Business Analytics: prospettive di lungo periodo ed esperienze localiSedoc Digital Group
Intervento di Roberto Arreghini, Sedoc Digital Group e Paola Massarenti, SECI SpA
"Business Analytics: prospettive di lungo periodo ed esperienze locali"
22 novembre 2012 ORE 17.00
programma:
17.00 Accredito presenti
17.15 introduzione ai lavori Luca Torri Presidente “Club Digitale”, Associazione Industriali di Reggio Emilia e Marco Pederzini Consigliere “Club Digitale”, Responsabile progetto territoriale “REady-IT”
17.30 intervento di Marco Zacchigna Direttore Sviluppo Servizi Consulenza, IBM Italia
"Business Analytics: il futuro a portata di mano. Il percorso dai primi passi al Big Data"
18.15 intervento di Francesco Tessoni Direttore Marketing, Sedoc Digital Group e Paola Massarenti Responsabile Business Intelligence e Reporting, S.E.C.I SpA - Gruppo
Industriale Maccaferri
"Business Analytics: il caso Eridania. Strumenti a supporto dei processi di previsione"
18.40 Conclusioni
19.00 Chiusura lavori e aperitivo
Costi decisionali - 4. I Costi OpportunitàManager.it
The document discusses opportunity costs and how they relate to constrained resources. It provides an example of a company, Ensign Company, that produces two products using a machine called A1 as its constrained resource. The document determines that Ensign should focus production on Product 2, as it makes more efficient use of the constrained resource, Machine A1, generating a higher contribution margin per minute of machine time than Product 1. A proposed production plan is provided that fully utilizes the constrained resource to maximize total contribution margin.
This document provides information about a Canvas 101 presentation by Martin Cisneros of the Santa Clara County Office of Education. It includes Martin Cisneros' contact information, the date and time of the presentation, a link to the presentation slides, and background information on Canvas as a learning management system designed for K-12 education that allows teachers to integrate digital tools and resources.
Lezione 2, SCM & operations, prof. Gandolfo Dominici, Università di PalermoGandolfo Dominici
Lezione 2, SCM & operations, prof. Gandolfo Dominici, Università di Palermo, Corso di Laurea Magistrale in Scienze Econonico aziendali, indirizzo gestione delle imprese, Facolta di Economia
Business Analytics: prospettive di lungo periodo ed esperienze localiSedoc Digital Group
Intervento di Roberto Arreghini, Sedoc Digital Group e Paola Massarenti, SECI SpA
"Business Analytics: prospettive di lungo periodo ed esperienze locali"
22 novembre 2012 ORE 17.00
programma:
17.00 Accredito presenti
17.15 introduzione ai lavori Luca Torri Presidente “Club Digitale”, Associazione Industriali di Reggio Emilia e Marco Pederzini Consigliere “Club Digitale”, Responsabile progetto territoriale “REady-IT”
17.30 intervento di Marco Zacchigna Direttore Sviluppo Servizi Consulenza, IBM Italia
"Business Analytics: il futuro a portata di mano. Il percorso dai primi passi al Big Data"
18.15 intervento di Francesco Tessoni Direttore Marketing, Sedoc Digital Group e Paola Massarenti Responsabile Business Intelligence e Reporting, S.E.C.I SpA - Gruppo
Industriale Maccaferri
"Business Analytics: il caso Eridania. Strumenti a supporto dei processi di previsione"
18.40 Conclusioni
19.00 Chiusura lavori e aperitivo
Costi decisionali - 4. I Costi OpportunitàManager.it
The document discusses opportunity costs and how they relate to constrained resources. It provides an example of a company, Ensign Company, that produces two products using a machine called A1 as its constrained resource. The document determines that Ensign should focus production on Product 2, as it makes more efficient use of the constrained resource, Machine A1, generating a higher contribution margin per minute of machine time than Product 1. A proposed production plan is provided that fully utilizes the constrained resource to maximize total contribution margin.
This document provides information about a Canvas 101 presentation by Martin Cisneros of the Santa Clara County Office of Education. It includes Martin Cisneros' contact information, the date and time of the presentation, a link to the presentation slides, and background information on Canvas as a learning management system designed for K-12 education that allows teachers to integrate digital tools and resources.
