Una nueva métrica que llamamos "Índice de atención" ayudará a los pronosticadores a identificar situaciones en las que "los datos se comportan mal" pueden distorsionar los pronósticos estadísticos automáticos (ver el poema adyacente). Identifica rápidamente aquellos elementos que probablemente requieran anulaciones de pronósticos, lo que proporciona una forma más eficiente de poner a trabajar la experiencia comercial y otra inteligencia humana para maximizar la precisión de los pronósticos. ¿Como funciona?
Clásico métodos de pronóstico, como los diversos sabores de suavizado exponencial y promedios móviles, insisten en un acto de fe. Requieren que confiemos en que las condiciones presentes persistirán en el futuro. Si las condiciones actuales persisten, entonces es sensato utilizar estos métodos extrapolativos, métodos que cuantifican el nivel actual, la tendencia, la estacionalidad y el “ruido” de una serie temporal y los proyectan hacia el futuro.
Pero si no persisten, los métodos de extrapolación pueden causarnos problemas. Lo que había estado subiendo podría estar bajando de repente. Lo que solía estar centrado en un nivel puede saltar repentinamente a otro. O podría suceder algo realmente extraño que está completamente fuera de patrón. En estas circunstancias sorprendentes, la precisión de los pronósticos se deteriora, los cálculos de inventario fallan y se produce un descontento general.
Una forma de hacer frente a este problema es confiar en modelos de pronóstico más complejos que tengan en cuenta los factores externos que impulsan la variable que se pronostica. Por ejemplo, las promociones de ventas intentan interrumpir los patrones de compra y moverlos en una dirección positiva, por lo que incluir la actividad de promoción en el proceso de pronóstico puede mejorar el pronóstico de ventas. A veces, los indicadores macroeconómicos, como la construcción de viviendas o las tasas de inflación, se pueden utilizar para mejorar la precisión de los pronósticos. Pero los modelos más complejos requieren más datos y más experiencia, y es posible que no sean útiles para algunos problemas, como la gestión de piezas o subsistemas, en lugar de productos terminados.
Si uno está atascado usando métodos extrapolativos simples, es útil tener una forma de marcar elementos que serán difíciles de pronosticar. Este es el índice de atención. Como sugiere el nombre, los elementos que se van a pronosticar con un índice de atención alto requieren un manejo especial, al menos una revisión y, por lo general, algún tipo de ajuste de pronóstico.
El Índice de Atención detecta tres tipos de problemas:
Un valor atípico en el historial de demanda de un artículo.
Un cambio abrupto en el nivel de un elemento.
Un cambio abrupto en la tendencia de un artículo.
Usando software como SmartForecasts™, el pronosticador puede lidiar con un valor atípico reemplazándolo con un valor más típico.
Un cambio abrupto en el nivel o la tendencia se puede abordar omitiendo, de los cálculos de pronóstico, todos los datos anteriores a la "ruptura" en el patrón de demanda, suponiendo que el artículo haya cambiado a un nuevo régimen que hace que los datos anteriores sean irrelevantes.
Si bien ningún índice es perfecto, el Índice de atención hace un buen trabajo al centrar la atención en los historiales de demanda más problemáticos. Esto se demuestra en las dos figuras a continuación, que se produjeron con datos de la competencia M3, muy conocida en el mundo de los pronósticos. La Figura 1 muestra los 20 ítems (de los 3.003 del concurso) con las puntuaciones más altas en el Índice de Atención; todos estos tienen grotescos valores atípicos y rupturas. La Figura 2 muestra los 20 ítems con las puntuaciones más bajas del Índice de Atención; la mayoría (pero no todos) de los ítems con puntajes bajos tienen patrones relativamente benignos.
Si tiene miles de elementos para pronosticar, el nuevo índice de atención será muy útil para centrar su atención en aquellos elementos que probablemente sean problemáticos.
Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.
Artículos Relacionados
The Methods of Forecasting
Demand planning and statistical forecasting software play a pivotal role in effective business management by incorporating features that significantly enhance forecasting accuracy. One key aspect involves the utilization of smoothing-based or extrapolative models, enabling businesses to quickly make predictions based solely on historical data. This foundation rooted in past performance is crucial for understanding trends and patterns, especially in variables like sales or product demand. Forecasting software goes beyond mere data analysis by allowing the blending of professional judgment with statistical forecasts, recognizing that forecasting is not a one-size-fits-all process. This flexibility enables businesses to incorporate human insights and industry knowledge into the forecasting model, ensuring a more nuanced and accurate prediction.
Learning from Inventory Models
En este video blog, la atención se centra en un aspecto crítico de la gestión de inventario: el análisis y la interpretación de los datos del inventario. La atención se centra específicamente en un conjunto de datos de una agencia de transporte público que detalla piezas de repuesto para autobuses.
Buscando problemas en los datos de su inventario
En este video blog, la atención se centra en un aspecto crítico de la gestión de inventario: el análisis y la interpretación de los datos del inventario. La atención se centra específicamente en un conjunto de datos de una agencia de transporte público que detalla piezas de repuesto para autobuses.