IL PROCESSO DI PREVISIONE DELLA DOMANDA terzo...Il ruolo e il contributo delle previsioni nei...

UNIVERSITÀ DEGLI STUDI DI UDINE

_______________________________________________

Facoltà di Ingegneria

Corso di Laurea in INGEGNERIA GESTIONALE DELL’INFORMAZIONE

Dipartimento di INGEGNERIA ELETTRICA, GESTIONALE E MECCANICA

Tesi di Laurea

IL PROCESSO DI PREVISIONE DELLA DOMANDA

Relatore Prof. Pietro Romano

Laureando

Diego Michielan

__________________________________________________

Anno Accademico 2002/03

INDICE

I

IL PROCESSO DI PREVISIONE DELLA DOMANDA

SOMMARIO............................................................................................................... IV

INTRODUZIONE ......................................................................................................... V

CAPITOLO 1 IL FORECASTING NELL’OPERATIONS MANAGEMENT......... 1

1.1 IMPORTANZA DELLE PREVISIONI....................................................................... 1

1.2 VISIONE TRADIZIONALE ................................................................................... 3

1.3 LE COMPONENTI DELLA DOMANDA................................................................... 4

1.4 TECNICHE PREVISIONALI .................................................................................. 4 1.4.1 Metodi basati sulle serie temporali................................................................ 5

1.4.1.1 Media mobile ......................................................................................... 5 1.4.1.2 Media mobile ponderata ........................................................................ 7 1.4.1.3 Attenuazione esponenziale..................................................................... 7 1.4.1.4 Attenuazione esponenziale adattativa .................................................... 9 1.4.1.5 Attenuazione esponenziale estesa .......................................................... 9 1.4.1.6 Indici stagionali o di trend ................................................................... 10

1.4.2 Metodi causali ........................................................................................... 11 1.4.2.1 Regressione lineare .............................................................................. 11

1.4.3 Metodi qualitativi....................................................................................... 13 1.4.3.1 Delphi Method e indagini di mercato .................................................. 13 1.4.3.2 Metodi qualitativi nelle previsioni a breve termine ............................. 13

1.4.4 Scelta del metodo previsionale .................................................................... 14 1.5 UNA NUOVA PROSPETTIVA NEL MONDO DEL FORECASTING ............................ 15

CAPITOLO 2 GESTIONE DEL PROCESSO DI DEMAND FORECASTING..... 17

2.1 IL VERO SIGNIFICATO DELLE PREVISIONI ........................................................ 17

2.2 COMUNICAZIONE, COOPERAZIONE, COLLABORAZIONE: RIDISEGNARE IL LAYOUT ORGANIZZATIVO ............................................................................... 18

2.3 DIVERSI APPROCCI ALLA PREVISIONE DELLA DOMANDA................................. 20

2.4 USARE GLI STRUMENTI RAGIONEVOLMENTE................................................... 22

CAPITOLO 3 MISURAZIONE DELLE PRESTAZIONI ........................................ 25

3.1 RENDERE LE PREVISIONI IMPORTANTI ............................................................ 25

3.2 PREVEDERE LA DOMANDA, PIANIFICARE LA FORNITURA ................................ 25

INDICE

II

3.3 MISURARE, MISURARE, MISURARE.................................................................. 26

3.4 MIGLIORARE LA MISURAZIONE DELLE PRESTAZIONI PREVISIONALI ................ 27

3.5 UN MODO DI RICOMPENSARE ERRATO............................................................. 28

CAPITOLO 4 IL SISTEMA INFORMATIVO A SUPPORTO DEL PROCESSO PREVISIONALE ..................................................................................31

4.1 ELIMINARE LE ISOLE DI ANALISI ..................................................................... 31

4.2 MIGLIORARE IL SISTEMA INFORMATIVO ......................................................... 32

4.3 LO STATO DELL’ARTE DEI SISTEMI INFORMATIVI ............................................ 32 4.3.1 Concetti fondamentali.................................................................................32 4.3.2 Il ruolo del Data WareHouse.......................................................................33 4.3.3 Cos'è la Business Intelligence......................................................................35

4.4 CASO DI STUDIO: MYSAP SCM 4.0................................................................... 35 4.4.1 Preparazione dei dati .................................................................................37 4.4.2 Analisi dei dati...........................................................................................37 4.4.3 Metodi statistici di previsione......................................................................38 4.4.4 Analisi del ciclo di vita del prodotto.............................................................38 4.4.5 Pianificazione delle promozioni...................................................................39 4.4.6 Pianificazione interattiva e collaborativa .....................................................40 4.4.7 Simulazione e Trasferimento dati.................................................................41

4.5 CONSIDERAZIONI FINALI SUL SISTEMA INFORMATIVO.................................... 41

CAPITOLO 5 ANALISI E VALUTAZIONI...............................................................43

5.1 CONDURRE UN “SALES FORECASTING AUDIT” ................................................ 43 5.1.1 Definizione degli standard ..........................................................................43 5.1.2 The “as-is” status ......................................................................................44 5.1.3 The “should-be” state.................................................................................44 5.1.4 The “way-forward”....................................................................................44

5.2 CONCLUSIONI ................................................................................................. 45

APPENDICE A

A.1 ECCELLENZA PREVISIONALE........................................................................... 47

A.2 LE QUATTRO DIMENSIONI DELL’ECCELLENZA................................................. 48 A.2.1 Dimensione dell’integrazione funzionale ......................................................48 A.2.2 Dimensione dell’approccio .........................................................................49 A.2.3 Dimensione del sistema a supporto del processo ...........................................50 A.2.4 Dimensione della misurazione delle prestazioni ............................................51

RINGRAZIAMENTI ............................................................................52

INDICE

III

BIBLIOGRAFIA................................................................................... 52

LIBRI ...................................................................................................................... 52

ARTICOLI.............................................................................................................. 52

INDICE DELLE FIGURE

Figura 1–1: Esigenze previsionali aziendali a breve/medio termine ..................................................... 2 Figura 1–2: Applicazione di tecniche previsionali a diversi orizzonti temporali ................................. 3 Figura 1–3: Precisione della media mobile al variare del periodo esaminato...................................... 6 Figura 1–4: Precisione dell’attenuazione esponenziale al variare di alfa ............................................ 8 Figura 1–5: Esempio di trend projection............................................................................................. 10 Figura 1–6: Diagramma di dispersione per la previsione basata sulla regressione ........................... 12 Figura 2–1: Diversi approcci alla previsione...................................................................................... 20 Figura 4–1: I vari moduli di un sistema informativo ........................................................................... 33 Figura 4–2: Fasi di costruzione di un Data WareHouse ..................................................................... 34 Figura 4–3: Scomposizione del Data WareHouse in Data Mart utilizzati da diverse divisioni

(dimensioni).................................................................................................................. 35 Figura 4–4: Metodi e processi della pianificazione della supply chain .............................................. 36 Figura 4–5: Il processo di pianificazione della domanda ................................................................... 36 Figura 4–6: Preparazione dei dati....................................................................................................... 37 Figura 4–7: Analisi e adattamento dei dati ......................................................................................... 37 Figura 4–8: Previsione della domanda di nuovi prodotti .................................................................... 38 Figura 4–9: Integrazione degli effetti di una promozione sulla previsione della domanda................. 39 Figura 4–10: Effetto della cannibalizzazione sulla previsione della domanda ................................... 39 Figura 4–11: Interactive planning screen............................................................................................ 40 Figura 4–12: Collaborative planning screen....................................................................................... 41

INDICE DELLE TABELLE

Tabella 1-1: Previsione della domanda basata su media mobile a 3 o 9 settimane .............................. 6 Tabella 1-2: Previsione della domanda basata su attenuazione esponenziale ...................................... 8 Tabella 2-1: Passi per migliorare l’integrazione funzionale ............................................................... 20 Tabella 2-2: Passi per migliorare l’approccio alle previsioni............................................................. 22 Tabella 3-1: Passi per migliorare la misurazione delle prestazioni .................................................... 28 Tabella 4-1: Passi per migliorare il sistema a supporto del processo previsionale ............................ 32

SOMMARIO

IV

SOMMARIO La previsione della domanda riveste un ruolo fondamentale all’interno di ogni azienda. In letteratura è presente un elevato numero di articoli e saggi che analizzano molto approfonditamente i diversi aspetti di questa disciplina. Il proposito di questo mio lavoro è quello di riunire in un contesto unitario molti dei più importanti aspetti trattati dai singoli ricercatori, inquadrandoli nella logica della moderna gestione per processi e fornendo un quadro il più esauriente possibile delle direttive fondamentali che ogni azienda dovrebbe seguire per migliorare il proprio processo previsionale. Il lavoro avrà quindi una forte focalizzazione sul processo più che sulle tecniche, sul suo impatto sulla struttura organizzativa aziendale, sulla formazione del personale, sulle misure prestazionali e sul sistema informativo necessario a supportarlo. Un capitolo sarà in ogni modo dedicato all’analisi delle principali tecniche previsionali (dal momento che queste forniscono i valori numerici veri e propri delle previsioni) riportando non solo le principali tecniche statistiche, ma fornendo un quadro delle tecniche qualitative che molto spesso hanno la stessa rilevanza di quelle matematiche. Tuttavia, con questo lavoro, si vuole porre l’accento sul fatto che delle valide tecniche previsionali rappresentano solo la punta di un iceberg di un buon processo previsionale e altrettanta (o maggiore) importanza rivestono la comunicazione, la conoscenza dell’ambiente aziendale, la struttura organizzativa e altri aspetti che verranno approfonditi nel prosieguo del lavoro.

