En este blog, analizaremos el pronóstico automático para proyecciones de demanda de series temporales, centrándonos en técnicas, desafíos y mejores prácticas clave. Existen múltiples métodos para predecir la demanda futura de un artículo, y esto se vuelve complejo cuando se trata de miles de artículos, cada uno de los cuales requiere una técnica de pronóstico diferente debido a sus patrones de demanda únicos. Algunos artículos tienen una demanda estable, otros tienen una tendencia al alza o a la baja y algunos presentan estacionalidad. Seleccionar el método correcto para cada elemento puede resultar abrumador. Aquí exploraremos cómo la previsión automática simplifica este proceso.

La previsión automática se vuelve fundamental en la gestión de proyecciones de demanda a gran escala. Con miles de elementos, no resulta práctico seleccionar manualmente un método de pronóstico para cada uno. La previsión automática utiliza software para tomar estas decisiones, garantizando precisión y eficiencia en el proceso de previsión. Su importancia radica en su capacidad para manejar de manera eficiente necesidades de pronóstico complejas y a gran escala. Elimina la necesidad de selección manual, ahorrando tiempo y reduciendo errores. Este enfoque es particularmente beneficioso en entornos con diversos patrones de demanda, donde cada artículo puede requerir un método de pronóstico diferente.

Consideraciones clave para una previsión eficaz

1. Desafíos de la previsión manual:
   • Inviabilidad: Elegir manualmente métodos de pronóstico para miles de artículos es inmanejable.
   • Inconsistencia: el error humano puede generar pronósticos inconsistentes e inexactos.
2. Criterios para la selección del método:
   • Medición de errores: el criterio principal para seleccionar un método de pronóstico es el error de pronóstico típico, definido como la diferencia entre los valores previstos y reales. Este error se promedia a lo largo del horizonte de pronóstico (por ejemplo, pronósticos mensuales durante un año).
   • Análisis de reserva: esta técnica simula el proceso de esperar a que transcurra un año ocultando algunos datos históricos, haciendo pronósticos y luego revelando los datos ocultos para calcular errores. Esto ayuda a elegir el mejor método en tiempo real.
3. Torneo de pronóstico:
   • Comparación de métodos: diferentes métodos compiten para pronosticar cada elemento, ganando el método que produce el error promedio más bajo.
   • Ajuste de parámetros: cada método se prueba con varios parámetros para encontrar la configuración óptima. Por ejemplo, se puede intentar un suavizado exponencial simple con diferentes factores de ponderación.

Los algoritmos detrás de la previsión automática eficaz

La previsión automática es altamente computacional pero factible con tecnología moderna. El proceso implica:

• Segmentación de datos: Dividir los datos históricos en segmentos ayuda a gestionar y aprovechar diferentes aspectos de los datos históricos para realizar pronósticos más precisos. Por ejemplo, para un producto con demanda estacional, los datos pueden segmentarse por temporadas para capturar tendencias y patrones específicos de cada temporada. Esta segmentación permite a los pronosticadores hacer y probar pronósticos de manera más efectiva.
• Simulaciones repetidas: El uso de simulaciones deslizantes implica probar y refinar pronósticos repetidamente durante diferentes períodos. Este método valida la precisión de los métodos de pronóstico aplicándolos a diferentes segmentos de datos. Un ejemplo es el método de ventana deslizante, donde una ventana de tamaño fijo se mueve a través de los datos de la serie temporal, generando pronósticos para cada posición para evaluar el desempeño.
• Optimización de parámetros: La optimización de parámetros implica probar múltiples variantes de cada método de pronóstico para encontrar el que tenga mejor rendimiento. Al ajustar parámetros, como el factor de suavizado en los métodos de suavizado exponencial o el número de observaciones pasadas en los modelos ARIMA, los pronosticadores pueden ajustar los modelos para mejorar el rendimiento.

