Loading

Module 1: Multi - Criteri Decisione Making and Forecasting

Note di Apprendimento
Study Reminders
Support
Text Version

Multi Periodo Previsione

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Ciao e benvenuto a “ Modelling e Analytics for Supply Chain Management ”! Oggi siamo in lezione 50 della settimana 9, che è la previsione e ci occuperemo specificamente di previsione multiperiodo. Tutto lungo, tutte queste settimane, vi abbiamo insegnato o colto attraverso diversi metodi di previsione e potete applicare questi metodi in base a situazioni diverse. Quale situazione si applicherà che dipende dalla natura del prodotto, dalla cornice temporale, tutto. Ora, tutti vi stavano dando, tutti i metodi che abbiamo insegnato vi stavano dando la previsione per domani che è, il giorno dopo o il prossimo mese o il prossimo anno, a seconda dei dati. Ma oggi discuteremo di previsione multiperiodo che è, abbiamo la domanda effettiva per questi tanti mesi, questi tanti anni. Con questo vogliamo prevedere qual è la domanda di domani, giorno dopo domani, il giorno dopo, il giorno dopo, e il giorno dopo; così, la previsione a più tempi, questo è l'ordine del giorno di oggi. Ora, a parte questo è un'agenda. La seconda agenda è, vedremo ora, come un avvoltoio alla previsione, come modulo, come una settimana, vedremo quali aziende stanno facendo in tutto il mondo e come le aziende stanno adottando le tecniche di previsione per aumentare i loro profitti. Poi impareremo anche o ci toccheremo attraverso quello che è l'errore di previsione, significa quale modello scegliere, quale modello vi darà meno previsione sulla base di errori di previsione minore. Allora, questa è la nostra agenda per oggi. (2.05) Ora qui, la prima domanda è; perché la previsione pluriennale? Come abbiamo accennato che la previsione per un periodo non ha il business nel lungo periodo, perché? Ipotizza che il tuo periodo sia mensile, ok. Quindi, previsione per il prossimo mese, diciamo agosto, settembre, ottobre. Si prevede per ottobre in base ai dati disponibili da gennaio fino a settembre. Si prevede per ottobre. Ma, la previsione per ottobre, quando ci si va a comprare materie prime, i fornitori vi chiedono quanta materia prima si diffonde su quanti mesi? Non si è in grado di dire loro il numero perché si è preclusi solo per un mese. Ecco allora che la tua previsione a più periodo è diventata molto importante. E poi, ci toccheremo solo con metodi di previsione di multi periodo. (3.04) Ora, il nostro primo modello è la previsione pluriennale sotto costante livello. Perché sto sorridendo? Sto sorridendo perché la previsione di multi periodo sotto costante livello non ha nulla. Cosa vuol dire che non ha niente? Diciamo che questo è l'anno 2015, 2016, 2017. Prendiamo tre punti dati. Avrei dovuto prendere 18, 19, 20, ma poi, ok lasciamoci bastone. Con che ti stai preclusa, fammi usare un colore diverso, con che ti stai precluso per 2019, 2020, 2021, 2022. Ora, qual è la sua richiesta? La domanda è a livello costante. Dunque, la sua domanda è, diciamo, 20, 20, 20. Allora, qual è ora la tua previsione? È di livello costante, quindi la domanda di livello costante è di 20, 20, 20, 20. Ecco, questo è quello che è una semplicissima previsione di multi - periodo sotto il livello costante, per quanto semplice. (4.48) Ora, qual è il modello successivo; prossimo modello; previsione pluriennale con la stagionalità; sembra molto difficile? No, non è difficile; previsione pluriennale con la stagionalità. Hai già la tendenza, quella destagionalizzata. Cosa hai intenzione di fare? Con questo, che cosa farà? Con questo, prevederà i prossimi anni. Con i dati destagionalizzati è possibile prevedere. Quale