Cómo afrontar un pronóstico de demanda

Para algunos de nuestros clientes, el clima tiene una influencia significativa en la demanda. Los fenómenos meteorológicos extremos de corto plazo, como incendios, sequías, olas de calor, etc., pueden tener una influencia significativa en el corto plazo sobre la demanda.

Hay dos formas de incluir el clima en un pronóstico de demanda: indirecta y directamente. La ruta indirecta es más fácil utilizando el enfoque basado en escenarios de Planificador de la demanda. El enfoque directo requiere un proyecto especial personalizado que requiere datos adicionales y modelos hechos a mano.

Contabilidad indirecta del tiempo

El modelo estándar integrado Planificador de la demanda (SDP) se adapta a los efectos climáticos de cuatro maneras:

  1. Si el mundo se está calentando, enfriando, secando o humedeciendo constantemente de maneras que impactan sus ventas, SDP detecta estas tendencias automáticamente y las incorpora a los escenarios de demanda que genera.
  2. Si tu negocio tiene un ritmo regular en el que ciertos días de la semana o ciertos meses del año tienen consistentemente una demanda mayor o menor que el promedio, SDP también detecta automáticamente esta estacionalidad y la incorpora a sus escenarios de demanda.
  3. A menudo es la aleatoriedad del clima lo que interfiere con la precisión del pronóstico. A menudo nos referimos a este efecto como "ruido". El ruido es un término general que incorpora todo tipo de problemas aleatorios. Además del clima, un estallido geopolítico, la quiebra sorpresa de un banco regional o el atascamiento de un barco en el Canal de Suez pueden agregar sorpresas a la demanda de productos, y lo han hecho. SDP evalúa la volatilidad de la demanda y la reproduce en sus escenarios de demanda.
  4. Anulaciones de gestión. La mayoría de las veces, los clientes permiten que SDP genere automáticamente decenas de miles de escenarios de demanda. Pero si los usuarios sienten la necesidad de modificar pronósticos específicos utilizando su conocimiento interno, SDP puede hacerlo mediante anulaciones de la administración.

Contabilidad directa del clima

A veces, un usuario podrá articular su experiencia en la materia vinculando factores externos a su empresa (como tasas de interés, costos de materias primas o tendencias tecnológicas) con sus propias ventas agregadas. En estas situaciones, Smart Software puede organizar proyectos especiales únicos que proporcionen modelos alternativos ("causales") para complementar nuestros modelos de pronóstico estadístico estándar. Póngase en contacto con su representante de Smart Software para analizar un posible proyecto de modelado causal.

Mientras tanto, no olvides tu paraguas.

 

 

 

Aprovechar las listas de materiales de planificación de ERP con Smart IP&O para pronosticar lo imprevisible

​En un entorno de fabricación altamente configurable, pronosticar productos terminados puede convertirse en una tarea compleja y desalentadora. El número de posibles productos terminados se disparará cuando muchos componentes sean intercambiables. Un MRP tradicional nos obligaría a pronosticar cada producto terminado, lo que puede ser poco realista o incluso imposible. Varias soluciones ERP líderes introducen el concepto de "Planificación BOM", que permite el uso de pronósticos a un nivel superior en el proceso de fabricación. En este artículo, discutiremos esta funcionalidad en ERP y cómo puede aprovecharla con Smart Inventory Planning and Optimization (Smart IP&O) para adelantarse a su demanda ante esta complejidad.

¿Por qué necesitaría una lista de materiales de planificación?

Tradicionalmente, cada producto terminado o SKU tenía una lista de materiales rígidamente definida. Si almacenamos ese producto y queremos planificar en torno a la demanda pronosticada, pronosticaremos la demanda de esos productos y luego alimentaremos MRP para llevar esta demanda pronosticada desde el nivel del producto terminado hasta sus componentes a través de la lista de materiales.

Sin embargo, muchas empresas ofrecen productos altamente configurables donde los clientes pueden seleccionar opciones sobre el producto que están comprando. Como ejemplo, recuerde la última vez que compró una computadora personal. Elegiste una marca y un modelo, pero a partir de ahí probablemente se te presentaron opciones: ¿qué velocidad de CPU deseas? ¿Cuánta RAM quieres? ¿Qué tipo de disco duro y cuánto espacio? Si esa empresa quiere tener estas computadoras listas y disponibles para enviárselas en un tiempo razonable, de repente ya no solo anticipan la demanda de ese modelo: deben pronosticar ese modelo para cada tipo de CPU, para todas las cantidades de RAM, para ¡Todos los tipos de discos duros y todas las combinaciones posibles de ellos también! Para algunos fabricantes, estas configuraciones pueden dar lugar a cientos o miles de posibles permutaciones de productos terminados.

