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.

“Independientemente de cuánto esfuerzo se invierta en capacitar a los pronosticadores y desarrollar sistemas elaborados de apoyo a los pronósticos, los tomadores de decisiones modificarán o descartarán las predicciones si no confían en ellas”. — Dilek Onkal, International Journal of Forecasting 38:3 (julio-septiembre de 2022), p.802.

Las palabras citadas arriba me llamaron la atención y provocaron esta publicación. Aquellos con una persuasión geek, como su blogger, se inclinan a pensar en los pronósticos como un problema estadístico. Si bien eso es obviamente cierto, aquellos de cierta edad, como tu blogger, entienden que la previsión también es una actividad social y, por lo tanto, tiene un gran componente humano.

¿En qué confías?

Hay una dimensión relacionada con la confianza: no en quién confías sino en qué confías. Con esto me refiero tanto a los datos como al software.

Confianza en los datos

La confianza en los datos sustenta la confianza en el pronosticador que utiliza los datos. La mayoría de nuestros clientes tienen sus datos en un sistema ERP. Estos datos deben entenderse como un activo corporativo clave. Para que los datos sean confiables, deben tener las “tres C”, es decir, deben ser correctos, completos y actuales.

La corrección es obviamente fundamental. Una vez tuvimos un cliente que estaba implementando un proceso de pronóstico nuevo y sólido, pero encontró que los resultados estaban completamente en desacuerdo con su sentido de lo que estaba sucediendo en el negocio. Resultó que varios de sus flujos de datos eran incorrectos por un factor de dos, lo cual es un gran error. Por supuesto, esto retrasó el proceso de implementación hasta que pudieron identificar y corregir todos los errores graves en sus datos de demanda.

Hay un punto menos obvio que hacer sobre la corrección. Es decir, los datos son aleatorios, por lo que lo que ve ahora no es probable que sea lo que verá a continuación. Planificar la producción basándose en la suposición de que la demanda de la próxima semana será exactamente la misma que la demanda de esta semana es claramente una tontería, pero los modelos clásicos de pronóstico basados en fórmulas, como el suavizado exponencial mencionado anteriormente, proyectarán el mismo número a lo largo del horizonte de pronóstico. Aquí es donde planificación basada en escenarios es esencial para hacer frente a las inevitables fluctuaciones de variables clave como las demandas de los clientes y los plazos de reposición de los proveedores.

La integridad es el segundo requisito para que los datos sean confiables. En última instancia, nuestro software obtiene gran parte de su valor al exponer los vínculos entre las decisiones operativas (p. ej., seleccionar los puntos de pedido que rigen la reposición de existencias) y las métricas relacionadas con el negocio, como los costos de inventario. Sin embargo, a menudo la implementación del software de pronóstico se retrasa porque la información sobre la demanda de artículos está disponible en algún lugar, pero no así los costos de mantenimiento, pedido y/o escasez. O, para citar otro ejemplo reciente, un cliente pudo dimensionar adecuadamente solo la mitad de su inventario de repuestos para piezas reparables porque nadie había estado rastreando cuándo se averiaba la otra mitad, lo que significa que no había información sobre el tiempo medio antes de la falla (MTBF) , por lo que no fue posible modelar el comportamiento ante averías de la mitad de la flota de repuestos reparables.

Finalmente, la vigencia de los datos es importante. A medida que aumenta la velocidad de los negocios y los ciclos de planificación de la empresa pasan de un ritmo trimestral o mensual a un ritmo semanal o diario, se vuelve deseable explotar la agilidad que brindan las cargas nocturnas de datos transaccionales diarios en la nube. Esto permite ajustes de alta frecuencia de pronósticos y/o parámetros de control de inventario para artículos que experimentan alta volatilidad y cambios repentinos en la demanda. Cuanto más frescos sean los datos, más fiable será el análisis.

Confíe en el software de previsión de la demanda

Incluso con datos de alta calidad, los pronosticadores aún deben confiar en el software analítico que procesa los datos. Esta confianza debe extenderse tanto al propio software como al entorno informático en el que funciona.

