LA PIANIFICAZIONE DELLA DOMANDA NEL FASHION RETAIL: IL CASO
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
LA PIANIFICAZIONE DELLA DOMANDA
NEL FASHION RETAIL:
IL CASO
di
Martina Bertolini
matr. 608542
La pianificazione della domanda nel fashion retail: il caso Bluespirit
INDICE
1. INTRODUZIONE pag. 3
2. CHE COS’È IL DEMAND MANAGEMENT pag. 5
3. OBIETTIVI DEL DEMAND PLANNING pag. 6
4. LE FASI DEL DEMAND PLANNING pag. 7
5. BLUESPIRIT DEMAND PLANNING pag. 8
6. IL PROCESSO DI PREVISIONE: UN QUADRO GENERALE pag. 10
6.1 Orizzonte temporale e livello di aggregazione pag. 11
6.2 Quadro generale dei metodi di previsione pag. 13
7. SERIE STORICHE E ANALISI pag. 14
7.1 Cos’è una serie storica? pag. 15
7.2 Individuazione degli outlier pag. 18
7.3 Analisi di stagionalità e trend pag. 19
7.4 Alcuni modelli di previsione basati sulle serie storiche pag. 23
7.4.1 Media mobile e media mobile pesata pag. 23
7.4.2 Lisciamento esponenziale pag. 24
7.4.3 Regressione Lineare pag. 25
7.5 Monitoraggio delle previsioni pag. 26
8. IL CICLO DI VITA DEL PRODOTTO pag. 29
9. IL METODO ABC pag. 32
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 2
La pianificazione della domanda nel fashion retail: il caso Bluespirit 1. INTRODUZIONE Molto spesso, nei libri di economia e organizzazione aziendale, viene dimenticato il ruolo della funzione acquisti, tanto che molto spesso lo studente si sente di scartare a priori un possibile impiego aziendale in tale contesto, eppure l’Ufficio Acquisti è una costante in ogni azienda, sia che si tratti di produzione che di distribuzione come nel caso di D.I.P. (Diffusione Italiana Preziosi) - Bluespirit, azienda retail, dal 2007 parte del Gruppo Morellato & Sector presente in Italia e all’estero con oltre 300 negozi diretti e in franchising. In D.I.P. il Purchasing Department si occupa dell’ideazione di nuovi prodotti e collezioni, dell’inserimento a sistema di ordini e dell’invio degli stessi ai fornitori con i quali si interfaccia costantemente per la valutazione di eventuali nuovi prodotti da mettere in vendita, per il monitoraggio dei tempi di consegna della merce, e per gli eventuali problemi dovuti a merce non conforme. Oltre ad interfacciarsi con i fornitori, l’Ufficio è in continuo contatto con le altre funzioni aziendali, assumendo così all’interno dell’azienda un vero e proprio ruolo centrale.: l’Entrata Merci, il Magazzino, le Vendite e soprattutto con l’Ufficio Planning dal quale riceve i quantitativi di merce per prodotto da ordinare ai fornitori. La relazione aziendale più importante cui è legata l’Ufficio Acquisti, è quella dunque con l’Ufficio Planning, dal quale, come detto in precedenza, riceve l’analisi dei quantitativi di merce che sono necessari ordinare e con il quale conduce un continuo scambio di informazioni, fondamentali al processo di pianificazione stesso. È infatti scopo di questo lavoro analizzare brevemente come in D.I.P. avviene questo complesso ed articolato processo, evidenziando soprattutto le caratteristiche e le particolarità che esso assume in Bluespirit e in generale quando venga implementato in un’azienda operante nel settore del fashion retail. Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 3
La pianificazione della domanda nel fashion retail: il caso Bluespirit
L’elaborato è così composto:
- Paragrafi da 1 a 5: viene data una tra le tante definizioni che si attribuiscono al lungo e
articolato processo di Demand Planning: ogni azienda lo costruisce e modella secondo le
proprie esigenze e particolarità, così esso viene qui descritto come è stato implementato da
Bluespirit, l’azienda in esame.
- Paragrafi da 6 a 7.5: i paragrafi si propongono di dare una spiegazione molto semplice e
comprensibile ai non addetti ai lavori, di come avvengono le analisi statistiche effettuate per
prevedere la domanda commerciale. Non esiste un unico modello ma un insieme di modelli
che si integrano tra loro e che vengono ovviamente utilizzati attraverso software statistici
aziendali. L’analisi svolta in queste pagine è molto semplificata e quasi certamente
dimentica molti aspetti dell’argomento, ma il fine è quello di scorrere, seppur velocemente,
le tecniche più conosciute, tralasciando aspetti prettamente tecnici ma non dimenticando la
logica di fondo.
- Paragrafo 8: viene spiegato il ciclo di vita del prodotto inteso da Bluespirit e utilizzato
dall’azienda come base per procedere con la previsione della domanda dei prodotti nuovi
che non possiedono quindi dati storici di vendita, per cui la pianificazione avviene attraverso
l’analogy forecasting.
- Paragrafo 9: l’analisi ABC è un modello statistico piuttosto semplice che viene in soccorso
ai Planner per comprendere, focalizzandosi sull’analisi di fatturato e scorte, quali sono i
prodotti su cui concentrare l’attenzione e sui cui l’azienda deve puntare per migliorare le
proprie vendite e offrire al cliente il servizio migliore.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 4La pianificazione della domanda nel fashion retail: il caso Bluespirit
2. CHE COS’È IL DEMAND MANAGEMENT
Ciascuna azienda, sia che si occupi di produzione industriale sia che sia impegnata nell’acquistare e
vendere oggettistica di qualunque genere, ha la necessità di avere un’idea, più o meno chiara, di
quanto deve essere prodotto e/o acquistato in un periodo di tempo programmato, a seconda delle
vendite previste, onde evitare problemi gestionali come potrebbe essere una sovrapproduzione o
negozi sprovvisti di merce.
Di evitare questo genere di problemi che rappresenterebbero a lungo andare un vero e proprio
disastro per la sopravvivenza dell’azienda, si occupa il Demand Management che può essere
definito come “l’insieme dei processi aziendali, delle metodologie gestionali e delle tecniche
quantitative atte a supportare la definizione del piano di domanda delle aziende”1.
Esso si occupa quindi di supportare generalmente:
- processi di pianificazione che a loro volta supportano i processi di approvvigionamento,
produzione e distribuzione;
- processi di gestione che permettono di condividere le informazioni relative ad un piano con i
diversi soggetti coinvolti, migliorando le prestazioni dell’intera Supply Chain.
L’output, nonché l’input principale di questo insieme di processi è il piano di domanda che
rappresenta le quantità di vendita pianificate da sostenere nell’orizzonte temporale definito dal
management aziendale.