INTRODUZIONE

V

INTRODUZIONE Il fatto che la previsione della domanda rivesta un ruolo fondamentale per il raggiungimento del successo aziendale, è un dato assodato ed universalmente riconosciuto. Ciononostante i principali libri di operations management non sottolineano a sufficienza -a volte non lo fanno affatto- la necessità di un adeguata struttura organizzativa, della conoscenza del contesto aziendale e della necessità di un management capace di gestire il processo nella sua globalità. Principalmente sono spiegate dettagliatamente le tecniche statistiche che guidano la formulazione delle previsioni; tecniche che, grazie all’avvento di pacchetti applicativi e capacità di calcolo sempre più potenti a costi ridotti, non devono essere più messe in pratica da operatori umani. Con questo non si vuole affatto affermare che chi è coinvolto nel processo previsionale non debba conoscere queste tecniche. Anzi, la comprensione dei principali metodi previsionali è senz’altro indispensabile affinché non sia implementato un sistema di tipo “black box”; sistema in cui gli addetti ai lavori si trovano a lavorare con numeri di cui non conoscono l’origine generati da un programma di cui non conoscono il funzionamento. Tuttavia ciò non è sufficiente per garantire un buon processo previsionale. Proprio in quest’ottica deve essere inquadrato il seguente lavoro. Nel primo capitolo verrà illustrato l’approccio tradizionale al tema della previsione della domanda, presentando le principali tecniche statistiche. Saranno presentati alcuni metodi basati sulle serie temporali, un metodo causale e verranno inoltre esposte alcune considerazioni riguardo alle tecniche qualitative che in genere non sono presenti nei libri di operations management. Nei capitoli successivi l’attenzione si sposterà sugli aspetti di natura maggiormente gestionale; in particolare, nel secondo capitolo, sfruttando le indagini di diversi ricercatori, si evidenzierà la necessità di una visione e gestione dell’intero processo. Come detto, la previsione della domanda viene spesso vista come un insieme di tecniche, perciò riveste spesso il ruolo d’appendice di qualche funzione aziendale, invece di essere considerata come un processo a sé stante. Nel capitolo s’illustrerà invece la necessità di collaborazione tra le funzioni per giungere a previsioni consensus based, di un approccio congiunto bottom-up e top-down, nonché di un layout organizzativo in grado di supportare tutto questo. Nel terzo capitolo sarà approfondito il tema della misurazione delle prestazioni. Come tutti i processi aziendali, anche il processo di previsione della domanda necessita di sistemi di performance measurement in grado di garantire un continuo miglioramento delle prestazioni. Tuttavia, forse anche a causa della difficoltà di vedere la previsione della domanda come un processo indipendente, in molte aziende sono presenti numerose lacune nei sistemi di valutazione in questo campo. In questo capitolo si vogliono mettere in luce non solo i motivi che spingono all’adozione di sistemi di misurazione delle prestazioni, ma anche i principali errori commessi dalle aziende. Nel capitolo successivo sarà trattato il tema di un sistema informativo in grado di supportare tutte le caratteristiche enunciate nei capitoli precedenti. In particolare sarà sottolineata la necessità di un unico punto di raccolta e stoccaggio delle informazioni accessibile elettronicamente a tutti gli interessati, evitando in tal modo duplicazioni, errori d’inserimento e la formazione delle cosiddette “isole di analisi”. Verranno inoltre illustrate le principali funzionalità offerte in questo campo dagli attuali sistemi informativi, ed in particolare sarà analizzato il pacchetto mySAP SCM 4.0. Infine, nel capitolo conclusivo, saranno illustrati a grandi linee i passi di un audit del processo di previsione della domanda, e sarà mostrato che quanto detto nei capitoli precedenti può costituire non solo uno standard con il quale confrontare il processo di un’azienda analizzata, ma può fornire le linee guida per raggiungere livelli prestazionali sempre più elevati.

- IL PROCESSO DI PREVISIONE DELLA DOMANDA -

1

CAPITOLO 1 IL FORECASTING NELL’OPERATIONS MANAGEMENT

A livello operativo, l’effetto di previsioni precise può essere profondo. Prevedendo accuratamente i bisogni della produzione, le materie prime ed i componenti possono essere acquistati a condizioni molto vantaggiose rispetto ad acquisti dell’ultimo minuto di tipo spot market. Analogamente, anche dal punto di vista logistico, i servizi possono essere ottenuti a costi minori tramite contratti di lungo termine piuttosto che attraverso accordi di tipo spot-market. Tuttavia, questi contratti possono funzionare esclusivamente quando la domanda può essere prevista in modo accurato. Forse l’impatto più importante della precisione nelle previsioni si ha sul livello di scorte presenti. Queste, infatti, hanno ragione di esistere per fornire un buffer per la non accuratezza delle previsioni: tanto più precise diverranno le previsioni, tanto minore sarà il livello di scorte necessario. 1.1 IMPORTANZA DELLE PREVISIONI

La previsione della domanda muove la programmazione operativa, tattica e strategica che guida tutta l'azienda, dalla formulazione della strategia, alle previsioni finanziarie, ai quantitativi richiesti per la distribuzione. Il ruolo e il contributo delle previsioni nei confronti della pianificazione nel breve termine a livello operativo sono abbastanza intuitivi. Le previsioni sono “il valore più ovvio” – la migliore stima possibile del futuro. Sono calcolate identificando ed estrapolando modelli stabiliti o relazioni esistenti. La loro accuratezza dipende dalla misura in cui il futuro risulti essere una continuazione del passato. Pertanto, se si crede che ciò non accadrà, dovranno essere apportate modifiche basate sul giudizio singolare o collettivo per correggere le previsioni estrapolate. Nello stesso tempo, l’incertezza riguardo al futuro è accettata e misurata. Per di più quest’incertezza viene incorporata nella pianificazione tramite l’istituzione di scorte di sicurezza o altri meccanismi di bufferizzazione. Potrebbe essere adottata una più alta flessibilità, dei lotti di produzione minori o produzioni just-in-time per minimizzare gli effetti negativi degli errori di previsione e rispondere al futuro nel modo più efficiente possibile. Sempre nel breve termine, la previsione finanziaria indica invece la situazione finanziaria prevista nel corso dell'anno sulla base di proiezioni aggregate. La previsione comprende tutti i movimenti rilevanti a livello di stato patrimoniale, di conto economico e di flusso di cassa e deve indicare il fatturato totale, vale a dire il totale delle vendite in termini quantitativi e monetari, e i costi previsti. Dato che l'obiettivo della previsione finanziaria è di dare una proiezione dei risultati globali, il livello di dettaglio non è spinto. Ad esempio, a questo livello non è importante il fatto che un prodotto sia venduto in una città piuttosto che in un'altra come non sono particolarmente importanti né il colore né le altre caratteristiche analitiche del prodotto. Per contro, nella preparazione delle previsioni per la gestione della logistica, il modello specifico del prodotto, l'ubicazione del cliente e la data di consegna sono importanti per la pianificazione del servizio. Chi si occupa della previsione deve preparare una proiezione per ogni magazzino di distribuzione poiché, anche se la previsione complessiva risulta essere esatta, se l'azienda non riesce a soddisfare le esigenze del cliente specifico in termini di prodotto, località e tempo, il funzionamento del sistema logistico risulta inefficace e, quindi, l'azienda rischia di perdere commesse o di sostenere costi supplementari. Anche nel medio termine, il ruolo delle previsioni nella pianificazione finanziaria è ben definito, nonostante l’incertezza sia maggiore a causa dei cicli economici o di eventi inattesi. A livello generale, le stime finanziarie nel medio termine sono generalmente basate sulla “media” delle recessioni passate e migliorate interpretando le circostanze particolari di ogni ciclo economico. Agenzie economiche specializzate (OECD, Federal Riserve, IMF) e riviste economiche (Wall Street Journal, Financial Times, Business Week, Economist, Fortune) forniscono su base periodica previsioni economiche ed industriali di medio termine con la relativa incertezza associata. Per tutelarsi in pratica da quest’incertezza, le imprese mantengono delle riserve finanziarie per far fronte, ad esempio, ad un periodo di recessione e, allo stesso tempo, ideano delle soluzioni (per es.

Capitolo 1 – Il forecasting nell’operations management

2

subcontracting o outsourcing) per aumentare la propria flessibilità e fronteggiare meglio situazioni economicamente difficili. La Figura 1-1 rappresenta le esigenze previsionali aziendali a breve-medio termine. Sia le previsioni logistiche sia le previsioni di vendita si basano su proiezioni delle esigenze dei clienti. Le previsioni di vendita, dopo un eventuale affinamento a cura degli uffici di vendita ai vari livelli di zona e di regione, vengono incorporate direttamente nel piano annuale. Le previsioni logistiche, invece, sono utilizzate per definire le attività operative tra cui i fabbisogni per la distribuzione (SDR), il programma di produzione (MPS) e i fabbisogni di materiali (MRP).

Figura 1–1: Esigenze previsionali aziendali a breve/medio termine

Inoltre le previsioni rivestono un ruolo fondamentale anche a livello strategico. Makridakis (1996), ad esempio, pone l’accento sul fatto che per la pianificazione, la definizione della strategia o, in altri termini, per avere successo, sia indispensabile un quadro corretto di ciò che succederà basato su previsioni realistiche1. La strategia, o buona parte di essa, è basata su previsioni o anticipazioni che sono a loro volta fondate su una valutazione realistica dell’incertezza presente in ogni tipo di predizione futura. In aggiunta essa deve tener conto delle azioni e reazioni dei concorrenti, un’altra area che richiede previsioni, cercando di indovinare le loro mosse ed anticiparle. Tuttavia il punto debole d’ogni iniziativa strategica analitica è il fatto che questa si affidi a tecniche e metodologie ben conosciute da tutti i concorrenti. In sostanza, le previsioni a scopo strategico devono essere le più accurate possibili ma con implicazioni non così ovvie da permettere ai concorrenti di riconoscere facilmente e neutralizzare le conseguenze strategiche della previsione stessa. La funzione delle previsioni nel lungo termine è meno ovvia, nonostante il loro ruolo nella pianificazione e definizione della strategia di lungo termine sia critico quanto quello a livello operativo e finanziario. Le previsioni a lungo termine sono necessarie per comprendere cosa succederà e valutare le dimensioni e le direzioni dei cambiamenti ed il loro impatto. In aggiunta, esse sono indispensabili per identificare potenziali opportunità e pericoli dell’ambiente competitivo ed economico. Questo è l’aspetto dove le previsioni possono fornire dei reali vantaggi strategici e dove può essere fatto molto per migliorare la loro importanza a livello esecutivo. La corretta previsione dei maggiori cambiamenti futuri è un’area d’interesse comune tra coloro che formulano le previsioni e per chi sviluppa i piani strategici e per questo richiede un’alta collaborazione tra le due parti. Il punto chiave è definire come possano essere formulate previsioni di lungo termine corrette e come possano essere effettivamente incorporate nella strategia aziendale.

