6 Previsioni discrezionali
La previsione discrezionale è una previsione non basata su un modello statistico ma su un insieme di giudizi, opinioni, esperienze che il ricercatore ha sul futuro andamento del fenomeno in esame. Questo metodo previsivo è comune nella pratica quando c’è una completa mancanza di dati storici, quando viene lanciato un nuovo prodotto, quando un nuovo concorrente entra nel mercato, oppure durante condizioni di mercato completamente nuove e uniche. Per esempio, nel dicembre 2012, il governo australiano è stato il primo al mondo ad approvare una legislazione che ha vietato l’uso di loghi aziendali sui pacchetti di sigarette e ha imposto che tutti i pacchetti di sigarette fossero di colore verde scuro. Per prevedere l’effetto di una tale politica non ci sono precedenti storici, ed è quindi necessario il ricorso ad una previsione discrezionale.
Ci sono anche situazioni in cui i dati sono incompleti, o diventano disponibili solo dopo un certo ritardo. Per esempio, le banche centrali includono elementi discrezionali nella previsione del livello corrente dell’attività economica, una procedura nota come nowcasting, poiché il PIL è disponibile solo su base trimestrale.
La ricerca in questo settore1 ha dimostrato che l’accuratezza delle previsioni discrezionali migliora quando il previsore ha (i) un’importante conoscenza del settore e (ii) informazioni più tempestive e aggiornate. Un approccio discrezionale può essere rapido nell’adattarsi a tali cambiamenti, informazioni o eventi.
È importante riconoscere che le previsioni discrezionali sono soggettive ed hanno dei limiti, ma nel corso degli anni la qualità di queste previsioni è migliorata, come risultato diretto dell’utilizzo in queste previsioni di approcci ben strutturati e sistematici.
Ci sono tre contesti generali in cui si utilizzano le previsioni discrezionali: (i) non ci sono dati disponibili, quindi i metodi statistici non sono applicabili e le previsioni discrezionali sono l’unico approccio possibile; (ii) i dati sono disponibili, vengono stimate delle previsioni basate sui modelli statistici e queste sono successivamente riviste usando un metodo discrezionale; e (iii) i dati sono disponibili e le previsioni statistiche e discrezionali sono stimate indipendentemente e poi combinate. È opportuno chiarire che quando i dati sono disponibili, l’applicazione dei metodi statistici (come quelli discussi in altri capitoli di questo libro), è sempre preferibile. Le previsioni statistiche sono generalmente superiori alla generazione di previsioni usando solo il metodo discrezionale. Per la maggior parte del capitolo, verrà posta l’attenzione sul primo scenario in cui non sono disponibili dati, mentre nell’ultimo paragrafo sarà discusso l’aggiustamento discrezionale delle previsioni statistiche. La combinazione delle previsioni sarà discussa nel paragrafo 13.4.
6.1 Attenzione alle limitazioni
Le previsioni discrezionali sono soggettive, e quindi non sono esenti da pregiudizi o limitazioni. Ad esempio possono essere incoerenti. A differenza delle previsioni statistiche, che possono essere generate ogni volta utilizzando le stesse formule matematice, le previsioni discrezionali dipendono fortemente dalla conoscenza del fenomeno oggetto di studio e dalle situazioni di contesto. Per esempio, una memoria limitata può rendere gli eventi recenti più importanti di quanto non siano in realtà e può ignorare eventi importanti del passato più lontano; una limitata conoscenza del fenomeno può far sì che si perdano informazioni importanti; una non piena conoscenza delle relazioni causali può portare a conclusioni errate. Inoltre, il giudizio umano può variare a causa dell’effetto di fattori psicologici. Si può immaginare un manager che un giorno è in uno stato d’animo positivo, generando previsioni che possono tendere ad essere un po’ ottimistiche, ed in un altro giorno in uno stato d’animo negativo, generando previsioni un po’ meno ottimistiche.
Il giudizio può essere offuscato da agende personali o politiche, dove gli obiettivi e le previsioni (come definiti nel capitolo 1) non sono separati. Per esempio, se un manager delle vendite sa che le previsioni che genera saranno usate per fissare le aspettative di vendita (obiettivi), può tendere a fissarle basse per mostrare una buona performance (cioè, superare gli obiettivi previsti). Anche nei casi in cui gli obiettivi e le previsioni sono ben separati, il giudizio può essere afflitto dall’ottimismo o dal pensiero illusorio (wishful thinking). Per esempio, sarebbe altamente improbabile che una squadra che lavora al lancio di un nuovo prodotto preveda il suo fallimento. Come si vedrò più avanti, questo ottimismo può essere accentuato in un contesto di riunioni di gruppo. “Attenti all’entusiasmo dei vostri colleghi del marketing e delle vendite”2..
