Un pronóstico es una predicción sobre el valor de una variable de una serie de tiempo en algún momento en el futuro. Por ejemplo, es posible que desee estimar las ventas o la demanda de un producto del próximo mes. Una serie de tiempo es una secuencia de números registrados en intervalos de tiempo igualmente espaciados; por ejemplo, las ventas unitarias registradas cada mes.

Los objetivos que persigue cuando realiza previsiones dependen de la naturaleza de su trabajo y de su negocio. Todo pronóstico es incierto; de hecho, existe un rango de valores posibles para cualquier variable que pronostique. Los valores cercanos a la mitad de este rango tienen una mayor probabilidad de ocurrir realmente, mientras que los valores en los extremos del rango tienen menos probabilidades de ocurrir. La siguiente figura ilustra una distribución típica de los valores de pronóstico.

Ilustración de una distribución prevista de los valores previstos

Pronósticos puntuales

El uso más común de los pronósticos es estimar una secuencia de números que representan los valores futuros más probables de la variable de interés. Por ejemplo, supongamos que está desarrollando un plan de ventas y marketing para su empresa. Es posible que deba completar 12 celdas en una hoja de cálculo financiera con estimaciones de los ingresos totales de su empresa durante los próximos 12 meses. Estas estimaciones se denominan pronósticos puntuales porque se desea un único número (punto de datos) para cada período de pronóstico. La función de pronóstico automático de Smart Demand Planner le proporciona estos pronósticos puntuales automáticamente.

Pronósticos de intervalo

Aunque los pronósticos puntuales son convenientes, a menudo se beneficiará más de los pronósticos de intervalo. Los pronósticos de intervalo muestran el rango (intervalo) más probable de valores que podrían surgir en el futuro. Suelen ser más útiles que los pronósticos puntuales porque transmiten la cantidad de incertidumbre o riesgo involucrado en un pronóstico. El porcentaje del intervalo de pronóstico se puede especificar en los distintos cuadros de diálogo de pronóstico en el software de planificación de demanda..  Cada uno de los muchos métodos de pronóstico (automático, promedio móvil, suavizado exponencial, etc.) disponibles en Smart Demand Planner le permite establecer un intervalo de pronóstico.

La configuración predeterminada en Smart Demand Planner proporciona intervalos de pronóstico 90%. Interprete estos intervalos como el rango dentro del cual los valores reales caerán el 90% del tiempo. Si los intervalos son amplios, entonces existe una gran incertidumbre asociada con los pronósticos puntuales. Si los intervalos son estrechos, puedes tener más confianza. Si está realizando una función de planificación y desea valores del mejor y peor caso para las variables de interés en varios momentos en el futuro, puede utilizar los límites superior e inferior de los intervalos de pronóstico para ese propósito, con la estimación de un solo punto proporcionando la valor más probable. En la figura anterior, el intervalo de previsión del 90% se extiende de 3,36 a 6,64.

percentiles superiores

En el control de inventario, su objetivo puede ser hacer buenas estimaciones de un percentil alto de la demanda de un producto. Estas estimaciones le ayudan a hacer frente a la disyuntiva entre, por un lado, minimizar los costos de mantener y ordenar existencias y, por otra parte, minimizar el número de ventas perdidas o pendientes de entrega debido a un desabastecimiento. Por esta razón, es posible que desees conocer el percentil 99 o nivel de servicio de demanda, ya que la probabilidad de superar ese nivel es de sólo 1%.

Al pronosticar variables individuales con características como el pronóstico automático, tenga en cuenta que el límite superior de un intervalo de pronóstico 90% representa el percentil 95 de la distribución prevista de la demanda para esa variable. (Restar el percentil 5 del percentil 95 deja un intervalo que contiene 95%-5% = 90% de los valores posibles). Esto significa que puede estimar los percentiles superiores cambiando el valor del intervalo de pronóstico. En la figura, "Ilustrando una distribución prevista", el percentil 95 es 6,64.

Para optimizar las políticas de almacenamiento al nivel de servicio deseado o para permitir que el sistema recomiende qué política de almacenamiento y nivel de servicio genera el mejor rendimiento, considere utilizar la optimización inteligente de inventario. Está diseñado para admitir escenarios hipotéticos que muestran compensaciones previstas de distintas políticas de inventario, incluidos diferentes objetivos de nivel de servicio.

percentiles inferiores

A veces puede que le preocupe el extremo inferior de la distribución prevista para una variable. Estos casos suelen surgir en aplicaciones financieras, donde un percentil bajo de una estimación de ingresos representa una contingencia que requiere reservas financieras. Puede utilizar Smart Demand Planner en este caso de forma análoga al caso de la previsión de percentiles superiores. En la figura "Ilustración de una distribución prevista", el percentil 5 es 3,36.

En conclusión, la previsión implica predecir valores futuros, con pronósticos puntuales que ofrecen estimaciones únicas y pronósticos de intervalo que proporcionan rangos de valores probables. Smart Demand Planner automatiza los pronósticos puntuales y permite a los usuarios establecer intervalos, lo que ayuda en la evaluación de la incertidumbre. Para el control de inventario, la herramienta facilita la comprensión de los percentiles superior (por ejemplo, percentil 99) e inferior (por ejemplo, percentil 5). Para optimizar las políticas de almacenamiento y los niveles de servicio, Smart Inventory Optimization admite escenarios hipotéticos, lo que garantiza una toma de decisiones eficaz sobre cuánto almacenar teniendo en cuenta el riesgo de desabastecimiento que está dispuesto a aceptar.

Belmont, MA, junio de 2023 – Smart Software, Inc., proveedor de soluciones de optimización de inventario, planificación y pronóstico de la demanda líderes en la industria, anunció hoy la concesión de la patente estadounidense 11,656,887, “SISTEMA Y MÉTODO PARA SIMULAR LA DEMANDA Y OPTIMIZAR LOS PARÁMETROS DE CONTROL PARA UNA PLATAFORMA TECNOLÓGICA”.

La patente dirige “soluciones técnicas para analizar datos históricos de demanda de recursos en una plataforma tecnológica para facilitar la gestión de un proceso automatizado en la plataforma”. Una aplicación importante es la optimización de los inventarios de piezas.

Los aspectos de la invención incluyen: un proceso de arranque avanzado que convierte una única serie temporal observada de demanda de artículos en un número ilimitado de escenarios de demanda realistas; a proceso de predicción del rendimiento que ejecuta simulaciones Monte Carlo de una política de control de inventario propuesta para evaluar su desempeño; y un proceso de mejora del desempeño que utiliza el proceso de predicción del rendimiento para explorar automáticamente el espacio de diseños de sistemas alternativos para identificar valores óptimos de los parámetros de control, seleccionando aquellos que minimicen el costo operativo y al mismo tiempo garanticen un nivel objetivo de disponibilidad del artículo.

La nueva tecnología analítica descrita en la patente formará la base para el próximo lanzamiento de la próxima generación ("Gen2") de Planificador de demanda inteligente™ y Smart IP&O™. Los clientes y revendedores actuales pueden obtener una vista previa de Gen2 comunicándose con su representante de ventas de Smart Software.

La investigación subyacente a la patente fue autofinanciada por Smart, complementada con subvenciones competitivas para investigación de innovación en pequeñas empresas de la Fundación Nacional de Ciencias de EE. UU.

Acerca de Smart Software, Inc.
Fundada en 1981, Smart Software, Inc. es líder en brindar a las empresas soluciones de optimización de inventario, planificación y previsión de la demanda para toda la empresa. Las soluciones de optimización de inventario y previsión de la demanda de Smart Software han ayudado a miles de usuarios en todo el mundo, incluidos clientes como Disney, Arizona Public Service, Ameren y la Cruz Roja Americana. La plataforma de optimización y planificación de inventario de Smart, Smart IP&O, brinda a los planificadores de la demanda las herramientas para manejar la estacionalidad de las ventas, las promociones, los productos nuevos y antiguos, las jerarquías multidimensionales y las piezas de servicio y bienes de capital con demanda intermitente. También proporciona a los administradores de inventario estimaciones precisas del inventario óptimo y del stock de seguridad necesarios para cumplir con los pedidos futuros y lograr los niveles de servicio deseados. Smart Software tiene su sede en Belmont, Massachusetts, y nuestro sitio web es www.smartcorp.com.

Fuera del trabajo, es posible que haya escuchado el famoso dicho "Correlación no es causalidad". Puede sonar como una tontería teórica que, aunque involucrada en un Premio Noble reciente en economía, no es relevante para su trabajo como planificador de la demanda. De ser así, es posible que solo tengas razón en parte.

Modelos extrapolativos vs causales

La mayoría de los pronósticos de demanda utilizan modelos extrapolativos. También llamados modelos de series de tiempo, estos pronostican la demanda usando solo los valores pasados de la demanda de un artículo. Los gráficos de valores pasados revelan la tendencia, la estacionalidad y la volatilidad, por lo que son buenos para muchas cosas. Pero existe otro tipo de modelo, los modelos causales, que potencialmente pueden mejorar la precisión de los pronósticos más allá de lo que puede obtener de los modelos extrapolativos.

Los modelos causales aportan más datos de entrada a la tarea de previsión: información sobre supuestos "impulsores" de previsión externos al historial de demanda de un artículo. Los ejemplos de factores causales potencialmente útiles incluyen variables macroeconómicas como la tasa de inflación, la tasa de crecimiento del PIB y los precios de las materias primas. Los ejemplos que no están vinculados a la economía nacional incluyen las tasas de crecimiento específicas de la industria y el gasto publicitario propio y de la competencia. Estas variables generalmente se utilizan como entradas para los modelos de regresión, que son ecuaciones con la demanda como salida y variables causales como entradas.

Pronóstico utilizando modelos causales

Muchas empresas tienen un proceso S&OP que implica una revisión mensual de pronósticos estadísticos (extrapolativos) en los que la gerencia ajusta los pronósticos según su criterio. A menudo, esta es una forma indirecta y subjetiva de trabajar con modelos causales en el proceso sin hacer el modelo de regresión.

Para hacer realmente un modelo de regresión causal, primero debe designar una lista de variables predictoras causales potencialmente útiles. Estos pueden provenir de su experiencia en la materia. Por ejemplo, suponga que fabrica vidrio para ventanas. Gran parte de su vidrio puede terminar en casas nuevas y edificios de oficinas nuevos. Por lo tanto, la cantidad de casas y oficinas nuevas que se están construyendo son variables predictoras plausibles en una ecuación de regresión.

Aquí hay una complicación: si está usando la ecuación para predecir algo, primero debe predecir los predictores. Por ejemplo, las ventas de vidrio del próximo trimestre pueden estar fuertemente relacionadas con el número de viviendas nuevas y edificios de oficinas nuevos el próximo trimestre. Pero, ¿cuántas casas nuevas habrá el próximo trimestre? Ese es su propio problema de pronóstico. Entonces, tiene un modelo de pronóstico potencialmente poderoso, pero tiene trabajo adicional que hacer para que sea utilizable.

Hay una forma de simplificar las cosas: si las variables predictoras son versiones "retrasadas" de sí mismas. Por ejemplo, la cantidad de nuevos permisos de construcción emitidos hace seis meses puede ser un buen predictor de las ventas de vidrio el próximo mes. No tiene que predecir los datos del permiso de construcción, solo tiene que buscarlos.

¿Es una relación causal o simplemente una correlación espuria?

Los modelos causales son el verdadero negocio: hay un mecanismo real que relaciona la variable predictora con la variable predicha. El ejemplo de predecir las ventas de vidrio a partir de los permisos de construcción es un ejemplo.

Una relación de correlación es más dudosa. Existe una asociación estadística que puede o no proporcionar una base sólida para la previsión. Por ejemplo, suponga que vende un producto que atrae más a los holandeses pero no se da cuenta. Los holandeses son, en promedio, las personas más altas de Europa. Si sus ventas están aumentando y la altura promedio de los europeos está aumentando, puede usar esa relación con buenos resultados. Sin embargo, si la proporción de holandeses en la zona euro está disminuyendo mientras que la estatura promedio está aumentando porque la mezcla de hombres versus mujeres se está desplazando hacia los hombres, ¿qué puede salir mal? Esperará que las ventas aumenten porque la estatura promedio está aumentando. Pero sus ventas son principalmente a los holandeses, y su proporción relativa de la población se está reduciendo, por lo que sus ventas realmente van a disminuir. En este caso, la asociación entre las ventas y la altura del cliente es una correlación espuria.

¿Cómo se puede saber la diferencia entre relaciones verdaderas y espurias? El estándar de oro es hacer un experimento científico riguroso. Pero no es probable que esté en condiciones de hacerlo. En cambio, debe confiar en su “modelo mental” personal de cómo funciona su mercado. Si sus corazonadas son correctas, entonces sus modelos causales potenciales se correlacionarán con la demanda y los modelos causales le darán sus frutos, ya sea para complementar los modelos extrapolables o para reemplazarlos.

Estos son ejemplos de problemas de pronóstico que SmartForecasts puede resolver, junto con los tipos de datos comerciales representativos de cada uno.

Pronosticar un artículo en función de su patrón

Dadas las siguientes seis cifras de ventas trimestrales, ¿qué ventas puede esperar para el tercer y cuarto trimestre de 2023?

Ventas por Trimestre

SmartForecasts le brinda muchas formas de abordar este problema. Puede hacer sus propios pronósticos estadísticos utilizando cualquiera de los seis Suavizado exponencial y media móvil métodos. O, como la mayoría de los pronosticadores no técnicos, puede usar el comando Automático que ahorra tiempo, que ha sido programado para seleccionar y usar automáticamente el método más preciso para sus datos. Finalmente, para incorporar su juicio comercial en el proceso de pronóstico, puede ajustar gráficamente cualquier resultado de pronóstico estadístico usando SmartForecasts. ajuste de "globo ocular" capacidades.

Pronosticar un artículo en función de su relación con otras variables.

Dada la siguiente relación histórica entre las ventas de unidades y la cantidad de representantes de ventas, ¿qué niveles de ventas puede esperar cuando se produzca el aumento planificado del personal de ventas durante los dos últimos trimestres de 2023?

Ventas y Representantes de Ventas por Trimestre

Puede responder una pregunta como esta usando el poderoso SmartForecasts Regresión comando, diseñado específicamente para facilitar las aplicaciones de pronóstico que requieren soluciones de análisis de regresión. Los modelos de regresión con un número esencialmente ilimitado de variables predictoras/independientes son posibles, aunque la mayoría de los modelos de regresión útiles usan solo un puñado de predictores.

Pronosticar simultáneamente una cantidad de artículos de productos y su total

Dadas las siguientes ventas totales de todas las camisas de vestir y la distribución de las ventas por color, ¿cuáles serán las ventas individuales y totales durante los próximos seis meses?

Ventas mensuales de camisas de vestir por color

Las funciones exclusivas de pronóstico de grupo de SmartForecasts pronostican automática y simultáneamente series de tiempo estrechamente relacionadas, como estos artículos en el mismo grupo de productos. Esto ahorra un tiempo considerable y proporciona resultados de pronóstico no solo para los artículos individuales sino también para su total. Los ajustes de "ojo" tanto a nivel de elemento como de grupo son fáciles de realizar. Puede crear rápidamente pronósticos para grupos de productos con cientos o incluso miles de artículos.

Pronóstico de miles de artículos automáticamente

Dado el siguiente registro de demanda de productos a nivel de SKU, ¿cuál puede esperar que sea la demanda durante los próximos seis meses para cada uno de los 5000 SKU?

Demanda Mensual de Producto por SKU (Unidad de Mantenimiento de Stock)

En solo unos minutos, la poderosa selección automática de SmartForecasts puede realizar un trabajo de pronóstico de este tamaño, leer los datos de demanda del producto, crear automáticamente pronósticos estadísticos para cada SKU y guardar el resultado. Los resultados están listos para exportarlos a su sistema ERP aprovechando cualquiera de nuestros conectores basados en API o mediante la exportación de archivos. Una vez configurados, los pronósticos se producirán automáticamente en cada ciclo de planificación sin la intervención del usuario.

Pronosticar la demanda que en la mayoría de los casos es cero

Un tipo de datos distinto y especialmente desafiante para pronosticar es intermitente demanda, que suele ser cero, pero salta a valores aleatorios distintos de cero en momentos aleatorios. Este patrón es típico de la demanda de lento Moviente artículos, tales como repuestos o grande boleto bienes de equipo.

Por ejemplo, considere la siguiente muestra de demanda de repuestos para aeronaves. Tenga en cuenta la preponderancia de valores cero mezclados con valores distintos de cero, a menudo en ráfagas.

SmartForecasts tiene un método único diseñado especialmente para este tipo de datos: la función de pronóstico de Demanda Intermitente. Dado que la demanda intermitente surge con mayor frecuencia en el contexto del control de inventario, esta función se enfoca en pronosticar el rango de valores probables para la demanda total durante un tiempo de anticipación, por ejemplo, la demanda acumulada durante el período del 23 de junio al 23 de agosto en el ejemplo anterior. .

Pronóstico de requisitos de inventario

La previsión de necesidades de inventario es una variante especializada de la previsión que se centra en el extremo superior del rango de valores futuros posibles.

Para simplificar, considere el problema de pronosticar los requisitos de inventario para solo un período por delante, digamos un día por delante. Por lo general, el trabajo de pronóstico consiste en estimar el nivel promedio o más probable de demanda del producto. Sin embargo, si el inventario disponible es igual a la demanda promedio, existe una probabilidad de 50% de que la demanda supere el inventario, lo que resultará en pérdida de ventas y/o pérdida de buena voluntad. Establecer el nivel de inventario en, digamos, diez veces la demanda promedio probablemente eliminará el problema de los desabastecimientos, pero seguramente resultará en costos de inventario inflados.

