il processo di previsione della domandadigidownload.libero.it/diego.michielan/tesi terzo...

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”.


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 uno scarsissimo impatto sullo sviluppo del piano aziendale. In questo stadio più che prevedere la domanda per i loro prodotti le aziende prevedono le spedizioni per le loro unità produttive. Un approccio del genere tende a ignorare l’attuale domanda e considerare solo l’abilità passata dell’azienda di soddisfare la richiesta del mercato. Inoltre non considera che diversi prodotti necessitano di diversi tipi di previsioni. Le tecniche utilizzate in questo stadio sono generalmente naïve, soggettive e statistiche senza tuttavia comprendere come queste funzionino – un approccio cosiddetto a “scatola nera”. Spesso il personale preposto alla formulazione delle previsioni non riceve alcuna formazione sulle tecniche o sulla comprensione dell’ambiente aziendale e non è disponibile alcuna documentazione sul processo. Le compagnie in uno stadio più avanzato adottano un approccio più di tipo bottom-up, nel quale la domanda è determinata dalle fatture registrate o dai reports aziendali. Questo è un miglioramento rispetto al primo stadio; la compagnia riconosce che non tutta la domanda può essere soddisfatta dalle spedizioni, ma le richieste inevase non vengono catturate né registrate. Le tecniche di analisi delle serie temporali sono prevalenti, ma più per la loro semplicità che per la loro effettiva capacità di previsione. C’è una maggior consapevolezza dell’interrelazione tra il business plan e la previsione delle vendite, così come degli effetti che la stagionalità e le iniziative di marketing hanno sulla domanda. Tuttavia il business plan ha ancora la precedenza sul processo previsionale. Più attenzione è riposta nella documentazione del processo e la formazione statistica del personale, ma ancora poco è fatto per aiutare i dipendenti a capire il contesto aziendale. Nel terzo stadio le aziende riconoscono l’importanza di utilizzare sia l’approccio top-down che bottom-up, ma non riescono a riconciliarli. Essendo andate oltre la previsione delle spedizioni e l’utilizzo della fatturazione a fini previsionali, le aziende utilizzano la domanda ai punti vendita (POS demand) e informazioni tempificate sul livello di scorte lungo la supply chain per prevedere la domanda di ogni canale. Alcuni clienti forniscono delle proiezioni sulla domanda futura e sui livelli di scorte correnti permettendo previsioni differenziate per i clienti chiave. Tuttavia questi clienti non sono obbligati ad accettare le spedizioni basate sulle loro previsioni e perciò non è permesso una gestione delle scorte di tipo vendor managed (VMI). L’ABC analysis, che permette di classificare i prodotti a seconda della loro profittabilità, è usata, oltre che nella gestione delle scorte, anche per stabilire quali prodotti necessitino di previsioni più accurate. Questa classificazione comprende anche quei prodotti che non hanno bisogno di previsione:

Prodotti che vengono utilizzati così lentamente da essere classificati “two-bin”; per questi prodotti le scorte sono situate in due postazioni o bin. Quando una è vuota il prodotto viene riordinata e il nuovo ordine giunge prima che l’altra riserva sia esaurita.

Prodotti a domanda dipendente. Prodotti made-to-order.

Le compagnie in questo stadio sono consapevoli del fatto che le previsioni basate sulla regressione lavorino meglio nelle previsioni di lungo raggio ai livelli più alti; una “suite” di tecniche basate sulle serie temporali invece lavora meglio per le previsioni di raggio più breve per le SKU (stock keeping unit) e SKUL (stock keeping unit by location). Come risultato le compagnie enfatizzano la formazione del personale nella comprensione del contesto di business e nelle tecniche statistiche e di analisi e permettono alle previsioni di guidare il business plan. Nello stadio più evoluto le aziende comprendono che l’approccio top-down e bottom-up sono due processi interdipendenti. Quindi ogni cambiamento ad una previsione viene immediatamente riportato al medesimo livello dell’altro approccio. Le aziende sono portate alla gestione di tipo VMI per i clienti chiave e le previsioni per questi clienti vengono gestite separatamente. E’ presente un’ampia gamma di fattori per determinare il livello di sofisticatezza e precisione delle previsioni dei vari prodotti come:

Stagionalità;

17 John T. Mentzer, Carol C. Bienstock, and Kenneth B. Kahn, opera citata.


22

Prodotti la cui domanda è pesantemente influenzata dalle promozioni e perciò dovrebbe essere prevista utilizzando modelli di regressione;

Differenti stadi nel ciclo di vita del prodotto che influenzano l’importanza della previsione e la prevedibilità della domanda;

Il valore del prodotto; La sensibilità del cliente al servizio per un prodotto; I vari lead time (materie prime, produzione, distribuzione).

Per le aziende giunte a questo stadio, il business plan e le previsioni di vendita sono intrecciati e devono essere sviluppati assieme senza che uno guidi l’altro18.

Per migliorare l’efficienza delle previsioni nella dimensione dell’approccio, le aziende dovrebbero… • Ottenere il supporto dell’alta direzione per il processo di

previsione/business plan. • Conciliare previsioni e business plan. • Formare il personale addetto alle previsioni nell’analisi quantitativa

e statistica e nel comprendere il contesto aziendale. • Incorporare una conoscenza dell’impatto delle previsioni nel

processo. • Segmentare i clienti chiave che possono essere previsti

separatamente o parteciperanno a programmi VMI. • Segmentare i prodotti secondo l’andamento della loro domanda,

della loro importanza per l’azienda, della rilevanza delle iniziative promozionali, dello stato del ciclo di vita, del loro valore, della sensibilità al servizio del cliente e dei cicli d’ordine delle materie prime e dei componenti.

Tabella 2-2: Passi per migliorare l’approccio alle previsioni

2.4 USARE GLI STRUMENTI RAGIONEVOLMENTE

Come visto nel capitolo 1 sono disponibili diversi strumenti per formulare le previsioni; tuttavia anche la tecnica più sofisticata o il manager più esperto non sono in grado di fornire previsioni accurate in un processo non efficace nel suo complesso. Molte compagnie tendono ad affidarsi solo a strumenti qualitativi -l’opinione di manager d’esperienza e/o agli addetti alle vendite- per formulare una previsione, ignorando degli strumenti quantitativi quali la regressione e l’analisi delle serie temporali. In alternativa, molte aziende pretendono che l’applicazione di strumenti quantitativi, o di pacchetti applicativi che le utilizzano risolva il problema delle previsioni. Il punto chiave è che sia i metodi qualitativi che quelli quantitativi sono indispensabili per una previsione delle vendite efficiente. Tuttavia, perché siano davvero efficienti, questi strumenti devono essere compresi e utilizzati ragionevolmente in conformità all’ambiente di business unico in cui ogni azienda si trova ad operare. Senza una comprensione di dove le tecniche qualitative, le serie temporali e la regressione funzionano o meno efficacemente, risulta impossibile analizzare i costi e conseguire i benefici derivanti dai nuovi strumenti previsionali. Un sintomo comune del fallimento nella realizzazione di questo punto è l’esistenza di un processo dettagliato di previsione delle vendite che, quando analizzato, si scopre avere come unico input il giudizio dei managers o degli addetti alle vendite. In altre parole, la compagnia ha un processo quantitativo che supporta solo delle previsioni qualitative. Questo sistema è troppo soggetto alla particolare capacità del personale esperto di trasformare le proprie conoscenze in numeri che rappresentino una previsione, non tenendo conto della miriade di tecniche quantitative in grado di analizzare gli andamenti storici della domanda. Il sintomo opposto è un processo previsionale che utilizzi intensivamente metodi numerici di analisi della storia della domanda e dei fattori che mostrano un cambiamento statistico della domanda stessa, ma non analizzi informazioni qualitative per determinare il motivo di tale cambiamento. Una variante di questo sintomo può essere riscontrato nell’utilizzo di un sistema di previsione a “scatola nera”.

18 Per maggiori dettagli vedere appendice A.2 “Dimensione dell’approccio”.


23

Questo succede quando una compagnia ha un pacchetto applicativo per la formulazione delle previsioni (una “scatola”) contenente tutti i dati storici sulle vendite, e dal quale escano previsioni senza che nessuno sappia come il sistema sia giunto ad esse e che tecniche abbia usato. Così facendo, l’azienda ha delegato l’importante lavoro previsionale ad un software di cui nessuno conosce il funzionamento. Utilizzare gli strumenti previsionali appropriatamente richiede una conoscenza di dove ogni tipo di strumento lavori meglio, e quindi costituire un processo che riunisca tutti i vantaggi di ciascun metodo nel contesto unico dell’azienda. Gli addetti alle vendite che non erano in grado di tradurre in numero la loro esperienza per formulare una previsione iniziale, possono essere invece molto bravi ad aggiustare una previsione basata su metodi quantitativi per migliorare l’accuratezza complessiva. I modelli basati su serie temporali lavorano molto bene in aziende in cui sono presenti cambiamenti di trend o modelli stagionali, ma non sono adatti a determinare la relazione tra domanda e fattori esterni come cambiamenti di prezzo, iniziative di marketing dell’azienda o dei suoi concorrenti. Un processo potrebbe perciò utilizzare le serie temporali per prevedere il trend e la stagionalità, la regressione per prevedere la relazione della domanda con fattori esterni e input qualitativi dagli addetti alle vendite, dal marketing e dalla direzione generale per raffinare queste previsioni iniziali. Il personale chiave coinvolto sia negli aspetti quantitativi che qualitativi del processo previsionale deve essere formato nell’utilizzo delle tecniche, nell’ambito applicativo delle tecniche stesse e nell’incorporare aggiustamenti qualitativi lungo tutto il processo di previsione.


