en un Publicación anterior, analicé uno de los problemas más espinosos que a veces enfrentan los planificadores de demanda: trabajar con datos de demanda de productos caracterizados por lo que los estadísticos llaman sesgo, una situación que puede requerir costosas inversiones en inventario. Este tipo de datos problemáticos se encuentran en varios escenarios diferentes. En al menos uno, la combinación de demanda intermitente y promociones de ventas muy efectivas, el problema se presta a una solución efectiva.

Revisando los términos, recuerde que el “nivel de servicio” es la probabilidad de no agotarse mientras espera que llegue una orden de reposición, mientras que la “tasa de llenado” es el porcentaje de la demanda que se satisface inmediatamente con el stock. En mi publicación anterior, "El flagelo de la asimetría", señalé que cierto tipo de distribución de la demanda, que tiene una "cola larga a la derecha", conducirá a tasas de llenado que pueden ser mucho más bajas que los niveles de servicio. También señalé que, a veces, la única forma de mejorar la tasa de llenado es aumentar el nivel de servicio objetivo a un nivel inusualmente alto, lo que puede resultar costoso.

En esta publicación, analizaré la solución del problema en un caso especial: la asimetría resultante de promociones de ventas efectivas combinadas con "demanda intermitente". La demanda intermitente tiene una gran proporción de valores cero, con valores distintos de cero mezclados al azar. Las promociones de ventas exitosas, obviamente positivas, tienen un inconveniente: pueden confundir la "señal de demanda" con picos en su historial de demanda y pueden socavar los pronósticos y sesgar los cálculos de existencias de seguridad. Cuando la demanda intermitente y las promociones de ventas efectivas son la fuente de la asimetría de sus datos, existen métodos para solucionar el problema y lograr tasas de cumplimiento más altas y pronósticos de demanda más precisos.

Cómo las promociones aumentan la asimetría

Las promociones exitosas aumentan abruptamente la demanda de artículos. Esto crea anomalías, o "valores atípicos", que contribuyen a formar una distribución sesgada. Sabiendo cuándo ocurrieron promociones en el pasado, podemos ajustar el registro de demanda pasada de un artículo. Producimos un historial de demanda alternativo como si no hubiera habido promociones, reemplazando los valores atípicos con valores más representativos del nivel "natural" de demanda. Estos ajustes reducen la asimetría de la demanda. La reducción del sesgo puede conducir a reducciones significativas tanto en los pronósticos esperados como en las existencias de seguridad, que se suman para formar puntos de pedido.

Es probable que se repitan las promociones exitosas. Cuando eso sucede, los efectos de promoción se pueden agregar a los pronósticos de demanda para aumentar su precisión. El efecto de las futuras promociones en la gestión del inventario será aumentar el riesgo de desabastecimiento, por lo que una respuesta sensata es trabajar a nivel operativo para generar un suministro temporal, en una cantidad ajustada al impacto estimado de las promociones anteriores en los artículos afectados.

Uso del modelado de eventos para mejorar la previsión de la demanda

Es posible modelar el impacto de eventos similares y aplicarlo a eventos planificados en el futuro. Si lo hace, puede mejorar su pronóstico de dos maneras importantes: al proyectar la sacudida de la demanda que espera de un evento planificado; y racionalizando los picos en el pasado que fueron causados por eventos, haciendo que su actividad de referencia sea más visible y predecible con mayor precisión. Hacemos mucho de esto en SmartForecasts, así que permítame usar nuestra experiencia allí para mostrarle lo que quiero decir.

El modelado de eventos implica los siguientes pasos:
• Estimación automática del impacto de promociones anteriores (que es un resultado útil en sí mismo).
• Ajuste de la demanda histórica para eliminar estadísticamente el efecto de las promociones.
• Creación de previsiones sin promoción.
• Revisar las previsiones de los períodos de tiempo futuros en los que se prevén promociones.

A este tipo de análisis lo llamamos “pronóstico de promociones”. Usamos la palabra "promociones" para describir lo que hace usted mismo para mejorar sus resultados. Usamos "eventos" para describir lo que el mundo te hace, generalmente en detrimento tuyo; los ejemplos incluyen huelgas, cortes de energía, incendios en almacenes y otros sucesos desafortunados.

