Un retailer o un produttore PMI decide il riassortimento sulla base delle vendite passate. Problema OR classico: previsione di serie storica più politica delle scorte.
In breve
Ti suona familiare?
- Gestiamo 500-5.000 referenze; il responsabile acquisti ordina ogni mese su un foglio di calcolo usando la media degli ultimi tre mesi.
- Alcuni prodotti restano sugli scaffali per sei mesi (scorta morta), mentre articoli molto richiesti si esauriscono a metà settimana (rottura) — contemporaneamente.
- C'è stagionalità (feste, rientro a scuola, estate/inverno), ma la pianificazione è manuale; non esiste un metodo sistematico.
- La nostra rotazione di magazzino è inferiore al benchmark di settore; il capitale è bloccato a scorta.
- I tempi di consegna dei fornitori vanno da quattro a otto settimane; nell'ordinare non sappiamo quanto cuscinetto lasciare.
- Quando inseriamo un prodotto nuovo non sappiamo prevederlo: o ordiniamo troppo o non lo teniamo affatto.
- Il nostro ERP o piattaforma commerciale ha un modulo 'previsione' ma non coglie la stagionalità e non ce ne fidiamo.
Perché è importante
Come si risolve
Profondità tecnica
Come si risolve
Profondità tecnicaIn una frase: Prevedi i rapidi (vendono ogni giorno) con stagionalità, i lenti (pochi a settimana) con media mobile e gli intermittenti (la maggior parte dei giorni a zero) con un metodo a parte — applicare un’unica formula a tutti appiattisce gli stagionali (rottura nei giorni di campagna) e sovrastima gli intermittenti.
Il problema vive all’intersezione tra ricerca operativa (disciplina che usa matematica e computer per risolvere decisioni di business) e apprendimento statistico. Due sottoproblemi accoppiati: Demand Forecasting (previsione puntuale e intervallare) e Inventory Policy (quantità di ordine, punto di riordino e scorta di sicurezza guidati dalla previsione). Soluzione in tre stadi:
1. Modellazione. Preparazione dati: almeno diciotto-ventiquattro mesi di vendite per referenza, giornaliere o settimanali. Riempimento lacune, gestione outlier, ricostruzione dei periodi di rottura (zero vendite durante una rottura non è domanda reale; va corretta). Decomposizione stagionale e di tendenza. Classificazione delle referenze: alta rotazione (A), media (B), lenta (C), intermittente (la maggior parte dei giorni a zero). Ogni classe richiede un metodo diverso.
2. Decisione con solver. Scelta del metodo per classe: A — SARIMA o Holt-Winters (metodi serie storiche che catturano stagionalità più trend); B — ETS (smoothing esponenziale state-space); C — media mobile o naive; intermittente — metodo di Croston (modello per articoli con la maggior parte dei giorni a zero) o TSB. La selezione automatica moderna sceglie il metodo per referenza. Sopra la politica delle scorte: (s, S) punto di riordino e livello massimo, oppure (R, Q) revisione periodica con quantità fissa. Scorta di sicurezza calcolata dal livello di servizio obiettivo (tipicamente novantacinque-novantotto per cento) e dalla variabilità del lead time.
3. Integrazione sul campo. Output: raccomandazione di ordine settimanale per referenza integrata nel flusso acquisti. L’ERP o il WMS crea l’ordine. Riaddestramento settimanale o giornaliero. Tracciamento di MAPE, WAPE e bias con avvisi di eccezione per le referenze con errore alto. Override manuale per promozioni, lanci, shock di offerta. Cruscotto mensile di KPI su livello di servizio e rotazione."
Alternative
Foglio di calcolo più esperienza del buyer
GratuitoZero licenza
Per chi: Catalogo molto piccolo (<200 referenze), bassa stagionalità
- + Costo software zero
- + Flessibile e veloce
- + Il buyer conosce il catalogo
- − Debole su stagionalità e trend
- − Il controllo si perde oltre 500 referenze
- − Lo storico di rottura non viene corretto
- − Nessuna traccia coerente
Modulo di previsione dell'ERP locale
Aziendale60.000–200.000 TRY licenza più 12.000–35.000 TRY/anno manutenzione (osservazione mercato TR)
Per chi: PMI media (200-2.000 referenze)
- + Supporto locale, conforme fiscalmente
- + Integrato con l'ERP esistente
- + Media mobile più stagionalità di base
- − Di solito manca ARIMA o Holt-Winters
- − Nessun metodo per domanda intermittente
- − Politica scorte come regola fissa
- − Nessuna selezione automatica del modello
Suite internazionale di pianificazione della supply chain
Aziendale80.000–400.000 EUR licenza più 15.000–60.000 EUR/anno
Per chi: Grande retailer o produttore multi-sito (2.000+ referenze)
- + ARIMA, ETS, Croston, riconciliazione gerarchica
- + Selezione automatica del modello
- + Ottimizzazione della politica scorte inclusa
- − Costosa
- − Rollout sei-dodici mesi
- − Personalizzazione per flusso fiscale e resi locali
Librerie open-source di serie storiche più sviluppo interno
Open SourceLicenza gratuita; sviluppo interno 10-18 settimane o 250K-750K TRY consulenza
Per chi: PMI o e-commerce con team tecnico interno
- + Nessun costo di licenza
- + Le librerie open-source di serie storiche sono mature
- + Politica scorte completamente personalizzabile
- − Richiede statistico o ingegnere OR interno
- − Integrazione ERP è un progetto separato
- − Manutenzione continua
Raccomandazione
Chiedi nell'incontro
- Quali metodi di previsione offrite (ARIMA, ETS, Holt-Winters, Croston, gerarchico)?
