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.

En este video blog, la atención se centra en un aspecto crítico de la gestión de inventario: el análisis y la interpretación de los datos del inventario. La atención se centra específicamente en un conjunto de datos de una agencia de transporte público que detalla piezas de repuesto para autobuses. Con más de 13.700 piezas registradas, los datos presentan una excelente oportunidad para profundizar en las complejidades de las operaciones de inventario e identificar áreas de mejora.

Comprender y abordar las anomalías en los datos del inventario es importante por varias razones. No solo garantiza el funcionamiento eficiente de los sistemas de inventario, sino que también minimiza los costos y mejora la calidad del servicio. Este videoblog explora cuatro reglas fundamentales de la gestión de inventario y demuestra, a través de datos del mundo real, cómo las desviaciones de estas reglas pueden indicar problemas subyacentes. Al examinar aspectos como el costo de los artículos, los plazos de entrega, las unidades disponibles y en pedido, y los parámetros que guían las políticas de reabastecimiento, el video proporciona una descripción general completa de los posibles desafíos e ineficiencias que acechan en los datos de inventario. 

Destacamos la importancia del análisis regular de los datos de inventario y cómo dicho análisis puede servir como una herramienta poderosa para los administradores de inventario, permitiéndoles detectar y rectificar problemas antes de que se agraven. Depender de enfoques anticuados puede generar imprecisiones, lo que resulta en un exceso de inventario o expectativas incumplidas de los clientes, lo que a su vez podría causar considerables repercusiones financieras e ineficiencias en las operaciones.

A través de un examen detallado del conjunto de datos de la agencia de transporte público, el videoblog transmite un mensaje claro: la revisión proactiva de los datos del inventario es esencial para mantener operaciones de inventario óptimas, garantizar que las piezas estén disponibles cuando se necesiten y evitar gastos innecesarios.

Aprovechar las herramientas avanzadas de análisis predictivo, como la optimización y planificación inteligente del inventario, le ayudará a controlar los datos de su inventario. Smart IP&O le mostrará información decisiva sobre la demanda y el inventario sobre los patrones de demanda de repuestos en evolución en cada momento, brindando a su organización la información necesaria para la toma de decisiones estratégicas.

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.

En casi todos los negocios e industrias, quienes toman decisiones necesitan pronósticos confiables de variables críticas, como ventas, ingresos, demanda de productos, niveles de inventario, participación de mercado, gastos y tendencias de la industria.

Hay muchos tipos de personas que hacen estos pronósticos. Algunos son analistas técnicos sofisticados, como economistas de negocios y estadísticos. Muchos otros consideran que los pronósticos son una parte importante de su trabajo general: gerentes generales, planificadores de producción, especialistas en control de inventarios, analistas financieros, planificadores estratégicos, investigadores de mercado y gerentes de productos y ventas. Aún así, otros rara vez se consideran pronosticadores, sino que a menudo tienen que hacer pronósticos sobre una base intuitiva y crítica.

Debido a la forma en que diseñamos Smart Demand Planner, tiene algo que ofrecer a todo tipo de pronosticadores. Este diseño surge de varias observaciones sobre el proceso de pronóstico. Debido a que diseñamos Smart Demand Planner con estas observaciones en mente, creemos que tiene un estilo y contenido especialmente adecuados para convertir su navegador en una herramienta eficaz de previsión y planificación:

La previsión es un arte que requiere una combinación de juicio profesional y análisis estadístico objetivo.

A menudo resulta eficaz comenzar con un pronóstico estadístico objetivo que tenga en cuenta automáticamente las tendencias, la estacionalidad y otros patrones. Luego, aplique ajustes o anulaciones de pronósticos según su criterio comercial. Smart Demand Planner facilita la ejecución de ajustes gráficos y tabulares a los pronósticos estadísticos.

El proceso de pronóstico suele ser iterativo.