metodo? Livello costante; cosa si sta cambiando allora? Lei ha già, ricorda, avevamo già calcolato gli indici di stagionalità per il trimestre 1, trimestre 2, trimestre 3, trimestre 4. Quindi, qualunque sia la tua previsione, diciamo che il tuo indice di stagionalità è stato di 0,91, 0,8, 0,7, 0,9. Quindi, qualunque cosa tu stia ottenendo in quella previsione di livello costante, moltiplicalo per 0,91. Quindi, questo ti dà una previsione per il prossimo trimestre, trimestre 1. Qualunque cosa tu stia ricevendo qui, moltiplicalo per indice di stagionalità; questo ti dà la previsione per il trimestre 2. Qualunque cosa tu stia ricevendo qui che ti dà la previsione per il trimestre 3 e qualunque cosa tu stia ricevendo qui che ti dà la previsione per il trimestre 4. Così, solo il tuo indice di stagionalità sta cambiando. Il tuo livello costante, ovvero i dati destagionalizzati non sta cambiando, questo è lo stesso. Il top up, il fattore moltiplicatore che sta cambiando; quindi, di conseguenza è possibile effettuare una previsione a più periodi. Come si farà? Si prenderà solo l'indice di stagionalità e si moltiplicherà con quello, nient'altro. Ecco la tua previsione pluriennale con la stagionalità. (7.12) Multi - periodo di previsione con tendenza; è qualsiasi scienza missilistica? No. Qual è stato il trend che mi dice? Trend mi stava raccontando un plus b in n plus 1; che „ a " era il livello; livello, tendenza, tempo. Quindi, la previsione di multi periodo con tendenza non è nulla. Ovunque la tendenza ti prenda, ci vai, ok. Questo „ b "è costante, „ a" è costante. Così che n plus 1 continuerà sempre a cambiare. Così oggi, se il tuo periodo è 6, cosa ne sarà di n plus 1? 7. Sei nel periodo 7, cosa diventa n plus 1? 8. Dunque, questo n plus 1 continua a cambiare, b in n plus 1; „ b "rimane costante, „ a" rimane costante, quindi solo moltiplicato per il periodo di tempo. Questo si prende cura di esso. (8.27) Il metodo di Holt, stessa cosa; previsione, livello, tendenza; che cos' è che „ i "? Il numero di anni, mesi, giorni; che „ i " è il numero di anni, mesi e giorni. Ecco i metodi di Holt. (9.08) Ora, poi, così che è breve sulla previsione di multi periodo. Prossimo, cosa vedremo? Successivamente vedremo quello che chiamiamo errore di previsione. Abbiamo già fatto errori di previsione per una deviazione assoluta media. C'è un altro che si chiama „ errore percentuale assoluto ". Oggigiorno molte aziende stanno utilizzando questi MAPE; media errore percentuale assoluto, perché hanno scoperto che è molto più accurato rispetto agli altri metodi. Ma non possiamo dire che perché è ancora, il tempo non è ancora maturato per raccontare una cosa del genere perché ci sono altre versioni anche ma fino ad ora, MAPE è, ancora, un errore percentuale assoluto, sembra molto - molto vero scientificamente. Ha dato ottimi risultati. Questo è il tuo errore di previsione. (9.58) Come faccio a sapere qual è la precisione di previsione? Si chiama come segnale di tracciamento. Cosa è il segnale di tracciamento? Il segnale di tracciamento è il tuo bias diviso per media deviazione assoluta. Che cos' è il bias? Bias è il tuo primo periodo di previsione, diciamo le previsioni del primo periodo meno tutte le previsioni successive. Questo è il tuo segnale di tracciamento. Ne imparerai di più una volta che si analizzerà i libri di riferimento che sono stati dati alla fine del testo ma questo è traccia della precisione di monitoraggio del segnale, del segnale di tracciamento. Quindi ora, se vedete, avete praticamente imparato su tutti i modelli di previsione che sono rilevanti per la supply chain. Anche, che uno da usare, che traccia il segnale da utilizzare, ecc. ecc. La