Si los pronosticadores usaron software local, deben confiar en sus propios departamentos de TI para salvaguardar los datos y mantenerlos disponibles para su uso. Si, en cambio, desean explotar el poder de los análisis basados en la nube, los clientes deben confiar su información confidencial a sus proveedores de software. El software de nivel profesional, como el nuestro, justifica la confianza de los clientes a través de la certificación SOC 2. La certificación SOC 2 fue desarrollada por el Instituto Americano de CPA y define los criterios para administrar los datos de los clientes en función de cinco "principios de servicio de confianza": seguridad, disponibilidad, integridad de procesamiento, confidencialidad y privacidad.

¿Qué pasa con el software en sí? ¿Qué se necesita para que sea confiable? Los criterios principales aquí son la corrección de los algoritmos y la fiabilidad funcional. Si el proveedor tiene un proceso de desarrollo de programas profesional, habrá pocas posibilidades de que el software termine calculando los números incorrectos debido a un error de programación. Y si el proveedor tiene un riguroso proceso de aseguramiento de la calidad, habrá pocas posibilidades de que el software se bloquee justo cuando el pronosticador tiene una fecha límite o debe lidiar con un análisis emergente para una situación especial.

Resumen

Para ser útiles, los responsables de la toma de decisiones deben confiar en los pronosticadores y sus pronósticos. Esa confianza depende de las características de los pronosticadores y sus procesos y comunicación. También depende de la calidad de los datos y el software utilizado para crear los pronósticos.

Lee la 1ra parte de este Blog “En quién confías” aquí: https://smartcorp.com/forecasting/the-role-of-trust-in-the-demand-forecasting-process-part-1-who/

“Independientemente de cuánto esfuerzo se invierta en capacitar a los pronosticadores y desarrollar sistemas elaborados de apoyo a los pronósticos, los tomadores de decisiones modificarán o descartarán las predicciones si no confían en ellas”. — Dilek Onkal, International Journal of Forecasting 38:3 (julio-septiembre de 2022), p.802.

Las palabras citadas arriba me llamaron la atención y provocaron esta publicación. Aquellos con una persuasión geek, como su blogger, se inclinan a pensar en los pronósticos como un problema estadístico. Si bien eso es obviamente cierto, aquellos de cierta edad, como tu blogger, entienden que la previsión también es una actividad social y, por lo tanto, tiene un gran componente humano.

¿En quién confías?

La confianza es siempre una calle de doble sentido, pero permanezcamos del lado del pronosticador de la demanda. ¿Qué características y acciones de los pronosticadores y planificadores de la demanda generan confianza en su trabajo? La profesora Onkal citada anteriormente revisó la investigación académica sobre este tema que se remonta a 2006. Resumió los resultados de encuestas a profesionales que identificaron factores clave de confianza relacionados con las características del pronosticador, el proceso de pronóstico y la comunicación del pronóstico.

Características del pronosticador

La clave para generar confianza entre los usuarios de los pronósticos son las percepciones de la competencia y objetividad del pronosticador y del planificador de la demanda. La competencia tiene un componente matemático, pero muchos gerentes confunden las habilidades informáticas con las habilidades analíticas, por lo que los usuarios de software de pronóstico generalmente pueden superar este obstáculo. Sin embargo, dado que los dos no son lo mismo, vale la pena absorber la capacitación de su proveedor y aprender no solo las matemáticas sino también la jerga de su software de pronóstico. En mi observación, la confianza también puede incrementarse mostrando conocimiento del negocio de la empresa.

La objetividad es también una clave para la confiabilidad. Puede ser incómodo para el pronosticador estar en medio de disputas departamentales ocasionales, pero surgirán y deben manejarse con tacto. ¿Peleas? Bueno, los silos existen y se inclinan en diferentes direcciones. Los departamentos de ventas favorecen las previsiones de demanda más altas que impulsan los aumentos de producción, de modo que nunca tengan que decir "Lo siento, acabamos de salir de eso". Los gerentes de inventario desconfían de los pronósticos de alta demanda, porque el "exceso de entusiasmo" puede dejarlos con la bolsa en la mano, sentados sobre un inventario inflado.

