La perspectiva de Feynman ilumina nuestro viaje: “En sus esfuerzos por aprender todo lo posible sobre la naturaleza, la física moderna ha descubierto que ciertas cosas nunca pueden “saberse” con certeza. Gran parte de nuestro conocimiento debe permanecer siempre incierto. Lo máximo que podemos saber es en términos de probabilidades”. - Richard Feynman, Las conferencias Feynman sobre física.

Cuando intentamos comprender el complejo mundo de la logística, la aleatoriedad juega un papel fundamental. Esto introduce una paradoja interesante: en una realidad donde se valoran la precisión y la certeza, ¿podría la naturaleza impredecible de la oferta y la demanda servir realmente como un aliado estratégico?

La búsqueda de pronósticos precisos no es sólo un ejercicio académico; es un componente crítico del éxito operativo en numerosas industrias. Para los planificadores de la demanda que deben anticipar la demanda de un producto, las ramificaciones de hacerlo bien (o mal) son fundamentales. Por lo tanto, reconocer y aprovechar el poder de la aleatoriedad no es simplemente un ejercicio teórico; es una necesidad de resiliencia y adaptabilidad en un entorno en constante cambio.

Aceptando la incertidumbre: métodos dinámicos, estocásticos y de Monte Carlo

Modelado dinámico: la búsqueda de una precisión absoluta en los pronósticos ignora la imprevisibilidad intrínseca del mundo. Los métodos de pronóstico tradicionales, con sus marcos rígidos, no logran adaptarse al dinamismo de los fenómenos del mundo real. Al aceptar la incertidumbre, podemos girar hacia modelos más ágiles y dinámicos que incorporen la aleatoriedad como componente fundamental. A diferencia de sus rígidos predecesores, estos modelos están diseñados para evolucionar en respuesta a nuevos datos, garantizando resiliencia y adaptabilidad. Este cambio de paradigma de un enfoque determinista a uno probabilístico permite a las organizaciones navegar la incertidumbre con mayor confianza, tomando decisiones informadas incluso en entornos volátiles.

Los modelos estocásticos guían a los pronosticadores a través de la niebla de la imprevisibilidad con los principios de probabilidad. Lejos de intentar eliminar la aleatoriedad, los modelos estocásticos la adoptan. Estos modelos evitan la noción de un futuro singular y predeterminado, presentando en cambio una serie de resultados posibles, cada uno con su probabilidad estimada. Este enfoque ofrece una representación más matizada y realista del futuro, reconociendo la variabilidad inherente de los sistemas y procesos. Al trazar un espectro de futuros potenciales, el modelado estocástico proporciona a quienes toman decisiones una comprensión integral de la incertidumbre, lo que permite una planificación estratégica informada y flexible.

Las simulaciones de Monte Carlo, que llevan el nombre del centro histórico del azar y la fortuna, aprovechan el poder de la aleatoriedad para explorar el vasto panorama de posibles resultados. Esta técnica implica la generación de miles, si no millones, de escenarios a través de un muestreo aleatorio, cada escenario pinta una imagen diferente del futuro basada en las incertidumbres inherentes del mundo real. Los tomadores de decisiones, armados con conocimientos de las simulaciones de Monte Carlo, pueden medir el rango de posibles impactos de sus decisiones, lo que la convierte en una herramienta invaluable para la evaluación de riesgos y la planificación estratégica en entornos inciertos.

Éxitos del mundo real: aprovechar la aleatoriedad

La estrategia de integrar la aleatoriedad en los pronósticos ha demostrado ser invaluable en diversos sectores. Por ejemplo, las principales empresas de inversión y bancos dependen constantemente de modelos estocásticos para hacer frente al comportamiento volátil del mercado de valores. Un ejemplo notable es cómo los fondos de cobertura emplean estos modelos para predecir los movimientos de precios y gestionar el riesgo, lo que lleva a opciones de inversión más estratégicas.

De manera similar, en la gestión de la cadena de suministro, muchas empresas confían en las simulaciones de Monte Carlo para abordar la imprevisibilidad de la demanda, especialmente durante las temporadas altas como las vacaciones. Al simular varios escenarios, pueden prepararse para una variedad de resultados, asegurándose de tener niveles de existencias adecuados sin comprometer demasiado los recursos. Este enfoque minimiza el riesgo de desabastecimiento y exceso de inventario.

