Organizzazione della Produzione e dei Sistemi Logistici Gestione della domanda... · Organizzazione della Produzione e dei Sistemi Logistici La previsione e gestione della domanda

1

Organizzazione della Produzione e dei Organizzazione della Produzione e dei Sistemi LogisticiSistemi LogisticiSistemi LogisticiSistemi Logistici

La previsione e gestione della domandaLa previsione e gestione della domanda

La gestione della domandaLa gestione della domanda

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

Incertezza percepitaPrevisione Sistema

ProduttivoAmbiente

Turbolenza Effetti dell’incertezza

Ridefinire il problema- Riduzione del TLT - Utilizzo di comunanze

-- 22 --

Produttivo

Endogenizzare- Azioni di marketing

- Partnership

Ridurre gli effetti dell’incertezza- Slack- Flessibilità

Prevedere- Migliori informazioni

- Migliori tecniche

(errore di previsione)

2

Importanza delle previsioniImportanza delle previsioni

Impatto critico nelle attività di pianificazionepianificazione/dimensionamento capacitàinventory management

l supply managementGestione dei prodotti

phase-in, phase-outnuovi prodottiadvertising/promozioni

Azioni non possono essere prese senza alcuna previsione

Le 3 leggi di Melnyk sulle previsioni

I am interested in the future because I will spend the rest of my life there…

C.F.Kettering, Seeds for Thought

-- 33 --

gg y pTutte le previsioni sono sbagliateTutte le previsioni cambianoSiete responsabili per l’accuratezza delle previsioni

Attenzione agli effetti delle Attenzione agli effetti delle proprie decisioniproprie decisioni

L’eclisse solare del 1999

Alle 9.35 di mercoledì 11 Agosto 1999 vi fu una eclissi solare totale. Questa fu la prima visibile in UK dal 1927 e la successiva si stima sarà nel 2091. La ‘linea d’ombra’ passava per il sud ovest del paesed ombra passava per il sud-ovest del paese.Il turismo è molto importante in tale area, perciò si presero accurate misure per pianificare l’elevato numero di visitatori, a partire da una previsione del loro numero.Previsione iniziale (no precedenti): 3 milioni di personeTale previsione ebbe notevoli effetti:

Commentatori non informati cominciarono a parlare di possibili disserviziVennero cancellati numerosi festival locali per non attrarre ulteriori personeFu proibito l’accesso ad aree aperte per evitare camping illegaleAlcuni piccoli cottage vennero messi in affitto a 25.000 £ a settimanaAccesso alle scogliere venne bloccato

44

L’eclissi doveva durare 2’ 6’’!!Molte persone decisero di non andareNuova previsione a Febbraio: 1 milione di personeA Maggio: numero di prenotazioni in alberghi inferiore agli anni precedenti

La “sindrome” del budget di vendita

3

Le 6 domande chiaveLe 6 domande chiave

Quanto costa?

Quando?

Chi?

Come?

55

Cosa?

Perché?

Gli obiettiviGli obiettivi

Stimare la probabilità di occorrenza di eventi futuri (ad es. domanda superiore ad un certo valore l’assegnazione di una commessa)valore, l assegnazione di una commessa)Determinare la collocazione temporale di eventi futuri (ad es. la ricezione di un ordine)Predire la magnitudine di variabili casuali che si osserveranno nel futuro (ad es. l’impatto di una azione promozionale)Id ifi l l i à di i di d i

-- 66 --

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

Il problema del punto di disaccoppiamento

4

Il ruolo delle previsioniIl ruolo delle previsioni

MarketingProduzioneLogisticaLogisticaAmministrazione e ControlloApprovvigionamenti….

30%

40%

50%

60%

70%

80%

-- 77 --

(fonte questionario GMRG 250 imprese)

0%

10%

20%

Pre

para

zion

eB

udge

t

Pia

nific

azio

nepr

oduz

ione

Pia

nific

azio

neve

ndite

Pia

nific

azio

nesc

orte

Pia

nific

azio

neat

trezz

atur

e

Pia

nific

azio

neris

ore

uman

e

Pia

nific

azio

neac

quis

toim

pian

ti

Svi

lupp

onu

ovi p

rodo

tti

Sub

forn

itura

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

un cliente,

Processi aziendaliProcessi aziendali

e al quale questi attribuisce un “valore” ben definito

Elementi definitori1. Output

2. Fasi

3. Input

-- 88 --

Interdipendenze generiche

Interdipendenze sequenziali

Interdipendenze reciproche

4. Risorse

5. Interdipendenze

6. Metodi di gestione

5

Il Processo di previsioneIl Processo di previsione

Definizionedel problema

Raccoltainformativa

Analisipreliminare

Selezione esettaggio dei

modelli

Utilizzo evalutazione

Raccolta informativa

Definizione del problema

-- 99 --

Utilizzo e valutazione

Analisi preliminare

Selezione e settaggio dei

modelli


Definizione del problemaPasso molto difficileNecessario comprendere come la previsione sarà utilizzataN i l il i i i i di hi Necessario valutare il posizionamento organizzativo di chi opera le previsioniInterazione come tutti coloro legati alla raccolta dati, alla manutenzione database e all’uso delle previsioni.

Fondamentale comprendere:ProdottoT i di

-- 1010 --

Tempi di processoObiettiviInformazioniStrumenti

Livello di aggregazione

6

Il livello di aggregazioneIl livello di aggregazione

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

Mercato: cliente, punto vendita, regione, paese, area di , p , g , p ,businessProdotto: SKU, famiglia, fatturatoTempo: giorni, settimane, mesi, anni

Spesso si assume che i dati devono essere sempre allo stesso livello di aggregazione del processo decisionaleSpesso si dice che è sempre meglio usare dati aggregati perché è più facile NON E’ VERO

NON E’ VERO

-- 1111 --

è più facileSpesso si dice che è sempre meglio usare dati disaggregati perché è più preciso NON E’ VERO

NON E VERO


Raccolta informativaInformazioni

StatisticheCompetenzep

Fondamentale la dimensione della storiaPoco: non sufficienti informazioniTroppo: informazioni non utili e distorcenti

“Stanare” l’informazioneProblema organizzativoSistemi informativi

-- 1212 --

(Forecastingerror)

TurbulenceDemand generation

process

Informationretrieval

Forecasting algorithm

Retrievedinformation

Perceived Uncertainty

7

Consumo di Cemento in ItaliaConsumo di Cemento in Italia

4.500

5.000

1.500

2.000

2.500

3.000

3.500

4.000

1313

0

500

1.000

gen-9

0

mag-90

set-9

0ge

n-91

mag-91

set-9

1ge

n-92

mag-92

set-9

2ge

n-93

mag-93

set-9

3ge

n-94

mag-94

set-9

4ge

n-95

mag-95

set-9

5ge

n-96

mag-96

set-9

6ge

n-97

mag-97

set-9

7ge

n-98

mag-98

set-9

8ge

n-99

mag-99

set-9

9ge

n-00

mag-00

set-0

0ge

n-01

mag-01

set-0

1ge

n-02

mag-02

set-0

2

17/2/1992

Quale tipo di informazioniQuale tipo di informazioni

Trade-off costo e beneficioFuturo vs. passato

à àQuantità / Qualità / Efficacia

20%30%40%50%60%70%80%90%

-- 1414 --

0%10%20%

Info

rmaz

ioni

su c

lient

i

Con

dizi

oni

Eco

nom

iche

Attu

ali s

tock

-ou

t

Info

rmaz

ioni

su fo

rnito

ri

Ric

erch

e di

mer

cato


8


Analisi preliminare (esplorativa)Analisi dei dati

G fi D itti Grafica, Descrittiva, ecc.

Identificazione qualitativa dei principali fattori di variabilità

Trend, Stagionalità, Ciclicità, Outliers, ecc.

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

-- 1515 --

della serie

Utilizzo e valutazione di un modelloFondamentale contributo dei managerMonitoraggio

Il contributo dei managerIl contributo dei manager

Prodotto %MAD %BIAS %MAD Sistema BIAS Sistema

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

Prodotto B 11.3% 4.5% 13.9% 0.7%

Prodotto C 14.1% 6.8% 15.8% 7.4%

Prodotto D 24.3% 8.6% 20.5% -6.1%

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

Prodotto F 29.9% 15.5% 23.9% -4.9%

Prodotto G 17.9% 7.5% 27.9% -3.1%

Prodotto H 15.4% 6.1% 16.3% 2.1%

Prodotto I 9.9% 6.4% 10.4% -0.1%

-- 1616 --

Prodotto J 16.0% 7.2% 26.1% -1.7%

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

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

(risultati di un caso nel comparto alimentare)

9

Previsione diversa a seconda delle Previsione diversa a seconda delle situazionisituazioni

30000

40000

50000

60000

e id

roel

ettri

ca

Produzione idroeletticaItalia

0

10000

20000

3000018

83

1888

1893

1898

1903

1908

1913

1918

1923

1928

1933

1938

1943

1948

1953

1958

1963

1968

1973

1978

1983

1988

1993

1998

Anni

Prod

uzio

ne

350

400

450

Vendite biciclette600

700

800

Ordini di Ravioli

-- 1717 --

0

50

100

150

200

250

300

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

Mese

Uni

tà

0

100

200

300

400

500

S9802

S9805

S9808

S9811

S9814

S9817

S9820

S9823

S9826

S9829

S9832

S9835

S9838

S9841

S9844

S9847

S9850

S9853

S9903

S9906

S9909

S9912

S9915

S9918

S9921

S9924

S9927

settimane

cart

oni

Tipologie di tecnicheTipologie di tecniche

Quantitative: Dati quantitativi sono forniti a sufficienzaSerie storiche: prevedere la continuazione di un comportamento storicoExplanatory: comprendere come una variabile ne influenza un’altra

Q li i P h i f i i i i di ibili ’è Qualitative: Poche informazioni quantitative sono disponibili, ma c’è conoscenza qualitativa

Velocità telecomunicazioni nel 2000Opinioni del managementImprevedibile: Poca informazione è disponibile

Prevedere la scoperta di una nuova forma di energia

60%70%80%90%

-- 1818 --

0%10%20%30%40%50%60%

Qua

ntita

tivi

Qua

litat

ivi

Opi

nion

im

anag

emen

t


10

Tecniche quantitativeTecniche quantitative

Utilizzabili quandoInformazione riguardo il passato è disponibileTale informazione è quantificabile nella forma di un dato numericoSi può assumere che alcuni elementi del passato continueranno nel futuro (assunzione di continuità)

Diverse tipologie di tecnicheProprietàAccuratezzaCosti

-- 1919 --

MetodiIntuitivi

MetodiFormali

SempliciPoco accuratiNo info su accuratezza

Approccio sistematicoMin. errori

Tecniche quantitativeTecniche quantitative

Classificabili anche in base al modello sottostante:Modelli esplicativiAssumono che la variabile da prevedere abbia un legame Assumono che la variabile da prevedere abbia un legame con delle variabili note.Ad es. PIL = f (politiche fiscali, politiche monetarie,

importazioni, esportazioni, consumi, errore)

Serie StoricheConsiderano il sistema come una black box. Idea è che il sistema è troppo complesso ed è difficile se non impossibile comprenderlo Oltretutto può non essere così importante

-- 2020 --

comprenderlo. Oltretutto può non essere così importante comprenderlo (Ad es. regolarità macchie solari)Ad es. PILt+1 = f (PILt, PILt-1, PILt-2, PILt-3, …, errore)

11

Tecniche qualitativeTecniche qualitative

Non dati quantitativi, ma risultato di conoscenza accumulata o giudizio

Solitamente utilizzate per previsioni di medio-lungo periodo (anni)

Applicazioni anche per previsioni di breve periodo (Delphi)

-- 2121 --

Come valutare quale metodo Come valutare quale metodo adottareadottare

Fattori CriticiTempo

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

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

InputPrecedenti (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?)