In un’azienda di produzione tale piano diverrà l’input principale per altri piani aziendali di
produzione, approvvigionamento e distribuzione, mentre in un’azienda votata al commercio esso
sarà il primo e unico mezzo sul quale basare l’acquisizione delle risorse necessarie al suo
soddisfacimento.
Tale piano di domanda comunque è sempre frutto di un continuo scambio di informazioni tra le
varie aree aziendali perché esso deve soddisfare l’intera azienda compresi gli obiettivi di ogni
funzione, perciò è necessario un feedback continuo sulle decisioni che il Planner assume, sentiti
tutti gli altri manager.
1
Milanato D., 2008. Demand Planning: processi, metodologie e modelli matematici per la gestione della domanda
commerciale. Milano: Springer-Verlag Italia. Pag. 14.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 5La pianificazione della domanda nel fashion retail: il caso Bluespirit 3. OBIETTIVI DEL DEMAND PLANNING La qualità dei processi di pianificazione e di gestione della domanda impatta direttamente sulle prestazioni dell’azienda in termini di: - livello del servizio al cliente; - profittabilità. Nel primo caso un livello considerevole di servizio al cliente viene reso, in un’azienda commerciale come Bluespirit, attraverso un tempestivo ed efficiente rifornimento dei negozi al fine di permettere ai propri clienti di trovare sempre disponibili i prodotti ricercati, che avendo un elevato contenuto moda, devono ovviamente arrivare alla clientela nei tempi giusti. Per quanto riguarda la profittabilità, questa è conseguenza non solo di un buon servizio al cliente ma anche di una buona gestione dei processi logistici e di un’efficiente gestione del capitale e degli asset aziendali, condizioni che possono derivare solo da una buona pianificazione. È indubbio inoltre che un buon processo di previsione della domanda commerciale, e quindi una garanzia del raggiungimento dei due principali obiettivi sovra descritti, sia conseguenza di un’integrazione collaborativa delle funzioni aziendali, non solo nel momento stesso della stima della domanda ma anche attraverso il successivo continuo controllo delle prestazioni ottenute dai piani di domanda nel tempo. Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 6
La pianificazione della domanda nel fashion retail: il caso Bluespirit
4. LE FASI DEL DEMAND PLANNING
Il Demand Planning è costituito da una serie di processi e di fasi che è necessario implementare con
cura al fine di garantire la buona qualità della previsione.
Di seguito uno schema esemplificativo di come Bluespirit concepisce il proprio processo di
pianificazione della domanda commerciale:
Analisi e interpretazione Analisi e interpretazione dei
serie storiche di vendita segmenti mercato/prodotto
DEMAND INTELLIGENCE e
DEMAND ANALYTICS
MARKETING INTELLIGENCE
CICLO DI VITA
DEL PRODOTTO SALES FORECASTING MARKETING PLAN
Proposal per consensus activities
Org. Comm. 1 Org. Comm. 2 Org. Comm. 3 Org. Comm. N
SALES BUDGET o FORECAST Commercial Org. approval
CONSOLIDATO
Piano operativo
Consuntivazione
Sales target
Figura 1. Morellato & Sector Group, 2011. Demand Planning Project.
I processi Demand Analytics e Sales Forecasting si focalizzano sull’analisi statistica e
sull’interpretazione delle vendite storiche per prodotto al fine di costruire la previsione delle vendite
future: viene costruita una previsione iniziale che viene meglio definita e ampliata nelle successive
fasi del processo.
Con Demand Intelligence e Marketing Intelligence si analizzano i segmenti prodotto-mercato
tenendo conto dei comportamenti di acquisto assunti nel passato dai clienti e gli effetti che passate
promozioni, sconti etc. hanno avuto sulle vendite, al fine di programmare nuovi efficaci piani di
marketing.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 7La pianificazione della domanda nel fashion retail: il caso Bluespirit
Il processo successivo è chiamato Collaborative Forecasting o Consensus: lo scopo è quello di
generare il Budget delle Vendite ovvero l’ammontare delle vendite dei prodotti, suddivise per
periodi e per mercati di vendita, che l’azienda si propone di realizzare nel successivo esercizio
contabile. Tale budget, generato considerando le previsioni statistiche di vendita, le azioni di
marketing e l’inserimento di eventuali nuovi prodotti, è frutto di un intenso lavoro di negoziazione e
confronto tra le varie funzioni aziendali (demand oriented) che giungono a questa fase
fondamentale per la creazione di un budget unico e condiviso.
La creazione del Sales Budget è precondizione fondamentale per la costruzione di altri piani
operativi, primo tra tutti il piano di domanda che identifica definitivamente il volume di domanda
che l’azienda intende realisticamente realizzare lungo l’orizzonte temporale previsto: esso tiene
conto delle eventuali già presenti disponibilità di risorse, infatti il piano di domanda è conseguente
all’approvazione di ulteriori funzioni aziendali quali la Logistica e la Produzione (supply oriented).
5. BLUESPIRIT DEMAND PLANNING
Uno dei metodi migliori per capire come funziona un processo di previsione della domanda è quello
di contestualizzarlo nella routine di un’azienda. Ovviamente il processo descritto per Bluespirit sarà
diverso, per la particolarità del settore dell’azienda e dei suoi prodotti, da quello di aziende di altro
tipo.
Come già più volte sottolineato, il processo di pianificazione della domanda commerciale coinvolge
diversi manager aziendali che in Bluespirit sono il Merchandiser Planner, Controller, Sales Manager
e il Demand Planner.
Il processo ha inizio con la creazione da parte del Merchandiser del Tabellone Prodotto per Brand
in cui vengono riportate le proposte delle collezioni che si intendono realizzare durante l’anno di
riferimento: è necessario però specificare che in questo tabellone vengono riportati solo i prodotti
delle nuove collezioni e i prodotti che rappresentano estensioni di collezioni già esistenti. Per
quanto riguarda invece i prodotti che fanno parte del cosiddetto “assortimento ideale”, cioè
referenze basiche, questi non vengono inseriti a tabellone in quanto hanno un procedimento di
previsione della domanda diverso, ed è quindi fondamentale distinguere tra prodotti old e new.
Nel frattempo il Controller e il Sales Manager stabiliscono il Budget di Vendita per Brand che
definisce l’ammontare delle vendite dei prodotti che l’azienda si propone di realizzare nel
successivo esercizio contabile.
Il Demand Planner, in possesso quindi di Tabellone Prodotto e di Budget di Vendita, disaggrega le
quantità di Budget per ogni Brand a partire dalle collezioni fino al massimo livello di dettaglio cioè
per singola SKU2, effettuando successivamente una stima dei volumi di vendita per i 3 mesi
successivi al lancio del prodotto, tenendo conto di quanto ogni collezione pesa sul volume di
vendita per Brand.