25

CAPITOLO 3 MISURAZIONE DELLE PRESTAZIONI

Mentzer e Bienstock nel 1998 dissero: ciò che viene misurato viene ricompensato, e ciò che viene ricompensato viene fatto. Le aziende spesso dicono a coloro che sviluppano le previsioni che “prevedere è importante”, ma poi non li ricompensano se fanno un buon lavoro né li puniscono se ne fanno uno pessimo. Gli utenti delle previsioni spesso risultano frustrati da questa mancanza di controllo delle prestazioni degli sviluppatori delle previsioni e questo li induce spesso a non tenere conto delle previsioni “ufficiali”. Per questo il monitoraggio delle prestazioni riveste un ruolo fondamentale nel processo di previsione della domanda così come in tutti i processi aziendali di maggior rilevanza. Il primo passo da compiere per il raggiungimento di previsioni migliori è quello di renderle importanti per tutti coloro che sono coinvolti nella loro formulazione; ciò è ottenibile esclusivamente con il supporto dell’alta direzione. 3.1 RENDERE LE PREVISIONI IMPORTANTI

Un modo per monitorare quanto siano importanti le previsioni per un’azienda è quello di determinare quanta familiarità abbiano gli sviluppatori e gli utenti delle previsioni con l’intero processo. Senza questa familiarità, gli individui coinvolti nelle previsioni all’interno dell’intera azienda non hanno la consapevolezza dell’impatto dei propri errori, e non hanno la motivazione a spendere tempo ed energie per fare bene il proprio lavoro. Come risultato, coloro che dovranno utilizzare le previsioni, percependo un certo disinteresse da parte degli sviluppatori, non prenderanno seriamente in considerazione il frutto del loro lavoro. Una prima iniziativa per migliorare le performance previsionali consiste nel fornire a tutte le persone coinvolte una formazione adeguata. I creatori e gli utilizzatori delle previsioni dovranno conoscere dove e come le previsioni vengono utilizzate lungo tutta l’azienda. In questo modo, quando i creatori delle previsioni diverranno consapevoli di tutte le ramificazioni in cascata di un lavoro fatto male l’obbiettivo prenderà molta più rilevanza per loro. Il marketing o gli addetti alle vendite, che spesso si occupano di formulare previsioni solo a livello di prodotto o linea di prodotto, potrebbero capire che queste non forniscono un adeguato livello di dettaglio per le operations per pianificare le SKU, o per la logistica per formulare i piani di rifornimento SKUL. Similmente, gli utilizzatori potrebbero comprendere le necessità e le possibilità degli sviluppatori delle previsioni. Un’altra azione manageriale potrebbe attuarsi nell’incorporare la misura delle prestazioni previsionali nei criteri di valutazione del lavoro. Ovviamente, gli addetti alle vendite, i manager di prodotto e gli altri sviluppatori di previsioni vedranno tanto più chiaramente l’importanza dell’obiettivo tanto più rilevanti saranno le ricompense per il conseguimento di buone prestazioni previsionali. Persino i manager più anziani diverranno interessati, nel momento in cui la misura dell’accuratezza sarà inclusa nelle loro valutazioni e nei piani bonus. Le valutazioni delle prestazioni previsionali vanno inserite non solamente al livello manageriale, ma anche a quello operativo: al livello cioè di coloro che lavorano in prima linea e quotidianamente con le previsioni. Questo è particolarmente importante per la forza vendita che fornisce spesso l’input iniziale per le previsioni. La carenza di un valido e diffuso sistema di valutazione delle prestazioni previsionali a questo livello è infatti emblematicamente sintetizzata in una frase pronunciata da un addetto alle vendite: “Il mio lavoro è vendere non prevedere”. 3.2 PREVEDERE LA DOMANDA, PIANIFICARE LA FORNITURA

Un errore molto diffuso compiuto da numerose aziende è quello di prevedere la loro abilità a fornire beni o servizi piuttosto che l’attuale domanda dei clienti. All’inizio del ciclo di previsione è importante creare previsioni che siano svincolate dalla capacità produttiva dell’azienda. Questo problema è presente molto frequentemente quando le spedizioni sono la base per generare le previsioni. Si supponga ad esempio che sia presente una domanda di 10000 unità per mese, ma il fornitore abbia potuto inviarne solo 7500. La storia dell’organizzazione mostrerà una spedizione di

Capitolo 3 – Misurazione delle prestazioni

26

7500 unità per mese, il che farà sì che questa quantità venga proiettata e prodotta ancora per il prossimo mese. Il risultato è così duplice: l’impressione di un accurato sistema previsionale, ma un attuale ricorrente domanda insoddisfatta di 2500 unità per mese. La previsione basata sulla storia delle spedizioni porta inevitabilmente l’azienda a compiere i medesimi errori di non soddisfacimento della domanda. Prevedere la domanda attuale permette una misura della differenza tra questa e la fornitura attuale permettendo lo sviluppo di piani di espansione della capacità per il futuro. Spesso un sintomo di questo errore è la frase “Noi facciamo un buon lavoro di previsione. Vendiamo sempre esattamente ciò che prevediamo.” E’ importante notare che nell’esempio precedente la previsione potrebbe sembrare molto accurata, perché sia la previsione sia la vendita attuale mensile risultano di 7500 unità. Il punto chiave è l’incapacità di rilevare la perdita di 2500 unità al mese causata dall’impossibilità di soddisfare la domanda. In realtà la “vera” accuratezza della previsione è del 75% e non del 100%. Le previsioni molto accurate basate sulle forniture sono spesso sintomatiche di una sottostima cronica della domanda. Sfortunatamente determinare l’attuale domanda dei clienti è più difficile che predire l’abilità della azienda di soddisfarla. Sono necessari sistemi e processi per catturare l’ingannevole domanda che non è stata soddisfatta. Sono necessari dei meccanismi per permettere agli addetti alle vendite di fornire informazioni valide sui clienti che avrebbero acquistato di più se avessero potuto. Gli ordini accettati e non evasi, i sistemi EDI, le informazioni POS, i livelli di scorti dei dettagliati e le loro previsioni costituiscono tutte valide informazioni che aiutano l’azienda a muoversi verso la previsione della domanda. Nonostante la sua maggiore difficoltà, prevedere la vera domanda aiuterà l’impresa a fare decisioni ragionevoli di lungo termine che possano influenzare notevolmente la sua posizione sul mercato. Identificando dove non si riesce a soddisfare la domanda l’azienda ha informazioni valide su dove espandere la propria capacità produttiva attraverso una pianificazione del capitale. Tutte queste iniziative porteranno inevitabilmente al conseguimento di un maggiore livello di customer satisfaction. 3.3 MISURARE, MISURARE, MISURARE19

Prima che gli sviluppatori di previsioni possano essere ricompensati, una compagnia dovrà dunque sviluppare un sistema di misurazione delle prestazioni, strumenti per fornire feedback e standards e obiettivi che costituiscano l’eccellenza. Senza la capacità di misurare efficacemente e tracciare le performance, c’è una scarsa opportunità di identificare se i cambiamenti apportati nello sviluppo delle previsioni abbiano contribuito od ostacolato il successo aziendale. Infatti anche nei rari casi in cui questi sistemi di misurazione sistematica sono implementati, raramente vengono utilizzati per la valutazione delle performance o per identificare opportunità di miglioramento. Un primo sintomo di una mancanza di misurazione delle prestazioni può essere dedotto parlando con chi è coinvolto nel processo previsionale. Semplicemente domandando una misura dell’accuratezza delle previsioni si potrebbe sentirsi rispondere “abbastanza buone”, “orribili”, o altre descrizioni generiche. In alcuni casi la risposta potrebbe includere un numero considerato essere la misura dell’accuratezza, come ad esempio 75 per cento. Indagini successive potrebbero però rivelare che la misura è basata su un sentimento generale, su delle stime, o su fonti di informazioni di seconda o terza mano. Chi risponde non è sicuro su come le misure siano state calcolate o che livello di aggregazione sia stato utilizzato. Anche nei casi in cui le misure vengano raccolte e documentate, potrebbe ancora essere presente un insufficiente livello di dettaglio o persistere una scarsa percezione della possibilità di identificare le opportunità di miglioramento delle previsioni. Generalmente è stato riscontrato che, anche quando l’accuratezza è misurata nel tempo, solo i pochi individui che hanno contribuito allo sviluppo delle previsioni sono in grado di determinare, guardando la storia, se le prestazioni siano migliorate, peggiorate o rimaste costanti. Solamente delle misure efficienti sono in grado di valutare l’accuratezza a diversi livelli di aggregazione. La logistica è infatti interessata alle prestazioni al livello di SKUL, mentre i managers delle vendite sono interessati alle previsioni monetarie al livello di aggregazione di territorio o linea di prodotto. Fondamentale è la capacità di tracciare l’accuratezza ad ogni livello di aggiustamento delle previsioni. L’obiettivo previsionale della forza vendita è infatti quello di aggiustare le previsioni

19 Mark A. Moon, John T. Mentzer, Carlo D. Smith and Michael S. Garver, “Seven Keys to Better Forecasting”, Business Horizons, September-October 1998, pagg. 50-51.


