Nel panorama SAP esistono numerosi approcci di previsione. A partire da quello più semplice che esegue le previsioni in S/4 in base al consumo di beni e poi li porta all'esecuzione di rifornimento. Il prossimo strumento integrato consiste nell'utilizzare il processo di rifornimento in entrata POS multifase, anch'esso eseguito su S/4. La differenza tra i due è che il primo si basa sul consumo di beni IM che nel Retail proviene dall'IG relativo alle transazioni di vendita nei negozi, mentre il secondo si basa sulle vendite registrate nei POS.
Oltre agli strumenti integrati, molto spesso viene utilizzato anche lo strumento esterno di previsione, Forecast and Replenishment (F&R). L'applicazione fa parte della soluzione SAP SCM e presumo che richieda molte funzionalità per il calcolo da SAP APO.
L'ultimo strumento completamente dedicato al settore Retail è SAP Unified Demand Forecast (UDF). Questa applicazione risiede su SAP CAR e utilizza calcoli in memoria Hana molto potenti e un modello di regressione bayesiana. Questo strumento di previsione è dedicato al settore della vendita al dettaglio e della moda, tenendo conto degli aspetti specifici di tali settori come preconfezionamento, set di articoli, articoli di relazione generico-variante e dipendenze tra siti.
Prima di tutto, considerate questo articolo come un approfondimento sull'argomento della previsione con UDF poiché l'ambito delle funzionalità e della configurazione può essere un contenuto per numerosi libri.
Il processo di previsione inizia sempre con la modellazione che di conseguenza crea un modello dei nostri dati considerando il numero di fattori come stagioni, tendenze, impatto sui prezzi ecc. La funzionalità di modellazione cerca di spiegare i dati forniti a ciascun DIF (fattore che influenza la domanda) e valutarne il peso sul modello.
Il passo successivo è eseguire la previsione. Le previsioni utilizzano i risultati della modellazione e input forniti come promozioni e prezzi pianificati. L'UDF può prevedere gli effetti di eventi DIF simili in futuro e derivare da quelli la domanda futura.
Entrambe le attività possono essere eseguite in una serie di varianti dal punto di vista del prodotto e degli intervalli di ubicazione. Molto spesso abbiamo una nuova versione di un prodotto che non ha ancora lo storico delle vendite o l'apertura di un nuovo negozio con la stessa situazione. In questo caso la pianificazione viene effettuata utilizzando i dati del prodotto di riferimento oppure vengono utilizzate sia le gerarchie degli articoli che le dipendenze dei negozi.
- Aggregazione: se i dati storici sulle vendite a livello di ubicazione del prodotto sono scarsi, i fattori che influenzano la domanda (DIF) possono essere rilevati meglio a livello aggregato. In questo caso eseguire prima la modellazione sui dati aggregati. Quindi i risultati della modellazione e previsione aggregata aumentano la baseline e la previsione a livello di ubicazione del prodotto.
- Priori gerarchici: configurare il calcolo dei precedenti gerarchici per migliorare la modellazione dei prodotti per i quali sono disponibili pochi o nessun dato storico sulle vendite o dati promozionali. Con priorità gerarchiche, tali prodotti possono “ereditare” i risultati di modellazione esistenti da prodotti esistenti idonei lungo le gerarchie (gerarchie di prodotti, gerarchie di ubicazione, relazioni tra prodotti generici e le loro varianti).
Dato che la previsione è un compito piuttosto esperto che richiede un elevato livello di configurazione e conoscenza statistica, non tutti i cambiamenti di uno qualsiasi dei parametri dovrebbero riflettersi nel risultato della produzione. In UDF abbiamo la possibilità di scegliere una delle tre modalità durante l'esecuzione della modellazione delle previsioni.
- Modalità di produzione: questa è la modalità predefinita. È possibile pianificare l'esecuzione o eseguirla direttamente e i risultati verranno mantenuti nel database come nuovi risultati di modellazione o previsione.
- Modalità diagnostica: questa modalità è per valutazioni diagnostiche e analisi previsionali. Si specifica un ID diagnostico per ogni lavoro diagnostico che si desidera eseguire in una situazione in cui si desidera regolare alcuni parametri, testare il flusso e visualizzare i risultati di potenziali modifiche nella configurazione. Un esempio potrebbe essere impostare la scomposizione del DIF nell'ambiente di produzione e vedere i risultati.