Para comprender cómo el modelado de eventos puede ayudarlo a lidiar con la asimetría al hacer pronósticos de demanda para artículos de gran volumen, considere las Figuras 1-3.

La Figura 1 muestra que el patrón de demanda de este artículo es claramente estacional, y el pronóstico es estacional y "ajustado", lo que significa que el intervalo de incertidumbre del pronóstico ("margen de error", que se muestra en líneas cian) es muy estrecho.

La figura 2 muestra una historia alternativa en la que una promoción en junio de 2014 revirtió el mínimo estacional habitual asociado con las ventas de junio. Este patrón de demanda se pronosticó mediante el torneo de pronóstico automático en SmartForecasts, como se muestra en la figura 1. Esta vez, la promoción alteró el patrón estacional lo suficiente como para crear un pronóstico no estacional inapropiado y que tiene un margen de error mucho mayor.

Finalmente, la Figura 3 muestra cómo el pronóstico de promoción maneja el mismo escenario promocionado, conservando un pronóstico estacional e incorporando al pronóstico una estimación del efecto de una promoción repetida planificada en 2015.

El caso de la demanda intermitente

En la Figura 1, el artículo era un bien terminado de gran volumen y la tarea era la previsión de la demanda. El modelado de promociones también es útil cuando se trata de la tarea de establecer existencias de seguridad y puntos de pedido para artículos con demanda intermitente, ya sean productos terminados, componentes o repuestos. La demanda intermitente muy a menudo tiene una distribución sesgada que dificulta lograr una alta disponibilidad de artículos con una pequeña inversión en inventario.

La Figura 4 ilustra el problema que una promoción exitosa puede crear accidentalmente para la gestión de inventario. Si tal aumento surge de la demanda natural no promovida, entonces la única forma de mantener altas tasas de llenado es proporcionar existencias de seguridad lo suficientemente grandes como para hacer frente a estos aumentos repentinos. En este caso, el gran aumento de la demanda de 500 unidades en febrero de 2013 fue el resultado de una promoción única.

Tener en cuenta las promociones para mejorar la gestión de inventario

Sin darse cuenta, tratar el pico en el ejemplo anterior como parte de la variabilidad natural de la demanda da como resultado una tasa de cumplimiento deficiente. Para lograr un nivel de servicio objetivo de, digamos, 95% con un plazo de entrega de un mes, se requeriría un punto de pedido de 38 unidades, calculado como la suma de un pronóstico esperado durante el plazo de entrega de reabastecimiento de un mes de 21 unidades complementado con un inventario de seguridad de 17 unidades. Esta inversión daría como resultado una tasa de llenado decepcionante de solo 36%.

Sin embargo, reconocer que el pico es una promoción única y reemplazar las 500 unidades con 0 obviamente marcaría una gran diferencia. El punto de pedido caería de 38 unidades a 31 (la suma de una demanda esperada de 7 unidades y un stock de seguridad de 24 unidades) y la tasa de llenado aumentaría a 94%.

Por supuesto, no está bien descartar picos de demanda inconvenientes cuando hacen que la vida sea incómoda; tiene que haber una “historia comercial” válida detrás del ajuste de la demanda histórica. Si el pico es el resultado de un error de procesamiento de datos, entonces, por supuesto, arréglelo. Si el pico coincide con una promoción, reemplazar el pico con, digamos, la demanda media (a menudo cero, como en este ejemplo) dará como resultado una inversión en inventario mucho más sostenible que aún cumple con los objetivos de rendimiento agresivos. Las futuras promociones del mismo tipo en el mismo artículo requerirán un esfuerzo adicional para prepararse para el aumento temporal de la demanda, pero el punto de reorden recomendado será correcto a largo plazo.

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 Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Contra qué nos enfrentamos

Como fanático de la tercera generación de los Medias Rojas de Boston, no estoy dispuesto a aceptar el consejo de ningún jugador de béisbol de los Yankees de Nueva York, ni siquiera de uno excelente, pero debo admitir que, a veces, solo necesitas tomar una decisión. Sin embargo, ¿no sería mejor si supiéramos las ventajas y desventajas asociadas con cada decisión? Quizás un camino es más pintoresco pero toma más tiempo mientras que el otro es más directo pero aburrido. Entonces no tendría que simplemente "tomarlo", sino que podría tomar una decisión informada basada en las ventajas/desventajas de cada enfoque.