Por ejemplo, en nuestro software permitimos que varios métodos de pronóstico compitan por el mejor desempeño en un elemento determinado. El conocimiento de la previsión automática se traslada inmediatamente a la media móvil simple, la media móvil lineal, el suavizado exponencial único, el suavizado exponencial doble, el suavizado exponencial de Winters y el pronóstico promocional. Esta competencia garantiza que se seleccione el método más adecuado basándose en evidencia empírica, no en juicios subjetivos. El ganador del torneo es el método más cercano a predecir valores de datos nuevos a partir de los antiguos. La precisión se mide mediante el error absoluto promedio (es decir, el error promedio, ignorando los signos menos). El promedio se calcula sobre un conjunto de pronósticos, cada uno usando una porción de los datos, en un proceso conocido como simulación deslizante, que hemos explicado anteriormente en un blog anterior.

Métodos utilizados en la previsión automática

Normalmente, hay seis métodos de pronóstico extrapolativo que compiten en el torneo de pronóstico automático:

• media móvil simple
• Media móvil lineal
• Suavizado exponencial simple
• Suavizado exponencial doble
• Versión aditiva del suavizado exponencial de Winters
• Versión multiplicativa del suavizado exponencial de Winters

Los dos últimos métodos son apropiados para series estacionales; sin embargo, quedan automáticamente excluidos del torneo si hay menos de dos ciclos estacionales completos de datos (por ejemplo, menos de 24 períodos de datos mensuales u ocho períodos de datos trimestrales). Estos seis métodos clásicos basados en suavizado han demostrado ser fáciles de entender, fáciles de calcular y precisos. Puedes excluir cualquiera de estos métodos del torneo si tienes preferencia por algunos de los competidores y no por otros.

La previsión automática de datos de series temporales es esencial para gestionar proyecciones de demanda a gran escala de manera eficiente y precisa. Las empresas pueden lograr una mayor precisión de los pronósticos y optimizar sus procesos de planificación automatizando la selección de métodos de pronóstico y utilizando técnicas como el análisis de reservas y los torneos de pronóstico. Adoptar estas técnicas avanzadas de pronóstico garantiza que las empresas se mantengan a la vanguardia en entornos de mercado dinámicos y tomen decisiones informadas basadas en proyecciones de datos confiables.

​El software de planificación de la demanda y pronóstico estadístico desempeña un papel fundamental en la gestión empresarial eficaz al incorporar funciones que mejoran significativamente la precisión de los pronósticos. Un aspecto clave implica la utilización de modelos extrapolativos o basados ​​en suavizado, que permiten a las empresas hacer predicciones rápidamente basadas únicamente en datos históricos. Esta base basada en el desempeño pasado es crucial para comprender tendencias y patrones, especialmente en variables como las ventas o la demanda de productos. El software de pronóstico va más allá del mero análisis de datos al permitir combinar el juicio profesional con pronósticos estadísticos, reconociendo que el pronóstico no es un proceso único para todos. Esta flexibilidad permite a las empresas incorporar conocimientos humanos y de la industria en el modelo de pronóstico, lo que garantiza una predicción más matizada y precisa.

Funciones como pronosticar múltiples artículos como grupo, considerar la demanda impulsada por la promoción y manejar patrones de demanda intermitentes son capacidades esenciales para las empresas que manejan carteras de productos diversas y condiciones de mercado dinámicas. La implementación adecuada de estas aplicaciones brinda a las empresas herramientas de pronóstico versátiles, lo que contribuye significativamente a la toma de decisiones informadas y la eficiencia operativa.

Modelos extrapolativos

Nuestras soluciones de pronóstico de la demanda admiten una variedad de enfoques de pronóstico, incluidos modelos de pronóstico extrapolativos o basados en suavizamiento, como el suavizado exponencial y los promedios móviles. La filosofía detrás de estos modelos es simple: intentan detectar, cuantificar y proyectar hacia el futuro cualquier patrón repetitivo en los datos históricos.

  Hay dos tipos de patrones que se pueden encontrar en los datos históricos:

• Tendencia
• Estacionalidad

Estos patrones se ilustran en la siguiente figura junto con datos aleatorios.

Ilustración de datos de series de tiempo aleatorias, estacionales y de tendencia

Si el patrón es una tendencia, entonces los modelos extrapolativos, como el suavizado exponencial doble y el promedio móvil lineal, estiman la tasa de aumento o disminución en el nivel de la variable y proyectan esa tasa en el futuro.

