El error de pronóstico puede tener consecuencias

Considere un elemento de muchos

• Fabricar el producto X cuesta $100 y genera una ganancia neta de $50 por unidad.
• Las ventas del Producto X resultarán ser de 1000/mes durante los próximos 12 meses.
• Considere un elemento de muchos

¿Cuál es el costo del error de pronóstico?

• Si el pronóstico es 10% alto, termine el año con $120,000 de exceso de inventario.
• 100 extra/mes x 12 meses x $100/unidad
• Si el pronóstico es 10% bajo, pierda $60,000 de ganancias.
• 100 muy pocos/mes x 12 meses x $50/unidad

Tres errores a evitar

1. Ignorar el error.

• Falta de profesionalidad, abandono del deber.
• Desear no hará que sea así.
• Trate la evaluación de precisión como ciencia de datos, no como un juego de culpas.

2. Tolerar más error del necesario.

• Los métodos de pronóstico estadístico pueden mejorar la precisión a escala.
• Mejorar las entradas de datos puede ayudar.
• Recopilar y analizar las métricas de error de pronóstico puede identificar puntos débiles.

3. Perder tiempo y dinero yendo demasiado lejos tratando de eliminar el error.

• Algunas combinaciones de producto/mercado son inherentemente más difíciles de pronosticar. Después de un punto, déjelos en paz (pero esté alerta a los nuevos métodos de pronóstico especializados).
• A veces, los pasos destinados a reducir el error pueden resultar contraproducentes (por ejemplo, el ajuste).

MENSAJES RECIENTES

Entonces, ¿cómo puede ejecutar un plan del mundo real para el inventario JIT en medio de todo este riesgo e incertidumbre? La base de su respuesta son sus datos corporativos. La incertidumbre tiene dos fuentes: la oferta y la demanda. Necesitas los hechos para ambos.

Por el lado de la oferta, aproveche los datos que tiene sobre los plazos de entrega recientes de los proveedores, que reflejan la turbulencia actual. No use valores promedio cuando pueda usar distribuciones de probabilidad que reflejen el rango completo de contingencias. Considere esta comparación. El proveedor A ahora está completando pedidos de manera confiable en exactamente 10 días. El proveedor B también promedia 10 días, pero lo hace con una combinación de 78%/22% de 7 y 21 días. Tanto A como B tienen un retraso de reposición promedio de 10 días, pero los resultados operativos que brinden serán muy diferentes. Solo puede reconocer esto si utiliza modelos de probabilidad del rendimiento del inventario.

Por el lado de la demanda, se aplican consideraciones similares. Primero, reconozca que puede haber habido un cambio importante en el carácter de la demanda de artículos (los estadísticos llaman a esto un "cambio de régimen"), por lo tanto, elimine de su análisis cualquier dato que represente los "buenos viejos tiempos". Entonces, de nuevo, deja de pensar en términos de promedios. Si bien la demanda promedio es importante, no es una descripción suficiente del problema al que se enfrenta. Igualmente importante es la volatilidad de la demanda. La volatilidad es la razón por la que mantiene el inventario en primer lugar. Si la demanda fuera completamente predecible, no tendría faltantes ni exceso de inventario. Así como necesita estimar la distribución de probabilidad completa de los plazos de reabastecimiento, necesita la distribución completa de los valores de demanda.

Una vez que comprenda el rango de variabilidad tanto en la oferta como en la demanda, el pronóstico probabilístico le permitirá tener en cuenta las interrupciones y los eventos inusuales. El software convertirá sus datos bajo demanda y los plazos de entrega en una gran cantidad de escenarios que representan cómo podría desarrollarse su próximo período de planificación. Dados esos escenarios, el software puede determinar la mejor manera de cumplir sus objetivos para métricas como costos de inventario y tasas de desabastecimiento. Al utilizar soluciones como la Optimización de inventario inteligente, planificará con confianza en función de su riesgo de desabastecimiento objetivo con un costo mínimo de mantenimiento de inventario. También puede considerar dejar que la solución prescriba objetivos de nivel de servicio óptimos mediante la evaluación de los costos de inventario adicional frente al costo de falta de existencias.

En la planificación de inventarios, como en la ciencia, no podemos escapar de la realidad de la incertidumbre y el impacto de eventos inusuales. Debemos planificar en consecuencia: el uso de software de optimización de inventario lo ayuda a identificar el nivel de servicio de menor costo. Esto crea un esfuerzo coherente en toda la empresa que combina la visibilidad de las operaciones actuales con evaluaciones matemáticamente correctas de los riesgos y condiciones futuras.

La planificación del inventario se ha vuelto más “interesante” y requiere un mayor grado de conciencia del riesgo y agilidad. El software adecuado puede ayudar.

Cuatro tipos generales de métricas de error 

1. Error dependiente de la escala

2. Error porcentual

3. Error relativo

4. Error sin escala

Observación: Las métricas dependientes de la escala se expresan en las unidades de la variable pronosticada. Los otros tres se expresan como porcentajes.