27

generate dalla macchina. Questi aggiustamenti vengono in seguito rapportati alle vendite attuali per determinare se essi abbiano migliorato o peggiorato le previsioni. Similmente il lavoro del product manager è quello di aggiustare le previsioni già modificate dalla forza vendita, incorporando in esse la conoscenza delle condizioni del mercato o delle future iniziative di marketing. Ancora una volta queste modifiche vengono misurate in rapporto alle attuali vendite per capire se queste abbiano migliorato o meno le previsioni. In entrambi i casi, sia la forza vendita che il product manager necessitano di un feedback che possa aiutarli a migliorare i loro sforzi. Infine, le compagnie potrebbero valutare l’accuratezza delle previsioni in termini del loro impatto sulle performance aziendali. La precisione delle previsioni, infatti, non deve essere fine a sé stessa, bensì un mezzo per raggiungere il business success. Migliorare le previsioni comporta investimenti in risorse sia umane che finanziarie e può essere analizzata in termini di ROI. Per esempio, in un ambiente di distribuzione, mantenere o migliorare il livello di servizio al cliente potrebbe essere un obiettivo importante per il successo globale. Tuttavia se gli investimenti necessari a migliorare la precisione delle previsioni sono molto alti si potrebbero prendere in considerazioni altre soluzioni, quali l’aumento del livello di scorte. La scelta della strategia deve essere basata su una solida analisi del business. 3.4 MIGLIORARE LA MISURAZIONE DELLE PRESTAZIONI

PREVISIONALI La dimensione della misurazione delle prestazioni riguarda le metriche utilizzate per determinare l’efficacia delle previsioni e le informazioni raccolte per valutarne le prestazioni. Riprendendo la classificazione delle aziende proposta da Mentzer, Bienstock and Kahn (1999), si può affermare che le compagnie allo stadio meno evoluto in termini di misurazione delle prestazioni, non hanno né un sistema né una comprensione del processo previsionale per poterne misurare l’accuratezza. Nonostante le previsioni siano sviluppate e utilizzate, la loro accuratezza non viene misurata né inclusa nella valutazione delle performance. I tipici criteri di valutazione sono basati sul raggiungimento del business plan o sulla riconciliazione della previsione con il piano aziendale. Nel secondo stadio, le aziende cominciano a misurare la precisione delle previsioni, usando, in genere, il Mean Absolute Percent Error (MAPE)20. Tuttavia, a causa della loro ancora limitata comprensione del processo, sbagliano spesso nell’utilizzare la formula MAPE, usando la previsione in luogo della domanda al denominatore, aumentando erroneamente la misura dell’accuratezza. Maggiore sarà la previsione, minore sarà il valore del MAPE, indipendentemente dal fatto che la previsione sia accurata o meno. Anche in questo stadio, alcune aziende cominciano a riconoscere l’impatto sulla domanda e quindi sull’efficacia della previsione di alcuni fattori esterni quali le condizioni economiche, il tempo e le iniziative dei concorrenti. Le aziende ad uno stadio successivo continuano ad usare MAPE per misurare la precisione, tuttavia spostano la loro attenzione nel misurare l’impatto dell’accuratezza sulle attività di marketing e supply chain. Le previsioni possono essere meno accurate per quei prodotti che non sono cruciali per il piano strategico– come quelli con i margini di profitto o sensibilità del cliente minori –o sono di minor valore e quindi più economici da tenere a magazzino sotto forma di scorte. Il reporting delle misure di accuratezza è diventato più sofisticato, includendo presentazioni grafiche della precisione delle previsioni e fornendo gli strumenti per esaminare la precisione ai vari livelli della gerarchia di prodotto –dalla domanda delle Stock Keeping Unit by Location fino alla domanda in termini monetari di tutti i beni della compagnia. Nell’ultimo stadio, le ditte comprendono che gli errori previsionali sono in parte dovuti ad errori delle previsioni ed in parte derivanti dall’incapacità da parte della supply chain di fornire i prodotti dove e quando essi sono richiesti. Le aziende trattano gli errori previsionali non come un punto di arrivo, ma

20 100*⎟⎟⎠

⎞⎜⎜⎝

⎛ −=

t

tt

XFX

PE (Percentage Error) n

PEMAPE

n

ii∑

== 1 (Mean Absolute Percentage Error)

Dove: Xt = Domanda per il periodo t;

Ft = Previsione per il periodo t; n = Numero di periodi osservati.

Capitolo 3 – Misurazione delle prestazioni

28

come sintomo di un problema che deve essere analizzato. Per esempio, l’analisi di un errore di previsione potrebbe indicare che la domanda POS era stata prevista correttamente, ma una mancanza di comunicazione con la produzione non ha permesso di avvertire il sistema previsionale che la domanda prevista era al di là della capacità della supply chain. La soluzione di questo “errore” non ha nulla a che vedere con le tecniche previsionali. Tuttavia è richiesta una correzione al sistema informativo previsionale. Le aziende in questo si sono finalmente spostate oltre l’uso del MAPE o metriche di accuratezza unidimensionali. Vengono utilizzate metriche multidimensionali nelle quali viene valutata la precisione quanto la profittabilità, la strategia competitiva, i costi della supply chain, e il servizio al cliente. Se una previsione accurata può fornire informazioni migliori ai pianificatori delle scorte in modo da poter fornire lo stesso livello di servizio al cliente con costi di immobilizzazioni in scorte inferiori, i costi ridotti miglioreranno la profittabilità. Infatti la gestione della previsione della domanda –come ogni altra area del business– deve rispondere alla profittabilità della compagnia e, per questo, questi legami tra l’accuratezza e la profittabilità devono essere misurati21.

Per migliorare l’efficienza delle previsioni nella dimensione della misurazione delle prestazioni, le aziende dovrebbero… • Misurare la precisione delle previsioni a tutti i livelli rilevanti per le

aree funzionali che utilizzano le previsioni. • Usare una misura di accuratezza con la quale la direzione si trova a

proprio agio, riconoscendo che il MAPE è la più popolare di queste misure.

• Fornire misure di accuratezza sia grafiche che statistiche. • Fornire una metrica multidimensionale della misurazione delle

performance che misuri anche l’impatto della previsione sulla profittabilità, sulla strategia competitiva, sui costi della supply chain, e sul servizio al cliente.

Tabella 3-1: Passi per migliorare la misurazione delle prestazioni

Da quanto detto finora, emerge chiaramente che la precisione delle previsioni deve essere misurata a tutti i livelli rilevanti per le aree funzionali che utilizzano le previsioni. Se ogni area non è in grado di valutare l’accuratezza delle previsioni nel livello di dettaglio che le compete, come ad esempio linea di prodotto o SKUL, la funzione di previsione non potrà lavorare nella direzione favorevole ai suoi processi di business. 3.5 UN MODO DI RICOMPENSARE ERRATO

Un aspetto che può influenzare pesantemente il raggiungimento di buone prestazioni previsionali è la politica aziendale riguardo ai bonus ed ai premi. Doug Stewart (2003) in un recente articolo sottolinea proprio questo aspetto22. Molte aziende infatti ricompensano i propri dipendenti per prestazioni che contrastano la previsione (o più precisamente, gli obiettivi derivanti dalle previsioni), usando un sistema asimmetrico nel quale il superare i risultati previsti comporta dei premi, mentre il raggiungere risultati inferiori comporta punizioni o assenze di ricompense. Dei sistemi del genere sono spesso visibili presso la forza vendita, ma sono anche presenti in forme molto più sottili (sia intenzionali che non) per altre funzioni, spesso avendo come risultato delle previsioni pessimistiche. Una struttura di ricompensa di questo tipo crea due legami artificiali della previsione con budgets e obiettivi. Piuttosto che basare le previsioni su dati empirici, è presente una pressione nelle prime fasi del ciclo fiscale per sottomettere le previsioni a valori che portano budgets e obiettivi favorevoli. Alcuni individui potrebbero preferire previsioni più basse (per aumentare il bonus negli stipendi), mentre altri potrebbero scegliere previsioni maggiori (per promuovere richieste di fondi). Durante gli ultimi stadi del ciclo fiscale, è presente un diverso tipo di pressione che porta ad aggiustare le

21 Per maggiori dettagli vedere appendice A.2 “Dimensione della misurazione delle prestazioni”. 22Doug Stewart, “Conducing a Sales Forecasting Audit: Influence of Reward Structures”, International Journal of Forecasting, vol. 19 (2003), pagg. 33-35.


29

previsioni per assecondare obiettivi e budgets stabiliti, contrastando ancora una volta i dati disponibili. Un sintomo di questi errori è la presenza di dipendenti che utilizzano questi tre termini (previsione, obiettivo, budget) in modo intercambiabile, senza comprenderne le differenze; e l’utilizzo improprio del termine “errore previsionale” esclusivamente quando la direzione della divergenza è ritenuta sfavorevole (per le vendite, normalmente minore). Sono inoltre necessarie delle considerazioni sull’obiettivo dell’azienda riguardo al processo previsionale. L’assunzione comune utilizzata per ricavare una visione di ciò che accadrà (ad es. il probabile livello di vendite) è altamente discutibile. Un’indagine di White (1986) ha mostrato che il 64% dei managers intervistati ritiene che le previsioni di vendita siano un mezzo per raggiungere degli obiettivi, mentre solo il 30% desiderano avere una stima precisa del mercato potenziale. La ricerca di questo autore ha mostrato che molti di loro preferiscono delle previsioni non precise da utilizzare come strumento motivazionale, anche se non tutti allo steso modo. Alcuni infatti ritengono che la motivazione portata da previsioni ottimistiche sia maggiore, in quanto forzi i dipendenti a dare sempre il massimo, mentre altri credono che delle previsioni pessimistiche siano migliori perché permettono ai dipendenti di superarle e di avere la sensazione di successo. La preferenza per previsioni non precise è anche supportata dall’indagine di Sanders e Manrodt (1994), nella quale, in un’analisi di aziende americane, si riscontra che il 70,4 per cento preferisce sottostimare la previsione e il 14,6 preferisce sovrastimarla. L’importanza di queste considerazioni sulla non accuratezza delle previsioni può anche in parte motivare la prevalenza riscontrata in molte aziende di metodi qualitativi rispetto a metodi quantitativi (Mady, 2000; Mentzer e Kahn, 1995) quando questi non offrono alcun beneficio in termini di accuratezza. Se l’obbiettivo delle previsioni è di gran lunga la motivazione piuttosto che l’accuratezza, il più grande vantaggio legato alle tecniche qualitative potrebbe essere la possibilità di sostenere progetti o considerazioni su il morale dei dipendenti, mentre l’importanza della misurazione della precisione viene di conseguenza ridotta.


