La precisión del pronóstico es una métrica clave para juzgar la calidad de su proceso de planificación de la demanda. (No es el único. Otros incluyen oportunidad y costo; Ver 5 consejos de planificación de la demanda para calcular la incertidumbre del pronóstico.) Una vez que tenga los pronósticos, hay varias formas de resumir su precisión, generalmente designados por acrónimos oscuros de tres o cuatro letras como MAPE, RMSE y MAE. Ver Cuatro formas útiles de medir el error de pronóstico para más detalles.

Un tema menos discutido pero más fundamental es cómo se organizan los experimentos computacionales para calcular el error de pronóstico. Esta publicación compara los tres diseños experimentales más importantes. Uno de ellos es de la vieja escuela y esencialmente equivale a hacer trampa. Otro es el patrón oro. Un tercero es un recurso útil que imita el patrón oro y se considera mejor como una predicción de cómo resultará el patrón oro. La figura 1 es una vista esquemática de los tres métodos.

Figura 1: Tres formas de evaluar el error de pronóstico

El panel superior de la Figura 1 muestra la forma en que se evaluó el error de pronóstico a principios de la década de 1980 antes de que moviéramos el estado del arte al esquema que se muestra en el panel central. En los viejos tiempos, los pronósticos se evaluaban con los mismos datos que se usaban para calcular los pronósticos. Después de ajustar un modelo a los datos, los errores calculados no eran para los pronósticos del modelo sino para el modelo. encaja. La diferencia es que los pronósticos son para valores futuros, mientras que los ajustes son para valores concurrentes. Por ejemplo, suponga que el modelo de pronóstico es un promedio móvil simple de las tres observaciones más recientes. En el momento 3, el modelo calcula el promedio de las observaciones 1, 2 y 3. Este promedio luego se compararía con el valor observado en el momento 3. Llamamos a esto hacer trampa porque el valor observado en el momento 3 obtuvo un voto sobre el pronóstico. debería ser en el momento 3. Una evaluación de pronóstico real compararía el promedio de las primeras tres observaciones con el valor del próximo, cuarto, observación. De lo contrario, el pronosticador se queda con una evaluación demasiado optimista de la precisión del pronóstico.

El panel inferior de la Figura 1 muestra la mejor manera de evaluar la precisión del pronóstico. En este esquema, todos los datos históricos de demanda se utilizan para ajustar un modelo, que luego se utiliza para pronosticar valores de demanda futuros desconocidos. Eventualmente, el futuro se desarrolla, los verdaderos valores futuros se revelan y se pueden calcular los errores de pronóstico reales. Este es el estándar de oro. Esta información completa el informe de "pronósticos versus datos reales" en nuestro software.

El panel central representa una medida intermedia útil. El problema con el patrón oro es que debe esperar para saber qué tan bien funcionan los métodos de pronóstico elegidos. Este retraso no ayuda cuando se requiere elegir, en el momento, qué método de pronóstico usar para cada artículo. Tampoco proporciona una estimación oportuna de la incertidumbre del pronóstico que experimentará, lo cual es importante para la gestión de riesgos, como la cobertura del pronóstico. El camino intermedio se basa en el análisis de exclusión, que excluye (“excluye”) las observaciones más recientes y le pide al método de pronóstico que haga su trabajo sin conocer esas verdades fundamentales. Luego, los pronósticos basados en el historial de demanda abreviado se pueden comparar con los valores reales retenidos para obtener una evaluación honesta del error de pronóstico.

¿Qué hace cuando pronostica un artículo con demanda intermitente, como una pieza de repuesto, con una demanda promedio de menos de una unidad por mes? La mayor parte del tiempo la demanda es cero, pero la parte es significativa en un sentido comercial; no se puede ignorar y se debe pronosticar para asegurarse de tener el stock adecuado.

Tus elecciones tienden a centrarse en algunas opciones:

Opción 1: Redondea a 1 cada mes, por lo que tu pronóstico anual es 12.

Opción 2: Redondee a 0 cada mes, de modo que su pronóstico anual sea 0.

Opción 3: método de pronóstico "igual que el mismo mes del año pasado" para que el pronóstico coincida con el real del año pasado.

Hay desventajas obvias para cada opción y no mucha ventaja para ninguna de ellas. La opción 1 a menudo resulta en un sobre pronóstico significativo. La opción 2 a menudo da como resultado una previsión significativamente inferior a la esperada. La opción 3 da como resultado un pronóstico que casi garantiza que perderá significativamente el real, ya que no es probable que la demanda aumente exactamente en el mismo período. Si DEBE pronosticar el artículo, normalmente recomendaríamos la opción 3, ya que es la respuesta más probable que el resto de la empresa entendería. 

Pero una mejor manera es no pronosticarlo en absoluto en el sentido habitual y, en su lugar, utilizar un "punto de reorden predictivo" relacionado con el nivel de servicio deseado. Para calcular un punto de reorden predictivo, puede usar el algoritmo de arranque de Markov patentado de Smart Software para simular todas las demandas posibles que podrían ocurrir durante el tiempo de entrega, luego identifique el punto de reorden que producirá su nivel de servicio objetivo.

Luego, puede configurar su sistema ERP para pedir más cuando el inventario disponible supere el punto de reorden en lugar de cuando se pronostique que llegará a cero (o cualquier reserva de existencias de seguridad que se ingrese). 

Esto hace que los pedidos tengan más sentido común sin las suposiciones innecesarias que se requieren para pronosticar una pieza de bajo volumen demandada intermitentemente.