A veces el pronosticador se convierte en un de facto árbitro, y en este papel debe mostrar signos evidentes de objetividad. Eso puede significar primero reconocer que cada decisión de gestión implica compensaciones de cosas buenas contra otras cosas buenas, por ejemplo, disponibilidad del producto versus operaciones ajustadas, y luego ayudar a las partes a lograr un equilibrio doloroso pero tolerable al mostrar los vínculos entre las decisiones operativas y las métricas clave de rendimiento. que le importan a personas como los directores financieros.

El proceso de previsión

Se puede pensar que el proceso de pronóstico tiene tres fases: entradas de datos, cálculos y salidas. Se pueden tomar acciones para aumentar la confianza en cada fase.

En cuanto a las entradas:

La confianza se puede aumentar si las entradas obviamente relevantes se reconocen al menos si no se usan directamente en los cálculos. Por lo tanto, factores como el sentimiento de las redes sociales y los instintos de los gerentes de ventas regionales pueden ser partes legítimas de un proceso de consenso de pronóstico. Sin embargo, la objetividad requiere que estos predictores putativos de ganancias sean probados objetivamente. Por ejemplo, un proceso de pronóstico de nivel profesional bien puede incluir un ajuste subjetivo a los pronósticos estadísticos, pero luego también debe evaluar si los ajustes realmente terminan mejorando la precisión, no solo haciendo que algunas personas se sientan escuchadas.

En cuanto a la segunda fase, los cálculos:

Se confiará en el pronosticador en la medida en que pueda implementar más de una forma de calcular los pronósticos y luego articular una buena razón por la que eligió el método finalmente utilizado. Además, el pronosticador debe ser capaz de explicar en un lenguaje accesible cómo funcionan incluso las técnicas más complicadas. Es difícil confiar en un método de “caja negra” tan opaco que resulta inescrutable. La importancia de la explicabilidad se amplifica por el hecho de que el superior del pronosticador debe ser capaz de justificar la elección de la técnica para su supervisor.

Por ejemplo, el suavizado exponencial usa esta ecuación: S(t) = αX(t)+(1-α)S(t-1). Muchos pronosticadores están familiarizados con esta ecuación, pero muchos usuarios de pronósticos no. Hay una historia que explica la ecuación en términos de promediar el "ruido" irrelevante en el historial de demanda de un artículo y la necesidad de lograr un equilibrio entre suavizar el ruido y ser capaz de reaccionar ante cambios repentinos en el nivel de demanda. El pronosticador que pueda contar esa historia será más creíble. (Mi propia versión de esa historia usa frases de los deportes, es decir, "falsificaciones de cabeza" y "jukes". Encontrar análogos campechanos apropiados para su audiencia específica siempre paga dividendos).

Un punto final: las mejores prácticas exigen que cualquier pronóstico vaya acompañado de una evaluación honesta de su incertidumbre. Un pronosticador que trata de generar confianza siendo demasiado específico ("Las ventas del próximo trimestre serán de 12,184 unidades") siempre fallará. Un pronosticador que dice "Las ventas del próximo trimestre tendrán una probabilidad de 90% de caer entre 12,000 y 12,300 unidades" será correcto con más frecuencia y también más útil para los tomadores de decisiones. Después de todo, la previsión es esencialmente un trabajo de gestión de riesgos, por lo que la mejor forma de tomar decisiones es conocer los riesgos.

Comunicación de previsión:

Finalmente, considere la tercera fase, la comunicación de los resultados del pronóstico. La investigación sugiere que la comunicación continua con los usuarios del pronóstico genera confianza. Evita esos horribles y desalentadores momentos en los que un informe con un buen formato es derribado debido a algún defecto fatal que podría haberse previsto: "Esto no es bueno porque no tuvo en cuenta X, Y o Z" o "Realmente queríamos presentar los resultados acumulados en la parte superior de las jerarquías de productos (o por región de ventas o por línea de productos o…)”.

Incluso cuando todos están alineados en cuanto a lo que se espera, la confianza aumenta al presentar los resultados mediante gráficos bien elaborados, con tablas numéricas masivas proporcionadas como respaldo, pero no como la forma principal de comunicar los resultados. Mi experiencia ha sido que, al igual que un dispositivo de control de reuniones, un gráfico suele ser mucho mejor que una gran tabla numérica. Con un gráfico, la atención de todos se centra en lo mismo y muchos aspectos del análisis son inmediatamente (y literalmente) visibles. Con una tabla de resultados, la mesa de participantes a menudo se divide en conversaciones paralelas en las que cada voz se enfoca en diferentes piezas de la mesa.