31

CAPITOLO 4 IL SISTEMA INFORMATIVO A SUPPORTO DEL PROCESSO PREVISIONALE

Il sistema informativo necessario per il conseguimento di buone prestazioni a livello previsionale deve permettere il raggiungimento di tutti gli aspetti descritti nei precedenti capitoli. Il sistema dovrà quindi contenere una suite abbastanza completa di tutte le tecniche statistiche maggiormente utilizzate, dovrà permettere un facile accesso da tutti i luoghi all’interno dell’azienda che necessitano di consultare o modificare una previsione e dovrà consentire una facile comunicazione trasversale all’interno dell’azienda. Inoltre dovrà essere in grado di fornire in maniera rapida e affidabile reports sulla precisione delle previsioni e feddback riguardo agli eventuali aggiustamenti qualitativi effettuati dai responsabili. Sul mercato sono presenti diversi pacchetti applicativi che offrono molte funzionalità; in particolare, in questo capitolo verrà illustrata la soluzione proposta dalla società leader del settore, SAP.

4.1 ELIMINARE LE ISOLE DI ANALISI

Le isole di analisi sono aree distinte all’interno di un’azienda che svolgono funzioni simili. Ogni area mantiene un processo separato, e con ciò raggiungono obiettivi ridondanti e spesso hanno le stesse responsabilità. Dal momento che le isole di analisi sono spesso supportate da sistemi informatici indipendenti (che non sono collegati elettronicamente con gli altri sistemi dell’azienda), le informazioni contenute nelle diverse isole non sono condivise tra loro. Nelle ricerche di Mentzer e altri sono state individuate isole di previsione nella logistica, nella pianificazione della produzione e nel marketing. Queste sono spesso dovute ad una mancanza di collaborazione trasversale alle diverse aree che ha portato ad una sfiducia generale nelle previsioni “ufficiali” generate in un dipartimento particolare. Queste isole di analisi sono dannose per le performance aziendali. Portano spesso a previsioni non accurate ed inconsistenti. Dal momento che i sistemi di ogni area non comunicano tra di loro, i dati – se sono condivisi – sono condivisi tramite trasferimenti manuali che sono suscettibili di errori umani. La ridondanza generata costa molto all’azienda in termini di denaro e di tempo ed energia del personale. Inoltre cresce la frustrazione dei dipendenti assieme alla mancanza di fiducia nel processo previsionale. Per risolvere questo problema, la direzione deve porre attenzione per eliminare i fattori che incoraggiano lo sviluppo delle isole di analisi. Questo obiettivo può essere raggiunto stabilendo un singolo processo supportato da un software che comunichi senza interruzione con gli altri sistemi informativi dell’azienda. Degli strumenti appropriati dovrebbero includere una serie di tecniche statistiche, programmi grafici e un’abilità di riportare le misure di prestazioni lungo il tempo. I dati storici aggiornati sulle vendite possono essere reperiti real-time da un Data-Warehouse centralizzato. Una volta che questa infrastruttura sarà stata implementata sarà necessario un training efficiente orientato alla comprensione comune sia da parte degli sviluppatori che da parte degli utilizzatori del processo e del suo sistema. I dipendenti dovrebbero essere istruiti per comprendere l’intero processo, il ruolo che ciascuno riveste all’interno di esso e l’importanza della precisione delle previsioni. Devono essere in grado di utilizzare il sistema efficacemente ed efficientemente. Eliminate le isole di analisi, le prestazioni previsionali risulteranno notevolmente migliorate, sarà presente un notevole risparmio sui costi e le previsioni saranno più precise, più credibili e capaci di soddisfare le esigenze di diverse aree funzionali.

Capitolo 4 – Il sistema informativo a supporto del processo previsionale

32

4.2 MIGLIORARE IL SISTEMA INFORMATIVO Ancora una volta mi avvalgo della ricerca effettuata da Mentzer, Bienstock e Kahn (1999). Le compagnie che si trovano ad uno stadio di minor sofisticazione del processo previsionale, utilizzano una serie di sistemi informativi non interconnessi (le famose isole di analisi viste nel paragrafo precedente). Come risultato, le informazioni vengono trasferite da un’area funzionale all’altra tramite record stampati. I dati devono essere digitati manualmente nel sistema informativo della funzione ricevente. Questo tipo di ripetizione inibisce la produttività e causa notevoli errori di immissione dei dati. Poche persone al di fuori dei responsabili comprendono il funzionamento dei sistemi, e non vengono catturate o riportate metriche di misurazione delle prestazioni previsionali. Nel secondo stadio, le aziende hanno collegamenti elettronici tra le aree funzionali che generano e utilizzano le previsioni, eliminando in questo modo il bisogno di trasferimento manuale delle informazioni. Sono disponibili dei reports su schermo della misura delle prestazioni, così come report cartacei stampati periodicamente. Tuttavia essi sono molto lunghi e contengono molte informazioni inutili. Nello stadio successivo, le aziende si sono mosse verso un’architettura client-server con interfacce utente molto migliorate. Questo permette di inserire facilmente e comunicare a tutte le aree funzionali modifiche e input soggettivi alla previsione, aumentato dalla proprietà comune di tutte le informazioni o data warehouse. I reports possono essere personalizzati e disponibili su richiesta sia su schermo che su carta. Infine, nell’ultimo stadio, le aziende hanno aperto i propri sistemi ai clienti e fornitori chiave, in modo da poter utilizzare i collegamenti EDI per permettere di gestire le scorte in base alla domanda prevista dai POS. I questo stadio, un’azienda può raggiungere considerevoli riduzioni in termini di scorte lungo tutta la supply chain23.

Per migliorare l’efficienza delle previsioni nella dimensione del sistema informativo, le aziende dovrebbero… • Eliminare le “isole di analisi” spostandosi verso un’architettura

client-server che permetta a tutte le aree funzionali coinvolte o concernenti le previsioni di avere un input nel processo.

• Sviluppare una proprietà comune dei database o dei sistemi informativi.

• Fornire la capacità di ottenere reports su schermo o cartacei personalizzati su richiesta.

• Avvolgere i clienti chiave e i fornitori nel sistema informativo previsionale per permettere una gestione delle scorte basata sulla previsione ai POS.

Tabella 4-1: Passi per migliorare il sistema a supporto del processo previsionale 4.3 LO STATO DELL’ARTE DEI SISTEMI INFORMATIVI

4.3.1 Concetti fondamentali

I sistemi informativi attuali, grazie alle costanti innovazioni tecnologiche, permettono funzioni e raggiungimento di obiettivi (a costi ragionevoli) che erano impensabili una ventina di anni fa. Una descrizione accurata delle caratteristiche di un sistema informativo aziendale esula dallo scopo di questo lavoro, perciò mi limiterò ad elencare una serie di funzionalità fondamentali che ogni sistema informativo deve garantire:

Integrazione tra le funzioni aziendali (forte integrazione tra pianificazione e produzione); Interfaccia a finestre semplice da utilizzare; Reportistica semplice; Sicurezza;

23 Per maggiori dettagli vedere appendice A.2 “Dimensione del sistema a supporto del processo”.


33

Caratteristiche internazionali; Un unico enterprise-wide database; Possibilità di accesso al database da ogni punto all’interno e all’esterno dell’azienda (con

regole di sicurezza). Questo è ottenibile grazie ad un’architettura di tipo client-server. Ogni sistema informativo è composto da diversi moduli, ciascuno preposto allo svolgimento di una determinata funzione. Il modulo base di ogni sistema informativo è composto dal sistema ERP (Enterprise Resource Planning), termine coniato agli inizi degli anni ’90, quando l’ MRP II si è esteso anche verso la progettazione, la finanza, le risorse umane e il project management.24 Al di sopra di questo modulo possono collocarsi diverse estensioni per aumentare le funzionalità del sistema stesso. Tutte questi moduli aggiuntivi saranno fortemente integrati tra loro e condivideranno dati e informazioni. Le più importanti estensioni riguardano la gestione delle relazioni con i clienti (CRM: Customer Relatinship Management), la gestione del ciclo di vita del prodotto (PLM: Product Lifecycle Management), la gestione della Supply Chain (SCM: Supply Chain Management), la gestione delle relazioni con i fornitori (SRM: Supplier Relationship Management), la gestione delle risorse umane (HR: Human Resources). La figura sottostante illustra i vari moduli proposti da SAP.

Figura 4–1: I vari moduli di un sistema informativo

4.3.2 Il ruolo del Data WareHouse

Un ruolo fondamentale all’interno di un sistema informativo è rivestito dal patrimonio di dati di un’azienda, ma, ancor più dei semplici dati, risulta importante la capacità di gestirli per generare informazioni. Per questo motivo, il database ha perso il ruolo centrale nei sistemi informativi a discapito di una nuova struttura: il Data Warehouse. Il Data Warehouse è un sistema dove il dato si trasforma in informazione:

Orientata al soggetto ; Integrata ;

24 Evoluzione storica dei sistemi informativi: 1960: L’unica funzionalità era la gestione delle scorte; 1970: Nasce l’MRP (Material Requirement planning); 1980: Nasce l’MRP II (Manufacturing Resource Planning): estensione dell’MRP al shop floor control e distribution management activities; 1990: Ulteriore estensione dell’MRP II verso la progettazione, la finanza, le risorse umane e il project management. Viene coniato il termine ERP (Enterprise Resource Planning); Oggi e futuro: ERP II: Estensione al commercio collaborativo.


34

Non volatile ; Dipendente dal tempo. (W.H. Inmon)

Il DWH è costituito da un insieme di strutture dati specializzate all’aggregazione e alla storicizzazione delle informazioni; esso è in grado oggi di fornire una serie di strumenti completi e versatili per l’analisi delle informazioni, mentre le vecchie tecnologie si limitavano a raccogliere dati senza analizzarli. Lo scopo del Data Warehouse è “catturare” il maggior numero di informazioni nel modo più veloce possibile e con la minore percentuale di errore. Il Data Warehouse deve essere orientato al soggetto, ovvero pensato e progettato in funzione del business proprio dell’Azienda, o dell’area in cui opera il manager committente. La più importante delle caratteristiche di un DWH è l'integrazione. Essa nasce dalla necessità di dare coerenza ai dati provenienti da diverse applicazioni progettate per scopi diversi.

