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

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

Contabilidad indirecta del tiempo

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

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

Contabilidad directa del clima

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

Mientras tanto, no olvides tu paraguas.

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.

¿Qué es todo el alboroto en torno al término "pronóstico probabilístico"? ¿Es solo un término de marketing más reciente que algunos proveedores de software y consultores han acuñado para fingir innovación? ¿Hay alguna diferencia tangible real en comparación con las técnicas anteriores de "mejor ajuste"? ¿No son todos los pronósticos probabilísticos de todos modos?

Para responder a esta pregunta, es útil pensar en lo que realmente le dice el pronóstico en términos de probabilidades. Un pronóstico "bueno" debe ser imparcial y, por lo tanto, arrojar una probabilidad de 50/50 de ser mayor o menor que el real. Un pronóstico "malo" generará amortiguadores subjetivos (o deprimirá artificialmente el pronóstico) y dará como resultado una demanda sesgada hacia arriba o hacia abajo. Considere a un vendedor que reduce intencionalmente su pronóstico al no informar las ventas que espera cerrar para ser "conservador". Sus pronósticos tendrán un sesgo de pronóstico negativo ya que los datos reales casi siempre serán más altos de lo que predijeron. Por otro lado, considere un cliente que proporciona un pronóstico inflado a su fabricante. Preocupados por los desabastecimientos, sobrestiman la demanda para asegurar su suministro. Su pronóstico tendrá un sesgo positivo ya que los datos reales casi siempre serán más bajos de lo que predijeron. 

Estos tipos de pronósticos de un número descritos anteriormente son problemáticos. Nos referimos a estas predicciones como "pronósticos puntuales", ya que representan un punto (o una serie de puntos a lo largo del tiempo) en un gráfico de lo que podría suceder en el futuro. No brindan una imagen completa porque para tomar decisiones comerciales efectivas, como determinar cuánto inventario almacenar o la cantidad de empleados disponibles para respaldar la demanda, se requiere información detallada sobre cuánto más bajo o más alto será el real. En otras palabras, necesita las probabilidades de cada posible resultado que podría ocurrir. Entonces, por sí mismo, el pronóstico puntual no es probabilístico.   

Para obtener un pronóstico probabilístico, debe conocer la distribución de las posibles demandas en torno a ese pronóstico. Una vez que calcula esto, el pronóstico se convierte en "probabilidad". La forma en que los sistemas de pronóstico y los profesionales, como planificadores de demanda, analistas de inventario, gerentes de materiales y directores financieros, determinan estas probabilidades es el núcleo de la pregunta: "¿qué hace que un pronóstico sea probabilístico?"     

Distribuciones normales
La mayoría de los pronósticos y los sistemas/software que los producen comienzan con una predicción de la demanda. Luego, calculan el rango de posibles demandas en torno a ese pronóstico al hacer suposiciones teóricas incorrectas sobre la distribución. Si alguna vez usó un "intervalo de confianza" en su software de pronóstico, esto se basa en una distribución de probabilidad alrededor del pronóstico. La forma en que se determina este rango de demanda es asumiendo un tipo particular de distribución. La mayoría de las veces esto significa asumir una forma de campana, también conocida como distribución normal. Cuando la demanda es intermitente, algunos sistemas de optimización de inventario y previsión de la demanda pueden suponer que la demanda tiene forma de Poisson. 

Después de crear el pronóstico, la distribución supuesta se aplica alrededor del pronóstico de demanda y luego tiene su estimación de probabilidades para cada demanda posible, es decir, un "pronóstico probabilístico". Estas estimaciones de la demanda y las probabilidades asociadas se pueden usar para determinar valores extremos o cualquier valor intermedio si se desea. Los valores extremos en los percentiles superiores de la distribución (es decir, 92%, 95%, 99%, etc.) se utilizan con mayor frecuencia como entradas para los modelos de control de inventario. Por ejemplo, los puntos de pedido de piezas de repuesto críticas en una empresa de servicios eléctricos pueden planificarse en función de un nivel de servicio de 99,51 TP3T o incluso superior. Mientras que una pieza de servicio no crítica podría planificarse en un nivel de servicio 85% o 90%.

El problema de hacer suposiciones sobre la distribución es que estas probabilidades se equivocarán. Por ejemplo, si la demanda no se distribuye normalmente pero está forzando una curva normal/en forma de campana en el pronóstico, entonces, ¿cómo es posible que las probabilidades sean incorrectas? Específicamente, es posible que desee saber el nivel de inventario necesario para lograr una probabilidad 99% de no quedarse sin existencias y la distribución normal le indicará que almacene 200 unidades. Pero cuando se compara con la demanda real, descubre que 200 unidades solo llenaron la demanda por completo en 40/50 observaciones. Entonces, en lugar de obtener un nivel de servicio 99%, ¡solo logró un nivel de servicio 80%! Esta es una falla gigantesca que resulta de intentar encajar una clavija cuadrada en un agujero redondo. El error lo habría llevado a tomar una reducción de inventario incorrecta.

Las distribuciones estimadas empíricamente son inteligentes
Para producir un pronóstico probabilístico inteligente (lectura precisa), primero debe estimar la distribución de la demanda empíricamente sin suposiciones ingenuas sobre la forma de la distribución. Smart Software hace esto mediante la ejecución de decenas de miles de escenarios simulados de demanda y tiempo de entrega. Nuestra solución aprovecha técnicas patentadas que incorporan simulación Monte Carlo, Bootstrapping estadístico y otros métodos. Los escenarios están diseñados para simular la incertidumbre y la aleatoriedad de la vida real tanto de la demanda como de los plazos de entrega. Las observaciones históricas reales se utilizan como entradas principales, pero la solución también le dará la opción de simular a partir de valores no observados. Por ejemplo, el hecho de que 100 unidades hayan sido la demanda histórica máxima no significa que esté garantizado alcanzar un máximo de 100 en el futuro. Después de terminar los escenarios, sabrá la probabilidad exacta de cada resultado. El pronóstico “puntual” se convierte entonces en el centro de esa distribución. Cada período futuro a lo largo del tiempo se expresa en términos de la distribución de probabilidad asociada con ese período.

Líderes en Pronóstico Probabilístico
Smart Software, Inc. fue la primera empresa en introducir el arranque estadístico como parte de un sistema de software de pronóstico de demanda disponible comercialmente hace veinte años. En ese momento se nos otorgó una patente de EE. UU. y se nos nombró finalista en los Premios a la Excelencia Corporativa APICS para la Innovación Tecnológica. Nuestro Investigación patrocinada por la NSF que condujo a este y otros descubrimientos fueron fundamentales para avanzar en la previsión y la optimización del inventario. Estamos comprometidos con la innovación continua, y usted puede encuentre más información sobre nuestra patente más reciente aquí.

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.