En mi publicación anterior de esta serie sobre conceptos esenciales, “¿Qué es 'Un buen pronóstico'”, discutí el esfuerzo básico para descubrir el futuro más probable en un escenario de planificación de la demanda. Definí un buen pronóstico como aquel que es imparcial y lo más preciso posible. Pero también advertí que, dependiendo de la estabilidad o volatilidad de los datos con los que tenemos que trabajar, aún puede haber alguna inexactitud incluso en un buen pronóstico. La clave es tener una comprensión de cuánto.
Este tema, la gestión de la incertidumbre, es el tema de la publicación de mi colega Tom Willemain, “El promedio no es la respuesta”. Su publicación establece la teoría para enfrentar responsablemente los límites de nuestra capacidad predictiva. Es importante entender cómo funciona esto realmente.
Como mencioné brevemente al final de mi publicación anterior, nuestro enfoque comienza con algo llamado "simulación deslizante". Estimamos con qué precisión predecimos el futuro utilizando nuestras técnicas de pronóstico en una parte más antigua de la historia, excluyendo los datos más recientes. Luego podemos comparar lo que hubiéramos predicho para el pasado reciente con nuestra información real del mundo real sobre lo que sucedió. Este es un método confiable para estimar qué tan cerca estamos prediciendo la demanda futura.
El inventario de seguridad, un amortiguador cuidadosamente medido en el nivel de inventario que almacenamos por encima de nuestra predicción de la demanda más probable, se deriva de la estimación del error de pronóstico que surge de la "simulación deslizante". Este enfoque para lidiar con la precisión de nuestros pronósticos se equilibra de manera eficiente entre ignorar la amenaza de la sobrecompensación impredecible y costosa.
En detalles más técnicos: los errores de pronóstico que se estiman mediante este proceso de simulación deslizante indican el nivel de incertidumbre. Usamos estos errores para estimar la desviación estándar de los pronósticos. Ahora, con una demanda regular, podemos suponer que los pronósticos (que son estimaciones del comportamiento futuro) están mejor representados por una distribución de probabilidad en forma de campana, lo que los estadísticos llaman la "distribución normal". El centro de esa distribución es nuestro pronóstico puntual. El ancho de esa distribución es la desviación estándar del pronóstico de "simulación deslizante" de los valores reales conocidos; lo obtenemos directamente de nuestras estimaciones de error de pronóstico.
Una vez que conocemos la curva específica en forma de campana asociada con el pronóstico, podemos estimar fácilmente la reserva de existencias de seguridad que se necesita. La única entrada nuestra es el "nivel de servicio" que se desea, y se puede determinar el stock de seguridad en ese nivel de servicio. (El nivel de servicio es esencialmente una medida de la confianza que debemos tener en nuestros niveles de existencias de inventario, con una confianza cada vez mayor que requiere los gastos correspondientes en inventario adicional). Tenga en cuenta que estamos asumiendo que la distribución correcta a usar es la distribución normal. Esto es correcto para la mayoría de las series de demanda en las que tiene una demanda regular por período. Falla cuando la demanda es esporádica o intermitente.
En el próximo artículo de esta serie, analizaré cómo Smart Forecasts trata la estimación del stock de seguridad en aquellos casos de demanda intermitente, cuando la suposición de normalidad es incorrecta.
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

Correlation vs Causation: Is This Relevant to Your Job?
Outside of work, you may have heard the famous dictum “Correlation is not causation.” It may sound like a piece of theoretical fluff that, though involved in a recent Noble Prize in economics, isn’t relevant to your work as a demand planner. Is so, you may be only partially correct.

Tipos de problemas de pronóstico que ayudamos a resolver
Generar pronósticos estadísticos precisos no es una tarea fácil. Los planificadores deben mantener los datos históricos continuamente actualizados, crear y administrar una base de datos de modelos de pronóstico, saber qué métodos de pronóstico usar, realizar un seguimiento de las anulaciones de pronóstico e informar sobre la precisión del pronóstico. Estos son ejemplos de problemas de pronóstico que SmartForecasts puede resolver, junto con los tipos de datos comerciales representativos de cada uno.

Tres formas de estimar la precisión del pronóstico
La precisión del pronóstico es una métrica clave para juzgar la calidad de su proceso de planificación de la demanda. Una vez que tenga pronósticos, hay varias formas de resumir su precisión, generalmente designadas por acrónimos oscuros de tres o cuatro letras como MAPE, RMSE y MAE.