Figura 4–2: Fasi di costruzione di un Data WareHouse

Dato che i manager per poter prendere le loro decisioni necessitano di fonti di dati acquisiti all’interno o all’esterno dell'azienda, il problema da affrontare è quello di rendere questi dati accessibili ed omogenei in un unico ambiente. Occorre tener presente che questo aspetto può generare delle difficoltà nella fase di loading dei dati nel DWH (Vedere figura 4-2). Per quelli ad esempio che risultino essere stati memorizzati in diversi formati, bisognerà prevedere elaborazioni di trasformazione in un unico formato. Ovviamente, le parti di codice sviluppate per questa fase, saranno diverse per ciascuna sorgente. La caratteristica della non-volatilità dei dati contenuti nel DWH deriva dal fatto che essi non devono essere modificati (i dati vengono aggiornati continuamente nei sistemi applicativi di base), in modo da garantire la memorizzazione di fotografie successive della realtà raccolte a cadenza prefissata (snapshot); di conseguenza, le modifiche che sul sistema operazionale andrebbero perse se non storicizzate vengono memorizzate in maniera permanente sul Data Warehouse. L'ultima caratteristica di un Data Warehouse è la dipendenza dal tempo. L'orizzonte temporale dei dati “in linea” o analizzabili di un Data Warehouse è estremamente superiore ai sistemi di base (DBMS). In figura 4-2, come ultima fase del processo di creazione dei Data Warehouse, sono presenti i Data Mart. Essi costituiscono dei DWH dipartimentali che hanno lo scopo di profilarsi come DWH specifici per il settore aziendale per il quale sono stati creati. Per Data Mart si intende una sottoparte del DWH contenente informazioni rilevanti per un particolare problema di business.

Sistemi alimentanti

SAP OPSC OSS

DPPS DGST SID CPC

Datamarts DatawarehouseDi 1° livello

OperationalData Store

Staging Area

Controllo Qualità dati formale e relativi ai singoli sistemi

Controllo Qualità dati di integrità e interazionetra i sistemi

Aggregazione e storicizzazione dei dati; trasformazioni secondo regole di business


35

Figura 4–3: Scomposizione del Data WareHouse in Data Mart utilizzati da diverse divisioni

(dimensioni)

4.3.3 Cos'è la Business Intelligence

E' un termine coniato agli inizi degli anni '90 (esattamente nell'89 da Howard Dresner analista di Gartner Group), per l'insieme dei concetti, delle metodologie e la capacità dell'impresa di accedere, esplorare ed analizzare le informazioni aziendali. Fare business intelligence in azienda vuol dire cercare, trovare, organizzare, interpretare informazioni che consentono di sfruttare, anticipare, controllare processi e fenomeni di mercato o interni all'azienda stessa, con l'obiettivo di accrescere il proprio valore e porsi in posizione di vantaggio nei confronti della concorrenza. In questo contesto, se da un lato si cerca ancora di fare le cose con il minimo costo compatibile con la qualità richiesta, dall'altro si utilizza uno strumento essenziale per offrire un migliore servizio alla clientela e promuovere la crescita aziendale. Per questo motivo, molti strumenti (compresi quelli per la previsione della domanda) facenti parte di un sistema informativo, vengono definiti strumenti di Business Intelligence,

4.4 CASO DI STUDIO: mySAP SCM 4.0 Dopo la doveroso premessa riguardante i punti fondamentali dei sistemi informativi attuali, passiamo ad analizzare gli strumenti che possono essere utilizzati nella previsione della domanda. A questo proposito si illustrerà la soluzione proposta da SAP s.p.a.: mySAP SCM 4.0. I metodi e i processi di pianificazione della supply chain comprendono diverse fasi (vedere figura 4-4):

Pianificazione della domanda; Pianificazione della fornitura; Pianificazione della distribuzione.

L’analisi sarà rivolta alla fase di pianificazione della domanda, che costituisce un insieme più ampio rispetto alla semplice previsione statistica. Infatti, come si può notare dalla figura 4-4, la pianificazione della fornitura fornisce anche, attraverso i limiti dettati dalla supply chain, un feedback alla pianificazione della domanda. In questa fase confluiscono l’azione di analisi dei dati, la previsione statistica, l’analisi del ciclo di vita del prodotto, l’analisi delle iniziative promozionali e il giudizio di esperti.


36

Figura 4–4: Metodi e processi della pianificazione della supply chain

LA PIANIFICAZIONE DELLA DOMANDA Nella fase di pianificazione della domanda, i dati storici vengono prelevati, preparati ed analizzati. La previsione sarà generata attraverso l’utilizzo di più tecniche statistiche ed integrata con l’analisi del ciclo di vita del prodotto e delle iniziative promozionali programmate. Infine, questa previsione sarà trasferita ai moduli del sistema che ne hanno bisogno. La figura 4-5 illustra l’intero processo che verrà approfondito nei paragrafi successivi.

Figura 4–5: Il processo di pianificazione della domanda


37

4.4.1 Preparazione dei dati In questa fase, i dati vengono trasferiti dall’archivio storico degli ordini, provenienti dal sistema ERP, da sistemi di gestione delle relazioni con il cliente, o da altri sistemi. Tutti questi dati, opportunamente controllati, corretti e aggregati (vedere il processo di creazione del Data WareHouse figura 4-2) vengono trasferiti in un Data Mart. Quindi i dati possono essere prelevati direttamente dal Data Mart, o trasferiti ad un sistema di elaborazione (chiamato Advanced Planner & Optimizer), che si occupa della pianificazione in tutti i settori di business. Il raggruppamento dei prodotti, può essere generato automaticamente partendo dai dati storici, oppure può essere generato manualmente.

Figura 4–6: Preparazione dei dati

4.4.2 Analisi dei dati In questa fase, i dati vengono analizzati e si cerca di identificarne le caratteristiche fondamentali come ad esempio la regolarità dell’andamento. Inoltre si analizzano e si adattano le irregolarità dovute a campagne promozionali o a stagionalità.

Figura 4–7: Analisi e adattamento dei dati


38

4.4.3 Metodi statistici di previsione Vengono utilizzati numerosi metodi statistici, sia metodi quantitativi che metodi causali. Come si può vedere sono presenti tutte le tecniche presentate nel capitolo 2 e molte altre più sofisticate. Un aspetto molto importante è quello di poter creare una previsione composta, cioè basata su diversi metodi previsionali. Il peso attribuito a ciascun metodo può essere costante nel tempo oppure può essere variato dinamicamente.

4.4.4 Analisi del ciclo di vita del prodotto La previsione della domanda di un nuovo prodotto non può essere fatta partendo dai dati storici, per questo motivo sarà necessari ricorrere ad un’analisi comparativa della domanda di prodotti simili per poter estrapolare una previsione.25

Figura 4–8: Previsione della domanda di nuovi prodotti

25 La questione della previsione della domanda di un nuovo prodotto è una questione molto discussa in letteratura. Per un approfondimento vedere: Kenneth B. Kahn, “An exploratory Investigation of new product forecasting practices”, The Journal of Product Innovation Management, vol. 19 (2002), pagg. 133-143.


39

4.4.5 Pianificazione delle promozioni A questo punto è possibile inserire nella previsione l’effetto delle campagne promozionali pianificate. Le campagne promozionali possono essere importate direttamente dal modulo del sistema informativo che si occupa della pianificazione delle iniziative di marketing.

Figura 4–9: Integrazione degli effetti di una promozione sulla previsione della domanda

E’ possibile osservare come si è comportata la domanda nel passato in seguito ad un’iniziativa promozionale, confrontarlo con la previsione passata non tenente conto della promozione, e trovare lo scostamento tra le due. A questo punto si ha la possibilità di proiettare questa differenza anche nelle previsioni future. E’ possibile valutare le promozioni multi-livello, le possibilità di collaborazione e la cannibalizzazione, ovvero l’impatto che una promozione di un prodotto avrebbe sulla domanda di prodotti simili ( figura 4-10).

Figura 4–10: Effetto della cannibalizzazione sulla previsione della domanda


40

4.4.6 Pianificazione interattiva e collaborativa Dopo aver elaborato delle previsioni è possibile visualizzarle in un’interfaccia interattiva che permette una libera definizione della visualizzazione dei dati, la creazione di gruppi di dati e l’utilizzo di particolari specifiche, una pianificazione multi-livello con una completa visibilità (possibilità disaggregare o di andare in dettaglio). Inoltre è possibile visualizzare i dati su diversi orizzonti temporali, aggiungere del testo in ogni cella, copiare e incollare appunti (da e verso Microsoft Excel), la possibilità di manipolare i grafici. Grazie a queste caratteristiche risulterà molto più semplice gestire, analizzare e visualizzare le previsioni. Un esempio di schermata della pianificazione interattiva è riportata nella figura sottostante.

Figura 4–11: Interactive planning screen

Un’altra funzionalità importantissima, riguarda la possibilità di formulare previsioni in maniera collaborativa; attraverso l’utilizzo di internet infatti, è possibile comunicare con i propri partner per giungere a previsioni consensus based.