-- 2222 --

OutputGrado 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?)

12


La misura degli erroriLa misura degli errori

Perchè misurare errori Perchè misurare errori previsionaliprevisionali

ControlloDefinire obiettivi

è dLa previsione è parte di un processo

Effetti manageriali

Perceived Service Level

-- 2424 --

UncertaintyForecast Production

SystemMarket

Turbulence

(forecastingerror) Inventory

13

Il grado di utilizzoIl grado di utilizzo

In generale vi è scarsa attenzione alla misura delle performance

90%

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

Rac

colta

form

ativ

a

nera

zion

eev

isio

ne

lidaz

ione

evis

ione

Mis

ura

form

ance

-- 2525 --

Processo complesso, ma fondamentale

R inf

Gen pr

e

Va pre M

perf


MisureMisure

Puntuali vs. medie 1 2 3 4 5 6

Previsione 100 120 110 80 90 110

Assolute vs. relative

Domanda 80 90 130 70 100 80

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

Errore medio 10

Errore previsione Domanda %

-- 2626 --

Distorsione vs. accuratezza

Prodotto A 30 90 33%

Prodotto B 15 40 70%

14

Cosa misurareCosa misurare

Distorsione

Di quanto mediamente

Accuratezza

Di quanto si discosta la mia Di quanto mediamente sovrastimo o sottostimo la domanda?

previsione dalla domanda?

uant

ity

Demand Forecast

antit

y Demand Forecast

-- 2727 --

time

qu

time

qu

Distorsione e AccuratezzaDistorsione e Accuratezza

Distorsione OKAccuratezza OK

2828

15


Distorsione OKAccuratezza KO

In media le frecce

2929

colpiscono il centro


Distorsione KOAccuratezza KO

Previsioni

3030

inaccurate e distorte

16

Misure di distorsioneMisure di distorsione

BIASBIAS > 0: previsione sovrastima la

domanda ∑ −=

ntt DF

BIASBIAS < 0: previsione sottostima la domanda

BIAS = 0: OK (?)

Considera errori con segnoAffetto da fenomeni di compensazioneMisura assoluta

∑=

=1t n

BIAS

-- 3131 --

time

quan

tity Demand Forecast

Misure di distorsioneMisure di distorsione

MPE (%BIAS)Considera errori con segno ⎟⎟

⎠

⎞⎜⎜⎝

⎛ −n

tt

DDF

gAffetto da fenomeni di compensazioneMisura relativa

∑=

⎠⎝=1t

t

nD

MPE

y Demand Forecast

( )

t

n

1t

tt

DnDF

%BIAS∑=

−

=

-- 3232 --

time

quan

tity Demand Forecast t

17

Misure di accuratezzaMisure di accuratezza

MADConsidera l’errore senza segnogNon affetto da errori di compensazioneMisura assoluta

ty

Demand Forecast

∑=

−=

n

1t

tt

nDF

MAD

-- 3333 --

time

quan

tit


MSE“pesa” maggiormente gli errori più grandi (effetto ( )∑ −n

tt DFMSE2

p g (scala)Problemi di interpretazioneMisura assoluta

ty

Demand Forecast

( )∑=

=1t

tt

nMSE

-- 3434 --

time

quan

tit

18


RMSE“pesa” maggiormente gli errori più grandi (effetto ( )∑ −n

tt DFRMSE2

p g (scala)Riduce problemi di interpretazioneMisura assoluta

ntity

Demand Forecast

( )∑=

=1t

tt

nRMSE

-- 3535 --

time

quan


Misure percentualiMAPE

∑=

−

=n

1t

t

tt

nD

DF

MAPE

Versione percentuale del MAD

%MADVersione percentuale del MAD

MPSEVersione percentuale del MSE ∑

⎟⎠⎞⎜

⎝⎛ −

=n

t

ttD

DF

MPSE

2t

n

1t

tt

DnDF

%MAD⎟⎟⎠

⎞⎜⎜⎝

⎛ −

=∑=

-- 3636 --

MSERMPSE

Versione percentuale del RMSE

∑=

⎟⎠⎞⎜

⎝⎛ −

=n

1t

t

tt

nD

DF

RMPSE

2

∑=1t n

19

Altre misure di accuratezzaAltre misure di accuratezza

RAECompara la attuale tt DF

RAE−Compara la attuale

previsione con quella ottenuta tramite un modello naive

Modello Naive prevede la domanda per il prossimo periodo usando esattamente l’ultima

tt

ttt DFR

RAE−

=

y Demand Forecast

-- 3737 --

esattamente l ultima osservazione

time

quan

tity Demand Forecast


MRAEMisura relativa

∑n

Influenzato dal comportamento della domanda

7

8

9

10

y

∑=

=1t

tRAEMRAE

-- 3838 --

0

1

2

3

4

5

6

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

time

quan

tity

Demand Naive Forecast

20


GMRAEInfluenzato dal 1/nn ⎤⎡comportamento della domandaFortemente influenzato da outliersDifficile interpretazione gestionale

1ttRAEGMRAE ⎥⎦

⎤⎢⎣

⎡= ∏

=

-- 3939 --


Theil’s U-statisticConfronta previsione con ∑

−++⎟⎟⎞

⎜⎜⎛ −

2111

ntt DFp

quella di metodo naïvePesa maggiormente errori maggioriE’ simile al MAPE ∑

∑−

=

+

=

++

⎟⎟⎠

⎞⎜⎜⎝

⎛ −

⎟⎟⎠

⎜⎜⎝=

1

1

2

1

1

11

n

t t

tt

t t

tt

DDD

DU

-- 4040 --

21

Principi per la misura delle previsioniPrincipi per la misura delle previsioni

Assicurarsi che le misure dell’errore non siano influenzate dalla dimensione

Le misure d’errore dovrebbero essere interpretabili

Ridurre l’effetto degli outliers

Non confrontare serie differenti mediante RMSE

-- 4141 --

Utilizzare differenti misure di errore

Linee guidaLinee guida

Spesso si misura l’errore solo in “una direzione” (ad es. il mancato raggiungimento di un budget non il suo superamento; il superamento della data di consegna non il costo per raggiungerla)Ad i lAdottare misure complete

Eventualmente utilizzare più misureCreare un sistema di KPI

Valutare l’impatto dell’errore in termini misurabili (ad es. il costo dell’errore)Definire delle soglie di controllo

22

Un esempio dal settore alimentareUn esempio dal settore alimentarest

ocko

ut

errore

Intervalli di previsioneIntervalli di previsione

Desiderabile fornire non solo previsioni ma anche stime dell’incertezzaSolitamente basate s RMSESolitamente basate su RMSE

z Probabilità

0.674 0.50

1.000 0.68

1.150 0.75

1.282 0.80

1.645 0.90

1.960 0.95

Fn+1 ± z RMSE

3000

3500

4000

4500

-- 4444 --

2.576 0.99

2000

2500

3000

0 10 20 30 40 50 60 70 80

23


Good judgment comes from experience, and experience… well Good judgment comes from experience, and experience… well that comes from poor judgmentthat comes from poor judgment

B. Baruch

Tecniche qualitative di previsioneTecniche qualitative di previsione

Tecniche Esplorative Tecniche Normative

Intenzioni

Tecniche basate su giudiziTecniche basate su giudizi(Judgmental)(Judgmental)

Basate su giudizi

individuali

(Market research)Probabilità soggettiveAnalisi congiunta

Opinioni di esperti(Sales force composites)Delphi

Judgmental Bootstrapping

-- 4646 --

Basate sulle

interazioniRole PlayingJury of executiveTeoria dei giochi

Focus GroupBrainstorming

Delphi

24

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

Tecniche basate su giudizi Tecniche basate su giudizi (Judgmental)(Judgmental)

Non esistono molti dati storiciSi devono formulare previsioni a medio-lungo termineEsiste la necessità/opportunità di incorporare l’esperienza

I risultati possono essere migliorati notevolmente integrandole con tecniche statistiche… non viceversa! (a parità di informazione)

-- 4747 --

Sono più costose delle tecniche quantitative perché coinvolgono più persone per più tempoCome nel caso delle tecniche quantitative è importante misurare e capire l’errore

Attori coinvoltiAttori coinvolti

Venditori: presenza di molte informazioni sul mercato, ma…

Influenza dello stato d’animo del momentoInfluenza dello stato d’animo del momentoTendenza alla sottostima della domanda (bonus sugli obiettivi)Tendenza alla sovrastima della domanda (per incentivare la forza vendita)Molto focalizzati sul presente e poco sulle condizioni future

-- 4848 --

futureMolto focalizzati sul prorpio mercato e poco sulle condizioni generali

25

Attori coinvoltiAttori coinvolti

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

Troppo ottimistiTroppo ottimistiConoscenza approssimativa dei segmenti di mercato

In generale, laddove esistono dati quantitativi le tecniche statistiche forniscono previsioni più accurate degli esperti

-- 4949 --

DISTORSIONE DEL GIUDIZIO (judgemental biases)

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

Caso Elco White GoodsCaso Elco White Goods

Previsione statistica (tendenza lineare)

Vendite della Elco (migliaia)

30 35

52 5765

99

50

100

150

-- 5050 --

10 1220

30

01996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

26

Caso Elco White GoodsCaso Elco White Goods

Distorsione del giudizio: famiglia nuova e vecchia

Vendite della Elco (migliaia)

30 3552 57

50

100

150

Prodotto nuovo

Prodotto

-- 5151 --

201210

30

01996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

Prodotto vecchio

Natura della distorsione del giudizioNatura della distorsione del giudizio

Tipo di distorsione Descrizione Possibili rimedi

I i

Applicazione di diversi criteri decisionali in

Formalizzare il processo decisionaleCreare regole decisionali da seguireInconsistenza criteri decisionali in

situazioni similiCreare regole decisionali da seguire

Conservazione

Inerzia a cambiare i propri modelli mentali in conseguenza di nuovi eventi o informazioni

Monitorare i cambiamenti nell’ambiente e prevedere delle procedure quando si manifestano

Influenze Attribuzione di maggior peso agli eventi recenti

Essere consapevoli che esistono dei cicli (alti e bassi)

-- 5252 --

Influenze recenti

peso agli eventi recenti rispetto a quelli passati

cicli (alti e bassi)Focalizzare tutti i fattori rilevanti che influenzano la variabile da prevedere

DisponibilitàInfluenza di eventi specifici richiamati dalla memoria a scapito di altri

