Previsione delle vendite e pianificazione della quale …...produttive ‐ 3. Principali metodi di previsione delle vendite ‐ 4. Contesti applicativi dei diversi metodi e vantaggi

1

n.2‐2018

Previsionedellevenditeepianificazionedellaproduzione:qualeruolorivestela“forecast

accuracy”?

AldoBellagamba*

Sommario:1.Introduzione‐2.Previsionedellevenditeepianificazionedelleattivitàproduttive‐3.Principalimetodidiprevisionedellevendite‐4.Contestiapplicativideidiversimetodievantaggidegliapprocci“combinati”‐5.Lasceltadellemetrichedimisurazionedella“forecastaccuracy”‐6.Ambitidiutilizzodeidatisulla“forecastaccuracy”‐7.Riflessioniconclusive‐Riferimentibibliografici.AbstractThis paper aims to investigate the difficulties and, at the same time, the importance ofmeasuring sales forecast accuracy as a prerequisite for the improvement of both salesforecasting activities and production planning processes. To achieve this objective, threeessential and closely related issues are analyzed: the role of sales forecasts in productionplanning, the variety of forecasting techniques and the main aspects of sales forecastaccuracy measurements. This work is essentially theoretical and consists of an accuratereviewof themainstudiesonsales forecasting,published inmanagement literature in thelastdecade.Theanalysishighlightshow themeasurementandsharingofdataon forecastaccuracy can improve the firm’s decision‐makers’ attitude to using the forecasts and toformulatingchoicesonresourceallocation,consistentwiththeforecastuncertainty.Despitetheabsenceofanempiricalresearch,thisstudyenrichesthecurrenttheoreticalbackgroundon firm’s sales forecasting management, by linking different research areas on salesforecasting.Keywords:salesforecastingmethods,productionplanning,metricsofforecastaccuracy

————— * Aldo Bellagamba è Ricercatore confermato di Economia e gestione delle imprese presso ilDipartimento di Management dell’Università Politecnica delle Marche; email:[email protected];approvatoil10luglio2018.DOI:10.15167/1824‐3576/IPEJM2018.2.1111

AldoBellagambaPrevisione delle vendite e pianificazione della produzione: quale ruolo riveste la “forecastaccuracy”?ImpresaProgetto‐ElectronicJournalofManagement,n.2,2018_________________________________________________________________________________________________________

2

1. Introduzione

La previsione della domanda è sempre stato un tema molto importante permanager d’impresa e imprenditori. Qualsiasi processo decisionale presupponeinfattilaformulazionediipotesiecongetturesuqualisarannolareazionideiclientiattuali e di quelli nuovi alle scelte strategiche ed operative dell’impresa. Leprevisioni di vendita sono, ad esempio, essenziali per formulare il budget dellevendite, per programmare la produzione, per stimare la capacità produttivanecessaria, per panificare le promozioni e in altre rilevanti scelte gestionali(MentzereMoon,2005;DaneseeKalchschmidt,2011).Essesonoinoltreilfulcrodei“businessplan”relativianuoveiniziativeimprenditoriali.

Nonmeraviglia pertanto se, già a partire dagli anni Settanta, l’attenzione deglistudiosi si è concentra sull’analisi dei metodi di previsione delle vendite, con loscopodiindividuarenuovetecniche,ingradodifornireprevisionipiùaccurateinunambientesemprepiùincertoedimprevedibile(Chambersetal.,1971;WheelwrighteClarke,1976;MakridakiseWheelwright,1977;Armstrong,1985).

Negli ultimi decenni la letteratura si è pertanto concentrata sull’analisi delletecnichediprevisionedelladomandaesullemetriche,chepossonoessereutilizzateper misurare la “bontà” delle previsioni, senza le quali non è possibile valutare,quale tra i vari metodi disponibili risulti più adeguato (Armstrong et al., 1987;Valdani e Busacca, 1987; Mark et al., 1998; Mentzer e Moon, 2005; Hyndman eKoehler,2006;Chase,2013;Gillilandetal.,2015).

Piùlimitatisonostatiinveceglistudichehannocercatodicomprendereinqualemisura e come le previsioni di vendita vengono utilizzate nei processi dipianificazione delle risorse aziendali (Wacker e Lummus, 2002; Vollmann et al.,2005). In realtà, la comprensione dei meccanismi, che favoriscono o ostacolanol’utilizzodiquestarilevante“conoscenzadimarketing”neiprocessidecisionalivieneoggi considerato un passo importante per capire come le previsioni di venditapossono contribuire al vantaggio competitivo dell’impresa (Smith eMetzer, 2010,163).Ciòpresupponetuttaviaunospostamentodelfocusdell’analisidalletecnichediprevisionealprocessoorganizzativoemanagerialedi formulazioneediutilizzodelleprevisionidivenditaneiprocessidecisionalidell’impresa(Mentzeretal.,1999;Moonetal.,2003;DaviseMentzer,2007).Ilpresentecontributosicollocainquestaprospettiva di ricerca con l’obiettivo di esaminare, mediante un’analisi dellaletteratura, le difficoltà e, nello stesso tempo, l’importanza della misurazionedell’accuratezzadellaprevisionidivenditacomepresuppostopermigliorare,sialeattività di previsione delle vendite, sia i processi di pianificazione delle attivitàproduttive. Per conseguire questo obiettivo vengono analizzate tre tematichefondamentaliestrettamentecollegate,costituitedalruolodelleprevisionidivenditanella pianificazione della produzione, dalla varietà delle tecniche di previsione edagliaspettidimisurazionedelleperformance,cioèdella“forecastaccuracy”.

Il contributo in esame, che costituisce un’analisi concettuale della letteratura,persegue una duplice finalità: chiarire aspetti non adeguatamente affrontati inletteraturae fornire ideeesuggerimentiper lapratica(DenyereTranfield,2006).Essoutilizzacioè i risultatidiricercadella letteraturaesistenteper formulareuna


3

riflessione concettuale, utile ad inquadrare le decisioni relative alle attività diprevisionedellevenditenell’impresaindustriale.

2. Previsionedellevenditeepianificazionedelleattivitàproduttive

L’attività di previsione delle vendite deve essere distinta dall’attività dipianificazione.La“previsione”consiste infattinellaproiezionedelladomandaattesafutura di un prodotto su un datomercato (in base a date condizioni del contestoambientale),mentre i “piani”delineano l’insiemedispecificheazionimanagerialidaattuarepersoddisfareladomandaprevista(MentzereMoon,2005).Lostessopianodella domanda differisce dalla previsione, perché considera le specifiche azionicommerciali,volteadinfluenzarelevendite,perfarfronte,adesempio,adeventualivincolidicapacitàproduttiva. Ipianisi fondanosulleprevisionidelladomandae idueelementiconsiderati(cioèleprevisionieipiani)costituisconoattivitàgestionalidiverse,mastrettamentecollegatel’unaall’altra.

La distinzione è tuttavia rilevante in quanto implica, ad esempio, modalitàdiverse di misurazione della performance dell’attività: nella previsione èfondamentalel’accuratezzadeirisultatiprevisionali,mentrenellaformulazionedeipiani,sonoessenzialil’efficienzael’efficaciaconlaqualel’impresariesceafarfrontealladomandaprevista(MentzereMoon,2005).

L’importanzadella“coerenza”traattivitàdiprevisioneedipianificazioneèstatain particolare enfatizzata da Vollmann et al. (2005, 30). Questi autori pongono inevidenza che ogni livello di pianificazione necessità di un processo di previsionedella domanda, che si differenzia dagli altri per vari aspetti, quali il livello diaggregazione delle previsioni, i soggetti coinvolti, la frequenza di elaborazione,l’orizzontetemporalecoperto,ilmetodoprevisionaleimpiegatoelerisorseinvestite(sivedalatabella1).


