01net

Anche il demand planning diventa 4.0

Tra i messaggi che i teorici della digital transformation lanciano alle aziende c’è in particolare la necessità di rendere più elastica la loro supply chain, per reagire più velocemente alle variazioni della domanda, e problema è che questa domanda è davvero molto cambiata da quando sono stati sviluppati i sistemi di demand planning e, in più, anche la supply chain delle imprese è mediamente più complessa.

Il punto – spiega Fabrizio Dallari, Direttore del Center for Operations, Logistics & Supply Chain Management della LIUC Università Cattaneo – è che è cambiata proprio la percezione della logistica da parte del consumatore digitale, che un po’ si aspetta che qualsiasi azienda possa muoversi con la rapidità di Amazon. Ma non tutti hanno gli strumenti del gigante americano, che ha persino brevettato un algoritmo di Anticipatory Shipping in base al quale sposta continuamente merci tra i suoi magazzini portandole là dove c’è la maggiore probabilità che siano vendute.

A questo punto la gestione della supply chain ha tre strade per raggiungere prestazioni ideali.

O la catena di produzione e logistica è davvero molto reattiva, o si tiene un elevato livello di scorte, oppure ancora si fanno previsione della domanda davvero accurate. Il sistema più pratico è probabilmente in terzo, a patto di fare un vero demand planning e non semplicemente una stima delle vendite. Per questo bisogna analizzare una grande quantità di dati che provengono dall’interno e dall’esterno dell’impresa (quindi non solo lo storico delle vendite), applicando metodi di analisi e previsione statistica.

Partendo da questi presupposti, Porini Insight ha quindi sviluppato un’applicazione di demand planning – Power Forecast – che si basa sulle funzioni di analytics offerte da Microsoft Azure e in particolare da Power BI, la parte orientata agli utenti più di business e meno tecnici. Il funzionamento della piattaforma si basa su quattro “momenti” fondamentali: l’analisi delle vendite in base a i dati storici, una parte predittiva che adotta metodi statistici, una fase di demand sensing con metodi qualitativi e una parte collaborativa che permette alle varie parti dell’azienda di contribuire a raggiungere un forecast consensuale.

Analisi tra storico e previsionale

Il cuore del sistema è la parte di analisi delle serie storiche e di previsione della domanda con metodi statistici. In questa fase Power Forecast esegue automaticamente una classificazione dei prodotti in base ai dati di vendita, suddividendoli ad esempio tra articoli continuativi “autovendenti”, prodotti a domanda intermittente, slow-mover di cui ha senso tenere giusto uno stock minimo, e via dicendo. Fatto poi un “data cleaning” per eliminare dalla analisi statistica i picchi non significativi, il sistema applica gli algoritmi statistici più adatti a ogni singolo prodotto per determinarne il probabile andamento della domanda.

L’utente finale ovviamente non vede tutto questo. Ha davanti come client il classico Excel, perché secondo Porini è comunque l’interfaccia a cui sono abituati. Qui gli analisti di business possono esaminare l’andamento delle vendite e le previsioni per ciascun prodotto, filtrabili in base a qualsiasi suo attributo. I dati sono presentati sia in forma numerica che come grafici, in modo da dare una “vista” sia immediata sia dettagliata. Sempre da Excel si possono esaminare i tassi di correlazione tra l’andamento delle vendite di un prodotto e fattori esterni che hanno una loro importanza nel mondo retail, come ad esempio le condizioni meteo, il “sentiment” sui social network, l’andamento dei prezzi o i flussi turistici.

Le previsioni di Power Forecast possono anche essere modificate manualmente se il “consenso” raggiunto dai manager che si occupano di demand planning è diverso dalle previsioni del sistema. La piattaforma comunque tiene traccia di queste modifiche e, una volta raccolti i veri dati di vendita, ne determina a posteriori l’accuratezza. Perché la previsione della domanda a volte è fatta per istinto, ed è bene sapere se e quando le decisioni “di pancia” sarebbe stato meglio evitarle.