In questo articolo vogliamo affrontare l'importanza della Forecast Accuracy nell'analisi delle previsioni aziendali e spiegare i passaggi chiave per impostare questo indicatore; infine, evidenziare l'importanza di dati accurati e logiche di calcolo adeguate.

Un caso aziendale dimostrerà come l'implementazione di un nuovo modello abbia migliorato la precisione delle previsioni e aumentato il livello di servizio ai clienti, sottolineando l'utilità della Forecast Accuracy nel monitoraggio delle performance aziendali.

L’indicatore chiave per il controllo del processo di “demand planning”

La Forecast Accuracy è lo strumento che permette di misurare quanto le previsioni aziendali si avvicinino effettivamente alla reale richiesta del mercato. Questa misurazione offre all’azienda un quadro chiaro e tangibile dell'efficacia delle previsioni, consentendo di valutare la bontà degli strumenti utilizzati per effettuare le previsioni e di apportare eventuali correzioni e miglioramenti all’intero processo di gestione della domanda. 

Cosa significa migliorare e avere sotto controllo la Forecast Accuracy?

La corretta gestione delle previsioni può consentire di ottenere notevoli benefici per l’azienda:

• Livello di servizio: più riesco a prevedere ciò che mi chiederà il cliente maggiore sarà l’affidabilità in termini di quantità, lead time e consegna.
• Magazzino: facilita la riduzione di stock out e perfeziona i livelli di scorta degli articoli a magazzino ottimizzando i costi inventariali.
• Costi e complessità: riduce l’impegno tipicamente necessario a contenere l’alta incertezza e quindi i costi connessi. 

L'implementazione di un sistema di misurazione delle performance consente di quantificare oggettivamente i risultati ottenuti, fornendo una valutazione basata sui dati anziché sulle impressioni soggettive, superando in questo modo i comuni bias mentali.

Tre passaggi per impostare l’indicatore

1. Chiarire dinamiche temporali oggetto della misurazione. La Forecast Accuracy è un indicatore che misura il grado di vicinanza tra un dato effettivo e un dato previsto. Quest’ultimo nasce da un processo di creazione e aggiornamento delle previsioni che, in funzione del contesto aziendale, ha una sua frequenza e un determinato orizzonte di riferimento (per esempio aggiorno ogni settimana la settimana successiva oppure ogni mese aggiorno l’intero anno). Importante è quindi settare il punto di controllo più corretto al proprio contesto in funzione della frequenza di aggiornamento dell’indicatore e dell’orizzonte che si vuole misurare (potrei misurare mensilmente il venduto rispetto alla previsione fatta il mese precedente). 

2. Impostare e archiviare la base dati, ovvero archiviare in uno o più database tutte le informazioni rilevanti per gestire il corretto livello di dettaglio dell’indicatore. Oltre al dato quantitativo e/o al valore della previsione e della domanda nel periodo, è fondamentale raccogliere tutti i parametri che possono essere variabili misurabili e quindi soggette ad analisi per il miglioramento (ecco alcuni esempi: unità di misura, codice articolo, SKU, famiglia prodotto, cliente, area geografica, colore, ecc.). Nota importante: fare riferimento all’ordinato e non al venduto (se dai clienti sono richiesti 100 pz, ma dal database dei venduti risultano 90 pz a causa di indisponibilità a magazzino, il calcolo corretto per la misurazione della Forecast Accuracy deve considerare 100 pz). 

3. Definire le logiche di calcolo. Tra le modalità di calcolo più usate, un buon compromesso tra complessità di calcolo e affidabilità del dato è l’utilizzo di una base di calcolo che si fondi su MAE (Mean Absolute Error). Riportiamo un esempio numerico per chiarire la logica di calcolo e il significato:

L’errore non è altro che lo scostamento tra la previsione fatta e la richiesta effettiva. Può essere uno scostamento con segno positivo o negativo a seconda che la previsione sia superiore o inferiore alla domanda. Ai fini di questo indicatore non ha significato rilevare il segno (per queste valutazioni vengono utilizzati altre tipologie di KPI) e per questo l’errore viene considerato in valore assoluto, quindi senza segno e rapportato alla richiesta per avere un valore percentuale. 

Per aggregare i dati e avere un valore complessivo, in caso di analisi su più codici (o famiglie), può essere sufficiente sommare i valori delle previsioni e delle richieste calcolando i parametri in percentuale oppure pesare ogni singolo codice. Nel caso aziendale che segue verrà riportato un esempio. 

