Introduzione
Esistono molte ragioni per cui è necessario effettuare previsioni in un ambiente di produzione, tra cui la pianificazione della produzione, le previsioni di vendita e l'utilizzo delle materie prime. Il processo di creazione di queste previsioni può essere laborioso e frustrante, con il risultato che le previsioni non vengono aggiornate con la frequenza necessaria. Questi ritardi possono comportare la perdita di opportunità di vendita, mancate consegne e altri problemi costosi. Esiste un modo più semplice. La piattaforma Time Series Forecast di JMP può facilmente eseguire previsioni su un gran numero di gruppi contemporaneamente. Queste previsioni possono essere condivise con altri e l'intero processo può essere facilmente automatizzato. Il grafico seguente mostra come l'intero processo può essere ripetuto con un solo clic.
Caso di studio
In questo esempio, userò l'azienda fittizia Red Triangle Widget (RTW). RTW produce e vende al pubblico circa 250 prodotti diversi (SKU). Se le sue previsioni di vendita sono sbagliate, anche i suoi piani di produzione saranno sbagliati, il che significa che rischierà di creare un inventario eccessivo e di immobilizzare liquidità fino a quando non sarà venduto, o forse peggio, di perdere opportunità di mercato.
Attualmente, il processo di previsione di RTW richiede un'intera settimana per essere completato da una sola persona. Questa persona riceve un dump del database dal reparto IT e deve quindi analizzare manualmente ogni SKU nei dati, creando una previsione di massima per ogni SKU. Poiché questo processo richiede così tanto tempo, RTW aggiorna le sue previsioni solo una volta al mese. Il resto del mese è spesso dedicato a cercare di soddisfare la domanda dei clienti, poiché le previsioni tendono a diventare meno utili man mano che si procede a lungo termine.
Chiaramente, RTW deve semplificare questo processo per evitare di sprecare l'intera settimana di un dipendente ogni mese, perdendo innumerevoli ore a lottare contro previsioni che diventano obsolete troppo rapidamente e perdendo opportunità di vendere più widget. Deve aggiornare le sue previsioni settimanalmente, ma il metodo attuale richiede così tanto tempo e lavoro che gli aggiornamenti settimanali sono impossibili senza assumere almeno un'altra persona. Poiché RTW non ha il budget per assumere personale aggiuntivo, ha solo bisogno di un metodo semplice, veloce, ripetibile e automatizzato per effettuare le sue previsioni di vendita.
Accesso ai dati
Nota: l'intero processo deve essere automatizzato, quindi inizia andando su File > Nuovo > Flusso di lavoro, quindi seleziona il pulsante Registra per implementare tutta l'automazione necessaria. Se non hai familiarità con Workflow Builder, consulta questa breve introduzione o questa spiegazione più dettagliata .
Poiché il team IT di RTW stava già generando i dati di vendita utilizzati per il processo di previsione, ha senso chiedere loro semplicemente la query SQL che stanno utilizzando ed eseguirla direttamente in JMP. Per farlo, utilizzare File > Nuovo > Query database. Successivamente, convertire la query dal metodo visivo di JMP in una query SQL personalizzata e incollare il codice SQL dall'IT nella finestra. L'esecuzione della query crea una tabella dati con circa 22.000 righe che rappresentano tutte le vendite giornaliere di widget degli ultimi tre mesi.
Preparazione dei dati
Poiché RTW intende effettuare previsioni settimanali, i dati devono essere raggruppati per settimana. Inoltre, poiché la previsione sarebbe influenzata negativamente dall'utilizzo di dati di settimane parziali, è necessario rimuovere le settimane prive di sette giorni di dati.
Lo strumento Tabelle > Riepilogo è un modo pratico per strutturare i dati in un formato settimanale. Creare sia le colonne Settimana che Anno sarà utile in seguito, soprattutto se le previsioni si riferiscono ad anni diversi.