Un’altra proprietà non desiderabile che si vede comunemente nelle previsioni discrezionali è “l’effetto di ancoraggio”. In questo caso, le previsioni successive tendono a convergere o ad essere vicine ad un punto di riferimento iniziale familiare. Per esempio, è comune prendere l’ultimo valore osservato come punto di riferimento. Il previsore è influenzato indebitamente dalle informazioni precedenti, e quindi dà a queste un peso maggiore nel processo di previsione. L’ancoraggio può portare ad un comportamento prudenziale ed a sottovalutare informazioni nuove e più attuali, creando quindi un bias sistematico.
6.2 Principi chiave
L’uso di un approccio sistematico e ben strutturato nelle previsioni discrezionali aiuta a ridurre gli effetti negativi dei loro limiti, alcuni dei quali sono stati elencati nel paragrafo precedente. I principi descritti nel seguito dovrebbero essere seguiti indipendentemente se questo approccio coinvolga uno o più previsori.
Impostare il compito di previsione in modo chiaro e conciso
È necessario fare attenzione quando si impostano gli obiettivi di previsione. Tutte le definizioni dovrebbero essere chiare e complete, evitando espressioni ambigue e vaghe. Inoltre, è importante evitare di incorporare termini emotivi e informazioni irrilevanti che possono distrarre il previsore. Nel metodo Delphi che segue (vedi paragrafo 6.3), a volte può essere utile condurre un giro preliminare di raccolta di informazioni prima di stabilire il compito di previsione.
Attuare un approccio sistematico
L’accuratezza e la coerenza della previsione possono essere migliorate usando un approccio sistematico alla previsione discrezionale basato sul controllo delle informazioni rilevanti per la previsione. È utile ad esempio identificare quali informazioni sono importanti e chiarire come queste informazioni devono essere ponderate. Quando si prevede la domanda di un nuovo prodotto da lanciare sul mercato, quali fattori devono essere considerati e come se ne dovrebbe tenerne conto? Sono rilevanti il prezzo, la qualità e/o la quantità della concorrenza, la situazione economica del momento, la popolazione target del prodotto? Vale la pena dedicare sforzi e risorse per definire regole di decisione che portino al miglior approccio sistematico possibile.
Documentare e giustificare
Formalizzare e documentare le regole decisionali e le ipotesi implementate nell’approccio sistematico può aumentare la coerenza delle previsioni, poiché le stesse regole possono essere implementate ripetutamente. Inoltre, richiedere ad un previsore di documentare e giustificare le proprie previsioni induce ad una responsabilizzazione, che può portare a una riduzione delle distorsioni. La documentazione formale aiuta anche significativamente il processo di valutazione sistematica che viene suggerito in seguito.
Valutare sistematicamente le previsioni
Monitorare sistematicamente il processo di previsione può identificare non regolarità impreviste. In particolare, bisogna tenere traccia delle previsioni e usarle per ottenere un feedback quando le osservazioni corrispondenti, ovvero i valori effettivi, diventano disponibili. L’ambiente nel quale opera ogni previsore è dinamico: avvengono dei cambiamenti ed è necessario monitorarli per valutare se le regole decisionali e le ipotesi siano ancora coerenti con il nuovo ambiente. Il feedback e la valutazione aiutano i previsori ad accumulare esperienza e a migliorare l’accuratezza delle loro previsioni.
Separare i previsori e gli utenti
L’accuratezza delle previsioni può essere ridotta se la previsione è effettuata dagli utilizzatori stessi della previsione, ad esempio dai responsabili dell’attuazione dei piani d’azione di cui si occupa la previsione. È bene chiarire nuovamente (come nel paragrafo 1.2), che le previsioni cercano di valutare il futuro nel modo più accurato possibile, date tutte le informazioni disponibili, compresi i valori passati del fenomeno in esame e la conoscenza di qualsiasi evento futuro che possa avere un impatto sulle previsioni. I previsori e gli utenti dovrebbero essere chiaramente separati. Un caso classico è quello del lancio di un nuovo prodotto. La previsione dovrebbe essere una stima ragionevole del volume delle vendite del nuovo prodotto, che può differire considerevolmente da quello che la direzione si aspetta o da quello che spera siano le vendite per soddisfare gli obiettivi finanziari dell’azienda.
È importante che i previsori comunichino accuratamente le previsioni ai potenziali utenti. Come si vedrò nel paragrafo 6.7, gli utenti possono non avere piena fiducia nelle previsioni. Spiegare e chiarire il processo previsionale e giustificare le ipotesi di base che hanno portato alle previsioni fornirà agli utenti garanzie sulla qualità delle stesse.
