A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

Nel complesso mondo delle catene di approvvigionamento, mantenere le scorte giuste è un costante gioco di equilibrio. Se una fabbrica o una compagnia aerea esaurisce un componente specifico, le operazioni possono arrestarsi, causando ritardi costosi. Ma se un magazzino è pieno di parti che non vengono mai utilizzate, il denaro resta fermo sugli scaffali e gli articoli potrebbero alla fine diventare obsoleti. Questa sfida è particolarmente difficile per i pezzi di ricambio utilizzati in macchinari e veicoli. A differenza della domanda per articoli di uso comune come pane o batterie, che le persone acquistano regolarmente, i pezzi di ricambio spesso rimangono intonsi per mesi o addirittura anni, solo per essere necessari improvvisamente quando un macchinario si guasta. Questo schema, in cui lunghi periodi di silenzio sono interrotti da richieste rare e imprevedibili, crea un problema di previsione unico. Gli strumenti di previsione standard, che funzionano bene per vendite costanti, spesso falliscono in questi casi. Tendono a ipotizzare che un pezzo sarà necessario a breve semplicemente perché la matematica lo suggerisce, portando a un accumulo di inventario non necessario, o mancano il momento raro in cui un pezzo è effettivamente richiesto.

Un team di ricercatori del Air Force Logistics College in Cina ha sviluppato un nuovo approccio per risolvere questo specifico enigma. Hanno creato un sofisticato modello informatico progettato per gestire questi schemi di domanda erratici e "zero-inflated" (a inflazione di zeri), dove la maggior parte dei mesi non mostra alcuna domanda. I ricercatori hanno testato il loro sistema utilizzando un dataset del mondo reale contenente i record della domanda di oltre 2.600 diversi pezzi di ricambio, tracciando il loro utilizzo in un periodo di oltre quattro anni. L'obiettivo era prevedere se un pezzo sarebbe stato necessario nei mesi successivi e, in tal caso, quante unità sarebbero state necessarie. Il loro nuovo modello, che chiamano Dynamic Adaptive Fusion Transformer, funziona dividendo il compito di previsione in due domande distinte: prima, il pezzo sarà necessario? e seconda, se necessario, quanti pezzi saranno richiesti? Trattando queste come problemi separati e combinando poi attentamente le risposte, il modello impara a riconoscere la differenza tra una vera mancanza di necessità e un picco raro di domanda.

I ricercatori hanno scoperto che questo approccio suddiviso, combinato con un meccanismo che consente al modello di regolare la propria fiducia, ha migliorato significativamente l'accuratezza. Nei loro test, il nuovo modello è stato molto più bravo ad evitare falsi allarmi rispetto ai metodi precedenti. Quando la domanda effettiva per un pezzo era zero, il nuovo modello prevedeva una necessità vicina allo zero, impedendo efficacemente il magazzino dall'ordinare pezzi che avrebbero solo preso polvere. Nello specifico, il modello ha ridotto l'errore nella previsione dei mesi a domanda zero a un livello molto basso, superando di gran lunga i metodi statistici tradizionali e altri strumenti moderni di machine learning. Tuttavia, lo studio ha anche rivelato un compromesso. Sebbene il modello sia diventato eccellente nel sapere quando non ordinare, occasionalmente è diventato leggermente più cauto nel prevedere grandi e improvvisi picchi di domanda. Ha soppresso con successo il rumore dei falsi positivi, ma a volte ha sottostimato l'entità di una richiesta genuina e urgente.

Per capire come funziona, immaginate il modello come un sistema che prima controlla un calendario e un registro storico per decidere se una richiesta è probabile. Se la cronologia mostra che il pezzo non è stato utilizzato da molto tempo, il sistema tende fortemente a prevedere lo zero. Se la cronologia mostra attività recente, il sistema sposta la sua attenzione sulla stima della quantità. I ricercatori hanno costruito un sistema di "gating" (controllo) che agisce come un controllore del traffico, decidendo quanto peso dare alla previsione "accadrà?" rispetto alla previsione "quanti?". Questo permette al modello di essere flessibile. Nei mesi in cui i dati suggeriscono un periodo di calma, il modello prevede con sicurezza lo zero. Nei mesi in cui i dati accennano ad attività, il modello apre la porta alla previsione di un numero positivo. Questo aggiustamento dinamico è ciò che permette al sistema di gestire l'estrema imprevedibilità dei pezzi di ricambio senza confondersi durante i lunghi periodi di silenzio.