Disporre di informazioni completePresentare le informazioni in modo da far emergere tutti gli aspetti rilevanti

27



Essere influenzati dalle informazioni iniziali

Fornire fin da subito informazioni oggettive

Ancoraggio informazioni iniziali oggettiveChiedere alle persone possibili variazioni e relative motivazioni

Correlazioni illusorie

Credere che esistano pattern precisi e/o correlazioni tra variabili

Verificare statisticamente l’esistenza di pattern ipotizzatiModellizzare le relazioni tra variabili

D id i

La previsione è influenzata da ciò che si

Coinvolgere nelle previsioni terze parti disinteressate

-- 5353 --

Desideri influenzata da ciò che si desidera

disinteressateUtilizzare previsioni indipendenti formulate da più persone

Percezione di successo e fallimento

Il successo è legato all’abilità ed il fallimento alla sfortuna o ad altri

Non punire gli erroriApprendere dagli errori e diffonderli nell’organizzazione



Sottovalutazione Le persone tendono a sottovalutare l’incertezza

Stimare oggettivamente l’incertezzaStimolare più persone a ipotizzare

dell’incertezzasottovalutare l incertezza dei fenomeni

Stimolare più persone a ipotizzare eventi/situazioni non prevedibili

Percezione selettiva

Osservare le situazioni con l’unica prospettiva del proprio back-ground

Coinvolgere persone con back-ground ed esperienza differenti

Ricerca unilaterale di

Enfasi ad eventi che confermano alcune previsioni e

Ricerca di evidenze che non supportano le previsioniAssumere il ruolo di “avvocato del

-- 5454 --

evidenza previsioni e sottovalutazione di altri

Assumere il ruolo di avvocato del diavolo”

28

Luoghi comuniLuoghi comuni

Più informazioni abbiamo maggiore è l’accuratezza della previsione

Molte informazioni spesso creano confusione e ridondanza e aumentano solamente la nostra confidenza nella previsione, non la reale accuratezza

Possiamo distinguere tra informazioni utili e irrilevanti

Le informazioni irrilevanti spesso possono causare distorsione nella previsione

Più siamo certi della previsione maggiore è l’accuratezza

Non esiste correlazione tra la nostra confidenza e l’accuratezza della previsione

Possiamo valutare la nostra Generalmente siamo troppo ottimisti e

-- 5555 --

capacità di fallire o di avere successo nelle previsioni

Generalmente siamo troppo ottimisti e sottovalutiamo problemi e difficoltà

L’esperienza migliora l’accuratezza delle previsioni

In situazioni stabili e ripetitive l’esperienza non aggiunge valore alle informazioni storiche oggettive

DelphiDelphi

Metodo sviluppato negli anni 50 dalla Rand Corporation per prevedere la strategia di armamento sovieticaBasato su valutazioni dei singoli e sulla successiva Basato su valutazioni dei singoli e sulla successiva interazione di gruppo al fine di:

Ridurre le influenze psicologicheTenere in considerazione le idee proposte da minoranze (evitare “band wagon”)

L’obiettivo è l’ottenimento di una previsione “stabile” del futuro tramite un processo di progressiva convergenzaAnonimato

-- 5656 --

IterazioneFeed-back ai partecipantiAggregazione statistica

29

Delphi convenzionaleDelphi convenzionale

Creazione di un Panel di esperti Centro Coordinatore

Modalità:• In loco• Per posta o fax

Questionario di esplorazione delle possibilità

Raccolta, analisi e definizione delle possibili alternative

Questionario strutturato

Esperti2/3 round

Per posta o fax• Tramite Internet

-- 5757 --

di richiesta previsioni

Raccolta, analisi e feed-back dei risultati

Sintesi finale dei risultati

Richiesta motivazioni valutazioni “strane”

• Distribuzione risposte• Media• Eventuali motivazioni di

altri panelist

Il Caso Prodotto FrescoIl Caso Prodotto Fresco

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

Prodotto A Prodotto B

-- 5858 --

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

30


A partire da queste informazioni vengono fornite ad ogni esperto informazioni sul posizionamento della propria valutazione rispetto al comportamento aggregato del panel di esperti, in forma tabellaredel panel di esperti, in forma tabellare

PRODOTTIPrevisioni di Rossi

Qui di seguito troverà le sue previsioni confrontate con la media delle previsioni dell’intero panel diesperti. 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 BDic. Gen. Feb. Mar. Tot. Dic. Gen. Feb. Mar. Tot.

-- 5959 --

Rossi 5 5.5 5.5 6 22 5.5 6 6 6 23.5Media 9.5 10.7 12.7 15.2 48.0 10.6 11.9 13.8 16.4 52.7Dev.std. 10.5 10.7 12.9 15.2 48.2 11.9 12.0 14.0 17.5 54.4


E in forma graficaLa barra verticale indica la previsione media, mentre la freccia indica il posizionamento delle sueprevisioni sulla curva di distribuzione.

Gnocchi Ripieni Funghi Dicembre

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

tonnellate

prob

abili

tà

Gnocchi Ripieni Funghi Gennaio

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

tonnellate

prob

abili

tà

Mese 1 Mese 2

-- 6060 --

Gnocchi Ripieni Funghi Febbraio

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

tonnellate

prob

abili

tà

Gnocchi Ripieni Funghi Marzo

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

tonnellate

prob

abili

tà

Mese 3 Mese 4

31

Integrazione di tecnicheIntegrazione di tecnichejudgmental e statistichejudgmental e statistiche

Es. Budget meetingCoinvolgimento di più persone con obiettivi differentiP l di i i iù h di d iProcesso lungo di negoziazione più che di decsione

Eliminazione dell’ancoraggioDistribuzione di dati oggettivi statistici sul mercato, sul settore e sull’azienda

Valutazioni anonime di eventuali modifiche alle

-- 6161 --

stime statistiche e relative motivazioniAnalisi e discussione di gruppoValutazione ex-post dell’affidabilità statistica


"An unsophisticated forecaster uses statistics as a "An unsophisticated forecaster uses statistics as a drunken man uses lampdrunken man uses lamp--posts posts -- for support rather for support rather

than for illumination. " than for illumination. " After Andrew Lang After Andrew Lang

Analisi della domandaAnalisi della domanda

32

ObiettiviObiettivi

Perché l’analisi della domanda?Prima di pensare alla previsione, è necessario capire come è fatta la domanda

Comprendere le caratteristiche della serie di datiTipologie di datiRappresentazioni graficheStatistiche descrittive

Permettere un uso efficace dei datiTrasformazioni

-- 6363 --

Individuare le componenti principali della domanda, in modo da isolare l’effetto dei fenomeni che contribuiscono a determinarla

Scomposizione della domanda

Tipologie di datiTipologie di dati

Domanda Vs. VenditeStock outBack log (riduzione livello di servizio)V di ( di i di ib i )Vendite perse (perdita margine di contribuzione)

ProdottoSingolo SKU, Famiglia di prodotti, Fatturato, …

Time bucketGiorno, settimana, mese, trimestre, anno, …

MercatoGeografico: Italia aree di vendita uffici vendita

-- 6464 --

Geografico: Italia, aree di vendita, uffici vendita, …Tipologie di clienti

33

Tipologie di datiTipologie di dati

Serie storicheSequenza di osservazioni nel tempoUtili t d t i h i i li h di Utilizzate da tecniche previsionali che cercano di prevedere la continuazione di un comportamento passato (ipotesi di continuità)

-- 6565 --

Rappresentazioni graficheRappresentazioni grafiche

Visualizzare i dati è la prima cosa da fareCaratteristiche di base dei datiI di id i di t ti i ti ( tt )Individuazione di comportamenti ricorrenti (pattern)Individuazione di comportamenti eccezionali

Rappresentazioni diverse per diverse tipologie di dati

Grafici temporali per serie storicheGrafici di dispersione (scatter plot) per dati cross-

-- 6666 --

sectional

34

Serie StoricheSerie Storiche

3 500

4.000

4.500

1 000

1.500

2.000

2.500

3.000

3.500

Domanda di cemento in Italia

-- 6767 --

0

500

1.000

gen-9

6ap

r-96

lug-96

ott-96

gen-9

7ap

r-97

lug-97

ott-97

gen-9

8ap

r-98

lug-98

ott-98

gen-9

9ap

r-99

lug-99

ott-99

gen-0

0ap

r-00

lug-00

ott-00

gen-0

1ap

r-01

lug-01

ott-01

gen-0

2ap

r-02

lug-02

ott-02

domanda aggiustataStagionalità annualeTrend

Serie StoricheSerie Storiche

Ravioli al brasato – effetti di politiche promozionali

800 2

300

400

500

600

700

cart

oni

1

-- 6868 --

0

100

200

S9802

S9805

S9808

S9811

S9814

S9817

S9820

S9823

S9826

S9829

S9832

S9835

S9838

S9841

S9844

S9847

S9850

S9853

S9903

S9906

S9909

S9912

S9915

S9918

S9921

S9924

S9927

settimane

-

35

Statistiche DescrittiveStatistiche Descrittive

Sintesi numeriche delle caratteristiche dei datiUnivariate: considerano un singolo set di dati (serie storica o cross sectional)storica o cross sectional)

Media, mediana, varianza, …

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

Covarianza, correlazione

Singola serie storica in due diversi istanti

-- 6969 --

Autocovarianza, autocorrelazione

Statistiche UnivariateStatistiche Univariate

Misure di posizione o tendenza centrale:Media:

Ordine di grandezza della domandaMediana: osservazione centrale

∑=

=n

iix

n 1

1μ

Mediana: osservazione centraleMeno 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

( )2

1

2

11 ∑

=

−−

=n

iix

nμσ

minmax xx −

-- 7070 --

p ,Deviazione Standard:

Dispersione intorno alla media, stessa unità di misuraCoefficiente di variazione:

Dispersione intorno alla media, indicatore relativo adimensionale

2σσ =

μσCV =

36

Statistiche UnivariateStatistiche Univariate

Altri indicatori della forma di una distribuzione:Coefficiente di asimmetria:

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

( )( )( )21

3

1 −−⎟⎠⎞

⎜⎝⎛ −∑

= nnnxn

i

i

σμ

Se 0 coda a destra; se 0 coda a sinistra

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

Percentili e QuartiliIl Pesimo percentile è il valore per il quale P% osservazioni sono uguali o inferiori a quel valoreI quartili sono percentili “speciali”

Q è il 25° til

( ) ( )( )( )( )

( )( )( )32

13321

1 24

1 −−−

−−−−

+⎟⎠⎞

⎜⎝⎛ −∑

= nnn

nnnnnxn

i

i

σμ

-- 7171 --

Q1 è il 25° percentileQ2 è il 50° percentile (la mediana)Q3 è il 75° percentile

Range interquartileDifferenza fra il 3° e il 1° quartile

13 QQIQR −=

Tendenza centraleTendenza centrale

30

35

10

15

20

25

voti 2003

media 22,29

mediana 22

moda 18

-- 7272 --

0

5

10

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

37

Tendenza centraleTendenza centrale

3500

4000

domanda

1000

1500

2000

2500

3000 medianamedia

-- 7373 --

0

500

S9802

S9806

S9810

S9814

S9818

S9822

S9826

S9830

S9834

S9838

S9842

S9846

S9850

S9901

S9905

S9909

S9913

S9917

S9921

S9925

S9929

S9933

S9937

S9941

S9945

S9949

S0001

S0005

S0009

S0013

S0017

S0021

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)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’altroAggiustamento:yt = xt (n° medio giorni lavorativi in un mese) / (n° giorni lavorativi nel mese t)