- Selezionate il metodo automaticamente per referenza o ne applicate uno a tutto il catalogo?
- Supportate un metodo per domanda intermittente (Croston o simile) per referenze con la maggior parte di giorni a zero?
- Come corregge il modulo i periodi storici di rottura per recuperare la domanda reale?
- I parametri di politica scorte (s, S) o (R, Q) sono calcolati automaticamente o inseriti a mano?
- Come vengono incorporati in previsione promozioni, campagne e lanci di prodotto?
- Possiamo misurare bias e WAPE su 12-16 settimane di vendite reali durante il pilota? Come si definisce il successo?
- Se interrompiamo la collaborazione, come recuperiamo storico previsione per referenza, parametri del modello e raccomandazioni di ordine?
Dettagli tecnici
Nota dell’editore
Nel linguaggio comune questo problema si chiama “quanto ordinare”, “controllo delle scorte” o “pianificazione della merce”. In letteratura accademica viene trattato come Demand Forecasting, Time Series Forecasting e Inventory Policy Optimization. Senza questi concetti non è possibile distinguere, al momento dell’acquisto di un ERP o di uno strumento di pianificazione, tra un ‘report vendite’ (vista storica) e una ‘previsione di domanda’ (stima puntuale con intervallo di confidenza). Il primo mostra solo il passato; la seconda produce una decisione.
Punto più trascurato nel settore: l’accuratezza della previsione non è l’obiettivo — minimizzare il costo delle scorte sì. Molte PMI rincorrono un MAPE basso, ma il bias (sovrastima o sottostima sistematica) danneggia la scorta molto più della varianza. Un modello con quindici per cento di bias costa molto più di uno con venticinque per cento di MAPE ma senza bias. Peggio: le settimane con rottura nello storico mascherano la domanda reale. La correzione della domanda censurata è il passaggio critico nascosto.
Percorso passo dopo passo — per la PMI
Fase 1 — Misurare prima di pianificare. Almeno 18-24 mesi di vendite per referenza: granularità giornaliera o settimanale, separazione per canale (negozio, e-commerce, ingrosso), storico prezzi, calendario promozioni, giorni di rottura. Analisi ABC: il venti per cento di referenze produce di solito l’ottanta per cento delle vendite — concentrare lo sforzo modellistico qui. La coda lunga resta su metodi semplici.
Fase 2 — Estrarre il capitale di conoscenza. Lead time dei fornitori (media e deviazione standard), multipli di ordine (pallet, cartone), capacità di magazzino, livello di servizio obiettivo (definito con la direzione: 95 o 98 per cento), calendario stagionale, piano promozioni, processo di lancio. Questo capitale di conoscenza modella la politica delle scorte più della previsione stessa.
Fase 3 — Pilota. 12-16 settimane. Partire con 50-150 referenze ad alta rotazione in un singolo magazzino o gruppo di punti vendita. Criteri di successo fissati in anticipo: WAPE -30%, bias assoluto sotto il 5%, tasso di servizio +4 punti, rotazione +15%. L’output del modello appare come suggerimento al buyer — la decisione finale resta umana.
Fase 4 — Estensione. 4-8 mesi su tutte le referenze e localizzazioni. Riaddestramento automatico settimanale. ERP o WMS crea l’ordine. Cruscotto mensile di KPI: WAPE, bias, servizio, rotazione, quota di invenduto. Revisione settimanale della lista di referenze con errore alto.
Rischi — cosa può andare storto
- Mascheramento da rottura. Le referenze con lungo storico di rottura allenano una sottostima sistematica e perpetuano la rottura. La correzione della domanda censurata è obbligatoria.
- Sovraparametrizzazione su dati sottili. I prodotti nuovi o le referenze intermittenti non reggono modelli profondi. La classificazione più l’abbinamento del metodo è imprescindibile.
- Promozioni e lanci. Un modello allenato sul passato considera la promozione domanda normale. Il calendario promozioni deve essere separato e l’override manuale deve esistere.
- Sogno del livello di servizio. Puntare al 99 per cento raddoppia di fatto la scorta di sicurezza rispetto al 95. L’obiettivo va fissato con finanza e operazioni.