Planificación de la lista de materiales enfatizando la gran cantidad de permutaciones Componentes de fábrica de computadoras portátiles

Puede haber tantas personalizaciones posibles que la demanda a nivel del producto terminado sea completamente impredecible en el sentido tradicional. Es posible que se vendan miles de esas computadoras cada año, pero para cada configuración posible, la demanda puede ser extremadamente baja y esporádica; tal vez ciertas combinaciones se vendan una vez y nunca más.

Esto a menudo obliga a estas empresas a planificar puntos de reorden y niveles de existencias de seguridad principalmente a nivel de componentes, mientras reaccionan en gran medida a la demanda firme en el nivel de producto terminado a través de MRP. Si bien este es un enfoque válido, carece de una forma sistemática de aprovechar los pronósticos que puedan dar cuenta de la actividad futura anticipada, como promociones, próximos proyectos u oportunidades de ventas. Hacer pronósticos a nivel “configurado” es efectivamente imposible, y tratar de incorporar estos supuestos de pronóstico a nivel de componentes tampoco es factible.

 

Planificación de la lista de materiales explicada

Aquí es donde entran las listas de materiales de planificación. Quizás el equipo de ventas esté trabajando en una gran oportunidad b2b para ese modelo, o haya una promoción planificada para el Cyber Monday. Si bien no es realista intentar trabajar con esos supuestos para cada configuración posible, hacerlo a nivel de modelo es totalmente factible y tremendamente valioso.

La lista de materiales de planificación puede utilizar un pronóstico a un nivel superior y luego reducir la demanda en función de proporciones predefinidas para su posible componentes. Por ejemplo, el fabricante de computadoras puede saber que la mayoría de las personas optan por 16 GB de RAM, y muchas menos optan por las actualizaciones a 32 o 64. La lista de materiales de planificación permite a la organización (por ejemplo) reducir 60% de la demanda a la opción de 16 GB. , 30% para la opción de 32 GB y 10% para la opción de 64 GB. Podrían hacer lo mismo con las CPU, los discos duros o cualquier otra personalización disponible.  

Planificación de la lista de materiales explicada con la memoria RAM de acceso aleatorio de la computadora cerca de HD

 

La empresa ahora puede centrar su pronóstico en este nivel de modelo, dejando que la lista de materiales de planificación determine la combinación de componentes. Claramente, definir estas proporciones requiere algo de reflexión, pero las listas de materiales de planificación permiten efectivamente a las empresas pronosticar lo que de otro modo sería impredecible.

 

La importancia de un buen pronóstico

Por supuesto, todavía Necesita un buen pronóstico para cargarlo en un sistema ERP.. Como se explica en este artículo, si bien ERP puede importar un pronóstico, a menudo no puede generar uno y, cuando lo hace, tiende a requerir una gran cantidad de configuraciones difíciles de usar que no suelen revisarse, lo que genera pronósticos inexactos. Por lo tanto, corresponde a la empresa elaborar sus propios conjuntos de pronósticos, a menudo elaborados manualmente en Excel. La elaboración de pronósticos manualmente generalmente presenta una serie de desafíos, que incluyen, entre otros:

  • La incapacidad de identificar patrones de demanda como estacionalidad o tendencia.
  • Dependencia excesiva de las previsiones de clientes o de ventas
  • Falta de precisión o seguimiento del rendimiento.

No importa qué tan bien configurado esté el MRP con sus listas de materiales de planificación cuidadosamente consideradas, un pronóstico deficiente significa una producción deficiente del MRP y desconfianza en el sistema: basura que entra, basura que sale. Siguiendo con el ejemplo de la “empresa de informática”, sin una forma sistemática de capturar patrones de demanda clave y/o conocimiento del dominio en el pronóstico, MRP nunca podrá verlo.

 

Amplíe su ERP con Smart IP&O

Smart IP&O está diseñado para ampliar su sistema ERP con una serie de soluciones integradas de planificación de la demanda y optimización del inventario. Por ejemplo, puede generar pronósticos estadísticos automáticamente para una gran cantidad de artículos, permite ajustes de pronóstico intuitivos, realiza un seguimiento de la precisión del pronóstico y, en última instancia, le permite generar verdaderos pronósticos basados en consenso para anticipar mejor las necesidades de sus clientes.