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

-- 7474 --

Il consumo di cemento dipende dai giorni lavorativiIl consumo di pasta mensile non dipende dai giorni lavorativi, ma dalla lunghezza del meseLe vendite di automobili sono influenzate da molti fattori, la lunghezza del mese conta meno

38

Altri aggiustamentiAltri aggiustamenti

InflazioneNecessario quando si considerano i prezziL’approccio standard consiste nell’utilizzare valori L approccio standard consiste nell utilizzare valori equivalenti riferiti ad uno stesso annoIn questo modo i valori di anni diversi diventano confrontabili

Cambiamenti nella popolazioneNecessario quando si considera una variabile che dipende dalla popolazione totale (es. gli utenti dei mezzi pubblici)Invece di utilizzare direttamente la grandezza desiderata

-- 7575 --

Invece di utilizzare direttamente la grandezza desiderata, conviene considerare la popolazione totaleLa grandezza considerata viene considerata come porzione della popolazione totale (incidenza percentuale)

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

ti li i d ì l i bilità lpassati, eliminando così la variabilità casualeSolitamente 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 di lunghezza variabile

A volte è separata in due componenti, tendenza (trend) e ciclicitàModello di riferimento:

S i t i tt

-- 7676 --

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 teoriciTuttavia la scomposizione viene regolarmente usata in pratica con buon successo

39


Modello generalext = f(St,Tt,Et)

Forma funzionaleAdditiva: xt = St + Tt + EtAdditiva: xt St + Tt + Et

La magnitudine della fluttuazione stagionale non dipende dal livello della serie

Moltiplicativa: xt = St · Tt · EtLa magnitudine della fluttuazione stagionale è proporzionale al livello della serie

Trasformazione logaritimica: log xt = log St + log Tt + log EtPer modellizzare additivamente dati moltiplicativi

Pseudo-additiva: xt = Tt · (St + Et -1)

-- 7777 --

Utile per serie con un periodo fortemente diverso dagli altri (es. agosto)

Aggiustamento stagionalext – St = Tt + Etxt / St = Tt · Et


Modello moltiplicativo xt = St · Tt · Et

1. Stima di Tt mediamente Media Mobile

2. xt / Tt = St · Et

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

4. xt / (Tt · St) = Et

-- 7878 --

40


4.000

4.500

1.500

2.000

2.500

3.000

3.500

-- 7979 --

0

500

1.000

gen-9

6ap

r-96

lug-96

ott-96

gen-9

7ap

r-97

lug-97

ott-97

gen-9

8ap

r-98

lug-98

ott-98

gen-9

9ap

r-99

lug-99

ott-99

gen-0

0ap

r-00

lug-00

ott-00

gen-0

1ap

r-01

lug-01

ott-01

gen-0

2ap

r-02

lug-02

ott-02

domanda aggiustata

Tendenza e ciclicitàTendenza e ciclicità

4.000

4.500

1.500

2.000

2.500

3.000

3.500

-- 8080 --

0

500

1.000

gen-9

6ap

r-96

lug-96

ott-96

gen-9

7ap

r-97

lug-97

ott-97

gen-9

8ap

r-98

lug-98

ott-98

gen-9

9ap

r-99

lug-99

ott-99

gen-0

0ap

r-00

lug-00

ott-00

gen-0

1ap

r-01

lug-01

ott-01

gen-0

2ap

r-02

lug-02

ott-02

domanda aggiustata tendenza

41

StagionalitàStagionalità

4.000

4.500

120%

140%

1.500

2.000

2.500

3.000

3.500

40%

60%

80%

100%

-- 8181 --

0

500

1.000

gen-9

6ap

r-96

lug-96

ott-96

gen-9

7ap

r-97

lug-97

ott-97

gen-9

8ap

r-98

lug-98

ott-98

gen-9

9ap

r-99

lug-99

ott-99

gen-0

0ap

r-00

lug-00

ott-00

gen-0

1ap

r-01

lug-01

ott-01

gen-0

2ap

r-02

lug-02

ott-02

0%

20%domanda aggiustata tendenza stagionalità

Componente irregolareComponente irregolare

4.000

4.500

120%

140%

1.500

2.000

2.500

3.000

3.500

40%

60%

80%

100%

-- 8282 --

0

500

1.000

gen-9

6ap

r-96

lug-96

ott-96

gen-9

7ap

r-97

lug-97

ott-97

gen-9

8ap

r-98

lug-98

ott-98

gen-9

9ap

r-99

lug-99

ott-99

gen-0

0ap

r-00

lug-00

ott-00

gen-0

1ap

r-01

lug-01

ott-01

gen-0

2ap

r-02

lug-02

ott-02

0%

20%domanda aggiustata media mobile centrata

coefficienti stagionali incertezza

42

Media mobileMedia mobile

Un’elevata variabilità fra un periodo e il successivo (alta frequenza) non permette di distinguere fenomeni sottostanti (bassa frequenza – tendenza e ciclicità)

E’ necessario scomporre la serie in modo da identificarne le componenti

La media mobile è lo strumento fondamentale per smorzare (smoothing) la serie

In questo modo si riduce la variabilità casuale fra un periodo e il successivo

L’id di b è h f i di l i d bbi

-- 8383 --

L’idea di base è che fenomeni di lungo periodo abbiano valori simili in periodi contigui

Calcolando per ogni periodo la media con i valori immediatamente precedenti e successivi la variabilità casuale si compensa


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

Es. t-1, t e t+1: 3 MAMedia mobile centrataMedia mobile centrata

Es. 3 MA: L’ordine k della media mobile centrata può essere:

Dispari: k=2m+1Pari: k=2m

il valore in ogni periodo è la media delle due medie mobili contigue. Es. k=4, 2x4MA

( )1131

+− ++= tttt xxxy

∑−=

+=m

miitt x

ky 1

∑∑+−=

+

−

−=+ +=

m

miit

m

miitt x

kx

ky

1

1

21

21

( ) ( )211112 81

81

++−+−− +++++++= ttttttttt xxxxxxxxy

-- 8484 --

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

Medie mobili di diversa ampiezza permettono di depurare da fenomeni diversi (es. stagionalità settimanale oppure annuale)

88

43


ITA 5 MA 6 MA 2x6 MA

gen-06 100

feb-06 105feb 06 105

mar-06 104 103 104

apr-06 102 105 105 104

mag-06 103 105 105 105

giu-06 109 105 106 106

lug-06 107 107 107 107

ago-06 106 109 109 108

set-06 110 109 109 109

-- 8585 --

ott-06 108

nov-06 112

dic-06 110

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

4000

4500

1500

2000

2500

3000

3500

-- 8686 --

0

500

1000

44

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

4.000

4.500

1.500

2.000

2.500

3.000

3.500

-- 8787 --

0

500

1.000

Media mobile centrataMedia mobile centrata

1200

1400

1600

domanda giornaliera7 MA

400

600

800

1000

365 MA

-- 8888 --

0

200

01/0

1/19

98

01/0

2/19

98

01/0

3/19

98

01/0

4/19

98

01/0

5/19

98

01/0

6/19

98

01/0

7/19

98

01/0

8/19

98

01/0

9/19

98

01/1

0/19

98

01/1

1/19

98

01/1

2/19

98

01/0

1/19

99

01/0

2/19

99

01/0

3/19

99

01/0

4/19

99

01/0

5/19

99

01/0

6/19

99

01/0

7/19

99

01/0

8/19

99

01/0

9/19

99

01/1

0/19

99

01/1

1/19

99

01/1

2/19

99

01/0

1/20

00

01/0

2/20

00

01/0

3/20

00

01/0

4/20

00

01/0

5/20

00

45

Alcune osservazioniAlcune osservazioni

Maggiore l’ordine kMaggiore è lo smorzamentoPiù dati è necessario avere (diminuiscono le “code”)Più dati è necessario avere (diminuiscono le code )

Se l’ordine è fissato pari al ciclo della stagionalitàViene eliminato l’effetto della stagionalitàSi ottiene il trend

Se l’ordine è dispari (ad esempio serie di dati quadrimestrali)

-- 8989 --

p ( p q )la valutazione della MA è sempliceSe l’ordine è pari (ad esempio serie di dati trimestrali o mensili) la valutazione della MA richiede di valutare una 2 X ?? MA

Media mobile pesataMedia mobile pesata

Formulazione generaleai sono i pesi assegnati ad ogni osservazione, nella media mobile semplice sono tutti uguali a 1/kI pesi devono sommare 1

∑−=

+=m

miitit xay

I pesi devono sommare 1I pesi devono essere simmetrici: ai=a-i

Pesando le osservazioni, lo smorzamento è maggioreOgni osservazione viene inclusa e poi esclusa gradualmente

Le medie mobili combinate equivalgono ad uno schema di pesi2xk equivale a pesare 1/2k le osservazioni estreme

Esistono molti schemi di pesatura proposti da diversi autoriE S S15 MA S21 MA

-- 9090 --

Es. 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 di osservazioni

I pesi devono essere riscalati in modo da sommare sempre 1

46

Scomposizione additiva classicaScomposizione additiva classica

Passo 1: calcolo della componente di tendenza-ciclicitàSi utilizza una media mobile centrata: Tt = 2x12 MA

Passo 2: calcolo della serie depurata dalla tendenzaSi sottrae la componente di tendenza, lasciando la stagionalità e la componente irregolare: xt – Tt = St + Et

Passo 3: calcolo della componente stagionaleSi ipotizza che la componente stagionale sia costanteI coefficienti (indici) stagionali sono ottenuti come media di tutti i valori depurati dalla tendenza riferiti ad uno stesso mese (es. i valori di gennaio nei vari anni)

-- 9191 --

(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

Esempio Esempio -- DomandaDomanda

Quadr Domanda

01-02 100

02-02 105

Domanda

115

03-02 104

01-03 102

02-03 107

03-03 105

01-04 106

02-04 111

03-04 110

01-05 108

02 05 113

95

100

105

110

-- 9292 --

02-05 113

03-05 111 9001-02 02-02 03-02 01-03 02-03 03-03 01-04 02-04 03-04 01-05 02-05 03-05

47

Esempio Esempio –– Valutazione del TrendValutazione del Trend

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

Domanda e TrendQuadr Domanda 3 MA

01-02 100

02-02 105 103,00

03-02 104 103,67

01-03 102 104,33

02-03 107 104,67

03-03 105 106,00

01-04 106 107,33

02 04 111 109 00

Domanda e Trend

100

105

110

115

-- 9393 --

02-04 111 109,00

03-04 110 109,67

01-05 108 110,33

02-05 113 110,67

03-05 111 90

95

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

Esempio Esempio –– Valutazione della StagionalitàValutazione della Stagionalità

Sottraiamo dalla domanda la componente di trend appena stimata, ottenendo i coefficienti di Stagionalità ancora affetti dalla componente di errore