In ambito aziendale, il modo in cui le previsioni possono poi essere usate e implementate dipenderà chiaramente dal processo decisionale del management. Per esempio, il management può decidere di correggere una previsione verso l’alto (essere troppo ottimista), dato che la previsione può essere usata per guidare gli acquisti e i livelli delle scorte. Una tale decisione può essere presa dopo che un’analisi costi-benefici riveli che il costo di tenere le scorte in eccesso è inferiore a quello delle vendite perse. Questo tipo di aggiustamento dovrebbe essere parte della definizione degli obiettivi o della pianificazione dell’offerta, piuttosto che parte del processo di previsione. Al contrario, se le previsioni sono usate come obiettivi, possono essere fissate basse in modo che possano essere superate più facilmente. Ancora una volta, la definizione degli obiettivi è diversa dalla produzione di previsioni, e le due cose non dovrebbero essere confuse.
L’esempio dal settore industriale che segue esemplifica due stili contrastanti di previsioni discrezionali - uno che aderisce ai principi che abbiamo appena presentato e uno che non lo fa.
Esempio: il Pharmaceutical Benefits Scheme (PBS)
Il governo australiano sovvenziona il costo di una vasta gamma di medicinali su prescrizione come parte del PBS. Ogni medicina sovvenzionata rientra in una delle seguenti quattro categorie: co-pagamenti di concessione, rete di concessione, co-pagamenti generali e rete di sicurezza generale. Ogni persona con una tessera di concessione effettua un co-pagamento di concessione per ogni medicinale PBS (5.80 dollari)3, fino a raggiungere una soglia stabilita chiamata rete di sicurezza di concessione (pari a 348 dollari). Per il resto dell’anno finanziario, tutti i farmaci elencati nel PBS sono gratuiti. Ogni paziente generico effettua un co-pagamento generale per ogni farmaco PBS (35.40 dollari) fino al raggiungimento dell’importo della rete di sicurezza generale (1363.30 dollari). Per il resto dell’anno finanziario, essi contribuiscono con un piccolo importo per ogni farmaco presente nel PBS (5.80 dollari). Il processo di previsione del PBS utilizza 84 gruppi di farmaci PBS e produce previsioni del volume di medicinali e della spesa totale per ciascun gruppo e per ciascuna delle quattro categorie del PBS, per un totale di 672 serie. Questo processo di previsione aiuta a stabilire il budget del governo assegnato al PBS, che è di oltre 7 miliardi di dollari all’anno, circa l’1% del PIL.
La figura 6.1 riassume il processo di previsione. Le previsioni discrezionali vengono generate per i nuovi elenchi di medicinali e per stimare l’impatto delle nuove politiche. Questo tipo di previsioni è rappresentato in figura usando elementi verdi. Gli elementi rosa indicano i dati utilizzati che sono stati ottenuti da vari dipartimenti governativi e autorità connesse. Gli elementi blu mostrano infine le voci calcolate dai dati forniti. Ci sono stati aggiustamenti discrezionali ai dati per tenere conto dei nuovi elenchi di farmaci e delle nuove politiche, e ci sono stati anche aggiustamenti alle previsioni. A causa delle dimensioni mutevoli sia della popolazione delle concessioni che della popolazione totale, le previsioni sono prodotte su base pro-capite, e poi moltiplicate per la popolazione prevista per ottenere le previsioni del volume totale e della spesa al mese.
Alcuni anni fa è stato chiesto ad uno degli autori di questo volume (Hyndman) di valutare il processo di previsione. Si appurò che l’uso delle previsioni discrezionali per i nuovi elenchi di farmaci e l’uso gli impatti delle nuove politiche dava previsioni migliori di quelle ottenute utilizzando il solo modello statistico. Tuttavia, è stato anche verificato che l’accuratezza e la coerenza delle previsioni potevano essere migliorate attraverso un processo più strutturato e sistematico, specialmente per l’impatto delle politiche.
Previsione per nuovi medicinali: Le aziende che chiedono che il loro farmaco venga aggiunto al PBS devono presentare previsioni dettagliate, come il numero previsto di pazienti, la quota di mercato del nuovo farmaco, gli effetti di sostituzione, ecc. Il Pharmaceutical Benefits Advisory Committee fornisce delle linee guida che descrivono un approccio strutturato e sistematico per generare queste previsioni, e richiede un’attenta documentazione per ogni fase del processo. Questo processo strutturato aiuta a ridurre la probabilità e gli effetti delle distorsioni determinate da valutazioni ottimistiche e autosuggestione sul successo del nuovo prodotto. Un sottocomitato esegue una doppia valutazione dettagliata delle previsioni dell’azienda, una prima che il farmaco sia aggiunto al PBS ed una dopo l’aggiunta. Infine, vengono eseguiti dei confronti tra osservazioni e previsioni per alcune liste selezionate di farmaci dopo 12 mesi e 24 mesi, e i risultati vengono inviati alle aziende per un commento.
