Algoritmi statistici e di Machine Learning per previsione vendite

GN Techonomy ha realizzato, usando Algoritmi Statistici e di Machine Learning, una soluzione per la previsione della domanda − e quindi delle vendite – di prodotto, combinata con Oracle Analytics per la visualizzazione e l’analisi dei risultati. Partendo da una presa in carico dello storico-vendite mensile rilevato dall’ERP JD Edwards, il sistema esegue una classificazione degli articoli in stagionali o continuativi, un’analisi ed una normalizzazione delle anomalie di vendita e degli ordini spot per articolo/cliente nel tempo e, calcola le previsioni mensili per articolo con la possibilità di operare uno split delle previsioni mensili in settimanali. Questa soluzione permette all’impresa di pianificare gli ordini in anticipo per soddisfare con tempestività le richieste, evitare ordini in sospeso e, allo stesso tempo, limitare i costi di magazzino.

Calcolo delle Previsioni 

Il modello realizzato da GN Techonomy è flessibile e si adegua sia alla serie dello storico-vendite a disposizione, sia al ciclo di vita dell’articolo. Lo storico vendite viene riprogrammato nei casi di ordini spot in automatico dal sistema al fine di evitare che un dato «sporadico» possa influenzare le previsioni. Infatti, l’analisi articolo/cliente spesso evidenzia situazioni «anomale» di vendite spot. Perciò, prima di poter procedere con il calcolo delle previsioni sulla base storico vendite, il sistema deve analizzare le situazioni spot e verificare se si tratta di un caso isolato o se la domanda per quell’articolo possa ritenersi ricorrente. Lo storico viene quindi rivisto per armonizzare situazioni anomale al fine di fornire agli algoritmi di previsione una base storico-vendite depurata da situazioni di picco. Vi è inoltre la possibilità di gestire prodotti con una base di storico-vendite inferiore al classico periodo di 24 mesi.

Per quanto riguarda invece i nuovi articoli, o comunque con uno storico-vendite inferiore a 6 mesi, il modello collega questi articoli ad una serie di articoli del passato che possano ritenersi simili − si parlerà di mappa delle correlazioni a disposizione dell’Utente. Il sistema analizza le vendite dei primi 6 mesi di tali beni e produce una previsione della domanda per il nuovo prodotto.

Affidabilità delle previsioni

Ad ogni nuovo calcolo delle Previsioni, il sistema registra uno storico: le previsioni correnti operative sono sovrascritte ma i precedenti valori sono registrati in una tabella di storico. Per ogni articolo è quindi possibile analizzare come le previsioni in un dato periodo siano variate. Il controllo ha un significato preventivo quando si analizza il futuro e si verifica se le previsioni ricalcolate di mese in mese abbiano sostanziali differenze: valori costanti indicano vendite in linea con le previsioni del primo periodo e, allo stesso tempo, buona affidabilità per il futuro. Se l’analisi, invece, comporta forti scostamenti, allora gli articoli vengono posti in allarme in quanto occorre analizzare i lead time critici, i livelli di scorta di sicurezza e altri dati di Piano. Il sistema di Machine Learning realizzato da GN Techonomy, analizza sia i dati di vendita sia gli andamenti previsionali al fine di identificare correlazioni. 
Previsioni affidabili – minimo all’80% fino al 95% − vengono realizzate grazie all’utilizzo combinato di diversi algoritmi.