Si el patrón es estacionalidad, entonces modelos como Winters y el suavizamiento exponencial triple estiman multiplicadores estacionales o factores de suma estacionales y luego los aplican a las proyecciones de la porción no estacional de los datos.

Muy a menudo, especialmente en el caso de los datos de ventas minoristas, intervienen patrones tanto de tendencia como estacionales. Si estos patrones son estables, se pueden aprovechar para dar pronósticos muy precisos.

A veces, sin embargo, no hay patrones obvios, de modo que los gráficos de los datos parecen ruido aleatorio. A veces los patrones son claramente visibles, pero cambian con el tiempo y no se puede confiar en que se repitan. En estos casos, los modelos extrapolativos no intentan cuantificar ni proyectar patrones. En cambio, intentan promediar el ruido y hacer buenas estimaciones del punto medio de la distribución de los valores de los datos. Estos valores típicos se convierten entonces en pronósticos. A veces, cuando los usuarios ven una trama histórica con muchos altibajos, se preocupan cuando el pronóstico no replica esos altibajos. Normalmente, esto no debería ser motivo de preocupación. Esto ocurre cuando los patrones históricos no son lo suficientemente fuertes como para justificar el uso de un método de pronóstico que replique el patrón. Quiere asegurarse de que sus pronósticos no sufran el "efecto de movimiento" que se describe en este entrada en el blog.

El pasado como predictor del futuro.

El supuesto clave implícito en los modelos extrapolativos es que el pasado es una buena guía para el futuro. Esta suposición, sin embargo, puede fracasar. Algunos de los datos históricos pueden estar obsoletos. Por ejemplo, los datos podrían describir un entorno empresarial que ya no existe. O bien, el mundo que representa el modelo puede estar listo para cambiar pronto, dejando todos los datos obsoletos. Debido a factores tan complicados, los riesgos del pronóstico extrapolativo son menores cuando se pronostica sólo a corto plazo en el futuro.

Los modelos extrapolativos tienen la ventaja práctica de ser baratos y fáciles de construir, mantener y utilizar. Sólo requieren registros precisos de los valores pasados de las variables que necesita pronosticar. A medida que pasa el tiempo, simplemente agrega los últimos puntos de datos a la serie temporal y vuelve a pronosticar. Por el contrario, los modelos causales que se describen a continuación requieren más pensamiento y más datos. La simplicidad de los modelos extrapolativos se aprecia más cuando se tiene un problema de pronóstico masivo, como hacer pronósticos de la demanda de un día para otro para los 30.000 artículos en el inventario de un almacén.

Ajustes de juicio

Los modelos extrapolativos se pueden ejecutar en modo completamente automático con Demand Planner sin necesidad de intervención. Los modelos causales requieren un juicio sustancial para una selección inteligente de variables independientes. Sin embargo, ambos tipos de modelos estadísticos pueden mejorarse mediante ajustes de juicio. Ambos pueden beneficiarse de sus conocimientos.

Tanto el modelo causal como el extrapolativo se basan en datos históricos. Sin embargo, es posible que tenga información adicional que no se refleja en los números que se encuentran en el registro histórico. Por ejemplo, es posible que sepa que las condiciones competitivas pronto cambiarán, tal vez debido a descuentos de precios, tendencias de la industria, la aparición de nuevos competidores o el anuncio de una nueva generación de sus propios productos. Si estos eventos ocurren durante el período para el cual usted está pronosticando, pueden arruinar la precisión de los pronósticos puramente estadísticos. La función de ajuste gráfico de Smart Demand Planner le permite incluir estos factores adicionales en sus pronósticos a través del proceso de ajuste gráfico en pantalla.

