Le condizioni meteorologiche provocano fluttuazioni significative nella domanda, che a loro volta possono tradursi in fluttuazioni ancora maggiori nella supply chain a causa del cosiddetto effetto bullwhip. Tali fluttuazioni possono facilmente trasformarsi in costi: un aumento eccessivo delle scorte in previsione di un evento meteorologico rischia di mettere a dura prova la capacità della supply chain ad ogni livello, nonché di aumentare lo spreco dei prodotti freschi. D’altro canto, un approvvigionamento insufficiente può comportare una perdita significativa nelle vendite, e non solo dei prodotti che si esauriscono. Specialmente in presenza di condizioni meteorologiche estreme, infatti, è altamente probabile che i clienti scelgano il negozio da visitare in base alla disponibilità di qualche prodotto chiave, per esempio l’acqua minerale in caso di alte temperature.
In questo whitepaper, parleremo di come le aziende di vendita al dettaglio possono prepararsi al meglio alle fluttuazioni dipendenti dalle condizioni meteorologiche. E’ piuttosto facile stabilire delle correlazioni tra domanda e condizioni atmosferiche quando pensiamo ad alcuni esempi tipici, come quello della vendita di gelati col caldo o di ombrelli con la pioggia. Tuttavia, quando si guarda all’intero assortimento, la faccenda si fa più complicata. Come distinguere i prodotti le cui vendite subiscono l’influenza delle condizioni meteorologiche dagli altri? E come stabilire quali prodotti sono sensibili a quale elemento del clima (ad esempio temperatura, sole, nuvolosità, pioggia, neve) e in che misura?
Inevitabilmente, c’è bisogno di un sistema automatizzato che analizzi i dati, individui le correlazioni tra domanda e variabili meteorologiche e ne quantifichi la portata. In quest’area della pianificazione della supply chain l’apprendimento automatico può fare la differenza. Non conosciamo le correlazioni tra la domanda di un certo prodotto e le variabili meteorologiche, né abbiamo il tempo di analizzare tali relazioni per ogni prodotto, categoria o negozio separatamente, quindi lasciamo che sia la macchina ad apprendere gli schemi relativi e ad utilizzare il risultato nelle previsioni della domanda. Questo ci permette di esaminare soltanto le variabili meteorologiche che influenzano realmente la domanda, così da produrre risultati più stabili e accurati. Inoltre, l’algoritmo può evidenziare relazioni statisticamente significative ma di portata piuttosto limitata, che una persona non sarebbe in grado di notare. Utilizzando un algoritmo di apprendimento automatico è possibile ottenere due vantaggi: migliorare l’accuratezza delle previsioni e risparmiare tempo.
Anche se le condizioni atmosferiche possono avere un effetto significativo sulle vendite di alcuni prodotti, non ha senso basare la previsione della domanda di tali prodotti sui soli dati meteorologici. L’approccio più promettente consiste nell’utilizzare metodi “ibridi” per dar conto dell’impatto delle condizioni meteorologiche. Tali metodi prevedono l’utilizzo di modelli di previsione multipli, dove il modello successivo è guidato dall’errore di quello precedente. In altre parole, quello che cerchiamo di spiegare con le informazioni relative alle condizioni atmosferiche è l’errore di un altro modello. Di solito, si inizia calcolando la previsione delle vendite relativa a un determinato periodo del passato utilizzando i più comuni metodi basati sull’andamento temporale. Successivamente si calcola l’errore della prima previsione e quindi si prova a determinare quali variabili meteorologiche sono in grado di spiegare meglio tale errore. In questo modo la parte della previsione basata sul meteo non ha bisogno di considerare fattori come la normale variazione dei giorni della settimana, la stagionalità, le vacanze o le promozioni.
Le Figure 1-3 illustrano la logica di calcolo del modello ibrido di previsione in base al meteo. La Figura 1 mostra la relazione tra la temperatura e l’errore della previsione basata sugli andamenti temporali in un gruppo di articoli della categoria “gelati”. La correlazione è chiaramente negativa, perché quando la temperatura sale, la previsione basata sull’andamento temporale risulta troppo bassa e viceversa. In Figura 2, la previsione corretta in base al meteo riduce l’errore in entrambe le direzioni lungo tutto il periodo considerato. Questo implica una relazione molto forte tra la domanda di gelati e la temperatura, perché la variazione della temperatura è in grado di produrre sia un incremento che un decremento della domanda. La figura 3 mostra le vendite reali, la previsione basata sull’andamento temporale e la previsione corretta in base al meteo, che è stata ottenuta aggiungendo il risultato del modello basato sul meteo alla previsione basata sugli andamenti temporali.
