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. This sounds sensible: it’s good to have a shared vision. But each part of the company will have its own idea about which number is the number. Finance may want quarterly revenue, Marketing may want web site visits, Sales may want churn, Maintenance may want mean time to failure. For that matter, each unit probably has a handful of key metrics. You don’t need a slogan – you need to get your job done.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

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.

En un reciente LinkedIn blog, detallé cuatro preguntas que, una vez respondidas, revelarán cómo se realizan los pronósticos. siendo utilizado en tu negocio En este artículo, hemos enumerado preguntas que puede hacer que revelarán cómo se realizan los pronósticos. creado.

1. Cuando preguntamos a los usuarios cómo crean pronósticos, su respuesta suele ser "usamos el historial". Obviamente, esto no es suficiente información, ya que existen diferentes tipos de historial de demanda que requieren diferentes métodos de pronóstico. Si está utilizando datos históricos, asegúrese de averiguar si está utilizando un modelo promedio, un modelo de tendencias, un modelo estacional o algo más para pronosticar.

2. Una vez que sepa el modelo utilizado, pregunte acerca de los valores de los parámetros de esos modelos. El resultado del pronóstico de un "promedio" diferirá, a veces significativamente, según la cantidad de períodos que esté promediando. Entonces, averigüe si está usando un promedio de los últimos 3 meses, 6 meses, 12 meses, etc.

3. Si está utilizando modelos de tendencia, pregunte cómo se establecen los pesos del modelo. Por ejemplo, en un modelo de tendencias, como el suavizado exponencial doble, los pronósticos diferirán significativamente según cómo los cálculos ponderen los datos recientes en comparación con los datos más antiguos (las ponderaciones más altas ponen más énfasis en los datos recientes).

4. Si está utilizando modelos estacionales, los resultados del pronóstico se verán afectados por el "nivel" y las "ponderaciones de tendencia" utilizadas. También debe determinar si los períodos estacionales se pronostican con estacionalidad multiplicativa o aditiva. (La estacionalidad aditiva dice, por ejemplo, "Suma 100 unidades para julio", mientras que la estacionalidad multiplicativa dice "Multiplica por 1,25 para julio"). Finalmente, es posible que no estés usando este tipo de métodos en absoluto. Algunos profesionales utilizarán un método de pronóstico que simplemente promedia períodos anteriores (es decir, el próximo mes de junio se pronosticará con base en el promedio de los tres junios anteriores).

5. ¿Cómo haces para elegir un modelo sobre otro? ¿Depende la elección de la técnica del tipo de datos de demanda o de la disponibilidad de nuevos datos de demanda? ¿Este proceso está automatizado? O si un planificador elige subjetivamente un modelo de tendencia, ¿se seguirá pronosticando ese elemento con ese modelo hasta que el planificador lo cambie de nuevo?

6. ¿Son sus pronósticos “totalmente automáticos”, de modo que la tendencia y/o la estacionalidad se detecten automáticamente? ¿O sus pronósticos dependen de las clasificaciones de artículos que deben mantener los usuarios? Este último requiere más tiempo y atención por parte de los planificadores para definir qué comportamiento constituye tendencia, estacionalidad, etc.

7. ¿Cuáles son las reglas de clasificación de artículos que se utilizan? Por ejemplo, un artículo puede considerarse un artículo de tendencia si la demanda aumenta más de 5% período tras período. Un artículo puede considerarse estacional si el 70% o más de la demanda anual ocurre en cuatro períodos o menos. Tales reglas están definidas por el usuario y, a menudo, requieren suposiciones demasiado amplias. A veces, se configuran cuando un sistema se implementó originalmente, pero nunca se revisó, incluso cuando cambian las condiciones. Es importante asegurarse de que se comprendan las reglas de clasificación y, si es necesario, se actualicen.

8. ¿El pronóstico se regenera automáticamente cuando hay nuevos datos disponibles o tiene que regenerar manualmente los pronósticos?