Tenga en cuenta que aplicar ajustes del usuario al pronóstico es un arma de doble filo. Si se utiliza adecuadamente, puede mejorar la precisión de los pronósticos al explotar un conjunto más rico de información. Si se utiliza de forma promiscua, puede añadir ruido adicional al proceso y reducir la precisión. Le recomendamos que utilice ajustes de juicio con moderación, pero que nunca acepte ciegamente las predicciones de un método de pronóstico puramente estadístico. También es muy importante medir el valor añadido previsto. Es decir, el valor agregado al proceso de pronóstico por cada paso incremental. Por ejemplo, si aplica anulaciones basadas en conocimientos comerciales, es importante medir si esos ajustes agregan valor al mejorar la precisión del pronóstico. Smart Demand Planner admite la medición del valor agregado del pronóstico mediante el seguimiento de cada pronóstico considerado y la automatización de los informes de precisión del pronóstico. Puede seleccionar pronósticos estadísticos, medir sus errores y compararlos con los anulados. Al hacerlo, informa el proceso de previsión para que se puedan tomar mejores decisiones en el futuro. 

Pronósticos de múltiples niveles

Otra situación común implica la previsión de múltiples niveles, donde se pronostican varios elementos como un grupo o incluso puede haber varios grupos, y cada grupo contiene varios elementos. Generalmente llamaremos a este tipo de pronóstico Pronóstico multinivel. El mejor ejemplo es el pronóstico de líneas de productos, donde cada artículo es miembro de una familia de artículos y el total de todos los artículos de la familia es una cantidad significativa.

Por ejemplo, como en la siguiente figura, es posible que tenga una línea de tractores y desee pronósticos de ventas para cada tipo de tractor y para toda la línea de tractores.

Ilustración de pronósticos de productos de múltiples niveles

 Smart Demand Planner proporciona pronósticos acumulativos y descendentes. Esta función es crucial para obtener pronósticos completos de todos los artículos de productos y el total de su grupo. El método Roll Down/Roll Up dentro de esta función ofrece dos opciones para obtener estos pronósticos:

Acumular (de abajo hacia arriba): esta opción inicialmente pronostica cada artículo individualmente y luego agrega los pronósticos a nivel de artículo para generar un pronóstico a nivel de familia.

Desplazar hacia abajo (de arriba hacia abajo): alternativamente, la opción de desplazamiento hacia abajo comienza formando el total histórico a nivel de familia, lo pronostica y luego asigna proporcionalmente el total al nivel de artículo.

Al utilizar Roll Down/Roll Up, tiene acceso a la gama completa de métodos de pronóstico proporcionados por Smart Demand Planner tanto a nivel de artículo como de familia. Esto garantiza flexibilidad y precisión en la previsión, atendiendo a las necesidades específicas de su negocio en diferentes niveles jerárquicos.

La investigación sobre pronósticos no ha establecido condiciones claras que favorezcan el enfoque de pronóstico de arriba hacia abajo o de abajo hacia arriba. Sin embargo, el enfoque ascendente parece preferible cuando los historiales de los artículos son estables y el énfasis está en las tendencias y patrones estacionales de los artículos individuales. La estrategia descendente suele ser una mejor opción si algunos elementos tienen un historial muy ruidoso o si el énfasis está en la previsión a nivel de grupo. Dado que Smart Demand Planner hace que sea rápido y fácil probar un enfoque tanto ascendente como descendente, debe probar ambos métodos y comparar los resultados. Puede utilizar la función "Retener lo actual" de Smart Demand Planner en "Pronóstico versus real" para probar ambos enfoques con sus propios datos y ver cuál produce un pronóstico más preciso para su negocio. 

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.

​Cuándo se deben utilizar técnicas tradicionales de pronóstico extrapolativo.

Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente. 

Los métodos extrapolativos funcionan bien cuando la demanda tiene un gran volumen y no es demasiado granular (es decir, la demanda se clasifica mensual o trimestralmente). También son muy rápidos y no utilizan tantos recursos informáticos como los métodos probabilísticos y de ML. Esto los hace muy accesibles.

¿Son los métodos tradicionales tan precisos como los métodos de pronóstico más nuevos? Smart ha descubierto que los métodos de extrapolación funcionan muy mal cuando la demanda es intermitente. Sin embargo, cuando la demanda es de mayor volumen, solo funcionan ligeramente peor que nuestros nuevos métodos probabilísticos cuando la demanda se divide mensualmente. Dada su accesibilidad, velocidad y el hecho de que va a aplicar anulaciones de pronóstico basadas en el conocimiento empresarial, la diferencia de precisión de referencia aquí no será material.

