2020 DEMAND MANAGEMENT - LogiMaster

Demand Management

Andrea Payaro, Ph.D.

LogiMaster XIX edizione

Andrea Payaro

• Vice Presidente SCM-Academy - Torino• Laurea in Ingegneria Informatica• Dottorato di ricerca in Ingegneria Gestionale• Post Dottorato in Ingegneria Gestionale• Consulente direzionale – Certificazione ELA• Docente ICE Ministero Sviluppo Economico• Trainer UNLB – United Nations Logistics Base• Collaboratore delle riviste: Il Giornale della Logistica – Largo

Consumo• Membro del Comitato Scientifico International Congress of

Contemporary Marketing Issues (ICCMI-2016)• Visiting Professor MBA Transilvania University in Brasov• Senior Lecturer LIUC Università della Castellanza

Logistico dell’Anno 2019

Fare previsioni

• Per “cigno nero” si intende un evento non prevedibile, con impatti notevolmente rilevanti per il sistema su cui impatta (Nassim N. Taleb “The Black Swan: The Impact of the Highly Improbable” del 2007). • Quasi ogni previsione è stata sbagliata (Steven Schnaars, Megamistakes,

1989)• Chi prevede è signore del giorno. (Johann Wolfgang Goethe, scrittore,

poeta e drammaturgo)• Le previsioni sono estremamente difficili. Specialmente sul futuro. (Niels

Bohr, fisico)• Prevedo che il 1929 sarà un anno di prosperità. (Roger Ward Babson,

economista)• È facile vedere, difficile prevedere. (Benjamin Franklin. scienziato e politico)

Quale previsione?

• Andamento del prezzo dell’oro: vendere o acquistare?

Quale previsione?

Crisi Economica Europea

Ripresa mercati azionari

Nuovi Giacimenti

Instabilità politica

Conflitti o Attentati

Nuovi Prodotti per l’elettronica

Pandemia

Previsione 1

• L’importanza delle ipotesi• In matematica, si dice ipotesi nell’enunciazione di un teorema la proprietà

che si suppone già vera e dalla quale, mediante la dimostrazione, si deducono altre proprietà che costituiscono la tesi. • Esempio:• Una persona infetta contagia 2 persone• Il periodo di incubazione del virus è 15 giorni• Quando il virus si manifesta, solo 1 persona su 5 ha sintomi• Durante il periodo di incubazione, la persona infetta è contagiosa• Dopo 10 giorni dal primo caso evidente si attivano le restrizioni forti. Da

questo momento 4 persone contagiate infettano solo 1 persona

Un’emergenza nazionale

0

2000000

4000000

6000000

8000000

10000000

12000000

14000000

16000000

18000000

1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162

giorni Nuovi Contagi per giorno Contagi evidenti per giorno SIM1: Contagiati evidenti totali

Previsione 2

• Esempio:• Una persona infetta contagia 2 persone• Il periodo di incubazione del virus è 15 giorni• Quando il virus si manifesta, solo 1 persona su 5 ha sintomi• Durante il periodo di incubazione, la persona infetta è contagiosa• Dopo 15 giorni dal primo caso evidente si attivano le restrizioni forti. Da

questo momento 4 persone contagiate infettano solo 1 persona

Un’emergenza nazionale

0

2000000

4000000

6000000

8000000

10000000

12000000

14000000

16000000

18000000

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 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

giorni Nuovi Contagi per giorno Contagi evidenti per giorno SIM1: Contagiati evidenti totali

Il confronto

-

20.000.000

40.000.000

60.000.000

80.000.000

100.000.000

120.000.000

140.000.000

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 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

Numero contagi evidenti totali

SIMULAZIONE 1(10 gg da primo caso evidente)

SIMULAZIONE 2(15 gg da primo caso evidente)

Il ruolo della previsione nella supply chain

• Sono la base di tutte le decisioni strategiche e di pianificazione in una supply chain• È utilizzata sia per processi di tipo pull che di tipo push• Esempi: • Produzione: scheduling, giacenza, programmazione aggregata • Marketing: allocazione degli staff di vendita promozioni, introduzione di

nuovi prodotti • Finanza: investimenti in impianti ed attrezzature, pianificazione del

budget • Personale: programmazione della manodopera, politiche di assunzione

e di interruzione del rapporto di lavoro

Le caratteristiche della previsione

• Le previsioni sono incerte e sbagliate. Devono fornire i valori attesi della previsione nonché la stima dell’errore di misure. • Le previsioni di lungo termini sono meno accurate di quelle di breve

termine (è importante definire l’orizzonte temporale della previsione) • Le previsioni aggregate sono più accurate di quelle disaggregate

Previsioni sbagliate?

https://www.confesercenti.it/blog/commercio-confesercenti-2018-nero-per-i-negozi/

Approccio di base alla previsione della domanda

• Comprendere gli obiettivi della previsione • Integrare la pianificazione della domanda e la previsione • Identificare i fattori principali che influenzano al previsione della

domanda • Comprendere ed identificare i segmenti dei clienti • Determinare le appropriate tecniche di previsione • Stabilire le prestazioni e gli errori di misura della previsione

Cosa valutare?