Previsioni degli effetti delle politiche: In contrasto con il processo strutturato usato per le nuove quotazioni, non c’erano procedure sistematiche per le previsioni di impatto della politica. In molte occasioni, le previsioni dell’impatto delle politiche erano calcolate da un piccolo team, e spesso dipendevano pesantemente dal lavoro di una sola persona. Le previsioni non erano solitamente soggette ad un processo di revisione formale. Non c’erano linee guida su come costruire previsioni discrezionali per l’impatto delle politiche, e spesso mancava un’adeguata documentazione su come queste previsioni erano state ottenute, sulle ipotesi sottostanti, ecc.
Di conseguenza, furono consigliati diversi cambiamenti:
- lo sviluppo di linee guida per la previsione di impatti di nuove politiche, per incoraggiare un approccio previsionale più sistematico e strutturato;
- la predisposizione di una documentazione completa delle metodologie di previsione, che includa anche tutte le ipotesi fatte nel formulare le previsioni;
- il coinvolgimento di almeno due persone provenienti da aree diverse dell’organizzazione nel formulare le previsioni;
- la revisione delle previsioni a cura di untato di revisione un anno dopo l’implementazione di ogni nuova politica, specialmente per le politiche che implicano una previsione di un costo/risparmio annuale significativo. Il comitato di revisione dovrebbe includere le persone coinvolte nella generazione delle previsioni, ma anche altri soggetti.
Queste raccomandazioni riflettono i principi delineati in questo paragrafo.
6.3 Il metodo Delphi
Il metodo Delphi è stato inventato da Olaf Helmer e Norman Dalkey della Rand Corporation negli anni ’50 allo scopo di affrontare un problema militare specifico. Il metodo si basa sul presupposto chiave che le previsioni di un gruppo sono generalmente più accurate di quelle dei singoli. Lo scopo del metodo Delphi è quello di costruire previsioni discrezionali da parte di un gruppo di esperti in un modo iterativo strutturato. Viene nominato un facilitatore per implementare e gestire il processo. Il metodo Delphi comporta generalmente le seguenti fasi:
- Viene creato un gruppo di esperti.
- Vengono stabiliti compiti/sfide di previsione che sono successivamente distribuiti agli esperti.
- Gli esperti restituiscono le previsioni iniziali e le corrispondenti giustificazioni. Queste sono redatte in forma scritta per fornire un feedback.
- Sulla base del feedback gli esperti rivedono le loro previsioni. Questo passo può essere iterato fino a raggiungere un livello soddisfacente di consenso.
- Le previsioni finali sono costruite aggregando le previsioni degli esperti.
Ogni fase del metodo Delphi comporta le sue sfide. Di seguito sono forniti alcuni suggerimenti e riflessioni su ciascuna di queste fasi4.
Esperti e anonimato
La prima sfida del facilitatore è identificare un gruppo di esperti che possano contribuire alla previsione. In genere si suggerisce di coinvolgere tra i 5 e i 20 esperti con competenze diverse. Gli esperti presentano le previsioni e forniscono anche giustificazioni qualitative dettagliate per queste.
Una caratteristica chiave del metodo Delphi è che gli esperti partecipanti rimangono anonimi in ogni momento. Ciò significa che gli esperti non possono essere influenzati da pressioni politiche e sociali. Tutti gli esperti hanno inoltre stessa voce in capitolo e tutti sono ritenuti responsabili delle loro previsioni. Questo evita la situazione in cui si tiene una riunione di gruppo e alcuni membri non contribuiscono, mentre altri dominano. Ciò impedisce anche che i membri esercitino un’influenza indebita basata sull’anzianità o sulla personalità. Infatti alcuni studi hanno evidenziato che anche qualcosa di semplice come la disposizione dei posti a sedere in un gruppo può influenzare le dinamiche del gruppo. È inoltre ampiamente dimostrato che una riunione di gruppo promuove l’entusiasmo e influenza il giudizio individuale, portando all’ottimismo e all’eccessiva fiducia5.
Una conseguenza dell’anonimato è che gli esperti non hanno bisogno di incontrarsi come gruppo in un luogo fisico. Un importante vantaggio che ne deriva è l’aumento della probabilità di riunire esperti con diverse abilità e competenze da luoghi diversi. Inoltre, rende il processo efficiente dal punto di vista dei costi eliminando la spesa e l’inconveniente del viaggio, rendendolo flessibile, dato che gli esperti devono solo rispettare una scadenza comune per la presentazione delle previsioni, piuttosto che dover fissare un orario di incontro comune.
Impostazione del compito di previsione in un Delphi
Feedback
Il feedback inviato agli esperti dovrebbe includere statistiche riassuntive delle previsioni e le giustificazioni qualitative per riassumere le previsioni degli esperti. Possono essere utilizzate sintesi dei dati numerici e rappresentazioni grafiche.
Poiché il feedback è controllato dal facilitatore, ci può essere la possibilità di dirigere l’attenzione e le informazioni degli esperti verso gli aspetti più rilevanti per la previsione. Per esempio, il facilitatore può dirigere l’attenzione degli esperti sulle risposte che non rientrano nell’intervallo interquartile di previsione e sulle giustificazioni qualitative di tali previsioni.
