Cosa non va nella previsione della domanda?

Esistono due output del processo di previsione della domanda ed entrambi hanno lo stesso valore; tuttavia molti scelgono di focalizzarsi solo su uno.

Il risultato ovvio è il mancato raggiungimento del livello di accuratezza della previsione desiderato, o peggio ancora non risulta possibile ottenere un livello di servizio adeguato rispetto alle necessità.

Ecco quindi qual è il punto: il processo di demand forecasting deve prevedere due output, il valore atteso della domanda e la sua variabilità, il livello di incertezza della previsione.

Il bisogno di predire la domanda è chiaramente ovvio. Esso guida la maggior parte delle attività di supply chain e sicuramente ogni azienda misura l'accuratezza delle previsioni tramite KPI ben conosciuti. Tuttavia ciò che non risulta molto chiaro è l'importanza di effettuare una misurazione corretta relativamente l'incertezza della previsione (per la quale spesso si fanno solamente delle assunzioni).

Detto ciò, se un'azienda ha un alto livello di fast moving goods e un livello di servizio target poco aggressivo (si intende ad esempio, per un un'azienda FMCG, avere un line-fill rate del 96%), probabilmente la scelta di focalizzarsi maggiormente sulla domanda attesa è un approccio ragionevole.

Ma se invece ci si trova di fronte ad una domanda a coda lunga o si deve raggiungere un livello di servizio molto alto, allora diventa molto più importante predire la variabilità.

Un diverso tipo di previsione

Innanzitutto, cosa si intende per errore previsionale. Secondo tutte le definizioni più comuni si assume la domanda come assolutamente prevedibile e la variabilità della stessa risulta essere l'errore previsionale. Ma in realtà, la variabilità è perfettamente normale.

Sorprendentemente, mentre non è possibile predire perfettamente la domanda, a causa della sua incertezza intrinseca, si può predire la variabilità della domanda. Ad esempio non si può predire cosa uscirà dal lancio di due dadi, tuttavia si può definire in modo accurato un range di possibili risultati e la probabilità di accadimento di ognuno di essi.

E la previsione della variabilità non solo risulta essere un compito più realistico, ma porta anche a decisioni di business migliori. Consideriamo per esempio le previsioni del tempo; se si sta programmando un'attività all'aperto sapendo che vi sarà il 5% di probabilità di pioggia allora si sceglierà un certo piano d'azione. Ma se invece la probabilità di pioggia sale al 40% o si sceglie di cambiare piano oppure si pensa ad un piano di riserva. Questo 40% fornisce molte più informazioni rispetto ad una semplice previsione pioggia/no pioggia.

E infatti prevedere accuratamente l'incertezza aggiunge un enorme valore e proprio per questo motivo ci si deve focalizzare non solo sulla previsione della domanda ma anche sulla stima accurata della sua variabilità.

Si ottiene così ad esempio la possibilità di dimensionare in modo intelligente le scorte di sicurezza e ciò permette di rispondere al meglio all'effettivo valore della domanda, di poter affrontare meglio i picchi e di rendere più stabile la catena di fornitura. Diventa quindi possibile limitare i rischi e cogliere nuove opportunità.

Un modo diverso di calcolare l'errore previsionale

Per migliorare la determinazione della variabilità della domanda, è utile avere una misurazione dell'accuratezza della previsione; un KPI adeguato può essere ad esempio il MAPE (Mean Absolute Percentage Error). L'obiettivo di tale indicatore è quello di determinare la differenza fra un certo numero di previsioni della domanda e l'effettiva distribuzione della stessa. Quando la previsione non rappresenta in modo accurato la distribuzione reale, tale differenza (come si vede in figura) è l'errore previsionale. Quindi quello che si deve fare è misurare l'accuratezza attraverso un range di risultati e non riferirsi unicamente ad un valore medio.

La misurazione dell'accuratezza di una previsione stocastica, basata su una distribuzione di probabilità, è estremamente differente rispetto a misurare l'accuratezza di una previsione tradizionale, i cui risultati sono espressi da un singolo valore atteso.