Lezione 2, SCM & operations, prof. Gandolfo Dominici, Università di PalermoGandolfo Dominici
Lezione 2, SCM & operations, prof. Gandolfo Dominici, Università di Palermo, Corso di Laurea Magistrale in Scienze Econonico aziendali, indirizzo gestione delle imprese, Facolta di Economia
L’importanza dei dati e dell’integrazione dei sistemi per una vendita online ...GP Dati
"L’importanza dei dati e dell’integrazione dei sistemi per una vendita online più efficace": il webinar sul #RossoDivano di RossoSicaniasc del 15 giugno 2015.
GP Dati - presentazione Scrigno-Hotel LAB, Alghero, luglio 2009GP Dati
Presentazione per Meeting Estivo dei Giovani Albergatori di Federalberghi (Confederazione Nazionale GIovani Albergatori di Federalberghi). Argomenti trattati: Scrigno, gestionale hotel, gestionali alberghi, soluzioni web per hotel
L’importanza dei dati e dell’integrazione dei sistemi per una vendita online ...GP Dati
"L’importanza dei dati e dell’integrazione dei sistemi per una vendita online più efficace": il webinar sul #RossoDivano di RossoSicaniasc del 15 giugno 2015.
GP Dati - presentazione Scrigno-Hotel LAB, Alghero, luglio 2009GP Dati
Presentazione per Meeting Estivo dei Giovani Albergatori di Federalberghi (Confederazione Nazionale GIovani Albergatori di Federalberghi). Argomenti trattati: Scrigno, gestionale hotel, gestionali alberghi, soluzioni web per hotel
GP Dati - presentazione Scrigno-Hotel LAB, Alghero, luglio 2009
GP Dati - WHR 2012 Forecasting della domanda alberghiera: modelli e algoritmi matematici a disposizione del revenue manager - Paola Pellegrini
1. Forecasting della domanda alberghiera:
modelli e algoritmi matematici
a disposizione del revenue manager
Paola Pellegrini
IFSTTAR, Lille, Francia
1 / 17
2. Il forecasting della domanda
Fare forecasting della domanda significa prevedere le roomnight
(per esempio) che saranno richieste in futuro
Il forecasting pu` essere effettuato in modo
o
qualitativo:
saranno richieste molte roomnight
saranno richieste pi` roomnight dell’anno scorso
u
quantitativo:
saranno richieste 123 roomnight
saranno richieste 18 roomnight pi` dell’anno scorso
u
2 / 17
3. Il forecasting della domanda
Fare forecasting della domanda significa prevedere le roomnight
(per esempio) che saranno richieste in futuro
Il forecasting pu` essere effettuato in modo
o
qualitativo:
saranno richieste molte roomnight
saranno richieste pi` roomnight dell’anno scorso
u
quantitativo:
saranno richieste 123 roomnight
saranno richieste 18 roomnight pi` dell’anno scorso
u
2 / 17
4. Le ipotesi fondamentali
Il forecasting della domanda in termini quantitativi richiede
l’accettazione di due ipotesi fondamentali:
le dinamiche della domanda rimangono costanti nel tempo
il modo in cui si palesa la domanda segue una qualche regola,
ben approssimabile usando una funzione
3 / 17
5. Le ipotesi fondamentali
Il forecasting della domanda in termini quantitativi richiede
l’accettazione di due ipotesi fondamentali:
le dinamiche della domanda rimangono costanti nel tempo
per avere una maggior veridicit` di questa ipotesi possiamo
a
variare l’ampiezza dell’intervallo di tempo di riferimento
se restringiamo troppo l’intervallo, per`, qualunque cosa
o
“straordinaria” avr` un impatto importante sul forecast
a
il modo in cui si palesa la domanda segue una qualche regola,
ben approssimabile usando una funzione
3 / 17
6. Le ipotesi fondamentali
Il forecasting della domanda in termini quantitativi richiede
l’accettazione di due ipotesi fondamentali:
le dinamiche della domanda rimangono costanti nel tempo
