Descubra cómo se utilizan los pronósticos con estas 4 preguntas.

A menudo, las empresas insisten en que "no usan pronósticos" para planificar el inventario. A menudo usan métodos de punto de pedido y tienen dificultades para mejorar la entrega a tiempo, la rotación de inventario y otros KPI. Si bien no piensan en lo que están haciendo como un pronóstico explícito, ciertamente usan estimaciones de la demanda futura para desarrollar puntos de reorden como mínimo/máximo.

Independientemente de cómo se llame, todo el mundo trata de estimar la demanda futura de alguna manera y utiliza esta estimación para establecer políticas de almacenamiento e impulsar pedidos. Para mejorar la planificación del inventario y asegurarse de no realizar pedidos excesivos o insuficientes y crear grandes desabastecimientos e hinchazón del inventario, es importante comprender exactamente cómo utiliza su organización las previsiones. Una vez que comprenda esto, puede evaluar si se puede mejorar la calidad de los pronósticos.

Intente obtener respuestas a las siguientes preguntas. Revelará cómo se utilizan las previsiones en su empresa, incluso si cree que no utiliza previsiones.

1. ¿Es su pronóstico una estimación período por período a lo largo del tiempo que se usa para predecir qué inventario disponible habrá en el futuro y desencadena sugerencias de pedidos en su sistema ERP?

2. ¿O se usa su pronóstico para derivar un punto de reorden pero no se usa explícitamente como un controlador por período para generar órdenes? Aquí, puedo predecir que venderemos 10 por semana según el historial, pero no estamos cargando 10, 10, 10, 10, etc., en el ERP. En su lugar, derivo un punto de reorden o Mín. que cubre el tiempo de entrega de dos períodos + cierta cantidad de reserva para ayudar a proteger contra el agotamiento de existencias. En este caso, pediré más cuando llegue a 25.

3. ¿Su pronóstico se usa como una guía para que el planificador ayude a determinar subjetivamente cuándo debe ordenar más? Aquí, predigo 10 por semana y evalúo el inventario disponible periódicamente, reviso el tiempo de entrega esperado y decido, dadas las 40 unidades que tengo disponibles hoy, que tengo "suficiente". Por lo tanto, no hago nada ahora, pero volveré a consultar en una semana.

4. ¿Se utiliza para configurar pedidos abiertos con proveedores? Aquí, predigo 10 por semana y acepto una orden de compra general con el proveedor de 520 por año. Luego, los pedidos se hacen con anticipación para que lleguen en cantidades de 10 una vez por semana hasta que se consuma el pedido general.

Una vez que obtenga las respuestas, puede preguntar cómo se crean las estimaciones de la demanda. ¿Es un promedio? ¿Está derivando la demanda sobre el tiempo de entrega a partir de un pronóstico de ventas? ¿Hay un pronóstico estadístico generado en alguna parte? ¿Qué métodos se consideran? También será importante evaluar cómo se utilizan las existencias de seguridad para protegerse contra la variabilidad de la oferta y la demanda. Más sobre todo esto en un próximo artículo.

¿Sabías que fue Benjamin Franklin quien inventó el pararrayos para proteger los edificios de la caída de rayos? Ahora, no todos los días debemos preocuparnos por la caída de rayos, pero en el impredecible clima empresarial actual, tenemos que preocuparnos por las interrupciones en la cadena de suministro, los largos plazos de entrega, el aumento de las tasas de interés y la demanda volátil. Con todos estos desafíos, nunca ha sido más vital para las organizaciones pronosticar con precisión el uso de piezas, los niveles de existencias y optimizar las políticas de reabastecimiento, como los puntos de pedido, las existencias de seguridad y las cantidades de los pedidos. En este blog, exploraremos cómo las empresas pueden aprovechar soluciones innovadoras como la optimización de inventario y el software de pronóstico de piezas que utilizan algoritmos de aprendizaje automático, pronóstico probabilístico y análisis para mantenerse a la vanguardia y proteger sus cadenas de suministro de impactos inesperados.

Soluciones de planificación de repuestos
La optimización de piezas de repuesto es un aspecto clave de la gestión de la cadena de suministro para muchas industrias. Implica administrar el inventario de piezas de repuesto para garantizar que estén disponibles cuando se necesiten sin tener un exceso de inventario que pueda ocupar capital y espacio. La optimización del inventario de piezas de repuesto es un proceso complejo que requiere una comprensión profunda de los patrones de uso, los plazos de entrega de los proveedores y la importancia de cada pieza para el negocio.