domanda è: qual è questa applicazione? Questo è quello che vi diremo ora. Queste sono alcune storie che ci raccontano come la previsione sia stata molto - molto utile alle organizzazioni. (11.08) Il primo è 7 - Eleven Japan. Ora, 7 - undici Giappone, come tutti sapete, è come un, non è come ma è un negozio dipartimentale, un enorme in Giappone, qualcosa di simile al nostro Walmart " s. 7 - undici, a un certo punto nel tempo ha scoperto che le vendite non stanno raccogliendo. Come si dice, la linea di regressione è nella stessa tendenza; la stessa beta è pari a 0,8. Così, 7 - undici hanno cercato di capire cosa è sbagliato. Cosa stiamo insegnando? Stiamo insegnando la previsione in pratica. Quindi, 7 - undici hanno guardato come o quando sono arrivati i clienti. È qui che arriva l'analisi dei dati; la modellazione dei dati arriva. 7 - undici studiava quando i clienti sono arrivati in negozio. Così, osservavano i tirammi di fatturazione e poi hanno scoperto che la tempistica può essere suddivisa in tre slot; mattina, pomeriggio e sera. Questi sono i tre slot in cui si sono lasciati. Ora, hanno fatto la mappatura dei clienti e la mappatura caratteristica del cliente per ognuna di queste; mattina, pomeriggio, sera. E quello che hanno scoperto erano, i clienti mattutini, la caratteristica era, c'erano uomini, donne pochissime, ma si imbatterono velocemente nello store, cercate cosa? Cerca pane, burro, marmellata, marmellata qualunque, uova, latte, magari qualche altra bevanda sanitaria e si esaurirebbero. Il tempo trascorre, solo questo, il tempo medio speso. I clienti pomeridiani, acquistano un po' di articoli di casa, costosi articoli, possono essere tè, caffè; alcuni di questi articoli, le necessità quotidiane, il cibo confezionato. Così, erano i clienti pomeridiani. Quanto tempo della giornata? Più tempo; clienti della sera, di nuovo, più tempo ma non tanto tempo come i clienti pomeridiani e non stavano correndo. Allora cosa ha fatto 7 - undici? Quello servito come un ottimo indicatore di quello che stavano facendo. 7 - undici avevano quelle racchette mobili con le ruote in fondo; così hanno messo tutti i prodotti necessari in una di quelle ruote mozzafiato; il mezzo necessario; e gli ultimi in dietro che ci vogliono un po' di svago. Quindi, quelli che dove importante articolo necessario, questo particolare scaffale o gli scaffali sono stati portati davanti al mattino perché c'erano le ruote, c'erano tracce di un tipo di cosa, quindi sono state portate davanti al mattino, davanti. Così, gli uomini sarebbero arrivati, velocemente entrano, afferra, vanno via. Non passano il tempo nel sistema. Le altre racchette che stavano avendo merci come i beni domestici quotidiani, erano seconde. Così, durante il pomeriggio, questo alloggiamento arriverà davanti e il pane, il burro, la marmellata andranno estremamente indietro. Così, nel pomeriggio, gli oggetti di svago sono arrivati davanti; e la sera, una miscela. Hanno guardato le bollette di acquisto, in serata, le voci di miscela, miscele di necessit e di lusso o di uso quotidiano o rushing, miscela di questi sono stati messi di fronte alla famiglia per fare acquisti. Ora, non era solo il marito o la moglie, era la famiglia. Quindi, passerebbero del tempo ma non tanto tempo. Così, questi oggetti sono stati portati davanti. Allora, che cosa abbiamo fatto? Hai precluso come il comportamento, come cambierebbe il modello di acquisto durante il giorno? Quindi, la tua previsione non era mensile; la tua previsione non era annuale. Era durante il giorno, previsioni orarie. E di conseguenza, cosa è successo? 