il modo in cui si palesa la domanda segue una qualche regola,
ben approssimabile usando una funzione
per avere una maggior veridicit` di questa ipotesi possiamo
a
segmentare la domanda in modo appropriato
se segmentiamo troppo la domanda, per`, i dati su cui
o
baseremo il forecast per ogni segmento saranno molto pochi, e
quindi qualunque cosa, anche poco “straordinaria”, sia
successa avr` una grossa ripercussione sui risultati
a
3 / 17
7. Le ipotesi fondamentali
Il forecasting della domanda in termini quantitativi richiede
l’accettazione di due ipotesi fondamentali:
le dinamiche della domanda rimangono costanti nel tempo
il modo in cui si palesa la domanda segue una qualche regola,
ben approssimabile usando una funzione
la dimensione dell’intervallo e la segmentazione “giuste” in
generale non esistono
bisogna valutarle empiricamente caso per caso
3 / 17
8. La matematica nel forecasting della domanda
Accettate le due ipotesi fondamentali, possiamo utilizzare la
matematica per effettuare il forecast
Dobbiamo analizzare le serie storiche di dati e utilizzarle per
prevedere come si evolver` la situazione attuale
a
4 / 17
9. La matematica nel forecasting della domanda
Accettate le due ipotesi fondamentali, possiamo utilizzare la
matematica per effettuare il forecast
Dobbiamo analizzare le serie storiche di dati e utilizzarle per
prevedere come si evolver` la situazione attuale
a
4 / 17
10. La matematica nel forecasting della domanda
Accettate le due ipotesi fondamentali, possiamo utilizzare la
matematica per effettuare il forecast
Dobbiamo analizzare le serie storiche di dati e utilizzarle per
prevedere come si evolver` la situazione attuale
a
4 / 17
11. La matematica nel forecasting della domanda
Accettate le due ipotesi fondamentali, possiamo utilizzare la
matematica per effettuare il forecast
Dobbiamo analizzare le serie storiche di dati e utilizzarle per
prevedere come si evolver` la situazione attuale
a
4 / 17
12. La matematica nel forecasting della domanda
Accettate le due ipotesi fondamentali, possiamo utilizzare la
matematica per effettuare il forecast
Dobbiamo analizzare le serie storiche di dati e utilizzarle per
prevedere come si evolver` la situazione attuale
a
4 / 17
13. Modelli di pick-up tradizionali
Tra i modelli pi` efficaci per effettuare il forecast della domanda,
u
troviamo i modelli basati sul pick-up
Il pick-up rappresenta l’aumento delle prenotazioni in un dato
intervallo di tempo
Principalmente consideriamo
il pick-up additivo (basato sul pick-up assoluto) o
il pick-up moltiplicativo (basato sul pick-up relativo)
5 / 17
14. Calcolo del pick-up assoluto
Il pick-up assoluto ci dice quante prenotazioni arriveranno negli
ultimi g giorni
Per il giorno della settimana s, il pick-up assoluto a g giorni
§ ¤
(PUAs ) ` la media delle ¦
g e differenze ¥ domanda finale (D) e
tra
prenotazioni (p) ricevute almeno g giorni prima calcolate per un
numero n di giorni di riferimento:
(Ds 1 − ps 1 ,g ) + (Ds 2 − ps 2 ,g ) + ... + (Ds n − ps n ,g )
PUAs
g =
n
6 / 17
15. Calcolo del pick-up assoluto
Il pick-up assoluto ci dice quante prenotazioni arriveranno negli
ultimi g giorni
Per il giorno della settimana s, il pick-up assoluto a g giorni
§ ¤
(PUAs ) ` la media delle ¦
g e differenze ¥ domanda finale (D) e
tra
prenotazioni (p) ricevute almeno g giorni prima calcolate per un
numero n di giorni di riferimento:
(Ds 1 − ps 1 ,g ) + (Ds 2 − ps 2 ,g ) + ... + (Ds n − ps n ,g )
PUAs
g =
n
Con n = 3
s Ds ps,1 (150 − 148) + (123 − 118) + (136 − 135)
03/11 136 135 PUAsab =
1
3
10/11 123 118