2
Stock Keeping Unit
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 8La pianificazione della domanda nel fashion retail: il caso Bluespirit
Come detto in precedenza, bisogna differenziare il basico dalle nuove collezioni, infatti la
disaggregazione del Budget avviene in due modi distinti: per i prodotti consolidati, la stima del
volume di vendita è effettuata considerando la storia passata del prodotto, mentre per i nuovi
prodotti si procede per assimilazione a prodotti esistenti, considerando analogia di stile e di prezzo.
Dal momento in cui inizia la vendita dei prodotti, si verifica costantemente la corrispondenza tra
volumi di vendita stimati ed effettivi in modo da attuare le correzioni opportune in caso di
scostamento tra i due valori.
Ottenuta la stima delle previsioni di vendita, il Demand Planner passa i dati al commerciale che li
analizza e dal cui confronto nasce il Consensus che potrebbe portare a ulteriori modifiche al piano
di domanda.
Bluespirit, nel definire il proprio processo di pianificazione della domanda, ha posto l’accento su
alcuni passaggi, ritenuti per l’azienda di fondamentale importanza per il raggiungimento degli
obiettivi sovra descritti.
Dal punto di vista tecnico e collaborativo in particolare, Bluespirit ha incentrato lo sviluppo di un
efficiente sistema di previsione, sottolineando:
- un prevalente contributo dell’area commerciale al piano della domanda per recepire
promozioni, gradimento sul mercato, azioni dei competitors, eventuale possibilità di
cannibalizzazione;
- adozione della politica delle 3C (comunicazione, collaborazione e coordinamento) tra le aree
aziendali coinvolte nel processo di pianificazione attraverso incontri più frequenti e uno
scambio maggiore di informazioni;
- maggiore responsabilizzazione delle stesse sul piano di domanda;
- monitoraggio continuo della correttezza delle previsioni attraverso tecniche di look back e
look forward;
- differenziazione del processo tra prodotti continuativi e collezioni adottando un modello di
Demand Planning basato sul ciclo di vita del prodotto.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 9La pianificazione della domanda nel fashion retail: il caso Bluespirit
6. LA PREVISIONE: UN QUADRO GENERALE
Dopo aver abbondantemente evidenziato l’importanza della pianificazione all’interno di un’azienda,
è doveroso entrare nel vivo del processo, cercando di spiegare, anche se in modo generale e, come
dire, semplificato, gli elementi tecnici che lo caratterizzano, senza dimenticare però che le aziende
utilizzano sistemi di software sofisticati che esentano ovviamente e, per fortuna, il Planner
dall’impegnarsi in calcoli statistici complessi vista anche la mole di dati raccolti nei datawarehouse.
Obiettivo di questa semplice spiegazione sarà però comprendere la logica che sta alla base della
previsione della domanda commerciale senza perdersi in troppi particolari prettamente specialistici.
Come si può notare dallo schema, un processo di pianificazione parte dalla raccolta e analisi di dati
storici che per essere significativi devono avere un’”anzianità” di almeno due anni.
A seconda della tipologia dei dati in possesso, delle finalità e delle caratteristiche temporali e di
mercato della domanda, si andrà a scegliere quello che viene ritenuto il modello matematico di
analisi più efficace: tale modello, nella previsione, deve però tenere conto anche dei giudizi umani
provenienti dalle altre funzioni aziendali, soprattutto dal marketing, al fine di inserire nella
previsione anche variabili come le attività promozionali future che certamente incidono sui volumi
e sui prezzi di vendita. Si procede quindi con l’analisi dei dati e la proiezione degli stessi nel futuro:
conseguentemente verranno effettuati confronti continui tra la domanda prevista e quella che
effettivamente si presenta, al fine di correggere eventuali errori di previsione e intervenire
tempestivamente sulle ulteriori previsioni future al fine di aumentarne la precisione.
Dati storici
Possibili modifiche al modello o ai suoi
Selezione e inizializzazione parametri
del modello
Modelli matematici
Domanda effettiva
Giudizi di input osservata
Input umano Previsione statistica
Calcolo dell’errore di
Previsione della
previsione ed
domanda aggiornamento delle
statistiche dell’errore
Feedback sulla performance
Figura 2. Quadro generale del processo di previsione della domanda commerciale.
G. Basile, A. Bottan, F. Dallari, M. Di Mattia. L’organizzazione del processo previsionale nelle aziende italiane.
Logistica, Ed. Tecniche Nuove, Gennaio 2005.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 10La pianificazione della domanda nel fashion retail: il caso Bluespirit
6.1 Orizzonte temporale e livello di aggregazione
Prima di implementare qualsiasi modello di previsione della domanda, è necessario capire quale
periodo temporale essa andrà a coprire. Tale importante decisione va presa considerando le
caratteristiche del settore in cui l’azienda opera e il potere che la stessa vi esercita e la tipologia di
prodotto che produce e/o vende sul mercato. A seconda quindi di queste tre variabili, possiamo
avere tre periodi di copertura:
- lungo termine: oltre 24 mesi;
- medio termine: tra i 12 e i 24 mesi;
- breve termine: fino ai 12 mesi.
È chiaro che nel settore della moda, in cui la variabilità e la varietà dei prodotti è elevata e cambia
molto velocemente nel tempo e in cui nessun prodotto ha stabili vendite nel mercato, sarà
necessario improntare una previsione di breve termine.
Nel caso di Bluespirit le previsioni vengono addirittura effettuate con un periodo di copertura di 6-7
mesi, due dei quali sono necessari per comprendere se la quantità minima d’ordine 3 decisa dal
Planner soddisfa o meno le esigenze dei clienti quindi per capire se la previsione è stata effettuata
correttamente, altrimenti si procede con la correzione della previsione per i successivi mesi,
aggiustandola secondo i nuovi dati.
Di seguito un semplice schema di come avviene nell’azienda in esame la cadenza periodica del
processo di pianificazione:
Gen Feb Marzo Aprile Mag Giu Luglio Agosto Sett O N D
Sell inplan
Lead time coverage period
placement
st revised add.per.4
1 Sell inplan
lead time coverage period
step Add. q.ty
2nd Sell in plan actual revised ad.pe.
step placement lead time coverage period
3rd Sell in plan actual revised ad.per.
step placement lead time coverage period
Figura 3. Morellato & Sector Group, 2011. Demand Planning Project.
3
Definita come MOQ Minimum Order Quantity
4
Added period
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 11La pianificazione della domanda nel fashion retail: il caso Bluespirit
Come si può vedere quindi, il Planner monitora costantemente la propria previsione, correggendo
la domanda prevista secondo i dati su come sono avvenute le vendite nei due mesi precedenti e
secondo eventuali nuove azioni aziendali e prevedendo a mano a mano un ulteriore breve periodo
di copertura che va ad aggiungersi a quello già proiettato e/o rivisto.
