Beyond Accuracy: Evaluating Forecasting Models by Multi-Echelon Inventory Cost

Questo studio presenta una pipeline digitale che integra modelli di previsione tradizionali, machine learning e deep learning in un framework di simulazione, dimostrando che modelli come Temporal CNN e LSTM riducono significativamente i costi di inventario e migliorano i tassi di servizio rispetto ai metodi statistici tradizionali nel contesto del dataset M5 di Walmart.

L'essenziale

Immagina di essere il responsabile di un grande supermercato o di una catena di negozi. Il tuo compito più difficile? Indovinare esattamente quante mele, quante bottiglie di latte o quanti panini dovrai avere sugli scaffali domani.

Se ne metti troppi, sprechi soldi perché la merce scade o occupa spazio (costo di "eccesso"). Se ne metti troppo pochi, i clienti se ne vanno arrabbiati e tu perdi vendite (costo di "mancanza").

Questo articolo scientifico è come una grande gara di "indovini" per vedere quale metodo funziona meglio non solo per fare previsioni matematiche perfette, ma per risparmiare soldi veri e tenere i clienti felici.

Ecco la storia raccontata in modo semplice:

1. Il Problema: Non basta essere "bravi a scuola"

Fino a poco tempo fa, le aziende si fidavano di metodi classici (come l'ARIMA o la media mobile) per prevedere le vendite. Erano come studenti che prendono 10 in matematica ma falliscono nel mondo reale perché le vendite non sono mai lineari: a volte piove, a volte c'è un festival, a volte la gente compra solo il sabato.

I ricercatori hanno detto: "Aspetta, non guardiamo solo chi fa l'errore matematico più piccolo (l'accuratezza), ma chi fa risparmiare di più al negozio!".

2. La Gara: Sette Indovini contro Sette

Hanno preso i dati reali di vendita del gigante Walmart (un dataset famoso chiamato M5) e hanno messo in gara 7 diversi "indovini":

• I Vecchi Saggi: Metodi statistici classici (come la media semplice o le medie mobili).
• I Ragazzi Intelligenti: Machine Learning (alberi decisionali che imparano dai dati).
• I Geni del Futuro: Intelligenza Artificiale profonda (Deep Learning), come le LSTM (reti neurali che ricordano il passato) e le CNN Temporali (reti che vedono schemi lunghi come un film).

3. La Simulazione: Il Gioco del "Giornale"

Per testarli, hanno usato un gioco chiamato Newsvendor (il venditore di giornali).
Immagina di dover comprare i giornali ogni mattina. Non sai quanti ne venderai.

• Se ne compri 100 e ne vendi 50, ne butti via 50 (perdita).
• Se ne compri 50 e ne vendi 100, ne perdi 50 clienti (perdita).

Hanno fatto correre tutti e 7 gli indovini in questa simulazione per mesi. Chi ha fatto la previsione migliore ha vinto? No! Chi ha speso meno soldi per gestire le scorte ha vinto.

4. I Risultati: Chi ha vinto?

È emerso che i modelli di Intelligenza Artificiale (Deep Learning) erano nettamente superiori.

• Il modello chiamato Temporal CNN (una rete neurale che guarda il passato come se fosse un film) ha vinto la gara.
• Rispetto ai vecchi metodi, ha ridotto i costi di magazzino del 18% e ha aumentato la soddisfazione dei clienti (avendo sempre la merce giusta) di quasi il 10%.

È come se avessi un assistente che non solo guarda il calendario, ma capisce che "se piove e c'è il weekend, la gente compra più panini", mentre i vecchi metodi dicevano solo "di solito compriamo 50 panini".

5. La Metafora del "Treno e le Stazioni" (La Catena Multi-livello)

La parte più interessante è quando hanno guardato non un solo negozio, ma una catena intera: un magazzino centrale (il capoluogo) che rifornisce molti negozi locali.
Hanno scoperto che se il magazzino centrale sbaglia a prevedere quanto cibo serve, l'errore si propaga come un'onda d'urto:

• Il magazzino centrale ordina troppo poco.
• I negozi locali non ricevono merce.
• I clienti si arrabbiano in tutti i negozi.

I modelli di Intelligenza Artificiale sono stati capaci di gestire anche questa complessità, riducendo il caos lungo tutta la catena.

In Sintesi: Cosa ci insegna?

Questo studio ci dice che l'Intelligenza Artificiale non è solo una moda tecnologica.
Se un'azienda usa questi nuovi modelli "intelligenti" invece dei vecchi fogli di calcolo, può:

1. Spendere meno (meno merce invenduta, meno clienti persi).
2. Avere più clienti felici (i prodotti sono sempre sugli scaffali).
3. Resistere meglio agli imprevisti (come una pandemia o un cambio di moda).

In parole povere: non serve essere perfetti in matematica, serve essere bravi a risparmiare soldi. E in questo, l'Intelligenza Artificiale ha battuto tutti i vecchi metodi.

Sommario tecnico

Titolo: Oltre l'Accuratezza: Valutazione dei Modelli di Previsione tramite Costi di Inventario Multi-Livello

1. Il Problema

Le catene di approvvigionamento moderne affrontano una crescente volatilità e rischi di interruzione. Sebbene la digitalizzazione e l'IA offrano opportunità per migliorare la resilienza, esiste un divario critico nella valutazione delle previsioni della domanda:

• Focus sull'errore statistico: La maggior parte degli studi valuta i modelli di previsione (statistici, ML, Deep Learning) basandosi esclusivamente su metriche di errore (es. RMSE, MAE), ignorando l'impatto operativo reale.
• Mancanza di valutazione multi-livello: Pochi studi empirici collegano i miglioramenti nella previsione ai risultati dell'inventario in sistemi multi-echelon (es. Distributore Centrale - Negozio) utilizzando dati retail reali.
• Limiti dei modelli classici: Approcci tradizionali come ARIMA e smoothing esponenziale spesso falliscono nel gestire la domanda retail non lineare, intermittente e non stazionaria, senza quantificare come questi errori si traducano in costi di stockout o sovrastock.