9. ¿Revisa si hay algún cambio en el pronóstico de un período al siguiente antes de decidir si usa el nuevo pronóstico? ¿O prefieres el nuevo pronóstico por defecto?

10. ¿Cómo se tratan las anulaciones de pronóstico que se realizaron en ciclos de planificación anteriores cuando se crea un nuevo pronóstico? ¿Se reutilizan o se reemplazan?

11. ¿Cómo incorpora las previsiones realizadas por su equipo de ventas o por sus clientes? ¿Estos pronósticos reemplazan el pronóstico de línea base o utiliza estas entradas para hacer anulaciones del planificador al pronóstico de línea base?

12. ¿Bajo qué circunstancias ignoraría el pronóstico de referencia y usaría exactamente lo que le dicen las ventas o los clientes?

13. Si confía en los pronósticos de los clientes, ¿qué hace con los clientes que no brindan pronósticos?

14. ¿Cómo documenta la efectividad de su enfoque de pronóstico? La mayoría de las empresas solo miden la precisión del pronóstico final que se envía al sistema ERP, si es que miden algo. Pero no evalúan predicciones alternativas que podrían haberse utilizado. Es importante comparar lo que está haciendo con los puntos de referencia. Por ejemplo, ¿los métodos que está utilizando superan un pronóstico ingenuo (es decir, "mañana es igual a hoy", que no requiere pensar), o lo que vio el año pasado, o el promedio de los últimos 12 meses? La evaluación comparativa de su pronóstico de referencia asegura que está exprimiendo la mayor precisión posible de los datos.

15. ¿Mide si las anulaciones de ventas, clientes y planificadores mejoran o empeoran el pronóstico? Esto es tan importante como medir si sus enfoques estadísticos están superando al método ingenuo. Si no sabe si las anulaciones están ayudando o perjudicando, la empresa no puede mejorar en la previsión; necesita saber qué pasos están agregando valor para que pueda hacer más y mejorar aún más. Si no está documentando la precisión del pronóstico y realizando un análisis de "valor agregado del pronóstico", entonces no podrá evaluar adecuadamente si los pronósticos que se producen son los mejores que podría hacer. Perderá oportunidades para mejorar el proceso, aumentar la precisión y educar a la empresa sobre qué tipo de error de pronóstico se espera.

Smart IP&O funciona con el motor de pronóstico SmartForecasts® que selecciona automáticamente el método más apropiado para cada artículo. Los métodos de Smart Forecast se enumeran a continuación:

• Promedio móvil simple y suavizado exponencial único para datos planos y ruidosos
• Promedio móvil lineal y suavizado exponencial doble para datos de tendencias
• Winters Aditivo y Winters Multiplicativo para datos estacionales y estacionales y de tendencias.

Este blog explica cómo funciona cada modelo utilizando diagramas de tiempo de datos históricos y de pronóstico. Describe cómo elegir qué modelo usar. Los ejemplos a continuación muestran el mismo historial, en rojo, pronosticado con cada método, en verde oscuro, en comparación con el método ganador elegido por Smart, en verde claro.

Estacionalidad
Si desea forzar (o evitar) que se muestre la estacionalidad en el pronóstico, elija los modelos Winters. Ambos métodos requieren 2 años completos de historial.

Multiplicativo de Winters determinará el tamaño de los picos o valles de los efectos estacionales en función de una diferencia porcentual de un volumen promedio de tendencia. No es una buena opción para artículos de muy bajo volumen debido a la división por cero al determinar ese porcentaje. Observe en la imagen a continuación que se proyecta que la gran caída porcentual en la demanda estacional en el historial continúe durante el horizonte de pronóstico, lo que hace que parezca que no hay demanda estacional a pesar de usar un método estacional.

Pronóstico estadístico elaborado con el método multiplicativo de Winter. 