7 - undici divenne molto popolare; erano popolari, ma il 7 - undici arrivò ad essere conosciuto come un'organizzazione molto - molto buona che si prende cura dei clienti. (16.22) Il prossimo esempio è Dell. La tua previsione mensile dei pezzi di ricambio, come abbiamo accennato, la previsione dei pezzi di ricambio è una cosa molto difficile da ottenere. Lo abbiamo citato nella lezione precedente. Quindi, hanno dovuto fare una previsione mensile dei pezzi di ricambio e poi tenerla, perché il computer senza pezzi di ricambio non è accettabile. Il terzo esempio che abbiamo è la previsione del gioco d'azzardo. C'è un disclaimer che è vietato in India. Non si può fare, ma poi, e ci sono poche aziende che stavano avendo la loro gestione di base dati per questi tipi di imprese ma si trovano al di fuori dell'India. Che cosa stanno facendo? In base alla storia del gioco d'azzardo del cliente, si prevede come molti clienti visiteranno il tuo particolare outlet. Quanti avranno la scommessa effettiva? Quanti vinceranno? Quanto vinceranno? Allora, qual è il tuo profitto? Così, che diventa anche la parte della tua previsione aziendale. Il quarto, noleggio auto; noleggio auto è anche qualcosa che richiede molto di previsione; si " s a molto dicey; dicey nel senso che è molto oneroso proprio come la stagionalità. Mattina, più auto; pomeriggio che molto requisito non c'è; la sera, una volta finite le ore d'ufficio, saranno molto più auto. Allora, cosa fanno le tue Olas e i tuoi Uber? Hanno prezzi di imballi. Ma il sovrapprezzo non è la risposta, come gestire è la risposta. Compri abbastanza auto, metti abbastanza auto nel franchise più con Ola e Uber in modo che, la gente guadagna soldi, Ola e Uber guadagna anche soldi. Perché, durante l'ora di punta, se stanno dicendo che il veicolo sarà disponibile solo dopo il 20 minutes, il cliente non si attenderà. Prenderà un autobus o un treno e andrà al suo ufficio. Quindi, questa previsione di noleggio auto, quanti clienti prenderanno esattamente i tuoi servizi? Sii Ola - Uber, sia il noleggio auto fisso. Ci sono alcune aziende che ti danno le auto in affitto. Puoi muoverti intorno al giorno, tornare, depositare l'auto e andare via. Quindi, noleggio auto; quante auto saranno noleggiate; per quante ore? Quali sono le entrate? Quindi, anche questi tipi di previsione possono essere fatte. Il prossimo esempio, la quinta, le aziende di consegna e e-portale; penso che oggi, devono fare una gran quantità di previsione. Prendiamo Amazon, un esempio di ingrandire perché so che tutti voi acquistate da lì. Ora, Amazon, deve prevedere quanto sarà la vendita; soldi? Deve prevedere quanto sarà la vendita in quantità? E il quotidiano, non solo le previsioni quotidiane ma orarie che deve fare perché in base a quella la tua pianificazione del veicolo sarà fatta. Quindi, le aziende di consegna, gli e-portals sono in una grande questione ora perché devono prevedere la domanda questo molto accuratamente. Ora, National Broadcasting Corporation, NBC; NBC hanno un diverso tipo di problema di previsione. Che cosa stanno facendo? Sono, pubblicizzano, la NBC è una radio, giusto. Così hanno gli slot pubblicitari. Vogliono sapere quanti annunci arriveranno davvero, che deve anche essere precluso. Perché quanti soldi stai generando da loro, perché sulla base di quella sottrazione, deciderete lo stipendio dei vostri dipendenti perché gli stipendi del vostro dipendente sono depennati da quanto entrate guadagnate da aziende pubblicitarie. Così, National Broadcasting Corporation ha una previsione di quanta pubblicità otterrà. Ora, c'è, ora anche, facciamo un altro esempio di questa previsione in pratica, i vostri ristoranti. I ristoranti hanno bisogno di grande, grande, grande previsione di previsione perché anche loro, se c'è spreco di cibo è la loro perdita. Se