Iterazioni
Il processo in cui gli esperti presentano le previsioni, ricevono un feedback e rivedono le loro previsioni alla luce del feedback, viene ripetuto fino a quando non viene raggiunto un livello soddisfacente di consenso tra gli esperti. Un consenso soddisfacente non significa una completa convergenza sul valore della previsione; significa semplicemente che la variabilità delle risposte è diminuita ad un livello soddisfacente. Di solito due o tre round sono sufficienti. È probabile che gli esperti tendano a convergere verso opinioni comuni con l’aumentare del numero di iterazioni, per cui si dovrebbero evitare troppi round.
Previsioni finali
Le previsioni finali sono di solito costruite dando lo stesso peso a tutte le previsioni degli esperti. Tuttavia, il facilitatore dovrebbe considerare la possibilità che valori estremi possono distorcere la previsione finale.
Limitazioni e variazioni
L’applicazione del metodo Delphi può richiedere molto tempo. In una riunione di gruppo, le previsioni finali possono essere raggiunte in ore così come in minuti - qualcosa che è quasi impossibile da fare in un ambiente Delphi. Se ci vuole molto tempo per raggiungere un consenso in un ambiente Delphi, il gruppo può perdere interesse e coesione.
In un contesto di gruppo, le interazioni personali possono portare a chiarimenti migliori e più rapidi delle giustificazioni degli aspetti qualitativi della previsione. Una variazione del metodo Delphi che viene spesso applicata è il metodo “stima-parla-stima”, dove gli esperti possono interagire tra le iterazioni, anche se le previsioni presentate possono ancora rimanere anonime. Uno svantaggio di questa variazione è la possibilità che la persona più forte eserciti un’influenza indebita.
Il facilitatore
Il ruolo del facilitatore è della massima importanza. Il facilitatore è in gran parte responsabile della progettazione e della gestione del processo Delphi. Il facilitatore è anche responsabile di fornire un feedback agli esperti e di generare le previsioni finali. In questo ruolo, il facilitatore deve essere abbastanza esperto da riconoscere le aree che potrebbero aver bisogno di maggiore attenzione per dirigere l’attenzione degli esperti. Inoltre, poiché non c’è interazione faccia a faccia tra gli esperti, il facilitatore è responsabile della diffusione di informazioni importanti. L’efficienza e l’efficacia del facilitatore possono aumentare drasticamente la probabilità di successo del metodo Delphi in un contesto di previsioni discrezionali.
6.4 Previsioni per analogia
Un utile approccio discrezionale spesso implementato nella pratica è la previsione per analogia. Un esempio comune è la determinazione del prezzo di una casa attraverso un processo di valutazione. Un perito stima il valore di mercato di una casa confrontandolo con proprietà simili che sono state vendute nella zona. Il grado di somiglianza dipende dalle caratterische dell’immobile considerate come la dimensione del terreno, la dimensione dell’abitazione, il numero di camere da letto e bagni, e lo spazio del garage.
Anche pensare e discutere di prodotti o situazioni analoghe può generare informazioni utili (e talvolta cruciali). Il seguente esempio illustra questo punto6.
Progettazione di un curriculum scolastico liceale
Ad un piccolo gruppo di accademici ed insegnanti è stato assegnato il compito di sviluppare un curriculum per insegnare presso le scuole superiori in Israele come prendere decisioni in condizioni di incertezza. Ad ogni membro del gruppo è stato chiesto di prevedere quanto tempo ci sarebbe voluto per completare il curriculum. Le risposte variavano tra i 18 e i 30 mesi. Ad uno dei membri del gruppo, esperto in progettazione di curricula, è stato chiesto di considerare gli sviluppi di curricula analoghi in tutto il mondo. Questi ha concluso che il 40% dei gruppi analoghi che ha considerato non ha mai completato il compito, mentre il resto ha impiegato dai 7 ai 10 anni. Il progetto di Israele è stato completato in 8 anni.
Ovviamente, le previsioni per analogia comportano delle sfide. Si dovrebbe aspirare a basare le previsioni su analogie multiple piuttosto che su una singola analogia per non creare distorsioni. Tuttavia, gli elementi su cui basare le analogie possono essere difficili da identificare. Allo stesso modo, si dovrebbero considerare più attributi/caratteristiche. L’identificazione o anche il confronto di questi può non essere sempre semplice. Come sempre, si suggerisce di eseguire questi confronti e il processo di previsione usando un approccio sistematico. Inoltre è sempre utile sviluppare un meccanismo di punteggio dettagliato per classificare gli attributi e tenere traccia del processo di classificazione.