Gracias a las jerarquías de productos altamente flexibles, Smart IP&O se adapta perfectamente a la previsión en el nivel de planificación de la lista de materiales para que pueda capturar patrones clave e incorporar conocimiento empresarial en los niveles más importantes. Además, puede analizar e implementar niveles óptimos de existencias de seguridad en cualquier nivel de su lista de materiales.

 

 

Necesitas formar equipo con los algoritmos

Hace más de cuarenta años, Smart Software estaba formada por tres amigos que trabajaban para iniciar una empresa en el sótano de una iglesia. Hoy, nuestro equipo se ha expandido para operar desde múltiples ubicaciones en Massachusetts, New Hampshire y Texas, con miembros del equipo en Inglaterra, España, Armenia e India. Como muchos de ustedes en sus trabajos, hemos encontrado formas de hacer que los equipos distribuidos trabajen para nosotros y para usted.

Esta nota trata sobre un tipo diferente de trabajo en equipo: la colaboración entre usted y nuestro software que ocurre al alcance de su mano. A menudo escribo sobre el software en sí y lo que sucede "debajo del capó". Esta vez, mi tema es cuál es la mejor forma de asociarse con el software.

Nuestro paquete de software, Smart Inventory Planning and Optimization (Smart IP&O™) es capaz de realizar cálculos enormemente detallados de la demanda futura y los parámetros de control de inventario (por ejemplo, puntos de reorden y cantidades de pedidos) que administrarían esa demanda de manera más efectiva. Pero se requiere su participación para aprovechar al máximo todo ese poder. Necesitas formar equipo con los algoritmos.

Esa interacción puede adoptar varias formas. Puede comenzar simplemente evaluando cómo se encuentra ahora. Las funciones de redacción de informes en Smart IP&O (Smart Operational Analytics™) pueden recopilar y analizar todos sus datos transaccionales para medir sus indicadores clave de rendimiento (KPI), tanto financieros (por ejemplo, inversión en inventario) como operativos (por ejemplo, tasas de cumplimiento).

El siguiente paso podría ser utilizar SIO (Smart Inventory Optimization™), el análisis de inventario dentro de SIP&O, para jugar juegos de “qué pasaría si” con el software. Por ejemplo, podría preguntar "¿Qué pasaría si redujéramos la cantidad del pedido del artículo 1234 de 50 a 40?" El software calcula los números para hacerle saber cómo se desarrollaría y luego usted reacciona. Esto puede resultar útil, pero ¿qué pasa si tienes que considerar 50.000 elementos? Querría hacer juegos hipotéticos para algunos elementos críticos, pero no para todos.

El verdadero poder proviene del uso de la capacidad de optimización automática en SIO. Aquí puedes formar equipo con los algoritmos a escala. Utilizando su criterio empresarial, puede crear "grupos", es decir, colecciones de elementos que comparten algunas características críticas. Por ejemplo, podría crear un grupo para “repuestos críticos para clientes de servicios eléctricos” que consta de 1200 piezas. Luego, recurriendo nuevamente a su criterio comercial, podría especificar qué estándar de disponibilidad de artículos debe aplicarse a todos los artículos de ese grupo (por ejemplo, “al menos 95% de posibilidades de no desabastecerse en un año”). Ahora el software puede tomar el control y calcular automáticamente los mejores puntos de reorden y cantidades de pedidos para cada uno de esos artículos para lograr la disponibilidad de artículos requerida al menor costo total posible. Y eso, querido lector, es un poderoso trabajo en equipo.

 

 

Un mapa aproximado de términos relacionados con los pronósticos

Es probable que las personas nuevas en los trabajos de “planificador de demanda” o “planificador de suministro” tengan preguntas sobre los diversos términos y métodos de pronóstico utilizados en sus trabajos. Esta nota puede ayudar a explicar estos términos y mostrar cómo se relacionan.

 

Planificacion de la Demanda

La planificación de la demanda se refiere a qué cantidad de lo que tiene para vender saldrá por la puerta en el futuro, por ejemplo, cuánto venderá el próximo trimestre. A continuación se presentan seis metodologías que se utilizan a menudo en la planificación de la demanda.