• Dati storici (estrapolazione da ERP per gli ultimi 2/3 anni)• Indice di fiducia del consumatore (Istat)• Tendenze del consumatore (bio, vegan, eco,

età, etc.) • Potere di acquisto (Istat)• Strategie di marketing (promozioni, lancio

nuovi prodotti)

Si può valutare?

• Reazioni / Azioni della concorrenza o nuovi entranti• Fattori Meteorologici• Azioni legislative (Diesel)• Fattori straordinari (epidemie)

Come reagire?

• Da Push a Pull?• per quanto riguarda un processo di produzione, si parla di logica push quando la

decisione di implementare la produzione di un dato bene in una determinata quantità, quindi dare il via a tutta la sequenza di attività a partire dall'approvvigionamento, avviene a priori dall'insorgere di un fabbisogno.

• per quanto riguarda un processo di produzione, si parla di logica pull quando la decisione di implementare la produzione di un dato bene in una determinata quantità, quindi dare il via a tutta la sequenza di attività a partire dall'approvvigionamento, avviene a posteriori all'insorgere di un fabbisogno.

• Procrastinare (Postponement)• Porre le fasi finali di produzione il più vicino possibile alla domanda. Permettere al

processo produttivo di personalizzare il prodotto in tempi ridotti• Modularizzare

• Utilizzare gli stessi componenti per fare prodotti differenti. È più semplice prevedere l’andamento di un dato aggregato che dei singoli elementi che lo compongono (

Push e Pull

Pull = Maggiore ersonalizzazione del prodotto

Pull = Lead time che rischiano di essere lunghi

Benetton e la Quick Response

• Negli anni 90, Benetton è stato precursore dell’integrazione di filiera e e dell’applicazione del Quick Response.• Benetton produceva il 10% del fabbisogno stagionale per

permettere l’assortimento sui punti di vendita• I dati raccolti dai punti di vendita e trasmessi alla sede,

consentivano l’avvio delle fasi produttive «su domanda»• I prodotti realizzati con il postponement arrivavano nel

punto vendita in 5-6 settimane (Simchi-Levi, 2002; Camuffo, Romano and Vinelli, 2001)

Andrea Payaro Roma - Mar. 2019

Zara e la Fast Fashion

• Inditex ( e altri come H&M e Mango) hanno deciso di attrarre i loro clienti attraverso una continua proposta di nuovi modelli.• Il prodotto viene inserito nel mercato in 3-5 settimane.• Per aumentare la flessibilità ha rafforzato le relazioni con i

principali fornitori (molti localizzati nell’area di La Conuna)• Il centro distributivo porta il materiale nei punti di vendita in

24 ore.


Dell e la mass Customization


• Michael Dell è riuscito a diventare uno dei principali produttori di computer a mondo puntando fin dall’inizio sulla personalizzazione del prodotto. • Il cliente personalizza il prodotto e Dell fornisce il PC in tempi brevissimi. Il

prodotto viene preparato utilizzando un numero di componenti definiti.• Velocità e precisione oltre a un alto livello di attenzione al cliente ha permesso di

vincere la competizione grazie a una radicata collaborazione con i fornitori.

Modularizzazione e Integrazioni Orizzontali

La Fiat Fullback è un pick-up medio-grande con telaio a longheroni, risultato di un accordo di collaborazione tra il costruttore italiano FIAT e il giapponese Mitsubishi, firmato nel 2014. Si tratta di una rebadge(rimarchiamento) della quinta serie del Mitsubishi L200 e viene prodotta dal 2016 nello stabilimento tailandese di Laem Chabang dalla Mitsubishi Motors Thailand


• La casa nipponica ha lasciato a disposizione dei tedeschi la Nissan Navara per la realizzazione del nuovo pick up Mercedes Classe X. • Mercedes-Benz Classe X è un pick-up della Stella che deriva

direttamente dal Nissan Navara, in una versione, però, rivista e corretta e tutta improntata ai canoni premium del brand tedesco.


• Le Centrali d’Acquisto sono nate per contrastare il potere negoziale che le grandi imprese di produzione e trasformazione avevano nei confronti di una GDO troppo parcellizzata.