17/11 150 148 ⇓
PUAsab
1 = 2.67 → 3
6 / 17
16. Calcolo del pick-up relativo
Il pick-up relativo ci dice di quanto le prenotazioni aumenteranno
negli ultimi g giorni in funzione di quante ne abbiamo gi` ricevute
a
Per il giorno della settimana s, il ¤
§ pick-up relativo a g giorni
s e
(PURg ) ` la media dei rapporti tra domanda finale (D) e
¦ ¥
prenotazioni (p) ricevute almeno g giorni prima calcolate per un
numero n di giorni di riferimento:
s (Ds 1 /ps 1 ,g ) + (Ds 2 /ps 2 ,g ) + ... + (Ds n /ps n ,g )
PURg =
n
7 / 17
17. Calcolo del pick-up relativo
Il pick-up relativo ci dice di quanto le prenotazioni aumenteranno
negli ultimi g giorni in funzione di quante ne abbiamo gi` ricevute
a
Per il giorno della settimana s, il ¤
§ pick-up relativo a g giorni
s e
(PURg ) ` la media dei rapporti tra domanda finale (D) e
¦ ¥
prenotazioni (p) ricevute almeno g giorni prima calcolate per un
numero n di giorni di riferimento:
s (Ds 1 /ps 1 ,g ) + (Ds 2 /ps 2 ,g ) + ... + (Ds n /ps n ,g )
PURg =
n
Con n = 3
s Ds ps,1 sab (150/148) + (123/118) + (136/135)
03/11 136 135 PUR1 =
3
10/11 123 118
17/11 150 148 ⇓
sab
PUR1 = 1.02
7 / 17
18. I modelli di pick-up additivo e moltiplicativo
Se al giorno che ci interessa mancano g giorni, si tratta di un
giorno s della settimana, e abbiamo gi` ricevuto p prenotazioni
a
la previsione secondo il metodo del pick-up additivo `
e
PUAs + p
g
la previsione secondo il metodo del pick-up moltiplicativo `
e
s
PURg · p
8 / 17
19. I modelli di pick-up additivo e moltiplicativo
Se al giorno che ci interessa mancano g giorni, si tratta di un
giorno s della settimana, e abbiamo gi` ricevuto p prenotazioni
a
se p = 127, s = sab e g = 1
la previsione secondo il metodo del pick-up additivo `
e
PUAs + p
g PUAsab + p = 3 + 127 = 131
1
la previsione secondo il metodo del pick-up moltiplicativo `
e
s sab
PURg · p PUR1 · p = 1.02 · 127 = 129.54 → 130
8 / 17
24. E se cambia l’andamento della domanda?
L’andamento della domanda pu` cambiare per due motivi
o
principali:
l’intero mercato cambia caratteristiche
l’intervento del revenue manager cambia il modo in cui l’hotel
partecipa al mercato
In entrambi i casi, i modelli tradizionali di pick-up non saranno in
grado di catturare rapidamente il cambiamento
10 / 17
25. E se cambia l’andamento della domanda?
L’andamento della domanda pu` cambiare per due motivi
o
principali:
l’intero mercato cambia caratteristiche
l’intervento del revenue manager cambia il modo in cui l’hotel
partecipa al mercato
In entrambi i casi, i modelli tradizionali di pick-up non saranno in
grado di catturare rapidamente il cambiamento
l’obiettivo ` assorbire in fretta il cambiamento, senza per`
e o
farci trascinare dagli eventi straordinari
10 / 17
26. Capire l’andamento della domanda
Innanzitutto dobbiamo capire se l’andamento della domanda
recente ` costante
e
se ` costante, dobbiamo dare importanza ai rati recenti per
e
effettuare il forecasting
se non lo `, non possiamo fare altro che affidarci ai dati storici
e
Il primo passo per applicare un modello di pick-up evoluto `
e
comprendere in quale caso ci troviamo
11 / 17
27. Confronto con la domanda recente
Per ogni giorno di riferimento, conosciamo:
1. la quantit` di prenotazioni che abbiamo ricevuto fino ad ora
a
2. l’andamento secondo il quale abbiamo ricevuto queste
prenotazioni
data 16/11 17/11 18/11 19/11 20/11
prenotazioni per il 01/12 46 46 47 46 48
12 / 17
28. Confronto con la domanda recente
Per ogni giorno di riferimento, conosciamo:
1. la quantit` di prenotazioni che abbiamo ricevuto fino ad ora
a