4

Tabella n. 1. Previsione delle vendita e pianificazione strategica e operativadell’impresaindustriale

Livellodipianificazione

Processodiprevisione

Strategiaa“livellodibusiness”

Pianoaggregatodiproduzione

Pianoprincipalediproduzione

Livellodiaggregazione

Fatturatoaziendaleoproduzionetotale

Singolefamigliediprodotto

Singoliprodotti,moduliocomponenti

Coinvolg.todelladirezioneaziendale

Intenso Quandooccorrericonciliareipianididomandafunzionali

Moltolimitato

Frequenzadielaborazione

Ogniannooperiodiinferiori

Ognimeseotrimestre

Continuativo

Orizzontediprevisione

Diannoinannoconperiodicità,ad

esempio,trimestre

Dadiversimesiadunanno,con

periodicitàmensile

Dadiversigiorniavariesettimane

Investimentomanageriale

Moltoampio Moderato Moltolimitato

Costidiacq.edielab.deidati

Elevato Moderato Minimo

Tecnicheutili Giudiziodelmanagement,

modellidisviluppoeconomico

Aggregazionediprevisionidettagliate,

informazionisuipianideiprincipali

clienti

Tecnichediproiezione(mediamobile,smorzamento

esponenziale,ecc.)

Fonte:Vollmannetal.,2005,30.

Il tema della “coerenza” attiene, non soltanto alle previsioni caratterizzate dadiversilivellidiaggregazione(Vollmannetal.,2005;ZottierieKalchschmidt,2007),ma anche all’adeguatezza delle previsioni di vendita, rispetto alle esigenzeinformative dei soggetti, che sono chiamati a formulare scelte di allocazione dellerisorseproduttiveaziendali(DaneseeKalchschmidt,2011).

La crescente difficoltà di prevedere la domanda inmolti settori produttivi e latendenza delle imprese a realizzare una produzione su commessa potrebbe farritenere l’attivitàdiprevisionedelladomandacomeun’attività inutile. Inrealtàglistudiosiritengonochequest’attivitàcostituiscetutt’orauna“levafondamentaleperrispondere adeguatamente alla mutevoli richieste del mercato” (McCarthy, 2007;Secchi, 2001, 427). Le previsioni di vendita non sono infatti necessarie solo nelleimpresecheadottanounapoliticadiproduzionemaketostock,maancheinquellecherealizzanopoliticheassembletoorderemaketoorder(Wortman,1983).

Inparticolare,nelleimpreseconunaproduzione“maketostock”,leprevisionidivenditaservonoperstabilirelequantitàdiprodottifinitidalanciareinproduzione,mentre inquelle conunaproduzione “assemble toorder” esse sono funzionali alladefinizione delle quantità di sotto‐assiemi (o di componenti) da acquistare (o daprodurre)inanticipo,rispettoall’acquisizionedell’ordinedelcliente.

Nelleproduzioni“maketoorder”,sonoinfinedefinitiinbaseallaprevisionedelladomanda gli acquisti di quei componenti, che non possono essere ordinati dopol’acquisizione dell’ordine del cliente, in quanto hanno tempi di consegna molto


5

lunghi. L’intensificarsi della concorrenza sui tempi di consegna in un numerocrescente di settori produttivi è comunque destinato ad accrescere l’importanzadell’attivitàdiprevisionedellevendite,anchenelleimpreseconproduzioni“maketoorder”, che offrono prodotti personalizzati. Se infatti i manager non riescono aridurreileadtimediproduzioneinmisuracorrispondenteallariduzioneneitempiconcessidalclienteperl’evasionedell’ordine,essisarannocostrettiadestendereilnumero di fasi produttive gestite su previsione della domanda, rispetto a quelleprogrammateinbaseagliordinideiclienti(Secchi,2001,427).

Le previsioni di vendita sono inoltre particolarmente importanti nelle impresecon una rete di produzione estesa a livello internazionale. In effetti, ildecentramento all’estero della produzione, se da un lato consente all’impresa diridurre i costi di fabbricazione, dall’altro, comporta un significativo allungamentodei lead timediproduzionee l’impossibilitàdidefinire lequantitàdaaffidareallestruttureproduttiveestere,inbaseagliordiniacquisitidallapropriaclientela.

Negli ultimi anni il processo di forecasting ha infine assunto una rilevanzacrescente nelle imprese, anche in ragione di fenomeni come il costante aumentodellavarietàdiarticolioffertielariduzionedeiciclidivita.Questifattorihannodifattoresopiùcomplessalaformulazionediprevisioniattendibili.

3. Principalimetodidiprevisionedellevendite

I metodi, che possono essere utilizzati dalle imprese per prevedere il futuroandamento delle vendite di un prodotto su un dato mercato, sono oggi moltonumerosi e possono essere distinti nelle tre categorie di seguito brevementeanalizzate(Chambersetal.,1971;ValdanieBusacca,1987).a) Imetodiestrapolativibasatisull’analisidelleseriestoriche

Imetodiinesamesibasanosull’ipotesisemplificatriceche“infuturoladomandasicomporteràcomehafattonelpassato”eche,pertanto,ivaloridiquestavariabilepossono essere previsti osservando la dinamica dei dati storici delle vendite(MoltenieTroilo,2003,308).L’andamentofuturodelladomandavienecosìprevistoin base a “tendenze” e “regolarità” riscontrate nel suo andamento passato, senzaconsiderareifattorichepossonoinfluenzarnel’evoluzione(Sianesi,2011).Itecnicihanno sviluppato un’ampia varietà di metodi estrapolativi di previsione dellevendite e oggi se ne contano addiritturapiùdi 70 (Kerkkänen et al, 2009, 44). Inparticolare, nell’approccio fondato sulla “scomposizione” della domanda, i valoridelle vendite, relativi ai periodi di un dato arco temporale, vengono consideraticome il risultatodella sovrapposizionedivariazioni relativeadiversecomponentidelladomanda,costituite(MoltenieTroilo,2003,320): dalla tendenzadi fondo(o trend), cioèdall’andamentonelmedio lungoperiodo,

cheèessenzialmente influenzatodalladomandadelprodottoa livellodi interomercatoedai cambiamentinella capacità competitivadell’impresa, in rapportoalla capacità competitiva delle altre imprese concorrenti operanti sullo stessomercato;


6

dalciclo,chedelineavariazioniirregolaridellevenditesuarchitemporalidipiùannidiampiezzavariabile;

dalla stagionalità, cioè da fluttuazioni ricorrenti di durata inferiore all’anno,dovute,adesempio,al clima(sipensi,adesempi,alladomandadicostumiodicondizionatoricheèpiùelevatad’estate),allefestività(siconsideri,adesempio,la domanda di panettoni nel periodo natalizio o di colombe pasquali) o apromozioni ricorrenti (si pensi, ad esempio, alle promozioniback to school nelsettoredellacancelleria);

dallacomponenteerratica (ocasuale), cioèdavariazionidella serie storica, chenon sono spiegate dalle altre componenti. Le variazioni erratiche costituisconounelementocasualeequindinonprevedibile.Nell’approcciobasatosullascomposizione, laprevisionedivenditadelprodotto

si ottiene proiettando (o estrapolando) nel futuro le diverse componenti delladomanda e ricomponendole (Milanato, 2008). Il metodo in esame (definito di“proiezionemulti‐periodo”)consentedicalcolare leprevisionidivendita,nonsoloin relazione ad un singolo periodo futuro (cioè “one‐step ahead”), ma anche inrelazioneperiodisuccessivialprimo(SchonbergereKnod,1999,197)

Nellarealtàoperativa,frequenteèinoltrel’utilizzoditecnichedi“one‐stepaheadforecast”(o“abaseaperiodica”),cheprevedonoladomandadiuncodicediprodottoin relazione solo ad un singolo periodo futuro, in base al valore delle venditeeffettivepiùrecenti(SchonbergereKnod,1999,197).

Ilprocessoprevisionalesisviluppainquestocasoconunalogicaa“scorrimento”,nelsensoche laprevisioneper ilnuovoperiodo futurovienemodificata inbaseaidatidivenditapiùrecenti.

I metodi “one‐step forecast” più semplici sono la “RandomWalk”, la “SeasonalRandomWalk”.Nelprimocasolaprevisionedivenditaperilperiodofuturoèpariallevenditeeffettiveosservatenelperiodoimmediatamenteprecedenteaquellocuisiriferiscelaprevisione,mentrenelsecondo,laprevisionevienefissataallostessolivellodellevenditeeffettivedelperiodocorrispondentedell’annoprecedente.