Un’analogia strutturata
In alternativa, si può implementare un approccio strutturato che comprenda un panel di esperti, come proposto da Green & Armstrong (2007). Il concetto è simile a quello di un Delphi; tuttavia, il compito di previsione viene completato considerando le analogie. In primo luogo, viene nominato un facilitatore. Poi l’approccio strutturato comporta i seguenti passi.
- Viene creato un gruppo di esperti che abbiano esperienza con situazioni analoghe.
- Vengono stabiliti compiti/sfide di previsione che sono successivamente distribuiti agli esperti.
- Gli esperti identificano e descrivono quante più analogie possibili e generano previsioni basate su ogni analogia.
- Gli esperti elencano le somiglianze e le differenze di ogni caratteristica analoga con la situazione obiettivo, valutando poi la somiglianza di ogni analogia con la situazione obiettivo su una scala di punteggio.
- Il facilitatore ricava le previsioni usando una regola stabilita. Questa può essere una media ponderata, dove i pesi possono essere derivati dai punteggi utilizzati nella classificazione di ogni analogia da parte degli esperti.
Come con l’approccio Delphi, l’anonimato degli esperti può essere un vantaggio, ma potrebbe ostacolare la collaborazione. Green e Armstrong non hanno trovato alcun guadagno nella collaborazione tra gli esperti nei loro risultati. Una scoperta chiave fu che gli esperti con analogie multiple (più di due), che avevano esperienza diretta con le analogie, generarono le previsioni più accurate.
6.5 Previsioni di scenario
Un approccio fondamentalmente diverso alle previsioni discrezionali è la previsione basata su scenari. Lo scopo di questo approccio è di generare previsioni basate su scenari plausibili. In contrasto con i due approcci precedenti (Delphi e previsione per analogia), dove la previsione risultante è intesa come un risultato probabile, ogni previsione basata su scenari può avere una bassa probabilità di verificarsi. Gli scenari sono generati considerando tutti i possibili fattori o driver, i loro impatti relativi, le interazioni tra loro e gli obiettivi da prevedere.
Costruire previsioni basate su scenari permette di generare un’ampia gamma di possibili previsioni e di identificare alcuni estremi. Ad esempio, è usuale che vengano presentati gli scenari “migliore”, “medio” e “peggiore”, anche se verranno generati molti altri scenari. Pensare e documentare questi estremi contrastanti può aiutare una pianificazione anticipata delle emergenze.
I decisori spesso partecipano alla generazione degli scenari. Anche se questo può portare ad alcune distorsioni, può facilitare la comunicazione delle previsioni basate sugli scenari e portare ad una migliore comprensione dei risultati.
6.6 Previsione delle vendite di un nuovo prodotto
La definizione di un nuovo prodotto può essere molto varia: può essere un prodotto completamente nuovo appena lanciato sul mercato, una nuova versione di un prodotto esistente (“nuovo e migliorato”), un cambiamento nel prezzo di un prodotto esistente, o anche un prodotto esistente che entra in un nuovo mercato.
La previsione discrezionale è di solito l’unico metodo disponibile per la previsione di un nuovo prodotto, dato che i dati storici non sono disponibili. Gli approcci già delineati (Delphi, previsione per analogia e previsione di scenario) sono tutti applicabili quando si vuole prevedere la domanda di un nuovo prodotto.
Sono disponibili anche altri metodi che sono più specifici per questa situazione. Di seguito saranno descritti brevemente tre di questi metodi comunemente applicati nella pratica. Si tratta di metodi meno strutturati di quelli già discussi e, di conseguenza, è probabile che portino a previsioni più distorte.
Composizione della forza vendita
In questo approccio, le previsioni per ogni outlet/filiale/negozio di un’azienda sono stimate dai venditori, e quindi aggregate. Questo metodo di solito coinvolge i responsabili delle vendite che prevedono la domanda per il punto vendita che gestiscono. I venditori sono di solito i più vicini all’interazione tra clienti e prodotti, e spesso sviluppano un’intuizione sulle intenzioni di acquisto dei clienti.
Tuttavia, far generare le previsioni agli addetti alle vendite viola il principio chiave della separazione tra previsori e utenti, il che può creare distorsioni in molte direzioni. È comune che la performance di un addetto alle vendite sia valutata rispetto alle previsioni di vendita o alle aspettative stabilite in precedenza. In questo caso, l’addetto alle vendite che agisce come previsore può introdurre alcuni bias generando previsioni basse. D’altro canto si può immaginare che un venditore entusiasta, pieno di ottimismo, generi previsioni alte.
Inoltre un venditore di successo non è necessariamente un previsore di successo o ben informato ed in generale è raro che abbia una formazione formale anche limitata sulle previsioni. Infine, i venditori sentiranno in prima persona il malcontento dei clienti se, per esempio, il prodotto si esaurisce e tali interazioni con gli utenti finali offuscheranno il loro giudizio.