Quadr Domanda 3 MA St - Et

01-02 100

02-02 105 103,00 2,00

03-02 104 103,67 0,33

01-03 102 104,33 -2,33

02-03 107 104,67 2,33

03-03 105 106,00 -1,00

01-04 106 107,33 -1,33

Domanda, Trend e Stagionalità

40

60

80

100

120

-- 9494 --

02-04 111 109,00 2,00

03-04 110 109,67 0,33

01-05 108 110,33 -2,33

02-05 113 110,67 2,33

03-05 111 -20

0

20

40

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

48

Esempio Esempio –– Valutazione della StagionalitàValutazione della Stagionalità

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

Quadr Domanda 3 MA St - Et St

01-02 100

02-02 105 103,00 2,00 2,17

03-02 104 103,67 0,33 -0,11

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

02-03 107 104,67 2,33

03-03 105 106,00 -1,00

01-04 106 107,33 -1,33

02 04 111 109 00 2 00

-- 9595 --

02-04 111 109,00 2,00

03-04 110 109,67 0,33

01-05 108 110,33 -2,33

02-05 113 110,67 2,33

03-05 111

Esempio Esempio –– Valutazione della componente Valutazione della componente di Erroredi Errore

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

Quadr Domanda 3 MA St - Et St EtQuadr Domanda 3 MA St - Et St Et

01-02 100

02-02 105 103,00 2,00 2,17 -0,17

03-02 104 103,67 0,33 -0,11 0,44

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

02-03 107 104,67 2,33 2,17 0,17

03-03 105 106,00 -1,00 -0,11 -0,89

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

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

Domanda, Trend, Stagionalità e Errore

40

60

80

100

120

-- 9696 --

03-04 110 109,67 0,33 -0,11 0,44

01-05 108 110,33 -2,33 -2,00 -0,33

02-05 113 110,67 2,33 2,17 0,17

03-05 111-20

0

20

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

49

Scomposizione moltiplicativa classicaScomposizione moltiplicativa classica

Passo 1: calcolo della componente di tendenza-ciclicitàSi utilizza una media mobile centrata: Tt = 2x12 MA

Passo 2: calcolo della serie depurata dalla tendenzaSi divide la domanda per la componente di tendenza, lasciando la stagionalità e la componente irregolare: xt / Tt = St · Et

Passo 3: calcolo della componente stagionaleSi ipotizza che la componente stagionale sia costanteI coefficienti (indici) stagionali sono ottenuti come media di tutti i valori depurati dalla tendenza riferiti ad uno stesso mese (es. i valori di gennaio nei vari anni)

-- 9797 --

(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)


"A good forecaster is not smarter than everyone "A good forecaster is not smarter than everyone else, he merely has his ignorance better else, he merely has his ignorance better

organised." organised." Anonymous Anonymous

Lo SmorzamentoLo Smorzamento

50

ContestoContesto

tempoistante attuale tPunto di riferimento

tempoYtDati storici Yt-1Yt-2Yt-3

tempoPrevisioni richieste Ft+3Ft+2Ft+1

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

tempoErrori di fit F Y F Y F Y F Y

-- 9999 --

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

Definizione del metodo di previsioneDefinizione del metodo di previsione

Step 1: scelta della serie storica di riferimentoSet di dati di inizializzazioneSet di dati di test

Step 2: scelta di un metodo in base alle caratteristiche della domanda

TrendStagionalità

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

Step 4: test del metodo

-- 100100 --

Step 4: test del metodoPrevisione per il set di dati di testMisura dell’accuratezza di previsioneIterazione del processo per ottimizzare i parametri

Step 5: decisione sull’utilizzo del metodo

51

Metodi di previsioneMetodi di previsione

MedieMedia mobileM di liMedia semplice

Smorzamento esponenzialeSemplice ad un parametroSemplice con parametro adattivoCon tendenza lineare (Holt)Con tendenza ridotta

-- 101101 --

Con tendenza e stagionalità (Holt-Winters)

Media sempliceMedia semplice

Ipotesi sottostante:Il processo da prevedere è fondamentalmente costanteLe deviazioni sono puramente casuali (rumore) tLe deviazioni sono puramente casuali (rumore)

La previsione è ottenuta come media dei valori passatiTutte le osservazioni hanno lo stesso pesoOgni periodo aumenta la finestra di dati storici utilizzatiLa media smorza tutte le deviazioni

Se il processo sottostante non è costanteSe è stazionario l’errore medio rimane nullo

∑=

+ =t

iit Y

tF

11

1

-- 102102 --

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

52

Media sempliceMedia semplice

140

Domanda Media

90

100

110

120

130

-- 103103 --

801 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

mese


La media semplice considera tutti i dati a disposizioneIn caso di processi non costanti non si adatta ai cambiamenti

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

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

E’ lo stesso strumento utilizzato per destagionalizzare le serieMa l’uso è diverso: la media mobile non è centrata

∑+−=

+ =t

ktiit Y

kF

11

1

-- 104104 --

L’ampiezza della media mobile ne determina le caratteristiche:Se molto ampia è poco sensibile alle variazioniSe poco ampia è molto sensibile alle variazioni

53


Mese Domanda 3 MA 5 MA 12 MA

1 105

2 1252 125

3 100

4 105

5 104

6 117

7 104

8 127

9 103

-- 105105 --

10 101

11 109

12 121

13 129

14 120 113 112

Domanda non stazionariaDomanda non stazionaria

60

70

20

30

40

50

-- 106106 --

0

10

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

domandamedia sempliceMA 3

54

Smorzamento esponenzialeSmorzamento esponenziale

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

In alternativa, si può utilizzare una media pesataLa media pesata a scopo previsionale dà maggior peso alle La media pesata a scopo previsionale dà maggior peso alle osservazioni più recenti

I pesi decrescono man mano che le osservazioni sono più lontaneIn questo modo la media mobile diventa più reattiva

La media mobile comunque considera un numero finito e costante di osservazioni

ù h ù d

-- 107107 --

Le osservazioni più vecchie non vengono più considerateLo smorzamento esponenziale è una media mobile pesata

I pesi decrescono esponenzialmenteTutte le osservazioni passate vengono considerate, ma con un peso che diventa man mano ininfluente

Smorzamento esponenziale sempliceSmorzamento esponenziale semplice

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

La nuova previsione è uguale alla precedente, aggiustata in base all’errore di previsione (formula ricorsiva – Brown 1956)p ( )Il parametro α è compreso fra 0 e 1Per alfa tendente a 0 l’algoritmo è poco reattivoPer alfa tendente a 1 l’algoritmo è molto reattivoIn presenza di un trend, l’algoritmo non può fare altro che inseguire

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

)(1 tttt YFFF −−=+ α

ttt FYF )1(1 αα −+=+

-- 108108 --

p p ( )Ft è anch’essa ottenuta per smorzamento esponenzialeLa previsione è una media delle osservazioni passate, pesata con pesi esponenzialmente decrescenti

( ) ( )[ ] ( ) ( ) 12

1111 1111 −−−−+ −+−+=−+−+= ttttttt FYYFYYF αααααααα

( ) ( ) ( ) ( ) 111

22

11 11...11 FYYYYF tttttt αααααααα −+−++−+−+= −−−+

55


0,8

0,9

0,3

0,4

0,5

0,6

0,7

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

-- 109109 --

0

0,1

0,2

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

4000

4500


2000

2500

3000

3500

d d

-- 110110 --

1500

gen-9

0lug

-90

gen-9

1lug

-91

gen-9

2lug

-92

gen-9

3lug

-93

gen-9

4lug

-94

gen-9

5lug

-95

gen-9

6lug

-96

gen-9

7lug

-97

gen-9

8lug

-98

gen-9

9lug

-99

gen-0

0lug

-00

gen-0

1lug

-01

gen-0

2lug

-02

domandaAlfa = 0,1

56


4000

4500

2000

2500

3000

3500

-- 111111 --

1500

gen-9

0lug

-90

gen-9

1lug

-91

gen-9

2lug

-92

gen-9

3lug

-93

gen-9

4lug

-94

gen-9

5lug

-95

gen-9

6lug

-96

gen-9

7lug

-97

gen-9

8lug

-98

gen-9

9lug

-99

gen-0

0lug

-00

gen-0

1lug

-01

gen-0

2lug

-02

domandaAlfa = 0,5


4000

4500

2000

2500

3000

3500

-- 112112 --

1500

gen-9

0lug

-90

gen-9

1lug

-91

gen-9

2lug

-92

gen-9

3lug

-93

gen-9

4lug

-94

gen-9

5lug

-95

gen-9

6lug

-96

gen-9

7lug

-97

gen-9

8lug

-98

gen-9

9lug

-99

gen-0

0lug

-00

gen-0

1lug

-01

gen-0

2lug

-02

domandaAlfa = 0,9

57

InizializzazioneInizializzazione

Lo smorzamento esponenziale contiene sempre un termine previsivo iniziale

( ) ( ) ( ) ( ) 111

22

11 11...11 FYYYYF tttttt αααααααα −+−++−+−+= −

+

In genere si pone uguale alla prima osservazione disponibileF1 = Y1

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

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

( ) ( ) ( ) ( ) 11211 11...11 FYYYYF tttt αααααααα +++++ −−+

( ) 1112 1 YYYF =−+= αα

-- 113113 --

iniziale diventa trascurabileTanto più alfa è vicino a 1, tanto più rapidamente il valore iniziale diventa ininfluente


α=0,1 Domanda Formula Previsione

1 105

2 125 α105+(1- α)105= 105,00

3 100 α125+(1- α)105= 107,00

4 105 α100+(1- α)107= 106,30

5 104 106,17

6 117 105,95

7 104 107,06

8 127 106,75

9 103 108,78

-- 114114 --

10 101 108,20

11 109 107,48

12 121 107,63

13 106,17

58

EsempioEsempio

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

1 105

2 125 105 00 105 00 105 002 125 105,00 105,00 105,00

3 100 107,00 115,00 123,00

4 105 106,30 107,50 102,30

5 104 106,17 106,25 104,73

6 117 105,95 105,13 104,07

7 104 107,06 111,06 115,71

8 127 106,75 107,53 105,17

9 103 108 78 117 27 124 82

-- 115115 --

9 103 108,78 117,27 124,82

10 101 108,20 110,13 105,18

11 109 107,48 105,57 101,42

12 121 107,63 107,28 108,24

13 129 108,97 114,14 119,72

OttimizzazioneOttimizzazione

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

Nello smorzamento esponenziale la definizione di alfa è completamente arbitrariacompletamente arbitraria

Generalmente si definisce alfa in modo da minimizzare un parametro di errore

MSEMAPE…

La ricerca di alfa viene fatta in modo empirico

-- 116116 --

pTentativiAlgoritmi di ottimizzazione non lineare

59

LimitiLimiti

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

Insegue la domanda, ma in ritardo, continuando a sbagliareConviene utilizzare uno smorzamento poco reattivo

E’ più stabile e si posiziona sul livello medio, riducendo l’erroreNon cogliendo la variabilità della domanda, non riesce comunque ad essere accurato