1 Spyros Makridakis, “Forecasting: its role and value for planning and strategy”, International Journal of Forecasting, Vol. 12 (1996), pagg. 513-537.


3

1.2 VISIONE TRADIZIONALE Nei libri di operations management, il capitolo dedicato al forecasting contiene solitamente un insieme di tecniche quantitative utilizzabili per formulare una stima della domanda futura partendo dallo storico delle vendite. Solitamente vengono anche descritte le caratteristiche della domanda stessa e, molto più raramente, vengono fatti degli accenni ai metodi qualitativi o alle previsioni combinate. Questa rappresenta una lacuna abbastanza grave, dal momento che, come visto nel precedente paragrafo, le previsioni possono avere differenti orizzonti temporali e possono essere utilizzate a diversi livelli aziendali. In genere sono utilizzate diverse tecniche previsionali in base al periodo temporale di riferimento: più ci si sposta verso previsioni a supporto di attività strategiche, più i metodi qualitativi prendono il sopravvento su quelli quantitativi. La figura 1-2 schematizza quali metodi vengono solitamente utilizzati nei diversi range temporali.

Figura 1–2: Applicazione di tecniche previsionali a diversi orizzonti temporali Nel brevissimo termine, possono essere sufficienti degli studi per determinare le distribuzioni di carico orarie o giornaliere, assicurandosi che il sistema rimanga sempre stabile. I metodi basati sulle serie temporali sono adatti ad orizzonti previsionali di breve termine, mentre per previsioni di lungo raggio sono da preferirsi metodi qualitativi come il metodo Delphi, indagini di mercato, analogie storiche e analisi del ciclo di vita dei prodotti. Non tutte le metodologie previsionali sono ugualmente costose da adottare e mantenere. In genere, le tecniche d’analisi delle serie temporali come la media mobile o l’attenuazione esponenziale sono relativamente economiche da implementare, grazie anche alla drastica riduzione dei costi della capacità automatica di calcolo. L’utilizzo di metodi causali richiede invece una gran conoscenza nelle tecniche d’analisi per stabilire le giuste relazioni e questi particolari studi possono risultare molto costosi per l’azienda; tuttavia, il costo più elevato può essere in parte giustificato dalla maggiore qualità della previsione. Nei paragrafi successivi saranno esposte le caratteristiche della domanda e le tecniche previsionali più diffuse, così come vengono intese nell’approccio tradizionale e illustrate nei principali libri di operations management2.

2 In questa sezione si fa riferimento ai seguenti libri di operations management: Jay Heizer, Barry Render, “Operations Management” , 2001 Prenctice-Hall; part 1-4, pagg. 75-110; Elwood S. Buffa, James S. Dyer, “Management Science/Operations research”, 1977 Wiley/Hamilton publication, part III, pagg.149-317; D.J. Bowersox, D.J Closs, O.K. Helterich, “Logistica: Strategia e integrazione in azienda”, 1989 Tecniche nuove editore; capitolo 4; Richard B. Chase, Nicholas J. Aquilano, “Production and operation management: A life-cycle approach”, 1989 Irwin publication; capitolo 6, pagg. 216-269.


4

1.3 LE COMPONENTI DELLA DOMANDA In molti casi la domanda di beni o sevizi di un’azienda può essere scomposta in sei componenti: la domanda media nel periodo, la stagionalità, la tendenza, la ciclicità, l’irregolarità e l’autocorrelazione. Anche se non tutte le previsioni danno la stessa importanza a ogni componente, chi si occupa delle previsioni deve comunque prenderle tutte in considerazione e incorporarle nel suo schema in funzione della loro importanza. Qui di seguito si analizzeranno brevemente alcune di queste componenti. La stagionalità è l'andamento ricorrente e regolare della domanda nell'arco dell'anno. Ad esempio la domanda annua dei giocattoli presenta un picco nel periodo immediatamente precedente il Natale per scendere poi a un livello molto più basso e stabile nei primi tre trimestri. Si può dire che l'andamento della domanda dei giocattoli presenta una bassa stagionalità nei primi tre trimestri e un picco di stagionalità nell'ultimo trimestre. È da notare che questo tipo di stagionalità si riferisce alla situazione delle vendite al dettaglio. La stagionalità delle vendite all'ingrosso precede la domanda al consumo di circa un trimestre. La tendenza (trend) rappresenta la variazione delle vendite a lungo termine. Questa tendenza può essere positiva, negativa o neutra. Una tendenza positiva significa un aumento delle vendite nel tempo. Ad esempio, la tendenza delle vendite di personal computer negli anni '80 è verso l'alto. Tuttavia, durante il ciclo vitale del prodotto la direzione della tendenza può cambiare più volte. Ad esempio, a causa di un cambiamento nelle abitudini degli Americani, la tendenza nel consumo della birra e, quindi, nella domanda di questa bevanda è passata da una fase ascendente a una fase neutra agli inizi degli anni '80. Le variazioni di tendenza verso l'alto o verso il basso possono essere la conseguenza di cambiamenti nella popolazione globale o nell'andamento dei consumi. Una consapevolezza dei fattori che incidono sulle vendite è importante in sede di previsione. Ad esempio, una riduzione della natalità implica una successiva riduzione nella domanda di pannolini. Tuttavia, la tendenza verso un maggior uso dei pannolini a gettare rispetto a quelli lavabili può portare a un aumento della domanda dei pannolini a gettare anche se le dimensioni del mercato globale sono in fase di contrazione. I casi citati sono esempi evidenti di tendenze che influiscono sulle previsioni. L'impatto delle tendenze sulle previsioni logistiche a breve termine è, invece, più sottile ma se ne deve comunque tenere conto in fase di formulazione di questo tipo di previsione. La ciclicità è caratterizzata da ampie oscillazioni nell'andamento della domanda che di solito hanno una durata di uno o due anni. Il ciclo, visto a breve termine, può presentare una tendenza al rialzo o al ribasso. Un esempio è il ciclo economico che di solito passa da una fase recessiva a una fase di espansione in un arco di tempo compreso fra i tre e i cinque anni. La domanda nel settore dell'edilizia è di solito strettamente collegata al ciclo economico come lo è la domanda indotta di elettrodomestici. L'irregolarità è costituita da eventi imprevedibili o casuali. Data la sua natura aleatoria, questa componente è impossibile da prevedere. L’autocorrelazione denota la persistenza di un fenomeno. Più specificamente, il valore aspettato in ogni punto è altamente correlato con il valore del punto precedente. Coloro che formulano la previsione dovranno quindi essere consapevoli dell'impatto potenziale delle diverse componenti e farne un uso appropriato. Ad esempio, il fatto di considerare una componente stagionale come se fosse una tendenza falserebbe tutta la previsione. Occorre, quindi, individuare, analizzare e incorporare nella previsione solo le componenti pertinenti al caso usando le metodologie adeguate. 1.4 TECNICHE PREVISIONALI

Esistono fondamentalmente tre categorie generali di tecniche previsionali: (1) i metodi basati sulle serie temporali, (2) i metodi causali e (3) i metodi qualitativi. Questi ultimi ricavano le previsioni da dati qualitativi quali opinioni di esperti e informazioni speciali.3 I metodi qualitativi non necessariamente tengono conto dei dati storici. I metodi basati sulle serie temporali e sulle proiezioni fanno riferimento esclusivamente all'andamento storico dei dati e alle relative variazioni per l'elaborazione delle previsioni. I metodi causali, che utilizzano ad esempio la regressione, prendono in

3 L’analisi delle categorie delle tecniche previsionali si basa soprattutto sulle idee di : John C. Chambers, Satinder K. Mulick e Donald D. Smith, "How to Choose the Right Forecasting Technique", Harvard Business Review (luglio/agosto 1971), pagg. 47-76.


5

esame il rapporto tra un evento causale e l'evento da prevedere. I metodi qualitativi richiedono una notevole competenza da parte delle persone coinvolte e il loro uso risulta alquanto oneroso in termini di denaro e di tempo.

1.4.1 Metodi basati sulle serie temporali I metodi basati sulle serie temporali cercano di prevedere il futuro basandosi su dati passati. Esse si possono utilizzare quando i dati storici sull'andamento delle vendite sono relativamente chiari e stabili. L'analisi delle serie temporali serve per individuare: (1) variazioni sistematiche nei dati dovute alla stagionalità, (2) eventuali andamenti ciclici, (3) tendenze e (4) tasso di crescita di queste tendenze. Una volta individuate le singole componenti delle previsioni, i metodi basati sulle serie temporali partono dal presupposto che il futuro sarà simile al passato, cioè che l'andamento esistente continuerà invariato nel futuro. Questo presupposto è solitamente abbastanza giusto nel breve termine ed è qui che l'applicazione di queste tecniche risulta più adatta. Tuttavia, queste tecniche non consentono previsioni precise a meno che l'andamento della domanda non sia piuttosto stabile. Se il tasso di crescita o la tendenza cambia in modo significativo, questa svolta si ripercuote sull'andamento della domanda. Purtroppo, questi metodi non rilevano tempestivamente queste svolte. Di conseguenza, altri meccanismi (Box Jenkis, Fourier, Shiskin) devono essere abbinati a questi metodi per prevedere il momento in cui si verificheranno tali svolte. L'analisi delle serie temporali comprende un insieme di tecniche previsionali che riguardano l'andamento e le variazioni nei dati storici con lo scopo di individuarne le caratteristiche ricorrenti. Verranno considerate in ordine di complessità crescente cinque tecniche fondamentali e cioè: (1) la media mobile, (2) la media mobile ponderata, (3) l'attenuazione esponenziale, (4) l'attenuazione esponenziale estesa e (5) l'attenuazione esponenziale adattativa.4

1.4.1.1 Media mobile

Le previsioni a media mobile richiedono due fasi. Nella prima, viene calcolato il valore medio di una serie di dati, ad esempio le vendite medie settimanali. Nella seconda, il valore medio viene integrato con la tendenza per estrapolare le vendite future. Ogni volta che vengono resi noti i dati consuntivi relativi al periodo appena chiuso, questi dati vengono aggiunti ai dati della serie mentre vengono tolti i dati del periodo più vecchio. In tal modo, il numero dei periodi rimane costante e può essere calcolata una media più aggiornata.

