Para aprovechar los beneficios de eficiencia de la previsión, necesita las previsiones más precisas: previsiones basadas en los datos históricos más apropiados. La mayoría de las discusiones sobre este tema tienden a centrarse en los méritos de usar la demanda frente al historial de envíos, y comentaré esto más adelante. Pero primero, hablemos sobre el uso de datos netos frente a datos brutos.
Historial neto vs. bruto
Muchos planificadores se inclinan por usar datos de ventas netas para crear sus pronósticos. Los sistemas que rastrean las ventas capturan las transacciones a medida que ocurren y agregan los resultados en totales periódicos semanales o mensuales. En algunos casos, los registros de ventas contabilizan las compras devueltas como ventas negativas y calculan un total neto. Estas cifras netas, que a menudo enmascaran patrones de ventas reales, se introducen en el sistema de previsión. Los datos históricos utilizados en realidad presentan una falsa sensación de lo que quería el cliente y cuándo lo quería. Esto se trasladará al pronóstico, con resultados menos que óptimos.
Suponga que sus datos de ventas se agregan en totales mensuales. Si se utilizan cifras netas mensuales, y las devoluciones se producen en el mismo mes que se compran, no hay problema. La actividad neta del mes refleja la demanda real. Pero, ¿y si el producto se devuelve tres o cuatro meses después de haberlo comprado, como suele ocurrir? Las cifras netas subestiman el interés en el producto para el mes en que se cuenta la devolución y (al parecer) sobrestiman la demanda para el mes de la venta inicial. Reflejar la demanda del producto en el momento equivocado de esta manera interfiere con la capacidad del sistema de pronóstico para identificar adecuadamente el patrón (o la falta del mismo) en los datos.
Dado que completa los pedidos a medida que los recibe, difícilmente se negará a realizar el envío porque cree que podrían devolver el producto en unos pocos meses. Los clientes no soportarían eso. Entonces, por supuesto, desea saber que es probable que ocurra tal demanda. Si van a llegar los pedidos, necesitas stock en tu inventario para satisfacer la demanda, independientemente de las devoluciones posteriores. El uso de cifras netas no es la mejor práctica en estas situaciones.
En la mayoría de los casos, los datos utilizados para preparar pronósticos deben basarse en cifras brutas. Los rendimientos pueden pronosticarse como una variable separada y utilizarse como fuente de suministro entrante. Esto dará como resultado menos pedidos innecesarios de nuevo inventario. En última instancia, este enfoque captura mejor los verdaderos patrones en los datos: el corazón de la previsión.
Datos de envío frente a demanda
Una segunda distinción importante con respecto a los datos históricos puede parecer contraria a la intuición. Casi siempre se alienta a los pronosticadores a usar datos de demanda porque se supone que reflejan mejor lo que el cliente quería y cuándo. Sin embargo, cuando tiene la opción, a veces puede ser más inteligente utilizar los datos de envío.
Un principio rector es considerar la precisión de los datos. En la mayoría de las empresas, los datos de envío reflejan exactamente lo que se envió, mientras que los datos de demanda a menudo están plagados de imprecisiones. Aquí están algunos ejemplos:
Los clientes pueden saber, por ejemplo, que no podrá completar su pedido. En ese caso, es posible que se abstengan de realizar el pedido y esperen hasta que crean que tiene existencias disponibles para satisfacer sus necesidades. Por otro lado, los clientes ansiosos pueden presentar múltiples pedidos electrónicos, preocupados de que alguna falta de comunicación pueda impedir que se procese un pedido vital. Cuando estén seguros de que se ha aceptado un pedido, podrán cancelar los pedidos adicionales. Luego está el caso de un cliente que ha experimentado desabastecimientos contigo en el pasado. Pueden aumentar el tamaño de sus pedidos para maximizar la posibilidad de que se les asigne inventario.
Si tales prácticas plagan su historial de pedidos, puede ser más prudente utilizar los datos de envío. A continuación, puede utilizar la función "ajustar historial" de SmartForecasts para afinar los datos de envío, de modo que refleje mejor la demanda. Sin duda, puede hacer lo mismo con los datos de demanda inexactos, pero a menudo esto requerirá mucho más esfuerzo que simplemente corregir los casos obvios en los que los envíos son bajos un mes y altos al siguiente debido a una situación de falta de existencias.
Antes de tomar una decisión sobre si usar datos de envío o de demanda, es importante comprender cómo se contabilizan los pedidos y las devoluciones en su sistema. Hable con sus representantes de servicio al cliente y pregúnteles cómo darían cuenta de estas situaciones. No confíe en la palabra de su departamento de TI. Ejerza su juicio para obtener los mejores resultados.
Tomar las decisiones de datos correctas contribuirá en gran medida a lograr valiosas eficiencias en la cadena de suministro. Tómese el tiempo para leer Publicación de Michael Gilliland sobre este tema en el blog del Institute of Business Forecasting and Planning, en demand-planning.com.
Gregory Hartunian se desempeña como presidente de Smart Software y como miembro de la junta directiva. Anteriormente ocupó el cargo de Vicepresidente de Ventas.
Artículos Relacionados
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.
¿Puede la aleatoriedad ser un aliado en la batalla de los pronósticos?
Cuando intentamos comprender el complejo mundo de la logística, la aleatoriedad juega un papel fundamental. Esto introduce una paradoja interesante: en una realidad donde se valoran la precisión y la certeza, ¿podría la naturaleza impredecible de la oferta y la demanda servir realmente como un aliado estratégico?
La búsqueda de pronósticos precisos no es sólo un ejercicio académico; es un componente crítico del éxito operativo en numerosas industrias. Para los planificadores de la demanda que deben anticipar la demanda de un producto, las ramificaciones de hacerlo bien (o mal) son fundamentales. Por lo tanto, reconocer y aprovechar el poder de la aleatoriedad no es simplemente un ejercicio teórico; es una necesidad de resiliencia y adaptabilidad en un entorno en constante cambio.
Los objetivos en la previsión
Un pronóstico es una predicción sobre el valor de una variable de una serie de tiempo en algún momento en el futuro. Por ejemplo, es posible que desee estimar las ventas o la demanda de un producto del próximo mes. Una serie de tiempo es una secuencia de números registrados en intervalos de tiempo igualmente espaciados; por ejemplo, las ventas unitarias registradas cada mes. Los objetivos que persigue cuando realiza previsiones dependen de la naturaleza de su trabajo y de su negocio. Todo pronóstico es incierto; de hecho, existe un rango de valores posibles para cualquier variable que pronostique. Los valores cercanos a la mitad de este rango tienen una mayor probabilidad de ocurrir realmente, mientras que los valores en los extremos del rango tienen menos probabilidades de ocurrir.