Previsioni di vendita probabilistiche possono prolungare la validità di SAP APO
Sin dall’inizio dei tempi – OK, sin dall’inizio delle previsioni di vendita – l’approccio tradizionale è stato quello di usare un valore unico di previsione che funzionasse relativamente bene con una domanda stabile e alti volumi. Strumenti previsionali tradizionali come SAP APO, sviluppati più di 25 anni fa, in genere non escono da questo contesto.
Negli anni però le condizioni del mercato sono cambiate, fino ad arrivare a contesti in cui le previsioni di vendita tradizionali faticano a generare risultati soddisfacenti, mentre un metodo probabilistico è diventato l’approccio migliore. Parliamo di:
- Domanda nel settore aftermarket, parti di ricambio o MRO
- Long tail, domanda intermittente causata dall’ampliamento della gamma prodotti, cicli di riapprovvigionamento o cicli di vita prodotto più brevi
- Ampliamento del numero di canali di vendita, con la domanda aggregata proveniente da diverse fonti
- E-commerce, che deve gestire un vastissimo portfolio di prodotti con una conseguente imprevedibilità della domanda
Quando si verifica una di queste condizioni, le previsioni di vendita calcolate su base aggregata non garantiscono buone performance, e possono addirittura rivelarsi inaffidabili, aumentando i costi di esercizio.
Gli effetti si fanno sentire: “Nel mercato attuale, gestire bene la domanda ha la stessa probabilità del lancio di una moneta”, afferma Lora Cecere, fondatrice e CEO di Supply Chain Insights. “Notiamo che la maggior parte delle persone pensa che la gestione della domanda sia importante, ma soltanto il 44% pensa che sia efficace”.
Secondo Cecere le aziende che usano sistemi di pianificazione della domanda integrati nei sistemi ERP non sono molto soddisfatte. “Uno dei problemi è che i motori di calcolo alla base di questi sistemi non sono sviluppati per gestire i profili di domanda tipici del mercato odierno. Le aziende fanno l’errore di cercare la precisione con numeri che precisi non sono. Al contrario, devono gestire flussi di domanda, profili determinati dalla frequenza d’ordine, quantità d’ordine o dimensione di lotto, e diversi tipi di domanda, come quella derivata dalle promozioni commerciali, dal lancio di nuovi prodotti, o dal consumo stagionale”.
E proprio questo fa un modello probabilistico. Analizza una ampia varietà di input, flussi e parametri di domanda, non un unico numero per il forecast aggregato, e identifica la probabilità di un intervallo di possibili esiti a livello molto granulare.
Clicca qui per ascoltare Lora Cecere su “Come potenziare il tuo investimento in SAP APO Forecasting”.
Cosa c’è sotto
Un problema insito nell’approccio tradizionale, top-down, è lo smorzamento della variabilità passando dal flusso individuale di domanda alla domanda aggregata. Questo rende più semplice generare previsioni di vendita a livello alto, mentre a livello di singolo item/location la qualità delle previsioni è molto bassa perché i segnali specifici della domanda vengono persi. Per esempio, due prodotti con la stessa storia della domanda aggregata hanno la stessa previsione di vendita, mentre un’analisi più dettagliata rivela profili molto differenti che richiedono quindi quantità differenti di scorte per essere gestiti.
Quando si usa il vecchio metodo, si genera un valore complessivo di previsione e poi si distribuisce in maniera piuttosto arbitraria fino al livello del singolo item per calcolare le scorte e gli approvvigionamenti, in modo da prendere le decisioni utili al business. In questo modo, un’informazione tanto importante come quella relativa alla volatilità e all’errore a quel livello viene persa.
Le previsioni basate su un modello probabilistico tengono conto della incertezza insita nella domanda futura, se trattano articoli alto- o basso-movimentati. Il risultato – un intervallo di valori, ognuno con una sua probabilità – rispecchia la domanda nel mondo reale. La variabilità è parte del calcolo, e la granularità della domanda di base è più dettagliata possibile (singole linee ordine, giornaliera per item).
Dal momento che le previsioni probabilistiche si basano sui profili di domanda e sulle cause che li determinano, nel modello di domanda è possibile tenere conto di nuovi fattori o segnali iniziali che possono modificarne l’andamento, come promozioni commerciali, profili del ciclo di vita, o effetti derivati dai social media. Il machine learning può migliorare il risultato delle previsioni permettendo l’elaborazione di una grande mole di dati.
Fare il passo
Un’azienda che ha migliorato SAP APO adottando un metodo di previsione probabilistico è Systagenix. L’azienda, che è parte di Acelity, società mondiale focalizzata sullo sviluppo di soluzioni innovative per la guarigione delle ferite, gestisce sia articoli alto-movimentati che a coda lunga, con la continua introduzione di nuovi prodotti e una notevole crescita globale, tutti fattori che variano costantemente la dinamica e i flussi di domanda della rete distributiva.
Systagenix usava SAP APO per gestire la domanda, con risultati poco soddisfacenti. Non disponeva di un metodo strutturato per raccogliere e analizzare i dati provenienti dal mercato, dalla sua organizzazione globale di vendita e dai distributori, e il team di pianificazione cercava di mettere d’accordo i diversi attori della catena generando un unico valore per le previsioni di vendita. L’azienda faticava a raggiungere il livello di servizio elevato (circa 98%) richiesto dai clienti.
Il nuovo metodo probabilistico estrae ora da SAP ogni settimana i dati storici di domanda per generare previsioni che valutano la variabilità statistica per ogni SKU. L’attività di pianificazione della domanda fornisce informazioni addizionali provenienti dalle vendite per generare previsioni di vendita condivise. Questo piano è usato per creare un profilo ottimizzato delle scorte, calcolare lo stock di sicurezza dinamico e i livelli di scorte obiettivo per ogni SKU in ogni magazzino, nel rispetto del livello di servizio richiesto. I dati sono poi inviati nuovamente a SAP per il riapprovvigionamento dei depositi e per informare la produzione.
Systagenix ha migliorato il livello di servizio fino a superare il 99%, riducendo le scorte in maniera significativa. Ha anche aumentato notevolmente la produttività del team di pianificatori (passando da 2-3 persone occupate in questa attività complessivamente non meno di 100 ore a settimana, a 1 pianificatore che completa l’attività in un giorno).