La previsione dell'inventario per chi non e uno scienziato dei dati sembra piu difficile di quanto sia. La maggior parte dei team non ha bisogno di un modello a scatola nera. Serve uno storico vendite pulito, un metodo ripetibile e un modo per capire quando i dati mentono. Se un articolo e andato in rottura venerdi scorso, il foglio di calcolo non manca di formule - manca di contesto.
Questa e una buona notizia, perche i metodi semplici sono spesso piu solidi di quanto ci si aspetti. Nella revisione di Green e Armstrong nel Journal of Business Research, gli autori hanno trovato 97 confronti in 32 articoli e nessuna evidenza che la complessita aggiuntiva migliori l'accuratezza delle previsioni. Prevedere resta difficile, ma il primo miglioramento di solito arriva dalla disciplina, non dal software sofisticato.
Una previsione utile non e quella con piu fogli. E quella che un buyer puo spiegare, mettere in discussione e usare prima della prossima scadenza d'ordine.
Cosa fa davvero una previsione di inventario utile
Una previsione e una stima della domanda futura su un periodo definito. Per l'inventario, quel periodo deve corrispondere al ritmo di acquisto: tempo di consegna del fornitore piu il tempo fino alla prossima revisione. Se ordini ogni lunedi e il fornitore impiega 21 giorni, ti interessano i prossimi 28 giorni, non una media annuale teorica.
Una previsione ti avvisa in tempo per riordinare prima che i tuoi articoli A finiscano in rottura evitabile.
Impedisce che gli articoli a bassa rotazione assorbano capitale circolante solo perche qualcuno ha ordinato un po' di piu per sentirsi sicuro.
Vendite, acquisti e operations possono discutere un solo numero invece di difendere tre intuizioni diverse.
Le previsioni non sono promesse. Sono punti di partenza. Bisogna ancora considerare problemi con i fornitori, eventi commerciali e giudizio di business. L'obiettivo non e la perfezione. L'obiettivo e avere meno sorprese.
Parti con metodi semplici, poi aggiungi complessita solo quando se la merita
Il manuale NIST sullo smoothing descrive la media come il modo piu semplice per livellare i dati e ridurre la variazione casuale. E esattamente da li che la maggior parte dei team di inventario dovrebbe cominciare. Se lo storico e ragionevolmente stabile, medie mobili e metodi di livellamento forniranno una base operativa in fretta.
Metodo 1: media mobile per domanda stabile
Una media mobile prende gli ultimi periodi comparabili e li media. Se prevedi su base settimanale, una media mobile a 4 settimane e spesso sufficiente per iniziare. Esempio: se le ultime 4 settimane hanno venduto 92, 104, 96 e 108 unita, la previsione base della prossima settimana e (92 + 104 + 96 + 108) / 4 = 100 unita.
Previsione della prossima settimana = (settimana -1 + settimana -2 + settimana -3 + settimana -4) / 4. Usa periodi comparabili: settimane con settimane, mesi con mesi.
Metodo 2: livellamento esponenziale quando lo storico recente conta di piu
Se le vendite recenti contano piu dello storico passato, passa al livellamento esponenziale semplice. In Forecasting: Principles and Practice, Hyndman e Athanasopoulos lo presentano come una media ponderata dell'ultimo valore reale e della previsione precedente. In parole semplici: ieri conta piu del trimestre scorso, ma il trimestre scorso non viene ignorato. Questo rende il livellamento utile quando la domanda si muove lentamente ma non ha una forte stagionalita.
Metodo 3: aggiungi un fattore stagionale quando il calendario conta davvero
Se la domanda sale e scende con un pattern di calendario che si ripete - regali di dicembre, weekend estivi, ritorno a scuola, ordini di fine mese - separa l'effetto stagionale dal livello base. In Forecasting: Principles and Practice, l'approccio pratico e prevedere la serie destagionalizzata e poi riaggiungere il pattern stagionale. E la descrizione tecnica di un'idea semplice: questo dicembre dovrebbe assomigliare piu al dicembre scorso che a maggio scorso.