• Attraverso la loro azione vengono definiti i contratti quadro con i cosiddetti “Grandi Fornitori”. Sono quindi esclusi dalle negoziazioni gli acquisti relativi ai prodotti a marchio privato, ai prodotti di “primo prezzo”, alla gran parte dei prodotti freschi, ai prodotti locali, alla maggioranza dei prodotti non alimentari.

• Per questa ragione il peso delle Centrali d’Acquisto sul totale degli approvvigionamenti delle aziende GDO si aggira intorno al 50%.

Moduli

• Volkswagen, il vantaggio del gruppo è nelle piattaforme modulari• Sono le piattaforme (meglio chiamarle architetture), cioè quelle basi che permettono di costruire modelli

diversi, anche di marche differenti, riducendo gli investimenti necessari perché questi vengono spalmati su differenti gamme di prodotto. Del resto le piattaforme, vere e proprie ossatura di lamiera con pavimento, giro-porte, tetto, montanti, traverse, duomi di supporto delle sospensioni, sono una parte enorme degli investimenti delle case nello sviluppo di nuovi modelli o intere famiglie.

• Un caso di scuola è il gruppo Volkswagen che da 6 anni usa una piattaforma unificata (costata decine di miliardi) per tutti i marchi e tutti i modelli con motore trasversale prodotti da fabbriche diverse. Si chiama Mqb (Modularer Querbaukasten) ed è una sorta di Lego che permette di creare vetture totalmente diverse per stile, brand e tipologia, dai suv alle citycar passando dai monovolume. La modularità permette di abbatere i costi e costruire più modelli con margini maggiori. E permette anche di dare mano libera ai designer. Ed è qui che risiede anche il segreto dei sempre positivi risultati finanziari del gruppo.

• Mqb (e la variante Mlb Evo per auto con motore longitudinale) permette alimentazioni di ogni tipo ed è stata pensata in origine anche per le ibride e le elettriche. Mqb dà vita a vetture che spaziano dalla Golf alla Audi A3, fino alla Tiguan, ma anche i suv Skoda Kodiaq, Seta Ateca e Vw T-Roc. Per non parlare di Skoda Octavia. Esiste anche una variante che battezzata MqbA0 dà vita alla Seat Arona alla Vw polo e al futro suv Compatto Volkswagen T-Cross.

• Su Mlb Evo il gruppo costruisce la nuovissima Volkswagen Toureg Touareg, Audi A4 e le nuove A6, A8, A7, Q7e il futuro Q8, Porsche Cayenne, Bentley Bentayga, lamborgini Urus

• Fonte: https://www.ilsole24ore.com/art/motori/2018-04-13/volkswagen-vantaggio-gruppo-e-piattaforme-modulari-102724.shtml?uuid=AE8BwsXE

Metodi di previsione

Modelli di previsione

Modelli di previsione

• Qualitativi: principalmente soggettivi: si basano sulla raccolta ed analisi di giudizi ed opinioni• Serie temporali: usano i dati storici della domanda• Causali: usano le relazioni tra la domanda ed altri fattori per

sviluppare la previsione• Simulazione: Imitano le scelte del consumatore

Componenti di una osservazione

• Domanda osservata = componente sistematica + componente random

• Componente sistematica : valore atteso della domanda• Componente random : la parte della previsione che devia dalla

componente sistematica • Errore di previsione: differenza tra la previsione e la domanda attuale

• Elementi della componente sistematica• Livello (domanda attuale destagionalizzata) • Tendenza (crescita o calo della domanda)• Stagionale (fluttuazioni stagionali prevedibili)

Analisi delle serie storiche

Sistemi di previsione

• Naive• Media Aritmetica• Media Mobile Semplice• Media Mobile Centrata• Media Mobile Pesata• Smorzamento Esponenziale• Holt - Winters

Naive forecasting

• Algoritmo semplice da utilizzare • Prevede la generazione della previsione della domanda per il solo

periodo t+1 senza dare indicazioni sui periodi successivi.

• La previsione F t+1 è data dal valore della domanda dell’ultimo periodo storico T: F t+1 = D t• Si basa sul criterio elementare secondo il quale la domanda

verificatasi «ieri» si verificherà anche «domani»

Naive e Forrester Effect

0

50

100

150

200

250

0 5 10 15 20 25 30

Retailer

Assembly

Row Materials

Domanda

Media aritmetica

• La previsione F t+1 per il primo periodo futuro è data dalla meria aritmetica di tutti i T valori di domanda presenti a livello storico

• 𝐹 𝑡 + 1 =&'∑)*&' 𝐷𝑖

• Il metodo non è in grado di formulare previsione per i periodi successivi t+2, t+3, … • Le componenti di stagionalità e di tendenza vengono annullate dal

calcolo della media che pesa uniformemente tutti i periodi storici

Similitudini

Serie 1 Serie 2 Serie 3 Serie 4 Serie 5

8 10 0 10 2

12 9 0 10 18

9 11 70 10 20

11 11 0 10 0

10 0 10

9 0 10

0

Serie 1 Serie 2 Serie 3 Serie 4 Serie 58 10 0 10 212 9 0 10 189 11 70 10 2011 11 0 10 0