In termini matematici, una media mobile si esprime con la formula:

n

VP

i

nijj

i

∑−−== )1(

in cui Pi = previsione a media mobile Vj = vendite per il periodo j n = numero totale di periodi Ad esempio, una previsione a media mobile elaborata in aprile sulla base di vendite pari a 120, 150 e 90 nei tre mesi precedenti si calcola come segue:

1203

90150120 =++=aprileP

Notevole importanza ha la scelta del numero ottimale di periodi presi in considerazione nel calcolo della media mobile. Sono presenti effetti contrastanti nella scelta di questo parametro: più lungo è il periodo scelto più gli elementi casuali verranno smorzati (in molti casi questo è desiderabile). Tuttavia 4 Questa sezione si basa in gran parte su quanto detto da Steven C. Wheelwright e Spyros Makridakis in “Forecasting Methods for Management”, 3a ed. (New York: John Wiley & Sons, Ine., 1980) e da Robert G. Brown in Smoothing, Forecasting, and Prediction o/Discrete Time Series (Enelewood Cliffs N.J.: Prentice-Hall, Ine., 1963).


6

se è presente un trend nei dati (sia crescente che decrescente) la media con un periodo troppo lungo non riuscirà a seguirlo efficacemente. Al contrario un periodo più corto produrrà più oscillazioni ma seguirà con maggior tempestività il trend. La tabella 1-1 e la figura 1-3 illustrano quanto appena enunciato.

Settimana Domanda

Media pesata

con n = 3 settimane

Media pesata

con n = 9 settimane

Settimana Domanda

Media pesata

con n = 3 settimane

Media pesata

con n = 9 settimane

1 800 16 1700 2200 1811 2 1400 17 1800 2000 1800 3 1000 18 2200 1833 1811 4 1500 1067 19 1900 1900 1911 5 1500 1300 20 2400 1967 1933 6 1300 1333 21 2400 2167 2011 7 1800 1433 22 2600 2233 2111 8 1700 1533 23 2000 2467 2144 9 1300 1600 24 2500 2333 2111

10 1700 1600 1367 25 2600 2367 2167 11 1700 1567 1467 26 2200 2367 2267 12 1500 1567 1500 27 2200 2433 2311 13 2300 1633 1556 28 2500 2333 2311 14 2300 1833 1644 29 2400 2300 2378 15 2000 2033 1733 30 2100 2367 2378

Tabella 1-1: Previsione della domanda basata su media mobile a 3 o 9 settimane

Media mobile con periodo uguale a 3 o 9 settimane

0

500

1000

1500

2000

2500

3000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30Settimana

Uni

tà

Domanda Media pesata con n = 3 settimaneMedia pesata con n = 9 settimane

Figura 1–3: Precisione della media mobile al variare del periodo esaminato

La media mobile, anche se è facile da calcolare, ha una scarsa reattività nel riflettere i cambiamenti e richiede l'archivio e l'aggiornamento di una grande quantità di dati storici. Se le variazioni delle vendite sono rilevanti, l'estrapolazione non può essere fatta con il valore medio. Per superare in parte questo problema e come affinamento di questa tecnica è stato introdotto l'uso di medie mobili ponderate.


7

1.4.1.2 Media mobile ponderata

Mentre la media mobile semplice assegna un ugual peso a tutti i dati presi in esame, la media mobile ponderata permette di assegnare un peso ad ogni elemento, garantendo, ovviamente, che la somma di tutti i pesi risulti uguale a uno. Ad esempio un supermercato, partendo da uno storico di vendita di quattro settimane (28 giorni) potrebbe decidere di calcolare la previsione per il giorno i-esimo, attribuendo il 40 per cento del peso alle vendite effettuate nello stesso giorno delle quattro settimane precedenti e il rimanente 60 per cento agli altri 24 giorni:

24

)(60.0

4)(40.0

27

22

20

15

13

8

6

12821147∑∑∑∑−

−=

−

−=

−

−=

−

−=−−−−+++

++++=

i

ikk

i

ikk

i

ikk

i

ikk

iiiii

VVVVVVVVP

Questa soluzione ha numerosi vantaggi rispetto alla media mobile semplice, tuttavia è più sconveniente e più costosa. Un ulteriore passo in avanti è costituito dall’attenuazione esponenziale.

1.4.1.3 Attenuazione esponenziale

L'attenuazione esponenziale rappresenta un tipo di media mobile ponderata. Con questa tecnica la nuova previsione è calcolata come media ponderata fra la vecchia previsione, calcolata nel periodo precedente, e le vendite del periodo appena chiuso. La nuova previsione si ricava quindi da quella precedente con una correzione che tiene conto solo di una frazione percentuale dell'effettiva differenza con le vendite del periodo appena chiuso. Tale frazione percentuale è detta fattore alfa (α). Tale media ponderata è calcolata come segue:

11 )1( −− −+= ttt PVP αα in cui Pt = previsione in t T = momento alla previsione, che indica anche il periodo appena chiuso α = fattore alfa corrispondente alla percentuale di attenuazione A titolo esemplificativo, supponiamo che la previsione di vendita per l'ultimo periodo trascorso fosse di 100 unità, mentre le vendite effettive fossero state di 110 unità. Supponiamo, inoltre, che il fattore alfa sia di 0,2 (20%). Il calcolo si presenta come segue:

11 )1( −− −+= ttt PVP αα = 0,2 x 110 + (1 - 0,2) x 100 = 22+80 = 102 La nuova previsione di vendita risulta, quindi, pari a 102 unità. Il vantaggio principale dell'attenuazione esponenziale sta nel fatto che consente di calcolare rapidamente la nuova previsione senza la necessità di raccogliere e tenere aggiornate grandi quantità di dati storici. Per questo motivo, la tecnica tiene conto dei tradizionali vincoli del calcolatore. Inoltre, a seconda del valore della percentuale di attenuazione, è possibile variare il livello di sensibilità della media rispetto alle vendite effettive. Uno dei problemi della tecnica è allora la determinazione del valore da attribuire al fattore alfa. Con un fattore di 1 il risultato che si ottiene è quello di assumere come previsione della domanda il valore della domanda reale dell'ultimo periodo trascorso. L'uso di un valore molto basso, ad esempio 0,01, avrebbe l'effetto di ridurre la previsione in pratica a una semplice media mobile. Fattori alfa elevati aumentano la sensibilità al cambiamento della previsione che diventa, quindi, molto reattiva. Fattori alfa bassi tendono invece a rallentare la rapidità con cui la previsione riflette il cambiamento e implicano, pertanto, una reazione lenta o ritardata. Di conseguenza, l'uso dell'attenuazione esponenziale non elimina la necessità di prendere decisioni di merito. In effetti, il responsabile della previsione, quando deve stabilire il valore del fattore alfa, deve tener conto dei vantaggi e svantaggi che comportano rispettivamente un'eliminazione delle fluttuazioni casuali e un adeguamento


8

sistematico della previsione per reazione a ogni cambiamento nella domanda. Viene qui di seguito riportato un esempio che evidenzia gli impatti di una differente scelta del valore del parametro alfa.

Mesi Domanda effettiva Dn

Previsione Pn

arrotondata con α = 0.1

Errore assoluto En=|Dn-

Pn|

Previsione Pn


Errore assolutoEn=|Dn-

Pn|

Previsione Pn


Errore assolutoEn=|Dn-

Pn|

Previsione Pn


Errore assoluto En=|Dn-

Pn|

1 97 2 101 3 87 4 110 95* 95* 95* 95* 5 128 97 31 98 30 100 28 101 27 6 92 100 8 104 12 108 16 112 20 7 110 99 11 102 8 103 7 104 6 8 140 100 40 103 37 105 35 106 34 9 125 104 21 111 14 116 9 120 5 10 88 106 18 113 25 118 30 122 34 11 120 104 16 108 12 109 11 108 12 12 120 106 14 111 9 113 7 113 7

MAD = 19,88 18,38 17,88 18,13

*Il primo valore è calcolato come media delle tre domande precedenti : 953

3

14 ==∑

=iiP

P

Tabella 1-2: Previsione della domanda basata su attenuazione esponenziale

Figura 1–4: Precisione dell’attenuazione esponenziale al variare di alfa

Risulta evidente dalla figura 1-4 che la scelta del parametro alfa influenza notevolmente la precisione della previsione. Come si può notare, ad un valore di alfa più basso corrisponde una previsione più

Previsioni al variare del parametro alfa

80

90

100

110

120

130

140

150

1 2 3 4 5 6 7 8 9 10 11 12mesi

unità

Domanda Alfa = 0,1 Alfa = 0,2 Alfa = 0,3 Alfa = 0,4


9

stabile e meno sensibile alle oscillazioni della domanda, mentre con valori crescenti, si accresce la reattività della previsione al cambiamento. La scelta del parametro alfa può essere effettuata in base al calcolo degli errori di previsione. Una misura degli errori di previsione può venire fornita da diversi indici come ad esempio il deviazione media assoluta MAD (Mean Absolute Deviation) riportata in tabella 1-4.

n

PDMAD n

nn∑ −=

Molti software previsionali includono una funzionalità che trova automaticamente la costante di smorzamento che produce l’errore minore. Un indice alternativo che fornisce una misura dell’errore è la media degli errori al quadrato MSE (Mean Squared Error):

n

PDMSE n

nn∑ −=

2

Questo indice ha la caratteristica di dare maggior peso agli errori più consistenti. Un metodo che prende in maggior considerazione la scelta del parametro alfa è l’attenuazione esponenziale adattativa.