Estos éxitos del mundo real resaltan el valor de integrar la aleatoriedad en los esfuerzos de pronóstico. Lejos de ser el adversario que a menudo se percibe, la aleatoriedad emerge como un aliado indispensable en el intrincado ballet de la previsión. Al adoptar métodos que respetan la incertidumbre inherente del futuro (reforzados por herramientas avanzadas como Smart IP&O), las organizaciones pueden navegar lo impredecible con confianza y agilidad. Por lo tanto, en el gran esquema de la previsión, puede ser prudente abrazar la noción de que, si bien no podemos controlar la tirada de los dados, ciertamente podemos elaborar estrategias en torno a ella.

Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información.

La precisión se representa como un porcentaje entre cero y 100, mientras que los porcentajes de error comienzan en cero pero no tienen límite superior. Los informes de MAPE (error porcentual absoluto medio) u otras métricas de error pueden denominarse informes de “precisión del pronóstico”, lo que desdibuja la distinción. Por lo tanto, es posible que desee saber cómo pasar del punto de vista del error al punto de vista de la precisión que defiende su empresa. Este blog describe cómo con algunos ejemplos.

Las métricas de precisión se calculan de manera que cuando lo real es igual al pronóstico, la precisión es 100% y cuando el pronóstico es el doble o la mitad de lo real, entonces la precisión es 0%. Los informes que comparan el pronóstico con el real a menudo incluyen lo siguiente:

• El actual
• La previsión
• Error unitario = Pronóstico – Real
• Error absoluto = Valor absoluto del error unitario
• Error absoluto % = Error Abs / Real, como %
• Precisión % = 100% – Error absoluto %

Mire un par de ejemplos que ilustran la diferencia en los enfoques. Digamos que Real = 8 y el pronóstico es 10.

El error de unidad es 10 – 8 = 2

Error absoluto de % = 2/8, como % = 0,25 * 100 = 25%

Precisión = 100% – 25% = 75%.

Ahora digamos que el real es 8 y el pronóstico es 24.

El error de unidad es 24– 8 = 16

Error absoluto de % = 16/8 como % = 2 * 100 = 200%

Precisión = 100% – 200% = negativo se establece en 0%.

En el primer ejemplo, las mediciones de precisión proporcionan la misma información que las mediciones de error, ya que el pronóstico y lo real ya están relativamente cerca. Pero cuando el error es más del doble del real, las mediciones de precisión llegan a cero. Indica correctamente que el pronóstico no era del todo exacto. Pero el segundo ejemplo es más preciso que el tercero, donde el valor real es 8 y el pronóstico es 200. Esa es una distinción que un rango de precisión de 0 a 100% no registra. En este último ejemplo:

El error de unidad es 200 – 8 = 192

Error absoluto de % = 192/8, como % = 24 * 100 = 2,400%

Precisión = 100% – 2,400% = negativo se establece en 0%.

Las métricas de error continúan proporcionando información sobre qué tan lejos está el pronóstico de lo real y posiblemente representan mejor la precisión del pronóstico.

Alentamos a adoptar el punto de vista del error. Simplemente espera que un pequeño porcentaje de error indique que el pronóstico no estuvo lejos de lo real, en lugar de esperar un gran porcentaje de precisión para indicar que el pronóstico estuvo cerca de lo real. Este cambio de mentalidad ofrece los mismos conocimientos y al mismo tiempo elimina las distorsiones.

La previsión automática es la característica más popular y más utilizada de SmartForecasts y Smart Demand Planner. Crear pronósticos automáticos es fácil. Pero, la simplicidad del Pronóstico Automático enmascara una poderosa interacción de varios métodos altamente efectivos de pronóstico. En este blog, discutimos parte de la teoría detrás de esta característica principal. Nos enfocamos en el pronóstico automático, en parte debido a su popularidad y en parte porque muchos otros métodos de pronóstico producen resultados similares. El conocimiento de la previsión automática se traslada inmediatamente a la media móvil simple, la media móvil lineal, el suavizado exponencial único, el suavizado exponencial doble, el suavizado exponencial de Winters y la previsión promocional.

Torneo de pronóstico

El pronóstico automático funciona mediante la realización de un torneo entre un conjunto de métodos competitivos. Debido a que las computadoras personales y la computación en la nube son rápidas, y debido a que hemos codificado algoritmos muy eficientes en el motor de pronóstico automático de SmartForecasts, es práctico adoptar un enfoque puramente empírico para decidir qué método de pronóstico extrapolativo usar. Esto significa que puede darse el lujo de probar una serie de enfoques y luego quedarse con el que mejor pronostique la serie de datos particular en cuestión. SmartForecasts automatiza completamente este proceso al probar los diferentes métodos de pronóstico en un torneo de pronóstico simulado. El ganador del torneo es el método que más se acerca a predecir nuevos valores de datos a partir de los antiguos. La precisión se mide por el error absoluto promedio (es decir, el error promedio, ignorando cualquier signo menos). El promedio se calcula sobre un conjunto de pronósticos, cada uno de los cuales utiliza una parte de los datos, en un proceso conocido como simulación deslizante.