10 0 109 0 10

0

Media 10 10 10 10 10

Serie 1 Serie 2 Serie 3 Serie 4 Serie 58 10 0 10 212 9 0 10 189 11 70 10 2011 11 0 10 0

10 0 109 0 10

0

Media 10 10 10 10 10

Dev St 2 1 26 0 10

Quando usare la dev standard

• La deviazione standard unita alla media mi consente di intercettare quali articoli è facile prevedere.• Un articolo la cui previsione è facile può essere escluso dalla prassi di

acquisto abituale, andando a costituire un risparmio per l’azienda.

Esercizio 1

Matrice ABC/XYZ

• Questa matrice permette di fare l’analisi sui codici consentendo di valutare il miglior metodo di approvvigionamento.

• Le righe della matrice sono tre categorie di prodotti che si differenziano tra loro in base al tipo di consumo:• X: articoli con consumi costanti;• Y: codici con consumi volatili;• Z: prodotti con consumi sporadici.

• L’appartenenza di un codice articolo a una classe di consumo viene ricavata calcolando il coefficiente di variazione definito dalla formula:

• νD = σD /D• Dove:

• σD è la deviazione standard• D è la domanda media

Per νD ≤ 0,7 inseriamo l’articolo nella classe X; con 0,7 < νD ≤ 1,5 invece esso fa parte della tipologia Y; infine se νD > 1,5 appartiene al tipo Z.

Matrice ABC / XYZ

Media, Deviazione e Gaussiana

• La formula della distribuzione normale: E’ definita da Media (μ) e Deviazione Standard (σ).

• Media (μ): posizione centrale• Deviazione Standard (σ): 'ampiezza' della curva

Media, Deviazione e Gaussiana

Una distribuzione Normale che ha media = 0 e DS = 1 è chiamata distribuzione normale standardizzata.La distribuzione gaussiana dipende dai parametri μ e σ e questi a loro volta dai valori e dall’unità di misura della variabile xi in esame. Volendo una distribuzione normale standardizzata, ossia che non dipenda dall’unità di misura della variabile, si può trasformare quest’ultima mediante la relazione:

La funzione f(z) risultante dalla trasformazione non dipende più da alcun parametro

Usare la Gaussiana

• Ora ci chiediamo: qual è la probabilità per un consumatore di avere una taglia di scarpe ≥44.0? La media è il 42, mentre la deviazione standard è 2• Cioè, qual è la P(X≥44.0)• Z= (X-μ)/σ = (44.00-42) / 2 = 1• Dalle Tavole della Distribuzione Normale Standardizzata si ha:• P (X≥44.0)= 1 – 0,8413 = 0,158 = 15,8%• P (X≥44.0)= 1 – DISTR.NORM(44; 42; 2; VERO) = 15,8%

Usare la Gaussiana

• Dalla letteratura scientifica risulta che in una popolazione (P) apparentemente sana il valore medio dell’HDL-colesterolo è di 57 mg/100ml e DS 10 mg/100ml.• Si vuole stimare la probabilità che un soggetto, estratto a

caso da una popolazione apparentemente sana, abbia valori di HDL superiore a 80 mg/100ml (Limite max di Normalità).

• Z = (80-57)/10 = 2,3

• P(Z>2,3) = 1- 0.9893 = 0.01 = 1%• DISTR.NORM(80; 57; 10; VERO)

Media e Mediana

• La media aritmetica M di n osservazioni (dati raccolti) è il rapporto tra:• la somma di tutti i numeri;• il numero n dei dati a disposizione.

• Per calcolare la mediana di n numeri dobbiamo disporli in ordine crescente (o decrescente) e poi:• se n è dispari, la mediana è il valore centrale;• se n è pari, la mediana è la media aritmetica dei due valori centrali.