Utilizzando Righe > Selezione riga > Seleziona dove e selezionando tutte le righe che non contengono sette punti dati, è facile (e ripetibile per il Workflow Builder) conservare solo le settimane complete. Eliminare le righe selezionate dopo aver fatto clic su OK.
Un'ulteriore attività sui dati è necessaria prima di creare le previsioni. Creare una nuova colonna con una formula per la data, basata sull'anno e sulla settimana. Questo è utile perché impone a tutti i punti dati di avere incrementi settimanali coerenti, il che è importante per gli strumenti di previsione.
Previsione
Ora che i dati sono stati puliti e strutturati correttamente, la parte più semplice è la previsione delle serie temporali in JMP. Da Analizza > Modellazione specializzata > Previsione delle serie temporali, è semplicissimo compilare i tre campi:
Nella finestra che appare dopo aver selezionato OK, la piattaforma presenta dei riepiloghi per aiutarti a garantire la coerenza dei dati. Dopo aver esaminato i riepiloghi, imposta il numero di periodi futuri che desideri prevedere. Fai clic su "Esegui" per visualizzare le previsioni per tutti i circa 250 SKU.
Si noti che a ogni SKU è stato assegnato un modello di previsione personalizzato, specifico per la forma dei dati storici di tale SKU. Ulteriori informazioni sui tipi di modelli sono disponibili qui .
Condivisione
Poiché molte persone che utilizzeranno queste previsioni non sono particolarmente interessate alle statistiche coinvolte, può essere utile modificare il formato delle previsioni in un semplice grafico interattivo. Utilizza l'opzione del triangolo rosso per selezionare "Salva risultati", che crea una nuova tabella dati che include le previsioni e altri dati; può anche essere utilizzata con Graph Builder per creare un semplice strumento di ricerca.
Questi report possono essere caricati su JMP Live in modo da poter essere condivisi con chiunque abbia bisogno di accedere alle previsioni, anche se non dispone di JMP. Questa funzionalità è particolarmente utile per condividere le previsioni con fornitori o clienti. Questi report possono essere collegati o incorporati in una pagina web, come mostrato nell'esempio seguente.
Automazione
In precedenza, ho accennato all'utilizzo di Workflow Builder per registrare il processo. Poiché tutti i passaggi sono stati registrati, è necessario eseguirli manualmente solo la prima volta. Ogni volta che è necessario aggiornare la previsione, è sufficiente fare clic su "Play", il che significa che RTW può aggiornare facilmente le sue previsioni ogni settimana. Il risparmio di tempo derivante dall'automazione dell'intero processo è enorme.
Con il processo ridotto a un semplice clic, RTW ha di fatto aggiunto il 25% di un dipendente al team, senza costi aggiuntivi. Le previsioni vengono ora eseguite settimanalmente anziché mensilmente, quindi l'intera organizzazione deve complessivamente ridurre notevolmente il lavoro di intervento. Nel complesso, l'utilizzo di JMP per le previsioni è stata una vera vittoria per il team.
I tuoi team di approvvigionamento e programmazione utilizzano già la piattaforma Time Series Forecast? In caso contrario, quanto tempo potrebbero risparmiare automatizzando le previsioni?
Note sui dati
Ho utilizzato una versione modificata dei dati di una gara di previsioni Makridakis del 2020, reperibile qui . Le modifiche che ho apportato includono:
- Sottoinsieme e accatastamento dei gruppi più univoci (~250) nel set di dati.
- Arrotondamento dei dati al valore intero più vicino.
- Modifica dei nomi delle colonne e dei valori univoci degli ID di gruppo.
Inoltre, ho creato una tabella di ricerca dei codici articolo in modo che i dati si avvicinino a come un utente finale vedrebbe probabilmente i dati rappresentati in un database. Poiché i lettori non avranno accesso al database esatto che ho utilizzato, ho incluso i dati in Workflow Builder come tabelle dati. Tutti i file sono allegati.
