Presentazione di MMF Agent per i team di pianificazione della domanda
di Ryuta Yoshimatsu , Puneet Jain, Lourdes Angélica Martinez Medina, Lucas Bruand e Dael Williamson
*La previsione della domanda aziendale è diventata troppo complessa per gli strumenti legacy: milioni di serie storiche, la proliferazione di SKU e cicli di pianificazione serrati hanno superato sia la tecnologia che le competenze disponibili per gestirla
*MMF Agent è un workflow di AI guidato basato su Genie Code che rende accessibile il framework di previsione multi-modello di Databricks senza richiedere profonde competenze di data science
*I team che utilizzano MMF Agent riducono giorni di configurazione a poche ore, producono dati di addestramento più puliti e sbloccano miglioramenti dell'accuratezza multi-modello che in precedenza erano riservati alle organizzazioni con esperti di forecasting
La previsione della domanda è da sempre al centro della pianificazione nel settore retail e CPG. Determina le decisioni sull'inventario, orienta i programmi di produzione, guida gli investimenti nelle promozioni commerciali e definisce le condizioni per ogni successiva discussione di S&OP. Quando la previsione è errata, i costi si accumulano rapidamente, portando a rotture di stock, eccedenze di inventario, erosione dei margini e disservizi a valle che si ripercuotono sia sulla supply chain che sui team commerciali.
Ciò che è cambiato negli ultimi anni non è l'importance della previsione, ma il livello di difficoltà.
Un decennio fa, un demand planner che gestiva poche migliaia di SKU su una manciata di canali poteva controllare la qualità delle previsioni combinando modelli statistici, fogli di calcolo e una solida conoscenza aziendale acquisita sul campo. Quel mondo non esiste più per la maggior parte delle organizzazioni Retail e CPG. La proliferazione delle SKU, la crescita esplosiva dei canali di e-commerce, la frammentazione regionale e l'aumento di SKU promozionali a ciclo di vita breve hanno creato ambienti di previsione che la maggior parte degli strumenti legacy non è mai stata progettata per gestire.
Se un tempo un planner gestiva centinaia di serie temporali, oggi i problemi di previsione aziendale coinvolgono regolarmente centinaia di migliaia di serie, a volte molte di più. Ogni serie temporale ha il proprio profilo di stagionalità, le proprie caratteristiche di rapporto segnale-rumore e la propria sensibilità a variabili esterne come promozioni, meteo e condizioni macroeconomiche. Le tecniche statistiche che funzionavano bene su scala ridotta semplicemente non si generalizzano in modo affidabile con questo volume e questa varietà. L'accuratezza peggiora. La gestione delle eccezioni diventa insostenibile. La previsione perde la sua autorevolezza come input per la pianificazione.
La soluzione su cui converge la maggior parte dei team di previsione più avanzati è un approccio multi-modello: invece di selezionare una singola tecnica e applicarla in modo uniforme, si valuta una gamma di modelli rispetto ai dati reali e si lascia che siano i risultati a determinare quale funzioni meglio per ogni serie temporale. In pratica, questo produce un'accuratezza notevolmente migliore, ma crea anche una nuova sfida.
Eseguire una rigorosa valutazione previsionale multi-modello su scala aziendale non è un compito che può essere affidato a un business analyst o a un data scientist appena assunto. Richiede una profonda familiarità con i metodi di previsione statistica, i moderni approcci di machine learning e deep learning e, sempre più, con la classe di foundation model basati su architetture transformer emersi negli ultimi anni come strumento promettente per la previsione delle serie temporali. Richiede inoltre la capacità di configurare e gestire un'infrastruttura di calcolo distribuito alla scala necessaria per elaborare milioni di serie temporali all'interno di un ciclo di pianificazione.
Queste competenze sono scarse. Le funzioni di demand planning competono con ogni altra area dell'azienda per accaparrarsi i talenti della data science, e la combinazione specifica di conoscenza del dominio delle previsioni e padronanza dei sistemi distribuiti richiesta da questo lavoro è davvero rara. I team che ne dispongono sono produttivi. Quelli che ne sono privi si trovano bloccati in approcci legacy che offrono prestazioni inferiori rispetto alle alternative moderne, oppure dipendono da un singolo esperto la cui uscita crea un reale rischio organizzativo.
Anche per le organizzazioni che dispongono di questi talenti, l'impostazione di un corretto esperimento di previsione (configurazione delle risorse di calcolo, preparazione e pulizia dei dati, selezione dei parametri di valutazione, esecuzione dei backtest, interpretazione dei risultati) può richiedere giorni o settimane prima che venga completato un singolo confronto tra modelli. In un ambiente di pianificazione in cui la cadenza si misura in settimane, questo tempo di ciclo è spesso semplicemente troppo lento.
Nel 2024, Databricks ha rilasciato Many Model Forecasting (MMF), un framework open source creato per la previsione di serie temporali multi-modello su larga scala. MMF integra più di 35 modelli di previsione tratti dalle principali librerie open source, inclusi approcci statistici di statsforecast e sktime, modelli di deep learning di neuralforecast e foundation model per serie temporali di Chronos e TimesFM. Invece di affidarsi a una singola tecnica, MMF consente ai team di valutare contemporaneamente tutte le tecniche rispetto ai propri dati, selezionando automaticamente il modello con le migliori prestazioni per ciascuna serie temporale.