  • Pronóstico Estadístico
    • Estos métodos utilizan el historial de demanda para pronosticar valores futuros. Los dos métodos más comunes son el ajuste de curvas y el suavizado de datos.
    • El ajuste de curvas coincide con una función matemática simple, como la ecuación de una línea recta (y= a +b∙t) o una curva tipo tasa de interés (y=a∙bt), al historial de demanda. Luego extiende esa línea o curva hacia adelante en el tiempo según el pronóstico.
    • Por el contrario, el suavizado de datos no da como resultado una ecuación. En lugar de eso, recorre el historial de demanda, promediando valores a lo largo del camino, para crear una versión más fluida del historial. Estos métodos se denominan suavizado exponencial y media móvil. En el caso más simple (es decir, en ausencia de tendencia o estacionalidad, para lo cual existen variantes), el objetivo es estimar el nivel promedio actual de demanda y utilizarlo como pronóstico.
    • Estos métodos producen “pronósticos puntuales”, que son estimaciones de un solo número para cada período futuro (por ejemplo, “Las ventas en marzo serán 218 unidades”). A veces vienen con estimaciones de posibles errores de pronóstico combinadas con modelos separados de variabilidad de la demanda (“Las ventas en marzo serán de 218 ± 120 unidades”).
  • Predicción Probabilística
    • Este enfoque se centra en la aleatoriedad de la demanda y trabaja intensamente para estimar la incertidumbre del pronóstico. Considera que las previsiones son menos un ejercicio de obtención de cifras específicas y más un ejercicio de gestión de riesgos.
    • Modela explícitamente la variabilidad de la demanda y la utiliza para presentar resultados en forma de un gran número de escenarios construidos para mostrar la gama completa de posibles secuencias de demanda. Son especialmente útiles en tareas tácticas de planificación de suministros, como establecer puntos de reorden y cantidades de pedidos.
  • Pronóstico causal
    • Los modelos de pronóstico estadístico utilizan como datos de entrada únicamente el historial de demanda del artículo en cuestión. Consideran que los altibajos en el gráfico de la demanda son el resultado final de innumerables factores no identificados (las tasas de interés, el precio del té en China, las fases de la luna, lo que sea). El pronóstico causal identifica explícitamente una o más influencias (tasas de interés, inversión en publicidad, precios de la competencia,...) que podrían influir de manera plausible en las ventas. Luego construye una ecuación que relaciona los valores numéricos de estos “impulsores” o “factores causales” con las ventas de artículos. Los coeficientes de la ecuación se estiman mediante “análisis de regresión”.
  • Pronóstico crítico
    • Tripa Dorada. A pesar de la disponibilidad general de grandes cantidades de datos, algunas empresas prestan poca atención a los números y dan mayor peso a los juicios subjetivos de un ejecutivo al que se considera que tiene un "instinto dorado", que le permite utilizar su "instinto" para predecir. cuál será la demanda futura. Si esa persona tiene una gran experiencia, ha dedicado una carrera a analizar los números y no es propensa a hacer ilusiones u otras formas de sesgo cognitivo, el Golden Gut puede ser una forma rápida y económica de planificar. Pero hay buena evidencia de estudios de empresas administradas de esta manera de que confiar en Golden Gut es riesgoso.
    • Consenso de grupo. Más común es un proceso que utiliza una reunión periódica para crear un pronóstico de consenso grupal. El grupo tendrá acceso a pronósticos y datos objetivos compartidos, pero los miembros también tendrán conocimiento de factores que pueden no medirse bien o no medirse en absoluto, como el sentimiento del consumidor o las historias transmitidas por los representantes de ventas. Es útil tener un punto de partida objetivo y compartido para estas discusiones que consista en algún tipo de análisis estadístico objetivo. Entonces el grupo puede considerar ajustar el pronóstico estadístico. Este proceso ancla el pronóstico en la realidad objetiva pero explota toda la demás información disponible fuera de la base de datos de pronóstico.
    • Generación de escenarios. A veces, varias personas se reúnen y discuten preguntas estratégicas sobre qué pasaría si. "¿Qué pasa si perdemos a nuestros clientes australianos?" "¿Qué pasa si el lanzamiento de nuestro nuevo producto se retrasa seis meses?" “¿Qué pasa si nuestro gerente de ventas para el medio oeste recurre a un competidor?” Estas preguntas más amplias pueden tener implicaciones para los pronósticos de elementos específicos y podrían agregarse a cualquier reunión de pronóstico de consenso del grupo.
  • Previsión de nuevos productos.
    • Los productos nuevos, por definición, no tienen un historial de ventas que respalde pronósticos estadísticos, probabilísticos o causales. Aquí siempre se pueden utilizar métodos de previsión subjetivos, pero a menudo se basan en una peligrosa proporción entre esperanzas y hechos. Afortunadamente, existe al menos un apoyo parcial para la previsión objetiva en forma de ajuste de curvas.
    • Un gráfico de las ventas acumuladas de un artículo a menudo describe una especie de “curva en S”, es decir, un gráfico que comienza en cero, aumenta y luego se nivela hasta alcanzar las ventas totales finales de por vida. La curva recibe su nombre porque parece una letra S de alguna manera manchada y estirada hacia la derecha. Ahora hay un número infinito de curvas S, por lo que los pronosticadores normalmente eligen una ecuación y especifican subjetivamente algunos valores de parámetros clave, como cuándo las ventas alcanzarán 25%, 50% y 75% de ventas totales de por vida y cuál será ese nivel final. Esto también es abiertamente subjetivo, pero produce pronósticos detallados período por período que pueden actualizarse a medida que se acumula experiencia. Finalmente, las curvas en S a veces tienen forma para coincidir con la historia conocida de un producto predecesor similar (“Las ventas de nuestro último artilugio se veían así, así que usémoslo como plantilla”).