En el mundo de la planificación de la cadena de suministro, la decisión más fundamental es cómo equilibrar la disponibilidad de artículos con el costo de mantener esa disponibilidad (niveles de servicio y tasas de llenado). En un extremo, puede tener un exceso de existencias y nunca quedarse sin hasta que arruine y tenga que cerrar la tienda para no gastar todo su efectivo en un inventario que no se vende. En el otro extremo, puede tener una gran escasez de existencias y ahorrar un montón en costos de mantenimiento de inventario, pero arruinarse y tener que cerrar la tienda porque todos sus clientes llevaron sus negocios a otra parte.

No hay escapatoria a esta tensión fundamental. La forma de sobrevivir y prosperar es encontrar un equilibrio productivo y sostenible. Para hacer eso, se requieren compensaciones basadas en hechos basadas en los números. Para obtener los números se requiere software.

La deriva general de las cosas es obvia. Si decide mantener más inventario, tendrá más costos de mantenimiento, menores costos de escasez y posiblemente menores costos de pedido. Es imposible saber si esto cuesta o ahorra dinero sin un análisis sofisticado, pero generalmente el resultado es que el costo total aumenta. Pero si invierte en más inventario, ganará algo, porque ofrecerá a sus clientes niveles de servicio y tasas de llenado más altos. Cuánto más alto requiere, como puede suponer, un análisis sofisticado.

Muéstrame los números

Este blog expone cómo se ve un análisis de este tipo. No existe una solución universal que le indique la decisión "correcta". Puede pensar que la decisión correcta es la que mejor se ajusta a sus resultados. Pero para obtener esos números, necesitaría algo que rara vez se ve: un modelo preciso del comportamiento del cliente con respecto al nivel de servicio (consulte nuestro artículo “Cómo elegir un nivel de servicio objetivo”) Por ejemplo, ¿en qué momento un cliente se irá y llevará su negocio a otra parte? ¿Será después de que agote 1% del tiempo, 5% del tiempo, 10% del tiempo? ¿Seguirá manteniendo su negocio siempre y cuando complete los pedidos rápidamente? ¿Será después de un pedido pendiente de 1 día, 2 días? ¿3 semanas? ¿Será después de que esto suceda una vez en una parte importante o muchas veces en muchas partes? Si bien modelar el nivel de servicio preciso que le permitirá mantener a su cliente mientras minimiza los costos parece un ideal inalcanzable, otro tipo de análisis sofisticado es más pragmático. 

El software de optimización y pronóstico de inventario puede tener en cuenta todos los costos asociados, como el costo de agotamiento de existencias, el costo de mantener el inventario y el costo de ordenar el inventario para prescribir un objetivo de nivel de servicio óptimo que produzca el costo total más bajo. Sin embargo, incluso ese nivel de servicio "óptimo" es sensible a los cambios en los costos, lo que hace que los resultados sean potencialmente cuestionables. Por ejemplo, si no estima con precisión los costos precisos (los costos de escasez son los más difíciles), será difícil afirmar definitivamente algo como "Si aumento mi inventario disponible en un promedio de una unidad para todos los artículos en un importante familia de productos, mi empresa verá una ganancia neta de $170,500. Esa ganancia aumenta hasta llegar a 4 unidades. A 4 unidades o más, el rendimiento disminuye debido a los excesivos costos de tenencia. Por lo tanto, la mejor decisión al tener en cuenta la retención, el pedido y el agotamiento de existencias proyectados es aumentar el inventario en 3 unidades para ver una ganancia neta de más de $500,000.  

A falta de ese ideal, puede hacer algo que es más simple pero extremadamente valioso: cuantificar la curva de compensación entre el costo del inventario y la disponibilidad del artículo. Si bien no necesariamente sabrá el nivel de servicio al que debe apuntar, conocerá los costos de los diferentes niveles de servicio. Luego, puede ganar mucho dinero encontrando un buen lugar para estar en esa curva de compensación y comunicando dónde está en riesgo, dónde no, y estableciendo expectativas con los clientes y las partes interesadas internas. Sin la curva de compensación para guiarlo, está volando a ciegas sin forma de modificar racionalmente la política de almacenamiento.