En este blog, nuestro énfasis principal estará en el aspecto crucial de la optimización del inventario y la previsión de la demanda. Sin embargo, otros enfoques destacados a continuación para la optimización de piezas de repuesto, como el mantenimiento predictivo y la impresión 3D, la gestión de datos maestros y la planificación colaborativa, deben investigarse e implementarse según corresponda.

1. Mantenimiento predictivo: Usar análisis predictivos para anticipar cuándo es probable que una pieza falle y reemplazarla de manera proactiva, en lugar de esperar a que se averíe. Este enfoque puede ayudar a las empresas a reducir el tiempo de inactividad y los costos de mantenimiento, así como a mejorar la eficacia general del equipo.
2. Impresión 3d: Los avances en la tecnología de impresión 3D están permitiendo a las empresas producir piezas de repuesto bajo demanda, lo que reduce la necesidad de exceso de inventario. Esto no solo ahorra espacio y reduce costos, sino que también garantiza que las piezas estén disponibles cuando se necesiten.
3. Gestión de datos maestros: Las plataformas de gestión de datos garantizan que los datos de las piezas se identifiquen, cataloguen, limpien y organicen correctamente. Con demasiada frecuencia, las organizaciones de MRO tienen el mismo número de pieza bajo diferentes SKU. Estas piezas duplicadas tienen el mismo propósito, pero requieren diferentes números de SKU para garantizar el cumplimiento normativo o la seguridad. Por ejemplo, es posible que se requiera que una pieza utilizada para respaldar un contrato gubernamental se obtenga de un fabricante estadounidense para cumplir con las regulaciones de "Buy America". Es fundamental que estos números de pieza se identifiquen y consoliden en un solo SKU, cuando sea posible, para mantener bajo control las inversiones en inventario.
4. Planificación colaborativa: La colaboración con proveedores y clientes para compartir datos, pronósticos y planificar la demanda puede ayudar a las empresas a reducir los plazos de entrega, mejorar la precisión y reducir los niveles de inventario. La previsión desempeña un papel esencial en la colaboración, ya que compartir información sobre las compras, la demanda y el comportamiento de compra garantiza que los proveedores tengan la información que necesitan para garantizar la disponibilidad de existencias para los clientes.

Optimización del Inventario
Abraham Lincoln fue citado una vez diciendo: “Denme seis horas para talar un árbol, y pasaré las primeras cuatro afilando el hacha”? Lincoln sabía que la preparación y la optimización eran clave para el éxito, al igual que las organizaciones necesitan contar con las herramientas adecuadas, como el software de optimización de inventario, para optimizar su cadena de suministro y mantenerse a la vanguardia en el mercado. Con el software de optimización de inventario, las organizaciones pueden mejorar la precisión de sus pronósticos, reducir los costos de inventario, mejorar los niveles de servicio y reducir los plazos de entrega. Lincoln sabía que era necesario afilar el hacha para realizar el trabajo de manera efectiva sin esforzarse demasiado. La optimización del inventario garantiza que los dólares de inventario se asignen de manera efectiva a miles de piezas, lo que ayuda a garantizar los niveles de servicio y minimiza el exceso de existencias.

Las piezas de repuesto juegan un papel decisivo en el mantenimiento de la eficiencia operativa, y la falta de piezas críticas puede provocar tiempos de inactividad y una reducción de la productividad. La naturaleza esporádica de la demanda de piezas de repuesto hace que sea difícil predecir cuándo se requerirá una pieza específica, lo que genera el riesgo de exceso o falta de existencias, lo que puede generar costos para la organización. Además, la gestión de los plazos de entrega de las piezas de repuesto plantea su propio conjunto de desafíos. Algunas partes pueden tener tiempos de entrega prolongados, lo que requiere el mantenimiento de niveles de inventario adecuados para evitar la escasez. Sin embargo, llevar un exceso de inventario puede ser costoso, ocupando capital y espacio de almacenamiento.

Dada la gran cantidad de desafíos que enfrentan los departamentos de gestión de materiales y los planificadores de piezas de repuesto, la planificación de la demanda, los niveles de existencias y la reposición de piezas de repuesto sin una solución eficaz de optimización del inventario es como intentar cortar un árbol con un hacha muy desafilada. Cuanto más afilada sea el hacha, mejor podrá su organización hacer frente a estos desafíos.