c'è cibo non venduto, è la salute, sono i pericoli ambientali, qualsiasi cosa ma se, c'è più richiesta, poi quanto cucinano quel giorno; è davvero una grande perdita per loro. Quindi, la previsione è molto - molto importante, per essere corretta. Purtroppo in India non facciamo così tanto di previsione per i prodotti a medio prezzo e meno costosi. Perché lo sai? Perché noi in India, a causa della popolazione e per via del denaro nelle mani delle persone, una quantità dignitosa di denaro spendibile, qualsiasi cosa produciamo, e si svende. Questa è una cosa che dobbiamo essere, ecco perché l'applicazione di previsione è un po' limitata e limitata solo ai grandi corporati che lo utilizzano come metodo scientifico di previsione. Penso di aver condiviso con te. Non ricordo se ho condiviso con te nelle slide precedenti ma poi, vedi, la previsione è tanto in pratica. Coke e Pepsi, si stanno escludendone quanto saranno in vendita al giorno nei mesi estivi, perché di conseguenza dovranno imbottigliarsi, dovranno mandarlo ai piccoli - piccoli sbocchi diffusi in innumerevoli aree intorno alla città e se non vende, se non li dà, è una vendita persa. Ma poi, Coke e Pepsi, quindi hanno un metodo di previsione molto accurato che sta in pratica da molti anni e sta facendo abbastanza bene. Ma poi, in tutta la previsione andremo a fieno dove se oggi fuori, invece del sole cocente caldo, solo per oggi, è nuvoloso. Nuvoloso significa, la gente non si sentirà così tanta assetata e quindi non andrà a comprare una Coca Cola e Pepsi. Quindi, la previsione va male. Quindi, la previsione dipende anche dalla tua temperatura. Quindi, ti sto dando diverse dimensioni di previsione. Anche la temperatura è necessaria per arrivare ad una corretta tecnica di previsione. Ora, quindi, quello che voglio dire è che questa previsione, devi sapere, devi modellarla correttamente e devi usare il metodo corretto per il prodotto corretto. È solo che non conosco dieci metodi e continuerò a fare previsioni. Ci dovrebbe essere un metodo corretto per un determinato prodotto di metodo; particolare metodo per un determinato prodotto. Mi faccia riformulare. Bisogna prima capire le caratteristiche del prodotto e poi si dovrà prevedere. Quindi, vedi quello che abbiamo, ora ti dico solo quello che abbiamo fatto. (24:06) Vedi, la mia filiera è iniziata con la previsione. Una volta effettuata la previsione, poi la selezione del fornitore; una volta effettuate le selezioni del fornitore, poi l'acquisto; una volta effettuato l'acquisto, poi il trasporto; una volta effettuato il trasporto, poi il magazzino; e una volta effettuato il magazzino, poi il trasporto secondario e poi tutta questa cosa deve essere progettata. Quindi, se vedete, abbiamo così tanto tempo, fino ad ora, abbiamo fatto previsione, modellazione di selezione dei fornitori. L'acquisto è parte di integrato con selezione fornitore. Abbiamo fatto la modellazione dei trasporti. Abbiamo fatto il modellismo di magazzino e noi, dopo questo deposito, una grande e la cosa più importante, l'inventario. Abbiamo fatto la modellazione di magazzino. Il trasporto secondario è comunque incluso nel trasporto. Quindi con questo andremo, quindi questo è il quadro complessivo, che abbiamo completato fino ad ora. Con questo, andremo per la supply chain progettare o la modellazione delle reti di supply chain. Quindi, questo è praticamente il quadro complessivo della modellazione della supply chain e abbiamo completato fino a questo punto a partire da questa settimana.   Così, questo è riferimento che potete prendere per questa sessione di lezione. Vi sto dando questo riferimento perché è quello facile, mi sono imvenuto. Quindi, grazie per oggi! Grazie!