1.4.1.4 Attenuazione esponenziale adattativa

Questo tipo di tecnica prevede una verifica costante della validità del fattore alfa. La costante di attenuazione viene ricalcolata ad ogni elaborazione di periodo. In tal modo, le decisioni manageriali per quanto riguarda la determinazione del fattore alfa vengono in parte sostituite da un meccanismo automatico. Le forme più avanzate della tecnica di attenuazione adattativa comprendono un segnale di verifica automatico per il rilevamento degli errori nella costante di smorzamento. Quando il segnale viene innescato, la costante viene automaticamente modificata allo scopo di ridurre l'entità dell'errore. Con l'eliminazione dell'errore di previsione, il segnale di verifica riporta automaticamente la costante di smorzamento al valore originale.5 Nei modelli di smorzamento adattativo si cerca di variare la sensibilità del modello in base all'evoluzione delle vendite. A fronte di un cambiamento significativo, la costante alfa viene incrementata automaticamente per dare un peso maggiore ai dati più recenti.

1.4.1.5 Attenuazione esponenziale estesa

La tecnica può essere estesa per il calcolo anche del trend e della stagionalità. I metodi usati per l'attenuazione esponenziale estesa vengono detti allora attenuazione esponenziale con trend e/o con stagionalità.6 Il metodo di calcolo è simile a quello visto sopra tranne per il fatto che vi sono tre componenti e tre costanti di attenuazione che corrispondono rispettivamente alle componenti di livello, di tendenza e di stagionalità. Analogamente all'attenuazione esponenziale base, l'attenuazione esponenziale estesa consente di calcolare rapidamente le nuove previsioni pur mantenendo minima la quantità di dati da gestire. Anche qui la capacità di reazione del modello dipende dai valori della costante di attenuazione. Valori più elevati della costante consentono risposte più rapide ma possono tradursi in una reazione eccessiva. Il vantaggio ovvio dei modelli estesi sta nel fatto che tengono conto direttamente delle componenti di tendenza e di stagionalità. Tuttavia, questo vantaggio teorico rappresenta anche il loro limite più grave. In effetti, i modelli estesi sono spesso caratterizzati da un'eccessiva sensibilità dovuta

5 D.W. Trigg e A.G. Leach, "Exponential Smoothing with an Adaptive Response Rate", Operational Research Quarterly (marzo 1967), pagg. 53-59. 6 P.R. Winters, "Forecasting Sales by Exponentially Weighted Moving Averages", Management Science, Vol. 6 (aprile 1960), pagg. 324-42.


10

alla difficoltà di ponderare le singole componenti della previsione. E questa eccessiva sensibilità può dar luogo a problemi di attendibilità delle previsioni.

1.4.1.6 Indici stagionali o di trend

Per poter applicare le tecniche introdotte in precedenza, sarà necessario introdurre dei fattori di destagionalizzazione che riconducano tutte le vendite e le previsioni ad una stessa unità di misura comune. Gli indici di stagionalità sono ricavati dal rapporto delle vendite in ogni stagione e la media stagionale. Per esempio:

Vendite annuali totali: 1000 unità. Vendite medie stagionali = 1000/4 = 250 unità

Stagione Vendite (unità) Indice di destagionalizzazione Primavera 200 200/250 = 0.80

Estate 350 350/250 = 1.40 Autunno 300 300/250 = 1.20 Inverno 150 150/250 = 0.60

Usando questi fattori, se è prevista una domanda pari a 1100 unità per il prossimo anno si avrà:

Primavera 1100/4 X 0.80 = 220 Estate 1100/4 X 1.40 = 385 Autunno 1100/4 X 1.20 = 330 Inverno 1100/4 X 0.60 = 165

Questi fattori dovrebbero inoltre essere periodicamente ricalcolati e aggiornati. Allo stesso modo sarà necessario introdurre dei fattori correttivi per tener conto di un eventuale presenza di trend nei dati. La tecnica che tiene in considerazione il trend dei dati prende il nome di trend projection. Questa tecnica cerca di trovare una linea di tendenza per i dati storici e proiettarla nel futuro per sviluppare previsioni di medio/lungo termine. Possono essere sviluppate diverse equazioni matematiche per descrivere la tendenza (per esempio, esponenziali e quadratiche), ma verrà qui riportato un esempio di trend lineare. Per trovare una relazione lineare di trend, si può applicare il metodo dei minimi quadrati. Questo metodo porta ad una retta che minimizza la somma dei quadrati delle differenze tra i dati reali e la retta tracciata. La figura 1-5 esemplifica quando appena illustrato.

Esempio di Trend projection con il metodo dei minimi quadrati

0

5

10

15

20

25

0 1 2 3 4 5 6 7 8Periodi

Valo

re d

ei d

ati

Figura 1–5: Esempio di trend projection


11

L’aggiustamento di trend rappresenta sostanzialmente una regressione, nella quale si cerca di stabilire una sorta di autocorrelazione nei dati. Se invece di cercare un’autocorrelazione nei dati, si sposta l’attenzione nella ricerca di una relazione con fattori esterni per determinare la domanda futura, si adotta il principio che sta alla base di tutti i metodi causali.

1.4.2 Metodi causali

1.4.2.1 Regressione lineare

La previsione può essere determinata utilizzando la correlazione misurata fra le vendite di un prodotto e uno o più fattori indipendenti. Se il calcolo si basa su un solo fattore si parla di regressione semplice, mentre se si basa su più fattori si parla di analisi di regressione multipla. Non deve esistere necessariamente un rapporto di causa-effetto tra le vendite del prodotto e l'evento indipendente a patto che sia sempre evidente un elevato grado di correlazione. Tale correlazione presuppone che le vendite previste siano precedute da un fattore indipendente e significativo come la vendita di un prodotto affine. I risultati migliori si ottengono comunque quando la regressione si basa su un rapporto di causa-effetto. Il primo passo nell'elaborazione della regressione consiste nel raccogliere dati storici sulle vendite del prodotto oggetto della previsione. Partendo da una base di dati adeguata, è necessario calcolare le vendite medie mensili e lo scarto quadratico medio delle vendite rispetto alla media. Un esempio tipico dell'andamento delle vendite mensili è illustrato in figura 1-4 mediante la linea blu. La regressione parte dal presupposto che le vendite mensili possano essere correlate almeno con un altro fattore. II secondo passo allora consiste nel raccogliere dati relativi a un fattore indipendente che possa permettere il miglior livello previsionale. Si supponga ad esempio di voler elaborare una previsione di vendita per eliche d'aereo vendute come parti di ricambio. Vi sono buoni motivi per ritenere che esiste una correlazione positiva tra il numero totale di ore di volo accumulato dagli aerei privati nei mesi precedenti e le vendite di eliche come parti di ricambio nei mesi successivi. Per verificare questa ipotesi, occorre innanzitutto raccogliere dati storici sulle ore di volo degli aerei privati e, poi, cercare di stabilire un rapporto di correlazione. Nell'usare i dati sul fattore indipendente bisogna tener conto del tempo che intercorre tra causa ed effetto. In questo caso possiamo ritenere che un intervallo di tre mesi sia adeguato. Il terzo passo, dopo la raccolta dei dati sulle ore di volo degli aerei privati, consiste nel presentare i risultati sotto forma di diagramma a nube di punti. Questo tipo di presentazione, anche se non indispensabile, facilita l'individuazione di una correlazione positiva. La figura 1-6 illustra un caso in cui la variabile indipendente è rappresentata dal totale mensile delle ore di volo degli aerei privati registrato tre mesi prima, mentre la variabile dipendente è rappresentata dalle vendite mensili di eliche. Il quarto e ultimo passo consiste nel tracciare una linea continua come quella indicata nella figura 1-6 sul diagramma di dispersione dei punti. Partendo dal presupposto di una correlazione lineare, la linea di regressione viene stabilita dalla formula:

P = a + bx in cui P = valore previsto delle vendite di eliche in relazione al numero totale di ore di volo mensili x = numero totale di ore di volo mensili (riferito a 3 mesi prima) a,b = coefficienti dell'equazione di regressione


12

Figura 1–6: Diagramma di dispersione per la previsione basata sulla regressione

Per tracciare la linea di regressione occorre stabilire i valori dei coefficienti a e b che riducano al minimo la somma degli scarti quadratici. La soluzione migliore per la determinazione di questi valori è quello di usare uno dei programmi statistici per computer disponibili in commercio. Chi preferisce eseguire personalmente il calcolo può fare riferimento alle formule riportate nei libri di testo di statistica. Una volta stabilito il rapporto tra le vendite mensili e il numero totale di ore di volo, si può tracciare la linea di regressione e ricavarne una proiezione trimestrale delle vendite previste. La validità del rapporto tra la variabile dipendente (le vendite) e la variabile indipendente (le ore di volo) può essere stimata determinando il coefficiente di correlazione. Il coefficiente di correlazione tra due variabili è dato dalla formula:

⎥⎥⎦

⎤

⎢⎢⎣

⎡⎟⎠

⎞⎜⎝

⎛−⎥⎥⎦

⎤

⎢⎢⎣

⎡⎟⎠

⎞⎜⎝

⎛−

−=

∑∑∑∑

∑∑∑2

22

2

ii

ii

ii

ii

ii

ii

iii

yynxxn

yxyxnr

r = coefficiente di correlazione xi = variabile indipendente per il periodo i yi = variabile dipendente (precedentemente identificata dalla lettera V; nella notazione standard viene usata invece la lettera y) Come detto, questo coefficiente indica la validità della correlazione indicata dalla linea di regressione tra la variabile indipendente e quella dipendente. Quanto più il valore del coefficiente di correlazione si avvicina a +1 o a -1 tanto più è valida la correlazione. Un coefficiente di 0 significa invece che non esiste alcun rapporto tra le due variabili. L'uso della regressione implica un certo numero di presupposti. Innanzitutto, la definizione di un modello di regressione richiede la disponibilità di una quantità notevole* di dati sia per la variabile da prevedere sia per le variabili causali. Di conseguenza, deve essere conservata e analizzata una notevole quantità di dati. Inoltre, un modello basato sulla regressione può tener conto di fattori quali le iniziative della concorrenza, i cambiamenti "ambientali" e le campagne promozionali. L'inclusione di questi fattori consente di prevedere con un certo grado di precisione i punti di svolta nelle previsioni. Il limite più grave dell'uso della regressione sta nel fatto che potrebbe non essere possibile stabilire un rapporto di causa-effetto con un coefficiente di correlazione accettabile. Infine, le analisi di regressione multiple per le previsioni di un gran numero di prodotti in vari mercati diversi è un compito piuttosto oneroso.