Aditivo de Winters determinará el tamaño de los picos o valles de los efectos estacionales con base en una unidad de diferencia del volumen promedio. No es un buen ajuste si hay una tendencia significativa en los datos. Tenga en cuenta en la imagen de abajo que sla estacionalidad ahora se pronostica con base en el cambio unitario promedio en la estacionalidad. Por lo tanto, el pronóstico aún refleja claramente el patrón estacional a pesar de la tendencia a la baja tanto en el nivel como en los picos/valles estacionales.

Pronóstico estadístico producido con el método aditivo de Winter.

Tendencia

Si desea forzar (o evitar) que la tendencia hacia arriba o hacia abajo se muestre en el pronóstico, restrinja los métodos elegidos a (o elimine los métodos de) Promedio móvil lineal y Suavizado exponencial doble.

 Suavizado exponencial doble retomará una tendencia a largo plazo. No es una buena opción si hay pocos puntos de datos históricos.

Pronóstico estadístico producido con Doble Suavización Exponencial

Media móvil lineal recogerá las tendencias a corto plazo. No es una buena opción para datos altamente volátiles.

Datos no de tendencia y no estacionales
Si desea forzar (o evitar) que se muestre un promedio en el pronóstico, restrinja los métodos elegidos a (o elimine los métodos de) Promedio móvil simple y Suavizado exponencial único.

Suavizado exponencial simple sopesará más los datos más recientes y producirá un pronóstico de línea plana. No es una buena opción para datos de tendencias o estacionales.

Pronóstico estadístico utilizando Suavización Exponencial Simple

media móvil simple encontrará un promedio para cada período, a veces pareciendo moverse, y mejor para el promedio a más largo plazo. No es una buena opción para datos de tendencias o estacionales.

Pronóstico estadístico utilizando la media móvil simple

A veces, un pronóstico estadístico simplemente no tiene sentido. Todos los pronosticadores han estado allí. Pueden volver a verificar que los datos se ingresaron correctamente o revisar la configuración del modelo, pero todavía se quedan pensando por qué el pronóstico se ve muy diferente al historial de demanda. Cuando el pronóstico ocasional no tiene sentido, puede erosionar la confianza en todo el proceso de pronóstico estadístico.

Este blog ayudará a un profano a comprender qué son los modelos estadísticos inteligentes y cómo se eligen automáticamente. Abordará cómo esa elección a veces falla, cómo puede saber si lo hizo y qué puede hacer para garantizar que los pronósticos siempre puedan justificarse. Es importante saber esperar y cómo detectar las excepciones para que pueda confiar en su sistema de pronóstico.

Cómo se eligen los métodos automáticamente

El criterio para elegir automáticamente un método estadístico de un conjunto se basa en qué método estuvo más cerca de predecir correctamente el historial retenido. El historial anterior se pasa a cada método y el resultado se compara con los datos reales para encontrar el que más se acercó en general. Ese método elegido automáticamente se alimenta de todo el historial para producir el pronóstico. Consulte este blog para obtener más información sobre la selección de modelos. https://smartcorp.com/uncategorized/statistical-forecasting-how-automatic-method-selection-works/

Para la mayoría de las series temporales, este proceso puede capturar tendencias, estacionalidad y volumen promedio con precisión. Pero a veces, un método elegido se acerca matemáticamente a la predicción del historial retenido, pero no lo proyecta hacia adelante de una manera que tenga sentido. Eso significa que el método seleccionado por el sistema no es el mejor y, para algunos, es "difícil de pronosticar".

Artículos difíciles de pronosticar

Los artículos difíciles de pronosticar pueden tener picos grandes e impredecibles en la demanda, o por lo general no hay demanda pero hay irregularidades aleatorias o actividad reciente inusual. El ruido en los datos a veces se desplaza aleatoriamente hacia arriba o hacia abajo, y el método automatizado de mejor selección podría pronosticar una tendencia desbocada o una reducción a cero. Lo hará peor que el sentido común y en un pequeño porcentaje de cualquier grupo razonablemente variado de elementos. Por lo tanto, deberá identificar estos casos y responder anulando el pronóstico o cambiando las entradas del pronóstico.