El hacha de Smart Software es la más afilada
El software inteligente de optimización de inventario y planificación de la demanda utiliza un enfoque de pronóstico probabilístico empírico único que da como resultado pronósticos precisos de los requisitos de inventario, incluso cuando la demanda es intermitente. Dado que casi 90% de repuestos y piezas de servicio son intermitentes, se requiere una solución precisa para manejar este tipo de demanda. La solución de Smart se patentó en 2001 y recientemente se patentaron innovaciones adicionales en mayo de 2023 (¡anuncios próximamente!). La solución fue premiada como finalista en la Categoría de Innovación Tecnológica APICS por su papel en ayudar a transformar la industria de gestión de recursos.

El papel de la demanda intermitente
La demanda intermitente no se ajusta a una distribución normal simple o en forma de campana que hace que sea imposible pronosticar con precisión con los métodos de pronóstico tradicionales basados en la suavización. Las piezas y artículos con demanda intermitente, también conocida como demanda irregular, volátil, variable o impredecible, tienen muchos valores de volumen cero o bajo intercalados con picos aleatorios de demanda que a menudo son muchas veces mayores que el promedio. Este problema es especialmente frecuente en las empresas que gestionan grandes inventarios de servicio y piezas de repuesto en industrias como la aviación, aeroespacial, suministro y servicios públicos de energía y agua, automoción, gestión de activos pesados, alta tecnología, así como en MRO (mantenimiento, reparación, y Revisión).

Análisis de escenario
La tecnología patentada y galardonada de Smart genera rápidamente decenas de miles de escenarios posibles de secuencias de demanda futuras y valores de demanda acumulados durante el tiempo de entrega de un artículo. Estos escenarios son estadísticamente similares a los datos observados del artículo y capturan los detalles relevantes de la demanda intermitente sin depender de las suposiciones comúnmente hechas sobre la naturaleza de las distribuciones de la demanda por los métodos de pronóstico tradicionales. El resultado es un pronóstico muy preciso de la distribución completa de la demanda acumulada durante el tiempo de entrega de un artículo. La conclusión es que con la información que brindan estas distribuciones de demanda, las empresas pueden planificar fácilmente los requisitos de inventario de nivel de servicio y existencias de seguridad para miles de artículos demandados intermitentemente con una precisión de casi 100%.

Beneficios
La implementación de soluciones innovadoras de Smart Software, como SmartForecasts para pronósticos estadísticos, Demand Planner para la planificación de piezas por consenso e Inventory Optimization para desarrollar controladores de reabastecimiento precisos, como niveles mínimos/máximos y de existencias de seguridad, brindará a los ejecutivos y planificadores con visión de futuro un mejor control sobre sus operaciones de la organización. Se traducirá en los siguientes beneficios:

1. Precisión de pronóstico mejorada: La previsión precisa de la demanda es fundamental para cualquier organización que se ocupe de la gestión del inventario de repuestos. El software de optimización de inventario utiliza algoritmos sofisticados para analizar patrones de uso históricos, identificar tendencias y pronosticar la demanda futura con un alto grado de precisión. Con este nivel de precisión en la previsión, las organizaciones pueden evitar el riesgo de exceso o escasez de existencias en su inventario de piezas de repuesto.
2. Menores costos de inventario: Uno de los principales desafíos que enfrentan los líderes de la cadena de suministro cuando se trata de la gestión del inventario de repuestos es el costo asociado con el mantenimiento de un stock óptimo de repuestos en todo momento. Al optimizar los niveles de inventario utilizando sistemas tecnológicos modernos como la inteligencia artificial (IA), el aprendizaje automático (ML) y el análisis predictivo, las organizaciones pueden reducir los costos de mantenimiento y garantizar que tengan las existencias adecuadas disponibles cuando sea necesario.
3. Niveles de servicio mejorados: Cuando se trata de servicios de reparación y mantenimiento, ¡el tiempo es oro! El tiempo de inactividad debido a la falta de disponibilidad de repuestos críticos puede resultar en una pérdida de productividad e ingresos para las empresas en todas las industrias, como plantas de fabricación, instalaciones de generación de energía o centros de datos que administran equipos de infraestructura de TI. La optimización de su inventario de piezas de repuesto garantiza que siempre tenga la cantidad correcta a mano, lo que reduce el tiempo de inactividad causado por la espera de las entregas de los proveedores.
4. Plazos de entrega reducidos: Otro beneficio que se obtiene de la previsión precisa de la demanda a través de las modernas tecnologías de almacenamiento es la reducción del tiempo de entrega, lo que conduce a una mejor satisfacción del cliente, ya que los clientes recibirán sus pedidos más rápido que antes, lo que mejorará la lealtad a la marca. Por lo tanto, la adopción de nuevas estrategias impulsadas por herramientas AI/ML crea valor dentro de las operaciones de la cadena de suministro, lo que conduce a mayores ganancias de eficiencia, no solo reduce el costo del reduccionismo, sino que también agiliza los procesos relacionados con la programación de la producción, la planificación del transporte logístico, entre otros.

