Blog

Jun 03, 2023

Perché i pianificatori della domanda non adottano il machine learning?

Olga è una meteorografa con esperienza nella previsione delle vendite di nuovi prodotti per i grandi clienti al dettaglio. Attualmente lavora presso HAVI come Senior Manager, North America Forecasting. La sua area di competenza è la

Olga è una meteorografa con esperienza nella previsione delle vendite di nuovi prodotti per i grandi clienti al dettaglio. Attualmente lavora presso HAVI come Senior Manager, North America Forecasting. La sua area di competenza è lo studio di ciò che rende le promozioni di successo: merce, media, pubblicità digitale, tattiche di prezzo e preferenze dei consumatori. Ha conseguito una laurea in Economia presso l'Università Tecnica Nazionale dell'Ucraina e un master in Economia Finanziaria presso la Carleton University di Ottawa, Canada.

Sappiamo tutti che l'apprendimento automatico (ML) e l'intelligenza artificiale entusiasmano la comunità di analisi e scienza dei dati. Ogni dipartimento di previsione che si rispetti sta sviluppando algoritmi di ML per prevedere chi cliccherà, acquisterà, mentirà o morirà (per prendere in prestito il titolo del lavoro fondamentale di Eric Siegel sull'argomento). Tutte le conferenze e le pubblicazioni sull'analisi sono piene di parole d'ordine sull'intelligenza artificiale.

Ma quando si tratta di implementazione nella vita reale, la maggior parte dei previsori della domanda è piuttosto cauta nell’implementare l’apprendimento automatico. Perché? L'apprendimento automatico non è semplicemente una questione di previsione, che è letteralmente un lavoro da meteorologi? Esploriamo le opportunità e le insidie ​​dell'applicazione del machine learning nelle previsioni.

Esiste una sottile differenza nel modo in cui la previsione e il machine learning definiscono la "previsione". Quando i meteorologi dicono "previsione" intendiamo una previsione sul futuro. I metodi di previsione tradizionali includono la modellazione di serie temporali, equazioni algebriche e giudizi qualitativi. Di conseguenza, le previsioni tradizionali sono in qualche modo manuali, richiedono molto tempo e possono essere influenzate dal giudizio umano. Tuttavia, i risultati sono facilmente interpretabili ed è un processo agile; il Forecaster sa da dove provengono i numeri e può facilmente apportare le correzioni necessarie. Inoltre, le previsioni tradizionali possono essere effettuate con dati limitati.

L'apprendimento automatico o la "previsione" del modello statistico si riferisce alla previsione del passato. Sembra un po' controintuitivo, ma l'idea è quella di confrontare la "previsione" del modello con la realtà e misurare la differenza o l'errore. Questi errori vengono utilizzati per mettere a punto il modello per prevedere il futuro. Di conseguenza, le previsioni dei modelli sono fortemente guidate dalle performance passate e sono quasi impossibili da mettere a punto. Inoltre, l’interpretabilità dei modelli è molto limitata. Un altro fattore da considerare è che, per progettazione, il machine learning richiede molti dati. Il lato positivo è che l’apprendimento automatico è rapido, automatizzato e oggettivo, poiché è libero dal giudizio umano.

Gli algoritmi di machine learning e intelligenza artificiale sono stati creati per un mondo digitale con dati quasi illimitati su clic, acquisti e dati di navigazione dei clienti. Come sappiamo, questi algoritmi svolgono un ottimo lavoro inducendoci a effettuare acquisti ripetuti, acquistare articoli gratuiti e iscriverci a programmi fedeltà. Il costo irrecuperabile dell’errore di previsione (perdita di vendite) è relativamente basso. Inoltre, ogni errore è un’opportunità per l’algoritmo di machine learning di migliorarsi.

Tuttavia, il mercato del mondo reale è molto diverso da quello digitale. I dati qui potrebbero essere limitati alle vendite del registratore di cassa, ai dati del programma fedeltà o ai dati di spedizione. Il costo irrecuperabile dell’errore di previsione può essere piuttosto elevato poiché ristoranti e rivenditori effettuano acquisti in blocco. Inoltre, le previsioni non possono migliorare da sole poiché non esiste un ciclo di feedback automatico. Per questi motivi, molti rivenditori fisici e i loro fornitori si affidano ancora ai metodi di previsione tradizionali. Ciò non significa che il machine learning non possa offrire opportunità per migliorare le previsioni, ma ci sono alcune considerazioni che devono essere affrontate prima di avventurarsi nel machine learning.

Qualsiasi algoritmo di apprendimento automatico richiede molti dati. Per molti dati non intendo date o variabili. I modelli di machine learning funzionano su livelli di osservazione definiti: possono essere clienti, negozi, ecc. Ne occorrono almeno un migliaio (se non migliaia) affinché il machine learning funzioni. Se il campione è limitato a soli 10 negozi, probabilmente è meglio astenersi dall’apprendimento automatico e utilizzare invece tecniche di serie temporali. Un altro fattore da considerare è il costo di mantenimento dei dati. È facilmente disponibile o deve essere inserito manualmente? I dati devono essere ingegnerizzati? Si tratterebbe di uno sforzo una tantum o di un processo continuo che richiede risorse umane e informatiche? Quale sarebbe il costo di archiviazione dei dati nel corso degli anni?