Il framework viene eseguito in modo nativo su Databricks, utilizzando il calcolo distribuito per elaborare i volumi richiesti dai problemi di previsione aziendali nei settori Retail e CPG. Decine di aziende ora eseguono pipeline di produzione su MMF per decisioni di pianificazione che influiscono direttamente sui ricavi e sugli investimenti nell'inventario. Il miglioramento dell'accuratezza e la riduzione del lavoro di previsione manuale sono stati risultati costanti in tutte queste implementazioni.
Ma MMF rimaneva uno strumento per esperti. La barriera non è mai stata il framework in sé, bensì la profondità delle conoscenze necessarie per configurarlo correttamente, prendere decisioni ponderate sulla configurazione del calcolo, sulla preparazione dei dati e sul design della valutazione, e interpretare i risultati in modo da poter effettivamente orientare le decisioni di pianificazione. MMF ha reso più veloci le previsioni a livello di esperti, ma non le ha ancora rese accessibili.
MMF Agent colma questa lacuna. Sviluppato su Genie Code, l'assistente alla codifica basato sull'AI di Databricks, MMF Agent racchiude il framework MMF in un flusso di lavoro interattivo e guidato che accompagna i team lungo l'intera pipeline di previsione, dai dati grezzi alla previsione distribuita, senza richiedere una profonda esperienza tecnica per l'utilizzo.
L'agente opera attraverso cinque fasi. Inizia esaminando i dati di input, identificando problemi di qualità, gestendo i valori mancanti e le anomalie e assicurando che tutto sia strutturato correttamente per il motore di previsione. Successivamente, profila e classifica le serie temporali nel dataset, separando le serie prevedibili da quelle con segnale insufficiente. Questo passaggio è facile da saltare quando si esegue MMF manualmente, ma migliora costantemente sia l'accuratezza che l'efficienza computazionale, indirizzando le risorse dove avranno il massimo impatto. Da lì, l'agente configura l'infrastruttura di calcolo appropriata per i modelli in fase di valutazione, esegue i job di previsione e gestisce la post-elaborazione e la selezione del modello, presentando i risultati in termini correlati ai risultati di business che interessano effettivamente al team di pianificazione. La breve panoramica di seguito mostra un demand planner che attraversa ciascuna di queste fasi con MMF Agent in Genie Code.
Ciò che differenzia questo approccio dalla semplice automazione di un flusso di lavoro è che l'agente è interattivo. Sfrutta l'integrazione di Genie Code con Unity Catalog per comprendere l'intero ambiente di dati dell'organizzazione, consentendogli di fornire raccomandazioni informate su quali dataset utilizzare, come arricchire i dati di addestramento con variabili esterne rilevanti e come interpretare le metriche di accuratezza delle previsioni in termini di business. Un responsabile della pianificazione che conosce la propria attività ma non è un data scientist può interagire con MMF Agent usando il linguaggio del demand planning (promozioni, stagionalità, mix di canali, orizzonti di pianificazione) e ricevere indicazioni basate sia sulle best practice di previsione che sulle specificità dei propri dati.
Il vantaggio più immediato è la velocità. Il lavoro di configurazione e sperimentazione che in precedenza richiedeva giorni di impegno da parte di data scientist esperti può essere completato in poche ore. Questa riduzione dei tempi è fondamentale in un ambiente di pianificazione perché consente ai team di eseguire più esperimenti, testare più configurazioni di modelli e rispondere più rapidamente ai cambiamenti delle condizioni di mercato. Questo aspetto è cruciale quando i pattern storici smettono di essere guide affidabili.
Anche l'accuratezza delle previsioni tende a migliorare. I passaggi di preparazione dei dati e classificazione delle serie in cui MMF Agent guida i team producono dati di addestramento più puliti e una selezione dei modelli più mirata rispetto a quanto si ottiene solitamente con gli approcci manuali.
Tuttavia, il cambiamento più significativo riguarda probabilmente la portata. I team di demand planning che non dispongono di data scientist dedicati alle previsioni possono ora operare con un livello di rigore metodologico precedentemente inaccessibile. La barriera delle competenze che limitava la previsione multi-modello alle sole organizzazioni dotate di talenti specializzati non è più quella di un tempo, aprendo questo approccio a una gamma molto più ampia di aziende Retail e CPG del mid-market.
Per i team che possiedono solide competenze tecniche, MMF Agent rende anche più semplice la personalizzazione del framework. MMF è sempre stato open source, ma all'atto pratico solo pochi team avevano le competenze necessarie per modificarlo. Quando l'agente ha accesso sia al codice sorgente che alle competenze di guida, può accompagnare gli ingegneri attraverso le modifiche in un linguaggio semplice: aggiunta di una nuova classe di modelli, regolazione della logica di backtesting e integrazione di una metrica di accuratezza specifica per il business. Le modifiche che un tempo richiedevano una profonda conoscenza del framework diventano accessibili a una gamma molto più ampia di ingegneri.
MMF e MMF Agent sono disponibili oggi. Le skill di MMF Agent sono disponibili nel repository GitHub di Many Model Forecasting, insieme alla documentazione e ai notebook di esempio che coprono l'intero flusso di lavoro. Installa le skill in Genie Code o in un ambiente agent locale, e il tuo assistente si occuperà del resto.
Per i responsabili del demand planning che desiderano previsioni migliori con il team e gli strumenti che già hanno, vale la pena dedicare un'ora del tuo tempo a esplorarla.
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.