41

Figura 4–12: Collaborative planning screen

4.4.7 Simulazione e Trasferimento dati

Attraverso la simulazione è possibile modificare i dati pianificati attraverso diversi contesti di pianificazione, molte previsioni possono essere ricavate interattivamente, le statistiche sono impostate per scegliere automaticamente la soluzione migliore che può essere registrata per utilizzi futuri. Una volta che la pianificazione della domanda è stata effettuata, il risultato può essere trasmesso ai sistemi che ne fanno utilizzo, ad esempio all’ERP per elaborare un MRP. Inoltre il piano può essere convertito in ordini che verranno utilizzati dal supply planning o dal production planning e detailed scheduling. Inoltre possono essere estratti dati dal Data WareHouse per elaborare report, archiviarli o integrarli in altre applicazioni 4.5 CONSIDERAZIONI FINALI SUL SISTEMA INFORMATIVO

Come visto, i sistemi informativi disponibili oggi sul mercato offrono molte funzionalità interessanti che possono supportare il processo di previsione della domanda. Essi, in conformità a quanto esposto nei capitoli precedenti, non offrono un semplice tool di tecniche statistiche, ma strumenti per la gestione dell’intero processo. Sottolineando l’integrazione tra le varie funzioni aziendali e aprendosi anche all’esterno dell’azienda per la collaborazione con i partner, ben si adattano alla moderna concezione di gestione per processi. Grazie quindi alla tecnologia, fattore abilitante per la costruzione di sistemi del genere a costi accessibili, è possibile esercitare un costante controllo e gestire l’intero processo. Bisogna però rimarcare che questi sistemi non si sostituiscono alla direzione ed al controllo da parte dei manager; infatti per poter essere utilizzati al meglio, questi sistemi richiedono una formazione del personale coinvolto, rivolta, non solo all’apprendimento dell’utilizzo del software, bensì anche alla comprensione del contesto aziendale. Se non si farà in modo che ogni utente conosca il processo nella sua interezza, questo non riuscirà mai ad avere una buona confidenza e capacità di utilizzo del software che, per come è stato concepito, abbraccia il processo nella sua globalità. Si rischierà per tanto di cadere in un approccio di tipo “black boxes” (vedere paragrafo 2.3), in cui alcuni numeri generati dal sistema sono accettatati senza comprenderne il significato.


43

CAPITOLO 5 ANALISI E VALUTAZIONI

Fino ad ora sono state fornite delle indicazioni sui principali errori commessi dalle aziende e sulle soluzioni che garantiscono un miglior livello previsionale. In questo capitolo si vogliono fornire le linee guida per lo sviluppo di un processo attraverso il quale le aziende possano valutare i propri processi previsionali e poter migliorare le proprie performance in questo ambito. 5.1 CONDURRE UN “SALES FORECASTING AUDIT”26

Un audit è stato definito come “una valutazione formale delle performance rispetto a predeterminati standard e l’utilizzo di questa valutazione per migliorare le performance”. Nonostante l’auditing sia tipicamente visto in relazione alla preparazione di rendiconti finanziari, esso è utilizzato da altre aree del business per giungere ad una valutazione imparziale delle performance attuali ed identificare le aree che necessitano di miglioramenti. Una delle caratteristiche enfatizzata da tutti gli esperti per ottenere un audit proficuo è l’imparzialità di coloro che compiono l’indagine. I ricercatori infatti incoraggiano il reclutamento di esperti esterni all’azienda sia per raccogliere che per analizzare i dati. Ci sono tre buoni motivi che giustificano questa idea. Per prima cosa, gli esperti esterni portano con loro la conoscenza di standard con i quali comparare l’attuale gestione. Infatti, non solo hanno una buona conoscenza ottenuta attraverso un vasto range di organizzazioni, ma conoscono anche le condizioni dei concorrenti. In secondo luogo, individui esterni non hanno incentivi a sovrastimare quelle aree che potrebbero mettere in imbarazzo l’attuale dirigenza. Infine, la raccolta dei dati, soprattutto quando essa comprende interviste a individui coinvolti nell’attuale processo di gestione, risulta aver maggior successo quando gli intervistatori provengono dall’esterno dell’azienda. Le persone coinvolte tendono infatti ad essere più liberi di condividere la loro esperienza con esperti esterni imparziali.

5.1.1 Definizione degli standard Come visto dalla definizione di audit, prima di comprendere se il processo previsionale all’interno dell’azienda sia buono o meno, i managers devono avere degli standard con i quali comparare i processi interni. Questi standard sono stati esposti nei capitoli precedenti, avvalendosi della ricerche di Mentzer e altri27. In particolare è stata sottolineata l’importanza di quattro dimensioni per valutare la gestione dell’intero processo di previsione:

1. Integrazione funzionale, 2. Approccio; 3. Sistema a supporto del processo; 4. Misurazione delle prestazioni.

Un’azienda può trovarsi in uno stadio più o meno avanzato in ognuna di queste dimensioni; quindi un manager, per riuscire a valutare la validità del processo previsionale della propria azienda, dovrà riuscire ad inserirla in uno stadio di ognuna di queste dimensioni. Perciò, una volta definiti gli standard, lo scopo dell’audit è quello di determinare lo stato delle aziende controllate (“as-is” status), l’obiettivo da raggiungere (“should-be status”), e il modo in cui raggiungerlo (“way forward”). 26 Mark A. Moon, John T. Mentzer, Carlo D. Smith, “Conducting a sales forecasting audit”, International Journal of Forecasting, vol. 19 (2003), pagg. 5-25. 27 Per la definizione di altri standard basati su ricerche di altri autori, vedere l’appendice A.1.

Capitolo 5 – Analisi e valutazioni

44

5.1.2 The “as-is” status Il primo passo per il team di ricerca è comprendere a pieno lo stato delle abitudini previsionali dell’azienda. Ogni membro del team di audit deve analizzare i dati con due obiettivi principali. Il primo è quello di determinare la posizione dell’azienda in ognuna delle quattro dimensioni della gestione delle previsioni. Inizialmente ogni membro del team di indagine dovrebbe lavorare indipendentemente per poi incontrarsi con gli altri esaminatori e confrontare i risultati delle proprie analisi. Nel caso in cui sorgessero dei disaccordi, gli analisti esporranno le loro ragioni per aver fatto delle determinate scelte, e la documentazione sui dati raccolti verrà rianalizzata per trovare un accordo. Il prodotto finale di questo processo saranno dei documenti in cui verranno evidenziate le caratteristiche dell’azienda valutata in tutte le dimensioni della gestione delle previsioni. Il secondo obiettivo dell’analisi dei dati raccolti con le interviste è quello di identificare i “temi strategici” che emergono dai dati. Questi temi strategici sono conclusioni che coinvolgono tutte le dimensioni: essi sono così pervasivi o causano dei problemi di così vasto raggio da richiedere un’attenzione ed una discussione particolare.

5.1.3 The “should-be” state Una volta compreso lo stato corrente della gestione della previsione delle vendite, i managers non possono muoversi verso l’eccellenza senza una guida della direzione da prendere. Per questo motivo è importante fornire una chiara fotografia di come dovrebbe essere la gestione delle previsioni (the should-be state). Lo “should-be” state può essere ricavato in due modi differenti. Il primo consiste nel considerare un obiettivo a cui i manager possano ambire - ad esempio il raggiungimento del quarto (ed ultimo) stadio in ogni dimensione porta l’azienda all’eccellenza nel campo delle previsioni. Finora nessuna azienda esaminata è risultata essere nell’ultimo stadio in tutte le dimensioni. Per questo l’ultimo stadio deve essere considerato un obiettivo di lungo termine per i manager. Tuttavia se un’azienda risulta essere in uno stadio ancora lontano dal quarto, sarebbe meglio porsi degli obiettivi intermedi, come il raggiungimento dello stadio successivo. Il secondo metodo per ricavare il “should-be” state è più dettagliato e tattico. Se si da uno sguardo accurato alle tabelle fornite dal lavoro di Mentzer e altri (vedere appendice A.2), si può identificare una naturale progressione tra i punti in ogni singolo stage muovendosi dallo stadio uno (quello con minor livello di sofisticazione) verso lo stadio quattro (quello con alto livello di eccellenza previsionale). Per esempio, per quanto riguarda la dimensione dell’integrazione funzionale, il primo punto nel primo stadio descrive uno stato in cui esiste la massima sconnessione tra le funzioni di marketing, finanza, vendite, produzione, logistica e previsioni. Per un’azienda che riscontra essere in questo stato, l’immediato “should-be” state è rappresentato dal primo punto del secondo stadio (coordinazione (incontri formali) tra marketing, finanza, vendite, produzione, logistica e previsioni). In questo modo più dettagliato, le aziende possono identificare il proprio “should-be” state per ogni dimensione del processo di previsione.

5.1.4 The “way-forward” Il punto finale del processo di audit consiste nello stilare un metodo da seguire (costituito da consigli pratici) per giungere allo stato “should-be”. Anche se i consigli sono unici per ogni azienda, basati sullo stato corrente delle loro abitudini previsionali, questi consigli sono generalmente raggruppabili in quattro categorie. Due di queste categorie, il sistema a supporto del processo e la misurazione delle prestazioni, incontrano direttamente le due dimensioni viste in precedenza. Le altre due categorie, il processo e la formazione, sono preposte al miglioramento sia della dimensione dell’integrazione funzionale, sia di quella dell’approccio. Le direttive riguardo al processo riguardano il modo in cui le previsioni vengono generate e utilizzate. Per un’azienda, per esempio, che sia al primo stadio nella dimensione dell’integrazione funzionale, le direttive riguardanti il processo includono l’istituzione di un processo consensuale di previsione, dove diverse persone provenienti da differenti parti dell’azienda lavorano insieme in uno spirito di condivisione di informazioni per generare una previsione consensuale. Oppure, per un’azienda che si trovi nel primo stadio nella dimensione dell’approccio, dove vengono utilizzati non efficientemente