La ventaja de los modelos más avanzados, como los métodos probabilísticos GEN2 de Smart, es cuando es necesario predecir patrones utilizando grupos más granulares, como datos diarios (o incluso semanales). Esto se debe a que los modelos probabilísticos pueden simular patrones de día de la semana, semana del mes y mes del año que se perderán con técnicas más simples. ¿Alguna vez ha intentado predecir la estacionalidad diaria con un modelo de Winter? Aquí hay una pista: no funcionará y requiere mucha ingeniería.

Los métodos probabilísticos también brindan valor más allá del pronóstico de referencia porque generan escenarios para usar en las pruebas de estrés de los modelos de control de inventario. Esto los hace más apropiados para evaluar, por ejemplo, cómo un cambio en el punto de reorden afectará las probabilidades de desabastecimiento, las tasas de cumplimiento y otros KPI. Al simular miles de posibles demandas durante muchos plazos de entrega (que a su vez se presentan en forma de escenario), tendrá una idea mucho mejor de cómo funcionarán sus políticas de almacenamiento actuales y propuestas. Puede tomar mejores decisiones sobre dónde realizar aumentos y disminuciones de existencias específicas.

Por lo tanto, no deseche lo viejo por lo nuevo todavía. Solo sepa cuándo necesita un martillo y cuándo necesita un martillo neumático.

Los escenarios probabilísticos son secuencias de puntos de datos generados para representar situaciones potenciales del mundo real. A diferencia de los escenarios de los juegos de guerra u otras simulaciones, se trata de series temporales sintéticas que se utilizan como datos de entrada para los modelos de sistemas o como generadores de intuición para los responsables de la toma de decisiones.

Por ejemplo, se pueden introducir escenarios de demanda futura de artículos en modelos de simulación Monte Carlo de sistemas de control de inventario, creando así un laboratorio virtual en el que explorar las consecuencias de las decisiones de gestión, como cambiar los puntos de reorden y/o las cantidades de los pedidos. Además, los gráficos de métricas como el inventario disponible o los desabastecimientos pueden ayudar a los planificadores de inventario a profundizar su “sensación” de la aleatoriedad inherente a sus operaciones.

La Figura 1 muestra escenarios de demanda diaria generados a partir de una única serie de demanda observada registrada durante un año. Tenga en cuenta que el mismo proceso de generación de datos puede “verse muy diferente” en detalle de una muestra a otra. Esto imita la vida real.

Figura 1: Secuencia de demanda observada y escenarios de demanda derivados de ella.

La Figura 2 muestra dos escenarios de demanda y sus consecuencias para el stock disponible en un sistema de control de inventario particular. La diferencia entre los dos gráficos de inventario ilustra el grado en que la aleatoriedad en la demanda domina el problema. El gráfico superior muestra dos episodios de desabastecimiento, mientras que el gráfico inferior muestra nueve. El promedio de muchos escenarios aclarará los valores típicos de las métricas clave de rendimiento (KPI), como el número promedio de desabastecimientos asociados con cualquier elección de punto de pedido y cantidad de pedido (que son 10 y 25, respectivamente, en la Figura 2).

Figura 2: Dos escenarios de demanda y sus consecuencias para el inventario disponible

En esta nota, describiremos técnicas para crear escenarios y enumeraremos criterios para evaluar generadores de escenarios.