Serie 1 Serie 2 Serie 30 0 10 1 10 2 10 3 1

10 4 110 5 110 60 110 100 200

Media 5 22 26Mediana 5 4 1

Media Mobile semplice

• Metodo semplice per la rettificazione di valori che hanno notevoli variazioni riscontrati nelle serie storiche

• La previsione viene calcolata come media aritmetica degli ultimi τperiodi storici

• 𝐹 𝑡 + 1 =&τ∑)*-.τ/&

- 𝐷𝑖• La media mobile semplice considera in egual misura le ultime rilevazioni,

ritenute più attendibili rispetto a quelle meno recenti• Nel caso di domanda fortemente stagionale si sconsiglia questo tipo di

modello

Media Mobile Semplice

gen feb mar apr mag giu lug ago set ott nov dic120 110 100 90 110 120 110 80 115 110 125 130

6

111,7

8

112,5

Numero periodi storici da considerare

Previsione di Gen

Numero periodi storici da considerare

Previsione di Gen

Rolling

21/04/201722 23 24 25 26 27 28 29 MEDIA

16 100 110 115 80 95 10017 98 110 90 101 101 10018 120 85 100 111 86 10019 100 100 90 110 100 100

SETTIMANE


gen feb mar apr mag giu lug ago set ott nov dic gen120 110 100 90 110 120 110 80 115 110 125 130

T = 6 120 110 100 90 110 120 110 80 115 110 125 130 111,7T = 8 120 110 100 90 110 120 110 80 115 110 125 130 112,5

75

85

95

105

115

125

135

gen feb mar apr mag giu lug ago set ott nov dic gen


Serie1 Serie2 Serie3

Media Mobile Centrata

• Usata quando si hanno cicli stagionali di vendita.• Rappresenta una variante della media mobile semplice, tale per cui i

valori inclusi nella media sono equamente distribuiti a destra e sinistra del valore corrente t-esimo della serie storica.

Dati 20 28 31 48 57 31 50 59 50 52 70 27 20 30 5 66 50 80 42 44 32 40 80 32MMC(5) 36,8 39 43,4 49 49,4 48,4 56,2 51,6 43,8 39,8 30,4 29,6 34,2 46,2 48,6 56,4 49,6 47,6 47,6 45,6

0

10

20

30

40

50

60

70

80

90

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Media Mobile Centrata

• Nel caso in cui l’ampiezza di smorzamento sia un numero pari, si devono eseguire due medie mobili, una sul periodo definito (nell’esempio 6) e una applicata ai nuovi valori con periodo 2.

Dati 20 28 31 48 57 31 50 59 50 52 70 27 20 30 5 66 50 80 42 44 32 40 80MMC(6) 35,8 40,8 46,0 49,2 49,8 52,0 51,3 46,3 41,5 34,0 36,3 33,0 41,8 45,5 47,8 52,3 48,0 53,0 45,0MMC(2) 38,3 43,4 47,6 49,5 50,9 51,7 48,8 43,9 37,8 35,2 34,7 37,4 43,7 46,7 50,1 50,2 50,5 49,0

0

10

20

30

40

50

60

70

80

90

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Dati MMC(6) MMC(2)

Esercizio 2

Uso della Media Mobile

• Il calcolo della domanda per periodi successivi al primo può essere affrontato con la media mobile.• Si utilizza il modello di Autoregressive Moving Average• Per il periodo futuro t+1 la modalità di calcolo è la stessa• Per i periodi successivi t+2, t+3, …, la media aritmetica sugli ultimi τ

periodi considera i valori di domanda reale D t fino a t =τ e i valori di previsione F t calcolati in precedenza dalla media mobile

Uso della Media Mobilegen feb mar apr mag giu lug ago set ott nov dic gen feb mar apr120 110 100 90 110 120 110 80 115 110 125 130

T = 6 120 110 100 90 110 120 110 80 115 110 125 130 111,7 112,0 117,3 117,7T = 8 120 110 100 90 110 120 110 80 115 110 125 130 112,5 111,8 111,8 112,0

75

85

95

105

115

125

135

gen feb mar apr mag giu lug ago set ott nov dic gen feb mar apr

Autoregressive Moving Average

Serie1 Serie2 Serie3

Media Mobile Pesata

• La media mobile pesata pesa gli ultimi τ periodi storici in modo non uniforme, ricorrendo a un sistema di pesi w t assegnati esternamente

• 𝐹 𝑡 + 1 =&τ ∑)*-.τ/&

- 𝑤 𝑖 𝐷 𝑖

• Il sistema dei pesi può essere opportunamente modulato dagli analisti per privilegiare alcuni periodi della domanda storica in quanto ritenuti maggiormente esplicativi.