- Previsione ipotetica: è possibile attivare l'esecuzione su richiesta. I risultati vengono forniti all'applicazione che li utilizza come richiesto (ad esempio, a SAP Promotion Management). Le previsioni "what-if" vengono spesso utilizzate durante la pianificazione perché consentono di valutare l'impatto di una particolare linea di condotta che potrebbe o meno essere eseguita in futuro (come un'offerta pianificata).
Origine dei dati: UDF supporta varie origini di serie temporali (come dati di punti vendita, dati di consumo o ordini di vendita). I più comunemente utilizzati nei dati POS che possono anche essere arricchiti con i dati degli ordini di vendita provenienti da altri canali di vendita (come l'e-commerce). I dati possono avere granularità giornaliera o settimanale ed è sempre consigliabile fornire i dati storici degli ultimi due anni in modo che il sistema possa distinguere stagioni, tendenze, ecc.
In sintesi per la previsione con UDF è necessario eseguire le seguenti attivazioni:
- Esegui la modellazione iniziale: facoltativo
- Esegui la modellazione gerarchica a priori: facoltativa
- Esegui la modellazione della gerarchia o del prodotto/ubicazione: obbligatorio
- Esegui previsioni per prodotto/ubicazione o assegnazione gerarchia: obbligatorio
Come scenario semplice, vorrei verificare quali modelli sono disponibili di serie in UDF e con la modalità diagnostica vedere l'influenza della modifica di alcuni parametri standard.
Tutta la configurazione viene eseguita in CAR nel nodo SPRO -> SAP CAR -> Demand Data Foundation -> Modeling and Forecasting.
Il primo passaggio consiste nel creare un ID diagnostico che verrà utilizzato per testare le modifiche dei parametri di modellazione e previsione.
Una volta definito l'ID diagnostico, il passaggio successivo consiste nel configurare quale origine dati viene utilizzata nel nostro modello e quale modello stesso verrà utilizzato.
- Le serie temporali nel mio caso (e presumo la maggior parte di esse) sono dati provenienti dal sistema POS.
- Il profilo di aggregazione nel mio caso non viene utilizzato ma, come descritto prima, può aiutare a raggruppare articoli per risultati più accurati poiché la maglietta viene venduta in diversi colori e taglie e la modellazione a livello aggregato fornirà sicuramente cifre più preziose.
- La categoria modello viene utilizzata solo se si desidera effettuare un'ulteriore suddivisione della modellazione per tipo MRP.
- La definizione del modello è il parametro più importante che descrive quale definizione del modello viene utilizzata e come viene presa in considerazione la scomposizione in particolari DIF del sistema o del cliente per calcolare i valori del modello. C'è molto altro da configurare in ciascuna definizione di modello rispetto solo ai DIF di sistema o cliente.
Nello standard vengono forniti i seguenti tre tipi: CPG, RTL, RTLSDP.
Dopo aver selezionato la definizione del modello è possibile impostare parametri che, ad esempio, influenzeranno il calcolo del sistema o aiuteranno a indagare sui risultati della modellazione
Il numero di parametri sia nelle aree di modellazione che di previsione è piuttosto significativo e alcuni di essi richiedono una profonda conoscenza statistica. Di seguito un esempio di quelli che ho impostato nel mio scenario.
Modellazione:
- MOD_COV_REDUCED – ‘ ‘ dipende da come viene generata la matrice di covarianza. Il valore vuoto è predefinito e significa pieno.
- MOD_OUTPUT_COV – "X" richiesto per il calcolo FCI o i priori gerarchici
- MOD_DAYS_IN_PERIOD – numero di giorni di cronologia delle vendite presi in considerazione per il calcolo dei dati del modello.
- MOD_OOSD_MIN_LEN – numero minimo di giorni senza vendite in modo che il sistema possa trattarlo come situazione esaurita.
- MOD_OUTPUT_DECOMP – 'X' consente la scomposizione di ciascuna influenza DIF sul modello. I risultati vengono archiviati nella tabella /DMF/UMD_TSD.
- MOD_OUTPUT_TS – 'X' Controlla il calcolo e l'output delle informazioni sull'adattamento del modello e sulla tracciabilità nella tabella /DMF/UMD_TS.
- MOD_TD_ERROR_VARIANCE – 'X' Controlla il calcolo e l'output delle varianze degli errori dipendenti dal tempo per la modellazione. Viene calcolata una varianza di errore separata per ciascun fattore che influenza la domanda.
Previsione:
- FC_HZN_DUR_DAYS – Numero di giorni da prevedere
- FC_OUTPUT_DECOMP – Abilita la scomposizione della domanda se si desidera produrre l'unità prevista per fattore di influenza della domanda (DIF). I risultati vengono archiviati nella tabella /DMF/UFC_TSD.