13

1.4.3 Metodi qualitativi Alcune delle più importanti decisioni manageriali sono fatte in termini di orizzonti temporali di lungo periodo e riguardano l’impegno di risorse per prodotti e servizi futuri, la localizzazione dei punti vendita, dei magazzini e degli stabilimenti produttivi e investimenti in immobilizzazioni fisiche. In questi tipi di modelli predittivi, la previsione è un elemento cruciale. A differenza delle previsioni a breve/medio termine, non ci sono dati storici di natura statistica su cui basare le previsioni di lungo periodo. Ci si basa soprattutto su cosa le persone pensano, su come reagiscono ai test di mercato, sulla conoscenza delle caratteristiche del cliente e sull’analogia con situazioni simili. Per questo motivo le previsioni di lungo termine sono di natura più qualitativa.

1.4.3.1 Delphi Method e indagini di mercato “Technological forecasting” è un termine spesso utilizzato in relazione alle previsioni di lungo periodo e la metodologia utilizzata è la tecnica Delphi (Gerstenfeld, 1971). Lo scopo della tecnica Delphi è quello di stimare il futuro nella speranza di anticipare i nuovi prodotti e processi nel moderno ambiente culturale ed economico in costante cambiamento. La tecnica si affida ad un pool di esperti con il fine di giungere ad un vero e proprio consenso più che a un compromesso. Questa tecnica è stata sviluppata per la prima volta dalla RAND corporation come mezzo per eliminare gli effetti indesiderabili delle interazioni di gruppo quali la soggezione, la persuasione e così via. Il pool degli esperti può essere costruito in modi differenti e spesso include individui sia all’interno che all’esterno dell’azienda. La procedura si snoda in genere nei seguenti passi:

Ogni esperto del gruppo formula una previsione indipendente sotto forma di breve asserzione;

Un coordinatore pubblica e spiega queste asserzioni; Il coordinatore fornisce una serie di domande scritte a degli esperti che combinano le risposte

di altri esperti. L’anonimato dei membri del team di esperti è mantenuto al fine di stimolare le idee non convenzionali. Un’altra tecnica qualitativa molto diffusa è l’indagine di mercato. Quest’ultima, assieme all’analisi delle caratteristiche del cliente, è diventata molto sofisticata e risulta essere un input estremamente valido per prevedere la domanda. In genere questo metodo fa uso di questionari, gruppi di clienti e test di nuovi prodotti o servizi.

1.4.3.2 Metodi qualitativi nelle previsioni a breve termine Oltre al tradizionale campo delle previsioni a lungo termine, i metodi qualitativi spesso trovano applicazione anche a fianco dei metodi statistici nelle previsioni di breve periodo. Una delle principali giustificazioni per integrare le previsioni qualitative con i metodi statistici è la presenza di eventi sporadici, come ad esempio la campagna pubblicitaria di un prodotto, che, a causa della loro relativa scarsa frequenza possono venire interpretati come rumore dai metodi statistici. Gli esperti possono invece riconoscerne gli effetti nei dati passati e tradurli in previsioni future. Numerosi studi a questo proposito sono stati effettuati al fine di comprendere l’importanza delle previsioni di tipo qualitativo. Sanders e Ritzman (1995), nel loro lavoro, sottolineano come le opinioni e i pareri degli esperti all’interno delle previsioni combinate migliori la loro accuratezza globale7. In particolare viene sottolineata l’importanza della conoscenza contestuale derivante dall’esperienza ancor più che la conoscenza tecnica dettata dall’insegnamento dei metodi statistici. Infatti, grazie ai numerosi anni di esperienza accumulati con gli stessi clienti, i responsabili di magazzino hanno sviluppato un “sesto senso” nella formulazione delle previsioni. Ad esempio, essi sanno esattamente che alcuni dei loro clienti hanno delle attività con picchi stagionali e sono informati riguardo alla più recente attività dei compratori. Conoscono che fornitura è stata da loro acquistata il giorno o la settimana precedente e allo stesso tempo sanno quanto era stato richiesto lo scorso anno nello stesso periodo. Vengono inoltre utilizzate alcune informazioni molto meno prevedibili come, ad esempio, le condizioni metereologiche, che possono ritardare o in genere modificare il modo di acquistare del cliente. Inoltre, i responsabili possono informalmente essere venuti a conoscenza di campagne 7 Nada R. Sanders, Larry P. Ritzman “Bringing judgment into combination forecasts”, Journal of Operations Management, vol. 13 (1995), pagg. 311-321.


14

pubblicitarie future degli acquirenti così da poter anticipare l’aumento del livello di attività previsto. Nel generare le previsioni spetta ai responsabili stabilire l’importanza da attribuire ad ognuno di questi fattori. Avvalendosi di diverse prove, gli autori hanno potuto dimostrare che la combinazione dei metodi statistici classici e di metodi qualitativi ha portato un miglioramento globale nell’accuratezza delle previsioni. In particolare la combinazione di metodi statistici e conoscenza del contesto aziendale è quella che ha portato maggiori benefici. Nella seconda parte dello studio si è cercato di stabilire il giusto grado di informazioni contestuali da includere nelle previsioni combinate al fine di migliorarne la precisione. Si è scoperto che il peso da dare a informazioni qualitative di tipo contestuale è fortemente legato alla variabilità presente nei dati delle serie temporali. Al crescere di quest’ultima, sempre maggior peso deve essere dato a informazioni di tipo contestuale. Per serie di dati altamente stabili, non sono necessarie informazioni di tipo qualitativo, mentre per dati estremamente variabili, al limite, le previsioni potrebbero basarsi solo su informazioni di tipo contestuale. Una possibile spiegazione di questi risultati è da ricercarsi nella differenza intrinseca tra previsioni di tipo statistico e previsioni basate su decisioni umane. I modelli statistici si basano sull’assunzione di continuità tra passato e futuro e per questo forniscono previsioni accurate nei periodi di stabilità. Dall’altro lato, invece, le previsioni basate sul giudizio hanno dimostrato diverse volte di essere inconsistenti e di reagire in maniera troppo marcata alle fluttuazioni dei dati nel tempo in un periodo di relativa stabilità (con stabilità si intende un coefficiente di variazione inferiore al 40 per cento). Per i dati con maggiore variabilità, tuttavia, c’è una maggiore componente di casualità che non può venire catturata dai metodi statistici. Le previsioni qualitative possono ancora reagire in maniera eccessiva alle fluttuazioni, ma le informazioni di tipo contestuale possono divenire così rilevanti da riuscire a fornire previsioni più accurate delle tecniche matematiche. Assumendo perciò come dato acquisito che la combinazione di metodi qualitativi e quantitativi porti ai migliori risultati in termini di accuratezza, resta il problema di raggiungere effettivamente l’integrazione tra tecniche matematiche e tecniche soggettive. Armstrong e Collopy (1998) hanno recentemente sperimentato l’efficienza dei differenti tipi di integrazione. Fondamentalmente sono presenti due tipi principali di integrazione: la cosiddetta “integrazione volontaria” e l’integrazione meccanica”. Nella prima l’esperto può utilizzare la previsione statistica per formulare la sua previsione finale. Per esempio può essergli fornita una previsione generata con metodi matematici e spetterà a lui decidere se includerla o meno (e con quale peso) nella previsione finale. In questa maniera il responsabile ha il pieno controllo sulla previsione finale. Al contrario, ne l’“integrazione meccanica”, la previsione conclusiva è determinata attraverso metodi statistici. Le previsioni qualitative degli esperti possono venire corrette da metodi statistici in grado di evidenziare gli errori sistematici commessi nel passato. In alternativa, le due previsioni possono essere combinate semplicemente facendone una media pesata. E’ comunque evidente che il modo di fondere questi due tipi di previsione non è un problema di facile soluzione e per questo è oggetto di studio da parte di numerosi ricercatori. Per un approfondimento sull’argomento si rimanda ai lavori di Goodwin e di Fischer/Harvey8.

1.4.4 Scelta del metodo previsionale Come illustrato sono presenti molte tecniche previsionali e quindi un buon sistema di previsione richiede la scelta di una tecnica matematica o statistica appropriata. Esistono vari modi per valutare le tecniche previsionali alternative.9 In effetti, queste tecniche non sono intercambiabili in quanto sono 8 Paul Goodwin, “Improving the voluntary integration of statistical forecasts and judgment”, International Journal of Forecasting, vol. 16 (2000), pagg. 85-99; Paul Goodwin, “Correct or combine? Mechanically integrating judgmental forecasts with statistical methods”, International Journal of Forecasting, vol. 16 (2000), pagg. 261-275; Paul Goodwin, “Integrating management judgment and statistical methods to improve short-term forecasts”, The International Journal of Management Science, vol. 30 (2002), pagg. 127-135; Ilan Fischer, Nigel Harvey, “Combining forecasts: What information do judges need to outperform the simple average? ”, International Journal of Forecasting, vol. 15 (1999), pagg. 227-246. 9 Tre degli studi di valutazione delle tecniche previsionali più approfonditi sono: John C. Chambers, Satinder K. Mulick e Donald D. Smith, "How to Choose the Right Forecasting Technique", Harvard Business Review (luglio/agosto 1971), pagg. 47-76; Robin M. Hogarth e Spyros Makridakis "Forecasting and Planning: An Evaluation", Management Science, Vol. 49, Vol. 47, N. 2 (febbraio 1981), pagg. 115-131; Spyros Makridakis e Steven C. Wheelwright, "Forecasting: Issues and Challenges for Marketing Management", Journal of Marketing, Vol. 55 (ottobre 1977), pagg. 24-37.