Esercizio 3

Media Mobile Pesata

Mesi lug ago set ott nov dicDomanda 110 80 115 110 125 130Pesi 1 0,8 0,9 0,9 0,95 1 1Pesi 2 0,6 0,7 0,7 0,8 0,9 1

gen feb mar apr mag giu lug ago set ott nov dic gen120 110 100 90 110 120 110 80 115 110 125 130 103,8120 110 100 90 110 120 110 80 115 110 125 130 88,8

75

85

95

105

115

125

135


Media Mobile Pesata

Serie1 Serie2

Smorzamento Esponenziale Semplice

• Il metodo non si limita a considerare un ristretto numero di valori della domanda, quanto all’intero set di dati storici disponibili all’interno degli intervalli.• Ai valori di domanda storica viene assegnato un peso decrescente in

modo esponenziale, giustificando tale modello con il fatto che i valori più recenti hanno maggiore importanza rispetto a quelli più arretrati.• 𝐹 𝑡 + 1 = 𝛼 𝐷 𝑡 + 1 − 𝛼 𝐹 𝑡

Esercizio 4

Smorzamento Esponenziale SempliceAlfa 0,7

gen feb mar apr mag giu lug ago set ott nov dic genDt 120 110 100 90 110 120 110 80 115 110 125 130Ft 120 120 113 104 94 105 116 112 90 107 109 120 127

60

70

80

90

100

110

120

130

140



Serie1 Serie2


Alfa 0,3gen feb mar apr mag giu lug ago set ott nov dic gen

Dt 120 110 100 90 110 120 110 80 115 110 125 130Ft 120 120 117 112 105 107 111 110 101 105 107 112 118

60

70

80

90

100

110

120

130

140



Serie1 Serie2

Modello moltiplicativo congiunto di Holt Winters

• Il modello rappresenta:• La componente di tendenza in modo additivo (Holt)• La componente di stagionalità in modo moltiplicativo (Winters)

• Il metodo prevede di scorporare una alla volta le principali componenti della serie storica mediante la seguente procedura (modello moltiplicativo):• 𝐹 𝑡 + 𝐾 = 𝑇 𝑡 + 𝐾 𝑆 𝑡 + 𝐾 − 𝐿 = (A + B(t+K)) 𝑆 𝑡 + 𝐾 − 𝐿

Andamento della domanda

Per Dt1 5702 5003 7004 7401 6702 6103 7704 8301 7002 6503 7404 7701 7202 6803 9004 930

0

100

200

300

400

500

600

700

800

900

1000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Passo 1

• Determinazione della componente congiunta di trend e ciclicità mediante il calcolo della media mobile centrata MMt di passo L (stagionalità pari a 4)

Per Dt MMt(4) MMt(2)1 1 5702 2 500 627,53 3 700 652,5 6404 4 740 680 666,255 1 670 697,5 688,756 2 610 720 708,757 3 770 727,5 723,758 4 830 737,5 732,59 1 700 730 733,7510 2 650 715 722,511 3 740 720 717,512 4 770 727,5 723,7513 1 720 767,5 747,514 2 680 807,5 787,515 3 90016 4 930

Passo 2

• determinazione della componente stagionale attraverso il calcolo dei coefficienti di stagionalità :Per Dt MMt(4) MMt(2) Dt/MMt1 5702 500 627,53 700 652,5 640 1,094 740 680 666,25 1,111 670 697,5 688,75 0,9727772 610 720 708,75 0,860673 770 727,5 723,75 1,064 830 737,5 732,5 1,131 700 730 733,75 0,9540032 650 715 722,5 0,8996543 740 720 717,5 1,034 770 727,5 723,75 1,061 720 767,5 747,5 0,962 680 807,5 787,5 0,863 9004 930

Media1 0,97 0,95 0,96 0,962 0,86 0,90 0,86 0,873 1,09 1,06 1,03 1,064 1,11 1,13 1,06 1,10

Valori di Dt/MMt divisi per trimestre

Passo 3

• Destagionalizzazione della serie storica ottenuta dividendo ciascun valore della serie per il corrispondente coefficiente stagionale

Per Dt MMt(4) MMt(2) Dt/MMt St Dt/St1 570 0,96 5922 500 627,5 0,87 5723 700 652,5 640 1,09 1,06 6594 740 680 666,25 1,11 1,10 6711 670 697,5 688,75 0,972777 0,96 6962 610 720 708,75 0,86067 0,87 6973 770 727,5 723,75 1,06 1,06 7244 830 737,5 732,5 1,13 1,10 7531 700 730 733,75 0,954003 0,96 7272 650 715 722,5 0,899654 0,87 7433 740 720 717,5 1,03 1,06 6964 770 727,5 723,75 1,06 1,10 6981 720 767,5 747,5 0,96 0,96 7472 680 807,5 787,5 0,86 0,87 7773 900 1,06 8474 930 1,10 843 0

100

200

300

400

500

600

700

800

900

1000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Passo 4

• Determinazione della componente di tendenza attraverso l'identificazione di una curva di Regressione Lineare dei valori destagionalizzati della serie in funzione del tempo.

La regressione lineare

• Determinare una retta il cui grafico si avvicini il più possibile ai punti del diagramma a dispersione che rappresenta la nuvola dei punti rilevati.