Onkal resume la investigación de esta manera: "Las conclusiones para quienes hacen pronósticos y quienes los utilizan convergen en torno a la claridad de la comunicación, así como a las percepciones de competencia e integridad".

¿En qué confías?

Hay una dimensión relacionada con la confianza: no en quién confías sino en qué confías. Con esto me refiero tanto a los datos como al software….  Lee la 2da parte de este Blog “En qué Confías” aquí  https://smartcorp.com/forecasting/the-role-of-trust-in-the-demand-forecasting-process-part-2-what/

Smart IP&O ofrece pronósticos estadísticos automatizados que seleccionan el método de pronóstico correcto que mejor pronostica los datos. Hace esto para cada serie de tiempo en el conjunto de datos. Este blog ayudará a los legos a comprender cómo se eligen automáticamente los métodos de pronóstico.

Smart pone a disposición muchos métodos, incluidos el suavizado exponencial simple y doble, el promedio móvil lineal y simple y los modelos de Winters. Cada modelo está diseñado para capturar un tipo diferente de patrón. El criterio para elegir automáticamente un método estadístico de un conjunto de opciones se basa en qué método estuvo más cerca de predecir correctamente el historial retenido.

El historial de demanda anterior se pasa a cada método y el resultado se compara con los datos reales para encontrar el que más se acerca en general. Ese método "ganador" elegido automáticamente se alimenta de todo el historial de ese artículo para producir el pronóstico.

La naturaleza general del patrón de demanda del artículo se captura manteniendo diferentes partes de la historia para que un valor atípico ocasional no influya indebidamente en la elección del método. Puede visualizarlo usando el siguiente diagrama donde cada fila representa un pronóstico de 3 períodos en el historial retenido, basado en diferentes cantidades del historial anterior en rojo. Las variaciones de cada pase se promedian juntas para determinar la clasificación general del método frente a todos los demás métodos.

Para la mayoría de las series temporales, este proceso puede capturar con precisión las tendencias, la estacionalidad y el volumen promedio. 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.

Los usuarios pueden corregir esto utilizando los informes de excepción del sistema y las funciones de filtrado para identificar los elementos que merecen revisión. Luego pueden configurar los métodos de pronóstico automático que desean que se consideren para ese artículo.

¿Cuánto tiempo debe tomar para calcular un pronóstico de demanda usando métodos estadísticos? Esta pregunta la hacen a menudo los clientes actuales y potenciales. La respuesta realmente depende. Los resultados del pronóstico para un solo elemento se pueden calcular en un abrir y cerrar de ojos, en tan solo unas pocas centésimas de segundo, pero a veces pueden requerir hasta cinco segundos. Para comprender las diferencias, es importante entender que hay más cosas involucradas que solo repasar la aritmética del pronóstico en sí. Aquí hay seis factores que influyen en la velocidad de su motor de pronóstico.

1) Método de pronóstico.  Las técnicas tradicionales de extrapolación de series de tiempo (como el suavizado exponencial y los métodos de promedio móvil), cuando están codificadas inteligentemente, son muy rápidas. Por ejemplo, el motor de pronóstico automático Smart Forecast que aprovecha estas técnicas y potencia nuestro software de optimización de inventario y planificación de demanda puede generar pronósticos estadísticos sobre 1,000 artículos en 1 segundo. Los métodos de extrapolación producen un pronóstico esperado y una medida resumida de la incertidumbre del pronóstico. Sin embargo, los modelos más complejos en nuestra plataforma que generan escenarios de demanda probabilísticos toman mucho más tiempo con los mismos recursos informáticos. Esto se debe en parte a que crean un volumen de producción mucho mayor, por lo general miles de secuencias de demanda futura plausibles. Más tiempo, sí, pero no tiempo perdido, ya que estos resultados son mucho más completos y forman la base para la optimización posterior de los parámetros de control de inventario.