15

efficaci con diverse caratteristiche di mercato. Makridakis e Wheelwright suggeriscono i seguenti criteri per la valutazione dell'applicabilità di una determinata tecnica: (1) il grado di precisione, (2) l'orizzonte temporale di previsione, (3) l'importanza delle previsioni, (4) la disponibilità dei dati, (5) il tipo di andamento dei dati e (6) l’esperienza dell'utente nel campo delle previsioni.10 Ogni tecnica previsionale alternativa deve essere valutata in termini qualitativi e quantitativi a fronte di questi sei criteri. Esistono letteralmente centinaia di articoli che descrivono i metodi e l'efficacia delle tecniche previsionali.11 In questi ultimi due decenni, le tecniche previsionali si sono evolute con l'incorporazione di funzioni statistiche e analitiche avanzate. Lo sviluppo di queste tecniche si è basato sull'ipotesi che la maggiore complessità e completezza avrebbe garantito una maggiore precisione nelle previsioni. Studi recenti indicano invece che in molti casi l'alternativa migliore è quella più semplice. Le tecniche più avanzate non sempre danno risultati significativamente migliori rispetto alle tecniche più semplici, soprattutto quando si tiene conto delle maggiori risorse richieste sia a livello informatico sia a livello di competenza.12 Anche se sarebbe utile poter individuare il metodo previsionale più appropriato per un'applicazione, la scelta della tecnica previsionale più indicata è ancora un’arte più che una scienza. In parole povere, i responsabili del sistema logistico devono scegliere la tecnica (o le tecniche) che dimostra, attraverso prove e simulazioni, di dare i migliori risultati.13 1.5 UNA NUOVA PROSPETTIVA NEL MONDO DEL FORECASTING

Finora è stato descritto il modo tradizionale di intendere e spiegare il mondo previsionale. Questa prospettiva ha però diversi limiti, in quanto riduce l’ambito previsionale ad un insieme di tecniche destinate agli addetti ai lavori, invece di considerare il processo aziendale di demand forecasting nella sua globalità. Nei capitoli successivi si vuole mettere in luce una prospettiva più ampia, basata sulla moderna gestione per processi, evidenziando le differenze ed i vantaggi che questa nuova concezione ha rispetto alla prospettiva tradizionale. Infatti spesso l’adozione di tecniche sofisticate in grado di fornire previsioni precise non è sufficiente per il raggiungimento di un buon livello previsionale da parte dell’azienda. Se le previsioni non sono fornite al giusto livello di dettaglio nelle diverse parti dell’azienda, tutti gli sforzi nel ricercare l’accuratezza e la precisione della previsione vengono vanificati; così come se vengono “dati in pasto” ad algoritmi sofisticatissimi dei dati di input sbagliati, incoerenti o semplicemente incompleti verrà prodotta una previsione del tutto non affidabile.

10 Spyros Makridakis e Steven C. Wheelwright, "Forecasting: Issues and Challenges for Marketing Management", Journal of Marketing, Vol. 55 (ottobre 1977), pagg. 25. 11 Robin M. Hogarth e Spyros Makridakis "Forecasting and Planning: An Evaluation", Management Science, Vol. 49, Vol. 47, N. 2(febbraio 1981), pagg. 115-131. 12 Per un'analisi dettagliata dei risultati vedere J. Scott Armstrong, "Forecasting by Extrapolation: Conclusions from 25 Years of Research”, Interfaces, Vol. 14, N.6 (novembre-dicembre 1984), pagg. 52-66. Un analisi di simulazione dalla quale si traggono conclusioni analoghe per modelli alternativi basati sulle serie temporali è riportata nel testo di Jeffrey R. Sims, Simulated Product Sales Forecasting: Analysis of Forecasting Discrepancies in the Physical Distribution System, Unpublished Ph.D. Dissertation (East Lansing, Michigan: Michigan State University, 1978). 13 Bernard T. Smith e Oliver W. Wight, Focus Forecasting: Computer Techniques for Inventory Control (New York: Van Nos Reinhold, 1978).


17

CAPITOLO 2 GESTIONE DEL PROCESSO DI DEMAND FORECASTING

La previsione della domanda è una funzione organizzativa che le aziende spesso non riconoscono come fattore chiave nel raggiungimento del successo finale dell’impresa. Da una prospettiva di alto livello (direzionale), delle previsioni di vendita accurate permettono all’azienda di raggiungere alti livelli di customer-service: quando la domanda può essere prevista accuratamente, questa può essere soddisfatta in modo tempestivo ed efficiente, soddisfacendo sia i partner di canale che il cliente finale. Delle previsioni accurate aiutano la compagnia ad evitare mancate vendite o situazioni di stock-out, ed evitano che i clienti passino alla concorrenza. Nonostante ciò, le ditte spesso non riconoscono l’importanza di questa funzione manageriale. In questo capitolo si focalizzerà l’attenzione sull’intero processo e, riunendo i molteplici studi di numerosi studiosi, si evidenzieranno gli errori più frequentemente commessi dalle imprese e si cercherà di fornire le linee guida per un miglioramento globale delle previsioni. 2.1 IL VERO SIGNIFICATO DELLE PREVISIONI 14

Il passo più importante per migliorare le previsioni è capire che cosa esse siano veramente. La previsione delle vendite è un processo aziendale, non un programma informatico. Questa distinzione è molto importante perché influisce in molte aree lungo tutta l’organizzazione. A prescindere dal fatto che la compagnia venda beni o servizi, questa deve avere un quadro chiaro di quanti beni o servizi possa vendere, sia nel breve quanto nel lungo periodo. In questo modo può essere pianificata un’adeguata produzione/distribuzione per soddisfare la domanda del cliente. Le previsioni rivestono un ruolo critico per il dipartimento produttivo e di operations di un’azienda. Un adeguato livello di materiali deve essere ottenuto al prezzo più basso possibile; i mezzi di produzione adeguati devono essere reperiti al minor costo possibile; la forza lavoro appropriata deve essere assunta e formata al minore costo possibile e un adeguato servizio logistico deve essere utilizzato per evitare colli di bottiglia nella movimentazione dei prodotti dalla produzione ai consumatori. Nessuna di queste funzioni di business può essere compiuta efficacemente senza un’accurata previsione della domanda. Per molte aziende le decisioni più importanti nell’ambito delle previsioni riguardano la scelta e lo sviluppo del software informatico per la preparazione delle previsioni. Esse hanno la semplicistica convinzione che “se si ha un buon software, si avranno buone previsioni”. La pratica smentisce clamorosamente questa assunzione. Sono stati infatti osservati numerosi casi di sofisticati software costati moltissimo in termini di tempo e denaro che non hanno fornito delle previsioni accurate. Questo perché l’implementazione del sistema non è stata accompagnata da un’efficace gestione del monitoraggio e del controllo del processo di previsione. Alcuni addetti alle vendite in certe compagnie dotate di software molto sofisticati, con capacità impressionanti nell’eseguire modellazioni statistiche della stagionalità e di altri trends non utilizzano tutti gli strumenti perché non li capiscono o non hanno confidenza con i numeri generati dal programma. Il risultato sono delle previsioni spesso non accurate basate solamente su fattori qualitativi. Un esempio diametralmente opposto è costituito da un’azienda nella quale siano stati sviluppati strumenti di previsione molto sofisticati i cui dipendenti tuttavia continuino a sottostimare le previsioni di vendita perché queste hanno effetti diretti sulle loro quote premio. Questi due esempi dimostrano come alcune compagnie focalizzino la propria attenzione più sul sistema di previsione che sulla gestione della previsione. Diverse imprese hanno notevolmente migliorato i loro risultati riconoscendo l’importanza delle previsioni come processo gestionale. Alcune di esse hanno organizzato gruppi o dipartimenti indipendenti che sono responsabili dell’intero processo previsionale sia di breve che di lungo termine. 14 Le idee esposte in questo paragrafo si rifanno al lavoro di Mark A. Moon, John T. Mentzer, Carlo D. Smith and Michael S. Garver, “Seven Keys to Better Forecasting”, Business Horizons, September-October 1998, pagg. 44-52.

Capitolo 2 – Gestione del processo di demand forecasting

18

Il punto fondamentale risiede nel riuscire a formare un’organizzazione in grado di gestire il processo, non solo di scegliere e gestire un sistema. Nasce perciò la necessità di un gruppo di previsione non associato né con la funzione marketing né con quella di produzione, che si occupi di tutti gli aspetti della gestione delle previsioni con responsabilità non solo sul sistema utilizzato, ma anche sugli stessi numeri generati. Lo scopo finale è quello di migliorare l’efficienza delle previsioni nella loro globalità fornendo training nei metodi e processi lungo tutta l’azienda. Si rende necessario un sistema che premi l’accuratezza delle previsioni e faciliti le comunicazioni tra le funzioni di vendita, marketing, finanza e produzione. Un’ulteriore causa di confusione nelle aziende è la distinzione tra previsioni, pianificazioni e obiettivi. Una previsione di vendita dovrebbe essere vista come una stima delle vendite future, date certe condizioni ambientali, al contrario un piano delle vendite dovrebbe essere interpretato come l’insieme delle decisioni o degli impegni manageriali durante il periodo pianificato. Un obiettivo di vendita, invece, dovrebbe essere la meta che tutti nell’organizzazione cercano di raggiungere e superare. Ognuno di questi numeri ha infatti uno scopo differente:

Lo scopo primario della previsione delle vendite è quello di aiutare la dirigenza a formulare i propri piani di vendita e gli altri piani collegati – gli impegni per l’attività futura.

Lo scopo dei piani di vendita è quello di guidare le numerose decisioni di gestione tattica e strategica (acquisto materie prime, pianificazione risorse umane, pianificazione logistica, e così via), rapportandole realisticamente ai limiti delle risorse, delle procedure e dei sistemi della ditta.

L’obiettivo di vendita è ideato principalmente per fornire alle persone lungo tutta la struttura organizzativa una motivazione per raggiungere e superare gli obiettivi dell’organizzazione.