2. l’andamento secondo il quale abbiamo ricevuto queste
prenotazioni
Sappiamo inoltre con quale andamento abbiamo ricevuto le
prenotazioni per, ad esempio, oggi
data 16/11 17/11 18/11 19/11 20/11
prenotazioni per il 01/12 46 46 47 46 48
data 6/11 7/11 8/11 9/11 10/11
prenotazioni per il 21/11 52 51 51 50 53
12 / 17
29. Confronto con la domanda recente
data 16/11 17/11 18/11 19/11 20/11
prenotazioni per il 01/12 46 46 47 46 48
data 6/11 7/11 8/11 9/11 10/11
prenotazioni per il 21/11 52 51 51 50 53
L’andamento delle prenotazioni ` molto simile:
e
12 / 17
30. Confronto con la domanda recente
data 16/11 17/11 18/11 19/11 20/11
prenotazioni per il 01/12 46 46 47 46 48
data 6/11 7/11 8/11 9/11 10/11
prenotazioni per il 21/11 52 51 51 50 53
L’andamento delle prenotazioni ` molto simile:
e
In particolare, interpreti-
amo l’andamento come
la pendenza della retta di
regressione
12 / 17
31. Confronto con la domanda recente
L’andamento delle prenotazioni ` molto simile:
e
In particolare, interpreti-
amo l’andamento come
la pendenza della retta di
regressione
Se la pendenza della retta di regressione per il giorno di riferimento
` uguale alla pendenza della retta di regressione per oggi, allora le
e
prenotazioni arrivano seguendo lo stesso andamento
12 / 17
32. Confronto con la domanda recente
L’andamento delle prenotazioni ` molto simile:
e
In particolare, interpreti-
amo l’andamento come
la pendenza della retta di
regressione
Pi` le pendenze sono simili, pi` le prenotazioni arrivano seguendo
u u
andamenti simili
12 / 17
33. L’andamento recente (con pick-up additivo)
Data l’osservazione effettuata per l’andamento delle prenotazioni
per oggi con un anticipo tra 15 e 10 giorni fa, consideriamo i due
casi seguenti:
l’andamento della domanda non ` cambiato rispetto ai dati
e
storici:
il PUA a 10 giorni ` 8 e le prenotazioni aumentano di un po’
e
meno di 1 al giorno
l’andamento della domanda ` cambiato:
e
le prenotazioni adesso arrivano con maggior anticipo, e
l’andamento registrato per oggi ` stato:
e
6/11 7/11 8/11 9/11 10/11 11/11 12/11 13/11
52 51 51 50 53 52 54 54
14/11 15/11 16/11 17/11 18/11 19/11 20/11 21/11
54 54 55 54 55 55 54 55
13 / 17
34. L’andamento recente (con pick-up additivo)
l’andamento della domanda non ` cambiato rispetto ai dati
e
storici:
il PUA a 10 giorni ` 8 e le prenotazioni aumentano di un po’
e
meno di 1 al giorno
l’andamento della domanda ` cambiato:
e
le prenotazioni adesso arrivano con maggior anticipo, e
l’andamento registrato per oggi ` stato:
e
6/11 7/11 8/11 9/11 10/11 11/11 12/11 13/11
52 51 51 50 53 52 54 54
14/11 15/11 16/11 17/11 18/11 19/11 20/11 21/11
54 54 55 54 55 55 54 55
Il PUA a 10 giorni registrato per oggi ` stato 55-52=3
e
13 / 17
35. L’andamento recente (con pick-up additivo)
l’andamento della domanda non ` cambiato rispetto ai dati
e
storici:
il PUA a 10 giorni ` 8 e le prenotazioni aumentano di un po’
e
meno di 1 al giorno § ¤
Se ` cos` il forecast per il giorno 01/12 sar`: ¦48+8 = 56 ¥
e ı a
l’andamento della domanda ` cambiato:
e
le prenotazioni adesso arrivano con maggior anticipo, e
l’andamento registrato per oggi ` stato:
e
Il PUA a 10 giorni registrato per oggi ` stato §
e 55-52=3 ¤
Se ` cos` il forecast per il giorno 01/12 sar`: ¦48+3 = 51 ¥
e ı a
13 / 17
36. Andamento recente o andamento storico?
Questo stesso ragionamento pu` essere effettuato basandosi sia sul
o
concetto di pick-up additivo che su quello di pick-up moltiplicativo
come scegliere se utilizzare il pick-up calcolato sui dati
recenti o quello calcolato sui dati storici?
come possiamo combinarli?