Come analizzare la Forecast Accuracy e qual è un buon livello?

Non è scontato definire un benchmark di riferimento, in quanto influiscono più aspetti: dalle modalità di calcolo utilizzate, a eventuali customizzazioni apportate, alle eccezioni e alla base dati con cui vengono archiviate le informazioni.

Per questo è importante misurare con continuità nel tempo i risultati ottenuti, registrando i trend ed, eventualmente, individuando possibili azioni di miglioramento nel processo o negli strumenti utilizzati per fare le previsioni e gestire le vendite. 

IL CASO AZIENDALE

Ci troviamo all’interno di una tra le maggiori realtà italiane per la produzione e la fornitura di carni fresche. L’esigenza del cliente è capire il livello di precisione delle previsioni di vendita generate dall’ufficio Costumer Service. 

Il grado di affidabilità delle previsioni in questo settore risulta essere una leva fondamentale per garantire il livello di servizio ai clienti, tra i quali si collocano le principali aziende leader della Grande Distribuzione. 

Il progetto nasce dalla necessità di analizzare e migliorare sia il processo che gli strumenti al momento presenti in azienda per la creazione e l’aggiornamento delle previsioni. 

È stato implementato uno strumento Excel in grado di generare e sviluppare in maniera automatizzata l’aggiornamento delle previsioni. Parallelamente a questa fase di progetto, è stato sviluppato l’indicatore della Forecast Accuracy con una duplice finalità:

1. Misurare il livello di precisione delle previsioni pre-modello per confrontarlo con quello ottenibile con quello nuovo. L’obiettivo era capire il livello di affidabilità del nuovo modello rispetto al passato e confermarne quindi le modalità di utilizzo e i parametri in uso.
2. Attestare un valore attuale di misurazione della performance per capire il livello di accuratezza complessivo della previsione. 

La scelta della modalità di calcolo della Forecast Accuracy

1. Analisi del contesto e dinamiche temporali: la complessità del settore fresco-alimentare è aggravata da due leve che rendono l’affidabilità delle previsioni ancora più strategica:

• Alta deperibilità del prodotto (shelf life): un articolo prodotto ha un periodo di tempo limitato in cui conserva le sue caratteristiche di qualità e sicurezza prima di diventare scarto.
• Breve lead time da ordine: gli ordini cliente sono tipicamente gestiti in logica AxB ovvero ordini ricevuti dall’azienda entro la mattina per consegna il giorno successivo al cliente. 

Entrambe queste dinamiche non permettono di fronteggiare eventuali variazioni anche minime delle vendite rispetto alla previsione con le scorte di sicurezza. È in un contesto come questo che il livello di affidabilità della previsione diventa ancora più importante e poterlo misurare e controllare diventa fondamentale. 

Anche per gestire al meglio questa complessità l’azienda aggiorna le previsioni settimanalmente con dettaglio giornaliero delle quantità per ogni singolo articolo e per ogni singolo cliente. L’indicatore della Forecast Accuracy è stato replicato quindi con tale frequenza e orizzonte di aggiornamento. (ad esempio, all’inizio della settimana 5 vengono inviate le previsioni di vendita della settimana 6. Concluse le vendite della settimana 6 viene confrontata l’accuratezza delle previsioni rispetto alle vendite). 

2. Gestione della base dati

Il sistema gestionale (ERP) permetteva di consultare solo parzialmente le informazioni sul venduto; infatti, non era presente un database informativo in cui venivano archiviate previsioni e venduto in modalità integrata. È stato quindi necessario sviluppare con l’area IT dell’azienda una data collection mirata, con tutti i parametri ritenuti fondamentali per la creazione di un KPI esaustivo. 

3. Modalità di calcolo utilizzata

È stato impostato un foglio di calcolo che per cliente e per ogni articolo gestito fosse in grado di aggiornare dinamicamente il valore delle quantità previste rispetto all’effettivo ordinato di ogni settimana. Sulla base di questi valori è stato quindi calcolato l’errore percentuale e la Forecast Accuracy ottenuta per ogni singolo articolo. Inoltre, vista la variabilità delle quantità tra i diversi articoli, è stato ritenuto corretto pesare il valore di ogni singola referenza rispetto al totale, per poter calcolare infine un indicatore complessivo di Forecast Accuracy settimanale:

Dal foglio di calcolo settimanale i dati sono stati riuniti in un foglio di riepilogo, con l’obiettivo di registrare tutti i valori ottenuti settimana dopo settimana e visualizzare il trend: