“A pesar de lo que has visto en tus caricaturas de los sábados por la mañana, los elefantes no pueden saltar, y hay una razón simple: no tienen que hacerlo. La mayoría de los animales nerviosos (canguros, monos y ranas) lo hacen principalmente para alejarse de los depredadores”. — Patrick Monahan, Science.org, 27 de enero de 2016.

Ahora sabe por qué las empresas de ERP más grandes no pueden desarrollar las mejores soluciones de alta calidad. Nunca tuvieron que hacerlo, por lo que nunca evolucionaron para innovar fuera de su enfoque principal. 

Sin embargo, a medida que los sistemas ERP se convirtieron en productos básicos, las brechas en su funcionalidad se volvieron imposibles de ignorar. Los jugadores más grandes buscaron proteger su parte de la cartera de los clientes prometiendo desarrollar aplicaciones complementarias innovadoras para llenar todos los espacios en blanco. Pero sin ese “músculo de la innovación”, muchos proyectos fracasaron y se acumularon montañas de deuda técnica.

Las mejores empresas de su clase evolucionaron para innovar y tener una profunda experiencia funcional en verticales específicos. El resultado es que los mejores complementos de ERP son más fáciles de usar, tienen más funciones y ofrecen más valor que los módulos de ERP nativos que reemplazan. 

Si su proveedor de ERP ya se ha asociado con un innovador proveedor de complementos*, ¡ya está listo! Pero si solo puede obtener lo básico de su ERP, opte por un complemento de primera clase que tenga una integración personalizada con el ERP. 

Un excelente lugar para comenzar su búsqueda es buscar complementos de planificación de la demanda de ERP que agreguen inteligencia a la fuerza del ERP, es decir, aquellos que respaldan la optimización del inventario y la previsión de la demanda. Aproveche las herramientas complementarias como las aplicaciones de pronóstico estadístico, planificación de la demanda y optimización de inventario de Smart para desarrollar pronósticos y políticas de almacenamiento que se retroalimentan al sistema ERP para impulsar los pedidos diarios. 

*Las tiendas de aplicaciones son una licencia para que lo mejor de su clase venda en la base de empresas de ERP, siendo sociedades cotizadas.

Si últimamente tenías la cabeza en alto, es posible que hayas notado alguna locura adicional fuera de la cancha de baloncesto: el fracaso del Silicon Valley Bank. Aquellos de nosotros en el mundo de la cadena de suministro tal vez hayamos descartado la quiebra del banco como un problema de otra persona, pero ese lamentable episodio también contiene una gran lección para nosotros: la importancia de hacer bien las pruebas de estrés.

Él El Correo de Washington Recientemente se publicó un artículo de opinión de Natasha Sarin llamado “Los reguladores se perdieron los problemas de Silicon Valley Bank durante meses. Este es el por qué." Sarin describió las fallas en el régimen de pruebas de estrés impuesto al banco por la Reserva Federal. Un problema es que las pruebas de estrés son demasiado estáticas. El factor de estrés de la Fed para el crecimiento del PIB nominal fue un escenario único que enumeraba valores supuestos durante los próximos 13 trimestres (ver Figura 1). Esas 13 proyecciones trimestrales pueden ser la opinión consensuada de alguien sobre cómo se vería un mal día para el cabello, pero esa no es la única forma en que podrían desarrollarse las cosas. Como sociedad, se nos enseña a apreciar una mejor manera de mostrar las contingencias cada vez que el Servicio Meteorológico Nacional nos muestra las trayectorias proyectadas de los huracanes (consulte la Figura 2). Cada escenario representado por una línea de color diferente muestra una posible trayectoria de tormenta, y las líneas concentradas representan la más probable. Al exponer las rutas de menor probabilidad, se mejora la planificación de riesgos.

Al realizar pruebas de estrés en la cadena de suministro, necesitamos escenarios realistas de posibles demandas futuras que podrían ocurrir, incluso demandas extremas. Smart proporciona esto en nuestro software (con mejoras considerables en nuestros métodos Gen2). El software genera una gran cantidad de escenarios de demanda creíbles, suficientes para exponer el alcance completo de los riesgos (consulte la Figura 3). Las pruebas de estrés tienen que ver con la generación de cantidades masivas de escenarios de planificación, y los métodos probabilísticos de Smart son una desviación radical de las aplicaciones S&OP deterministas anteriores, ya que se basan completamente en escenarios.

La otra falla en las pruebas de estrés de la Fed fue que fueron diseñadas con meses de anticipación pero nunca actualizadas para las condiciones cambiantes. Los planificadores de la demanda y los gerentes de inventario aprecian intuitivamente que las variables clave como la demanda de artículos y el tiempo de entrega del proveedor no solo son muy aleatorias, incluso cuando las cosas son estables, sino que también están sujetas a cambios abruptos que deberían requerir una reescritura rápida de los escenarios de planificación (consulte la Figura 4, donde la demanda promedio salta dramáticamente entre las observaciones 19 y 20). Los productos Gen2 de Smart incluyen nueva tecnología para detectar tales "cambios de régimen” y cambiando automáticamente los escenarios en consecuencia.

Los bancos se ven obligados a someterse a pruebas de estrés, por muy defectuosas que sean, para proteger a sus depositantes. Los profesionales de la cadena de suministro ahora tienen una manera de proteger sus cadenas de suministro mediante el uso de un software moderno para realizar pruebas de estrés de sus planes de demanda y decisiones de gestión de inventario.

Figura 1: Escenarios utilizados por la Fed para hacer pruebas de estrés a los bancos.

Figura 2: Escenarios utilizados por el Servicio Meteorológico Nacional para predecir las trayectorias de los huracanes

Figura 3: Escenarios de demanda del tipo generado por Smart Demand Planner

Figura 4: Ejemplo de cambio de régimen en la demanda del producto después de la observación #19

Hay una cosa que recuerdo casi todos los días en Smart Software que me desconcierta: la mayoría de las empresas no entienden cómo se crean los pronósticos y cómo se determinan las políticas de almacenamiento. Es una caja negra organizativa. Aquí hay un ejemplo de una llamada de ventas reciente:

¿Cómo pronosticas?
Usamos la historia.

¿Cómo usas la historia?
¿Qué quieres decir?

Bueno, puede tomar un promedio del último año, los últimos dos años, promediar los períodos más recientes o usar algún otro tipo de fórmula para generar el pronóstico.
Estoy bastante seguro de que usamos un promedio de los últimos 12 meses.

¿Por qué 12 meses en lugar de una cantidad diferente de historia?
12 meses es una buena cantidad de tiempo porque no se distorsiona con datos más antiguos, pero es lo suficientemente reciente.

¿Cómo sabes que es más preciso que usar 18 meses o alguna otra longitud de la historia?
no lo sabemos Ajustamos las previsiones en función de los comentarios de las ventas.  

¿Sabes si los ajustes hacen que las cosas sean más precisas o menos que si solo usaras el promedio?
No lo sabemos, pero confiamos en que las previsiones están infladas.

¿Qué hacen entonces los compradores de inventario si creen que los números están inflados?
Tienen mucho conocimiento comercial y ajustan sus compras en consecuencia.

Entonces, ¿es justo decir que ignorarían los pronósticos al menos parte del tiempo?
Sí, algunas veces.

¿Cómo deciden los compradores cuándo pedir más? ¿Tiene un punto de pedido o stock de seguridad especificado en su sistema ERP que ayuda a guiar estas decisiones?
Sí, utilizamos un campo de stock de seguridad.

¿Cómo se calcula el stock de seguridad?
Los compradores determinan esto en función de la importancia del artículo, los plazos de entrega y otras consideraciones, como cuántos clientes compran el artículo, la velocidad del artículo, su costo. Llevarán diferentes cantidades de existencias de seguridad dependiendo de esto.

La discusión continuó. La conclusión principal aquí es que cuando rascas justo debajo de la superficie, se revelan muchas más preguntas que respuestas. Esto a menudo significa que el proceso de planificación de inventario y previsión de la demanda es muy subjetivo, varía de planificador a planificador, el resto de la organización no lo entiende bien y es probable que sea reactivo. Como ha descrito Tom Willemain, es “un caos enmascarado por la improvisación”. El proceso “tal como está” debe estar completamente identificado y documentado. Solo entonces se pueden exponer las brechas y se pueden realizar mejoras.   Aquí hay una lista de 10 preguntas que puede hacer que revelará el verdadero proceso de previsión, planificación de la demanda y planificación del inventario de su organización.

A veces, un pronóstico estadístico simplemente no tiene sentido. Todos los pronosticadores han estado allí. Pueden volver a verificar que los datos se ingresaron correctamente o revisar la configuración del modelo, pero todavía se quedan pensando por qué el pronóstico se ve muy diferente al historial de demanda. Cuando el pronóstico ocasional no tiene sentido, puede erosionar la confianza en todo el proceso de pronóstico estadístico.

Este blog ayudará a un profano a comprender qué son los modelos estadísticos inteligentes y cómo se eligen automáticamente. Abordará cómo esa elección a veces falla, cómo puede saber si lo hizo y qué puede hacer para garantizar que los pronósticos siempre puedan justificarse. Es importante saber esperar y cómo detectar las excepciones para que pueda confiar en su sistema de pronóstico.

Cómo se eligen los métodos automáticamente

El criterio para elegir automáticamente un método estadístico de un conjunto se basa en qué método estuvo más cerca de predecir correctamente el historial retenido. El historial anterior se pasa a cada método y el resultado se compara con los datos reales para encontrar el que más se acercó en general. Ese método elegido automáticamente se alimenta de todo el historial para producir el pronóstico. Consulte este blog para obtener más información sobre la selección de modelos. https://smartcorp.com/uncategorized/statistical-forecasting-how-automatic-method-selection-works/

Para la mayoría de las series temporales, este proceso puede capturar tendencias, estacionalidad y volumen promedio con precisión. Pero a veces, un método elegido se acerca matemáticamente a la predicción del historial retenido, pero no lo proyecta hacia adelante de una manera que tenga sentido. Eso significa que el método seleccionado por el sistema no es el mejor y, para algunos, es "difícil de pronosticar".

Artículos difíciles de pronosticar

Los artículos difíciles de pronosticar pueden tener picos grandes e impredecibles en la demanda, o por lo general no hay demanda pero hay irregularidades aleatorias o actividad reciente inusual. El ruido en los datos a veces se desplaza aleatoriamente hacia arriba o hacia abajo, y el método automatizado de mejor selección podría pronosticar una tendencia desbocada o una reducción a cero. Lo hará peor que el sentido común y en un pequeño porcentaje de cualquier grupo razonablemente variado de elementos. Por lo tanto, deberá identificar estos casos y responder anulando el pronóstico o cambiando las entradas del pronóstico.

Cómo encontrar las excepciones

La mejor práctica es filtrar u ordenar los elementos pronosticados para identificar aquellos en los que la suma del pronóstico durante el próximo año es significativamente diferente al historial correspondiente del año pasado. La suma del pronóstico puede ser mucho más baja que el historial o viceversa. Utilice las métricas proporcionadas para identificar estos elementos; luego puede optar por aplicar anulaciones al pronóstico o modificar la configuración del pronóstico.

Cómo arreglar las excepciones

A menudo, cuando el pronóstico parece extraño, un método de promediación, como el suavizado exponencial único o incluso un promedio simple con estilo libre, producirá un pronóstico más razonable. Si la tendencia es posiblemente válida, puede eliminar solo los métodos estacionales para evitar un resultado falsamente estacional. O haga lo contrario y use solo métodos estacionales si se espera estacionalidad pero no se proyectó en el pronóstico predeterminado. Puede usar las funciones hipotéticas para crear cualquier cantidad de pronósticos, evaluar y comparar, y continuar ajustando la configuración hasta que se sienta cómodo con el pronóstico.

Limpiar el historial, con o sin cambiar la selección automática del método, también es efectivo para producir pronósticos razonables. Puede incrustar parámetros de previsión para reducir la cantidad de historial utilizado para pronosticar esos elementos o la cantidad de períodos pasados en el algoritmo, de modo que ya no se tenga en cuenta el historial anterior y desactualizado. Puede editar picos o caídas en el historial de demanda que son anomalías conocidas para que no influyan en el resultado. También puede trabajar con el equipo de Smart para implementar la detección y eliminación automática de valores atípicos para que los datos antes de ser pronosticados ya estén limpios de estas anomalías.

Si la demanda es realmente intermitente, será casi imposible pronosticar "con precisión" por período. Si un promedio de nivel de carga no es aceptable, el manejo del artículo mediante el establecimiento de una política de inventario con un pronóstico de tiempo de entrega puede ser efectivo. Alternativamente, puede optar por utilizar modelos "igual que el año pasado" que, si bien no son propensos a la precisión, serán generalmente aceptados por la empresa dadas las previsiones alternativas.

Finalmente, si el elemento se introdujo tan recientemente que los algoritmos no tienen suficiente entrada para pronosticar con precisión, lo mejor puede ser un promedio simple o un pronóstico manual. Puede identificar elementos nuevos filtrando por el número de períodos históricos.

Selección manual de métodos.

Una vez que haya identificado las filas en las que el pronóstico no tiene sentido para el ojo humano, puede elegir un subconjunto más pequeño de todos los métodos para permitir la ejecución del pronóstico y compararlo con el historial. Smart le permitirá usar un conjunto restringido de métodos solo para una ejecución de pronóstico o incrustar el conjunto restringido para usarlo en todas las ejecuciones de pronóstico en el futuro. Diferentes métodos proyectarán la historia hacia el futuro de diferentes maneras. Tener una idea de cómo funciona cada uno lo ayudará a elegir cuál permitir.

Confíe en su herramienta de previsión

Cuanto más utilice Smart period over period para incorporar sus decisiones sobre cómo pronosticar y qué datos históricos considerar, menos a menudo se enfrentará a las excepciones que se describen en este blog. Ingresar parámetros de pronóstico es una tarea manejable cuando se comienza con artículos críticos o de alto impacto. Incluso si no integra ninguna decisión manual en los métodos de pronóstico, el pronóstico se vuelve a ejecutar cada período con nuevos datos. Por lo tanto, un artículo con un resultado extraño hoy puede volverse fácilmente predecible en el tiempo.

“Independientemente de cuánto esfuerzo se invierta en capacitar a los pronosticadores y desarrollar sistemas elaborados de apoyo a los pronósticos, los tomadores de decisiones modificarán o descartarán las predicciones si no confían en ellas”. — Dilek Onkal, International Journal of Forecasting 38:3 (julio-septiembre de 2022), p.802.

Las palabras citadas arriba me llamaron la atención y provocaron esta publicación. Aquellos con una persuasión geek, como su blogger, se inclinan a pensar en los pronósticos como un problema estadístico. Si bien eso es obviamente cierto, aquellos de cierta edad, como tu blogger, entienden que la previsión también es una actividad social y, por lo tanto, tiene un gran componente humano.

¿En qué confías?

Hay una dimensión relacionada con la confianza: no en quién confías sino en qué confías. Con esto me refiero tanto a los datos como al software.

Confianza en los datos

La confianza en los datos sustenta la confianza en el pronosticador que utiliza los datos. La mayoría de nuestros clientes tienen sus datos en un sistema ERP. Estos datos deben entenderse como un activo corporativo clave. Para que los datos sean confiables, deben tener las “tres C”, es decir, deben ser correctos, completos y actuales.

La corrección es obviamente fundamental. Una vez tuvimos un cliente que estaba implementando un proceso de pronóstico nuevo y sólido, pero encontró que los resultados estaban completamente en desacuerdo con su sentido de lo que estaba sucediendo en el negocio. Resultó que varios de sus flujos de datos eran incorrectos por un factor de dos, lo cual es un gran error. Por supuesto, esto retrasó el proceso de implementación hasta que pudieron identificar y corregir todos los errores graves en sus datos de demanda.

Hay un punto menos obvio que hacer sobre la corrección. Es decir, los datos son aleatorios, por lo que lo que ve ahora no es probable que sea lo que verá a continuación. Planificar la producción basándose en la suposición de que la demanda de la próxima semana será exactamente la misma que la demanda de esta semana es claramente una tontería, pero los modelos clásicos de pronóstico basados en fórmulas, como el suavizado exponencial mencionado anteriormente, proyectarán el mismo número a lo largo del horizonte de pronóstico. Aquí es donde planificación basada en escenarios es esencial para hacer frente a las inevitables fluctuaciones de variables clave como las demandas de los clientes y los plazos de reposición de los proveedores.

La integridad es el segundo requisito para que los datos sean confiables. En última instancia, nuestro software obtiene gran parte de su valor al exponer los vínculos entre las decisiones operativas (p. ej., seleccionar los puntos de pedido que rigen la reposición de existencias) y las métricas relacionadas con el negocio, como los costos de inventario. Sin embargo, a menudo la implementación del software de pronóstico se retrasa porque la información sobre la demanda de artículos está disponible en algún lugar, pero no así los costos de mantenimiento, pedido y/o escasez. O, para citar otro ejemplo reciente, un cliente pudo dimensionar adecuadamente solo la mitad de su inventario de repuestos para piezas reparables porque nadie había estado rastreando cuándo se averiaba la otra mitad, lo que significa que no había información sobre el tiempo medio antes de la falla (MTBF) , por lo que no fue posible modelar el comportamiento ante averías de la mitad de la flota de repuestos reparables.

Finalmente, la vigencia de los datos es importante. A medida que aumenta la velocidad de los negocios y los ciclos de planificación de la empresa pasan de un ritmo trimestral o mensual a un ritmo semanal o diario, se vuelve deseable explotar la agilidad que brindan las cargas nocturnas de datos transaccionales diarios en la nube. Esto permite ajustes de alta frecuencia de pronósticos y/o parámetros de control de inventario para artículos que experimentan alta volatilidad y cambios repentinos en la demanda. Cuanto más frescos sean los datos, más fiable será el análisis.

Confíe en el software de previsión de la demanda

Incluso con datos de alta calidad, los pronosticadores aún deben confiar en el software analítico que procesa los datos. Esta confianza debe extenderse tanto al propio software como al entorno informático en el que funciona.

Si los pronosticadores usaron software local, deben confiar en sus propios departamentos de TI para salvaguardar los datos y mantenerlos disponibles para su uso. Si, en cambio, desean explotar el poder de los análisis basados en la nube, los clientes deben confiar su información confidencial a sus proveedores de software. El software de nivel profesional, como el nuestro, justifica la confianza de los clientes a través de la certificación SOC 2. La certificación SOC 2 fue desarrollada por el Instituto Americano de CPA y define los criterios para administrar los datos de los clientes en función de cinco "principios de servicio de confianza": seguridad, disponibilidad, integridad de procesamiento, confidencialidad y privacidad.

¿Qué pasa con el software en sí? ¿Qué se necesita para que sea confiable? Los criterios principales aquí son la corrección de los algoritmos y la fiabilidad funcional. Si el proveedor tiene un proceso de desarrollo de programas profesional, habrá pocas posibilidades de que el software termine calculando los números incorrectos debido a un error de programación. Y si el proveedor tiene un riguroso proceso de aseguramiento de la calidad, habrá pocas posibilidades de que el software se bloquee justo cuando el pronosticador tiene una fecha límite o debe lidiar con un análisis emergente para una situación especial.

Resumen

Para ser útiles, los responsables de la toma de decisiones deben confiar en los pronosticadores y sus pronósticos. Esa confianza depende de las características de los pronosticadores y sus procesos y comunicación. También depende de la calidad de los datos y el software utilizado para crear los pronósticos.

Lee la 1ra parte de este Blog “En quién confías” aquí: https://smartcorp.com/forecasting/the-role-of-trust-in-the-demand-forecasting-process-part-1-who/