45

strumenti statistici per scoprire l’andamento dei dati storici della domanda, le direttive riguarderanno l’implementazione di un processo dove le previsioni di base vengono generate statisticamente e sono poi distribuite ad esperti, come ad esempio addetti alle vendite o al marketing, per i relativi aggiustamenti. Le direttive riguardo alla formazione si riferiscono invece a quelle specifiche situazioni in cui il personale dell’azienda coinvolto nelle previsioni abbia delle competenze o delle conoscenze inadeguate per conseguire il proprio obiettivo. Per esempio, la forza vendita si trova spesso nelle condizioni di fornire informazioni per generare le previsioni, ma raramente gli addetti alle vendite ricevono una formazione su il perché le previsioni siano importanti (integrazione funzionale), o su come effettuare aggiustamenti di natura qualitativa alle previsioni di base (approccio). In molte aziende è stata inoltre riscontrata l’incapacità di utilizzare strumenti statistici per generare le previsioni di base. Le direttive riguardo al sistema riguardano il modo di migliorare i sistemi informatici e di comunicazione per sviluppare e comunicare le informazioni riguardo alle previsioni in maniera più efficiente. Per esempio, in un’azienda in cui l’audit abbia riscontrato l’assenza di integrazione tra il sistema a supporto del processo previsionale e gli altri sistemi, come ad esempio il modulo finanziari o MRP, in cui il trasferimento dei dati avvenga ancora manualmente, le direttive suggeriranno la creazione di link elettronici per il trasferimento dei dati e specifiche procedure per eliminare le isole di analisi. Infine, per quanto riguarda le direttive riguardo alla misurazione delle prestazioni,esse si riferiscono alle metriche da adottare per misurare adeguatamente le performance previsionali. Per esempio, in alcune aziende in cui si è richiesto agli addetti alle vendite di effettuare degli aggiustamenti qualitativi alle previsioni di base, non è stato fornito nessun feedback alla forza vendita sulla precisione di questi aggiustamenti. Questo suggerisce l’implementazione di sistemi di misurazione e di feedback. Oppure in alcune aziende sono stati implementati sistemi di misurazione, ma l’unica metrica utilizzata è risultata essere la precisione. A queste aziende è raccomandato l’utilizzo di nuove metriche che tengano conto anche dei costi totali lungo la supply chain e del livello di customer service. 5.2 CONCLUSIONI

Data la vastità dell’argomento trattato (al quale sono dedicati interi libri e riviste periodiche) non è stato possibile trattare tutti gli aspetti ad esso correlati. Basti pensare che, solo per quanto riguarda le tecniche statistiche, sono stati sviluppati decine di nuovi metodi più o meno efficaci basati addirittura su logica fuzzy28 o tecniche neurali29. Tuttavia, anche se le tecniche esposte nel primo capitolo risultano molto semplici, esse forniscono una buona base per coloro che si avvicinano al mondo della previsione. Come accennato più volte, il compito di applicare queste tecniche non è più affidato ad operatori umani, tuttavia è indispensabile conoscerne, almeno per linee generali, il funzionamento per poter utilizzare al meglio i sistemi che le implementano. Per quanto riguarda i capitoli successivi, sono stati trattati gli aspetti relativi all’intero processo, andando oltre l’approccio tradizionale dei libri di operations management, per lo più avvalendosi di indagini e studi di numerosi ricercatori. Si è pertanto cercato di estrapolare il filo conduttore che lega le più recenti ricerche sul campo e proporre gli errori che più frequentemente le aziende commettono nell’ambito delle previsioni. Da tutto il lavoro emergono diverse conclusioni riguardo all’importante mondo del forecasting. La più rilevante riguarda la necessità di considerare la previsione della domanda come un processo e non come un insieme di tecniche. Da questo concetto si sviluppa tutto il lavoro, abbracciando aspetti riguardanti l’organizzazione aziendale, la misurazione delle prestazioni e il sistema informativo. E’ necessario un alto livello di coordinazione per la gestione della domanda dal momento che questa può essere determinata da diverse fonti e funzioni aziendali. Per esempio, le parti di ricambio di prodotti venduti in precedenza possono venire richieste dalla funzione di product service; i nuovi prodotti sono venduti dalla funzione vendite; i prodotti standard possono essere riimmagazzinati dalla funzione di gestione dei magazzini; e le scorte in lavorazione e sottoassemblati sono movimentati dalla funzione produzione. La sfida del demand management è quella di raccogliere tutte queste

28 La fuzzy set theory (teoria degli insiemi sfumati) è stata introdotta da Lofti A. Zadeh nel 1965, e può essere definita come un “mezzo a volte conveniente per mappare uno spazio d’ingresso in uno d’uscita”. 29 Molte ricerche tuttavia hanno dimostrato che l’utilizzo di tecniche più sofisticate non comporta un sostanziale incremento della precisione rispetto a tecniche più semplici.

Capitolo 5 – Analisi e valutazioni

46

domande per far sì che il sistema produttivo lavori efficientemente e i beni e servizi siano dispensati in tempo. Un ulteriore aspetto sistemico della previsione logistica è la regolazione delle differenze tra i dati forniti dalle unità che si occupano rispettivamente delle vendite, del marketing, della produzione e della logistica, dato che in molte aziende ogni unità organizzativa elabora in realtà previsioni proprie. Anche se le aree operative specifiche di un'azienda hanno obiettivi ed esigenze diversi, non esiste alcuna giustificazione per l'esistenza di differenze significative a livello delle previsioni. La soluzione è il coordinamento delle previsioni elaborate dalle diverse unità operative per ricavarne un solo obiettivo unificato. L'uso di una sola previsione per tutte le unità consente a ognuna di raggiungere il proprio obiettivo senza andare contro gli interessi dell'azienda nel suo complesso. Un sistema previsionale efficace deve comprendere i mezzi per rispettare le esigenze specifiche e una previsione unificata. Ogni membro coinvolto nelle previsioni, deve essere al corrente dei diversi strumenti a sua disposizione ed utilizzarli nelle condizioni in cui essi lavorano al meglio. Ad esempio deve essere a conoscenza che i metodi basati sulle serie temporali operano al meglio con una domanda stabile, mentre potrebbero essere necessari aggiustamenti di natura qualitativa per prevedere effetti di promozioni o di eventi eccezionali. Un ulteriore aspetto trattato riguarda la misurazione delle prestazioni nel processo previsionale. E’ stata evidenziata non solo l’importanza della precisione ma anche la netta distinzione che deve esistere tra previsione e strumenti motivazionali. Succede infatti che i premi concessi ai venditori siano di solito basati sul raggiungimento di un certo obiettivo e le previsioni di vendita vengano spesso utilizzate come strumento per la gestione dei venditori. Se a volte le previsioni di vendita risultano in eccesso, dovendo rappresentare anche gli obiettivi di vendita, vengono normalmente contenute per assicurare obiettivi raggiungibili. Per quanto riguarda la produzione, invece, le previsioni vengono spesso "gonfiate" per evitare possibili rotture di stock. Può capitare ancora che i responsabili della produzione, convinti che le previsioni di vendita siano troppo ottimistiche, decidano di ridurre quella che è già una previsione in difetto. In questo caso, verrà prodotta una quantità ancor più limitata rispetto a quanto previsto, con la conseguenza di una perdita significativa di vendite. Infine, dato che l'unità che si occupa della logistica deve fare da cuscinetto tra le vendite e la produzione, le previsioni logistiche sono normalmente a metà strada tra i due estremi. Per quanto riguarda il sistema informativo, esso deve essere concepito per adattarsi all’intero processo: deve fornire informazioni e strumenti accessibili a tutte le persone coinvolte. Tramite report tempestivi, deve segnalare costantemente il livello di precisione delle previsioni e fornire feedback ai responsabili degli aggiustamenti qualitativi: deve cioè essere un valido supporto all’attività decisionale. Inoltre, il sistema dedicato alle previsioni deve integrarsi perfettamente con gli altri moduli, scambiando con essi dati e risultati. Tutte queste caratteristiche sono presenti nelle soluzioni attuali ed in particolare in mySAP SCM 4.0, analizzata nel lavoro. Concludendo, per un’azienda interessata a migliorare il proprio processo previsionale è indispensabile l’integrazione funzionale (comunicazione, collaborazione e coordinazione) tra marketing, finanza, vendite, produzione, logistica e previsioni. Quest’ultime devono costituire un’area funzionale separata ed indipendente in grado di riconoscere e soddisfare le esigenze previsionali di tutte le altre aree mediante l’elaborazione –derivata dalla collaborazione di tutti– di una previsione che sia allo stesso tempo unica e fornita al livello di dettaglio e nell’unità di misura più consona a ciascuna funzione. Il processo consensuale riconosce il feedback come strumento fondamentale per il miglioramento delle previsioni, coinvolgendo le diverse funzioni per analizzare fattori come i limiti di capacità produttiva, le campagne promozionali e la pubblicità che possono condizionare pesantemente la domanda. Una valutazione delle prestazioni multidimensionale –che cioè non prenda in considerazione esclusivamente la precisione– deve essere estesa a tutte le persone coinvolte nel processo, e deve di conseguenza essere istituita un’adeguata politica di premi e ricompense. Il tutto, naturalmente, deve essere supportato da un appropriato sistema informativo.


47

APPENDICE A

A.1 ECCELLENZA PREVISIONALE Qui di seguito vengono proposti le dimensioni che rappresentano gli standard per l’eccellenza nel campo previsionale secondo alcuni autori.

Nel lavoro si sono utilizzate soprattutto le definizioni di Mentzer ed altri.

Appendice A

48

A.2 LE QUATTRO DIMENSIONI DELL’ECCELLENZA Mentzer, Bienstock e Kahn (1999) in un loro studio hanno selezionato 20 aziende con un passato di leader sia per quote di mercato che per fatturato. Per generalizzare l’analisi sono state scelte aziende con diverse posizioni all’interno della supply chain e con differenti gradi di successo nel campo delle previsioni30. Un’analisi dettagliata di queste 20 compagnie ha portato alla conclusione che la gestione del processo previsionale può essere diviso in quattro dimensioni: integrazione funzionale, approccio, misurazione delle prestazioni e sistema a supporto del processo. Per ogni dimensione sono stati determinati quattro stadi di efficienza. Qui di seguito verranno riportate le caratteristiche di un’azienda che si collochi in una stadio di efficienza per ogni dimensione.