Un escenario del que aprender

Esbocemos una curva de compensación realista. Comenzamos con un escenario que requiere una decisión de gestión. El escenario que usaremos y los supuestos asociados sobre la demanda, los plazos de entrega y los costos se detallan a continuación:

Política de inventario

• Revisión periódica: reordenar las decisiones tomadas cada 30 días
• Orden hasta el nivel ("S") - Variado de 30 a 60 unidades
• Política de escasez: permite pedidos pendientes, sin pedidos perdidos

Pedir

• La demanda es intermitente
• Promedio = 0,8 unidades por día
• Desviación estándar = 1,2 unidades por día
• Mayor demanda en un año ≈ 9
• % de días sin demanda = 53%

Tiempo de espera

• Aleatorio a los 7, 14 o 21 días con probabilidades 70%, 20% y 10%, respectivamente

Parámetros de costo

• Costo de mantenimiento = $1 por día
• Costo de pedido = $10 por pedido sin importar el tamaño del pedido
• Costo de escasez = $100 por unidad que no se envía inmediatamente del stock

Imaginamos una política de control de inventario que se conoce en el comercio como una política de "revisión periódica" o (T,S). En este caso, el Período de revisión ("T") es de 30 días, lo que significa que cada 30 días se verifica la posición del inventario y se toma una decisión de pedido. La cantidad del pedido es la diferencia entre el número observado de unidades disponibles y la cantidad del pedido hasta el final ("S"). Entonces, si el inventario de fin de mes es de 12 unidades y S = 20, la cantidad del pedido sería S – 12 = 20 -1 2 = 8. El próximo mes, es probable que la cantidad del pedido sea diferente. Si el inventario alguna vez se vuelve negativo (pedidos atrasados) durante un período de revisión, el próximo pedido intenta restaurar el equilibrio ordenando más para llenar esos pedidos atrasados. Por ejemplo, si el inventario es -5 (es decir, 5 unidades ordenadas por no disponibles para envío, el siguiente pedido sería S – (-5) = S + 5. Detalles del flujo de demanda hipotético, plazos de entrega del proveedor y elementos de costo se muestran a continuación en la Figura 1. La Figura 2 muestra una muestra de la demanda diaria y el inventario diario durante cinco períodos de revisión. intermitente, como ocurre a menudo con las piezas de repuesto y, por lo tanto, es difícil planificarlo.

Figura 1: Diferentes opciones de política de inventario (pedir hasta), costos asociados y niveles de servicio

Figura 2: Detalle de cinco meses de operación del sistema dada una de las políticas

El software de planificación de inventario es nuestro amigo

El software codifica la lógica de la operación del sistema (T,S), genera muchos escenarios de demanda hipotéticos pero realistas, calcula cómo se desarrolla cada uno de esos escenarios y luego mira hacia atrás en la operación simulada (aquí, 10 años o 3650 días consecutivos) para calcular las métricas de costo y rendimiento.

Para revelar la curva de compensación, realizamos varios experimentos computacionales en los que variamos el nivel de pedido hasta el nivel, S. Las gráficas de la Figura 2 muestran el comportamiento del inventario disponible en la alternativa "más rica" con S = 60. En el fragmento que se muestra en la Figura 2, el inventario disponible nunca se acerca a agotarse. Puedes leer eso también. Una, un poco ingenua, es decir “Bien, estamos bien protegidos”. La otra, más agresiva, es decir, “Oh no, estamos hinchados. Me pregunto qué pasaría si redujéramos S.”

La curva de compensación revelada

La Figura 3 muestra los resultados de reducir S de 60 a 30 en pasos de 5 unidades. La tabla muestra que el Costo total es la suma del Costo de mantenimiento, el Costo de pedido y el Costo de escasez. Para la póliza (T,S), el costo de pedido es siempre el mismo, ya que un pedido se realiza como un reloj cada 30 días. Pero los otros componentes del costo responden a los cambios en S.

