Mejore la precisión de la prediccion, optimice el inventario y maximice los niveles de servicio

En este video, el Dr. Thomas Willemain, cofundador y vicepresidente senior de investigación, habla sobre cómo mejorar la precisión de los pronósticos midiendo el error de pronóstico. Comenzamos con una descripción general de los distintos tipos de métricas de error: error dependiente de escala, error porcentual, error relativo y métrica de error sin escala. Si bien algunos errores son inevitables, hay formas de reducirlos, y las métricas de pronóstico son ayudas necesarias para monitorear y mejorar la precisión del pronóstico. Luego explicaremos el problema especial de la demanda intermitente y los problemas de división por cero. Tom concluye explicando cómo evaluar los pronósticos de múltiples artículos y cómo a menudo tiene sentido usar promedios ponderados, ponderando los artículos de manera diferente por volumen o ingresos.

La mayoría de los pronósticos estadísticos funcionan en un flujo directo desde los datos anteriores hasta el pronóstico. Pronosticar con indicadores adelantados funciona de manera diferente. Un indicador principal es una segunda variable que puede influir en el que se pronostica. La aplicación de conocimiento humano comprobable sobre el poder predictivo en la relación entre estos diferentes conjuntos de datos a veces proporcionará una precisión superior.

La mayoría de las veces, un pronóstico se basa únicamente en la historia pasada del artículo que se está pronosticando. Supongamos que el problema del pronosticador es predecir las ventas unitarias futuras de un producto importante. El proceso comienza con la recopilación de datos sobre las ventas anteriores del producto. (Gregory Hartunian comparte algunos consejos prácticos para elegir los mejores datos disponibles en una publicación anterior al Smart Forecaster.) Estos datos fluyen hacia el software de pronóstico, que analiza el registro de ventas para medir el nivel de variabilidad aleatoria y explotar cualquier aspecto predecible, como tendencias o patrones regulares de variabilidad estacional. El pronóstico se basa completamente en el comportamiento pasado del artículo que se pronostica. No se tiene en cuenta explícitamente nada que pudiera haber causado las oscilaciones y sacudidas en el gráfico de ventas del producto. Este enfoque es rápido, simple, autónomo y escalable, porque el software puede pasar por una gran cantidad de pronósticos automáticamente.

Pero a veces el pronosticador puede hacerlo mejor, a costa de más trabajo. Si el pronosticador puede mirar a través de la niebla de la aleatoriedad e identificar una segunda variable que influya en la que se está pronosticando, un indicador adelantado, serán posibles predicciones más precisas.

Por ejemplo, suponga que el producto es un vidrio de ventana para casas. Es muy posible que los aumentos o disminuciones en el número de permisos de construcción para casas nuevas se reflejen en los correspondientes aumentos o disminuciones en el número de láminas de vidrio ordenadas varios meses después. Si el pronosticador puede destilar esta relación "retrasada" o retrasada en una ecuación, esa ecuación se puede usar para pronosticar las ventas de vidrio dentro de varios meses usando valores conocidos del indicador principal. Esta ecuación se llama "ecuación de regresión" y tiene una forma similar a:

Ventas de vidrio en 3 meses = 210,9 + 26,7 × Número de viviendas iniciadas este mes.

El software de pronóstico puede tomar los datos de inicio de viviendas y ventas de vidrio y convertirlos en una ecuación de regresión de este tipo.

Gráfico que muestra una relación entre cifras de ejemplo para permisos de construcción diferidos y demanda de vidrio
Indicadores adelantados demostrados
Sin embargo, a diferencia de los pronósticos estadísticos automáticos basados en las ventas pasadas de un producto, los pronósticos con un indicador anticipado enfrentan el mismo problema que la receta proverbial del estofado de conejo: “Primero atrapa un conejo”. Aquí, la experiencia del pronosticador en la materia es fundamental para el éxito. El pronosticador debe poder nominar a uno o más candidatos para el puesto de indicador principal. Después de este paso crucial, basado en el conocimiento, la experiencia y la intuición del pronosticador, se puede usar el software para verificar que realmente existe una relación predictiva con retraso en el tiempo entre el indicador principal candidato y la variable que se va a pronosticar.

Este paso de verificación se realiza mediante un análisis de "correlación cruzada". El software esencialmente toma como entrada una secuencia de valores de la variable a pronosticar y otra secuencia de valores del supuesto indicador líder. A continuación, desplaza los datos de la variable de previsión por, sucesivamente, uno, dos, tres, etc. periodos de tiempo. En cada desliz en el tiempo (llamado "retraso", porque el indicador adelantado se está quedando cada vez más atrás de la variable de pronóstico), el software verifica un patrón de asociación entre las dos variables. Si encuentra un patrón que es demasiado fuerte para ser explicado como un accidente estadístico, se confirma la corazonada del pronosticador.

Obviamente, pronosticar con indicadores principales es más trabajo que pronosticar usando solo los valores pasados de un artículo. El pronosticador tiene que identificar un indicador principal, comenzando con una lista sugerida por la experiencia en la materia del pronosticador. Este es un proceso de “elaboración manual” que no es adecuado para la producción masiva de pronósticos. Pero puede ser un enfoque exitoso para una cantidad menor de elementos importantes que valen la pena el esfuerzo adicional. La función del software de pronóstico, como nuestro sistema SmartForecasts, es ayudar al pronosticador a autenticar el indicador principal y luego explotarlo.

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.