​Cuándo se deben utilizar técnicas tradicionales de pronóstico extrapolativo.

Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente. 

Los métodos extrapolativos funcionan bien cuando la demanda tiene un gran volumen y no es demasiado granular (es decir, la demanda se clasifica mensual o trimestralmente). También son muy rápidos y no utilizan tantos recursos informáticos como los métodos probabilísticos y de ML. Esto los hace muy accesibles.

¿Son los métodos tradicionales tan precisos como los métodos de pronóstico más nuevos? Smart ha descubierto que los métodos de extrapolación funcionan muy mal cuando la demanda es intermitente. Sin embargo, cuando la demanda es de mayor volumen, solo funcionan ligeramente peor que nuestros nuevos métodos probabilísticos cuando la demanda se divide mensualmente. Dada su accesibilidad, velocidad y el hecho de que va a aplicar anulaciones de pronóstico basadas en el conocimiento empresarial, la diferencia de precisión de referencia aquí no será material.

La ventaja de los modelos más avanzados, como los métodos probabilísticos GEN2 de Smart, es cuando es necesario predecir patrones utilizando grupos más granulares, como datos diarios (o incluso semanales). Esto se debe a que los modelos probabilísticos pueden simular patrones de día de la semana, semana del mes y mes del año que se perderán con técnicas más simples. ¿Alguna vez ha intentado predecir la estacionalidad diaria con un modelo de Winter? Aquí hay una pista: no funcionará y requiere mucha ingeniería.

Los métodos probabilísticos también brindan valor más allá del pronóstico de referencia porque generan escenarios para usar en las pruebas de estrés de los modelos de control de inventario. Esto los hace más apropiados para evaluar, por ejemplo, cómo un cambio en el punto de reorden afectará las probabilidades de desabastecimiento, las tasas de cumplimiento y otros KPI. Al simular miles de posibles demandas durante muchos plazos de entrega (que a su vez se presentan en forma de escenario), tendrá una idea mucho mejor de cómo funcionarán sus políticas de almacenamiento actuales y propuestas. Puede tomar mejores decisiones sobre dónde realizar aumentos y disminuciones de existencias específicas.

Por lo tanto, no deseche lo viejo por lo nuevo todavía. Solo sepa cuándo necesita un martillo y cuándo necesita un martillo neumático.

Los escenarios probabilísticos son secuencias de puntos de datos generados para representar situaciones potenciales del mundo real. A diferencia de los escenarios de los juegos de guerra u otras simulaciones, se trata de series temporales sintéticas que se utilizan como datos de entrada para los modelos de sistemas o como generadores de intuición para los responsables de la toma de decisiones.

Por ejemplo, se pueden introducir escenarios de demanda futura de artículos en modelos de simulación Monte Carlo de sistemas de control de inventario, creando así un laboratorio virtual en el que explorar las consecuencias de las decisiones de gestión, como cambiar los puntos de reorden y/o las cantidades de los pedidos. Además, los gráficos de métricas como el inventario disponible o los desabastecimientos pueden ayudar a los planificadores de inventario a profundizar su “sensación” de la aleatoriedad inherente a sus operaciones.

La Figura 1 muestra escenarios de demanda diaria generados a partir de una única serie de demanda observada registrada durante un año. Tenga en cuenta que el mismo proceso de generación de datos puede “verse muy diferente” en detalle de una muestra a otra. Esto imita la vida real.

Figura 1: Secuencia de demanda observada y escenarios de demanda derivados de ella.

La Figura 2 muestra dos escenarios de demanda y sus consecuencias para el stock disponible en un sistema de control de inventario particular. La diferencia entre los dos gráficos de inventario ilustra el grado en que la aleatoriedad en la demanda domina el problema. El gráfico superior muestra dos episodios de desabastecimiento, mientras que el gráfico inferior muestra nueve. El promedio de muchos escenarios aclarará los valores típicos de las métricas clave de rendimiento (KPI), como el número promedio de desabastecimientos asociados con cualquier elección de punto de pedido y cantidad de pedido (que son 10 y 25, respectivamente, en la Figura 2).

Figura 2: Dos escenarios de demanda y sus consecuencias para el inventario disponible

En esta nota, describiremos técnicas para crear escenarios y enumeraremos criterios para evaluar generadores de escenarios.

Criterios para escenarios

Como veremos a continuación, hay varias formas de crear escenarios. Independientemente de la fuente, ¿qué criterios definen un escenario “bueno”? Hay cuatro criterios principales: fidelidad, variedad, cantidad y costo. Fidelidad Resume con qué precisión un escenario imita situaciones del mundo real. La alta fidelidad significa que los escenarios reflejan fielmente los acontecimientos reales, proporcionando una base sólida para el análisis y la toma de decisiones. Variedad describe la diversidad de escenarios que un generador puede crear. Un generador versátil puede simular una amplia gama de situaciones potenciales, lo que permite una exploración exhaustiva de posibilidades y riesgos. Cantidad Se refiere a cuántos escenarios puede producir un generador. Un generador que puede crear una gran cantidad de escenarios proporciona amplios datos para el análisis. Costo considera tanto los recursos computacionales como humanos necesarios para producir los escenarios. Un generador de escenarios eficiente equilibra la calidad con el uso de recursos, garantizando que el esfuerzo esté justificado por el valor y la precisión de los resultados.

Generación de escenarios

Nuevamente, piense en un escenario como una serie de tiempo. ¿Cómo se crean los escenarios?