A.2.1 Dimensione dell’integrazione funzionale Stage 1

• Major disconnects between marketing, finance, sales, production, logistics, and forecasting • Each area has its own forecasting effort • Little accountability between areas for forecast accuracy

Stage 2

• Coordination (formal meetings) between marketing, finance, sales, production, logistics and forecasting

• Forecasting located in a certain area – typically operations oriented (located in logistics or production) or marketing oriented (located in marketing or sales) – which dictates forecasts to other areas

• Planned consensus meetings, but with meetings dominated by operations, finance, or marketing, i.e. no real consensus

• Performance rewards for forecasting personnel only, based on performance contribution to the department in which forecasting is hosed

Stage 3

• Communication and coordination between marketing, finance, sales, production, logistic and forecasting

• Existence of forecasting champion • Recognition that marketing is a capacity unconstrained forecast and operations is a capacity

constrained forecast • Consensus and negotiation process to reconcile marketing and operations forecasts • Performance rewards for improved forecasting accuracy for all personnel involved in the

consensus process Stage 4

• Functional integration (collaboration, communication, and coordination) between marketing, finance, sales, production, logistics and forecasting

• Existence of forecasting as a separate functional area • Needs of all area recognized and met by reconciled marketing and operations forecasts

Finance = annual dollar forecasts; Sales = quarterly dollar sales territory based forecasts; Marketing = annual dollar product based forecasts; Production = production cycle unit SKU forecasts; Logistics = order cycle unit SKUL forecasts.

• Consensus process recognizes feedback loops (i.e. constrained capacity information is provided to sales, marketing and advertising; sales, promotions, and advertising can drive demand, etc.)

• Multidimensional performance rewards for all personnel involved in the consensus process 30 Le aziende esaminate sono: Anheuser-Busch, Necton-Dickinson, Coca-Cola, Colgate Palmolive, Federal Express, Kimberly Clark, Lykes Pasco, Nabisco, JcPenney, Pillsbury, ProSource, Reckitt Colman, Red Lobster, RJR Tabacco, Sandoz, Shering Plough, Sysco, Tropicana, Warner Lambert, and Westwood Squibb.


49

A.2.2 Dimensione dell’approccio Stage 1

• Plan driven, top-down forecasting approach (Failure to recognize the interaction between forecasting, marketing, and the business plan)

• Forecast shipments only • Treat all forecasted products the same (system wide) • Naive and/or simple statistical approach to forecasting, often with little understanding of the

technique used or the environment (“black Box Forecasting”) • Fail to see the role of forecasting in developing the business plan (forecasting viewed solely as a

tactical function) • No training of forecasting personnel in techniques or understanding of the business

environment – no documentation of the forecasting process Stage 2

• Bottom-up, SKUL based forecasting approach • Forecast self-reported demand (demand recognized by the organization) or adjusted demand

(invoice keyed demand) • Recognize that marketing/promotion efforts and seasonality can drive demand • Recognize the relationship between forecasting and the business plan, but the plan still takes

precedence over the forecasts • Limited training in statistics, with no training in understanding the business environment –

limited documentation of the forecasting process Stage 3

• Both top-down and bottom-up forecasting approach • Forecast POS demand and back this information up the supply chain and/or utilize key customer

demand information (“uncommitted commitments”) • Use ABC analysis or some other categorization for forecasting accuracy importance • Identification of categories of products that do not need to be forecast (i.e. two-bin items,

dependent demand items, make to order items) • Use of regression-based models for higher level (corporate to product line) forecasts and time

series models for operational (product to SKUL) forecasts • Recognize the importance of subjective input from marketing, sales, and operations to the

forecast • Forecasting drives the business plan • Training in quantitative analysis/statistics and an understanding of the business environment – a

strong manager/advocate of forecasting process Stage 4

• Top-down and bottom-up forecasting approach with reconciliation • Vendor-managed inventory factored out of the forecasting process • Full forecasting segmentation of products (ABC, two-bin, dependent demand, make to order,

product value, seasonality, costumer service sensitivity, promotion driven, life cycle stage, shelf life, raw material lead time, production lead time)

• Understand the “game playing” inherent in the sales force and the distribution channel (motivation for sales to under-forecast or for distributors to over-forecast)

• Develop forecasts and business plan simultaneously, with periodic reconciliation of both (for instance, consideration of capacity constraints as part of long range plan and forecasts)

• On-going training in quantitative analysis/statistics and an understanding of the business environment –top management support of the forecasting process

Appendice A

50

A.2.3 Dimensione del sistema a supporto del processo Stage 1

• Corporate MIS , forecasting software, and DRP (Distribution Requirements Planning) systems are not linked electronically

• Printed reports, manual transfer of data from one system to another, lack of coordination between information in different systems

• Few people understand the systems and their interactions (all system knowledge held in MIS) • “Islands of analysis” exist • Lack of performance metrics in any of the systems or reports

Stage 2

• Electronic links between marketing, finance, forecasting, manufacturing, logistics, and sales systems

• On-screen reports available • Measures of performance available in reports • Reports periodically generated

Stage 3

• Client-server architecture that allows changes to be made easily and communicated to other systems

• Improved system-user interfaces to allow subjective input • Common ownership of databases and information systems • Measures of performance available in reports and in the system • Reports generated on demand and performance measures available on line

Stage 4

• Open-systems architecture so all affected areas can provide electronic input to the forecasting process

• EDI linkages with major customers and suppliers to allow forecasting by key customer and supply chain staging of forecasts (i.e. real-time POS forecasts to plan key customer demand ahead of supply chain cycles)


51

A.2.4 Dimensione della misurazione delle prestazioni Stage 1

• Accuracy not measured • Forecasting performance evaluation not tied to any measure of accuracy (often tied to

meeting plan, reconciliation with plan, etc.) Stage 2

• Accuracy measured, primarily as Mean Absolute Percent Error, but sometimes measured inaccurately (e.g. forecast, rather than demand, used in the denominator of the calculation)

• Forecasting performance evaluation based upon accuracy, with no consideration for the implications of accurate forecasts on operations

• Recognition of the impact upon demand of external factors (i.e. economic conditions, competitive actions, etc.)

Stage 3

• Accuracy still measured as Mean Absolute Percent Error, but more concern given to the measurement of the supply chain impact of forecast accuracy (i.e. lower acceptable accuracy for low value non-competitive products, recognition of capacity constraints in the supply chain and their impact on forecasting and performance, etc.)

• Graphical and collective (throughout product hierarchy) reporting of forecast accuracy • Forecasting performance evaluation still based upon accuracy, but there is a growing recognition

that accuracy has an effect upon inventory levels, customer service, and achieving the marketing and financial plans

Stage 4

• Realization that exogenous factors affect forecast accuracy and that unfulfilled demand is partially a function of forecasting error and partially a function of operational error

• Forecasting error treated as an indication of the need for a problem search (for instance, POS demand was forecast accurately, but plant capacity prevented production of the forecast amount)

• Multidimensional metrics of forecasting performance – forecasting performance evaluation tied to the impact of accuracy on achievement of corporate goals (i.e. profitability, supply chain costs, customer service)

BIBLIOGRAFIA

52

RINGRAZIAMENTI Si ringrazia il dottor Attilio Rogora, SCM business developer di SAP Italia che ha fornito il materiale inerente la soluzione mySAP SCM 4.0.

BIBLIOGRAFIA

LIBRI 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; Steven C. Wheelwright, Spyros Makridakis, “Forecasting Methods for Management”, 3a ed. (New York: John Wiley & Sons, Ine., 1980); Robert G. Brown, “Smoothing, Forecasting, and Prediction o/Discrete Time Series”, (Enelewood Cliffs N.J.: Prentice-Hall, Ine., 1963); 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); Bernard T. Smith, Oliver W. Wight, “Focus Forecasting: Computer Techniques for Inventory Control”, (New York: Van Nos Reinhold, 1978).

ARTICOLI Spyros Makridakis, “Forecasting: its role and value for planning and strategy”, International Journal of Forecasting, n° 12 1996, pagg. 513-537; John C. Chambers, Satinder K. Mulick, Donald D. Smith, "How to Choose the Right Forecasting Technique", Harvard Business Review (luglio/agosto 1971), pagg. 47-76; D.W. Trigg, A.G. Leach, "Exponential Smoothing with an Adaptive Response Rate", Operational Research Quarterly, (marzo 1967), pagg. 53-59; P.R. Winters, "Forecasting Sales by Exponentially Weighted Moving Averages", Management Science, Vol. 6 (aprile 1960), pagg. 324-42; J. Scott Armstrong, "Forecasting by Extrapolation: Conclusions from 25 Years of Research”, Interfaces, Vol. 14, N.6 (novembre-dicembre 1984), pagg. 52-66; John C. Chambers, Satinder K. Mulick, Donald D. Smith, "How to Choose the Right Forecasting Technique", Harvard Business Review (luglio/agosto 1971), pagg. 47-76; Robin M. Hogarth, Spyros Makridakis "Forecasting and Planning: An Evaluation", Management Science, Vol. 49, Vol. 47, N. 2 (febbraio 1981), pagg. 115-31;

BIBLIOGRAFIA

53

Spyros Makridakis, Steven C. Wheelwright, "Forecasting: Issues and Challenges for Marketing Management", Journal of Marketing, Vol. 55 (ottobre 1977), pagg. 24-37; Nada R. Sanders, Larry P. Ritzman “Bringing judgment into combination forecasts”, Journal of Operations Management, vol. 13 (1995), pagg. 311-321; 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; Mark A. Moon, John T. Mentzer, Carlo D. Smith and Micheal S. Garver, “Seven Keys to Better Forecasting”, Business Horizons, September-October 1998, pagg. 44-52; John T. Mentzer, Carol C. Bienstock, and Kenneth B. Kahn, “Benchmarking Sales Forecasting Management”, Business Horizons, November-December 1998, pagg. 48-56; Mark A. Moon, John T. Mentzer, Carlo D. Smith and Micheal S. Garver, “Conducting a sales forecasting audit”, International Journal of Forecasting, vol. 19 (2003), pagg. 5-25; Doug Stewart, “Conducing a Sales Forecasting Audit: Influence of Reward Structures”, International Journal of Forecasting, vol. 19 (2003), pagg. 33-35.

il processo di previsione della domandadigidownload.libero.it/diego.michielan/tesi terzo...

Documents