 

Planificación del Suministro

La planificación de la demanda alimenta la planificación de la oferta al predecir las ventas futuras (por ejemplo, de productos terminados) o el uso (por ejemplo, de repuestos). Luego, depende de la planificación del suministro asegurarse de que los artículos en cuestión estén disponibles para su venta o uso.

  • Demanda dependiente
    • La demanda dependiente es la demanda que puede determinarse por su relación con la demanda de otro artículo. Por ejemplo, una lista de materiales puede mostrar que un pequeño carro rojo consta de una carrocería, una barra de tracción, cuatro ruedas, dos ejes y varios sujetadores para mantener las ruedas en los ejes y conectar la barra de tracción a la carrocería. Entonces, si espera vender 10 vagones rojos, será mejor que fabrique 10, lo que significa que necesita 10×2 = 20 ejes, 10×4 = 40 ruedas, etc. La demanda dependiente rige la compra de materias primas, la compra de componentes y subsistemas. incluso contratación de personal (10 vagones necesitan un chico de secundaria para armarlos en un turno de 1 hora).
    • Si tiene varios productos con listas de materiales parcialmente superpuestas, puede elegir entre dos enfoques de previsión. Supongamos que usted vende no sólo carritos rojos sino también carritos de bebé azules y que ambos utilizan los mismos ejes. Para predecir la cantidad de ejes que necesita, puede (1) predecir la demanda dependiente de ejes de cada producto y agregar los pronósticos o (2) observar el historial de demanda total de ejes como su propia serie de tiempo y pronosticarlo por separado. Cuál funciona mejor es una cuestión empírica que puede comprobarse.
  • La gestión del inventario
    • La gestión de inventario implica muchas tareas diferentes. Estos incluyen establecer parámetros de control de inventario, como puntos de reorden y cantidades de pedidos, reaccionar ante contingencias como desabastecimientos y aceleración de pedidos, establecer niveles de personal y seleccionar proveedores.
  • La previsión juega un papel en los tres primeros. El número de pedidos de reabastecimiento que se realizarán en un año para cada producto determina cuántas personas se necesitan para reducir las órdenes de compra. El número y la gravedad de los desabastecimientos en un año determinan el número de contingencias que deben manejarse. El número de órdenes de compra y desabastecimientos en un año será aleatorio pero se regirá por la elección de los parámetros de control de inventario. Las implicaciones de cualquiera de estas elecciones pueden modelarse mediante simulaciones de inventario. Estas simulaciones estarán impulsadas por escenarios de demanda detallados generados por pronósticos probabilísticos.

 

 

 

Seis mejores prácticas de planificación de la demanda en las que debería pensar dos veces

Cada campo, incluido el pronóstico, acumula sabiduría popular que eventualmente comienza a disfrazarse de “mejores prácticas”. Estas mejores prácticas suelen ser acertadas, al menos en parte, pero a menudo carecen de contexto y pueden no ser apropiadas para determinados clientes, industrias o situaciones comerciales. A menudo hay un problema, un “Sí, pero”. Esta nota trata sobre seis preceptos de pronóstico generalmente verdaderos que, sin embargo, tienen sus salvedades.