Opinione dei dirigenti
In contrasto con la composizione della forza vendita, questo approccio coinvolge il personale al vertice della struttura manageriale che genera previsioni aggregate. Queste previsioni sono di solito generate in una riunione di gruppo, dove i dirigenti contribuiscono con informazioni dal loro ramo d’azienda. Avere dirigenti da diverse aree aziendali aumenta la varietà della conoscenza nel gruppo.
Questo processo comporta tutti i vantaggi e gli svantaggi di una riunione di gruppo discussi precedentemente. In questa impostazione, è importante giustificare e documentare il processo di previsione. I dirigenti devono cioè impegnarsi a ridurre le distorsioni generate dall’impostazione della riunione di gruppo. in questo contesto si possono anche applicare variazioni dell’approccio Delphi; per esempio, il processo di stima-parla-stima descritto prima.
Intenzioni dei clienti
Le intenzioni dei clienti possono essere usate per prevedere la domanda di un nuovo prodotto o di una variazione di un prodotto esistente. I clienti compilano i questionari strutturati sulle loro intenzioni di comprare il prodotto. In particolare, si chiede ai clienti di valutare la probabilità di acquistare il prodotto su una scala di punteggio, come la seguente “molto probabile”, “probabile”, “possibile”, “improbabile”, “molto improbabile”.
In questo approccio bisogna tener conto di tutti gli aspetti della progettazione del sondaggio, come la raccolta di un campione rappresentativo, l’applicazione di un metodo efficace in termini di tempo e di costi nonché la gestione delle mancate risposte7.
Bisogna inoltre tenere presente la relazione tra intenzione d’acquisto e comportamento d’acquisto. I clienti non sempre danno corso alle loro intenzioni dichiarate. Molti studi hanno trovato una correlazione positiva tra le intenzioni di acquisto e il comportamento d’acquisto; tuttavia, la forza di queste correlazioni varia sostanzialmente da caso a caso. I fattori che influenzano questa variabilità sono i tempi della raccolta dei dati e del lancio del prodotto, la definizione di “nuovo” per il prodotto, e il tipo di industria. La teoria comportamentale afferma che le intenzioni predicono il comportamento se tali intenzioni sono misurate/raccolte subito prima il verificarsi del comportamento8. Il tempo che intercorre tra la misurazione dell’intenzione e la realizzazione del comportamento varia a seconda che si tratti di un prodotto completamente nuovo o di una variazione di un prodotto esistente. Inoltre, la correlazione tra intenzione e comportamento risulta essere più forte per le variazioni su prodotti esistenti e familiari che per prodotti completamente nuovi.
6.7 Aggiustamenti discrezionali
In questo paragrafo finale, si considera il caso in cui i dati storici sono disponibili e vengono utilizzati per generare previsioni statistiche. È comune per i professionisti applicare su queste previsioni degli aggiustamenti discrezionali. Questi aggiustamenti possono potenzialmente fornire tutti i vantaggi delle previsioni discrezionali che sono stati discussi in precedenza in questo capitolo. Per esempio, forniscono un modo per incorporare fattori che potrebbero non essere considerati nel modello statistico, come promozioni, grandi eventi sportivi, vacanze o eventi recenti che non sono ancora riflessi nei dati. Tuttavia, questi vantaggi si realizzano solo quando sono presenti le condizioni giuste. Gli aggiustamenti discrezionali, come le previsioni discrezionali, comportano distorsioni e limitazioni, e bisogna agire con strategie metodologiche per ridurle al minimo.
Usare gli aggiustamenti con parsimonia
Gli utilizzatori aggiustano le previsioni molto più spesso di quanto dovrebbero, e molte volte per le ragioni sbagliate. Aggiustando le previsioni statistiche, gli utenti delle previsioni creano una sensazione di padronanza e credibilità. Gli utenti spesso non capiscono e non apprezzano i meccanismi che generano le previsioni statistiche (dato che di solito non hanno una formazione in questo campo). Implementando gli aggiustamenti discrezionali, gli utenti sentono di aver contribuito e completato le previsioni, e possono ora mettere in relazione la loro intuizione e le loro interpretazioni con queste. È come se le previsioni fossero diventate loro.
Gli aggiustamenti discrezionali non dovrebbero mirare a correggere un comportamento sistematico dei dati che si pensa sia stato ignorato dal modello statistico. Tali aggiustamenti si dimostrano spesso inefficaci, poiché i previsori tendono a leggere comportamenti inesistenti in serie rumorose. I modelli statistici tengono conto molto meglio di pattern presenti nei dati, e gli aggiustamenti discrezionali ostacolano solo l’accuratezza delle previsioni ottenute dai modelli.
Gli aggiustamenti discrezionali sono più efficaci quando sono disponibili significative informazioni aggiuntive o forti prove della necessità di un aggiustamento. Si dovrebbe aggiustare solo quando si hanno iimportanti informazioni aggiuntive che non sono incorporate nel modello statistico. Quindi, gli aggiustamenti sembrano essere più accurati quando sono di grandi dimensioni. Piccoli aggiustamenti (specialmente in direzione positiva che aiuta l’illusione dell’ottimismo) in genere ostacolano l’accuratezza, e dovrebbero essere evitati.
