti)

ImpattoGestionale

ImpattoCommerciale

AltoBasso

Alto

Basso

-- 186186 --


L’effetto sulla domanda

Demand

0

100

200

300

400

1 1 8

3 5

5 2

6 9

8 6

1 0 3

1 2 0

1 3 7

1 5 4

1 7 1

1 8 8

2 0 5

days

q u a n t i t y

Stable series

0

100

200

300

400

1 2 0

3 9

5 8

7 7

9 6

1 1 5

1 3 4

1 5 3

1 7 2

1 9 1

days

q u a n t i t y

Irregular Series

0

100

200

300

400

1 2 0

3 9

5 8

7 7

9 6

1 1 5

1 3 4

1 5 3

1 7 2

1 9 1

days

q u a n t i t y



94

-- 187187 --


Raccolta informativa da un ristretto numero diclienti

Azione di sensibilizzazione verso i clienti

Le informazioni che i clienti usano per ordinare sonodisponibili prima dell’ordine (almeno a grandi linee)

Impatto delle loro informazioni sul servizio

Sistemi di incentivazione verso i clienti

Sconto su acquisto a fronte dell’accuratezzadell’informazione

Entità dello sconto valutato in base al miglioramentodelle prestazioni

-- 188188 --


40%

50%

60%

70%

80%

90%

100%

0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000

Scorte

L i v e l l o d i

s e r v i z i o

Prestazioni dell'impresa Tecnica quantitativa Informazioni



95

-- 189189 --

Dove sono le informazioni?Dove sono le informazioni?Un esempio: caso AlimentariUn esempio: caso Alimentari

Caso Alimentari:

Impresa operante nel settore dei prodotti freschi.

Vende essenzialmente attraverso la grandedistribuzione (supermercati, ipermercati, ecc.)

Prodotto fresco: vita inferiore al mese, non èpraticamente stoccabile

0

1000

2000

3000

4000

5000

6000

7000

8000

S 9 9 0

1

S 9 9 0

3

S 9 9 0

5

S 9 9 0

7

S 9 9 0

9

S 9 9 1

1

S 9 9 1

3

S 9 9 1

5

S 9 9 1

7

S 9 9 1

9

S 9 9 2

1

S 9 9 2

3

S 9 9 2

5

S 9 9 2

7

S 9 9 2

9

S 9 9 3

1

S 9 9 3

3

S 9 9 3

5

S 9 9 3

7

S 9 9 3

9

S 9 9 4

1

S 9 9 4

3

S 9 9 4

5

S 9 9 4

7

S 9 9 4

9

S 9 9 5

1

S 0 0 0

1

S 0 0 0 3

S 0 0 0 5

S 0 0 0 7

S 0 0 0 9

S 0 0 1

1

S 0 0 1 3

S 0 0 1 5

S 0 0 1 7

S 0 0 1 9

S 0 0 2

1

settimane

u n i t àRavioli al brasato

-- 190190 --

Un esempio: caso AlimentariUn esempio: caso Alimentari

0

100

200

300

400

500

600

700

800

S 9 8

0 2

S 9 8 0

5

S 9 8

0 8

S 9 8

1 1

S 9 8 1

4

S 9 8

1 7

S 9 8

2 0

S 9 8 2

3

S 9 8

2 6

S 9 8

2 9

S 9 8 3

2

S 9 8

3 5

S 9 8 3

8

S 9 8 4

1

S 9 8

4 4

S 9 8 4

7

S 9 8

5 0

S 9 8

5 3

S 9 9 0

3

S 9 9

0 6

S 9 9

0 9

S 9 9 1

2

S 9 9

1 5

S 9 9

1 8

S 9 9 2

1

S 9 9

2 4

S 9 9 2

7

settimane

c a r t o n i

-

1

2Ravioli al brasato – domanda di un cliente



96

-- 191191 --


0

100

200

300

400

500

600

700

800

S 9 8

0 2

S 9 8

0 5

S 9 8

0 8

S 9 8

1 1

S 9 8

1 4

S 9 8

1 7

S 9 8

2 0

S 9 8

2 3

S 9 8

2 6

S 9 8

2 9

S 9 8

3 2

S 9 8

3 5

S 9 8

3 8

S 9 8

4 1

S 9 8

4 4

S 9 8

4 7

S 9 8

5 0

S 9 8

5 3

S 9 9

0 3

S 9 9

0 6

S 9 9

0 9

S 9 9

1 2

S 9 9

1 5

S 9 9

1 8

S 9 9

2 1

S 9 9

2 4

S 9 9

2 7

settimane

c a r t o n i

-

1

2Ravioli al brasato – domanda di un cliente

-- 192192 --




60 prodotti


Storia non spiega: promozioni non sono regolari

Tecnica basata su informazioni

Elevata “regolarità” dei picchi (in dimensione)