Cómo encontrar las excepciones

La mejor práctica es filtrar u ordenar los elementos pronosticados para identificar aquellos en los que la suma del pronóstico durante el próximo año es significativamente diferente al historial correspondiente del año pasado. La suma del pronóstico puede ser mucho más baja que el historial o viceversa. Utilice las métricas proporcionadas para identificar estos elementos; luego puede optar por aplicar anulaciones al pronóstico o modificar la configuración del pronóstico.

Cómo arreglar las excepciones

A menudo, cuando el pronóstico parece extraño, un método de promediación, como el suavizado exponencial único o incluso un promedio simple con estilo libre, producirá un pronóstico más razonable. Si la tendencia es posiblemente válida, puede eliminar solo los métodos estacionales para evitar un resultado falsamente estacional. O haga lo contrario y use solo métodos estacionales si se espera estacionalidad pero no se proyectó en el pronóstico predeterminado. Puede usar las funciones hipotéticas para crear cualquier cantidad de pronósticos, evaluar y comparar, y continuar ajustando la configuración hasta que se sienta cómodo con el pronóstico.

Limpiar el historial, con o sin cambiar la selección automática del método, también es efectivo para producir pronósticos razonables. Puede incrustar parámetros de previsión para reducir la cantidad de historial utilizado para pronosticar esos elementos o la cantidad de períodos pasados en el algoritmo, de modo que ya no se tenga en cuenta el historial anterior y desactualizado. Puede editar picos o caídas en el historial de demanda que son anomalías conocidas para que no influyan en el resultado. También puede trabajar con el equipo de Smart para implementar la detección y eliminación automática de valores atípicos para que los datos antes de ser pronosticados ya estén limpios de estas anomalías.

Si la demanda es realmente intermitente, será casi imposible pronosticar "con precisión" por período. Si un promedio de nivel de carga no es aceptable, el manejo del artículo mediante el establecimiento de una política de inventario con un pronóstico de tiempo de entrega puede ser efectivo. Alternativamente, puede optar por utilizar modelos "igual que el año pasado" que, si bien no son propensos a la precisión, serán generalmente aceptados por la empresa dadas las previsiones alternativas.

Finalmente, si el elemento se introdujo tan recientemente que los algoritmos no tienen suficiente entrada para pronosticar con precisión, lo mejor puede ser un promedio simple o un pronóstico manual. Puede identificar elementos nuevos filtrando por el número de períodos históricos.

Selección manual de métodos.

Una vez que haya identificado las filas en las que el pronóstico no tiene sentido para el ojo humano, puede elegir un subconjunto más pequeño de todos los métodos para permitir la ejecución del pronóstico y compararlo con el historial. Smart le permitirá usar un conjunto restringido de métodos solo para una ejecución de pronóstico o incrustar el conjunto restringido para usarlo en todas las ejecuciones de pronóstico en el futuro. Diferentes métodos proyectarán la historia hacia el futuro de diferentes maneras. Tener una idea de cómo funciona cada uno lo ayudará a elegir cuál permitir.

Confíe en su herramienta de previsión

Cuanto más utilice Smart period over period para incorporar sus decisiones sobre cómo pronosticar y qué datos históricos considerar, menos a menudo se enfrentará a las excepciones que se describen en este blog. Ingresar parámetros de pronóstico es una tarea manejable cuando se comienza con artículos críticos o de alto impacto. Incluso si no integra ninguna decisión manual en los métodos de pronóstico, el pronóstico se vuelve a ejecutar cada período con nuevos datos. Por lo tanto, un artículo con un resultado extraño hoy puede volverse fácilmente predecible en el tiempo.