L’orizzonte temporale di copertura, in particolare in D.I.P. viene stabilito non solo guardando alla
particolarità del settore in cui opera ma anche ai tempi di produzione e spedizione comunicati dai
fornitori, alla reattività dell’ufficio acquisti e ai volumi di vendita che si sono stabiliti con il Sales
Budget.
Un altro elemento da considerare nel processo di previsione, è l’oggetto della stessa. Generalmente
le previsioni ai tre livelli temporali si differenziano tra loro per il crescente livello di aggregazione
degli oggetti della previsione: qualora la previsione venga effettuata a livello annuale, l’oggetto
della previsione saranno le varie famiglie di prodotti o i prodotti suddivisi per brand; qualora
invece si effettui una previsione settimanale, oggetto saranno i singoli prodotti a livello di codice
identificativo. Stessa logica viene utilizzata per la scelta della dimensione di mercato della
previsione.
DIMENSIONE DIMENSIONE DIMENSIONE
PRODOTTO TEMPORALE MERCATO
Business Unit Anno Totale mondo
Brand Trimestre Totale country
Famiglia Mese Area commerciale
Gruppo commerciale Quindicina Canale distributivo
Codice articolo Settimana Cliente
SKU Giorno Punto vendita
Figura 4. I tre livelli di aggregazione.
Bluespirit ha deciso di implementare il proprio processo di previsione per codice identificativo, in
quanto questo livello risulta di più semplice ed efficace analisi per distinguere prodotti continuativi
e prodotti di nuove collezioni che necessitano di una stima previsionale diversa e che in altri livelli
risulterebbero indistinti. Per quanto riguarda la dimensione mercato, l’azienda distingue la
previsione per canale distributivo (negozi diretti e negozi in franchising) e per area commerciale
(suddivisa in Italia ed Estero).
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 12La pianificazione della domanda nel fashion retail: il caso Bluespirit
6.2 Quadro generale dei metodi di previsione
Panel di esperti
Qualitativi/ Valutazione del reparto vendite
soggettivi
Indagini di mercato
Metodo Delphi
Metodi di Media mobile
previsione Serie storiche
Exponential smoothing
Analisi di regressione
Box Jenkins
Quantitativi/
oggettivi
Modelli econometrici
Indicatori economici
Regressione multipla
Figura 5. Quadro generale dei sistemi di previsione della domanda.
G. Basile, A. Bottan, F. Dallari, M. Di Mattia. L’organizzazione del processo previsionale nelle aziende italiane. Logistica, Ed. Tecniche Nuove,
Gennaio 2005.
I metodi per la previsione si suddividono in qualitativi e quantitativi. Le due macro aree non si
escludono a vicenda ma si integrano: i modelli oggettivi hanno infatti bisogno di giudizi che molto
spesso non provengono da dati aziendali, c’è infatti, per esempio, il bisogno di conoscere la
reazione del cliente ai prodotti per capire se ha senso che lo stesso continui a rientrare nel processo
di previsione o se è il caso di farlo uscire dal mercato. Allo stesso modo basare una previsione sui
soli giudizi umani, seppur provenienti da esperti, potrebbe portare l’azienda a fare numerosi e gravi
errori di previsione che a lungo andare potrebbero causarne un vero e proprio danno: ecco quindi
che arrivano in soccorso le analisi statistiche che perlomeno permettono di avere una visione più
obiettiva e certa di ciò che è avvenuto in passato e che potrebbe quindi ripetersi nel futuro.
Bluespirit utilizza tra i metodi qualitativi, il panel di esperti, individuati tra le funzioni aziendali
principali, che si incontrano periodicamente per monitorare la domanda commerciale e intervenire
con adeguate iniziative. Tra i metodi quantitativi, vengono utilizzati modelli basati sulle serie
storiche: ovviamente non viene implementato un unico modello ma vari modelli vengono utilizzati
insieme in modo tale che le informazione che uno non riesce a dare, le possa riportare un altro.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 13La pianificazione della domanda nel fashion retail: il caso Bluespirit
Di seguito verrà dapprima spiegata cos’è una serie storica e successivamente verranno rappresentati
i modelli statistici basati su media mobile, lisciamento esponenziale e regressione lineare che
risultano essere i più noti tra i metodi di analisi delle serie storiche di vendita.
7. SERIE STORICHE E ANALISI
La previsione si basa sulla combinazione tra un’estrapolazione di ciò che si è osservato in passato,
detta previsione statistica, e giudizi “informati” sugli eventi futuri in modo tale da combinare valori
che si ripetono con regolarità e/o con lo stesso effetto nel tempo, con nuovi valori individuati
attraverso un’analisi delle condizioni generali di mercato, da possibili iniziative aziendali di
marketing e anche da future commesse di clienti. L’assunzione implicita presente nei modelli di
analisi delle serie storiche di vendita, riguarda il fatto che la storia della domanda passata si ripeterà,
più o meno regolarmente, anche nel futuro.
L’analisi e la previsione possono essere così riassunte in tre fasi:
1. Le serie storiche (continue e regolari5) vengono scomposte nelle componenti standard, che
vengono aggregate a formare la baseline statistica della domanda prima di proiettarle nel futuro.
2. La componente di errore, non prevedibile statisticamente presente nella serie storica, viene isolata
tramite modelli di Sales Cleaning e analizzata attraverso modelli di regressione lineare, in cui
l’azione di variabili esterne indipendenti viene valutata misurandone gli effetti, se esistenti in modo
statisticamente significativo, sulla domanda di mercato.
3. La domanda prevista, effettuata utilizzando i risultati delle analisi dei due punti precedenti, viene
sottoposta a revisione, studiando l’eventuale scostamento verificatosi tra domanda prevista e
domanda effettiva.
5
Vengono utilizzate serie storiche continue e regolari che assicurano una maggiore attendibilità della previsione.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 14La pianificazione della domanda nel fashion retail: il caso Bluespirit
7.1 Che cos’è una serie storica?
Una serie storica, Y nel seguito, è una sequenza ordinata di misurazioni, tipicamente a cadenza
regolare, di un certo fenomeno. L’analisi delle serie storiche rappresenta un insieme di metodi
statistici e modelli matematici che hanno l’obiettivo di studiare le caratteristiche quantitative delle
serie storiche di domanda, disponibili al massimo livello di disaggregazione per i diversi segmenti
prodotto-mercato.