Conclusión
Mediante la utilización de software de optimización de inventario y planificación de la demanda, las organizaciones pueden superar varios desafíos, como interrupciones en la cadena de suministro, aumento de las tasas de interés y demanda volátil. Esto les permite reducir los costos asociados con el exceso de espacio de almacenamiento y los artículos de inventario obsoletos. Al aprovechar algoritmos sofisticados, el software de optimización de inventario mejora la precisión de los pronósticos, lo que garantiza que las organizaciones puedan evitar el exceso o la escasez de existencias en su inventario de repuestos. Además, ayuda a reducir los costos de inventario al optimizar los niveles y aprovechar tecnologías como la inteligencia artificial (AI), el aprendizaje automático (ML) y el análisis predictivo. Los niveles de servicio mejorados se logran cuando las organizaciones tienen la cantidad correcta de piezas de repuesto fácilmente disponibles, lo que reduce el tiempo de inactividad causado por la espera de las entregas. Además, la previsión precisa de la demanda reduce los plazos de entrega, mejora la satisfacción del cliente y fomenta la lealtad a la marca. La adopción de tales estrategias impulsadas por herramientas AI/ML no solo reduce los costos, sino que también agiliza los procesos, incluida la programación de la producción y la planificación del transporte logístico, lo que en última instancia aumenta las ganancias de eficiencia dentro de la cadena de suministro.

Apuesto a que sus equipos de mantenimiento y reparación estarían de acuerdo con incurrir en mayores riesgos de falta de existencias uno alguno piezas de repuesto si supieran que los ahorros de reducción de inventario se utilizarían para distribuir la inversión en inventario de manera más efectiva para otro repuestos y aumentar los niveles generales de servicio.

Duplicaré que su equipo de finanzas, a pesar de que siempre se enfrenta al desafío de reducir los costos, respaldaría un aumento saludable del inventario si pudiera ver claramente que los ingresos se benefician de un mayor tiempo de actividad, menos agilidades y mejoras en el nivel de servicio claramente superan los costos de inventario adicionales y riesgo

La curva de compensación de piezas de repuesto permitirá a los equipos de planificación de repuestos comunicar adecuadamente los riesgos y costos de cada decisión de inventario. Es una misión crítica para la planificación de piezas y la única forma de ajustar los parámetros de almacenamiento de forma proactiva y precisa para cada pieza. Sin él, los planificadores, para todos los efectos, están "planificando" con los ojos vendados porque no podrán comunicar las verdaderas compensaciones asociadas con las decisiones de almacenamiento.

Por ejemplo, si se recomienda un aumento propuesto a los niveles mínimos/máximos de un importante grupo de productos básicos de repuestos, ¿cómo sabe si el aumento es demasiado alto, demasiado bajo o correcto? ¿Cómo se puede afinar el cambio para miles de repuestos? No lo harás y no puedes. Su toma de decisiones de inventario se basará en decisiones reactivas, viscerales y generales que causan que los niveles de servicio se resientan y los costos de inventario se disparen.

Entonces, ¿qué es exactamente una curva de compensación de repuestos?

Es una predicción numérica basada en hechos que detalla cómo los cambios en los niveles de existencias influirán en el valor del inventario, los costos de mantenimiento y los niveles de servicio. Por cada cambio de unidad en el nivel de inventario hay un costo y un beneficio. La curva de compensación de repuestos identifica estos costos y beneficios a través de diferentes niveles de existencias. Permite a los planificadores descubrir el nivel de existencias que mejor equilibra los costes y los beneficios de cada artículo individual.

Aquí hay dos ejemplos simplificados. En la Figura 1, la curva de compensación de repuestos muestra cómo cambia el nivel de servicio (probabilidad de no agotarse) según el nivel de pedido. Cuanto mayor sea el nivel de reorden, menor será el riesgo de falta de existencias. Es fundamental saber cuánto servicio está ganando dada la inversión en inventario. Aquí puede justificar que un aumento de inventario de un punto de pedido de 35 a 45 bien vale la pena la inversión de 10 unidades adicionales de stock porque los niveles de servicio saltan de poco menos de 70% a 90%, lo que reduce el riesgo de falta de existencias para la pieza de repuesto de 30% a 10%!