1. Taller de Geppetto: Este enfoque implica la elaboración manual de escenarios por parte de expertos. Si bien puede producir alta fidelidad (realismo), requiere muchos recursos y no puede generar variedad fácilmente, lo que requiere una gran cantidad de escenarios.
2. Día de la Marmota: Este método implica el uso repetido de una única situación del mundo real como entrada. Si bien es realista por definición y rentable (no se utilizan recursos más allá del registro de los datos), este enfoque carece de variedad y, por lo tanto, no puede reflejar con precisión la diversidad de escenarios del mundo real.
3. Modelos paramétricos: Ejemplos de modelos paramétricos son los clásicos estudiados en las clases de Estadística 101: el Normal, exponencial, Poisson, etc. Los gráficos de demanda en la Figura 2 se generan paramétricamente, siendo los cuadrados de variables aleatorias de Poisson. Estos modelos generan una cantidad ilimitada de escenarios de bajo costo con buena variedad, pero es posible que no siempre capturen la complejidad de los datos del mundo real, lo que podría comprometer la fidelidad. Cuando la realidad es más complicada, estos modelos generan escenarios demasiado simplificados.
4. Bootstraps de series temporales no paramétricas: Este enfoque puede obtener buenos resultados en todos los criterios: fidelidad, variedad, cantidad y costo. Es un método versátil que sobresale en la creación de una gran cantidad de escenarios realistas. Los historiales de demanda sintéticos en la Figura 1 son muestras de arranque simples basadas en los valores observados en el gráfico superior. (Para obtener algunos detalles esenciales sobre la generación de escenarios, consulte los enlaces a continuación).

Escenarios de explotación

Los escenarios demuestran su valor de dos maneras: como insumos para la toma de decisiones y como generadores de intuición. Por ejemplo, cuando los escenarios de demanda se utilizan como datos de entrada para los modelos de simulación, permiten realizar pruebas de estrés y estimar el rendimiento para el diseño del sistema. Los escenarios también pueden servir como generadores de intuición para los tomadores de decisiones o los operadores de sistemas. Su representación visual ayuda a desarrollar una visión y apreciación de los riesgos involucrados en la toma de decisiones operativas, ya sea para el pronóstico de la demanda o la gestión de inventario.

El análisis basado en escenarios requiere mucha informática, especialmente cuando los escenarios se generan mediante arranque. En Smart Software, la computación se realiza en la nube. Imagine la carga computacional involucrada en determinar los puntos de reorden y las cantidades de los pedidos para cada una de las decenas de miles de artículos del inventario utilizando cientos o miles de simulaciones de demanda para cada artículo. Imagine además que el software no sólo evalúa un par de punto de reorden/cantidad de pedido específico propuesto, sino que recorre todo el “espacio de diseño” de pares para encontrar el mejor par de parámetros de control para cada artículo. Para que esto sea práctico, aprovechamos el poder de procesamiento paralelo de la nube. Esencialmente, a cada artículo del inventario se le asigna su propia computadora para usar en los cálculos, de modo que todos esos cálculos puedan ocurrir simultáneamente en lugar de secuencialmente. Ahora podemos soltarnos y realmente brindarle los resultados que necesita.

Aprendiendo más

Aquellos interesados en más detalles técnicos y referencias pueden encontrar más información aquí.

¿Qué constituye un pronóstico probabilístico?

Pronóstico Probabilístico y Demanda Intermitente

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∙b^t), 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.

​

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.

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.

Belmont, MA, junio de 2023 – Smart Software, Inc., proveedor de soluciones de optimización de inventario, planificación y pronóstico de la demanda líderes en la industria, anunció hoy la concesión de la patente estadounidense 11,656,887, “SISTEMA Y MÉTODO PARA SIMULAR LA DEMANDA Y OPTIMIZAR LOS PARÁMETROS DE CONTROL PARA UNA PLATAFORMA TECNOLÓGICA”.

La patente dirige “soluciones técnicas para analizar datos históricos de demanda de recursos en una plataforma tecnológica para facilitar la gestión de un proceso automatizado en la plataforma”. Una aplicación importante es la optimización de los inventarios de piezas.

Los aspectos de la invención incluyen: un proceso de arranque avanzado que convierte una única serie temporal observada de demanda de artículos en un número ilimitado de escenarios de demanda realistas; a proceso de predicción del rendimiento que ejecuta simulaciones Monte Carlo de una política de control de inventario propuesta para evaluar su desempeño; y un proceso de mejora del desempeño que utiliza el proceso de predicción del rendimiento para explorar automáticamente el espacio de diseños de sistemas alternativos para identificar valores óptimos de los parámetros de control, seleccionando aquellos que minimicen el costo operativo y al mismo tiempo garanticen un nivel objetivo de disponibilidad del artículo.

La nueva tecnología analítica descrita en la patente formará la base para el próximo lanzamiento de la próxima generación ("Gen2") de Planificador de demanda inteligente™ y Smart IP&O™. Los clientes y revendedores actuales pueden obtener una vista previa de Gen2 comunicándose con su representante de ventas de Smart Software.

La investigación subyacente a la patente fue autofinanciada por Smart, complementada con subvenciones competitivas para investigación de innovación en pequeñas empresas de la Fundación Nacional de Ciencias de EE. UU.

Acerca de Smart Software, Inc.
Founded in 1981, Smart Software, Inc. is a leader in providing businesses with enterprise-wide demand forecasting, planning, and inventory optimization solutions.  Smart Software’s demand forecasting and inventory optimization solutions have helped thousands of users worldwide, including customers such as Disney, Arizona Public Service, Ameren, and The American Red Cross.  Smart’s Inventory Planning & Optimization Platform, Smart IP&O gives demand planners the tools to handle sales seasonality, promotions, new and aging products, multi-dimensional hierarchies, and intermittently demanded service parts and capital goods items.  It also provides inventory managers with accurate estimates of the optimal inventory and safety stock required to meet future orders and achieve desired service levels.  Smart Software is headquartered in Belmont, Massachusetts, and our website is www.smartcorp.com.