Un’altratecnicadiprevisione“onestepahead”difacileapplicazioneèla“mediamobilesemplice”,cheequiparalaprevisionedelperiodofuturoallamediaaritmeticadelle vendite effettive di un certo numero di periodi passati recenti. I metodirichiamati sono definiti dagli esperti “semplici” o “naif”, perché hanno un costopraticamente nullo (o comunque estremamente esiguo), non comportano lamanipolazionedeidatidapartediunoperatoreesonoagevolmenteautomatizzabili(Gilliland, 2002). La semplicità applicativa e l’economicità spiegano l’ampiadiffusione di queste tecniche nelle imprese. Per certe linee di prodotto essecomportando in realtà discreti risultati previsionali (Schonberger e Knod, 1999,188).Negliultimiannidiversistudihannorivalutatoleperformanceprevisionalideimodellinaif. Inparticolare,Makridakisetal(2009,794)sottolineanocheimodellistatisticicomplessi,puradattandosimoltobeneaivaloripassatidellevendite,nonsono necessariamente in grado di prevedere bene gli andamenti futuri delladomanda. I modelli naif invece, pur non adattandosi bene ai valori passati delladomanda,tendonospessoaprevederlameglio,rispettoamodellipiùcomplessi.


7

Altretecnichediproiezione“abaseaperiodica”menoelementarisono(HeizereRender, 2004, 132): la “mediamobile ponderata”; lo “smorzamento esponenziale”semplice, lo “smorzamento esponenziale con trend e stagionalità” e la “previsionemirata”ofocusforecasting(Bernard,1978;Gardneretal.,2001).b) Metodidiprevisione“causali”basatisullacorrelazione.

I metodi in esame si basano sull’ipotesi che la variabile obiettivo, cioè ladomanda, possa essere spiegata dall’andamento di altre variabili, definite“esplicative”o “indipendenti”.Levenditediunprodotto sono infatti influenzatedamolteplici variabili, delle quali alcune sono “endogene”, cioè sotto il controllo delmanagement aziendale. Si pensi, ad esempio, al prezzo del prodotto, agliinvestimenti inpubblicità o alle altre levedelmarketingmix (Sianesi, 2011, 365).Molte altre variabili, quali, adesempio, il redditopro‐capitedei consumatori, l’etàdella popolazione, i tassi di interesse, la tassazione sui prodotti, la piovosità, latemperatura e le azioni delle imprese concorrenti, vengono invece considerate“esogene”,perchésfuggonocompletamentealcontrollodelmanagementaziendale.

Per analizzare le “relazioni causali” fra le variabili richiamate si utilizzano ingenere tecnichedi “regressione semplice”, quando la domandadel prodotto vienecollegata ad una sola variabile esplicativa, oppure “multipla” quando il modelloconsideradueopiùvariabiliesplicative.

Imodelli causali sono formalmente “theory‐based”, perché presuppongono unasortadispiegazioneteoricadel“come”edel“perché”certevariabiliinfluisconosuilivellidellevendite(WackereLummus,2002,1016).Essinonsonotuttaviadifacileimplementazione,siaperladifficoltàdiindividuareindicatoriconunelevatopotereesplicativo dell’andamento futuro delle vendite, sia per la necessità di prevedereanche i valori futuri delle variabili indipendenti (Heizer e Render, 2004, 127).Questo problema interessa ovviamente le variabili esplicative “esogene”, poiché ilvalore futuro delle variabili endogene è definito direttamente dal managementaziendale. Per le variabili “esogene” si crea un problema definito dagli esperti di“second order guilt”, cioè di colpevolezza per l’azione di altri (Wacker e Lummus,2002,1016).Ineffetti,ilmodelloèingradodiprevederebeneladomandafuturadiun prodotto solo se sono corrette le previsioni sui valori futuri delle variabiliesplicative.

Isignificativiavanzamentinelletecnologieinformaticheelacrescentediffusionedi Internethannooggideterminato losviluppodicondizioni favorevoliadunapiùampia diffusione di “modelli causali” nell’attività di previsione delle vendite. Adesempio,letecnologiedi“advancedanalytics”consentonooggidisimulareintemporealeglieffettidistrategiedimarketingalternativesuicomportamentidiconsumo(equindisullevendite),medianteanalisi“whatif”,realizzatesuunaelevatamoledidati(Chase,2013).Attualmenteinoltreiconsumatori,oltreadutilizzaresemprepiùi motori di ricerca (come Google), per ottenere informazioni sugli articoli daacquistare,sonosemprepiùattentiallerecensionisuiprodotti,lasciatesusitidie‐commerce (come, ad esempio, Amazon) o su specifici blog da consumatori che lihannogiàacquistatoeusati.Inmoltimercatidiconsumo,lerecensionisuiprodotti,chesiformanoecircolanosullarete,orientanolesceltedegliacquirenti,favorendo(o,alcontrario,scoraggiando)comportamentidi“imitazione”fraconsumatori(Fan


8

et al., 2017).Alcuni studi recentihanno cosìpropostonuovimetodidiprevisione,chesifondanosull’analisideidatirelativiallericerchecondottedalconsumatoresuGoogle,primadiacquistareilprodotto(FantazzinieToktamysova,2015;Gevaetal,2017).Nonmancanoinoltreapproccidiprevisioneinnovativi,basatisull’utilizzoditecnichedi“sentimentanalysis”,cioèsualgoritmiingradodiestrarreedanalizzaremigliaiadirecensionisuiprodotti,rilasciatedagliacquirentisusitidie‐commerceosuiblog(Fanetal.,2017).c) Imetodi“qualitativi”

I metodi di previsione qualitativi si basano sulla raccolta di opinioni e divalutazioni soggettive di partecipanti al mercato (o di esperti) per prevedere ladomandadiunprodotto.Essisonocostituitiprincipalmentedallastimadellaforzavendita,dall’opinionedeimanageraziendaliedall’analisidelleaspettativedeiclienti(HisricheJackson,1993,187).

Nelprimoapproccio(definitoanche“SalesforceCompositeMethod)vienechiestoad ogni venditore di prevedere la domanda di un prodotto nella propria area divenditae,consolidandoleprevisionideisingolivenditori,siottengonoprevisionialivello via via più aggregato, fino ad arrivare alla previsioni di vendita a livelloaziendale.

Il metodo basato sull’opinione dei manager (denominato “Jury of ExecutiveOpinion”) rappresenta invece uno degli approcci di previsione più antichi e piùsemplici.Essoconsistenelchiedereaidirigentidell’impresadiprevederelevenditefuturediunprodotto.Facendounamediadeivaloriindicatidaidiversiresponsabiliaziendalisiottieneunaprevisionedivendita,chedovrebbeesserepiùattendibilediquellaespressadalsingolomanager.Variantievolutedel JuryofExecutiveOpinion,particolarmente utili per le previsioni a livello di settore e per il forecastingtecnologico,sonoil“panelconsensus”eil“metodoDelfi”.Questetecnicheprevedonoil coinvolgimento nella previsione della domanda di esperti esterni all’impresa,come consulenti aziendali, analisti economici di settore, professori universitari,clienti,ecc.

L’approccio fondato sulle aspettative dei clienti (“Buyer Expectation Method”)consiste invecenel chiedere direttamente ai clienti attuali dell’impresa (o a quellipotenziali) informazioni sulle “intensioni di acquisto” del prodotto. Questeinformazionipossonoessereacquisiteintervistandodirettameneiclienti,medianteprogrammidiCustomerRelationshipManegement(odiVendorManagedInventory),oppure attraverso apposite ricerche di mercato, quando i clienti sono moltonumerosi.

Letecnichequalitativecostituisconol’unicoapprocciodisponibileperprevedereladomandaquandononesistonodatistoricidivenditadelprodottoeciòsiverifica,adesempio,quandol’impresaintroducesulmercatounnuovoprodottooquandolatecnologica sta cambiando (Heizer e Render, 2004). Esse hanno inoltre un ruolodeterminante nelle imprese produttrici di prodotti destinati aimercati industriali(Herbigetal.,1994).Nelleimpreseinesameisingoliclientipossonoinfattiincideremoltosulfatturatoaziendaleeladomandapuòavereunandamentoestremamentevariabile(Kerkkänenetal.,2009,43).Imetodiqualitatividiprevisionedellevendita


9

assumonoinoltreunruolofondamentalenelleimpresedipiccoledimensioni(Smithetal.,1996).