Una serie storica regolare è composta da una serie di componenti che si ripetono nel tempo con
periodicità significativa:
- St Stagionalità: componente della serie storica
che deriva dalle fluttuazioni cicliche di vendita
che descrivono le naturali stagioni di vendita che
caratterizzano i prodotti e i relativi cicli di
consumo da parte della clientela. Nei prodotti
Bluespirit la stagionalità è diversa a seconda dei prodotti: quelli continuativi sono
caratterizzati da due picchi stagionali, nei mesi di aprile-maggio, periodo di cerimonie
religiose come nozze, comunioni e cresime, e nel mese di dicembre per le festività natalizie.
Per i prodotti delle collezioni si hanno picchi nei mesi di febbraio (S. Valentino) luglio-
agosto, dicembre (Natale).
- Tt Trend: la componente evidenzia l’andamento
temporale tendenziale della serie storica nel
medio-lungo termine.
- Cc Ciclicità: la componente evidenzia fenomeni
che si presentano con una periodicità di lungo
periodo con cadenza appunto ciclica.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 15La pianificazione della domanda nel fashion retail: il caso Bluespirit
- εt Componente casuale: rappresenta la
componente di domanda non prevedibile. Viene
rilevata dopo aver rimosso le altre tre
componenti.
Dt = f(St, Tt, Cc) + εt
Si possono distinguere due tipi diversi di domanda commerciale:
1. Prodotti con domanda medio-elevata nell’orizzonte temporale di riferimento: in Bluespirit gli
articoli continuativi possiedono una domanda con un andamento di questo tipo.
D(t)
t
2. Prodotti connotati da domanda bassa e sporadica nell’orizzonte temporale di riferimento
D(t)
t
Gli andamenti della domanda commerciale possono essere così riassunti:
- Domanda costante: la domanda varia poco rispetto a un valore medio considerato stabile.
L’andamento della serie storica viene approssimato da una retta orizzontale che rappresenta
la media aritmetica dei valori passati.
D(t)
t
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 16La pianificazione della domanda nel fashion retail: il caso Bluespirit
- Domanda con trend: presuppone l’approssimazione della serie storica attraverso una retta
interpolatrice dei valori di consumo effettivi, mostrando una tendenza crescente o
decrescente nel tempo.
D(t)
t
- Domanda stagionale: presuppone un andamento ciclico dei consumi a cadenza stagionale.
In base al ciclo stagionale impostato nell’ anagrafica del materiale (numero dei periodi per
stagione) il sistema calcola la quantità prevista considerando per i periodi futuri la
ripetizione costante del ciclo.
D(t)
t
- Domanda stagionale con trend: costituisce una fusione dei modelli trend e stagione.
L’andamento della serie storica è allo stesso tempo stagionale e caratterizzato da una
tendenza crescente o decrescente.
D(t)
t
- Domanda intermittente: la domanda si verifica solo in alcuni periodi.
D(t)
t
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 17La pianificazione della domanda nel fashion retail: il caso Bluespirit
7.2 Individuazione degli outlier
Prima di procedere con l’individuazione delle componenti regolari di domanda, è necessario
compiere la pulizia della serie storica attraverso il processo di Sales Cleaning: vengono eliminati i
cosiddetti outlier, ovvero valori anomali dati da quantità molto elevate, nettamente superiori al
valore medio della serie, o da quantità molto ridotte. Gli outlier possono essere dovuti a:
- vendite spot di entità elevata dovute a ordini straordinari;
- attività promozionali di diversa durata, opportunamente progettate dal Marketing su
particolari segmenti prodotto-mercato;
- possibili stock out.
Il valore anomalo può essere individuato attraverso un intervallo di confidenza:
Dt distribuzione storica di domanda estesa su T periodi storici;
µD media della serie;
σD deviazione standard della serie.
L’intervallo di confidenza di livello (1-α) è definito tramite gli estremi inferiori LB D 6 e superiore
UB D 7
LBD= µD-k(1-α/2)* σD ; UBD= µD+ k(1-α/2)* σD
con k(1-α/2) percentile di ordine (1-α/2) della distribuzione N(0;1).
L’intervallo di confidenza è dato da (LBD, UBD).
Qualora il valore in esame cada al di fuori dell’intervallo, siamo in presenza di un outlier.
L’individuazione dei valori anomali è interessante e utile perché si potrebbe procedere con
un’analisi di regressione per identificare l’effetto che valori anomali dovuti a promozioni o altre
azioni aziendali, hanno sulla domanda, in modo da poter programmare future azioni simili di cui si
conosce l’effetto.
6
Lower Bound
7
Upper Bound
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 18La pianificazione della domanda nel fashion retail: il caso Bluespirit
7.3 Analisi di stagionalità e trend
Il primo passo nell’analisi delle serie storiche è l’isolamento delle componenti di stagionalità e
trend, le due variabili che vengono solitamente prese in considerazione per effettuare una
previsione.
A. Stagionalità
Avendo a disposizione N dati storici, di almeno due anni di “anzianità”, è possibile effettuare un’
analisi di autocorrelazione (ACF), calcolando il coefficiente di autocorrelazione rk per diversi valori
di k.
Ricordando che Dt = f(St, Tt, Cc) + εt
Tale analisi consente di confrontare a coppie i dati di domanda sfasati di k mesi, con il valor medio
della serie (M).
Una volta calcolati i valori di rk per diversi k, si analizza l’andamento di rk grazie ad un
correlogramma che esprime i diversi valori di rk in funzione dello scarto temporale k.
Se esiste un picco nella funzione di autocorrelazione in corrispondenza alla cadenza stagionale della
serie – k=4 e i suoi multipli per una serie trimestrale, oppure k=12 e i suoi multipli per una serie
mensile – siamo in presenza di stagionalità.
Nella figura a lato si ha una stagionalità di
passo annuale (L=12).
Figura 6. Morellato & Sector Group, 2011. Demand Planning Project.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 19La pianificazione della domanda nel fashion retail: il caso Bluespirit
Un ulteriore passo consiste nel calcolare L8 fattori di stagionalità (S9), ognuno dei quali calcolato
come il rapporto tra il valore della domanda in quel periodo i e il valore medio della domanda. Se
per esempio il valore calcolato per un periodo i-esimo è 1,362 significa che in quel mese le vendite
sono mediamente il 36,2% in più del valor medio delle vendite dell’anno.
Riportando i valori su un grafico, otteniamo la “figura di stagionalità”.
Figura 7. Morellato & Sector Group, 2011. Demand Planning Project.
8
L = passo della stagionalità, ovvero il valore di rk per cui k è massimo (molto vicino o uguale a -1 o + 1).
9
S = stagionalità.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 20La pianificazione della domanda nel fashion retail: il caso Bluespirit
B. Trend
Esistono varie tipologie di trend. Le più semplici si ottengono come polinomi nella variabile tempo.
I due esempi più semplici sono:
1) Trend lineare, che si ha quando l’incremento annuale è costante.