Approccio strutturato
L’utilizzo di un approccio strutturato e sistematico migliorerà l’accuratezza degli aggiustamenti discrezionali. Seguire i principi chiave delineati nel paragrafo6.2 è vitale. In particolare, il fatto di dover documentare e giustificare gli aggiustamenti renderà più difficile modificare le previsioni statistiche ed eviterà aggiustamenti non necessari.
È comune che gli aggiustamenti siano attuati da un panel di esperti (vedi l’esempio che segue). L’uso di un’impostazione Delphi comporta grandi vantaggi; tuttavia, se gli aggiustamenti sono implementati in una riunione di gruppo, è utile considerare prima le previsioni dei mercati o dei prodotti chiave, poiché i membri del panel tendono a non prestare attenzione a questa parte del processo. Man mano che la riunione prosegue, si tende ad apportare meno aggiustamenti.
Esempio: Comitato per le previsioni del turismo (TFC)
Tourism Australia pubblica le previsioni per tutti gli aspetti del turismo australiano due volte l’anno. Le previsioni pubblicate sono stimate dal TFC, un organismo indipendente che comprende esperti di vari settori del governo e dell’industria, tra cui il Tesoro del Commonwealth australiano, compagnie aeree, società di consulenza, società del settore bancario ed enti turistici.
La metodologia di previsione applicata è un processo iterativo. In primo luogo, le previsioni statistiche basate su modelli sono generate dall’unità di previsione all’interno di Tourism Australia, vengono poi fatti aggiustamenti discrezionali a questi in due turni. Nella prima fase, il Comitato Tecnico del TFC9 (che comprende ricercatori senior, economisti e consulenti indipendenti) aggiusta le previsioni basate sul modello. Nella seconda ed ultima fase, il TFC (che comprende esperti dell’industria e del governo) fa gli aggiustamenti finali. In entrambi i round, gli aggiustamenti sono fatti per consenso.
Qualunque sia il metodo di previsione per un nuovo prodotto, è importante documentare accuratamente le previsioni fatte e il ragionamento con il quale sono state derivate, per poterle valutare quando i dati saranno disponibili.
Nel 2008, furono10 analizzate le previsioni per il turismo interno australiano. Le previsioni pubblicate dal TFC erano ottimistiche, specialmente per il lungo periodo, e furono proposte previsioni alternative basate su modelli avendo a disposizione i dati osservati fino al 2011 incluso. In figura 6.2, sono riportate le previsioni pubblicate e i dati reali. Come si può vedere dall’analisi del grafico, le previsioni pubblicate della TFC hanno continuato ad essere ottimistiche.
Cosa si può dedurre da questo esempio? Sebbene la TFC dichiari chiaramente nella sua metodologia di produrre “previsioni” piuttosto che “obiettivi”, potrebbe essere questo un caso in cui questi sono stati confusi? I previsori e gli utenti sono sufficientemente ben separati in questo processo? Il processo iterativo stesso potrebbe essere migliorato? Il processo di aggiustamento nelle riunioni potrebbe essere migliorato? È possibile che le riunioni di gruppo abbiano prootto stime troppo ottimistiche? Il turismo interno avrebbe dovuto essere considerato prima nel corso della riunione?
6.8 Ulteriori letture
Molti libri di testo sulla previsione ignorano del tutto la previsione discrezionale. Qui si riportano tre citazioni che la descrivono con qualche dettaglio.
- Il capitolo 11 del libro di Ord et al. (2017) fornisce un’eccellente revisione di alcuni degli argomenti trattati in questo capitolo, ma include anche l’uso della discrezione per valutare l’incertezza della previsione e la previsione basata su quella dei mercati. Goodwin & Wright (2009) è un libro che tratta l’uso della previsione discrezionale scritto da due dei principali ricercatori del settore. Kahn (2006) copre le tecniche di previsione per nuovi prodotti, dove i metodi di giudizio giocano un ruolo importante.
Negli ultimi 20 anni sono stati pubblicati alcuni utili articoli di indagine sulla previsione discrezionale: i tre seguenti risultano particolarmente utili.
Alcuni articoli utili sui metodi di previsione discrezionali individuali sono elencati nella tabella che segue.
| Metodi di previsione | Letture raccomandate |
|---|---|
| Delphi | Rowe & Wright (1999) |
| Rowe (2007) | |
| Adjustments | Sanders et al. (2005) |
| Eroglu & Croxton (2010) | |
| Franses & Legerstee (2013) | |
| Analogy | Green & Armstrong (2007) |
| Scenarios | Önkal et al. (2013) |
| Customer intentions | Morwitz et al. (2007) |