4. Contesti applicativi dei diversi metodi e vantaggi degli approcci“combinati”

Le ricerche svolte sulle prassi operative delle imprese hanno evidenziato una

nettaprevalenzadelletecnichequalitative,anchesenonmancanostudichehannodimostrato la superiorità dei metodi quantitativi, in molte situazioni operative(SmåroseHellström,2004,140;Lawrenceetal.,2006).SanderseManrodt(2003,512) hanno rilevato, ad esempio, che, su 240 imprese statunitensi, solo l’11%utilizzava in prevalenza tecniche di previsione quantitative e inoltre, di questosottogruppo, il 60% modificava le previsioni statistiche, in base a valutazionisoggettivedelmanagement.

Il dibattito sulla capacità delle tecniche quantitative e di quelle qualitative dimigliorare l’accuratezza previsionale è oggi ancora aperto (Bunn eWright, 1991;DaneseeKalchschmidt,2011,459).SanderseManrodt(2003)rilevano,adesempio,errori di previsioni più bassi nelle imprese con processi di previsione basati inprevalenzasumetodiquantitativi,rispettoaquelleconapproccidiprevisionebasatiinprevalenzasumetodiqualitativi.Lawrenceetal.(2000)hannoinvecedimostratoche i modelli previsionali più sofisticati non forniscono sempre un’accuratezzaprevisionalesuperioreaquellafornitadamodellipiùsemplici.

Nonèpertantopossibilestabilireaprioriqualeapprocciorisultiinassolutopiùefficaceperprevedereladomanda.Inrealtàl’efficaciadiognimetodosembraesserecondizionata dalle caratteristiche del contesto di applicazione. Tra i fattori chepossono determinare la prevalenza all’interno di un’impresa di un approccioquantitativo(oqualitativo)nellaprevisionedellevendite,SanderseManrodt(2003)neindividuatreprincipali:a) la possibilità di accedere ed utilizzare “dati storici di vendita” (derivanti, ad

esempio,direttamentedaiPointofsale);b) lapossibilitàdiimpiegare“softwareinformaticiadeguati”;c) ilgradodi“incertezzadell’ambiente”nelqualel’impresaopera.

In particolare, in uno studio antecedente, Sanders e Ritzman (1995) avevanoriscontratounstrettocollegamento tra l’accuratezzadeimodellidiprevisionee la“variabilità dalla domanda”, misurata attraverso il “coefficiente di variazione dellevendite”,datodalrapporto fradeviazionestandarddellevenditediunprodotto inundatoarcotemporalediosservazioneeilvaloremediodellevenditenell’orizzonteconsiderato.

Quando il coefficiente assume valori bassi, le tecniche statistiche mostranoun’accuratezza migliore di quelle qualitative e la situazione opposta si verificaquandoilcoefficienteassumevalorielevati.

Pertalemotivo,SanderseRitzman(1995)ritengonochequandolaseriestoricadellevenditediunprodottohaunandamentostabile,l’opzionemigliorepuòesserequelladi fondare leprevisioni su tecnicheesclusivamentequantitative.Perquesta


10

tipologia di domanda, l’aggiunta di valutazioni qualitative non contribuisce adaccresceredimoltol’accuratezzaprevisionale.Tuttaviaperseriestorichedivenditacon variabilità moderata (o alta) l’aggiunta di input qualitativi può miglioraresignificativamente l’accuratezza della previsione. Infine, quando la serie storicapresenta una variabilità molto elevata, le tecniche qualitative rappresentano lamigliore alternativa previsionale, a condizione che le conoscenze settoriali deisoggetticoinvolticonsentanodispiegarnelavariabilità.Infatti,laragioneprincipaleche giustifica l’impiego di metodi qualitativi per prevedere le vendite è chel’individuocoinvoltonellaprevisionesiaalcorrentediinformazionisucambiamentirecenti del mercato, della concorrenza e di altri elementi dell’ambiente, nonconsiderati dai modelli quantitativi. In particolare, molto importanti sono le“conoscenze settoriali” che consentono aimanager di coglieremolte relazioni dicausa‐effettoedicapirequalielementisonorilevantinell’influenzareladomandaele“informazionicontestuali”,qualiadesempio,nuovepolitichefiscali,unoscioperoimminente,uncambiamentosignificativonellastrategiadiun’impresaconcorrente,ecc.(SanderseRitzmann,2004,516).

I concetti sviluppati da Sanders e Ritzmann (2004, 516) si riscontrano nelleprassioperativedelleimprese.NellostudiodiCroxtonetal(2002,55‐56)viene,adesempio,richiamatoilcasodiun’impresachesuddivideiprodottiintrecategorieinbase alla “variabilità” della domanda e al suo “volume”. I metodi estrapolativivenivano impiegati per prevedere le vendite di tutti i prodotti offerti, che sicaratterizzanoperunabassavariabilitàdelladomanda(cioèsiaperquelliconbassivolumi, sia perquelli con alti volumi). Le tecnichequalitative (cheprevedevano ilcoinvolgimentodeivenditoriedeglistessiclienti)eranoinveceriservateaiprodotticonunadomandacaratterizzatadaunaelevatavariabilitàedaunelevatovolume.Infineperiprodotticonelevatavariabilitàebassivolumi,l’aziendaavevaoptatoperuna politica di produzione “make to order”, che non necessità di previsionidettagliatealivellodisingolocodicediprodottofinito.Taleapproccioconsentivaalmanagement, per l’ultima categoria di articoli, di concentrarsi sulle previsioni alivelloaggregato,relativeallematerieprimeeaicomponentidelprodottofinito.

Situazionianaloghesiriscontranoinoltrenelleimpresedellamoda,doveimetodiimpiegatiperprevederelevenditediarticolichevarianomoltodaunannoall’altrosonomoltodiversidaquelliimpiegatiperprevederelevenditediarticoliripropostidiannoinannosoloconpiccolevarianti(BelvedereeGoodwin,2017).

Per ottenere previsioni di vendita più accurate, spesso le imprese adottano“approcci combinati”, che prevedono l’utilizzo combinato di diversi metodiquantitativi o qualitativi, oppure di tecniche quantitative insieme a tecnichequalitative(Lawrenceetal.,1986;BatcheloreDua,1995;Armstrong,2001;Baeckeet al., 2017). In particolare, le tecniche qualitative possono essere combinate conquelle quantitative in base alle quattro principali modalità seguenti (Sanders eRitzer,2004):a) le valutazioni soggettive vengono impiegate per aggiustare le previsione di

venditageneratecontecnichequantitative;b) le previsione di vendita formulate con tecniche qualitative vengono poi

aggiustateconmetodiquantitativi;


11

c) le previsioni di vendita vengono formulate separatamente con una tecnicaquantitativaeconunaqualitativaepoi combinateperottenere leprevisionidivenditadefinitive;

d) levalutazioniqualitativesonolabaseperlacostruzionedelmodelloquantitativodiprevisionedellevendite.LaliteraturereviewdiClemen(1989)svoltasu209ricerchehapostoinevidenza

cheivantaggidegliapproccicombinatitendonoaesseremaggioriquandoimetodiintegrati differiscono fra loro inmodo sostanziale e si basano su fonti informativedifferenti. Le analisi di Armstrong (2001) e Goodwin (2000) hanno inoltreevidenziato che il “combining forecast” tende ad essere più efficace quando lacorrelazionefraglierroridiprevisionedeidiversimetodièbassaeciòsignificainpratica che ogniprevisioneapporta informazionidifferentialprocesso integratodiprevisione.

5. Lasceltadellemetrichedimisurazionedella“forecastaccuracy”

Gli esperti ritengono di fondamentale importanza valutare l’accuratezza delleprevisionidi vendita formulate edutilizzatedelle impreseneiprocessidecisionali(Mentzeretal,1999;SmitheMetzer,2010).

Leprevisionidivenditacostituisconoinfattiilprincipaleinputinformativonellaformulazionedituttiipianistrategicidiallocazionedellerisorseaziendali(WackereLummus,2002).Quandoessesonoinaccurate, lapianificazionedellaproduzionediventa, ad esempio, più incera, i piani subiscono frequenti e costosemodifiche eaumentanoinoltreilivellidellescorte(Vollmanetal.,2005).