Sguardo tecnico al metodo
| Approccio | Scala tipica | Tempo di calcolo | Ottimo garantito? |
|---|---|---|---|
| Metodi naive (media mobile, periodo precedente) | Catalogo molto piccolo | istantaneo | No, riferimento di base |
| Holt-Winters (smoothing esponenziale triplo) | Referenze A-B stagionali | secondi | No, buona base |
| ARIMA / SARIMA (Box-Jenkins) | Referenze A medie e grandi | minuti | Ottimo locale |
| ETS (smoothing in spazio degli stati) | Selezione automatica, catalogo ampio | minuti | Ottimo locale |
| Croston / TSB (domanda intermittente) | Referenze con maggior parte di giorni a zero | secondi | Standard classico |
| Machine learning (gradient boosting su feature di lag) | Catalogo molto grande più dati esterni | ore di addestramento | No, sperimentale |
Scelta della funzione obiettivo:
- Obiettivo 1 — Minimizzare l’errore di previsione: MAPE, WAPE, RMSE, MASE. In fase di selezione del modello.
- Obiettivo 2 — Minimizzare il numero di rotture: Orientato al servizio; alza la scorta di sicurezza.
- Obiettivo 3 — Minimizzare il costo totale di scorta: Costo di mantenimento + penalità di rottura + costo di ordine insieme.
- Obiettivo 4 — Massimizzare il tasso di servizio: Orientato al cliente sotto vincolo di budget.
Multi-objective: somma pesata o goal programming. Nelle installazioni reali l’Obiettivo 3 è quello operativo, l’Obiettivo 4 diventa vincolo.
Fonti accademiche
Elencate nel campo sources del frontmatter.
Fonti
- Box, G. E. P. e Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day. Riferimento fondante della metodologia ARIMA.
- Hyndman, R. J. e Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 1–22. Riferimento moderno sulla selezione automatica del modello.
- Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Journal of the Operational Research Society, 23(3), 289–303. Articolo originale sulla domanda intermittente.
- Silver, E. A., Pyke, D. F. e Peterson, R. (1998). Inventory Management and Production Planning and Scheduling. Wiley. Riferimento standard sulla politica delle scorte.
- YÖK Thesis Centre — parola chiave: ‘previsione della domanda’ o ‘gestione delle scorte’ — 100+ tesi dall’accademia turca. tez.yok.gov.tr
Glossario
- Previsione della Domanda
- Previsione quantitativa della domanda futura usando storico, stagionalità, eventi e segnali esterni.
- Previsione di Serie Storiche
- Campo di modellazione statistica per prevedere valori futuri da osservazioni ordinate nel tempo; comprende ARIMA, ETS e modelli in spazio degli stati.
Problemi correlati
Decine di SKU dallo Stesso Fornitore — A Quale Frequenza Ordinare Ciascuno per Minimizzare Camion e Stock Insieme?
Questa pagina è per una PMI grossista, importatrice o produttrice che compra 50-500 SKU dallo stesso fornitore — tipicamente distribuiti su 3-15 fornitori principali. La domanda settimanale è la stessa: da questo fornitore, quali prodotti si ordinano oggi e quali possono aspettare la settimana prossima? Se ogni prodotto attiva il suo ordine, lo stesso fornitore finisce per spedire tre camion e tre fascicoli doganali a settimana; un camion, un fascicolo e un costo di setup potrebbero coprire tutto se i raggruppamenti sono giusti. La pianificazione manuale crolla oltre i 50 SKU: alcune settimane mezzo camion, altre tre ordini di fila — i costi fissi tornano come 5-15% del costo unitario del prodotto.
Lo stock non si svuota a fine stagione — quando e di quanto scontare per tenere il margine e non lasciare dead stock?
Questa pagina è per voi se gestite una PMI fast fashion con collezione stagionale, una catena di 30-100 negozi di abbigliamento/scarpe/accessori o una catena di prodotti freschi (fruttivendolo, panificio, macelleria). Il dolore classico: una collezione di 200-1.000 SKU si vende per 4-12 settimane e poi lo stock invenduto diventa un problema — scontare troppo presto erode il margine, scontare troppo tardi lascia una pila di dead stock a fine stagione. La decisione: quale articolo, quando, con che percentuale di sconto? In una catena moda media gestita con regole a intuito il 20-35% dello stock di fine stagione finisce a saldo; un calendario di sconti corretto alza il margine lordo del 5-15%, riduce il dead stock del 20-30% e porta 15-60 milioni TRY di margine operativo all'anno su un fatturato tipico.
Quale SKU su quale scaffale e lungo quale rotta deve camminare il picker?
Un magazzino e-commerce o un CD retail omnicanale gestisce 15.000-200.000 codici prodotto (SKU) e preleva 2K-30K righe d'ordine al giorno. Un picker cammina 200-800 m per ordine e 15-30 km al giorno. Il 50-70% del cammino non genera valore. Due decisioni accoppiate: (a) **slotting** — quale SKU su quale scaffale e a quale altezza, considerando frequenza di picking, pattern di co-ordine e carico ergonomico; (b) **routing di picking** — per una lista, la sequenza di corsie e la regola di rotta scelta (S-shape, return, midpoint, largest-gap, combined). Decisioni aggiuntive: prelevare più ordini in un viaggio (batch picking), suddividere il magazzino in zone (zone picking), unire a una stazione di smistamento. Risolte insieme, la distanza per picker cala del 25-40%.