2) Trend quadratico, che si ha quando si mantiene costante l’incremento annuo percentuale.
Figura 8. Morellato & Sector Group, 2011. Demand Planning Project.
Mediante l’analisi di regressione è possibile identificare la natura della tendenza di fondo e
quantificarla. Se si assume un trend lineare bisogna stimare i coefficienti della retta di regressione
(es. metodo minimi quadrati).
Consideriamo un generico istante di tempo t1: per rappresentare il fenomeno potremmo utilizzare la
generica retta r al posto della domanda reale D(t 1), e individuiamo il corrispondente punto a+bt1,
commettendo così un errore quadratico nel punto pari a [D(t1)-(a+bt1)]2:
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 21La pianificazione della domanda nel fashion retail: il caso Bluespirit Per n punti, si ricerca la retta di parametri a e b che renda minima la sommatoria degli scarti al quadrato: Si assumeranno come parametri caratteristici della componente di trend i coefficienti della retta che meglio approssima l’insieme dei dati a disposizione. I coefficienti si determinano risolvendo il sistema: Sviluppando i calcoli si ottengono i seguenti valori di a e b: Se si pone l’origine dell’asse dei tempi sul valore medio, si avrà: Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 22
La pianificazione della domanda nel fashion retail: il caso Bluespirit
Per identificare la presenza di un trend è possibile, come nel caso della stagionalità, effettuare un
analisi di autocorrelazione (ACF). Infatti se i valori del coefficiente di autocorrelazione rk si
mantengono elevati al crescere di k, si è in presenza di un trend. Tuttavia a volte può capitare che
una serie storica sia affetta da stagionalità e anche da un trend marcato, che può risultare dominante
nell’analisi ACF, compromettendo la bontà di analisi delle serie storiche.
7.4 Alcuni modelli di previsione basati sulle serie storiche
7.4.1 Media mobile e media mobile pesata
La previsione del fabbisogno per un periodo futuro viene determinata dalla media aritmetica delle
richieste osservate durante n periodi anteriori. La media si dice “mobile” perché viene
costantemente aggiornata sostituendo via via l’ultimo dato disponibile al più lontano nel tempo.
Analiticamente il calcolo della media mobile applicata alla previsione per un periodo futuro
indicato con t risulta dall’espressione:
Dt = (dt-1 + dt-2 + … + dt-n)/n
dove:
Dt è la previsione per il periodo t;
dt-1 è la domanda effettiva nel periodo precedente;
n è il numero di periodi di ampiezza uguale a t.
Da ciò consegue che per elevati valori di n, la variabilità dei tempi anteriori risulterà più attenuata,
per valori piccoli risulterà accentuata.
Questo metodo però si utilizza in genere quando la domanda non cresce o decresce rapidamente e
non si ha componente stagionale.
Con la tecnica precedente viene dato lo stesso peso a tutti gli elementi della serie storica che
entrano nella media mobile. Con una media mobile pesata, invece è possibile attribuire un peso
diverso a ciascun elemento. La formula è la seguente:
Dt = p1*dt-1 + p2*dt-2 + … + pn*dt-n
dove p1;…;pn sono i pesi attribuiti in base all’esperienza ai rispettivi periodi tali che
Tipicamente più lontane nel tempo sono le informazioni, meno peso viene loro attribuito.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 23La pianificazione della domanda nel fashion retail: il caso Bluespirit
7.4.2 Lisciamento esponenziale
Il modello è un’evoluzione dei metodi precedenti, in cui vi è una maggiore affidabilità e accuratezza
dell’analisi. Si tratta infatti di un particolare tipo di media mobile, dove i fattori sono ponderati in
base a un parametro sottoposto a continua revisione che decresce geometricamente in funzione della
loro anzianità, potendo quindi agire sull’apporto informativo di ciascuno, cambiandone il peso in
funzione del grado di aggiornamento e della conseguente significatività. In pratica, alla fine di ogni
fissato intervallo di tempo t, il valore del parametro osservato, cioè la domanda Dt, viene modificato
alla luce dei mutamenti rilevati: se all’istante t-1 si è prevista una domanda Dt-1, mentre la domanda
reale successiva è risultata essere dt-1, si sarà commesso un errore pari a [dt-1 - Dt-1 ], dunque la
previsione successiva si effettuerà sommando all’ultima previsione Dt-1 , una percentuale α
dell’ultimo errore di previsione commesso [dt-1 - Dt-1 ].
La domanda prevista per il prossimo periodo t, è espressa dalla funzione:
Dt = Dt-1 + α(dt-1-Dt-1)
α definito come coefficiente di attenuazione esponenziale che è una misura di quanto si vuole
pesare l’errore. Considerando più periodi:
Dt = α*dt-1 + α*(1-α)*dt-2 + α*(1-α)2*dt-3 + … + α*(1-α)t-1*d0
Per α che si avvicina a 1, abbiamo un modello ipersensibile, in cui la previsione diventa più reattiva
(si dà maggior peso ai dati recenti); per α che si avvicina a 0, abbiamo un modello insensibile,
ovvero una semplice media mobile (si dà maggior peso ai dati del passato).
Al di là di un certo valore, il coefficiente diventa così piccolo da essere trascurabile: il numero N di
periodi necessari per individuare il nuovo valore della domanda prevista, dipende da α secondo la
relazione:
N = (2-α)/α
Si tratta di un modello di ponderazione che attribuisce pesi diversi a dati di anzianità diversa che
consente di adattare meglio e più velocemente i parametri caratteristici del modello ai mutamenti
che intervengono a modificare l’andamento della domanda: assumono importanza solo i valori più
recenti.
Questa tecnica è impiegata quando la domanda è stazionaria (modello di Brown). Nel caso in cui
invece la domanda sia caratterizzata da trend o, come nel caso di Bluespirit, da stagionalità, è
necessario introdurre un nuovo coefficiente di attenuazione esponenziale β e γ (rispettivamente
parliamo dei modelli di Holt e di Winters).
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 24La pianificazione della domanda nel fashion retail: il caso Bluespirit
7.4.3 Regressione lineare
Il modello forse più semplice e di immediata comprensione è quello della regressione lineare,
semplice o multipla. L’obiettivo dei modelli di regressione lineare è quello di ricercare un legame
funzionale fra un gruppo di variabili numeriche o categoriche, dette esplicative o indipendenti
(come il prezzo, il colore, l’area geografica o il sesso del cliente) e una variabile dipendente di tipo
esclusivamente numerico: uno studio di questo genere mira a definire se esista un nesso di causa-
effetto tra i valori assunti dalle variabili indipendenti, in parte controllate da decisioni aziendali e
oggetto di misurazioni, e la variabile oggetto dell’analisi che è potenziale conseguenza dei valori
delle variabili esplicative. Di seguito verrà presentata in breve, per semplicità, la regressione lineare
semplice.