2. Metodologia

Gli autori hanno sviluppato una pipeline integrata che collega la previsione della domanda alla simulazione dell'inventario.

• Dataset: Utilizzo del dataset M5 Walmart, focalizzato sulla sottocategoria "CA FOODS 1" (California, Reparto Cibo 1). I dati sono stati pre-elaborati includendo lag temporali, medie mobili e indicatori calendariali/eventi (es. SNAP).
• Modelli di Previsione (7 approcci testati):
  1. Naive (Lag-1): Baseline di persistenza.
  2. Holt-Winters (ES): Smoothing esponenziale con stagionalità settimanale.
  3. ARIMA(1,1,1): Modello lineare differenziato.
  4. Gradient Boosting Regressor (GBR): Ensemble di alberi decisionali.
  5. XGBoost: Modello di boosting regolarizzato ottimizzato per dati tabellari.
  6. LSTM (Long Short-Term Memory): Modello ricorrente globale per dipendenze a lungo termine.
  7. Temporal CNN: Modello convoluzionale causale con dilatazioni per catturare pattern a lungo raggio in modo efficiente.
• Simulazione di Inventario (Newsvendor):
  • I pronostici puntuali sono stati mappati in ordini ($Q = \max(0, \hat{D})$).
  • Metriche di Performance: Calcolo del costo medio giornaliero (combinazione di costi di possesso $h$ e costi di stockout $b$) e del Fill Rate (tasso di soddisfacimento della domanda).
  • Scenario Multi-Echelon: Estensione della simulazione a un sistema a due livelli (1 Centro Distributivo che rifornisce $S$ negozi). La domanda del DC è l'aggregazione delle previsioni dei negozi, e le scorte sono allocate proporzionalmente in caso di carenza.
• Analisi di Sensibilità: Valutazione delle performance al variare del rapporto tra costo di stockout e costo di possesso ($b/h$).

3. Contributi Chiave

1. Pipeline Unificata: Integrazione di modelli statistici, ML e Deep Learning in un unico framework di feature engineering e training.
2. Valutazione Operativa: Spostamento del focus dalle metriche di errore statistico ai KPI aziendali reali (costo totale e livello di servizio) tramite un simulatore Newsvendor.
3. Estensione Multi-Echelon: Implementazione di una simulazione DC-Negozio per analizzare come gli errori di previsione si propagano a monte e amplifichino i costi nell'intera rete.
4. Analisi di Robustezza: Valutazione dettagliata della stabilità dei modelli sotto diverse strutture di costi, fornendo insight pratici per la resilienza della supply chain.

4. Risultati Principali

• Performance Operativa: I modelli basati sull'apprendimento automatico, in particolare le architetture Deep Learning, hanno superato costantemente le baseline statistiche e naive.
  • Il Temporal CNN ha ottenuto il costo di inventario più basso (3.674 €/giorno) e il Fill Rate più alto (0.632), riducendo i costi del 18.7% rispetto al modello Naive.
  • L'LSTM ha ottenuto il miglior RMSE (2.207) e il secondo miglior costo di inventario.
  • Gli ensemble di alberi (XGBoost/GBR) hanno mostrato performance superiori rispetto ad ARIMA e Holt-Winters.
• Robustezza: I modelli Deep Learning (CNN e LSTM) hanno mantenuto la posizione di leader in termini di costi minimi attraverso tutti i livelli di penalità per lo stockout ($b=2, 5, 10$), dimostrando una migliore generalizzazione rispetto ai modelli classici.
• Effetto Multi-Echelon: L'analisi ha rivelato che la qualità della previsione a livello di Centro Distributivo ha un effetto sproporzionato a valle. Errori nell'aggregazione della domanda al DC si propagano ai negozi, amplificando i costi e degradando il servizio anche se le previsioni a livello di singolo negozio sono migliorate.

5. Significato e Implicazioni

• Decisioni Basate sui Dati: Lo studio dimostra che i miglioramenti nell'accuratezza della previsione non sono solo statistiche, ma si traducono direttamente in riduzioni quantificabili dei costi di inventario e in un migliore servizio al cliente.
• Scelta dei Modelli: Per i pianificatori della supply chain, l'indicatore principale per scegliere un modello non dovrebbe essere il solo RMSE, ma la capacità del modello di minimizzare i costi operativi in scenari con penalità asimmetriche (costo di stockout >> costo di possesso).
• Resilienza: L'adozione di modelli Deep Learning (come Temporal CNN) offre una maggiore resilienza contro la volatilità della domanda e le interruzioni della catena di approvvigionamento.
• Limiti e Futuro: Lo studio è limitato a una singola categoria di prodotti e a un orizzonte temporale specifico. Il lavoro futuro dovrebbe includere previsioni probabilistiche (quantili), controllo dell'inventario tramite Reinforcement Learning e reti più complesse con trasbordi laterali.

In sintesi, il paper fornisce un argomento economico diretto per investire in pipeline di previsione avanzate, dimostrando che l'uso di architetture Deep Learning in contesti multi-echelon porta a vantaggi operativi tangibili rispetto ai metodi tradizionali.