MM032 – Advanced Analytics per il Manufacturing B2B

Pubblicato da Alessia Arditi il

Oggigiorno abbiamo a disposizione tantissime informazioni. Tuttavia, per poter competere sul mercato è necessario non solo disporre di informazioni, ma fare in modo che queste siano precise, accurate, affidabili e puntuali. Inoltre, è opportuno gestirle in una prospettiva funzionale rispetto al business della singola azienda, quindi effettuare attività di Business Intelligence (BI). La BI è la chiave di lettura ottimale per capire cosa è successo e cosa sta succedendo.

Per capire invece cosa potrà succedere in futuro, entrano in gioco gli strumenti di Advanced Analytics. Predictive analysis, data/text mining, machine learning, sentiment analysis, neural networks, forecasting etc., sono un insieme di tecniche che permettono di raccogliere e studiare le informazioni in tempo reale nonché predire comportamenti e trend futuri. Avendo a disposizione dati storici a sufficienza è possibile determinare cosa accadrà in un futuro prossimo, effettuando quindi un’analisi predittiva. Sulla base di queste previsioni è possibile poi intervenire sul futuro mediante un’analisi prescrittiva, ovvero prescrivere diverse azioni possibili per implementare e guidare l’attività verso una soluzione. Queste analisi possono fornire sostanziali benefici a qualunque azienda, indipendentemente dal settore di appartenenza e dal mercato di riferimento. Quando si hanno a disposizione tanti dati, è però fondamentale in primis effettuare un’attività di Data Exploration, che serve per comprendere meglio la natura dei dati e capire le loro caratteristiche.

Advanced analytics: algoritmi di forecasting

L’Advanced Analytics trova applicazione in una pluralità di campi, quali ambito bancario, ambito medico e/o sportivo, digital marketing etc.
Per esempio, prendendo in considerazione un’azienda rivenditrice, appartenente al mercato B2B del settore Manufacturing, può risultare utile concentrarsi sugli algoritmi di forecast, effettuando più nello specifico un’analisi di sales forecasting, quindi di previsione delle vendite. Fare previsione significa stimare il valore incognito o futuro di una certa grandezza, fermo restando il principio che l’incerto è incerto. Studiando l’evoluzione passata del fenomeno rispetto al tempo, le previsioni vengono effettuate ipotizzando che quanto avvenuto nel passato possa in qualche modo ripetersi anche nel futuro.

Previsioni accurate possono giocare un ruolo importante nell’aiutare un’organizzazione ad operare in modo efficiente ed efficace, portando molteplici vantaggi, quali:

  • ottimizzare la gestione del magazzino: prevenendo la domanda dei prodotti si può evitare di rimanere con il magazzino sfornito;
  • migliorare i rapporti con i clienti grazie all’evasione ottimale degli ordini;
  • organizzare promozioni o strategie specifiche per affrontare eventuali periodi di bassa stagionalità o specifiche difficoltà legate al proprio mercato di riferimento.

La statistica a supporto del forecasting

Per effettuare questa analisi utilizziamo una procedura statistica che consenta di identificare, stimare e valutare la bontà di un “modello statistico”. Esso deve essere cioè in grado di spiegare adeguatamente il passato, così da poter essere utilizzato a fini predittivi per il futuro.

La procedura può essere riassunta nei seguenti passi:

1) analisi preliminare della serie storica;

2) identificazione del modello più appropriato;

3) stima del modello identificato;

4) valutazione della bontà del modello stimato;

5) utilizzo del modello accettato per fare previsioni.

In un’analisi di questo tipo è molto importante identificare le componenti di tendenza, stagionalità e ciclicità. Inoltre, è fondamentale valutare la bontà di adattamento del modello risultante, per garantire che l’identificazione e la stima siano adeguate alla serie analizzata. Al termine, si potrà accettare il modello stimato o rimandarlo alla fase preliminare di analisi suggerendo nuove e diverse trasformazioni.

Come ultimo passo si valuta la capacità predittiva del modello attraverso strumenti grafici e indici sintetici. Per fare ciò è opportuno suddividere il periodo di osservazioni in due intervalli temporali: un training set, cioè un periodo di stima che contiene le osservazioni da usare per stimare il modello, e un test set, parte di osservazioni che costituiscono l’intervallo di previsione. Una delle misure sintetiche della capacità predittiva è costituita dal MAPE (Mean Absolute Percentage Error), una media dei valori assoluti degli errori relativi in percentuale. Un MAPE alto segnala che c’è molta differenza tra i valori stimati dal modello e i valori reali, quindi non ha una buona capacità previsiva. Se la capacità previsiva invece risulta buona si passa alla previsione vera a propria dei valori futuri.

Dall’Advanced Analytics ai vantaggi competitivi

In base alle esigenze di business dell’azienda è possibile quindi utilizzare diversi strumenti di Advanced Analytics a fini strategici di innovazione e integrare questi strumenti di analisi nei processi decisionali, così da ottenere un vantaggio sui competitor, e incrementare margini e ricavi. Statistica e tecnologia sono importanti se utilizzate in modo utile a fare evolvere l’azienda e migliorarne le performance.

Vuoi saperne di più? Contattaci!

(Pictures by Colin Behrens, Mediamodifier, Peggy und Marco Lachmann-Anke from Pixabay