La relazione lineare viene rappresentata dall’equazione
Y=a + bX + e
in cui a è l’intercetta, b l’inclinazione della retta ed e la deviazione dell’osservazione dalla relazione
lineare. Obiettivo dell’analisi è trovare i valori di a e b tali che la retta
presenti il miglior adattamento ai dati: per questo si può utilizzare il metodo dei minimi quadrati
visto in precedenza. Accade che le variabili siano correlate l’una all’altra: ci aiuta a capire se vi è
una relazione e la forza della stessa, il coefficiente di correlazione r10 che fornisce una misura della
correlazione lineare tra due variabili.
Il coefficiente di correlazione rxy viene calcolato come
in cui
Covxy è la covarianza tra X e Y ovvero
Sx e Sy sono la deviazione standard di X e Y.
10
r = coefficiente di correlazione campionario (ρ = coefficiente di correlazione, parametro ignoto che riguarda la
popolazione)
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 25La pianificazione della domanda nel fashion retail: il caso Bluespirit
r varia tra 0 e 1: quando r = 0 le variabili non sono correlate mentre se r = 1 le variabili sono
correlate positivamente (al crescere di una cresce anche l’altra); se r = - 1 le variabili sono correlate
negativamente (al crescere di una, l’altra decresce). L’assenza di relazione lineare non implica che
non vi sia nessun altro tipo di relazione, ma tra le due variabili potrebbe esserci, per esempio, una
relazione quadratica.
7.5 Monitoraggio delle previsioni
La domanda di un prodotto è la risultante dell’interazione di un notevole numero di fattori, troppo
complessa per essere descritta completamente e perfettamente da un modello matematico, perciò gli
errori di previsione sono inevitabili. Per questo è fondamentale procedere con il continuo confronto
tra domanda prevista e domanda effettiva che si verifica successivamente alla previsione. Le cause
di scostamento possono essere date da:
- il sopraggiungere di eventi particolari o anomali;
- la modificazione di alcuni componenti del modello;
- la presenza di nuove variabili esplicative;
- il cambiamento di alcuni legami tra le variabili del modello;
In generale l’errore di previsione del periodo t è dato dalla differenza tra il valore a consuntivo e
quello previsto:
Et = Dt - Pt
ERRORE MEDIO (ME)
Indica se l’errore è mediamente in eccesso o in difetto; gli errori
di segno opposto tendono ad annullarsi: fornisce solo
l’indicazione circa l’esistenza di un errore sistematico nella
previsione.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 26La pianificazione della domanda nel fashion retail: il caso Bluespirit
SCARTO MEDIO ASSOLUTO (MAD)
Misura la consistenza degli errori in valore assoluto e quindi gli
errori di segno opposto non si compensano. Tuttavia non
consente di cogliere la correlazione tra gli errori.
ERRORE ASSOLUTO MEDIO % (MAPE)
Consente di confrontare serie di valori differenti su scala
percentuale e a parità di errore in valore assoluto, il
MAPE penalizza maggiormente gli errori commessi in
periodi a bassa domanda. Perde significato se la serie
presenta valori di domanda nulli.
ERRORE QUADRATICO MEDIO (MSE)
Questo indice penalizza maggiormente gli errori elevati in
valore assoluto e fornisce indicazioni simili allo SDE.
L’unico neo è che l’unità di misura (unità al quadrato) è
poco pratica
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 27La pianificazione della domanda nel fashion retail: il caso Bluespirit
DEVIAZIONE STANDARD ERROR
.Si tratta dell’errore quadratico medio e coincide con la
deviazione standard solo se l’errore medio è nullo. E’ un
indice usato principalmente per dimensionare le scorte di
sicurezza. Fa riferimento ad un campione di n
osservazioni ed il termine n-1 indica il numero di gradi di
libertà cioè il numero di dati della serie storica che sono
indipendenti tra loro.
La misura dell’errore ottenuta attraverso questi metodi di calcolo, dipende dall’ordine di grandezza
dei dati: queste misure infatti non facilitano il confronto tra diverse serie temporali e per diversi
intervalli di tempo. Sono necessarie quindi misure dell’errore relative o percentuali.
Si definisce errore percentuale:
Le due misure relative dell’errore più utilizzate sono:
ERRORE MEDIO PERCENTUALE
Ovvero è la media di PE su più periodi.
ERRORE MEDIO PERCENTUALE ASSOLUTO
Nel PE e nel MPE gli errori di segno opposto tendono a
bilanciarsi perciò si usa il MAPE.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 28La pianificazione della domanda nel fashion retail: il caso Bluespirit 8. IL CICLO DI VITA DEL PRODOTTO Per un’azienda che opera nel mondo della moda è essenziale offrire continuamente al pubblico nuovi prodotti che siano in linea con i canoni di stile presenti nel mercato. Dal punto di vista del Planner però risulta difficile se non impossibile ricorrere a strumenti matematici o ad algoritmi statistici per prevedere la domanda futura di questi nuovi prodotti visto che, per definizione, non possiedono una storia di vendita da cui partire per formularne la pianificazione futura. Bluespirit risolve il problema utilizzando il modello del ciclo di vita del prodotto attraverso il cosiddetto metodo dell’analogy forecasting, secondo il quale la curva di ciclo di vita di un prodotto nuovo, viene costruita associandola alla curva di un prodotto già esistente che va a sostituire o ad affiancare. Tale associazione avviene per analogia relativa alla fascia prezzo dei prodotti e allo stile. La curva del ciclo di vita del prodotto descrive l’andamento delle vendite di un determinato articolo in funzione del tempo: per essere più precisi essa permette di comprendere non tanto quali saranno gli effettivi volumi di vendita ma di prevedere, anche se in modo approssimativo, quale sarà l’andamento della domanda prendendo in considerazione la tendenza del mercato e le iniziative di marketing. Mentre dunque la previsione dei prodotti già esistenti avviene basandosi su dati storici in possesso, la previsione per i nuovi prodotti viene effettuata ipotizzando dei dati storici sui quali viene costruita la relativa previsione. Secondo questo modello quindi, la vita di un prodotto, qualunque esso sia, si suddivide in quattro fasi che possono essere a loro volta suddivise in fasi minori a seconda del bisogno di avere una maggiore precisione e/o delle caratteristiche del prodotto: 1. Lancio (pending introduction e ramp up): il nuovo prodotto viene immesso nel mercato. La differenza tra la curva caratteristica di un prodotto continuativo e quella di un prodotto nuovo sta nel fatto che il prodotto definito new si trova proprio in questa fase, più precisamente in quella di ramp up, durante la quale si cominciano a ricevere i primi ordini e l’azienda investe fortemente sulle promozioni per far giungere il prodotto alla conoscenza dei clienti: la concorrenza non è molto elevata mentre il prezzo cresce leggermente man mano le vendite cominciano ad aumentare. Questa fase è caratterizzata da: - mancanza di dati storici specifici per l’item; - tassi di crescita potenzialmente elevati; - elevato livello di servizio atteso dalla rete; - basso livello di obsolescenza. Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 29
La pianificazione della domanda nel fashion retail: il caso Bluespirit
Maturity
Growth
Decline
Ramp up
Phase out
Portfolio removal
Pending introduction
2. Crescita (growth): la fase critica del lancio è stata superata e la domanda del prodotto nuovo
comincia a essere rilevante. Anche in questa fase è difficile formulare delle previsioni basate su
serie storiche poiché l’andamento della domanda nella fase di lancio poco rappresenta il possibile
andamento futuro delle vendite.