1. Métricas de error dependientes de la escala

• Error absoluto medio (MAE), también conocido como desviación absoluta media (MAD)
• Error absoluto medio (MdAE)
• Error cuadrático medio (RMSE)

• Estas métricas expresan el error en las unidades originales de los datos.
  • Ej: unidades, cajas, barriles, kilogramos, dólares, litros, etc.
• Dado que los pronósticos pueden ser demasiado altos o demasiado bajos, los signos de los errores serán positivos o negativos, lo que permitirá cancelaciones no deseadas.
  • Ej: no desea que los errores de +50 y -50 se cancelen y muestren "sin error".
• Para lidiar con el problema de la cancelación, estas métricas eliminan los signos negativos elevando al cuadrado o utilizando el valor absoluto.

2. Métrica de porcentaje de error

• Error porcentual absoluto medio (MAPE)
  

• Esta métrica expresa el tamaño del error como porcentaje del valor real de la variable pronosticada.
• La ventaja de este enfoque es que deja claro de inmediato si el error es importante o no.
• Ej: Supongamos que el MAE es de 100 unidades. ¿Es horrible un error típico de 100 unidades? ¿OK? ¿estupendo?
• La respuesta depende del tamaño de la variable que se pronostica. Si el valor real es 100, entonces un MAE = 100 es tan grande como lo que se pronostica. Pero si el valor real es 10,000, entonces un MAE = 100 muestra una gran precisión, ya que el MAPE es solo 1% del real.

3. Métrica de error relativo

• Error absoluto relativo mediano (MdRAE)

• ¿Relativo a qué? A un pronóstico de referencia.
• ¿Qué punto de referencia? Por lo general, el pronóstico "ingenuo".
• ¿Cuál es el pronóstico ingenuo? Próximo valor de previsión = último valor real.
• ¿Por qué utilizar el pronóstico ingenuo? Porque si no puedes vencer eso, estás en una forma difícil.

4. Métrica de error sin escala

• Error escalado relativo mediano (MdRSE)
  

• Esta métrica expresa el error de pronóstico absoluto como un porcentaje del nivel natural de aleatoriedad (volatilidad) en los datos.
• La volatilidad se mide por el tamaño promedio del cambio en la variable pronosticada de un período de tiempo al siguiente.
  • (Esto es lo mismo que el error cometido por el pronóstico ingenuo).
• ¿En qué se diferencia esta métrica de la MdRAE anterior?
  • Ambos usan el pronóstico ingenuo, pero esta métrica usa errores al pronosticar el historial de demanda, mientras que MdRAE usa errores al pronosticar valores futuros.
  • Esto es importante porque normalmente hay muchos más valores históricos que pronósticos.
  • A su vez, eso es importante porque esta métrica "explotaría" si todos los datos fueran cero, lo que es menos probable cuando se usa el historial de demanda.

El problema especial de la demanda intermitente

• La demanda "intermitente" tiene muchas demandas cero mezcladas con demandas aleatorias distintas de cero.
• MAPE se arruina cuando los errores se dividen por cero.
• MdRAE también puede arruinarse.
• Es menos probable que MdSAE se arruine.

Resumen y comentarios

• Las métricas de pronóstico son ayudas necesarias para monitorear y mejorar la precisión del pronóstico.
• Hay dos clases principales de métricas: absolutas y relativas.
• Las medidas absolutas (MAE, MdAE, RMSE) son opciones naturales al evaluar los pronósticos de un artículo.
• Las medidas relativas (MAPE, MdRAE, MdSAE) son útiles al comparar la precisión entre elementos o entre pronósticos alternativos del mismo elemento o al evaluar la precisión en relación con la variabilidad natural de un elemento.
• La demanda intermitente presenta problemas de división por cero que favorecen a MdSAE sobre MAPE.
• Al evaluar los pronósticos de varios artículos, a menudo tiene sentido usar promedios ponderados, ponderando los artículos de manera diferente por volumen o ingresos.

MENSAJES RECIENTES

Finalmente, como ya he señalado, debemos aceptar que nunca podremos eliminar toda la incertidumbre. Como físico, siempre me ha intrigado el hecho de que, incluso en los niveles más básicos de la realidad tal como la entendemos hoy, todavía hay incertidumbre. Albert Einstein creía en la certeza (determinismo) de la ley física. Si fuera gerente de inventario, podría haber abogado por JIT porque creía que las leyes físicas deberían permitir una previsibilidad perfecta. Él dijo célebremente: “Dios no juega con los dados”. ¿O podría ser posible que el universo en el que existimos fuera un evento de "cisne negro" en un "verso múltiple" anterior que produjo un tipo particular de universo que nos permitió existir?

En la planificación de inventarios, como en la ciencia, no podemos escapar de la realidad de la incertidumbre y el impacto de eventos inusuales. Debemos planificar en consecuencia.

[1] https://www.bbc.com/news/business-56559073#:~:text=Looking%20at%20the%20bigger%20picture,0.2%20to%200.4%20percentage%20points.