Simulación deslizante

La simulación deslizante recorre repetidamente porciones cada vez más largas de los datos históricos, en cada caso pronosticando con anticipación el número deseado de períodos en su horizonte de pronóstico. Suponga que hay 36 valores de datos históricos y necesita pronosticar seis períodos por delante. Imagine que desea evaluar la precisión del pronóstico de algún método en particular, digamos un promedio móvil de cuatro observaciones, en la serie de datos en cuestión.

En un punto de la simulación deslizante, los primeros 24 puntos (solo) se utilizan para pronosticar los valores de datos históricos del 25 al 30, que consideramos temporalmente como desconocidos. Decimos que los puntos 25-30 están “retenidos” del análisis. Calcular los valores absolutos de las diferencias entre los seis pronósticos y los valores históricos reales correspondientes proporciona una instancia de cada pronóstico absoluto de 1 paso, 2 pasos, 3 pasos, 4 pasos, 5 pasos y 6 pasos. error. Repetir este proceso usando los primeros 25 puntos proporciona más instancias de errores de 1 paso, 2 pasos, 3 pasos adelante, etc. El promedio de todas las estimaciones de error absoluto obtenidas de esta manera proporciona un resumen de precisión de un solo número.

Métodos utilizados en la previsión automática

Normalmente, hay seis métodos de pronóstico extrapolativo que compiten en el torneo de pronóstico automático:

• media móvil simple
• Media móvil lineal
• Suavizado exponencial simple
• Suavizado exponencial doble
• Versión aditiva del suavizado exponencial de Winters
• Versión multiplicativa del suavizado exponencial de Winters

Los dos últimos métodos son apropiados para series estacionales; sin embargo, se excluyen automáticamente del torneo si hay menos de dos ciclos estacionales completos de datos (por ejemplo, menos de 24 períodos de datos mensuales u ocho períodos de datos trimestrales).

Estos seis métodos clásicos basados en el suavizado han demostrado ser fáciles de entender, fáciles de calcular y precisos. Puede excluir cualquiera de estos métodos del torneo si tiene preferencia por algunos de los competidores y no por otros.

1. Pronosticar es un arte que requiere una combinación de juicio profesional y análisis estadístico objetivo. Los pronósticos de demanda exitosos requieren una predicción de referencia que aproveche los métodos de pronóstico estadístico. Una vez establecido, el proceso puede centrarse en la mejor manera de ajustar los pronósticos estadísticos en función de sus propios conocimientos y conocimientos comerciales.

2. El proceso de pronóstico suele ser iterativo. Es posible que deba realizar varios ajustes a su pronóstico inicial antes de estar satisfecho. Es importante poder generar y comparar pronósticos alternativos de forma rápida y sencilla. El seguimiento de la precisión de estos pronósticos a lo largo del tiempo, incluidas las alternativas que no se utilizaron, ayuda a informar y mejorar el proceso.

3. La credibilidad de los pronósticos depende en gran medida de las comparaciones gráficas con datos históricos. Una imagen vale más que mil palabras, por lo tanto, muestre siempre los pronósticos a través de pantallas gráficas disponibles al instante con informes numéricos de apoyo.

4. Una de las principales tareas técnicas en el pronóstico es hacer coincidir la elección de la técnica de pronóstico con la naturaleza de los datos. Los procesos efectivos de previsión de la demanda emplean capacidades que identifican el método correcto a utilizar. Las características de una serie de datos como tendencia, estacionalidad o cambios abruptos en el nivel sugieren ciertas técnicas en lugar de otras. Una selección automática, que selecciona y utiliza automáticamente el método de previsión adecuado, ahorra tiempo y garantiza que su previsión de referencia sea lo más precisa posible.

5. Los procesos exitosos de pronóstico de la demanda funcionan en conjunto con otros procesos comerciales. Por ejemplo, la previsión puede ser un primer paso esencial en el análisis financiero. Además, las previsiones precisas de demanda de productos y ventas son entradas fundamentales para los procesos de control de inventario y planificación de la producción de una empresa de fabricación.

6. Un buen proceso de planificación reconoce que los pronósticos nunca son exactamente correctos. Debido a que algunos errores se infiltran incluso en el mejor proceso de pronóstico, uno de los complementos más útiles para un pronóstico son las estimaciones honestas de su margen de error y sesgo de pronóstico.

¿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.