Gli esperimenti hanno dimostrato che questo metodo è particolarmente efficace per i pezzi che sono raramente utilizzati ma critici quando necessari. Riducendo il numero di volte in cui il modello prevede erroneamente la necessità di un pezzo che non è effettivamente necessario, il sistema aiuta le organizzazioni a risparmiare denaro sulla conservazione ed evitare lo spreco di ordinare scorte obsolete. I ricercatori hanno notato che, sebbene il modello non sia perfetto nel prevedere l'esatta entità di un improvviso picco di domanda, la sua capacità di evitare falsi allarmi è un grande miglioramento. Nel contesto della gestione dell'inventario, dove il costo di mantenere scorte extra può essere elevato, questa precisione è preziosa. Lo studio suggerisce che, per molti pezzi di ricambio, la migliore strategia è essere molto cauti nel prevedere una necessità a meno che l'evidenza non sia forte, piuttosto che ipotizzare che la domanda possa apparire solo per sicurezza.

I ricercatori hanno testato il loro modello contro diversi altri metodi, inclusi i vecchi tecniche statistiche e i nuovi modelli di deep learning. I risultati sono stati chiari: il nuovo modello ha prodotto meno errori totali ed è stato molto più bravo nell'identificare i mesi in cui non si sarebbe verificata alcuna domanda. Infatti, guardando specificamente ai mesi in cui non erano necessari pezzi, le previsioni del nuovo modello erano significativamente più vicine allo zero rispetto a quelle degli altri metodi. Ciò significa che ha evitato con successo l'errore comune delle "previsioni positive spurie", in cui un modello vede un pattern che non esiste e ordina pezzi inutilmente. Lo studio ha anche confermato che ogni parte del nuovo sistema svolgeva un ruolo vitale. Rimuovendo la parte che controlla l'occorrenza della domanda, il modello è diventato peggiore nel gestire i mesi a domanda zero, mentre rimuovendo la parte che controlla la dimensione della domanda, è diventato meno accurato quando i pezzi erano effettivamente necessari. La combinazione di questi elementi, gestita dal meccanismo di fusione adattiva, ha creato un sistema più robusto di qualsiasi singolo componente da solo.

Sebbene il modello eccella nel prevenire l'ordine eccessivo, i ricercatori hanno ammesso che ha ancora spazio per migliorare per quanto riguarda la previsione dell'entità di eventi rari ad alto volume. Nei loro test, il modello ha talvolta previsto un numero di pezzi inferiore a quelli effettivamente necessari durante un improvviso aumento. Ciò suggerisce che, sebbene il sistema sia ottimo nel sapere quando restare in silenzio, può ancora essere un po' conservativo quando arriva il rumore di un picco di domanda reale. Gli autori propongono che il lavoro futuro potrebbe prevedere l'aggiunta di regole specifiche per gestire questi picchi estremi o la combinazione dell'output del modello con le politiche di scorta di sicurezza per garantire che i pezzi critici non vengano mai mancati. Per ora, lo studio dimostra che, scomponendo il problema di previsione in pezzi più piccoli e gestibili e lasciando che il modello decida come ponderarli, è possibile creare un sistema molto più intelligente per gestire il mondo imprevedibile dei pezzi di ricambio.

Le implicazioni di questo lavoro si estendono oltre i settori militare o dell'aviazione, in cui si trovano i ricercatori. Qualsiasi industria che dipenda dalla manutenzione di apparecchiature con parti utilizzate infrequente potrebbe beneficiare di questo approccio. Dalla produzione industriale alla riparazione automobilistica, la sfida di prevedere la domanda intermittente è universale. Il successo del Dynamic Adaptive Fusion Transformer suggerisce che il futuro della gestione dell'inventario non risiede nel cercare di imporre una singola, semplice previsione su dati complessi, ma nel costruire sistemi che possano comprendere i diversi stati della domanda e adattare la propria strategia di conseguenza. Imparando a distinguere tra una vera mancanza di necessità e un raro momento di alta attività, questi sistemi possono aiutare le aziende a operare in modo più efficiente, mantenendo le loro catene di approvvigionamento snelle senza rischiare la disponibilità dei pezzi di cui hanno più bisogno.