Il concetto di “accuratezza previsionale” (o forecast accuracy) attiene allacorrispondenzadeivaloriprevistiaivalorieffettividelladomanda.Lacaratteristicainesamevienedi solitovalutata inmodo indiretto,mediante lamisurazionedegli“erroridiprevisione”(forecasterror),commessiinunospecificoorizzontetemporaledianalisi.Inparticolare,sesiconsideranolevenditediunarcotemporalepassatodipiù periodi, l’errore di previsione in ciascun periodo (cioè il cosiddetto “errorepuntuale”)corrispondealladifferenzatrailvaloredellevenditeeffettiveeilvaloredelle venditepreviste (HyndmaneKoehler, 2006). L’errorepuntuale è nullo se laprevisione è risultata esattamente uguale alla domanda effettiva, è positivo se laprevisionehasottostimatoladomanda(under‐forecasting)edè infinenegativo,selaprevisionehasovrastimatoladomanda(over‐forecasting).

L’errorepuntualecostituiscelabaseperilcalcolodidiversi“indicatoriglobalidierrore”,chesintetizzanol’entitàdeglierroricommessidaunsistemaprevisionalesuun dato arco temporale passato, e quindi, il livello di accuratezza previsionalenell’orizzonteconsiderato(Sianesi,2011,356).

Sul piano gestionale, gli studiosi ritengono importante distinguere (Milanato,2008,387‐396): gliindicatoridi“dispersione”dell’errorediprevisione,chemisuranolagrandezza

assuntainmediadaglierrori,senzaconsiderareillorosegno;


12

gli indicatori di “distorsione” dell’errore previsionale, che indicano in qualemisuraleprevisionielaboratesuundatoarcotemporalesisonocollocateadunlivello superiore (over‐forecasting) o inferiore ai valori effettivi della domanda(under‐forecasting).Va osservato che le distorsioni, cioè le situazioni di sovrastima o di sottostima

della domanda possono avere implicazioni significative sull’efficienza e sulleperformancelogistichedell’impresa(Kerkkänenetal.,2009,44.45).L’over‐forecastingpuò,adesempio,comportare,unaumentodellescortepresenti

nelsistemalogistico‐produttivo(equindideicostiedeirischiadessecollegati), lapredisposizionediunacapacitàproduttivaeccessivarispettoai fabbisogni, conuninutileacquistodinuovemacchineol’assunzionedinuovilavoratori.L’under‐forecasting può invecedeterminare l’impossibilitàdi evaderegli ordini,

l’allungamentodeitempidiconsegna,l’acquistodapartedelclientediunprodottodiverso da quello richiesto (per l’indisponibilità di quello desiderato), la continuamodificadei“piani”diproduzioneedidistribuzione(perinserireordiniurgenti,conimplicazioni negative sulla possibilità di utilizzare in modo efficiente le risorseproduttive), l’aumento delle scorte di sicurezza nei depositi intermedi della retelogistica e, a lungo andare, la perdita di immagine aziendale (Dallari e Milanato,2011).

Ritornando al tema della misurazione, va osservato che, sia gli indicatori didispersione, siaquellididistorsionedell’erroreprevisionalepossonoessere “scaledependent” o “scale independent” (Hyndman e Koehler, 2006). Nel primo caso,l’indicatore dipende dalla scala di misurazione dell’errore e può pertanto essereutilizzato solo per confrontare l’accuratezza di metodi previsionali alternativi,impiegatiperprevedereladomandadelmedesimoprodotto‐mercato.Gliindicatori“scaleindependent”consentonoinvecediconfrontareancheillivellodiaccuratezzadiprevisionidivenditarelativeaprodottiemercatidiversi. Inparticolare,mentregli indicatori globali “scaledependent” si basanosull’errorepuntuale (chedipendedaivaloriassolutiassuntidallevenditeedalleprevisioni),quelli“scaleindependent”si basano sull’errorepuntuale percentuale, che corrisponde al rapporto tra errorepuntuale evaloreeffettivodelladomandanelperiodo (HyndmaneKoehler,2006,683;KimeKim,2016,669).

Senzascendereadun’analisiparticolareggiata, lemetrichedimisurazionedelladispersione“scaledependent”piùnotesonoleseguenti: “l’errore medio assoluto” (o Mean Absolute Deviation, MAD), cioè la media

aritmeticadeglierroripuntualidiprevisionerilevatineiperiodidiundatoarcotemporale,presiinvaloreassoluto;

“l’errore quadraticomedio” (oMean Square Error, MSE), che corrisponde allamediadelquadratodeglierroripuntualirelativiadundatoarcotemporale.Poiché la seconda metrica comporta l’amplificazione degli errori puntuali di

elevata entità, essa tende a considerare più accurati i metodi previsionali, checommettonomolti erroridipiccola entità, rispetto aquelli che commettonopochierrori,madielevataentità(HeizereRender,2004,114).

Unadellemisuredidispersionedegli errori “scale independent”piùutilizzata èinvece l’erroremedioassolutopercentuale (oMeanAbsolutePercentError,MAPE),


13

che corrisponde alla media degli errori puntuali percentuali calcolata sui periodidell’orizzonte temporale oggetto di analisi. Questa metrica non si può utilizzarequando la domanda del prodotto ha natura intermittente (nel senso che presentaperiodi con una domanda assente) o ha valorimedimolto bassi e vicini allo zero(HyndmanneKoehler, 2006,687). Inqueste circostanze i valoridellaMAPEsonoindefiniti e di difficile interpretazione ed è pertanto necessario impiegare dellemetrichealternative(WallströmeSegerstedt,2010).

Due importanti metriche “scale dependent” per misurare la “distorsione” delleprevisionidivenditasono: lasommacumulatadeglierroridiprevisione(oCumulatedForecastError,CFE); l’erroremedio (oMeanError), cioè lamedia aritmetica degli errori puntuali di

previsione.Se le previsioni non sono distorte, ilCumulatedForecastError e ilMeanError

dovrebbero esseremolti vicini allo zero (Wallström e Segerstedt, 2010). Il segnopositivo segnala invece la tendenza della previsione a sottostimare la domanda,mentre un segno negativo delinea la tendenza opposta, cioè di sovrastima delladomanda.Lacompensazionedegli erroridi segnooppostocostituisce ilprincipalelimite di questi indicatori. In certi casi, infatti, un valore pari a zero potrebbespingerel’analistaaconsiderareaccuratounmodello,anchequandolasituazioneèbendiversa(Milanato,2008,391).

Il principale indicatore scale independent di misurazione della distorsione èinoltre“l’erroremediopercentuale”(oMeanPercentageError,MPE),costituitodallamedia aritmetica degli errori di previsione puntuali “percentuali” rilevanti neiperiodidell’orizzontetemporale.

Se risulta indubbiamente evidente la necessità di misurare la dispersione e ladistorsionedeglierroridiprevisioni,ancorapiuttostocontroversaèlasceltadiqualiindicatoriconvieneimpiegarefraquellidisponibili(DavydenkoeFildes,2013,510).In realtà, ancora non c’è pieno accordo fra gli studiosi su quale di essi risulti piùefficace(TeuntereDuncan,2009;Gillilandetal.,2016,56).Lasceltadellametricadimisurazione dell’errore di previsione costituisce tuttavia un aspetto critico, inquantodaessadipendepoiilmetododiprevisioneritenutomigliore.L’impossibilitàdi individuareunametricamigliore in assoluto, rispetto alle altre, può essere allabasedelloscarsonumerodiimprese,chehannounsistemaformaledimisurazionedella“forecastaccuracy”(DavydenkoeFildes,2013,511).NellostudiodiMcCartyetal (2006),adesempio, solo il55%delle impresestatunitensidigrandidimensioniconsideratehannodichiaratodimisurareleperformancedell’attivitàdiprevisionedelle vendite. Spesso inoltre le imprese tendono ad utilizzare un’unica metrica,costituita in genere dalla MAD e dall’MSE. Questa prassi viene consideratainadeguata,poichéunasolametricanonèingradodicoglierelediversedimensionidell’errore previsionale (Wallström e Segerstedt, 2010). Una linea di azioneconsiderata più efficace è quella di impiegare più indicatori di naturacomplementare, che siano in grado, ad esempio, di tenere sotto controllo l’entitàdeglierrori,siadidispersione,siadidistorsionedelleprevisionidivendite,generatedaunsistemaprevisionale(Gillilandetal.,2016,56).