- FC_OUTPUT_FCI – Controlla il calcolo dell'indice di confidenza della previsione (FCI).
- FC_OUTPUT_TRACE – Controlla l'output di informazioni di traccia aggiuntive come prezzi dei prodotti, elenchi di prodotti archiviati nella tabella /DMF/UFC_TRC.
- FC_TD_ERROR_VARIANCE – 'X' Controlla il calcolo e l'output delle varianze degli errori dipendenti dal tempo per la previsione. Viene calcolata una varianza di errore separata per ciascun fattore che influenza la domanda.
Quando i parametri di modellazione e previsione sono stati impostati e assegnati all'ID diagnostico dell'opzione che è un collegamento alla definizione del modello utilizzato. La definizione del modello contiene un elenco di DIF utilizzati per calcolare i componenti dei valori finali del modello e seguire le previsioni.
Ogni DIF assegnato al modello dispone di parametri che descrivono se utilizzato in un modello (modalità DIF) e come sono raggruppati (mappatura DUS). Inoltre DIF dispone di parametri predefiniti utilizzati nel calcolo del modello e della previsione.
Oltre a presentare solo le proprietà di base del DIF e il suo utilizzo nel modello e nel calcolo delle previsioni, il numero di impostazioni configurabili che possono influenzare il calcolo è ad esempio il peso di ciascun giorno della settimana o il modo in cui il periodo prima o dopo le vacanze influenza i risultati del calcolo.
Di seguito sono presentati i risultati della modellazione eseguita con tre diversi modelli standard sulla stessa sonda dati (due anni di vendite storiche).
CPG – Definizione del modello di domanda settimanale SAP Retail per la stagionalità annuale con ACV attivo
Il valore calcolato per il 13/02 è 5.065 PC
RTL – Definizione del modello di domanda al dettaglio SAP per la stagionalità annuale
Il valore calcolato per il 13/02 è 4.935 PC
RTLSDP – Definizione del modello di domanda al dettaglio SAP per modelli stagionali brevi
Il valore calcolato per il 13/02 è 5.688 PC
I risultati della modellazione e della previsione vengono memorizzati rispettivamente nella tabella /DMF/UMD_TS e /DMF/UFC_TS dove sono memorizzati il valore del parametro FCI (per la previsione) e MOD VAL (per la modellazione). Il primo descrive come la quantità e la qualità dei dati statistici di input in base ai quali è stata generata la previsione e il secondo misura il modello calcolato che si adatta ai dati di input.
Se è stata attivata la scomposizione, il risultato di ciascun calcolo DIF viene memorizzato nella tabella /DMF/UMD_TSD. Per il modello RTL (schermo centrale) il valore del modello è 4.935 PC ed è stato calcolato in base ai valori di DIF:
- SYS:CAL:TRND = – 5.28373 (Mappatura DUS – BASE)
- SYS:CAL:WK:DAY = – 0,10121 (Mappatura DUS – BASE)
- SYS:CAL:YR:HRM = – 14,96814 (Mappatura DUS – STAGIONE)
- SYS:INT = 26,90757 (Mappatura DUS – BASE)
- SYS:PRC = – 1,61955 (Mappatura DUS – PREZZO)
In base a ciascun DIF calcolato e la sua assegnazione al gruppo BASE è 21,523 PC (blu sul modello) STAGIONE – 14,968 PC (arancione sul modello) e PREZZO -1,62 PC (blu scuro sul modello)
Il modo migliore per confrontare i risultati della modellazione e della previsione è impostare il giorno di inizio della previsione in un passato non lontano in cui sono disponibili dati storici sufficienti e confrontare i risultati ottenuti con i dati reali. Se il pianificatore ha osservato che il modello non descrive completamente i dati, è possibile incorporare il proprio DIF. Il DIF personalizzato è booleano o metrico. Il primo tipo può avere due valori, vero o falso. Il secondo può avere valori secondo la definizione DIF.
La propria definizione DIF viene creata con una nuova voce in /DMF/V_DIF dove oltre al tipo viene assegnato anche il livello di validità. Il passaggio successivo consiste nell'aggiungere DIF alla definizione del modello modificando il cluster /DMF/VC_MOD_DEF. L'importazione dei dati per il DIF personalizzato può essere eseguita dal modulo funzione /DMF/MDIF_USER_DIF_INBOUND e quindi dall'elaborazione della tabella di staging.
Spero che questo articolo dia un po' di luce sull'argomento UDF.