​

Figura 1: Costo versus nivel de servicio

Figura 2: Nivel de servicio frente al tamaño del inventario

En este ejemplo (Figura 2), la curva de compensación expone un problema común con el inventario de repuestos. A menudo, los niveles de existencias son tan altos que generan rendimientos negativos. Después de una cierta cantidad de existencias, cada unidad adicional de existencias no compra más beneficios en forma de un mayor nivel de servicio. Las disminuciones de inventario pueden justificarse cuando está claro que el nivel de existencias ha superado con creces el punto de rendimientos decrecientes. Una curva de compensación precisa expondrá el punto en el que ya no es ventajoso agregar stock.

Mediante el aprovechamiento #pronóstico probabilístico para impulsar la planificación de piezas, puede comunicar estas compensaciones con precisión, hacerlo a escala en cientos de miles de piezas, evitar malas decisiones de inventario y equilibrar los niveles de servicio y los costos. En Smart Software, nos especializamos en ayudar a los planificadores de repuestos, directores de administración de materiales y ejecutivos financieros que administran MRO, repuestos y repuestos para comprender y explotar estas relaciones.

Todas las organizaciones que utilizan equipos necesitan piezas de repuesto. Todos ellos deben hacer frente a cuestiones que son genéricas sin importar cuál sea su negocio. Sin embargo, algunos de los problemas son específicos de la industria. Esta publicación analiza un problema universal que se manifiesta en una planta nuclear y que es especialmente grave para cualquier empresa de servicios eléctricos.

El problema universal de la calidad de los datos

A menudo publicamos sobre los beneficios de convertir los datos de uso de piezas en decisiones inteligentes de gestión de inventario. El modelado de probabilidad avanzado admite la generación de escenarios de demanda realistas que se integran en simulaciones detalladas de Monte Carlo que exponen las consecuencias de decisiones como las elecciones de Min y Max que rigen la reposición de repuestos.

Sin embargo, toda esa tecnología analítica nueva y brillante requiere datos de calidad como combustible para el análisis. Para algunos servicios públicos de todo tipo, el mantenimiento de registros no es un punto fuerte, por lo que la materia prima que se analiza puede corromperse y ser engañosa. Recientemente nos topamos con la documentación de un claro ejemplo de este problema en una planta de energía nuclear (ver Scala, Needy y Rajgopal: Toma de decisiones y compensaciones en la gestión del inventario de piezas de repuesto en las empresas de servicios públicos. Asociación Estadounidense de Gestión de Ingeniería, 30.ª Conferencia Nacional ASEM, Springfield, MO. octubre de 2009). Scala et al. documentó el historial de uso de una pieza crítica cuya ausencia resultaría en una reducción de la potencia de la instalación o en un cierre. El registro de uso de la planta para esa parte abarcó más de ocho años de datos. Durante ese tiempo, el historial de uso oficial reportó nueve eventos en los que se produjo una demanda positiva con tamaños que oscilaban entre una y seis unidades cada uno. También hubo cinco eventos marcados por demandas negativas (es decir, devoluciones a almacén) que oscilaron entre una y tres unidades cada uno. La investigación cuidadosa descubrió que el verdadero uso ocurrió en solo dos eventos, ambos con una demanda de dos unidades. Obviamente, calcular los mejores valores Mín./Máx. para este artículo requiere datos de demanda precisos.

El problema especial de la salud y la seguridad

En el contexto de negocios “normales”, la escasez de piezas de repuesto puede dañar tanto los ingresos actuales como los ingresos futuros (relacionados con la reputación como proveedor confiable). Sin embargo, para una empresa de servicios eléctricos, Scala et al. observó un nivel mucho mayor de consecuencias asociadas a los desabastecimientos de piezas de repuesto. Estos incluyen no solo un mayor riesgo financiero y de reputación, sino también riesgos para la salud y la seguridad: “Las ramificaciones de no tener una pieza en stock incluyen la posibilidad de tener que reducir la producción o, muy posiblemente, incluso el cierre de una planta. Desde una perspectiva a más largo plazo, hacerlo podría interrumpir el servicio crítico de energía para los clientes residenciales, comerciales y/o industriales, al tiempo que daña la reputación, la confiabilidad y la rentabilidad de la empresa. Una empresa de servicios eléctricos fabrica y vende un solo producto: electricidad. Perder la capacidad de vender electricidad puede dañar gravemente los resultados de la empresa, así como su viabilidad a largo plazo”.

Razón de más para que las empresas eléctricas sean líderes y no rezagadas en el despliegue de los modelos de probabilidad más avanzados para la previsión de la demanda y la optimización del inventario.

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.