Lo smorzamento semplice prevede la domanda per il primo periodo non noto

-- 117117 --

pIn caso di previsioni a più lungo termine, la previsione rimane costante: Ft+x=Ft+1

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

Smorzamento adattivoSmorzamento adattivo

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

L’algoritmo diventa più o meno reattivo in base all’errore di previsione commessoprevisione commesso

Inizializzazione:β = 0,2F2 = Y1

A1 = M1 = 0Il parametro alfa non è più arbitrario,ma autodeterminato

( )

( )( ) ttt

ttt

t

tt

ttt

MEMAEA

MA

FYF

−+=

−+=

=

−+=

−

−

+

1

1

1

11

1

ββββ

α

αα

-- 118118 --

Il sistema si presta all’uso in sistemi automatici perché è robusto

Tuttavia il parametro beta è arbitrarioinfluenza notevolmente la reattività dell’algoritmo

ttt YFE −=

60


t Yt Ft Et At Mt αt

1 2980 0 0 indeterminato

2 3719 2980 -738 -29,5378 29,53776 1

3 3867 3719 -149 -34,3053 34,30528 1

4 3768 3867 100 -28,9429 36,92322 0,783868

5 4114 3789 -325 -40,7832 48,44428 0,841858

6 4108 4063 -45 -40,9569 48,31148 0,847766

7 4134 4101 -33 -40,6504 47,71087 0,852016

8 2544 4129 1585 24,37821 109,2051 0,223233

9 3987 3776 -211 14,94767 113,2923 0,131939

10 3807 3803 -3 14,21936 108,891 0,130583

-- 119119 --

β=0,04

0 380 3803 3 , 936 08,89 0, 30583

11 3877 3804 -73 10,74354 107,4424 0,099993

12 2345 3811 1467 68,97452 161,8054 0,426281


4000

4500

5000

0,8

0,9

1

1000

1500

2000

2500

3000

3500

0,2

0,3

0,4

0,5

0,6

0,7

domandaadattivoAlfa

-- 120120 --

0

500

gen-

90

mag

-90

set-9

0

gen-

91

mag

-91

set-9

1

gen-

92

mag

-92

set-9

2

gen-

93

mag

-93

set-9

3

gen-

94

mag

-94

set-9

4

gen-

95

mag

-95

set-9

5

gen-

96

mag

-96

set-9

6

gen-

97

mag

-97

set-9

7

gen-

98

mag

-98

set-9

8

gen-

99

mag

-99

set-9

9

gen-

00

mag

-00

set-0

0

gen-

01

mag

-01

set-0

1

gen-

02

mag

-02

set-0

2

0

0,1

61

Tendenza lineare (Holt)Tendenza lineare (Holt)

Estensione dello smorzamento esponenziale semplice per dati con tendenza (Holt 1957)

( )( )bLYL +−+= 111 αα

Lt stima il livello della seriebt stima la pendenza della serieL’algoritmo necessita di due parametri arbitrari, alfa e beta

( )( )( ) ( )

mbLFbLLb

bLYL

ttmt

tttt

tttt

+=−+−=++

+

−−

−−

11

11

11

ββαα

-- 121121 --

E’ possibile prevedere su un orizzonte illimitatoLa tendenza viene ipotizzata lineareSe la tendenza varia nel tempo, l’algoritmo si adatta

Fluttuazioni casuali potrebbero apparire come cambiamenti nel trendIl parametro beta smorza appositamente la reattività di bt

Costruzione del modelloCostruzione del modello

Inizializzazione: bisogna stimare due valori inizialiL1 = Y1

b1 = Y2-Y1b1 Y2 Y1

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

b1 = (Y4 – Y1)/3b1 = (Y13 – Y1)/12In alternativa, è possibile utilizzare una regressione lineare dei primi valori della serie

-- 122122 --

Ottimizzazione: bisogna definire il valore delle due costantiTentativi: bisogna considerare le varie combinazioni dei valori di alfa e betaAlgoritmo di ottimizzazione non lineare

62

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

t Yt Ft Lt bt

1 105 105,0 1,502 107 107 106,6 1,513 110 108 108,2 1,524 111 110 109,9 1,545 112 111 111,5 1,546 114 113 113,1 1,557 113 115 114,5 1,548 114 116 115,8 1,51

-- 123123 --

, ,9 116 117 117,2 1,50

10 118 119 118,7 1,4911 121 120 120,2 1,50

12 124 122 122,0 1,53

Smorzamento con tendenzaSmorzamento con tendenza

135

Domanda Ft

110

115

120

125

130

-- 124124 --

100

105

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

63

Tendenza e stagionalità (HoltTendenza e stagionalità (Holt--Winters)Winters)

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

Modello moltiplicativo

( )( )ttt

t bLSYL −− +−+= αα 1 11

Lt stima il livello della seriebt stima la pendenza della serie

( )( )

( ) ( )

( )

( ) mstttmt

stt

tt

tttt

ttst

t

SmbLF

SLYS

bLLbS

+−+

−

−−

−

+=

−+=

−+−=

γγ

ββ

1

1 11

11

-- 125125 --

t pSt stima la componente stagionales è la lunghezza della stagionalità, che è ipotizzata costante e nota a priori (es. 12 per la stagionalità mensile)L’algoritmo necessita di tre parametri arbitrari, alfa, beta e gamma

Caratteristiche del metodoCaratteristiche del metodo

E’ possibile prevedere su un orizzonte illimitatoTendenza e stagionalità sono ipotizzate costanti nel futuro

La tendenza viene ipotizzata lineareSe la tendenza varia nel tempo, l’algoritmo si adatta

La stagionalità viene ipotizzata moltiplicativaPer ogni periodo si stima un coefficiente stagionale come per la scomposizioneSe la stagionalità varia nel tempo, l’algoritmo modifica i coefficienti

Fluttuazioni casuali potrebbero apparire come cambiamenti nel

-- 126126 --

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

64


Inizializzazione: bisogna stimare tre valori iniziali

( )ss

YYYYYY

YYYs

L

⎤⎡ −−−

+++=

1

...121

L’inizializzazione richiede due stagioni completeLa lunghezza della stagionalità si può identificare con il correlogrammaSe solo una è disponibile si rischia di imporre una tendenza

s

ss

ss

ssssss

LYS

LYS

LYS

sYY

sYY

sYY

sb

===

⎥⎦⎤

⎢⎣⎡ −

++−

+−

= +++

;...;;

...1

22

11

2211

-- 127127 --

Se solo una è disponibile, si rischia di imporre una tendenza fittizia

Ottimizzazione: bisogna definire il valore delle tre costantiTentativi: bisogna considerare le varie combinazioni dei valori di alfa, beta e gammaAlgoritmo di ottimizzazione non lineare

Tendenza e stagionalità (HoltTendenza e stagionalità (Holt--Winters)Winters)

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

Modello additivo

( ) ( )( )bLSYL ++= αα 1

Lt stima il livello della seriebt stima la pendenza della serie

( ) ( )( )( ) ( )( ) ( )( )mstttmt

stttt

tttt

ttsttt

SmbLFSLYS

bLLbbLSYL

+−+

−

−−

−−−

++=−+−=−+−=

+−+−=

γγββαα

111

11

11

-- 128128 --

t pSt stima la componente stagionales è la lunghezza della stagionalità, che è ipotizzata costante e nota a priori (es. 12 per la stagionalità mensile)L’algoritmo necessita di tre parametri arbitrari, alfa, beta e gamma

65


Inizializzazione: bisogna stimare tre valori iniziali

( )ss

YYYYYY

YYYs

L

⎤⎡

+++=

1

...121

L’inizializzazione richiede due stagioni completeLa lunghezza della stagionalità si può identificare con il correlogrammaSe solo una è disponibile si rischia di imporre una tendenza

sssss

ssssss

LYSLYSLYSs

YYs

YYs

YYs

b

−=−=−=

⎥⎦⎤

⎢⎣⎡ −

++−

+−

= +++

;...;;

...1

2211

2211

-- 129129 --

Se solo una è disponibile, si rischia di imporre una tendenza fittizia

Ottimizzazione: bisogna definire il valore delle tre costantiTentativi: bisogna considerare le varie combinazioni dei valori di alfa, beta e gammaAlgoritmo di ottimizzazione non lineare


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

Tuttavia se i valori iniziali sono affidabili l’algoritmo si aggiusta più rapidamentepiù rapidamenteEsistono metodi sofisticati per inizializzare gli algoritmi

Previsione inversaLa serie di dati viene utilizzata all’inverso, dai dati più recenti a quelli più vecchiSi prevedono, con lo stesso algoritmo, i valori inizialiQuesti valori vengono utilizzati per inizializzare il modello

-- 130130 --

Stima con i minimi quadratiI valori iniziali vengono stimati minimizzando lo scarto quadratico medio

ScomposizioneI metodi di scomposizione permettono di stimare i valori iniziali

66


La Gestione delle scorteLa Gestione delle scorte

Ruolo delle scorteRuolo delle scorte

Voce di particolare rilevanza per le impreseImpatto diretto su Conto EconomicoI tt I d bit t ( l i l Impatto su Indebitamento (spesso valore superiore al 25% degli asset)Impatto sul livello di servizio

Consentono di Disaccoppiare operazioni successiveGestire la variabilità della domanda

-- 132132 --

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

67

Il problema decisionaleIl problema decisionale

Il problema si riconduce sostanzialmente a dover decidere:

Quanto ordinare (size)Quanto ordinare (size)Quando ordinare (timing)

Quantità di riordino

Frequenza di riordino Fissa (Q) Variabile

(S)

Variabile (R) (Q,R) (S,R)

-- 133133 --

Ordina una quantità fissa QOrdina fino ad un livello di scorta predefinito SOrdina quando le scorte scendono sotto un predefinito livello ROrdina ogni T periodi

(R)

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

I modelli tradizionaliI modelli tradizionali

Modelli come il Lotto Economico, l’Intervallo di Riordino Fisso, ecc funzionano quando la domanda presenta particolari caratteristiche di regolaritàpresenta particolari caratteristiche di regolarità

Domanda “relativamente” stabileStoria sufficiente per valutare comportamento…

Spesso tuttavia queste e altre ipotesi non si applicano

-- 134134 --

68

La domanda lumpyLa domanda lumpy

Una domanda è definita LUMPY quando:Variabile, quindi caratterizzata da rilevanti fluttuazionifluttuazioniSporadica, quindi caratterizzata da numerosi periodi con domanda nullaNervosa, quindi con significative differenze tra osservazioni successive

-- 135135 --

Le fonti della domanda lumpyLe fonti della domanda lumpy

Influenzata da caratteristiche del mercato:Numerosità dei clienti: al diminuire del numero dei clienti la domanda tende a diventare più sporadicap pEterogeneità dei clienti: maggiori sono le differenze in termini di dimensioni tra i clienti, maggiore sarà la lumpinessFrequenza delle richieste dei clienti: la lumpiness diminuisce all’aumentare della frequenza delle richieste dei clientiVarietà delle richieste dei clienti: la lumpiness

-- 136136 --

Varietà delle richieste dei clienti: la lumpiness aumenta se ogni cliente ha richieste differenti in termini di dimensioniCorrelazione tra le richieste dei clienti: lumpiness aumenta tanto più tale correlazione è presente.