Criterios para escenarios

Como veremos a continuación, hay varias formas de crear escenarios. Independientemente de la fuente, ¿qué criterios definen un escenario “bueno”? Hay cuatro criterios principales: fidelidad, variedad, cantidad y costo. Fidelidad Resume con qué precisión un escenario imita situaciones del mundo real. La alta fidelidad significa que los escenarios reflejan fielmente los acontecimientos reales, proporcionando una base sólida para el análisis y la toma de decisiones. Variedad describe la diversidad de escenarios que un generador puede crear. Un generador versátil puede simular una amplia gama de situaciones potenciales, lo que permite una exploración exhaustiva de posibilidades y riesgos. Cantidad Se refiere a cuántos escenarios puede producir un generador. Un generador que puede crear una gran cantidad de escenarios proporciona amplios datos para el análisis. Costo considera tanto los recursos computacionales como humanos necesarios para producir los escenarios. Un generador de escenarios eficiente equilibra la calidad con el uso de recursos, garantizando que el esfuerzo esté justificado por el valor y la precisión de los resultados.

Generación de escenarios

Nuevamente, piense en un escenario como una serie de tiempo. ¿Cómo se crean los escenarios?

1. Taller de Geppetto: Este enfoque implica la elaboración manual de escenarios por parte de expertos. Si bien puede producir alta fidelidad (realismo), requiere muchos recursos y no puede generar variedad fácilmente, lo que requiere una gran cantidad de escenarios.
2. Día de la Marmota: Este método implica el uso repetido de una única situación del mundo real como entrada. Si bien es realista por definición y rentable (no se utilizan recursos más allá del registro de los datos), este enfoque carece de variedad y, por lo tanto, no puede reflejar con precisión la diversidad de escenarios del mundo real.
3. Modelos paramétricos: Ejemplos de modelos paramétricos son los clásicos estudiados en las clases de Estadística 101: el Normal, exponencial, Poisson, etc. Los gráficos de demanda en la Figura 2 se generan paramétricamente, siendo los cuadrados de variables aleatorias de Poisson. Estos modelos generan una cantidad ilimitada de escenarios de bajo costo con buena variedad, pero es posible que no siempre capturen la complejidad de los datos del mundo real, lo que podría comprometer la fidelidad. Cuando la realidad es más complicada, estos modelos generan escenarios demasiado simplificados.
4. Bootstraps de series temporales no paramétricas: Este enfoque puede obtener buenos resultados en todos los criterios: fidelidad, variedad, cantidad y costo. Es un método versátil que sobresale en la creación de una gran cantidad de escenarios realistas. Los historiales de demanda sintéticos en la Figura 1 son muestras de arranque simples basadas en los valores observados en el gráfico superior. (Para obtener algunos detalles esenciales sobre la generación de escenarios, consulte los enlaces a continuación).

Escenarios de explotación

Los escenarios demuestran su valor de dos maneras: como insumos para la toma de decisiones y como generadores de intuición. Por ejemplo, cuando los escenarios de demanda se utilizan como datos de entrada para los modelos de simulación, permiten realizar pruebas de estrés y estimar el rendimiento para el diseño del sistema. Los escenarios también pueden servir como generadores de intuición para los tomadores de decisiones o los operadores de sistemas. Su representación visual ayuda a desarrollar una visión y apreciación de los riesgos involucrados en la toma de decisiones operativas, ya sea para el pronóstico de la demanda o la gestión de inventario.

El análisis basado en escenarios requiere mucha informática, especialmente cuando los escenarios se generan mediante arranque. En Smart Software, la computación se realiza en la nube. Imagine la carga computacional involucrada en determinar los puntos de reorden y las cantidades de los pedidos para cada una de las decenas de miles de artículos del inventario utilizando cientos o miles de simulaciones de demanda para cada artículo. Imagine además que el software no sólo evalúa un par de punto de reorden/cantidad de pedido específico propuesto, sino que recorre todo el “espacio de diseño” de pares para encontrar el mejor par de parámetros de control para cada artículo. Para que esto sea práctico, aprovechamos el poder de procesamiento paralelo de la nube. Esencialmente, a cada artículo del inventario se le asigna su propia computadora para usar en los cálculos, de modo que todos esos cálculos puedan ocurrir simultáneamente en lugar de secuencialmente. Ahora podemos soltarnos y realmente brindarle los resultados que necesita.

Aprendiendo más

Aquellos interesados en más detalles técnicos y referencias pueden encontrar más información aquí.

¿Qué constituye un pronóstico probabilístico?

Pronóstico Probabilístico y Demanda Intermitente