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.

Recientemente nos reunimos con el equipo de TI de uno de nuestros clientes para analizar los requisitos de datos y la instalación de nuestra integración basada en API que extraería datos de la instalación local de su sistema ERP. Tanto el gerente de TI como el analista expresaron una gran preocupación por proporcionar estos datos y cuestionaron seriamente por qué era necesario proporcionarlos. Incluso expresaron su preocupación de que sus datos pudieran ser revendidos a su competencia. Su reacción fue una gran sorpresa para nosotros. Escribimos este blog pensando en ellos y para que sea más fácil para otros comunicar por qué ciertos datos son necesarios para respaldar un proceso de planificación de la demanda eficaz. 

Tenga en cuenta que si es analista de pronósticos, planificador de demanda o profesional de la cadena de suministro, la mayor parte de lo que leerá a continuación será obvio. Pero lo que esta reunión me enseñó es que lo que es obvio para un grupo de especialistas no será obvio para otro grupo de especialistas en un campo completamente diferente. 

Los cuatro tipos principales de datos que se necesitan son:  

1. Transacciones históricas, como órdenes de venta y envíos.
2. transacciones de uso de trabajo, como qué componentes se necesitan para producir productos terminados
3. Transacciones de transferencia de inventario, como qué inventario se envió de un lugar a otro.
4. Precios, costos y atributos, como el costo unitario pagado al proveedor, el precio unitario pagado por el cliente y varios metadatos como la familia de productos, la clase, etc.  

A continuación, se incluye una breve explicación de por qué se necesitan estos datos para respaldar la implementación del software de planificación de la demanda de una empresa.

Registros transaccionales de ventas históricas y envíos por cliente
Piense en lo que se extrajo del inventario como la "materia prima" requerida por el software de planificación de la demanda. Esto puede ser lo que se vendió a quién y cuándo o lo que envió a quién y cuándo. O qué materias primas o subensamblajes se consumieron en las órdenes de trabajo y cuándo. O qué se suministra a un almacén satélite desde un centro de distribución y cuándo.

El software analiza el historial de estas transacciones y lo utiliza para producir pronósticos estadísticos que extrapolan los patrones observados. Los datos se evalúan para descubrir patrones como tendencia, estacionalidad, patrones cíclicos e identificar posibles valores atípicos que requieren atención comercial. Si estos datos no son generalmente accesibles o no se actualizan en intervalos irregulares, entonces es casi imposible crear una buena predicción de la demanda futura. Sí, podría usar el conocimiento comercial o la intuición, pero eso no escala y casi siempre introduce un sesgo en el pronóstico (es decir, pronostica constantemente demasiado alto o demasiado bajo). 

Se necesitan datos a nivel transaccional para respaldar pronósticos más detallados a nivel semanal o incluso diario. Por ejemplo, cuando una empresa entra en su temporada alta, es posible que desee comenzar a realizar pronósticos semanales para alinear mejor la producción con la demanda. No puede hacerlo fácilmente sin tener los datos transaccionales en un almacén de datos bien estructurado. 

También podría darse el caso de que ciertos tipos de transacciones no deban incluirse en los datos de demanda. Esto puede suceder cuando la demanda resulta de un gran descuento o alguna otra circunstancia que el equipo de la cadena de suministro sabe que sesgará los resultados. Si los datos se proporcionan en conjunto, es mucho más difícil segregar estas excepciones. En Smart Software, llamamos al proceso de averiguar qué transacciones (y los atributos transaccionales asociados) deben contarse en la señal de demanda como "composición de la señal de demanda". Tener acceso a todas las transacciones permite a una empresa modificar su señal de demanda según sea necesario a lo largo del tiempo dentro del software. Solo proporcionar algunos de los datos da como resultado una composición de demanda mucho más rígida que solo puede remediarse con trabajo de implementación adicional.

Precios y Costos
El precio por el que vendió sus productos y el costo que pagó para adquirirlos (o materias primas) es fundamental para poder pronosticar los ingresos o los costos. Una parte importante del proceso de planificación de la demanda es obtener conocimiento comercial de los clientes y los equipos de ventas. Los equipos de ventas tienden a pensar en la demanda por categoría de producto o cliente y hablan el lenguaje de los dólares. Por lo tanto, es importante expresar un pronóstico en dólares. El sistema de planificación de la demanda no puede hacer eso si el pronóstico se muestra solo en unidades. 

A menudo, la previsión de la demanda se utiliza para impulsar o al menos influir en un proceso de planificación y elaboración de presupuestos más amplio y la entrada clave para un presupuesto es una previsión de ingresos. Cuando se utilizan pronósticos de demanda para respaldar el proceso de ventas y operaciones, el software de planificación de la demanda debe promediar el precio de todas las transacciones o aplicar conversiones "por fases" que consideren el precio vendido en ese momento. Sin los datos sin procesar sobre precios y costos, el proceso de planificación de la demanda aún puede funcionar, pero se verá gravemente afectado. 