14

6. Ambitidiutilizzodeidatisulla“forecastaccuracy”

La letteratura suggerisce che gli output dell’attività di misurazionedell’accuratezza delle previsioni di vendita possono essere utili in tre principaliambiti:a) La valutazione delle performance deimetodi previsionali. Le informazioni sugli

erroridiprevisioneconsentonoaimanagerdivalutareleperformancedimetodiprevisionali alternativi, o di verificare se i metodi in uso prevedono in modoaccurato la domanda (Schomberger eKnod, 1999, 187;Kerkkänen et al., 2009,44).Se,adesempio,glierrorisonostatisemprepositivi,ciòsignificacheilmetodotende a sovrastimare sistematicamente la domanda ed è pertanto opportunomodificare alcuni parametri o cambiare tecnica di previsione (Wacker e Lummus,2002, 1018)1. Gli esperti suggeriscono inoltre, da un lato, di misurarel’accuratezzainognipunto,incuilaprevisionepuòesseremodificatae,dall’altro,di confrontare sempre l’accuratezza deimodelli di previsionepiù complessi edarticolati con l’accuratezza ottenibile dall’utilizzo di metodi “naif”, quali, adesempio, il randomwalk, il seasonal randomwalk, lamediamobile o una lorocombinazione (Gilliand, 2002)2. In effetti, un approccio previsionale piùcomplessodiquellonaif,perpotereessereconsideratovalido,devecomportareun valore dell’errore globale (ad esempio, delMAPE)minore, rispetto a quellodalla tecnica naif. Se gli errori di previsione della tecnica più complessa sonouguali a quelli della tecnica naif, o addirittura superiori, le risorse aggiuntiveimpiegatenellatecnicapuòcomplessacostituisconoatuttiglieffettiunosprecodirisorseaziendali.Ladifferenzaneglierroridiprevisionediduemetodiodiduefasi del processo di previsione viene in particolare denominata da Gilliland(2002)“valoreaggiuntodellaprevisione”3.

b) Lavalutazionedegliaddettiallaprevisione.Laresponsabilizzazionedelpersonale,che si occupa dell’elaborazione delle previsioni di vendita nell’impresa, e lapredisposizione di incentivi collegati alle performance ottenute sono staticonsiderativalidiapproccipermigliorarel’accuratezzadelleprevisionidivenditanell’impresa (Mentzer et al., 1999;Moon et al., 2003). Queste prassi gestionalisono tuttavia ancora poco diffuse. Su un campione di diversi produttoristatunitensi di grande dimensione, McCarthy et al (2007, 309) rilevano, ad

————— 1 Perverificareseleprevisionidivenditafornitedaunmodellosonoallineatealladomanda,gliespertisuggeriscono di utilizzare il “tracking signal” (o allarme di rotta), dato dal rapporto tra la sommacumulatadeglierroridiprevisioneel’erroremedioassolutosuundatoarcotemporale.Seivalorideltrackingsignalsicollocanoall’esternodiunrangecompresofra‐3,75e+3,75significacheilmodellostafornendoprevisionidistorteeoccorremodificarnequalcheelementoperriportareleprevisioniinlineaconivalorieffettividalladomanda(RusselleTaylor,2009,496). 2Adesempio,unaprevisionegenerata inizialmentedaunsistema informaticopuòessere trasmessaall’areavenditeperdegliaggiustamentiealmarketingperunarevisionefinale.Inquestocasoesistono“trepunti”suiqualièopportunomisurarel’accuratezza,perverificarequalefasemiglioralaprevisioneequaletendeinveceapeggiorarla(SmitheMentzer,2010,172).3Ilconfrontotraduemetodipuòessereovviamenterealizzatoanchericorrendoa“metricherelative”,che rapportano i valori dell’errore di previsione del metodo osservato con gli errori commessi dalmetodonaif(HyndmanneKoehler,2006,684).


15

esempio, che solo il 33%di essi responsabilizzavano gli addetti alla previsionesulleperformancedell’attivitàsvoltaesoloil23%prevedevanospecificiincentiviper favorire il miglioramento delle performance previsionali. Su tale aspetto,Gilliland (2002) suggerisce, ad esempio, di utilizzare il concetto di “valoreaggiunto della previsione” (richiamato nel punto precedente) per valutare inmodooggettivoedequilibratoleperformancedelpersonaleaddettoalleattivitàprevisionali.

c) La pianificazione delle attività produttive. Se si parte dal presupposto che leprevisionisonosempreimprecise,laconoscenzadelvalorepuntualecostituisceunelemento informativo insufficiente per consentire ai manager di pianificareefficacemente e senza sprechi le attività aziendali (Gilliland et al, 2015, 3). Unaprevisioneespressadaununicovalore(cioèuna“singlefigureforecast”)nonfornisceinfattialcunaindicazioneall’utilizzatoresulgradodiincertezzadellaprevisione,cherappresentainrealtàunaspettodanontrascurarenelledecisionidiallocazionedellerisorse. Gli individui (e quindi anche i manager) hanno una naturale tendenza asovrastimare l’accuratezza delle previsioni e a sottostimarne invece il livello diincertezza(Gillilandetal,2015,3).Nelmomento incuisonochiamatia formulareunadecisione,basatasuunaprevisionedivendita,essidevonoesserepienamenteconsapevolidellivellodiattendibilitàdellaprevisione(Kerkkänenetal.,2009,44).Vacomunquepuntualizzatochel’accuratezzadiunaprevisionepuòesserevalutatasolo dopo che una decisione è stata presa e sono disponibili i dati sulle venditeeffettive. L’accuratezza delle previsioni passate può tuttavia influire sulla fiduciaattribuitadaimanageralleprevisionicorrentiesullapropensioneadutilizzaretaliprevisionineiprocessidecisionali(Chybalski,2017,7).L’incertezza può essere incorporata nelle previsioni di vendita in diversimodi,

quali, ad esempio, gli intervalli di previsioni, i grafici a ventaglio o le funzioni didensità di probabilità (Gilliland et al., 2015, 7). In particolare, gli intervalli diprevisione consentono agli utilizzatori della previsione di pianificare strategiealternative in relazione ai possibili valori, che le vendite potranno probabilmenteassumere(Lawrenceetal.,2006,506).Un’impresapuòadesempioprevedereunadomandadi100unità conun intervallodi confidenzadel95%compreso fra80e120 unità. Il management, oltre a poter condividere queste informazioni con ifornitori(econsentirecosìaquestidipianificaremeglioleattivitàproduttivesvolteafavoredelcliente),dovràvalutareaquale“livello”fissarelaproduzione(Croxtonetal,2002,62).Peroffrireunserviziologisticoelevatoaiclienti,laproduzionedovràesseredi120unità.Tuttavia,seilcostodimantenimentodellescorte(oilrischiodiobsolescenza) sono elevati può essere più convenente produrre solo 80 unità.Questa scelta presuppone un’adeguata conoscenza della struttura dei costidell’azienda ed è fortemente influenzata dalla strategia competitiva adottata perconseguireunvantaggiocompetitivo.Gli intervallidiprevisionisonofondamentalinell’attuazionedipolitichedi“over‐planning”,checonsistononeldefinirelequantitàdaprodurrediciascunarticolonelpianoprincipalediproduzione,inbasealgradodiprevedibilitàdelladomanda(CastagnaeRoversi,1990,96).L’over‐planningè inpraticaunastrategiadi“sovrapproduzioneselettiva”,chesi

concentra solo su quelle voci caratterizzate da fabbisogni poco prevedibili, per


16

ridurre alminimo gli effetti degli errori di previsione. Com’è noto, tale approccioprevedeover‐planningdientitàridotta(oaddiritturanulla)percomponenticomuniadinterefamigliediprodottiedover‐planningelevatiper“componentispecifici”diognisingolocodicediprodottofinito(BartezzaghieVarganti,1995,109)4.

Lamisurazionedeglierroridiprevisioneèpertantofunzionale,siaall’esigenzadimigliorareiprocessidiprevisionedellevendite,siaall’esigenzaditrasmettereagliutilizzatori delle previsioni informazioni sul loro livello di affidabilità (Smith eMetzer,2010)5.