Es probable que decida hacer varios ajustes a su pronóstico inicial antes de estar satisfecho. Es posible que desee excluir datos históricos más antiguos que considere que ya no son relevantes. Se podrían aplicar diferentes ponderaciones al modelo de pronóstico que pongan distinto énfasis en los datos más recientes. Podría aplicar atenuación de tendencias para aumentar o disminuir los pronósticos estadísticos de tendencias agresivas. Puede permitir que los modelos de aprendizaje automático ajusten la selección de pronóstico por usted y seleccionen el modelo ganador automáticamente. La velocidad de procesamiento de Smart Demand Planner le brinda suficiente tiempo para realizar varias pasadas y guarda múltiples versiones de los pronósticos como “instantáneas” para que pueda comparar la precisión del pronóstico más adelante.

La previsión requiere soporte gráfico.

Los patrones evidentes en los datos pueden ser vistos por un ojo perspicaz. La credibilidad de sus pronósticos a menudo dependerá en gran medida de las comparaciones gráficas que hacen otras partes interesadas del negocio cuando evalúan los datos históricos y los pronósticos. Smart Demand Planner proporciona visualizaciones gráficas de pronósticos, historial e informes de pronóstico versus datos reales.

Los pronósticos nunca son exactamente correctos.

Debido a que siempre se introduce algún error incluso en el mejor proceso de pronóstico, uno de los complementos más útiles de un pronóstico es una estimación honesta de su margen de error.

Smart Demand Planner presenta resúmenes gráficos y tabulares de la precisión del pronóstico basados en la prueba de fuego de los datos de predicción retenidos en el desarrollo del modelo de pronóstico. 

También son muy útiles los intervalos de previsión o intervalos de confianza. Detallan el rango probable de demanda posible que se espera que ocurra. Por ejemplo, si la demanda real cae fuera del intervalo de confianza de 90% más de 10% del tiempo, entonces hay motivos para investigar más a fondo.  

La previsión requiere una coincidencia del método con los datos.

Una de las principales tareas técnicas en la elaboración de pronósticos es hacer coincidir la elección de la técnica de pronóstico con la naturaleza de los datos. Las características de una serie de datos como la tendencia, la estacionalidad o los cambios abruptos de nivel sugieren ciertas técnicas en lugar de otras.

La función de previsión automática de Smart Demand Planner hace que esta coincidencia sea rápida, precisa y automática.

La previsión suele ser parte de un proceso más amplio de planificación o control.

Por ejemplo, los pronósticos pueden ser un complemento poderoso para el análisis financiero basado en hojas de cálculo, extendiendo filas de cifras hacia el futuro. Además, los pronósticos precisos de ventas y demanda de productos son aportes fundamentales para los procesos de planificación de producción y control de inventario de un fabricante. Un pronóstico estadístico objetivo de las ventas futuras siempre ayudará a identificar cuándo el presupuesto (o el plan de ventas) puede ser demasiado poco realista. El análisis de brechas permite a la empresa tomar medidas correctivas para su demanda y sus planes de marketing para garantizar que no incumplan el plan presupuestado.

Los pronósticos deben integrarse en los sistemas ERP
Smart Demand Planner puede transferir rápida y fácilmente sus resultados a otras aplicaciones, como hojas de cálculo, bases de datos y sistemas de planificación, incluidas aplicaciones ERP. Los usuarios pueden exportar pronósticos en una variedad de formatos de archivo, ya sea mediante descarga o mediante ubicaciones seguras de archivos FTP. Smart Demand Planner incluye integraciones basadas en API para una variedad de sistemas ERP y EAM, incluidos Epicor Kinetic y Epicor Prophet 21, Sage X3 y Sage 300, Oracle NetSuite y cada uno de los sistemas ERP Dynamics 365 de Microsoft. Las integraciones basadas en API permiten a los clientes enviar los resultados de las previsiones directamente al sistema ERP según demanda.

El resultado es una planificación de ventas, elaboración de presupuestos, programación de producción, pedidos y planificación de inventario más eficientes.

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.