Anche se la previsione e il piano di vendita sono strettamente collegati (la prima può influenzare e modificare la seconda), l’obiettivo di vendita può essere abbastanza indipendente. L’obiettivo può essere sviluppato sulla base della previsione di vendita, sul piano di vendita e sui livelli motivazionali. Tuttavia, dal momento che coloro che formulano le previsioni dovrebbero cercare l’accuratezza, non è appropriato che una previsione venga confusa con la strategia motivazionale dell’azienda. E’ particolarmente problematico quando le previsioni e gli obiettivi di vendita sono intrecciati, perché questa mescolanza porta a considerevoli giochi, specialmente riguardanti la forza vendita. Infatti, se gli addetti alle vendite credono che le previsioni a lungo termine influiranno sulla dimensione della quota del prossimo anno, saranno fortemente motivati a sottostimare le previsioni, sperando di influenzare quelle quote ad essere basse e raggiungibili. In alternativa, si può citare ciò che disse un addetto alle vendite: “Sarebbe un suicidio per me inviare una previsione che sia al di sotto dei miei obiettivi”. In entrambi i casi dal momento che l’obiettivo e la previsione di vendita sono così correlati gli addetti alle vendite sono motivati a “giocare” con le proprie previsioni a discapito dell’accuratezza. 2.2 COMUNICAZIONE, COOPERAZIONE, COLLABORAZIONE:

Ridisegnare il layout organizzativo Le compagnie che elaborano previsioni efficaci, ritengono critico ottenere degli input da persone nelle differenti aree funzionali, ognuna delle quali può portare informazioni e conoscenze che possono notevolmente migliorare l’accuratezza globale. Ma i dipendenti sono spesso incapaci o non desiderosi di lavorare trasversalmente alle funzioni aziendali per raggiungere alti livelli di prestazioni previsionali. Mentzer, Bienstock e Kahn (1998) in una loro indagine catalogano le aziende dal punto di vista dell’integrazione funzionale raggiunta nello sviluppo delle previsioni15. Per raggiungere un buon livello di gestione delle previsioni è necessario implementare quello che viene chiamato il forecasting C3 - comunication, coordination e collaboration. Le compagnie al più basso livello di sofisticazione si limitano meramente a comunicare tra le aree funzionali. Questa comunicazione assume la forma di reports a senso unico, nei quali un responsabile delle previsioni di ogni dipartimento informa le altre aree funzionali delle sue previsioni. Tuttavia ogni area funzionale mantiene una propria previsione per i suoi scopi. Ad esempio:

il marketing desidera previsioni annuali aggregate per linee di prodotto; Le vendite vogliono delle previsioni trimestrali aggregate per territorio; La finanza vuole previsioni annuali monetarie;

15 John T. Mentzer, Carol C. Bienstock, and Kenneth B. Kahn, “Benchmarking Sales Forecasting Management”, Business Horizons, November-December 1998, pagg. 48-56.


19

La produzione vuole previsioni delle stock keeping unit (SKU) collegate al ciclo di produzione;

La logistica vuole previsioni delle stock keeping unit by location (SKUL) collegate al ciclo di approvvigionamento.

Questi obiettivi differenti causano mancanza di collaborazione nello sviluppo delle previsione, con la conseguenza di scarsa efficienza ed accuratezza delle previsioni. Le aziende ad uno stadio più avanzato riconoscono la necessità di coordinazione nello sviluppo delle previsioni attraverso degli incontri formali tra i rappresentanti delle varie funzioni. Spesso, tuttavia, un’unica area – solitamente quella “contenente” le previsioni – domina le discussioni e lavora per persuadere le altre funzioni ad accettare le sue previsioni. Per questo motivo, quando le previsioni vengono prodotte dalla produzione o dalla logistica esse sono di natura più operativa; mentre quando sono affidate al marketing o alle vendite assumono un aspetto più market-oriented. Sono perciò presenti molte difficoltà in aziende in questo stadio, dal momento che il marketing e le vendite trovano le previsioni di SKU e SKUL di scarsa utilità nella formulazione di previsioni annuali o trimestrali per linea di prodotto, così come la produzione e la logistica trovano scarso interesse in previsioni monetarie di lungo termine. In molte compagnie, infatti, la funzione aziendale responsabile nella generazione delle previsioni (solitamente il marketing) si sforza molto poco di ottenere degli input dalle altre funzioni aziendali come production planning, operations o logistics. E questo ha molti risvolti negativi. Prima di tutto, le informazioni critiche riguardo i lead time di produzione o i vincoli di capacità non sono tenute in debita considerazione nello stilare le previsioni, mentre la produzione e la logistica si trovano costantemente alle prese con le restrizioni dettate dai limiti della supply chain che determinano l’impossibilità di soddisfare la domanda potenziale. Dal momento che queste informazioni non sono presenti, gli utilizzatori delle previsioni hanno poca fiducia in previsioni che loro stessi non hanno aiutato a sviluppare. Ed è proprio questa mancanza di fiducia che porta ad una duplicazione degli sforzi previsionali. In una compagnia il dipartimento di schedulazione della produzione potrebbe essere così insicuro delle previsioni create dal marketing che potrebbe ignorarle completamente e crearsi un proprio sistema previsionale. Se si utilizzasse un approccio basato sul consenso queste duplicazioni potrebbero essere evitate. Un’altra conseguenza di un metodo che non sia cross-funzionale è la mancanza di conoscenza riguardo alla assunzioni che sono state fatte nel calcolo delle previsioni, il che porta ad un ulteriore screditamento da parte degli utilizzatori. Per esempio un addetto alla schedulazione della produzione potrebbe apportare delle modifiche alle previsioni fornitegli dal marketing per tenere conto della stagionalità della domanda, non sapendo che questo fattore era già stato incluso nella formulazione delle previsioni. Se il responsabile della produzione fosse stato coinvolto nel processo di formulazione delle previsioni questo errore potrebbe essere stato evitato. I risultati migliori nell’efficienza previsionale si ottengono perciò quando le funzioni collaborano. Qui il punto di vista di ciascuna area riceve un’uguale considerazione e non vi è il domino di un reparto particolare. Questa collaborazione è più probabile quando la gestione del processo di previsione risiede in un’area funzionale indipendente, piuttosto che essere inglobato in un'altra funzione. Così facendo, ogni area può contribuire equamente verso una vera e propria previsione consensuale. La cosa più importante quindi per l’efficienza delle previsioni è quella di stabilire un meccanismo che riunisca soggetti delle diverse aree funzionali in uno spirito di collaborazione. Questo meccanismo, spesso organizzato da un gruppo indipendente preposto alle previsioni, assicura che siano stati presi in considerazione tutti gli aspetti più rilevanti prima di formulare le previsioni. Potrebbero essere organizzate delle riunioni periodiche alle quali partecipino rappresentanti di tutte le funzioni aziendali, e nelle quali vengano discusse le modifiche da apportare alla previsioni. Il risultato finale di queste riunioni sarebbe duplice: una previsione consensuale più accurata e rilevante e una maggior fiducia da parte di tutti i membri dell’organizzazione in una previsione che loro stessi hanno contribuito a costruire16.

16 Per maggiori dettagli vedere appendice A.2 “Dimensione dell’integrazione funzionale”.

Capitolo 2 – Gestione del processo di demand forecasting

20

Per migliorare l’efficienza delle previsioni dal punto nella dimensione dell’integrazione funzionale, le aziende dovrebbero… • Riconoscere la previsione come un’area funzionale separata la cui

responsabilità è quella di fornire previsioni agli adeguati livelli di dettaglio e orizzonti temporali alle funzioni marketing, vendite, finanza, produzione e logistica.

• Incoraggiare il raggiungimento di obiettivi comuni attraverso la comunicazione, la coordinazione e la collaborazione; permettere l’accesso a informazioni rilevanti trasversalmente alle aree funzionali

• Fornire ricompense sulle prestazioni basato sull’impatto sull’accuratezza delle previsioni a tutto il personale coinvolto nel processo.

Tabella 2-1: Passi per migliorare l’integrazione funzionale

2.3 DIVERSI APPROCCI ALLA PREVISIONE DELLA DOMANDA

In linea di massima, due approcci alternativi possono essere adottati per la formulazione delle previsioni. Il primo parte dall'alto. Come primo passo viene formulata una previsione globale e poi questa previsione viene articolata per mercato e per prodotto in base ai dati sull'andamento storico delle vendite. Il secondo parte dal basso e procede verso l'alto per aggregazioni successive. Come primo passo vengono formulate previsioni dettagliate per ogni mercato o prodotto e poi queste previsioni vengono aggregate in una previsione globale. Questi due processi rappresentano in realtà gli estremi di una gamma di possibili soluzioni alternative dove la previsione può essere ottenuta usando una combinazione di tecniche analitiche e sintetiche. La combinazione ottimale dipende dalle esigenze e dalle possibilità della singola azienda. La figura 2-1 indica le due alternative. La parte di sinistra della figura illustra il processo discendente, mentre la parte di destra illustra il processo ascendente. In entrambi i casi, la previsione riguarda uno stabilimento industriale con due magazzini. Nel primo caso, la previsione di produzione è di 100 unità al mese. Questa previsione viene ripartita fra i due magazzini in base a un rapporto "storico" di 40 e 60 rispettivamente. Nell'approccio che parte dal basso, invece, si inizia da una previsione specifica per ogni magazzino basata sui dati dell'andamento storico della domanda e su altre informazioni disponibili. Le previsioni specifiche vengono, quindi, aggregate per ricavarne la previsione di produzione.

Figura 2–1: Diversi approcci alla previsione


21

Mentzer, Bienstock e Kahn definiscono quattro dimensioni nella gestione della previsione delle vendite ognuno dei quali a sua volta diviso in quattro fasi per il raggiungimento dell’eccellenza del sistema previsionale17. Una di queste dimensioni è rappresentata proprio dal tipo di approccio alla formulazione delle previsioni. Nel primo stadio (quello peggiore) le aziende adottano un approccio top-down in cui l’attenzione principale è rivolta allo sviluppo del piano aziendale con una scarsa attenzione per i fattori economici, le iniziative di marketing o lo stadio del ciclo di vita del mix produttivo. La previsione è vista principalmente come una funzione tattica – Come si possono ottenere le vendite questo mese necessarie a soddisfare il piano aziendale? – con

IL PROCESSO DI PREVISIONE DELLA DOMANDA terzo...Il ruolo e il contributo delle previsioni nei...

Documents

Transcript of IL PROCESSO DI PREVISIONE DELLA DOMANDA terzo...Il ruolo e il contributo delle previsioni nei...