7. Riflessioniconclusive

Dall’analisi della letteratura emerge che, nonostante gran parte degli studi, giàdaglianniSettanta,abbianoavutol’obiettivodivalutarequalimodellidiprevisionefosseropiùprecisinelprevederelevendite,alcunistudirecenti,oltreadaffrontareilcomplesso tema di come valutare efficacemente la performance dell’attivitàprevisionale, hanno spostato l’attenzione sugli aspetti organizzativo‐managerialirelativi alla formulazione e all’utilizzo della previsione nei processi decisionalidell’impresa. In questa prospettiva di analisi più ampia, la misurazionedell’accuratezzaprevisionalevieneadassumereunavalenzaparticolare.

Inrealtà, l’aumentodell’accuratezzaèstatoconsideratodasempre ilprincipaleobiettivodeimiglioramentinelleattivitàdiprevisionedellevenditeaziendalieciòègiustificato dagli effetti che una maggiore forecast accuracy può avere sullaperformance aziendale, in termini di riduzione dei costi e di miglioramento delservizio logistico offerto ai clienti. Oggi gli esperti hanno tuttavia riconosciutol’impossibilitàintalunicasidiaccrescereilivellidiaccuratezzadelleprevisionioltrecerti limitie,quindi, lanecessitàdirealizzareun’attentaanalisicosti‐beneficidellerisorsedestinateall’attivitàprevisionalenelleimprese(Gilliland,2002).

Studi recenti hanno inoltre rilevato una effetto diretto dei processi dimisurazione della forecast accuracy sul costo dei prodotti e sui livelli di serviziogarantiti dall’azienda ai propri clienti (Doering e Suersh, 2016). Questa evidenzaempirica può essere dovuta proprio agli effetti positivi che la disponibilità e lacondivisione di dati sull’affidabilità delle previsioni può esercitare sui processi dipianificazionedellerisorseproduttiveaziendali(SmitheMentzer,2010,72).

Il principale limite di questo studio deriva dalla natura puramente torica delleriflessioni proposte. Esse non si basano infatti su una ricerca empirica, ma————— 4Sulpianoeconomico‐gestionale,l’effettodell’over‐planningèequivalenteall’aumentodellascortadisicurezza,mahailvantaggiodirenderepossibileilcontrollodellaquantitàdiproduzione“ineccesso”diciascunprodottonelpianoprincipalediproduzione.Questalineadiazionepermettealmanagementdiconciliarelastabilitàdelpianoprincipalediproduzioneconlapossibilitàdiaverevenditediversedaquellepreviste(CastagnaeRoversi,1990,96).5 La condivisionedidati sugli erroridi previsionepuòmigliorare lepercezionedegli utilizzatori sullivellodicredibilitàdelleprevisionidivenditaeridurreglisprechidirisorseconnessia fenomenidi“duplicazioni”delleattivitàprevisionalinelleimprese.Questaduplicazionesiverificaingenerequandoognienteutilizzatore,nonconsideranoaffidabilileprevisionidivenditaufficiali,decidedisviluppareprevisionidivenditaproprie(Moonetal.,1998,48).


17

sull’analisi dei risultati di qualificati studi apparsi nella letteratura internazionale,che (nella maggior parte dei casi) hanno fatto riferimento a contesti economico‐industrialidiversidaquelloitaliano.

Il valore aggiunto di questa “literature riview” risiede nel tentativo disistematizzare e collegare i principali contributi di ricerca, che nel tempo hannoaffrontato separatamente i diversi aspetti relativi all’attività di previsione dellevenditenell’impresa.

Dallo studio emergono aspetti ancora poco chiari o in parte trascurati, chepossonoessereoggettodiricercheempirichefuture.

Un primo interessante filone di analisi, che merita di essere approfondito, siriferisceallarelazionetraforecastaccuracyeperformanceaziendalicritiche,comeilcostoeilserviziologisticogarantitoalcliente.Larelazionetraidueelementinonhainfatti trovato una conferma netta nelle analisi empiriche svolte (Danese eKalchschmidt,2011,2013).Ulterioriricerchesonopertantonecessariepercapireinqualisituazioniunaumentodellaforecastaccuracypuòmigliorarelatempestivitàel’affidabilità delle consegne (a parità di costi sostenuti) o se altri fattori sono piùrilevanti nell’influenzare il servizio al cliente. Ad esempio, potrebbe essere utileverificareselaforecastaccuracyèunaspettopiùrilevanteincontestidiproduzioneispiratialogichejustintimeoinaltricontestiproduttivi.

Unaltrofilonedistudiononancoraadeguatamentesviluppatoèquellorelativoalla misurazione e all’uso delle informazioni sulla forecast accuracy nelleorganizzazioniproduttive.Nonostantediversericercheabbianoaffrontatoiltemadicome misurare questo indicatore di performance, ancora limitate sono le analisiempiriche,teseaverificareinchemisuraeconqualiindicatorileimpresevalutanoleprestazionidelleattivitàdi “sales forecasting”econqualistrumenti i risultatidiqueste valutazioni vengono trasferiti ed utilizzati nei processi decisionali, perfavorire linee di azione, in grado di attenuare gli effetti avversi degli erroriprevisionali.

Di sicuro interesse è infine il filone ricerca sull’evoluzione dei modelli diprevisionedellevendite, conparticolare riguardoallaopportunitàdiutilizzodellenuovetecnichedi“advancedanalytics”odi“sentimentanalysis”(resepossibilidallarivoluzione digitale) e al dibattito sulle modalità di integrazione dello “humanjudgment”neisistemiquantitatividiprevisionedellevendite.


18

RiferimentibibliograficiArmstrong, J. S. (Ed.) (2001).Principles of forecasting: ahandbook for researchersandpractitioners.Narwll:KluwerAcedemicPublishers.

Armstrong, J. S., & Brodie, R. J., McIntyre, S. H. (1987). Forecasting methods formarketing: Review of empirical research”. International Journal of Forecasting,3(3‐4),355‐376.

Baecke,P.,DeBaets,S.,&Vanderheyden,K.(2017).Investigatingtheaddedvalueofintegrating human judgement into statistical demand forecasting systems.InternationalJournalofProductionEconomics,191,pp.85‐96.

Bartezzaghi,E.,&Verganti,R.(1995).Managingdemanduncertaintythroughorderoverplanning,InternationalJournalofProductionEconomics.40(2‐3),107‐120.

Batchelor,R.,&Dua,P. (1995),Forecasterdiversityand thebenefitsof combiningforecasts.ManagementScience,41(1),68‐75.

Belvedere, V., & Goodwin, P. (2017), The influence of product involvement andemotion on short‐term product demand forecasting. International Journal ofForecasting,33(3),652‐661.

Castagna, R., & Roversi, A. (1990). Sistemi produttivi. Il processo di pianificazione,programmazioneecontrollo.Milano:Isedi.

Chambers,J.C.,Mullick,S.,&Smith,D.(1971).Howtochoosetherightforecastingtechnique.HarvardBusinessReview,49,pp.45‐71.

Chase,C.W.(2013).Demand‐drivenforecasting.Astructuredapproachtoforecasting(2ndEdition).,Hoboken(NewJersey):Wiley&SasBusinessSeries.

Chybalski,F.(2017).Forecastvalueadded(FVA)analysisasameanstoimprovetheefficiencyofaforecastingprocess.OperationsResearchandDecisions,27(1),5‐19.

Clemen, R. T. (1989). Combining forecasts: A review and annotated bibliography.Internationaljournalofforecasting,5(4),559‐583.

Croxton, K. L., Lambert, D. M., García‐Dastugue, S. J., & Rogers, D. S. (2002). Thedemandmanagementprocess.TheInternationalJournalofLogisticsManagement,13(2),51‐66.

Dallari, F., & Milanato, D. (2011). Demand planning per la aziende industriali ecommerciali.Logistica,TecnicheNuove,maggio.

Danese,P.,&Kalchshmidt,M.(2011).Theroleof forecastingprocess in improvingforecast accuracy and operational performance. International Journal ofProductionEconomics,131(1),pp.204‐214.

Davis, D. F., & Mentzer, J. T. (2007). Organizational factors in sales forecastingmanagement.InternationalJournalofForecasting,23(3),475‐495.