Migliori Prassi nelle Previsioni delle Vendite Basate sulle Condizioni Atmosferiche
È consigliabile costruire le previsioni delle vendite basate sul meteo a partire da previsioni di riferimento che considerino automaticamente fattori quali la variazione dei giorni della settimana, la stagionalità, le tendenze, le vacanze e le promozioni, lasciando quindi che il modello basato sul meteo tenga conto dei soli dati atmosferici. In questo modo è possibile evidenziare quale parte della previsione risulti da quale modello, nonché separare modelli diversi e i relativi risultati per stabilire se e in che misura il modello basato sul meteo migliori l’accuratezza della previsione. Allo stesso modo, è possibile confrontare in maniera trasparente modelli diversi e le relative previsioni. Ad esempio, nel caso sia previsto un aumento significativo delle vendite in risposta ad un evento meteorologico, tale aumento può essere contestualizzato per comprendere se sia ragionevole o meno.
È consigliabile costruire un processo di previsione delle vendite basato sul meteo che guardi ripetutamente a vari modelli a livelli diversi, in modo da applicare ad ogni prodotto in ogni negozio il modello più appropriato. La combinazione SKU-punto vendita è il livello più basso e di solito anche il più accurato. In teoria, quindi, si può pensare di applicare un modello diverso a ciascun prodotto per ciascun punto vendita, perché le vendite possono reagire in maniera diversa alle condizioni meteorologiche in base al negozio, e in particolare alla sua posizione. Se confrontiamo, per esempio, le vendite di un negozio situato nel centro di una città turistica con quelle di un supermarket periferico raggiungibile solo in auto, solitamente le prime risultano molto più legate alle condizioni atmosferiche.
I risultati migliori si ottengono considerando non tanto i dati meteorologici in sé, ma le più sofisticate relazioni tra questi e una serie di altri fattori. La variazione dei giorni della settimana è un elemento che vale la pena di considerare, in quanto il rapporto tra vendite e condizioni atmosferiche può variare nel fine settimana rispetto ai giorni feriali. Un altro aspetto da considerare sono le condizioni meteorologiche passate e future. Ad esempio, la risposta ad una giornata di bel tempo è solitamente maggiore nel primo weekend soleggiato di primavera che nell’ennesimo weekend soleggiato di mezza estate. Inoltre, i consumatori tendono ad organizzarsi in base alle previsioni meteorologiche, anticipando gli acquisti durante la settimana in vista di un bel weekend. Va da sé che occorre considerare anche la contraddittorietà degli effetti delle condizioni meteorologiche. Ad esempio, le alte temperature possono provocare un aumento della domanda, ma temperature torride possono avere l’effetto contrario, perché i consumatori possono decidere di rimanere a casa.
La risposta alle condizioni meteorologiche può cambiare anche in base al periodo dell’anno. Per esempio la domanda di gelati può variare in base alle condizioni atmosferiche d’estate, ma non d’inverno. La Figura 4 illustra questo fenomeno. La variazione nella temperatura è grossomodo la stessa nel corso di tutto l’anno, ma l’effetto sulle vendite cambia in base alla stagione. D’inverno è palesemente inutile aggiungere una previsione basata sul meteo, dal momento che la variazione delle vendite non è rilevante. D’estate, invece, la variazione delle vendite aumenta notevolmente e la necessità di incorporare i dati metereologici nelle previsioni risulta evidente. Perciò, conviene attivare il modello basato sul meteo solo per un periodo di tempo e considerare solo tale periodo anche nel calcolo del modello stesso. In altre parole, il modello basato sul meteo non dovrebbe considerare i periodi in cui l’influsso delle condizioni atmosferiche è irrilevante, ad esempio l’inverno nel caso illustrato in Figura 4. In questo modo il modello basato sul meteo risulta più accurato perché esclude i dati irrilevanti.
La Previsione delle Vendite Basata sul Meteo in RELEX
La previsione delle vendite basata sul meteo di RELEX utilizza un algoritmo di apprendimento automatico per dar conto della relazione tra condizioni meteorologiche e domanda. Il software è in grado di individuare automaticamente i prodotti le cui vendite subiscono l’influsso delle condizioni atmosferiche, scoprire quali sono le variabili meteorologiche che influiscono e quantificare la portata di tale influsso. Il risultato sono correzioni che vengono combinate con la previsione basata sugli andamenti temporali per creare una previsione corretta in base al meteo maggiormente accurata. Con RELEX, è possibile automatizzare l’intero processo, dal reperimento dei dati meteorologici al calcolo della previsione corretta in base al meteo. RELEX ha un’integrazione incorporata con un fornitore globale di dati meteorologici e reperisce i dati in base alle coordinate dei punti vendita. Se necessario, RELEX può anche essere facilmente integrato con ogni altro fornitore di dati meteorologici.