Figura 3: Los resultados experimentales y la curva de compensación correspondiente que muestra cómo cambiar el nivel de pedido hasta el nivel ("S") afecta tanto el nivel de servicio como el costo anual total

Tenga en cuenta que el nivel de servicio siempre es más bajo que la tasa de llenado en estos escenarios. Como profesor, siempre pienso en esta diferencia en términos de calificación de exámenes. Cada ciclo de reabastecimiento es como una prueba. El nivel de servicio se trata de la probabilidad de un desabastecimiento, por lo que es como la calificación en el examen de aprobación/reprobación con una pregunta que debe responderse a la perfección. Si no hay desabastecimiento en un ciclo, es una A. Si hay desabastecimiento, es una F. No importa si es una unidad que no se suministra o 50, sigue siendo una F. Pero la tasa de llenado es como una pregunta que se califica con crédito parcial. Por lo tanto, si le falta una de diez unidades, obtiene una tasa de llenado de 90% para ese ciclo, no 0%. Es importante comprender la diferencia entre estas dos métricas importantes para la planificación del inventario: consulte este vlog que describe nivel de servicio frente a tasa de llenado a través de un ejercicio interactivo en Excel.

La trama en la Figura 3 es la verdadera noticia. Combina el costo total y el nivel de servicio para varios niveles de S. Si lee el gráfico de derecha a izquierda, nos dice que se pueden obtener ahorros de costos drásticos al reducir S con una penalización muy pequeña en términos de disponibilidad reducida de artículos. Por ejemplo, la reducción de S de 60 a 55 ahorra cerca de $800 por año en este artículo, mientras que reduce un poco el nivel de servicio de (esencialmente) 100% a un aún impresionante 99%. Cortar S un poco más hace lo mismo, aunque no tan dramáticamente. Si lee el gráfico de izquierda a derecha, verá que pasar de S = 30 a S = 35 cuesta alrededor de $1000 por año, pero mejora el nivel de servicio de un grado F (45%) a al menos un grado C (71%). Después de eso, empujar S más alto cuesta progresivamente más mientras se gana progresivamente menos.

La curva de compensación no le da una respuesta sobre cómo establecer el nivel de orden hasta el nivel, pero le permite evaluar los costos y beneficios de cada respuesta posible. Tómese un minuto y finja que este es su problema: ¿Dónde le gustaría estar a lo largo de la curva de compensación?

Puede objetar y decir que odia sus elecciones y quiere cambiar el juego. ¿Hay escape de la curva? No de la curva general, pero es posible que pueda moldear una curva menos dolorosa. ¿Cómo?

Puede que tengas otras cartas para jugar. Una vía es tratar de “moldear” la demanda para que sea menos variable. El diagrama de demanda en la Figura 2 muestra mucha variabilidad. Si pudiera suavizar la demanda, toda la curva de compensación se desplazaría hacia abajo, haciendo que cada elección fuera menos costosa. Una segunda vía es tratar de reducir la media y la variabilidad de los plazos de entrega de los proveedores. Lograr cualquiera de los dos también desplazaría la curva hacia abajo para que la elección fuera menos dolorosa. Consulta nuestro artículo sobre cómo los proveedores influyen en sus costos de inventario

Resumen

La curva de compensación siempre está con nosotros. A veces podemos hacerlo más amigable, pero siempre elegimos nuestro lugar a lo largo de él. Es mejor saber lo que está obteniendo con cualquier elección de política de inventario que tratar de adivinar, y la curva le da eso. Cuando tiene una estimación precisa de esa curva, ya no está volando a ciegas cuando se trata de la planificación del inventario. 

Los planificadores de demanda tienen que hacer frente a múltiples problemas para realizar su trabajo. La primera es la dificultad de la intermitencia. El carácter "ahora lo ves, ahora no" de la demanda intermitente, con su fuerte mezcla de valores cero, obliga al uso de métodos estadísticos avanzados, como el algoritmo Markov Bootstrap patentado de Smart Software. Pero incluso dentro del oscuro reino de la demanda intermitente, existen grados de dificultad: los planificadores deben hacer frente aún más al Azote de la asimetría, potencialmente costoso.

La asimetría es un término estadístico que describe el grado en que la distribución de la demanda no es simétrica. La clásica (y en gran medida mítica) curva "en forma de campana" es simétrica, con las mismas posibilidades de que la demanda en cualquier período de tiempo caiga por debajo o por encima del promedio. Por el contrario, una distribución sesgada está desequilibrada, con la mayoría de los valores por encima o por debajo del promedio. En la mayoría de los casos, los datos de demanda tienen un sesgo positivo, con una cola larga de valores que se extiende hacia el extremo superior de la escala de demanda.