Davydenko, A., & Fildes, R. (2013). Measuring forecasting accuracy: The case ofjudgmental adjustments toSKU‐leveldemand forecasts. International JournalofForecasting,29(3),510‐522.

Denyer,D.,&Tranfield,D. (2006).Usingqualitativeresearchsynthesis tobuildanactionableknowledgebase.ManagementDecision,44(2),213‐227.

Doering, T.,& Suresh,N. C. (2016). Forecasting andPerformance: ConceptualizingForecasting Management Competence as a Higher‐Order Construct. Journal ofSupplyChainManagement,52(4),77‐91.


19

Fan, Z. P., Che, Y. J., & Chen, Z. Y. (2017). Product sales forecasting using onlinereviews and historical sales data: A method combining the Bass model andsentimentanalysis.JournalofBusinessResearch,74,90‐100.

Fantazzini,D.,&Toktamysova,Z.(2015).ForecastingGermancarsalesusingGoogledataandmultivariatemodels.InternationalJournalofProductionEconomics,170,97‐135.

Gardner, E. S., Anderson‐Fletcher, E. A., &Wicks, A.M. (2001). Further results onfocusforecastingvs.exponentialsmoothing.InternationalJournalofForecasting,17(2),287‐293.

Geva,T.,Oestreicher‐Singer,G.,Efron,N.,&Shimshoni,Y.(2017).UsingForumandSearch Data for Sales Prediction of High‐Involvement Products.MISQuarterly:ManagementInformationSystems,41(1),pp.65‐82.

Gilliland, M. (2002). Is Forecasting a waste of time?. Supply Chain ManagementReview,6(4),pp.16‐23.

Gilliland, M., Tashman, L., & Sglavo, U., a cura di (2015). Business Forecasting:PracticalProblemsandSolutions,Hoboken(NewJersey):JohnWiley&SonsInc.

Goodwin, P. (2000). Correct or combine? Mechanically integrating judgmentalforecasts with statistical methods. International Journal of Forecasting, 16(2),261‐275.

Heizer, J., & Render, B. (2004). OperationsManagement (Seventh Edition). UpperSaddleRiver:PersonEducation.

Herbig, P., Milewicz, J., & Golden J. E. (1994). Differences in forecasting behaviorbetween industrial product firms and consumer product firms. Journal ofBusiness&IndustrialMarketing,9(1),60‐69.

Hisrich, R. D., & Jackson, R.W. (1993). Selling and salesmanagement. Haupparge(NewYork):Barron’sEducationalSeries.

Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecastaccuracy.Internationaljournalofforecasting,22(4),679‐688.

Kerkkänen, A. Korpela, J., & Huiskonen, J. (2009). Demand forecasting errors inindustrialcontext:measurementandimpacts.InternationalJournalofProductionEconomics,118,pp43‐48.

Lawrence, M. J., Edmundson, R. H., & O'Connor, M. J. (1986). The accuracy ofcombining judgemental and statistical forecasts.Management Science, 32(12),1521‐1532.

Lawrence,M.,Goodwin,P.,O'Connor,M.,&Önkal,D.(2006).Judgmentalforecasting:Areviewofprogressover the last25years.International JournalofForecasting,22(3),493‐518.

Makridakis, S., & Wheelwright, S. C. (1977). Forecasting: issues & challenges formarketingmanagement.TheJournalofMarketing,24‐38.

Makridakis,S.,Hogarth,R.M.,&Gaba,A.(2009).Forecastinganduncertaintyintheeconomic and businessworld. International Journal of Forecasting, 25(4), 794‐812.

Mark, A., Moon, J. T., Smith, C. D., & Garver, M. S. (1998). Seven keys to betterforecasting”.BusinessHorizon,September‐October,pp.44‐52.


20

McCarthy,T.M.,Davis,D.F.,Golicic,S.L.,&Mentzer, J.T. (2006).Theevolutionofsales forecasting management: a 20‐year longitudinal study of forecastingpractices.JournalofForecasting,25(5),303‐324.

Mentzer, J. T., & Moon, M. A. (2005). Sales forecasting management. A demandmanagement approach (2nd Edition). Thousand Oaks (London): SagePublications.

Mentzer, J. T., Bienstock, C., & Kahn, K. (1999). “Benchmarking sales forecastingmanagement”.BusinessHorizons,42(3),48‐56.

Milanato, D. (2008).Demand planning: processi,metodologie emodellimatematiciperlagestionedelladomandacommerciale.Milano:Springer‐VerlagItalia.

Molteni, L., & Troilo, G. (2003). “Le ricerche sull’evoluzione e sul potenziale deimercati”. In Molteni, L., Troilo, G. (a cura di), Ricerche di marketing, Milano:McGraw‐Hill.

Moon,M. A.,Mentzer, J. T., & Smith, C. D. (2003). “Conducting a sales forecastingaudit”.InternationalJournalofForecasting,19,pp.5‐25.

Russel,R.S.,&Taylor,IIIB.W.(2009).Operationsmanagement.Creatingvaluealongthesupplychain.Hoboken(NewJersey):JohnWiley&Sons,Inc.

Sanders, N. R., &Manrodt, K. B. (2003). “The efficacy of using judgmental versusquantitativeforecastingmethodsinpractice”.Omega,31(6),511‐522.

Sanders, N. R., & Ritzman, L. P. (1995). “Bringing judgment into combinationforecasts”.JournalofOperationsManagement,13(4),311‐321.

Sanders, N. R., & Ritzman, L. P. (2004). “Integrating judgmental and quantitativeforecasts: methodologies for pooling marketing and operations information”.InternationalJournalofOperations&ProductionManagement,24(5),514‐529.

Schonberger,R.J.,&KnodE.M.(1999).Gestionedellaproduzione.Milano:McGraw‐Hill.

Secchi,R. (2001). “ICTe gestionedei flussi informativi”. InVicari, S. (a curadi), Ilmanagementnell’eradellaconnessione,Milano:Egea.

Sianesi,A.(2011).Lagestionedelsistemadiproduzione.Milano:Etas.Småros, J., & Hellström, M. (2004). “Using the assortment forecasting method to

enablesalesforceinvolvementinforecasting:acasestudy”.InternationalJournalofPhysicalDistribution&LogisticsManagement,34(2),140‐157.

Smith, B. T., (1978). Focus forecasting: computer techniques for inventory control.Boston:CBIPublishing.

Smith, C. D., &Mentzer, J. T. (2010). “User influence on the relationship betweenforecast accuracy, application and logistics performance”. Journal of BusinessLogistics,31(1),159‐177.

Smith,H.C.,HerbigP.,MilewiczJ.,&GoldenJ.E.(1996).“Differencesinforecastingbehaviourbetweenlargeandsmallfirms”.JournalofMarketingPractice:AppliedMarketingScience,2(1),35‐51.

Valdani,E.,&Busacca,B.(1987).Previsionedellevenditeeciclodivitadelprodotto.Milano:Etas.

Vollmann,T.E.,Berry,W.L.,Whybark,D.C.,& Jacobs,F.R. (2005).Manufacturingplanningandcontrolforsupplychainmanagement.Boston:McGraw‐HillIrwin.


21

Wacker, J. G., & Lummus, R. R. (2002). “Sales forecasting for strategic resourceplanning”, International JournalofOperations&ProductionManagement. 22(9),1014–1031.

Wallström, P., & Segerstedt, A. (2010). “Evaluation of forecasting errormeasurementsandtechniquesforintermittentdemand”.InternationalJournalofProductionEconomics,128(2),625‐636.

Wheelwright, S. C., & Clarke, D. G. (1976). “Corporate Forecasting: Promise andReality”.HarvardBusinessReview,54(6),40‐64.

Wortmann,J.C.(1983).“AClassificationSchemeforMasterProductionScheduling”.Efficiencyofmanufacturingsystems,101.

Zotteri,G.,&Kalchschmidt,M.(2007).“Amodelforselectingtheappropriatelevelofaggregation in forecasting processes”. International Journal of ProductionEconomics,108(1–2),74‐83.

Documents

Previsione delle vendite e pianificazione della quale …...produttive ‐ 3. Principali metodi di previsione delle vendite ‐ 4. Contesti applicativi dei diversi metodi e vantaggi