• Funzione risultante (x m e y m sono i valori medi):• 𝑦 = 𝐴 + 𝐵𝑥

• Dove 𝐵 = ∑;<=> (@ ) .@ A)(C ) .C A)∑;<=> @ ) .@ A

D

• Dove 𝐴 = 𝑦 𝑚 − 𝐵 𝑥 𝑚

Esempio

x y6,0 340,06,5 300,07,0 250,07,5 274,08,0 230,08,5 250,0

200,0

220,0

240,0

260,0

280,0

300,0

320,0

340,0

360,0

6,0 6,5 7,0 7,5 8,0 8,5

y

Eliminare dalla serie la componente di tendenza dei dati

Esempio

• Determiniamo i valori medi per ciascuna serie • Per ciascun valore i-esimo, si determina la differenza con il valore

medioi x y x' y'

1 6,0 340,0 -1,3 66,02 6,5 300,0 -0,8 26,03 7,0 250,0 -0,3 -24,04 7,5 274,0 0,3 0,05 8,0 230,0 0,8 -44,06 8,5 250,0 1,3 -24,0

media 7,25 274

Esempio

• Si determina per ciascun valore i-esimo il prodotto tra le differenze precedentemente calcolate

• Si determinano i valori di a e b

i x y x' y' x'y'1 6,0 340,0 -1,3 66,0 -82,52 6,5 300,0 -0,8 26,0 -19,53 7,0 250,0 -0,3 -24,0 6,04 7,5 274,0 0,3 0,0 0,05 8,0 230,0 0,8 -44,0 -33,06 8,5 250,0 1,3 -24,0 -30,0

Somma -159media 7,25 274

Esempio

• Con la funzione di regressione, si elimina la componente di tendenza dai valori iniziali: • 𝑦 = 537 − 36,3 𝑥

i x y x' y' x'y' x'^2 y11 6,0 340,0 -1,3 66,0 -82,5 1,6 319,42 6,5 300,0 -0,8 26,0 -19,5 0,6 301,33 7,0 250,0 -0,3 -24,0 6,0 0,1 283,14 7,5 274,0 0,3 0,0 0,0 0,1 264,95 8,0 230,0 0,8 -44,0 -33,0 0,6 246,76 8,5 250,0 1,3 -24,0 -30,0 1,6 228,6

Somma -159,0 4,375media 7,25 274

200,0

220,0

240,0

260,0

280,0

300,0

320,0

340,0

360,0

6,0 6,5 7,0 7,5 8,0 8,5

Esempio

• La nuova serie di dati senza la tendenza

i x y x' y' x'y' x'^2 y1 y*1 6,0 340,0 -1,3 66,0 -82,5 1,6 319,4 20,62 6,5 300,0 -0,8 26,0 -19,5 0,6 301,3 -1,33 7,0 250,0 -0,3 -24,0 6,0 0,1 283,1 -33,14 7,5 274,0 0,3 0,0 0,0 0,1 264,9 9,15 8,0 230,0 0,8 -44,0 -33,0 0,6 246,7 -16,76 8,5 250,0 1,3 -24,0 -30,0 1,6 228,6 21,4

-40,0

-30,0

-20,0

-10,0

0,0

10,0

20,0

30,0

01 02 03 04 05 06

Calcolo dei valori Futuri

Y x' y' x'y' x^2 Y'Per Dt MMt(4) MMt(2) Dt/MMt St Dt/St DF Ris

1 1 570 0,96 592 -8 -123 926 56 612 570 5782 2 500 627,5 0,87 572 -7 -143 933 42 625 500 5443 3 700 652,5 640 1,09 1,06 659 -6 -57 312 30 639 700 6174 4 740 680 666,25 1,11 1,10 671 -5 -44 198 20 653 740 6165 1 670 697,5 688,75 0,972777 0,96 696 -4 -20 69 12 667 670 6266 2 610 720 708,75 0,86067 0,87 697 -3 -18 44 6 681 610 6157 3 770 727,5 723,75 1,06 1,06 724 -2 9 -14 2 694 770 6288 4 830 737,5 732,5 1,13 1,10 753 -1 38 -19 0 708 830 6429 1 700 730 733,75 0,954003 0,96 727 1 11 6 0 722 700 602

10 2 650 715 722,5 0,899654 0,87 743 2 28 42 2 736 650 60511 3 740 720 717,5 1,03 1,06 696 3 -19 -48 6 750 740 54412 4 770 727,5 723,75 1,06 1,10 698 4 -17 -59 12 763 770 53313 1 720 767,5 747,5 0,96 0,96 747 5 32 145 20 777 720 56814 2 680 807,5 787,5 0,86 0,87 777 6 62 343 30 791 680 58415 3 900 1,06 847 7 131 855 42 805 900 64016 4 930 1,10 843 8 128 962 56 819 930 62317 80218 74019 91420 964