 

  1. Organice su empresa en torno a una previsión de un número. Esto suena sensato: es bueno tener una visión compartida. Pero cada parte de la empresa tendrá su propia idea sobre qué número es el número. Finanzas puede querer ingresos trimestrales, Marketing puede querer visitas al sitio web, Ventas puede querer rotación, Mantenimiento puede querer tiempo medio hasta el fracaso. De hecho, cada unidad probablemente tenga un puñado de métricas clave. No necesitas un eslogan: necesitas hacer tu trabajo.

 

  1. Incorporar el conocimiento empresarial en un proceso de previsión colaborativo. Esta es una buena regla general, pero si su proceso de colaboración tiene fallas, alterar un pronóstico estadístico mediante anulaciones de gestión puede disminuir la precisión. No necesita un eslogan: necesita medir y comparar la precisión de todos y cada uno de los métodos e ir con los ganadores.

 

  1. Previsión mediante modelos causales. Los métodos de pronóstico extrapolativos no tienen en cuenta las fuerzas subyacentes que impulsan sus ventas, simplemente trabajan con los resultados. El modelado causal profundiza en los factores fundamentales y puede mejorar tanto la precisión como el conocimiento. Sin embargo, los modelos causales (implementados mediante análisis de regresión) pueden ser menos precisos, especialmente cuando requieren pronósticos de los factores determinantes (“predicciones de los predictores”) en lugar de simplemente ingresar valores registrados de variables predictoras rezagadas. No necesitas un eslogan: necesitas una comparación directa.

 

  1. Pronosticar la demanda en lugar de los envíos. Lo que realmente se desea es demanda, pero “componer una señal de demanda” puede ser complicado: ¿qué se hace con las transferencias internas? ¿Únicos? ¿Ventas perdidas? Además, los datos de la demanda pueden manipularse. Por ejemplo, si los clientes intencionalmente no realizan pedidos o intentan manipular sus pedidos haciendo pedidos con demasiada anticipación, entonces el historial de pedidos no será mejor que el historial de envíos. al menos con historial de envíos, es exacto: sabes lo que enviaste. Las previsiones de envíos no son previsiones de “demanda”, pero son un sólido punto de partida.

 

  1. Utilice métodos de aprendizaje automático. En primer lugar, el “aprendizaje automático” es un concepto elástico que incluye un conjunto cada vez mayor de alternativas. Debajo del capó de muchos modelos anunciados por ML hay solo una selección automática un método de pronóstico extrapolativo (es decir, mejor ajuste) que, si bien es excelente para pronosticar la demanda normal, existe desde la década de 1980 (Smart Software fue la primera compañía en lanzar un método de selección automática para PC). Los modelos de aprendizaje automático acaparan datos y requieren conjuntos de datos más grandes de los que puede tener disponibles. Elegir adecuadamente y luego entrenar un modelo de ML requiere un nivel de experiencia estadística que es poco común en muchas empresas de fabricación y distribución. Es posible que desees encontrar a alguien que te tome de la mano antes de comenzar a jugar este juego.

 

  1. Eliminar los valores atípicos crea mejores pronósticos. Si bien es cierto que picos o caídas muy inusuales en la demanda enmascararán patrones de demanda subyacentes como la tendencia o la estacionalidad, no siempre es cierto que se deban eliminar los picos. A menudo, estos aumentos repentinos de la demanda reflejan la incertidumbre que puede interferir aleatoriamente con su negocio y, por lo tanto, es necesario tenerlo en cuenta. Eliminar este tipo de datos de su modelo de pronóstico de demanda puede hacer que los datos sean más predecibles en papel, pero lo dejará sorprendido cuando vuelva a suceder. Por lo tanto, tenga cuidado al eliminar los valores atípicos, especialmente en masa.

 

 

 

 

Correlación frente a causalidad: ¿es esto relevante para su trabajo?

Fuera del trabajo, es posible que haya escuchado el famoso dicho "Correlación no es causalidad". Puede sonar como una tontería teórica que, aunque involucrada en un Premio Noble reciente en economía, no es relevante para su trabajo como planificador de la demanda. De ser así, es posible que solo tengas razón en parte.