La stagionalita vale lo sforzo. Nella stessa revisione di Green e Armstrong, l'aggiustamento stagionale ha ridotto il MAPE dal 23,0 al 17,7 per cento su 68 serie mensili nella M-Competition originale. Un buon promemoria che una semplice struttura di calendario puo battere molta matematica in piu.
Usa una media mobile da 4 a 8 periodi quando l'articolo si vende regolarmente e il livello non si muove molto.
Usa il livellamento esponenziale semplice quando la domanda si muove gradualmente e i periodi recenti meritano piu peso.
Usa una previsione base piu fattori stagionali quando lo stesso impulso di calendario si ripete abbastanza da essere affidabile.
Pulisci lo storico prima di fidarti della matematica
Il metodo di previsione conta, ma la qualita dei dati in ingresso conta di piu. Resi, ordini una tantum per progetti, consegne parziali del fornitore e picchi promozionali possono tutti distorcere la base. Se dai dati sporchi a un modello, automatizzi solo un cattivo giudizio.
Le rotture di stock sono la trappola piu grande. In una ricerca sulla previsione della domanda con politiche di stock per vendite perse, gli autori notano che se c'e abbastanza stock, le vendite sono una stima non distorta della domanda, ma in presenza di rotture le vendite sottostimano la domanda e spingono le previsioni verso il basso. Questo crea la spirale esatta che gli operatori detestano: sotto-previsione, sotto-ordine, rottura, ripeti.
Quando lo scaffale e vuoto, le vendite smettono di misurare la domanda e iniziano a misurare la disponibilita.
Un esempio semplice di aggiustamento per rottura
Supponi che un articolo abbia venduto 210 unita in un mese di 30 giorni, ma sia stato disponibile solo per 21 giorni. Il tasso giornaliero ingenuo e 7 unita. Il tasso aggiustato per rottura e 10 unita perche 210 / 21 = 10. Per la pianificazione del riapprovvigionamento, il secondo numero e molto piu vicino alla realta. Il primo incorpora la rottura nella previsione del mese successivo.
Regole per uno storico pulito
- Segnala i periodi di rottura:Registra giorni o settimane con disponibilita zero per escluderli o aggiustarli, non per mediarli.
- Separa le promo dalla base:Una settimana di liquidazione o un picco di marketing deve stare in una colonna eventi, non gonfiare per sempre la previsione base.
- Rimuovi gli ordini una tantum:Acquisti grandi per progetti, riempimenti di lancio e trasferimenti interni sono eventi di pianificazione, non domanda ordinaria.
- Usa la verita dell'inventario, non solo le vendite:Se l'accuratezza dei registri e debole, correggi prima i conteggi. Registri di stock sporchi distorcono sia lo storico che gli acquisti. Vedi il vero costo di livelli di stock imprecisi.
- Prevedi famiglie prima delle varianti quando serve:Uno storico sottile su taglia-colore o formato spesso si prevede meglio a livello di gruppo prima e poi si distribuisce.
Un flusso di lavoro su foglio di calcolo da eseguire ogni lunedi
Puoi gestire una previsione rispettabile in un foglio con righe per SKU e colonne per gli ultimi 12-24 periodi, flag di disponibilita, note eventi, previsione, dato reale ed errore. L'obiettivo non e creare un modello elegante. L'obiettivo e creare una routine ripetibile.
Routine di previsione del lunedi
- Esporta lo storico per settimana o mese:Il settimanale e migliore per gli articoli ad alta rotazione. Il mensile basta per il catalogo piu lento.
- Aggiungi due colonne ausiliarie:una per lo stato di stock, una per le note eventi. Questi due campi evitano un numero sorprendente di previsioni sbagliate.
- Scegli un metodo base per classe di articolo:Inizia con medie mobili per articoli stabili e livellamento per quelli in lenta deriva.
- Applica la stagionalita solo quando si ripete:Se puoi indicare lo stesso impulso di calendario piu di una volta, aggiungi un fattore stagionale. Altrimenti, mantieni la semplicita.