Gráficos de barras de dos series de tiempo
Figura 1: Dos series de demanda intermitente con diferentes niveles de asimetría
La figura 1 muestra dos series temporales de 60 meses de demanda intermitente. Ambos tienen un sesgo positivo, pero los datos del panel inferior están más sesgados. Ambas series tienen casi la misma demanda promedio, pero la de arriba es una mezcla de 0, 1 y 2, mientras que la de abajo es una mezcla de 0, 1 y 4.

Lo que hace que la asimetría positiva sea un problema es que reduce la tasa de llenado de un elemento. La tasa de llenado es importante la gestión del inventario métrica de rendimiento. Mide el porcentaje de la demanda que se satisface inmediatamente con el inventario disponible. Cualquier pedido pendiente o pérdida de ventas reduce la tasa de cumplimiento (además de desperdiciar la buena voluntad del cliente).

La tasa de relleno es un complemento de la otra métrica de rendimiento clave: el nivel de servicio. El nivel de servicio mide la posibilidad de que un artículo se agote durante el tiempo de reposición. El tiempo de entrega se mide desde el momento en que el inventario cae por debajo del punto de pedido de un artículo, lo que genera un pedido de reabastecimiento, hasta la llegada del inventario de reemplazo.

El software de gestión de inventario, como SmartForecasts de Smart Software, puede analizar los patrones de demanda para calcular el punto de pedido necesario para lograr un objetivo de nivel de servicio específico. Para alcanzar un nivel de servicio 95% para el artículo en el panel superior de la Figura 1, suponiendo un tiempo de entrega de 1 mes, el punto de reorden requerido es 3; para el artículo inferior, el punto de reorden es 1. (El primer punto de reorden es 3 para permitir la clara posibilidad de que los valores de la demanda futura excedan los valores más grandes, 2, observados hasta ahora. De hecho, son posibles valores tan grandes como 8 .) Consulte la figura 2.

Histogramas de dos series temporales
Figura 2: Distribuciones de la demanda total durante un plazo de reposición de 1 mes
(La Figura 2 traza la distribución prevista de la demanda durante el tiempo de entrega. Las barras verdes representan la probabilidad de que se materialice cualquier nivel particular de demanda).

Usando el punto de pedido requerido de 3 unidades, la tasa de llenado para el artículo menos sesgado es un 93% saludable. Sin embargo, la tasa de relleno para el artículo más sesgado es un 44% preocupante, aunque este artículo también alcanza un nivel de servicio de 95%. Este es el flagelo de la asimetría.

La explicación de la diferencia en las tasas de llenado es el grado de asimetría. El punto de reorden para el artículo más sesgado es 1 unidad. Tener 1 unidad disponible al comienzo del plazo de entrega será suficiente para manejar 95% de las demandas que lleguen durante un plazo de entrega de 1 mes. Sin embargo, la demanda mensual podría superar las 15 unidades, por lo que cuando se agote la unidad más sesgada, se "agotará a lo grande", perdiendo una cantidad mucho mayor de unidades.

La mayoría de los planificadores de demanda estarían orgullosos de lograr un nivel de servicio 95% y una tasa de llenado de 93%. La mayoría estaría preocupada y desconcertada al lograr el nivel de servicio 95% pero solo una tasa de llenado de 44%. Esta falla parcial no sería su culpa: se puede atribuir directamente a la desagradable asimetría en la distribución de los valores de la demanda mensual.

No existe una solución indolora para este problema. La única forma de aumentar la tasa de llenado en esta situación es elevar el objetivo de nivel de servicio, lo que a su vez impulsará el punto de pedido, lo que finalmente reducirá tanto la frecuencia de los desabastecimientos como su tamaño cada vez que ocurran. En este ejemplo, aumentar el punto de pedido de 1 unidad a 3 unidades logrará un nivel de servicio de 99% y aumentará la tasa de cumplimiento a un respetable, pero no sobresaliente, 84%. Esta mejora tendría el costo de esencialmente triplicar los dólares invertidos en la gestión de este elemento más sesgado.

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 Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

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.