Informazioni su promozioni disponibili in azienda Raccolta sistematica di informazioni su promozioni:

Passate: per pulire la storia

Future: per capire quando si presenteranno i picchi

Attenzione: sistemi di incentivazione per chi deve fornire leinformazioni

Trade-off tra beneficio e costo dell’informazione (spesso nonservono molte informazioni per avere buoni risultati)



97

-- 193193 --

Come usare le informazioniCome usare le informazioni

Pulire il passato

Comprendere delle serie storiche cosa va ritenuto normale

Capire il futuro

Utilizzare tali informazioni per prevedere andamenti futuri

Caso Costruzioni. Problema affrontato: stimare la domanda di materialeda costruzioni in Italia, per pianificare capacità produttiva

Attualmente il processo di previsione è completamente qualitativoe poco strutturato

E’ fondamentale avere previsioni accurate, in quanto il cementonon si tiene a scorta ed è molto costoso da trasportare su lunghedistanze

La domanda di cemento è fortemente stagionale

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

-- 194194 --

ConsumoConsumo didi CementoCemento

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

4.500

5.000

g e n - 9 0

m a g

- 9 0

s e t - 9

0

g e n - 9 1

m a g

- 9 1

s e t - 9

1

g e n - 9 2

m a g

- 9 2

s e t - 9

2

g e n - 9 3

m a g

- 9 3

s e t - 9

3

g e n - 9 4

m a g

- 9 4

s e t - 9

4

g e n - 9 5

m a g

- 9 5

s e t - 9

5

g e n - 9 6

m a g

- 9 6

s e t - 9

6

g e n - 9 7

m a g

- 9 7

s e t - 9

7

g e n - 9 8

m a g

- 9 8

s e t - 9

8

g e n - 9 9

m a g

- 9 9

s e t - 9

9

g e n - 0 0

m a g

- 0 0

s e t - 0

0

g e n - 0 1

m a g

- 0 1

s e t - 0

1

g e n - 0 2

m a g

- 0 2

s e t - 0

2



98

-- 195195 --

depurazione serie storica consumo dai grandi lavori

9.000

9.500

10.000

10.500

11.000

11.500

12.000

12.500

13.000

D i c

9 7

G i u

9 8

D i c

9 8

G i u

9 9

D i c

9 9

G i u 0 0

D i c

0 0

G i u

0 1

D i c

0 1

G i u 0 2

D i c

0 2

G i u 0 3

Totale mobile con grandi lavori Totale mobile depurato dai grandi lavori

ImpattoImpatto deidei GrandiGrandi LavoriLavori

-- 196196 --

errori medi percentuali di previsioneerrori medi percentuali di previsione

2,24%3,64%0,84%2,24%Domanda+eventi e GL

3,27%5,18%1,77%2,85%Domanda+GL

3,88%7,14%2,88%1,61%Domanda+eventi

5,03%9,04%3,84%2,21%Domanda

Media200320022001Dati utilizzati

AnnoProdotto 1


2,84%4,02%3,43%1,07%Domanda+GL

2,81%4,66%3,61%0,27%Domanda+eventi

3,50%4,88%3,77%1,86%Domanda


AnnoProdotto 3


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

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

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


AnnoProdotto 2

Rilevanza informazioniRilevanza informazioni



99

-- 197197 --

Informazioni: la collaborazioneInformazioni: la collaborazione

Interna: problema difficile Integrazione funzionale

Es. caso alimentari: marketing, vendite, pianificazione, ecc

Creare una visione interna del processo Misure di prestazione I sistemi di incentivazione I sistemi informativi

Verso l’esterno: problema molto difficileNon agire solo su leve di prezzoChiedersi cosa vuole il cliente che per noi ha un costo contenutoAlcuni esempi:

Il Vendor Managed Inventory– Cliente fornisce dati sulla domanda– Fornitore gestisce riordini del cliente

Il Collaborative Planning Forecasting Replenishment– Fornitore e Cliente elaborano previsioni in modo congiunto

Documents

17571-1 Gestione della domanda