El truco de la optimización del inventario es encontrar un equilibrio satisfactorio entre tener suficiente inventario para satisfacer la mayor parte de la demanda sin comprometer demasiados recursos en el proceso. Por lo general, la solución es una combinación de criterio empresarial y estadísticas. La parte crítica es definir un nivel de servicio de inventario aceptable, como satisfacer 95% de demanda inmediatamente desde el stock. La parte estadística es estimar el percentil 95 de la demanda.

Cuando no se trata de demanda intermitente, SmartForecasts estima el nivel de inventario requerido asumiendo una curva de demanda en forma de campana (Normal), estimando tanto el centro como el ancho de la curva de campana y luego usando una fórmula estadística estándar para estimar el percentil deseado. La diferencia entre el nivel de inventario deseado y el nivel promedio de demanda se denomina stock de seguridad porque protege contra la posibilidad de desabastecimiento.

Cuando se trata de demanda intermitente, la curva en forma de campana es una mala aproximación a la distribución estadística de la demanda. En este caso especial, SmartForecasts utiliza tecnología patentada de pronóstico de demanda intermitente para estimar el nivel de servicio de inventario requerido.

La precisión del pronóstico es una métrica clave para juzgar la calidad de su proceso de planificación de la demanda. (No es el único. Otros incluyen oportunidad y costo; Ver 5 consejos de planificación de la demanda para calcular la incertidumbre del pronóstico.) Una vez que tenga los pronósticos, hay varias formas de resumir su precisión, generalmente designados por acrónimos oscuros de tres o cuatro letras como MAPE, RMSE y MAE. Ver Cuatro formas útiles de medir el error de pronóstico para más detalles.

Un tema menos discutido pero más fundamental es cómo se organizan los experimentos computacionales para calcular el error de pronóstico. Esta publicación compara los tres diseños experimentales más importantes. Uno de ellos es de la vieja escuela y esencialmente equivale a hacer trampa. Otro es el patrón oro. Un tercero es un recurso útil que imita el patrón oro y se considera mejor como una predicción de cómo resultará el patrón oro. La figura 1 es una vista esquemática de los tres métodos.

Figura 1: Tres formas de evaluar el error de pronóstico

El panel superior de la Figura 1 muestra la forma en que se evaluó el error de pronóstico a principios de la década de 1980 antes de que moviéramos el estado del arte al esquema que se muestra en el panel central. En los viejos tiempos, los pronósticos se evaluaban con los mismos datos que se usaban para calcular los pronósticos. Después de ajustar un modelo a los datos, los errores calculados no eran para los pronósticos del modelo sino para el modelo. encaja. La diferencia es que los pronósticos son para valores futuros, mientras que los ajustes son para valores concurrentes. Por ejemplo, suponga que el modelo de pronóstico es un promedio móvil simple de las tres observaciones más recientes. En el momento 3, el modelo calcula el promedio de las observaciones 1, 2 y 3. Este promedio luego se compararía con el valor observado en el momento 3. Llamamos a esto hacer trampa porque el valor observado en el momento 3 obtuvo un voto sobre el pronóstico. debería ser en el momento 3. Una evaluación de pronóstico real compararía el promedio de las primeras tres observaciones con el valor del próximo, cuarto, observación. De lo contrario, el pronosticador se queda con una evaluación demasiado optimista de la precisión del pronóstico.

El panel inferior de la Figura 1 muestra la mejor manera de evaluar la precisión del pronóstico. En este esquema, todos los datos históricos de demanda se utilizan para ajustar un modelo, que luego se utiliza para pronosticar valores de demanda futuros desconocidos. Eventualmente, el futuro se desarrolla, los verdaderos valores futuros se revelan y se pueden calcular los errores de pronóstico reales. Este es el estándar de oro. Esta información completa el informe de "pronósticos versus datos reales" en nuestro software.

El panel central representa una medida intermedia útil. El problema con el patrón oro es que debe esperar para saber qué tan bien funcionan los métodos de pronóstico elegidos. Este retraso no ayuda cuando se requiere elegir, en el momento, qué método de pronóstico usar para cada artículo. Tampoco proporciona una estimación oportuna de la incertidumbre del pronóstico que experimentará, lo cual es importante para la gestión de riesgos, como la cobertura del pronóstico. El camino intermedio se basa en el análisis de exclusión, que excluye (“excluye”) las observaciones más recientes y le pide al método de pronóstico que haga su trabajo sin conocer esas verdades fundamentales. Luego, los pronósticos basados en el historial de demanda abreviado se pueden comparar con los valores reales retenidos para obtener una evaluación honesta del error de pronóstico.