INDICATORI DI ACCURATEZZA PREVISIONALE
Per questo approfondimento si ringrazia Simco Consulting.
La stima puntuale dell'errore di previsione della domanda per un singolo periodo di tempo non è normalmente utile a chi gestisca un sistema di pianificazione, se non per andare a fondo di episodi specifici di cattiva previsione.
Ecco quindi che sono stati sviluppati alcuni indicatori statistici, che - se letti in modo appropriato - possono mostrare l'effettiva accuratezza di lungo periodo e quindi guidare il pianificatore nelle sue attività di miglioramento continuo del sistema previsionale e anche di affinamento dei parametri di gestione delle scorte, ad es. la ridefinizione e l'aggiornamento continuo delle scorte di sicurezza (da tenere più alte per quegli articoli la cui domanda risulti scarsamente prevedibile).
Questi indicatori (detti anche KPI, ossia Key Performance Indicators) possono essere espressi sia in unità "assolute" (es. unità di vendita / unità di tempo), sia in termini "relativi", ossia come percentuale di errore sulla domanda, e possono misurare sia la cosiddetta "distorsione" (errore di previsione sistematico sul lungo periodo), si la cosiddetta "dispersione" (entità media dell'errore).
Tra i principali indicatori, i più frequentemente usati sono i seguenti:
- Errore medio (o anche Mean error - ME): è la media aritmetica degli errori commessi nei vari momenti in cui è stato suddiviso un certo periodo di tempo (ad es. errori giornalieri nell'arco di un anno). Questo indicatore ci informa circa l'eventuale presenza di errori sistematici di previsione: ad es. se il ME è > 0, significa che la domanda sarà stata mediamente più alta delle previsioni e quindi - con ogni probabilità - si saranno perse delle vendite o comunque si saranno avuti livelli di copertura inferiori al desiderato, e viceversa. Occorre naturalmente prestare molta attenzione ai casi in cui gli errori positivi abbiano compensato quelli negativi, portando la media attorno allo zero, ma avendo periodo per periodo errori anche non trascurabili;
- Errore medio assoluto (o anche Mean Absolute Deviation - MAD): nel calcolo di questo indicatore, ciascun errore di periodo non è preso col proprio segno, ma col suo valore assoluto (sempre positivo, in buona sostanza). Con la media sulla serie di valori assoluti, si ha un'indicazione specifica di quanto mediamente sia grande l'errore (in termini assoluti), evitando così l'effetto di compensazione di errori puntuali di segno opposto, perdendo però la nozione circa eventuali e sistematiche sovra o sottostime della domanda;
- Errore medio assoluto percentuale (o anche Mean Absolute Percentage Error - MAPE): rapportando l'errore assoluto di ciascun istante al valore della corrispettiva domanda, si relativizza l'errore stesso, rappresentato così come una frazione percentuale della domanda stessa. Questo è molto utile per avere una sensazione immediata dell'impatto dell'accuratezza previsionale, che in termini assoluti potrebbe essere poco comoda da interpretare in chiave di priorità di intervento (un MAD di 50 pezzi / mese è tanto o è poco? Ovviamente è alto per un codice che abbia domanda media di 100 pezzi / mese ed è basso per un altro codice che abbia domanda media di 100.000 pezzi / mese).
Come si può facilmente intuire, è opportuno disporre di un sistema di KPI (un "cruscotto") che tenga contemporaneamente sotto controllo una serie di indicatori, strutturati in modo tale da aggirare le insidie sopra elencate.
La registrazione e il monitoraggio di questi indicatori va convenientemente gestita secondo una logica di "management by exception", che porti il pianificatore ad occuparsi solo delle casistiche più eclatanti, facilmente enucleabili con un'analisi alla Pareto.
È anche consigliabile verificare il trend storico degli errori, per intercettare eventuali "derive" e anche per cercare di correlare momenti di particolare bassa accuratezza con i momenti di disservizio (es. bassa disponibilità di prodotto).