69

Le fonti della domanda lumpyLe fonti della domanda lumpy-- Alcuni esempi Alcuni esempi --

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

Politiche promozionali(esempio nel settore del food)

-- 137137 --

)

Quali sono i problemi?Quali sono i problemi?

I metodi tradizionali (sia di previsione che di riordino) non sono in grado di gestire opportunamente questo tipo di domandaopportunamente questo tipo di domanda

Non valgono numerose assunzioni dei modelli (ad es. domanda o errori di previsione distribuiti secondo una normale)I metodi cercano di rilevare le regolarità delle serie: problema quando le irregolarità sono maggiori delle regolarità

-- 138138 --

gFenomeni di distorsione dei modelliSpesso pochi dati su cui stimare i modelli

70

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

Smorzamento esponenziale applicato ad una serie “relativamente” regolare

Smorzamento esponenziale applicato ad una serie altamente irregolare

-- 139139 --

g

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

Il livello delle scorte necessario per servire la domanda

90

0

10

20

30

40

50

60

70

80

90

Time

Dem

and

-- 140140 --

Scorte eccessive in moltissimi periodi

71

Metodi di gestioneMetodi di gestione

Differenti a seconda del tipo di problema consideratoPossibile di iderli a seconda del ciclo di ita del Possibile dividerli a seconda del ciclo di vita del prodotto

Metodi per prodotti in fase di introduzioneMetodi per prodotti in fase di maturità

-- 141141 --

Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales --

Ipotizziamo di dover lanciare sul mercato un nuovo prodotto mai venduto prima dall’impresa.Non abbiamo dati storici tili abili (neanche per Non abbiamo dati storici utilizzabili (neanche per prodotti similari), come prevediamo la domanda e come decidiamo quanto produrne e metterne a scorta?E se il prodotto ha oltretutto un ciclo di vita molto breve (ad esempio un capo di abbigliamento stagionale)?

-- 142142 --

stagionale)?L’approccio Early Sales considera di utilizzare i dati sulle prime vendite per operare un aggiornamento sulle stime della domanda futura di tale prodotto.

72


3500

4000

1000

1500

2000

2500

3000

Dom

anda

A

-- 143143 --

0

500

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

A


Il problema:Se ordino alla produzione troppi prodotti, rischio di avere un costo molto elevato di stock che poi non priesco a vendereSe ordino poco alla produzione, rischio di avere un costo 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 una prima stima di quanto sicuramente sarò in grado di

-- 144144 --

prima stima di quanto sicuramente sarò in grado di vendereDopo il lancio del prodotto: Appena vedo i primi ordini posso riaggiornare tale previsione correggendo gli ordini in produzione

73


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

-- 145145 --

tra early buyer e late buyer

Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales ––

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

Prima del Prima del lancio del lancio del prodottoprodotto

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

-- 146146 --

74

Metodi per prodotti in fase di Metodi per prodotti in fase di introduzioneintroduzione-- Early Sales Early Sales ––

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


Carolyn Laura Tom Kenny Wally Wendy Media Dev. Std

1200

1500

1150 1250 1300 1100 1200 1200 65

700 1200 300 2075 1425 1200 572

Prodotto A

Prodotto B

-- 147147 --

Coefficiente di VariazioneCV = Dev. Std / Media

Prodotto A 6%Prodotto B 48%

1400Errore


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


400

600

800

1000

1200

Errore diprevisione

grandeErroremedio=150 unità

Errore medio=252 unità

-- 148148 --

0

200

0 110 220 330

Deviazione standard delle previsioni individuali di un comitato di sei persone

Errorepiccolo

Grandeaccordo Scarso accordo

75


La distribuzione storica degli errori di previsione segue la curva normale a campana


-- 149149 --


La distribuzione normale modellizza l’incertezza della domanda


-- 150150 --

1200

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

76


Questa è la parte di domanda

La distribuzione normale modellizza l’incertezza della domanda


Questa è la parte di domanda che sono “sicuro” di ricevere.

La realizzo subito

Questa è la parte di domanda che non sono “sicuro” di

ricevere.La realizzo dopo

-- 151151 --

1200970Distribuzione di probabilità per le vendite di un prodotto

Media = 1200 Deviazione standard = 230

I dati di un prodotto

P ll’



Prezzo all’ingrossoMeno

costo della fornituracommissioni di venditatrasporto e consegna

Margine di profitto

Prezzo scontato

€ 200

1003025

_____€ 45 Costo di sotto-produzione

€ 120

-- 152152 --

Prezzo scontatoMeno

costo della fornituratrasporto e consegna

Perdita

10035

_____(€15) Costo di sovra-produzione

77


Analisi probabilistica di


Probabilità = .25Probabilità = .25Break-Even

-- 153153 --

Produrre fino al punto in cuiProdurre fino al punto in cuiLa probabilità di vendere x il costo di sottoLa probabilità di vendere x il costo di sotto--produzione = produzione =

alla probabilità di non vendere per il costo di sovraalla probabilità di non vendere per il costo di sovra--produzioneproduzioneCosto di sottoCosto di sotto--produzione = $45produzione = $45Costo di sovraCosto di sovra--produzione = $15produzione = $15

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

1200 1430


Dettic0 il costo di Over stock per unitàcs il costo di Stock out per unità( ) l di ib i d ll d d


p(x) la distribuzione della domandaZ(α) il livello delle scorteα rappresenta la probabilità cumulata di avere una domanda inferiore a Z(α)

Il costo atteso è pari a:

Il costo atteso minimo si ha ponendo a 0 la derivata del costo atteso, ∫∫+∞

∞−−⋅⋅+⋅⋅=

)(

)())(1()(

α

α

Z s

Z

o dxxpcxdxxpcxCA

-- 154154 --

quindi quando:

Da cui: 0)))((1()())(()( =−⋅⋅−⋅⋅ αααα ZpcZZpcZ so

)1(0)1(

αααα

−⋅=⋅=−⋅−⋅

so

so

cccc

78


4000


La previsione iniziale

1500

2000

2500

3000

3500

Dom

anda

-- 155155 --

0

500

1000

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

A


4000

Dopo il lancio Dopo il lancio del prodottodel prodotto

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

1500

2000

2500

3000

3500

4000

Dom

anda

-- 156156 --

0

500

1000

1500

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

A

79


4000

Dopo il lancio Dopo il lancio del prodottodel prodotto

La previsione con l’80% della domanda conosciuta

1500

2000

2500

3000

3500

Dom

anda

-- 157157 --

0

500

1000

0 500 1000 1500 2000 2500 3000 3500 4000

Previsione

A

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

Frequentemente si osserva che la domanda di prodotti con riordini sporadici sia ben modellizzata da una distribuzione di Poisson.Tale distribuzione è spesso utilizzata per modellizzare i processi di decadimento (ad esempio radioattivo)Una variabile è distribuita secondo una Poissoniana se la probabilità di ottenere m successi è pari a:

am

eaP −

-- 158158 --

Dove il parametro a rappresenta la frequenza media dell’evento osservato

m em

P =!

80


Nel nostro ambito gli eventi considerati sono l’occorrenza di ordini.In altri termini mediante la Poissoniana possiamo In altri termini mediante la Poissoniana possiamo stimare la probabilità che si presentino un certo numero di ordini in un dato periodo di tempoAssumere tale distribuzione è valido se:

La domanda media che si presenta durante il tempo di approvvigionamento è bassaL di l i d ll d d i ili

-- 159159 --

La media e la varianza della domanda sono simili (ricordate che così è nella Poissoniana)Le richieste si presentano singolarmenteGli ordini sono indipendenti tra loro


Supponiamo che il livello delle scorte attualmente rilevato sia pari a k, che il tempo di approvvigionamento sia pari a t e che la domanda approvvigionamento sia pari a t e che la domanda media per periodo sia pari a dQual è la probabilità di andare in stockout?

Lo stock-out si verifica se la domanda nel periodo di approvvigionamento è maggiore del livello delle

-- 160160 --

scorte.

81


In base al modello Poissoniano, la probabilità di ricevere 0 ordini corrisponde alla probabilità di avere 0 successi ovvero:avere 0 successi, ovvero:

La probabilità di ricevere 1 ordine è:E via dicendo…Lo stockout si verifica quando la domanda è

dedP −=!0

0

0

dedP −=!1

1

1

-- 161161 --

qmaggiore di k. Quindi la probabilità di andare in stock-out è:

∑∑=

∞

+=− −==

k

ii

kiioutstock PPP

011

Un esempioUn esempio

Consideriamo un prodotto che ha ricevuto ordini per un totale di 5 pezzi nell’ultimo annoAtt almente le scorte sono pari a 4 pe iAttualmente le scorte sono pari a 4 pezziIl tempo di approvvigionamento è pari a 2 mesi.L’impresa adotta una politica per cui vuole garantire un livello di servizio pari almeno al 99%E’ necessario effettuare un riordino?

-- 162162 --

82


In base ai dati:d = 5 [pezzi/anno] / 12 [mesi/anno] * 2 [mesi/LT] = 0 83 [pezzi/LT]0,83 [pezzi/LT]Quindi consideriamo la distribuzione:Da questa:

83,0

!83,0 −= ei

Pi

i

362,0!1

83,0 83,01

1 == −eP 150,0!2

83,0 83,02

2 == −eP

830 8303

009083,0 8304

−P

436,0!0

83,0 83,00

0 == −eP

-- 163163 --

Quindi:Non occorre riordinare

042,0!3

83,0 83,03 == −eP 009,0

!4, 83,0

4 == eP

002,0101

=−== ∑∑=

∞

+=−

k

ii

kiioutstock PPP

Metodi per prodotti in fase di maturitàMetodi per prodotti in fase di maturità-- Il metodo di Croston Il metodo di Croston ––

Assumiamo che la domanda abbia un andamento tipo:

Applicando uno smorzamento esponenziale la previsione è:

Croston (1972) osserva che se assumiamo che la dimensione della domanda segua una distribuzione

-- 164164 --

Normale e gli interarrivi seguono una distribuzione di Bernoulli, tale stima è distorta:

83

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

Croston propone quindi di stimare la domanda in modo differente, separando la stima della dimensione della domanda da quella degli interarrividimensione della domanda da quella degli interarrivi

Detta z’t la stima della dimensione della domanda effettuata mediante uno smorzamento esponenziale sulla dimensione della domanda effettivaDetta p’t la stima dell’interarrivo tra un dato di d d il i ff di

-- 165165 --

domanda e il successivo, effettuata mediante uno smorzamento esponenziale degli interarriviVale:

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

In altri termini Croston elimina il problema dell’aggiornamento della previsione quando la domanda non si presentadomanda non si presenta

-- 166166 --

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

84

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

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

Ma

S&B mostrano che in realtà

-- 167167 --

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

Ad esempio, se la dimensione media degli ordini è 6, e l’intervallo tra un interarrivo e il successivo è 3

Per Croston, la domanda attesa per periodo è 6/3 = 2Per Croston, la domanda attesa per periodo è 6/3 2Per S&B è 6 * 0,549 = 3,295 (Croston ha una distorsione pari a circa il 64,75%)

