Simple Science

Scienza all'avanguardia spiegata semplicemente

# Statistica# Metodologia# Altre statistiche

Migliorare le previsioni di domanda con il lisciamento esponenziale Tobit

Nuovi metodi di previsione migliorano l'accuratezza della predizione della domanda e la gestione dell'inventario.

Diego J. Pedregal, Juan R. Trapero

― 5 leggere min


Rottura nella PrevisioneRottura nella Previsionedella Domandaprevisioni di domanda aziendale.Migliorare la precisione nelle
Indice

Prevedere la domanda è super importante per le aziende, specialmente per gestire le forniture. Quando le aziende sanno cosa vogliono i clienti, possono prendere decisioni migliori su quanto stock tenere e come soddisfare le esigenze dei clienti. Però, a volte, le aziende si trovano ad affrontare problemi che rendono difficile ottenere informazioni accurate sulla domanda. Una di queste situazioni è quando i record di vendita non riflettono la domanda reale a causa di stockout, ovvero situazioni in cui gli articoli non sono disponibili per la vendita.

Il problema degli stockout

Quando un’azienda finisce le scorte, non può vendere nulla di più ai clienti. Questo porta a un problema: le aziende spesso vedono solo le vendite che hanno effettivamente fatto, il che può ingannarle su quanto prodotto sia davvero necessario. Per esempio, se un negozio conta solo gli articoli venduti, si perde le vendite che ha perso quando i clienti volevano comprare ma non potevano perché gli articoli erano esauriti. Questo porta a una sottovalutazione della domanda.

Cos'è il dato censurato?

In statistica, il termine "dato censurato" descrive situazioni in cui possiamo vedere solo una parte delle informazioni-in questo caso, le vendite-ma non l'intero quadro della domanda. Questo significa che quando analizziamo i dati di vendita, potremmo pensare che siano necessari meno prodotti di quanti ne desiderino effettivamente i clienti.

Metodi tradizionali vs. nuovi approcci

Di solito, le aziende usano metodi semplici per prevedere la domanda. Questi metodi si basano sui dati di vendita senza considerare che alcune vendite sono state perse a causa degli stockout. Tuttavia, stanno emergendo nuovi approcci per affrontare questo problema, consentendo previsioni più accurate tenendo conto della domanda sottovalutata.

Il modello di smoothing esponenziale Tobit

Uno dei metodi più recenti si chiama Smoothing Esponenziale Tobit. Questo modello ha un modo unico di affrontare le limitazioni dei modelli di previsione tradizionali. Tiene conto in modo efficace dei Dati censurati stimando quale sarebbe stata la domanda se non ci fossero stati stockout.

Come funziona

Questo metodo parte dall'idea che i dati di vendita possano essere visti come una versione della domanda vera, dove alcune informazioni sono mancanti a causa degli stockout. Il modello di Smoothing Esponenziale Tobit aiuta a prevedere quanto sarebbe stato venduto se non ci fossero stati stockout. Combina varie tecniche per stimare la domanda in modo più accurato.

Vantaggi dell'aggregazione temporale

Un aspetto importante della previsione della domanda è l'"aggregazione temporale." Questo significa guardare ai dati raccolti in diversi periodi di tempo, come dati orari o giornalieri, e combinarli. Per esempio, un'azienda può esaminare i dati di vendita raccolti ogni ora e combinarli per ottenere un stima giornaliera. Questa tecnica può aiutare le aziende a creare previsioni migliori che considerano come la domanda cambia nel tempo.

I casi studio mostrano l'efficacia

Diversi casi studio dimostrano che usare questo nuovo approccio porta a stime della domanda molto migliori. In un caso, un'azienda è riuscita a vedere come la sua domanda fluttuava in base a diversi momenti della giornata e della settimana. Applicando il modello Tobit, si è resa conto di aver sottovalutato la domanda in certi giorni, il che causava stockout.