14 / 17
37. Andamento recente o andamento storico?
Questo stesso ragionamento pu` essere effettuato basandosi sia sul
o
concetto di pick-up additivo che su quello di pick-up moltiplicativo
come scegliere se utilizzare il pick-up calcolato sui dati
recenti o quello calcolato sui dati storici?
come possiamo combinarli?
Usiamo la differenza tra le pendenze delle rette di regressione per
decidere quanto usare le informazioni recenti (pi` rischiose)
u
rispetto a quelle storiche (meno aggiornate)
14 / 17
38. I modelli evoluti di pick-up
Usiamo come valore del pick-up (assoluto o relativo) una
combinazione lineare del valore storico e del valore medio recente:
PUA = αPUA[storico] + (1 − α)PUA[medio recente]
PUR = αPUR[storico] + (1 − α)PUR[medio recente]
con α parametro dipendente dalla similarit` dell’andamento della
a
domanda recente rispetto a quella relativa al giorno di riferimento
15 / 17
39. I modelli evoluti di pick-up
PUA = αPUA[storico] + (1 − α)PUA[medio recente]
PUR = αPUR[storico] + (1 − α)PUR[medio recente]
Come calcolare α? Esempi:
min{1, max{0, |diff. pendenza rette di regressione|}}
min{0.9, max{0.1, |diff. pendenza rette di regressione|}}
min{0.66, max{0.34, |diff. pendenza rette di regressione|}}
min{0.75, max{0.25, |diff. pendenza rette di regressione|}}
0.5
0
15 / 17
44. Come scegliere tra i diversi modelli?
Evidentemente esistono molti modelli simili, ma differenti, per
produrre il forecast
Il migliore in generale non esiste: si deve scegliere osservando i
risultati di una fase di test sui dati dell’hotel di interesse
In base a questi scegliamo usando il criterio pi` appropriato
u
I criteri pi` utilizzati sono:
u
media dell’errore minima
mediana dell’errore minima
massimo dell’errore minimo
varianza dell’errore minima
rango medio dell’errore minimo
17 / 17
45. Come scegliere tra i diversi modelli?
I criteri pi` utilizzati sono:
u
media dell’errore minima
voglio il modello che commette l’errore in media pi` piccolo
u
mediana dell’errore minima
massimo dell’errore minimo
varianza dell’errore minima
rango medio dell’errore minimo
17 / 17
46. Come scegliere tra i diversi modelli?
I criteri pi` utilizzati sono:
u
media dell’errore minima
voglio il modello che commette l’errore in media pi` piccolo
u
mediana dell’errore minima
voglio il modello che commette l’errore pi` piccolo almeno nel
u
50% dei casi
massimo dell’errore minimo
varianza dell’errore minima
rango medio dell’errore minimo
17 / 17
47. Come scegliere tra i diversi modelli?
I criteri pi` utilizzati sono:
u
media dell’errore minima
voglio il modello che commette l’errore in media pi` piccolo
u
mediana dell’errore minima
voglio il modello che commette l’errore pi` piccolo almeno nel
u
50% dei casi
massimo dell’errore minimo
voglio il modello che commette l’errore massimo pi` piccolo
u
varianza dell’errore minima
rango medio dell’errore minimo
17 / 17
48. Come scegliere tra i diversi modelli?
I criteri pi` utilizzati sono:
u
media dell’errore minima
voglio il modello che commette l’errore in media pi` piccolo
u
mediana dell’errore minima
voglio il modello che commette l’errore pi` piccolo almeno nel
u
50% dei casi
massimo dell’errore minimo
voglio il modello che commette l’errore massimo pi` piccolo
u
varianza dell’errore minima
voglio il modello che commette l’errore pi` stabile
u
rango medio dell’errore minimo
17 / 17
49. Come scegliere tra i diversi modelli?
I criteri pi` utilizzati sono:
u
media dell’errore minima
voglio il modello che commette l’errore in media pi` piccolo
u
mediana dell’errore minima
voglio il modello che commette l’errore pi` piccolo almeno nel
u
50% dei casi
massimo dell’errore minimo
voglio il modello che commette l’errore massimo pi` piccolo
u
varianza dell’errore minima
voglio il modello che commette l’errore pi` stabile
u
rango medio dell’errore minimo
voglio il modello che commette pi` spesso l’errore pi` piccolo
u u
17 / 17