3. Maturità (maturity): la domanda del prodotto è stabile e regolare. Questa è la fase in cui si
collocano i prodotti che Bluespirit definisce continuativi. Tale fase è caratterizzata da:
- domanda relativamente stabile;
- modello di pianificazione basato su dati storici.
La durata della fase di maturità dipende dal prodotto ma soprattutto dalla capacità dell’azienda di
sostenerne l’acquisto attraverso efficaci campagne promozionali.
Per questi prodotti, la previsione prevede anche un aggiornamento manuale che tiene conto di:
- eventuali vendite sospese;
- eventuali effetti di cannibalizzazione dovuti all’introduzione di nuovi prodotti;
- modifiche delle percezioni e tendenze di mercato.
Maturity
Growth
Decline
Ramp up
Phase out
Portfolio removal
Pending introduction
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 30La pianificazione della domanda nel fashion retail: il caso Bluespirit
4. Declino (decline, phase out, portfolio removal): il prodotto comincia a essere percepito dal
cliente come obsoleto, superato da prodotti immessi nel mercato dalla stessa azienda o dai suoi
competitor. Quando i prodotti raggiungono questo livello, l’azienda accompagna la loro uscita dal
mercato. In particolare la fase di phase out, in cui il prezzo comincia a scendere, è caratterizzata da
due principali obiettivi che permettono di raggiungere la fase conclusiva di portfolio removal in cui
il prodotto viene gradualmente eliminato dai listini:
- obiettivo di diminuzione dello stock per ridurre l’alto rischio di obsolescenza;
- obiettivo della riduzione e azzeramento del riordino.
Maturity
Growth
Decline
Ramp up
Phase out
Portfolio removal
Pending introduction
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 31La pianificazione della domanda nel fashion retail: il caso Bluespirit
9. L’ANALISI ABC
Un buon Demand Planner sa che nelle proprie previsioni e nelle proprie analisi non deve
dimenticare un ulteriore e fondamentale elemento: il magazzino. Nel sistema previsionale infatti
l’analisi e la gestione delle scorte ricopre un ruolo importantissimo per una più corretta
pianificazione della domanda e per il miglioramento della reddittività aziendale.
L’analisi statistica più soventemente utilizzata al fine di ridurre le scorte di prodotti poco venduti,
analizzare la vita dei prodotti e prevenire il rischio di stock out, è il metodo ABC che deriva dal
Teorema di Pareto, il quale permette di individuare i prodotti sui quali focalizzare l’attenzione.
L’ABC prevede il calcolo del fatturato per singolo prodotto in modo da evidenziarne l’incidenza
percentuale sul totale: si elencano tutti gli articoli in ordine decrescente in base al fatturato di
vendita e si calcola la cumulata delle vendite per articolo. Si procede con la suddivisione degli
articoli in tre classi A-B-C appunto: la classe A contiene gli articoli che danno un’incidenza sul
fatturato dell’80% quindi quei prodotti che necessitano di una particolare attenzione perché
generano il fatturato maggiore, nella B un’incidenza dall’80% al 90%, nella C dal 90% al 100%.
Un’analisi così condotta risulta però incompleta: è necessario integrarla e incrociarla con
un’omologa ABC delle scorte valorizzate al costo di acquisto, quindi si classificano gli articoli
secondo il loro peso sul valore delle scorte.
Dall’analisi congiunta tra valore delle scorte e valore del fatturato, si ottengono 9 aree in cui si
trovano i vari articoli.
Figura 9. Morellato & Sector Group, 2011. Demand Planning Project.
Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 32La pianificazione della domanda nel fashion retail: il caso Bluespirit Nella diagonale 1-5-9 le scorte sono adeguate al fatturato del prodotto: nella casella 1 (A-A) si ha la situazione ideale come in 5 (B-B), anche se bisogna porre particolare attenzione perché eventuali stock out potrebbe ridurre notevolmente il fatturato visto l’elevato indice di rotazione11; nella casella 9 invece si ha la situazione opposta, ovvero si trovano articoli che sono in stock out o addirittura fuori mercato. La situazione dei prodotti nella casella 3 (A-C) è critica: a basso fatturato corrispondono elevate scorte ingiustificate con conseguente rischio di obsolescenza e si procede quindi con il blocco dell’approvvigionamento o con vendite promozionali. Per gli articoli nella casella 7 (C-A) presenta una situazione di elevato rischio di stock out, potrebbe infatti accadere che a un’improvvisa richiesta da parte del mercato di tale articolo, l’azienda non riesca a rispondere adeguatamente, comportando un inadeguato servizio al cliente che potrebbe erodere parte del fatturato. Le caselle 2-4-6-8 evidenziano minori criticità anche se per questi si auspica una migliore congruenza tra fatturato e scorte. La matrice ABC che incrocia i dati su fatturato e scorte è molto utile per esaminare l’andamento delle categorie dei prodotti nel tempo, per evitare rischi di stock out e per effettuare un semplice studio del ciclo di vita del prodotto che abbiamo visto essere in Bluespirit uno degli elementi fondamentali per un’adeguata previsione della domanda commerciale. L’ultimo passo del processo di pianificazione, una volta definita la domanda per il periodo di copertura definito, consiste nella nettificazione delle quantità previste con le quantità di prodotti già presenti in magazzino, al fine di mantenere un livello di scorte tale che sì permetta di rispondere a improvvisi aumenti di domanda ma non generi problemi quali il mantenimento di costi di gestione di magazzino eccessivi, o scorte di prodotti che diventano presto obsoleti e quindi rimangono invenduti generando una perdita per l’azienda. 11 Costo del venduto/costo della scorta media: misura il numero di volte in cui, nel periodo considerato, il magazzino si è svuotato. Martina Bertolini – Corso di laurea triennale in Economia & Management Pag. 33
Puoi anche leggere