“A pesar de lo que has visto en tus caricaturas de los sábados por la mañana, los elefantes no pueden saltar, y hay una razón simple: no tienen que hacerlo. La mayoría de los animales nerviosos (canguros, monos y ranas) lo hacen principalmente para alejarse de los depredadores”. — Patrick Monahan, Science.org, 27 de enero de 2016.

Ahora sabe por qué las empresas de ERP más grandes no pueden desarrollar las mejores soluciones de alta calidad. Nunca tuvieron que hacerlo, por lo que nunca evolucionaron para innovar fuera de su enfoque principal. 

Sin embargo, a medida que los sistemas ERP se convirtieron en productos básicos, las brechas en su funcionalidad se volvieron imposibles de ignorar. Los jugadores más grandes buscaron proteger su parte de la cartera de los clientes prometiendo desarrollar aplicaciones complementarias innovadoras para llenar todos los espacios en blanco. Pero sin ese “músculo de la innovación”, muchos proyectos fracasaron y se acumularon montañas de deuda técnica.

Las mejores empresas de su clase evolucionaron para innovar y tener una profunda experiencia funcional en verticales específicos. El resultado es que los mejores complementos de ERP son más fáciles de usar, tienen más funciones y ofrecen más valor que los módulos de ERP nativos que reemplazan. 

Si su proveedor de ERP ya se ha asociado con un innovador proveedor de complementos*, ¡ya está listo! Pero si solo puede obtener lo básico de su ERP, opte por un complemento de primera clase que tenga una integración personalizada con el ERP. 

Un excelente lugar para comenzar su búsqueda es buscar complementos de planificación de la demanda de ERP que agreguen inteligencia a la fuerza del ERP, es decir, aquellos que respaldan la optimización del inventario y la previsión de la demanda. Aproveche las herramientas complementarias como las aplicaciones de pronóstico estadístico, planificación de la demanda y optimización de inventario de Smart para desarrollar pronósticos y políticas de almacenamiento que se retroalimentan al sistema ERP para impulsar los pedidos diarios. 

*Las tiendas de aplicaciones son una licencia para que lo mejor de su clase venda en la base de empresas de ERP, siendo sociedades cotizadas.

Si últimamente tenías la cabeza en alto, es posible que hayas notado alguna locura adicional fuera de la cancha de baloncesto: el fracaso del Silicon Valley Bank. Aquellos de nosotros en el mundo de la cadena de suministro tal vez hayamos descartado la quiebra del banco como un problema de otra persona, pero ese lamentable episodio también contiene una gran lección para nosotros: la importancia de hacer bien las pruebas de estrés.

Él El Correo de Washington Recientemente se publicó un artículo de opinión de Natasha Sarin llamado “Los reguladores se perdieron los problemas de Silicon Valley Bank durante meses. Este es el por qué." Sarin describió las fallas en el régimen de pruebas de estrés impuesto al banco por la Reserva Federal. Un problema es que las pruebas de estrés son demasiado estáticas. El factor de estrés de la Fed para el crecimiento del PIB nominal fue un escenario único que enumeraba valores supuestos durante los próximos 13 trimestres (ver Figura 1). Esas 13 proyecciones trimestrales pueden ser la opinión consensuada de alguien sobre cómo se vería un mal día para el cabello, pero esa no es la única forma en que podrían desarrollarse las cosas. Como sociedad, se nos enseña a apreciar una mejor manera de mostrar las contingencias cada vez que el Servicio Meteorológico Nacional nos muestra las trayectorias proyectadas de los huracanes (consulte la Figura 2). Cada escenario representado por una línea de color diferente muestra una posible trayectoria de tormenta, y las líneas concentradas representan la más probable. Al exponer las rutas de menor probabilidad, se mejora la planificación de riesgos.

Al realizar pruebas de estrés en la cadena de suministro, necesitamos escenarios realistas de posibles demandas futuras que podrían ocurrir, incluso demandas extremas. Smart proporciona esto en nuestro software (con mejoras considerables en nuestros métodos Gen2). El software genera una gran cantidad de escenarios de demanda creíbles, suficientes para exponer el alcance completo de los riesgos (consulte la Figura 3). Las pruebas de estrés tienen que ver con la generación de cantidades masivas de escenarios de planificación, y los métodos probabilísticos de Smart son una desviación radical de las aplicaciones S&OP deterministas anteriores, ya que se basan completamente en escenarios.

La otra falla en las pruebas de estrés de la Fed fue que fueron diseñadas con meses de anticipación pero nunca actualizadas para las condiciones cambiantes. Los planificadores de la demanda y los gerentes de inventario aprecian intuitivamente que las variables clave como la demanda de artículos y el tiempo de entrega del proveedor no solo son muy aleatorias, incluso cuando las cosas son estables, sino que también están sujetas a cambios abruptos que deberían requerir una reescritura rápida de los escenarios de planificación (consulte la Figura 4, donde la demanda promedio salta dramáticamente entre las observaciones 19 y 20). Los productos Gen2 de Smart incluyen nueva tecnología para detectar tales "cambios de régimen” y cambiando automáticamente los escenarios en consecuencia.

Los bancos se ven obligados a someterse a pruebas de estrés, por muy defectuosas que sean, para proteger a sus depositantes. Los profesionales de la cadena de suministro ahora tienen una manera de proteger sus cadenas de suministro mediante el uso de un software moderno para realizar pruebas de estrés de sus planes de demanda y decisiones de gestión de inventario.

Figura 1: Escenarios utilizados por la Fed para hacer pruebas de estrés a los bancos.

Figura 2: Escenarios utilizados por el Servicio Meteorológico Nacional para predecir las trayectorias de los huracanes

Figura 3: Escenarios de demanda del tipo generado por Smart Demand Planner

Figura 4: Ejemplo de cambio de régimen en la demanda del producto después de la observación #19