Atributos del producto, detalles del cliente y ubicaciones
Los atributos del producto son necesarios para que los pronosticadores puedan agregar pronósticos a través de diferentes familias de productos, grupos, códigos de productos básicos, etc. Es útil saber cuántas unidades y la demanda dolarizada total proyectada para las diferentes categorías. A menudo, el conocimiento comercial sobre cuál podría ser la demanda en el futuro no se conoce a nivel de producto, pero se conoce a nivel de familia de productos, nivel de cliente o nivel regional. Con la adición de atributos de producto a su feed de datos de planificación de la demanda, puede "resumir" fácilmente los pronósticos desde el nivel de artículo hasta el nivel de familia. Puede convertir pronósticos en estos niveles a dólares y colaborar mejor sobre cómo se debe modificar el pronóstico.  

Una vez que se aplica el conocimiento en forma de anulación de pronóstico, el software conciliará automáticamente el cambio con todos los elementos individuales que componen el grupo. De esta forma, un analista de pronósticos no tiene que ajustar individualmente cada parte. Pueden hacer un cambio a nivel agregado y dejar que el software de planificación de la demanda haga la reconciliación por ellos. 

La agrupación para facilitar el análisis también se aplica a los atributos del cliente, como el vendedor asignado o la ubicación de envío preferida del cliente. Y los atributos de ubicación pueden ser útiles, como la región asignada. A veces, los atributos se relacionan con una combinación de producto y ubicación, como proveedor preferido o planificador asignado, que pueden diferir para el mismo producto según el almacén.

Una nota final sobre la confidencialidad

Recuerde que nuestro cliente expresó su preocupación de que pudiéramos vender sus datos a un competidor. Nunca haríamos eso. Durante décadas, hemos utilizado los datos de los clientes con fines formativos y para mejorar nuestros productos. Somos escrupulosos a la hora de salvaguardar los datos de los clientes y anonimizar cualquier cosa que pueda usarse, por ejemplo, para ilustrar un punto en una publicación de blog.

“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.

Hay una cosa que recuerdo casi todos los días en Smart Software que me desconcierta: la mayoría de las empresas no entienden cómo se crean los pronósticos y cómo se determinan las políticas de almacenamiento. Es una caja negra organizativa. Aquí hay un ejemplo de una llamada de ventas reciente:

¿Cómo pronosticas?
Usamos la historia.

¿Cómo usas la historia?
¿Qué quieres decir?

Bueno, puede tomar un promedio del último año, los últimos dos años, promediar los períodos más recientes o usar algún otro tipo de fórmula para generar el pronóstico.
Estoy bastante seguro de que usamos un promedio de los últimos 12 meses.

¿Por qué 12 meses en lugar de una cantidad diferente de historia?
12 meses es una buena cantidad de tiempo porque no se distorsiona con datos más antiguos, pero es lo suficientemente reciente.

¿Cómo sabes que es más preciso que usar 18 meses o alguna otra longitud de la historia?
no lo sabemos Ajustamos las previsiones en función de los comentarios de las ventas.  

¿Sabes si los ajustes hacen que las cosas sean más precisas o menos que si solo usaras el promedio?
No lo sabemos, pero confiamos en que las previsiones están infladas.

¿Qué hacen entonces los compradores de inventario si creen que los números están inflados?
Tienen mucho conocimiento comercial y ajustan sus compras en consecuencia.

Entonces, ¿es justo decir que ignorarían los pronósticos al menos parte del tiempo?
Sí, algunas veces.

¿Cómo deciden los compradores cuándo pedir más? ¿Tiene un punto de pedido o stock de seguridad especificado en su sistema ERP que ayuda a guiar estas decisiones?
Sí, utilizamos un campo de stock de seguridad.

¿Cómo se calcula el stock de seguridad?
Los compradores determinan esto en función de la importancia del artículo, los plazos de entrega y otras consideraciones, como cuántos clientes compran el artículo, la velocidad del artículo, su costo. Llevarán diferentes cantidades de existencias de seguridad dependiendo de esto.

La discusión continuó. La conclusión principal aquí es que cuando rascas justo debajo de la superficie, se revelan muchas más preguntas que respuestas. Esto a menudo significa que el proceso de planificación de inventario y previsión de la demanda es muy subjetivo, varía de planificador a planificador, el resto de la organización no lo entiende bien y es probable que sea reactivo. Como ha descrito Tom Willemain, es “un caos enmascarado por la improvisación”. El proceso “tal como está” debe estar completamente identificado y documentado. Solo entonces se pueden exponer las brechas y se pueden realizar mejoras.   Aquí hay una lista de 10 preguntas que puede hacer que revelará el verdadero proceso de previsión, planificación de la demanda y planificación del inventario de su organización.

“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/