Andamenti

0

200

400

600

800

1000

1200

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Metodi Qualitativi

• Il Marketing deve poter influenzare o modificare le proiezioni proposte, in base alla conoscenza che esso ha dell'andamento futuro:• delle iniziative cliente• delle promozioni programmate• previsione di acquisizione di un ordine cliente di grosse dimensioni• scadenze legate ad iniziative cliente• modifica delle scadenze legate a budget• variazioni dell'andamento macroeconomico

• e comunque di tutte quelle informazioni che possono influenzare i volumi ed il mix di vendita nel medio termine

Opinioni della Forza Vendita

• Le informazioni sulle vendite vengono raccolte ed elaborate in un processo piramidale ascendente (venditori - responsabile d’area -direzione Marketing)• individuare i modelli comportamentali della concorrenza• indicare i clienti più importanti analizzando e definendo le azioni

da intraprendere per aumentare le vendite• definire le quote di mercato e le previsioni di vendita• analizzare i mutamenti del mercato e individuarne le cause

VANTAGGI• le figure coinvolte vivono il mercato• responsabilizzazione estesa a tutti i livelli• monitoraggio competitors• opinioni su possibili azioni future• focus sulla singola zona / canale

SVANTAGGI• preparazione dei venditori ?• intuizione o oggettività ?• la FdV spesso ignora obiettivi centrali• tendenza a sparare alto e/o basso• lunghi tempi di risposta

Metodo DELPHI

• Un gruppo di esperti viene interrogato mediante questionario che interattivamente riporta le risposte via via fornite (in maniera anonima), fino ad arrivare ad un consenso unanime del gruppo

VANTAGGI• economico (ognuno a casa propria)• nessuna influenza derivante da dinamiche di gruppo

(leadership)• possibilità di modificare le proprie opinioni in modo

riflessivo ed autonomo

SVANTAGGI• tempi lunghi (interattività)• selezione del panel• possibile fallimento per abbandono• inadatto per indagini di routine (solo per previsioni

su ampi scenari)

Panel di Esperti

• Un gruppo di persone di cultura manageriale e appartenenti a diverse funzioni aziendali (marketing, progettazione, produzione, finanza, ...) è ritenuto idoneo e viene incaricato per formulare ed elaborare previsioni

VANTAGGI• partecipanti selezionati in base all’esperienza

specifica (multifunzionale)• conoscenza ottima del contesto aziendale e di

mercato

SVANTAGGI• tempi lunghi• dinamica di gruppo (prevalenza personalità forti,

leadership, …)• isolamento del gruppo (sistema chiuso)

Ricerche di Mercato

• Viene chiesto ad un campione di clienti importanti l’evoluzione degli acquisti e dei piani di sviluppo mediante mailing o interviste; partendo da tale base vengono previste le linee di tendenza del mercato nella sua globalità

VANTAGGI• previsioni basate su piani di acquisto (oggettività)• occasione per evidenziare altri aspetti (modifiche al

prodotto in esame o suggerimenti per il prossimo lancio)

SVANTAGGI• reticenza dei clienti• affidabilità - significatività del campione• economicità - numerosità del campione

Analogie con altri Prodotti

• Consiste nell’identificare prodotti che presentino caratteristiche molto simili al nuovo prodotto che si vuole lanciare, utilizzandone i dati di vendita storici per formulare previsioni (phase-in)

VANTAGGI• funziona anche se non si hanno dati sul prodotto

specifico• costringe a ragionare sulle caratteristiche del

mercato e del prodotto• consente stime nel medio-lungo termine

SVANTAGGI• non è adatto per il breve periodo• non riesce ad individuare i “punti di svolta” della

serie

Esempio

• Quale soluzioni potrebbero essere suggerite per riuscire a prevedere la domanda nel caso seguente:

• L’azienda commerciale Light srl di lampadine LED ha due tipologie di clienti:• Negozianti, con una domanda limitata e continua• Contract, con una domanda alta e imprevedibile. Il contract è un

operatore che a seguito di importanti appalti decide quando è il momento di acquistare le lampadine. I tempi di consegna che il contractvuole per non farsi magazzino è pari a 1 settimana, in caso contrario viene annullato l’ordine.

• I lead time di approvvigionamento per le lampadine per Light srl dai propri fornitori è di due settimane.

Esempio

0

50

100

150

200

250

300

350

Gen Feb Mar Apr Mag Giu Lug Ago Set Ott Nov Dic Gen Feb Mar Apr Mag Giu Lug Ago Set Ott Nov Dic

Domanda

Mesi

Andamento Domanda

Andrea Payaro

2020 DEMAND MANAGEMENT - LogiMaster

Documents

Transcript of 2020 DEMAND MANAGEMENT - LogiMaster