Applicazione reale per le catene di approvvigionamento

In un contesto pratico, le aziende usano questi modelli di previsione per migliorare le loro operazioni nella catena di approvvigionamento. Quando le aziende comprendono meglio la domanda reale, possono evitare di rimanere senza stock, riducendo così le vendite perse. Per esempio, un negozio può ricevere aggiornamenti giornalieri sulla domanda prevista, permettendogli di adattare gli ordini di conseguenza.

Affrontare i problemi di Inventario

Un altro aspetto cruciale di questo processo di previsione è come aiuta a gestire l'inventario. Le aziende devono mantenere la giusta quantità di stock a disposizione per soddisfare le esigenze dei clienti senza sovraccaricare, il che può portare a sprechi. Implementando modelli di previsione migliorati, le aziende possono migliorare le loro politiche di inventario, assicurandosi di avere abbastanza prodotti per soddisfare la domanda e minimizzare l'eccesso di stock.

Ridurre le vendite perse e l'eccesso di stock

Man mano che le aziende usano il modello di Smoothing Esponenziale Tobit, tendono a vedere una diminuzione delle vendite perse e dei prodotti in eccesso. Quando le aziende usano previsioni più accurate, sono meno propense a rimanere senza stock e possono allineare meglio l'offerta con la domanda reale dei clienti.

Importanza dei livelli di servizio

I livelli di servizio ai clienti sono anche influenzati da quanto bene le aziende riescono a prevedere la domanda. Un alto livello di servizio significa che i clienti ricevono ciò che vogliono quando lo vogliono, il che è fondamentale per mantenere soddisfazione e fedeltà. Migliorando i metodi di previsione, le aziende possono garantire di poter soddisfare questi livelli di servizio.

Miglioramento continuo e ricerca futura

La ricerca e lo sviluppo dei metodi di previsione sono in corso. Sebbene i modelli attuali mostrino già risultati promettenti, ulteriori indagini possono perfezionare queste tecniche. Questo potrebbe comportare l'uso di dati provenienti da vari settori o l'esplorazione di strategie di inventario complesse che si adattano ai cambiamenti dei modelli di domanda.

Conclusione

In conclusione, una corretta previsione della domanda è fondamentale per il successo in affari, in particolare nella gestione della catena di approvvigionamento. L'introduzione di modelli come il Smoothing Esponenziale Tobit aiuta a risolvere i problemi posti dai dati censurati, consentendo alle aziende di stimare meglio la domanda reale. Migliorando i loro metodi di previsione e comprendendo gli effetti degli stockout, le aziende possono ottimizzare i livelli di inventario, ridurre le vendite perse e, in ultima analisi, fornire un servizio migliore ai loro clienti. Le future iniziative dovrebbero concentrarsi sul perfezionare questi metodi e applicarli in vari settori per aumentarne l'efficacia nelle situazioni reali.

Fonte originale

Titolo: Censored Data Forecasting: Applying Tobit Exponential Smoothing with Time Aggregation

Estratto: This study introduces a novel approach to forecasting by Tobit Exponential Smoothing with time aggregation constraints. This model, a particular case of the Tobit Innovations State Space system, handles censored observed time series effectively, such as sales data, with known and potentially variable censoring levels over time. The paper provides a comprehensive analysis of the model structure, including its representation in system equations and the optimal recursive estimation of states. It also explores the benefits of time aggregation in state space systems, particularly for inventory management and demand forecasting. Through a series of case studies, the paper demonstrates the effectiveness of the model across various scenarios, including hourly and daily censoring levels. The results highlight the model's ability to produce accurate forecasts and confidence bands comparable to those from uncensored models, even under severe censoring conditions. The study further discusses the implications for inventory policy, emphasizing the importance of avoiding spiral-down effects in demand estimation. The paper concludes by showcasing the superiority of the proposed model over standard methods, particularly in reducing lost sales and excess stock, thereby optimizing inventory costs. This research contributes to the field of forecasting by offering a robust model that effectively addresses the challenges of censored data and time aggregation.

Autori: Diego J. Pedregal, Juan R. Trapero

Ultimo aggiornamento: 2024-09-09 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2409.05412

Fonte PDF: https://arxiv.org/pdf/2409.05412

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Articoli simili