Modelos extrapolativos vs causales

La mayoría de los pronósticos de demanda utilizan modelos extrapolativos. También llamados modelos de series de tiempo, estos pronostican la demanda usando solo los valores pasados de la demanda de un artículo. Los gráficos de valores pasados revelan la tendencia, la estacionalidad y la volatilidad, por lo que son buenos para muchas cosas. Pero existe otro tipo de modelo, los modelos causales, que potencialmente pueden mejorar la precisión de los pronósticos más allá de lo que puede obtener de los modelos extrapolativos.

Los modelos causales aportan más datos de entrada a la tarea de previsión: información sobre supuestos "impulsores" de previsión externos al historial de demanda de un artículo. Los ejemplos de factores causales potencialmente útiles incluyen variables macroeconómicas como la tasa de inflación, la tasa de crecimiento del PIB y los precios de las materias primas. Los ejemplos que no están vinculados a la economía nacional incluyen las tasas de crecimiento específicas de la industria y el gasto publicitario propio y de la competencia. Estas variables generalmente se utilizan como entradas para los modelos de regresión, que son ecuaciones con la demanda como salida y variables causales como entradas.

Pronóstico utilizando modelos causales

Muchas empresas tienen un proceso S&OP que implica una revisión mensual de pronósticos estadísticos (extrapolativos) en los que la gerencia ajusta los pronósticos según su criterio. A menudo, esta es una forma indirecta y subjetiva de trabajar con modelos causales en el proceso sin hacer el modelo de regresión.

Para hacer realmente un modelo de regresión causal, primero debe designar una lista de variables predictoras causales potencialmente útiles. Estos pueden provenir de su experiencia en la materia. Por ejemplo, suponga que fabrica vidrio para ventanas. Gran parte de su vidrio puede terminar en casas nuevas y edificios de oficinas nuevos. Por lo tanto, la cantidad de casas y oficinas nuevas que se están construyendo son variables predictoras plausibles en una ecuación de regresión.

Aquí hay una complicación: si está usando la ecuación para predecir algo, primero debe predecir los predictores. Por ejemplo, las ventas de vidrio del próximo trimestre pueden estar fuertemente relacionadas con el número de viviendas nuevas y edificios de oficinas nuevos el próximo trimestre. Pero, ¿cuántas casas nuevas habrá el próximo trimestre? Ese es su propio problema de pronóstico. Entonces, tiene un modelo de pronóstico potencialmente poderoso, pero tiene trabajo adicional que hacer para que sea utilizable.

Hay una forma de simplificar las cosas: si las variables predictoras son versiones "retrasadas" de sí mismas. Por ejemplo, la cantidad de nuevos permisos de construcción emitidos hace seis meses puede ser un buen predictor de las ventas de vidrio el próximo mes. No tiene que predecir los datos del permiso de construcción, solo tiene que buscarlos.

¿Es una relación causal o simplemente una correlación espuria?

Los modelos causales son el verdadero negocio: hay un mecanismo real que relaciona la variable predictora con la variable predicha. El ejemplo de predecir las ventas de vidrio a partir de los permisos de construcción es un ejemplo.

Una relación de correlación es más dudosa. Existe una asociación estadística que puede o no proporcionar una base sólida para la previsión. Por ejemplo, suponga que vende un producto que atrae más a los holandeses pero no se da cuenta. Los holandeses son, en promedio, las personas más altas de Europa. Si sus ventas están aumentando y la altura promedio de los europeos está aumentando, puede usar esa relación con buenos resultados. Sin embargo, si la proporción de holandeses en la zona euro está disminuyendo mientras que la estatura promedio está aumentando porque la mezcla de hombres versus mujeres se está desplazando hacia los hombres, ¿qué puede salir mal? Esperará que las ventas aumenten porque la estatura promedio está aumentando. Pero sus ventas son principalmente a los holandeses, y su proporción relativa de la población se está reduciendo, por lo que sus ventas realmente van a disminuir. En este caso, la asociación entre las ventas y la altura del cliente es una correlación espuria.

¿Cómo se puede saber la diferencia entre relaciones verdaderas y espurias? El estándar de oro es hacer un experimento científico riguroso. Pero no es probable que esté en condiciones de hacerlo. En cambio, debe confiar en su “modelo mental” personal de cómo funciona su mercado. Si sus corazonadas son correctas, entonces sus modelos causales potenciales se correlacionarán con la demanda y los modelos causales le darán sus frutos, ya sea para complementar los modelos extrapolables o para reemplazarlos.