2) Recursos informáticos.  Cuantos más recursos arroje al cálculo, más rápido será. Sin embargo, los recursos cuestan dinero y puede que no sea económico invertir en estos recursos. Por ejemplo, para hacer que ciertos tipos de pronósticos basados en aprendizaje automático funcionen, el sistema necesitará realizar cálculos de subprocesos múltiples en varios servidores para entregar resultados rápidamente. Por lo tanto, asegúrese de comprender los recursos informáticos asumidos y los costos asociados. Nuestros cálculos se realizan en la nube de Amazon Web Services, por lo que es posible pagar una gran cantidad de cómputo paralelo si se desea.

3) Número de series temporales.  ¿Tiene que pronosticar solo unos pocos cientos de artículos en una sola ubicación o muchos miles de artículos en docenas de ubicaciones? Cuanto mayor sea el número de combinaciones de SKU x Ubicación, mayor será el tiempo requerido. Sin embargo, es posible recortar el tiempo para obtener pronósticos de demanda mediante una mejor clasificación de la demanda. Por ejemplo, no es importante pronosticar cada combinación de SKU x Ubicación. El software moderno de planificación de la demanda primero puede subdividir los datos en función de las clasificaciones de volumen/frecuencia antes de ejecutar el motor de pronóstico. Hemos observado situaciones en las que existían más de un millón de combinaciones SKU x Ubicación, pero solo el diez por ciento tenía demanda en los doce meses anteriores.

4) Clasificación histórica. ¿Está pronosticando utilizando intervalos de tiempo diarios, semanales o mensuales? Cuanto más granular sea la agrupación, más tiempo llevará calcular los pronósticos estadísticos. Muchas empresas se preguntarán: "¿Por qué alguien querría pronosticar diariamente?" Sin embargo, el software de pronóstico de demanda de última generación puede aprovechar los datos diarios para detectar patrones simultáneos de días de la semana y semanas del mes que, de otro modo, quedarían ocultos con los grupos de demanda mensuales tradicionales. Y la velocidad de los negocios continúa acelerándose, amenazando la viabilidad competitiva del ritmo de planificación mensual tradicional.

5) Cantidad de Historia. ¿Está limitando el modelo alimentándolo solo con el historial de demanda más reciente, o está introduciendo todo el historial disponible en el software de previsión de demanda? Cuanto más historial alimente el modelo, más datos se deben analizar y más tiempo llevará.

6) Procesamiento analítico adicional.  Hasta ahora, hemos imaginado ingresar el historial de demanda de los artículos y obtener pronósticos. Pero el proceso también puede implicar pasos analíticos adicionales que pueden mejorar los resultados. Ejemplos incluyen:

a) Detección y eliminación de valores atípicos para minimizar la distorsión causada por eventos únicos como daños por tormentas.

b) Aprendizaje automático que decide cuánto historial se debe usar para cada elemento detectando el cambio de régimen.

C) Modelado causal que identifica cómo los cambios en los impulsores de la demanda (como el precio, la tasa de interés, la opinión del cliente, etc.) afectan la demanda futura.

d) Informe de excepción que utiliza el análisis de datos para identificar situaciones inusuales que ameritan una mayor revisión por parte de la gerencia.

El resto de la historia. También es fundamental comprender que el tiempo para obtener una respuesta implica más que la velocidad de los cálculos de pronóstico. per se. Los datos deben cargarse en la memoria antes de que pueda comenzar la computación. Una vez que se calculan los pronósticos, su navegador debe cargar los resultados para que puedan mostrarse en la pantalla para que usted interactúe con ellos. Si vuelve a pronosticar un producto, puede optar por guardar los resultados. Si está trabajando con jerarquías de productos (agregando pronósticos de artículos hasta familias de productos, familias hasta líneas de productos, etc.), el nuevo pronóstico afectará la jerarquía y todo debe conciliarse. Todo esto lleva tiempo.

¿Lo suficientemente rápido para ti? Cuando está evaluando el software para ver si su necesidad de velocidad será satisfecha, todo esto puede probarse como parte de una prueba de concepto o prueba ofrecida por los proveedores de soluciones de software de planificación de la demanda. Pruébelo y asegúrese de que el calcular, cargar y guardar los tiempos son aceptables dado el volumen de datos y los métodos de pronóstico que desea utilizar para respaldar su proceso.