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

-- 168168 --

Dove c è una costante

85


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

S&BSmorz. esponenziale Croston

t Domanda Smoothing Domanda non zero Interarrivi

Smoothing su dimensione domanda

Smoothing su interarrivi

Domanda per

periodo

Domanda per

periodo1 100 100 100 1002 0 80,4 1003 0 64,92 1004 90 52,736 90 3 98 3 32,66667 26,997255 0 43,1888 98 3 32,66667 26,997256 0 35,75104 98 3 32,66667 26,997257 0 30,000832 98 3 32,66667 26,997258 95 25,600666 95 4 97,4 3,2 30,4375 24,689 0 22 280532 97 4 3 2 30 4375 24 68

p

-- 169169 --

9 0 22,280532 97,4 3,2 30,4375 24,6810 0 19,824426 97,4 3,2 30,4375 24,6811 102 18,059541 102 3 98,32 3,16 31,11392 25,3248312 0 16,847633 98,32 3,16 31,11392 25,3248313 90 16,078106 90 2 96,656 2,928 33,01093 27,4696214 0 15,662485 96,656 2,928 33,01093 27,46962


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

S&BS thi D d D d

Smorz. esponenziale Croston

t Domanda Smoothing Domanda non zero Interarrivi

Smoothing su dimensione domanda

Smoothing su interarrivi

Domanda per

periodo

Domanda per

periodo1 100 100 100 1002 0 80,4 1003 0 64,92 1004 90 52,736 90 3 98 3 32,66667 26,997255 0 43,1888 98 3 32,66667 26,997256 0 35,75104 98 3 32,66667 26,997257 0 30,000832 98 3 32,66667 26,997258 95 25,600666 95 4 97,4 3,2 30,4375 24,689 0 22,280532 97,4 3,2 30,4375 24,68

-- 170170 --

10 0 19,824426 97,4 3,2 30,4375 24,6811 102 18,059541 102 3 98,32 3,16 31,11392 25,3248312 0 16,847633 98,32 3,16 31,11392 25,3248313 90 16,078106 90 2 96,656 2,928 33,01093 27,4696214 0 15,662485 96,656 2,928 33,01093 27,46962

62,64994 132,0437 109,8785

86

Tecniche e informazioniTecniche e informazioni

PerceivedService Level

Perceived Uncertainty

ForecastProduction

Sys temMarket

Turbulence

(forecastingerror) Inventory

Focus degli approcci classici

Focus degli approcci innovativi

-- 171171 --

(Errore di previsione)

TurbolenzaProcesso di generazione

della domanda

RaccoltaInformativa

Algoritmo diprevisione

Informazione raccolta

Incertezza percepita

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

Attenzione non tanto sull’algoritmo di previsione quanto sulle informazioni in inputFoc s maggiormente s aspetti organi ati iFocus 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

-- 172172 --

87

Quali informazioniQuali informazioni

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

Promozioni futurePromozioni futureLancio di prodotti sostitutiviIntenzioni d’acquistoPrime vendite…

-- 173173 --

Identificare le cause di maggiore variabilità

Un esempio: caso ElettrodomesticiUn esempio: caso Elettrodomestici

Caso Elettrodomestici. Impresa operante nella produzione e vendita di parti di ricambio per elettrodomestici. La domanda appare altamente variabile. Metodi basati sulle serie storiche altamente inefficientibasati sulle serie storiche altamente inefficienti

150

200

250

300

350

-- 174174 --

0

50

100

150

88


Tecniche qualitative non applicabiliPrevisioni da aggiornare ogni settimana60 000 SKU tti60.000 SKUs attive

Tecniche quantitative poco efficaciProblemi di aggiornamento della previsionePicchi “relativamente” regolari

Necessaria maggiore comprensione della variabilità

-- 175175 --

gg p


Le cause della variabilità della domanda

Multi-Echelon Multi-EchelonsSupply Chain Supply Chain

CentralWarehouse

Regional Wholesaler

CentralWarehouse

RegionalWarehouses

-- 176176 --

Retailers

gWarehouses

Wholesaler

Retailers

Retailers

WarehousesWholesaler

89


Mean Demand vs Mean Inventory (week 0-34)

L. 53

L. 41

L. 43

L. 45

L. 47

L. 49

L. 51

£ (B

illio

ns) SS

hhiippmm

SShhiippmm

SShhiippmm

IInnvveenntt

IInnvveenntt

IInnvveennttoo

-- 177177 --

L. 35

L. 37

L. 39

98 99 00

Years

mmeenntt

mmeenntt

mmeenntt

ttoorryy

ttoorryy

oorryy


Clienti Clienti su cuiImpatto Commerciale Clienti

“perfetti” (0 clienti)

Clienti su cui investire

(28 clienti)

Clienti facilmente gestibili

? (0 clienti)

Impatto Gestionale

Alto

Basso

-- 178178 --

Su 430 clienti, 28 risultano criticiClienti più importanti sono anche i più complessi da gestire

GestionaleAltoBasso

90


L’effetto sulla domandaStable series

Demand

0100200300400

1 18 35 52 69 86 103

120

137

154

171

188

205

days

quan

tity

0100200300400

1 20 39 58 77 96 115

134

153

172

191

days

quan

tity

Irregular Series

400

-- 179179 --

0100200300400

1 20 39 58 77 96 115

134

153

172

191

days

quan

tity


Raccolta informativa da un ristretto numero di clientiA ione di sensibili a ione erso i clientiAzione di sensibilizzazione verso i clienti

Le informazioni che i clienti usano per ordinare sono disponibili 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 d ll’i f i

-- 180180 --

dell’informazioneEntità dello sconto valutato in base al miglioramento delle prestazioni

91


100%

Prestazioni dell'impresa Tecnica quantitativa Informazioni

60%

70%

80%

90%

Live

llo d

i ser

vizi

o

-- 181181 --

40%

50%

0 2000 4000 6000 8000 10000 12000 14000 16000 18000 20000

Scorte

L

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

Caso Alimentari: Impresa operante nel settore dei prodotti freschi. V d i l t tt l d Vende essenzialmente attraverso la grande distribuzione (supermercati, ipermercati, ecc.)

Prodotto fresco: vita inferiore al mese, non è praticamente stoccabile

5000

6000

7000

8000

-- 182182 --

0

1000

2000

3000

4000

5000

S9901S99

03S99

05S99

07S99

09S99

11S99

13S99

15S99

17S99

19S99

21S99

23S99

25S99

27S99

29S99

31S99

33S99

35S99

37S99

39S99

41S99

43S99

45S99

47S99

49S99

51S00

01S00

03S00

05S00

07S00

09S00

11S00

13S00

15S00

17S00

19S00

21

settimane

unitàRavioli al brasato

92

Un esempio: caso AlimentariUn esempio: caso Alimentari

800 2Ravioli al brasato – domanda di un cliente

300

400

500

600

700

cart

oni

1

-- 183183 --

0

100

200

S9802

S9805

S9808

S9811

S9814

S9817

S9820

S9823

S9826

S9829

S9832

S9835

S9838

S9841

S9844

S9847

S9850

S9853

S9903

S9906

S9909

S9912

S9915

S9918

S9921

S9924

S9927

settimane

-


700

800 2Ravioli al brasato – domanda di un cliente

300

400

500

600

700

cart

oni

1

-- 184184 --

0

100

200

S9802

S9805

S9808

S9811

S9814

S9817

S9820

S9823

S9826

S9829

S9832

S9835

S9838

S9841

S9844

S9847

S9850

S9853

S9903

S9906

S9909

S9912

S9915

S9918

S9921

S9924

S9927

settimane

-

93


Tecniche qualitative non applicabiliPrevisioni da aggiornare ogni settimana60 prodotti

T i h i i ffi iTecniche quantitative poco efficaciStoria non spiega: promozioni non sono regolari

Tecnica basata su informazioniElevata “regolarità” dei picchi (in dimensione)Informazioni su promozioni disponibili in aziendaRaccolta sistematica di informazioni su promozioni:

Passate: per pulire la storia

-- 185185 --

p pFuture: per capire quando si presenteranno i picchi

Attenzione: sistemi di incentivazione per chi deve fornire le informazioniTrade-off tra beneficio e costo dell’informazione (spesso non servono molte informazioni per avere buoni risultati)

Come usare le informazioniCome usare le informazioni

Pulire il passatoComprendere delle serie storiche cosa va ritenuto normale

Capire il futuroUtilizzare tali informazioni per prevedere andamenti futuri

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

Attualmente il processo di previsione è completamente qualitativo e poco strutturatoE’ fondamentale avere previsioni accurate, in quanto il cemento non si tiene a scorta ed è molto costoso da trasportare su lunghe

-- 186186 --

non si tiene a scorta ed è molto costoso da trasportare su lunghe distanzeLa domanda di cemento è fortemente stagionaleI Grandi Lavori (Alta Velocità, Autostrade, ecc.) hanno un impatto significativo

94

Consumo di CementoConsumo di Cemento

4.500

5.000

1.500

2.000

2.500

3.000

3.500

4.000

-- 187187 --

0

500

1.000

gen-9

0

mag-90

set-9

0ge

n-91

mag-91

set-9

1ge

n-92

mag-92

set-9

2ge

n-93

mag-93

set-9

3ge

n-94

mag-94

set-9

4ge

n-95

mag-95

set-9

5ge

n-96

mag-96

set-9

6ge

n-97

mag-97

set-9

7ge

n-98

mag-98

set-9

8ge

n-99

mag-99

set-9

9ge

n-00

mag-00

set-0

0ge

n-01

mag-01

set-0

1ge

n-02

mag-02

set-0

2

depurazione serie storica consumo dai grandi lavori13.000

Impatto dei Grandi LavoriImpatto dei Grandi Lavori

10.000

10.500

11.000

11.500

12.000

12.500

-- 188188 --

9.000

9.500

Dic 97

Giu 98

Dic 98

Giu 99

Dic 99

Giu 00

Dic 00

Giu 01

Dic 01

Giu 02

Dic 02

Giu 03

Totale mobile con grandi lavori Totale mobile depurato dai grandi lavori

95

errori medi percentuali di previsioneerrori medi percentuali di previsione

Prodotto 1 Anno

Dati utilizzati 2001 2002 2003 Media

Prodotto 3 Anno


Rilevanza informazioniRilevanza informazioni

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

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

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

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

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

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

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


Prodotto 2 Anno


-- 189189 --

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

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

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


Informazioni: la collaborazioneInformazioni: la collaborazione

Interna: problema difficileIntegrazione funzionale

Es. caso alimentari: marketing, vendite, pianificazione, eccCreare una visione interna del processoCreare una visione interna del processo

Misure di prestazioneI sistemi di incentivazioneI 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:

-- 190190 --

Alcuni esempi:Il Vendor Managed Inventory

– Cliente fornisce dati sulla domanda– Fornitore gestisce riordini del cliente

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

Documents

Organizzazione della Produzione e dei Sistemi Logistici Gestione della domanda... · Organizzazione della Produzione e dei Sistemi Logistici La previsione e gestione della domanda