- Prevedi la finestra di riapprovvigionamento:Stima la domanda per tutto il tempo di consegna del fornitore piu l'intervallo fino alla prossima revisione dell'ordine.
- Annota ogni override:Se le vendite dicono che un cliente nuovo aggiunge 300 unita il mese prossimo, registra l'override e il motivo. Gli override nascosti distruggono l'apprendimento.
Tre controlli di accuratezza che chiunque puo calcolare
Non serve una dashboard piena di statistiche. Servono poche misure che dicano se la previsione sbaglia in modo sistematico e di quanto.
Errore medio con segno. Un bias positivo significa che si tende a sovra-prevedere. Un bias negativo significa che si sottostima cronicamente la domanda e si invitano le rotture.
Errore assoluto medio, lo scostamento medio in unita. Come notano Green e Armstrong, il MAE e una misura semplice e utile per le decisioni di produzione e controllo inventario.
Errore percentuale assoluto ponderato. La documentazione di pianificazione della domanda di AWS Supply Chain usa il WAPE come metrica aggregata di accuratezza perche mostra l'errore totale della previsione rispetto alla domanda reale totale.
Usa il MAPE con cautela. Nella guida all'accuratezza di Hyndman, il MAPE diventa indefinito quando la domanda reale e zero e puo esplodere quando i valori reali sono vicini a zero. Questo lo rende una scelta sbagliata per articoli a bassa rotazione, lanci o serie con frequenti periodi a domanda zero.
Inizia con bias, MAE e WAPE. Aggiungi metriche piu sofisticate solo quando queste tre sono stabili e comprese.
Fai backtesting prima di portarlo negli acquisti
Una previsione non e pronta perche sembra ragionevole. E pronta dopo averla testata su periodi passati che non ha visto. La guida alla cross-validation per serie temporali di Hyndman descrive l'origine di previsione mobile: scorri lo storico, prevedi in avanti e media gli errori. E la versione adulta di chiedersi: avrebbe funzionato il trimestre scorso?
Backtest rapido
- Riserva gli ultimi 8-12 periodi:Non usarli per costruire il primo modello.
- Esegui ogni metodo candidato:media mobile, livellamento e qualsiasi versione stagionale che vuoi confrontare.
- Misura bias, MAE e WAPE:Valuta i metodi sui periodi che non ha visto.
- Scegli il metodo che le persone possono spiegare:Se due metodi sono vicini, scegli quello che il team manterra davvero.
Sappi dove il foglio di calcolo fatica
- Prodotti nuovi: Prendi in prestito lo storico da un articolo simile, una categoria o un piano di lancio perche il nuovo SKU non ha ancora un pattern stabile.
- Domanda irregolare o intermittente: Prevedi prima a livello di famiglia o categoria, poi pianifica il riapprovvigionamento individuale con piu revisione manuale.
- Promozioni e business per progetto: Aggiungi override per eventi separatamente invece di chiedere al modello base di indovinare eventi speciali.
- Scarsa accuratezza dell'inventario: Se ricevimento, rettifiche e controllo delle ubicazioni sono deboli, correggi prima il processo. Una previsione basata su registri sbagliati compra comunque la quantita sbagliata.
E qui che la prioritizzazione conta. Usa un'analisi ABC per decidere quali articoli meritano piu attenzione nella previsione, e abbina la previsione a una revisione disciplinata della scorta di sicurezza perche l'incertezza non si trasformi in acquisti eccessivi generalizzati.
Conclusione
La previsione dell'inventario per chi non e uno scienziato dei dati ha meno a che fare con la matematica avanzata e piu con l'onesta operativa. Pulisci lo storico. Inizia con medie mobili o livellamento. Aggiungi la stagionalita solo quando si ripete. Misura bias ed errore assoluto. Fai backtesting prima di fidarti del numero.
Prossimo passo: scegli 20 SKU importanti, costruisci un foglio settimanale e confronta previsione contro dato reale per le prossime 8 settimane. Dopo di che, la previsione smettera di sembrare teorica e iniziera a far parte del modo in cui acquisti.