Machine Learning e Demand Planning: dalla reattività alla resilienza predittiva
La pandemia COVID-19 ha rappresentato un momento di svolta per i sistemi di demand planning globali. I classici modelli previsionali, in grandissima parte statici, sono diventati obsoleti In poche settimane, rivelando chiaramente che l’accuratezza previsionale misurata in periodi di stabilità non è garanzia di resilienza in momenti di discontinuità.
Oggi, tuttavia, l’instabilità dei mercati e della domanda non è più un’eccezione, ma è diventata la norma. Le tensioni geopolitiche, l’avanzare di politiche protezionistiche con la politica dei dazi, i sempre più frequenti impatti climatici sulla supply chain, i cambiamenti repentini nei comportamenti dei consumatori, la contrazione del potere di acquisto e la volatilità economica creano un contesto in cui la domanda può variare drasticamente in tempi brevissimi.
Le aziende si trovano infatti a dover gestire simultaneamente variabili come inflazione oscillante, rialzo dei prezzi di trasporto, modifiche strutturali nelle preferenze d’acquisto e barriere commerciali crescenti che frammentano mercati globali e quindi a dover fare i conti con un’incertezza operativa.
In questo scenario, le “coordinate” gestionali e quindi previsionali sono cambiate: occorre prevedere con precisione, ma soprattutto costruire sistemi previsionali resilienti, capaci di adattarsi rapidamente a scenari in continua evoluzione. La capacità di rilevare tempestivamente i segnali di cambiamento, adattare le previsioni in tempo reale e anche quantificare il livello di certezza degli insight previsionali è centrale per prendere decisioni all’interno di un quadro complesso e instabile, rimanendo quindi competitivi e performanti.
Oltre le serie temporali
I modelli tradizionali di previsione della domanda sono centrali per un’ottimizzazione della supply chain e si sono sempre basati – e in molte aziende continuano a basarsi – su tecniche statistiche consolidate a partire dalle medie mobili. Tecniche efficaci in contesti stabili e con pattern stagionali ricorrenti, ma che mostrano limiti evidenti quando la domanda è influenzata da fattori esterni complessi e interconnessi dove entra invece in campo il machine learning (ML).
In particolare, questa tecnologia sta rivoluzionando l’approccio alle previsioni grazie a tre caratteristiche:
1. Individuazione di pattern non lineari e interdipendenze complesse
Algoritmi dedicati e reti neurali sono capaci di identificare relazioni non lineari tra variabili che sfuggono ai modelli tradizionali. Un esempio: la domanda di gelato non dipende solo dalla temperatura, ma dall’interazione complessa tra molte altre variabili, come il giorno della settimana, la presenza di promozioni da parte dei concorrenti fino al sentiment sui social media riguardo i benefici rinfrescanti del gelato.
2. Integrazione di segnali esterni eterogenei
I sistemi ML moderni non si limitano ai dati transazionali interni. Incorporano infatti dati di mercato e contesto sui prezzi dei competitor, sentiment analysis dai social media, dati macroeconomici, calendari promozionali, eventi locali, previsioni meteorologiche dettagliate. Un retailer per esempio del settore fashion può fare scelte di assortimento in base a possibili tendenze colore e forme individuabili mesi prima che si manifestino nelle vendite.
3. Gestione automatizzata di migliaia di SKU
Mentre i modelli tradizionali richiedono di definire i parametri manualmente per ogni prodotto, gli algoritmi ML possono essere addestrati su migliaia di SKU simultaneamente, identificando automaticamente cluster di prodotti con comportamenti simili.
Un range di ipotesi
Una delle evoluzioni più significative agevolata dall’utilizzo del machine learning riguarda il passaggio dalla previsione puntuale alle distribuzioni probabilistiche. Dover decidere su un’indicazione che indica “vanno previste 10.000 unità il prossimo mese” è ben diverso dal ricevere un insight che indichi “vanno previste tra 8.000 e 12.000 unità con probabilità del 80%, ma esiste un 10% di probabilità di superare le 15.000 unità”.
Questa quantificazione dell’incertezza è cruciale per decisioni informate ma anche vincenti, in quanto non sia basano su una singola previsione, ma su una distribuzione previsionale. Obiettivo che può essere raggiunto anche grazie a modelli probabilistici che generano stime di probabilità per diversi livelli di domanda o decine di scenari possibili, permettendo di visualizzare un’intera gamma di risultati plausibili.
Aziende del settore automotive stanno utilizzando questi approcci da anni per pianificare gli approvvigionamenti di componenti critici, dove la sottostima della domanda può bloccare intere linee produttive, mentre la sovrastima genera costi di magazzino rilevanti. Avere scenari probabilistici permette di bilanciare questi rischi sulla base non solo dell’esperienza e su quello che è sempre avvenuto, ma anche dei dati probabilistici.
Dal trimestre al Near-Real-Time
Un altro cambiamento radicale abilitato dal Machine Learning riguarda la velocità di aggiornamento delle previsioni. I cicli di pianificazione tradizionali, spesso mensili o trimestrali, sono inadeguati in un contesto dove la domanda può cambiare rapidamente e la velocità di reazione determina il successo.
Con l’utilizzo di modelli previsionali che utilizzano tecniche di machine learning è possibile aggiornare continuamente le previsioni incorporando segnali near-real-time. I dati di vendita dei negozi, le ricerche e gli ordini dell’e-commerce, i tracking delle spedizioni, ma anche il sentiment dai social media, non possono essere considerati e analizzati a fine mese o a fine settimana, ma vanno valutati giornalmente se si vogliono cogliere in anticipo segnali di variazioni positive o negative.
Per esempio, un’ondata di caldo prematuro può essere rilevata con alta probabilità dalle previsioni meteorologiche qualche giorno prima, non settimane prima; solo se l’arco temporale delle previsioni è stretto, un retailer della grande distribuzione può attivare tempestivamente attività promozionali in modo da ridurre gli stock di prodotti come il cioccolato e di contro aggiornare le griglie e i layout degli store per aumentare la proposta delle categorie estive.
Non solo, questi sistemi grazie al machine learning aggiornano automaticamente le previsioni di domanda, per esempio per segmento di prodotto o area geografica, attivando alert ai responsabili delle operation e ai category manager, ma anche al marketing per rivedere le attività di comunicazione. Possono persino inviare ordini automatici ai fornitori in base a regole prestabilite, o fare una revisione di quelli in planning.
Alcuni dei retailer leader a livello mondiale hanno già ridotto i cicli di pianificazione da mensili a settimanali, e in alcuni casi a giornalieri per categorie ad alta volatilità e molti e-tailer da anni utilizzano il dropshipping automatizzato grazie al machine learning. Una tecnologia che sta trasformando il demand planning da esercizio statistico a supporto centrale alla cosiddetta decision intelligence per rispondere a uno scenario complesso e instabile che non richiede più solo di prevedere con precisione, ma anche di fornire ai responsabili aziendali una comprensione profonda delle dinamiche dell’evoluzione della domanda e dei possibili scenari a cui fare fronte.
Se volete scoprire come Axiante sta aiutando le imprese del mondo industry e retail a prevedere l’andamento della domanda attraverso il machine learning, cliccate qui.
