Se pueden obtener enormes eficiencias de ahorro de costos al optimizar los niveles de existencias de inventario utilizando las mejores predicciones de la demanda futura. La familiaridad con los conceptos básicos de pronóstico es una parte importante para ser efectivo con las herramientas de software diseñadas para explotar esta eficiencia. Esta introducción concisa (la primera de una breve serie de publicaciones de blog) ofrece al profesional ocupado una introducción a las ideas básicas que debe aplicar en la elaboración de pronósticos. ¿Cómo evalúa sus esfuerzos de pronóstico y qué tan confiables son los resultados?
Un buen pronóstico es "imparcial". Captura correctamente la estructura predecible en el historial de demanda, que incluye: tendencia (un aumento o disminución regular de la demanda); estacionalidad (variación cíclica); eventos especiales (por ejemplo, promociones de ventas) que podrían afectar la demanda o tener un efecto de canibalización en otros artículos; y otros eventos macroeconómicos.
Por “imparcial” queremos decir que el pronóstico estimado no se proyecta demasiado alto o demasiado bajo; es igualmente probable que la demanda real esté por encima o por debajo de la demanda prevista. Piense en el pronóstico como su mejor estimación de lo que podría suceder en el futuro. Si ese pronóstico es "imparcial", el panorama general mostrará que las medidas de la demanda futura real "encuadrarán" los pronósticos, distribuidos en equilibrio por encima y por debajo de las predicciones por las mismas probabilidades.
Puedes pensar en esto como si fueras un oficial de artillería y tu trabajo es destruir un objetivo con tu cañón. Apuntas tu cañón ("el pronóstico") y luego disparas y miras caer los proyectiles. Si apuntó el cañón correctamente (produciendo un pronóstico "imparcial"), esos proyectiles "encerrarán" el objetivo; algunos proyectiles caerán al frente y algunos proyectiles caerán detrás, pero algunos proyectiles darán en el blanco. Las conchas que caen pueden considerarse como la "demanda real" que ocurrirá en el futuro. Si pronosticó bien (apuntó bien su cañón), entonces esos datos reales colocarán entre paréntesis los pronósticos, cayendo igualmente por encima y por debajo del pronóstico.
Una vez que haya obtenido un pronóstico "imparcial" (en otras palabras, apuntó su cañón correctamente), la pregunta es: ¿qué tan preciso fue su pronóstico? Usando el ejemplo de la artillería, ¿qué tan amplio es el rango alrededor del objetivo en el que caen sus proyectiles? Desea tener un rango lo más estrecho posible. Un buen pronóstico será uno con la mínima “difusión” posible alrededor del objetivo.
Sin embargo, el hecho de que los valores reales estén cayendo ampliamente alrededor del pronóstico no significa que tenga un mal pronóstico. Simplemente puede indicar que tiene un historial de demanda muy "volátil". Nuevamente, usando el ejemplo de la artillería, si está comenzando a disparar en un huracán, debe esperar que los proyectiles caigan alrededor del objetivo con un amplio error.
Su objetivo es obtener un pronóstico lo más preciso posible con los datos que tiene. Si esos datos son muy volátiles (estás disparando en un huracán), entonces deberías esperar un gran error. Si sus datos son estables, debe esperar un pequeño error y sus valores reales se acercarán al pronóstico: ¡está disparando en un día despejado!
Para que pueda comprender tanto la utilidad de sus pronósticos como el grado de precaución apropiado al aplicarlos, debe poder revisar y medir qué tan bien está funcionando su pronóstico. ¿Qué tan bien está estimando lo que realmente ocurre? SmartForecasts hace esto automáticamente ejecutando su "simulación deslizante" a través del historial. Simula “pronósticos” que podrían haber ocurrido en el pasado. Una parte más antigua del historial, sin los números más recientes, se aísla y se utiliza para generar pronósticos. Debido a que estos pronósticos luego "predicen" lo que podría suceder en el pasado más reciente, un período para el cual ya tiene datos de demanda reales, los pronósticos se pueden comparar con el historial real reciente.
De esta manera, SmartForecasts puede calcular empíricamente el error de pronóstico real, y esos errores son necesarios para estimar adecuadamente el inventario de seguridad. El inventario de seguridad es la cantidad de inventario adicional que debe tener para compensar el error anticipado en sus pronósticos. En un ensayo posterior, discutiré cómo usamos nuestro error de pronóstico estimado (a través de la simulación deslizante de SmartForecasts) para estimar correctamente las existencias de seguridad.
Nelson Hartunian, PhD, cofundó Smart Software, anteriormente se desempeñó como presidente y actualmente lo supervisa como presidente de la junta. Ha dirigido, en varias ocasiones, el desarrollo de software, las ventas y el servicio al cliente.
Artículos Relacionados

Necesitas formar equipo con los algoritmos
This article is about the real power that comes from the collaboration between you and our software that happens at your fingertips. We often write about the software itself and what goes on “under the hood”. This time, the subject is how you should best team up with the software.

Repensar la precisión del pronóstico: un cambio de la precisión a las métricas de error
Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información.

Cada modelo de pronóstico es bueno para lo que está diseñado
Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente.