Quienes producen pronósticos se lo deben a quienes consumen pronósticos, y a ellos mismos, ser conscientes de la incertidumbre en sus pronósticos. Esta nota trata sobre cómo estimar la incertidumbre del pronóstico y utilizar las estimaciones en su proceso de planificación de la demanda. Nos centramos en los pronósticos realizados en apoyo de la planificación de la demanda, así como los pronósticos inherentes a optimizar el inventario políticas que involucran puntos de pedido, existencias de seguridad y niveles mínimos/máximos.

Leyendo esto, aprenderás sobre:

-Criterios para evaluar las previsiones
-Fuentes de error de pronóstico
-Cálculo del error de pronóstico
-Convertir el error de pronóstico en intervalos de predicción
-La relación entre la previsión de la demanda y la optimización del inventario.
-Acciones que puede tomar para utilizar estos conceptos para mejorar los procesos de su empresa.

Criterios para evaluar pronósticos

El error de pronóstico por sí solo no es motivo suficiente para rechazar el pronóstico como herramienta de gestión. Para tergiversar un famoso aforismo de George Box, "Todos los pronósticos están equivocados, pero algunos son útiles". Por supuesto, los profesionales de negocios siempre buscarán formas de hacer que los pronósticos sean más útiles. Esto generalmente implica trabajar para reducir el error de pronóstico. Pero si bien la precisión del pronóstico es el criterio más obvio para juzgar los pronósticos, no es el único. Aquí hay una lista de criterios para evaluar los pronósticos:

Precisión: Los pronósticos de valores futuros deberían, en retrospectiva, estar muy cerca de los valores reales que finalmente se revelan. Pero puede haber rendimientos decrecientes al exprimir otro medio por ciento de precisión de los pronósticos que, de otro modo, serían lo suficientemente buenos como para usarlos en la toma de decisiones.

Oportunidad: Los pilotos de combate se refieren al Ciclo OODA (Observar, Orientar, Decidir y Actuar) y la “necesidad de entrar en el ciclo OODA del enemigo” para que puedan disparar primero. Las empresas también tienen ciclos de decisión. Entregar un pronóstico perfectamente preciso el día después de que se necesita no es útil. Mejor es un buen pronóstico que llega a tiempo para ser útil.

Costo: Los datos de previsión, los modelos, los procesos y las personas cuestan dinero. Un pronóstico menos costoso podría estar impulsado por datos que están fácilmente disponibles; más costoso sería un pronóstico que se ejecuta en datos que deben recopilarse en un proceso especial fuera del alcance de la infraestructura de información de una empresa. Una técnica de pronóstico clásica lista para usar será menos costosa de adquirir, alimentar y explotar que un método complejo, personalizado y proporcionado por un consultor. Los pronósticos pueden ser producidos en masa por un software supervisado por un solo analista, o pueden surgir de un proceso de colaboración que requiere tiempo y esfuerzo de grandes grupos de personas, como gerentes de ventas de distrito, equipos de producción y otros. Las técnicas de pronóstico técnicamente avanzadas a menudo requieren la contratación de personal con experiencia técnica especializada, como una maestría en estadística, que tiende a costar más que el personal con una capacitación menos avanzada.

Credibilidad: En última instancia, algún ejecutivo tiene que aceptar y actuar sobre cada pronóstico. Los ejecutivos tienden a desconfiar o ignorar recomendaciones que no pueden entender ni explicar a la siguiente persona por encima de ellos en la jerarquía. Para muchos, creer en una “caja negra” es una prueba de fe demasiado severa, y rechazan los pronósticos de la caja negra en favor de algo más transparente.

Dicho todo esto, nos centraremos ahora en la precisión del pronóstico y su gemelo malvado, el error de pronóstico.

Fuentes de error de pronóstico

Aquellos que buscan reducir el error pueden buscar en tres lugares para encontrar problemas:
1. Los datos que entran en un modelo de pronóstico
2. El modelo en sí
3. El contexto del ejercicio de pronóstico

Hay varias formas en que los problemas de datos pueden conducir a un error de pronóstico.

Errores graves: Los datos erróneos producen pronósticos erróneos. ¡Hemos visto un caso en el que los registros informáticos de la demanda del producto estaban equivocados por un factor de dos! Los involucrados detectaron ese problema de inmediato, pero una situación menos grave puede colarse fácilmente y envenenar el proceso de pronóstico. De hecho, la simple organización, adquisición y verificación de datos suele ser la mayor fuente de retrasos en la implementación del software de pronóstico. Muchos problemas de datos parecen derivar de que los datos no eran importantes hasta que un proyecto de pronóstico los hizo importantes.

Anomalías: Incluso con bases de datos de pronóstico perfectamente seleccionadas, a menudo hay problemas de datos del tipo "aguja en un pajar". En estos casos, no son los errores de datos sino las anomalías de la demanda las que contribuyen al error de pronóstico. En un conjunto de, digamos, 50 000 productos, es probable que algunos artículos tengan detalles extraños que pueden distorsionar los pronósticos.

El análisis de exclusión es un método de análisis simple pero poderoso. Para ver qué tan bien pronostica un método, utilícelo con datos conocidos más antiguos para pronosticar datos más nuevos, ¡luego vea cómo habría resultado! Por ejemplo, suponga que tiene 36 meses de datos de demanda y necesita pronosticar con 3 meses de anticipación. Puede simular el proceso de pronóstico ocultando (es decir, ocultando) los datos de los 3 meses más recientes, pronosticando utilizando solo los datos de los meses 1 a 33 y luego comparando los pronósticos de los meses 34 a 36 con los valores reales de los meses 34 a 36. . La simulación deslizante simplemente repite el análisis de reserva, deslizándose a lo largo del historial de demanda. El ejemplo anterior usó los primeros 33 meses de datos para obtener 3 estimaciones de error de pronóstico. Supongamos que comenzamos el proceso usando los primeros 12 meses para pronosticar los próximos 3. Luego deslizamos hacia adelante y usamos los primeros 13 meses para pronosticar los siguientes 3. Continuamos hasta que finalmente usamos los primeros 35 meses para pronosticar el último mes, dando una estimación más del error que cometemos al pronosticar con un mes de anticipación. Resumir todos los errores de pronóstico de 1 paso adelante, 2 pasos adelante y 3 pasos adelante proporciona una forma de calcular los intervalos de predicción.

Cálculo de intervalos de predicción

El paso final para calcular los intervalos de predicción es convertir las estimaciones del error absoluto promedio en los límites superior e inferior del intervalo de predicción. El intervalo de predicción en cualquier tiempo futuro se calcula como

Intervalo de predicción = Pronóstico ± Multiplicador x Error absoluto promedio.

El paso final es la elección del multiplicador. El enfoque típico es imaginar alguna distribución de probabilidad de error alrededor del pronóstico, luego estimar los extremos del intervalo de predicción usando los percentiles apropiados de esa distribución. Por lo general, la distribución de error asumida es la distribución normal, también llamada distribución gaussiana o "curva en forma de campana".

Uso de intervalos de predicción
El uso informal más inmediato de los intervalos de predicción es transmitir una idea de cuán "blanda" es una previsión. Los intervalos de predicción que son amplios en comparación con el tamaño de los pronósticos indican una alta incertidumbre.

Hay dos usos más formales en el pronóstico de la demanda: cubrir sus apuestas sobre la demanda futura y guiar el ajuste del pronóstico.

Cobertura de sus apuestas: Los valores de pronóstico en sí mismos se aproximan a los valores más probables de la demanda futura. Una forma más ominosa de decir lo mismo es que existe una probabilidad de 50% de que el valor real esté por encima (o por debajo) del pronóstico. Si el pronóstico se utiliza para planificar la producción futura (o la compra o contratación de materias primas), es posible que desee crear un colchón para evitar quedarse corto si la demanda aumenta (suponiendo que la construcción insuficiente es peor que la construcción excesiva). Si el pronóstico se convierte de unidades a dólares para las proyecciones de ingresos, es posible que desee utilizar un valor por debajo del pronóstico para ser conservador al proyectar el flujo de caja. En cualquier caso, primero debe elegir la cobertura del intervalo de predicción. Un intervalo de predicción 90% es un rango de valores que cubre el 90% de las posibilidades. Esto implica que existe una probabilidad 5% de que un valor caiga por encima del límite superior del intervalo de predicción 90%. En otras palabras, el límite superior de un intervalo de predicción 90% marca el percentil 95 de la distribución de la demanda prevista en ese período de tiempo. De manera similar, existe una probabilidad de 5% de caer por debajo del límite inferior, que marca el percentil 5 de la distribución de la demanda.

Ajuste de la previsión orientativa: Es bastante común que los pronósticos estadísticos sean revisados por algún tipo de proceso colaborativo. Estos ajustes se basan en información no registrada en el historial de demanda de un artículo, como inteligencia sobre las acciones de la competencia. A veces se basan en una fuente más vaporosa, como el optimismo de la fuerza de ventas. Cuando los ajustes se realizan en pantalla para que todos los vean, los intervalos de predicción brindan una referencia útil: si alguien quiere mover los pronósticos fuera de los intervalos de predicción, está cruzando una línea basada en hechos y debe tener una buena historia para justificar su decisión. argumento de que las cosas serán realmente diferentes en el futuro.

Intervalos de predicción y optimización de inventario

Finalmente, el concepto detrás de los intervalos de predicción juega un papel esencial en un problema relacionado con el pronóstico de la demanda: Optimización de inventario.
La tarea analítica principal al establecer los puntos de pedido (también llamados Mins) es pronosticar la demanda total durante un tiempo de espera de reabastecimiento. Este total se denomina demanda de tiempo de entrega. Cuando el inventario disponible cae por debajo del punto de pedido, se activa un pedido de reposición. Si el punto de reorden es lo suficientemente alto, habrá un riesgo aceptablemente pequeño de desabastecimiento, es decir, que la demanda del tiempo de entrega lleve el inventario a menos de cero y genere ventas perdidas o pedidos atrasados.

Nuevos métodos estadísticos, y podemos empezar a planificar con mayor eficacia.

La tarea de pronóstico es determinar todos los valores posibles de la demanda acumulada durante el tiempo de entrega y su probabilidades asociadas de ocurrir. En otras palabras, la tarea básica es determinar un intervalo de predicción para alguna variable aleatoria futura. Suponga que ha calculado un intervalo de predicción 90% para la demanda de tiempo de entrega. Luego, el extremo superior del intervalo representa el percentil 95 de la distribución. Establecer el punto de reorden en este nivel acomodará 95% de los posibles valores de demanda de tiempo de entrega, lo que significa que solo habrá una probabilidad de 5% de agotarse antes de que llegue el reabastecimiento para reabastecer los estantes. Por lo tanto, existe una relación íntima entre los intervalos de predicción en la previsión de la demanda y el cálculo de los puntos de pedido en la optimización del inventario.

5 recomendaciones para la práctica

1. Establezca expectativas sobre el error: a veces los gerentes tienen expectativas poco razonables sobre la reducción del error de pronóstico a cero. Puede señalar que el error es solo una de las dimensiones sobre las que debe juzgarse un proceso de previsión; es posible que le esté yendo bien tanto en la puntualidad como en el costo. También señale que el error cero no es un objetivo más realista que la conversión 100% de prospectos en clientes, el desempeño perfecto del proveedor o la volatilidad cero del precio de las acciones.

2. Rastree las fuentes de error: Vuelva a verificar la precisión de los historiales de demanda. Utilice métodos estadísticos para identificar valores atípicos en los historiales de demanda y reaccione adecuadamente, reemplazando anomalías verificadas con valores más típicos y omitiendo datos anteriores a cambios importantes en el carácter de la demanda. Si utiliza un proceso de previsión colaborativo, compare su precisión con un enfoque puramente estadístico para identificar los elementos en los que la colaboración no reduce el error.

3. Evalúe el error de los métodos estadísticos alternativos: puede haber técnicas estándar que funcionen mejor que sus métodos actuales, o que funcionen mejor para algunos subconjuntos de sus elementos. La clave es ser empírico, utilizando la idea del análisis de exclusión. Reúna sus datos y haga un "bake off" entre diferentes métodos para ver cuál funciona mejor para usted. Si aún no está utilizando métodos estadísticos de pronóstico, compárelos con el “tripa de oro” de quien sea que sea su estándar actual. Utilice el pronóstico ingenuo como punto de referencia en las comparaciones.

4. Investigue el uso de nuevas fuentes de datos: especialmente si tiene artículos muy promocionados, pruebe métodos estadísticos que incorporen datos promocionales en el proceso de previsión. Compruebe también si la información de fuera de su empresa puede ser explotada; por ejemplo, vea si los indicadores macroeconómicos de su sector se pueden combinar con los datos de la empresa para mejorar la precisión de los pronósticos (esto generalmente se hace usando un método llamado análisis de regresión múltiple).

5. Use intervalos de predicción: Los gráficos de intervalos de predicción pueden mejorar su percepción de la incertidumbre en sus pronósticos, ayudándolo a seleccionar elementos para un escrutinio adicional. Si bien es cierto que lo que no sabes puede hacerte daño, también es cierto que saber lo que no sabes puede ayudarte.

en un Publicación anterior, analicé uno de los problemas más espinosos que a veces enfrentan los planificadores de demanda: trabajar con datos de demanda de productos caracterizados por lo que los estadísticos llaman sesgo, una situación que puede requerir costosas inversiones en inventario. Este tipo de datos problemáticos se encuentran en varios escenarios diferentes. En al menos uno, la combinación de demanda intermitente y promociones de ventas muy efectivas, el problema se presta a una solución efectiva.

Revisando los términos, recuerde que el “nivel de servicio” es la probabilidad de no agotarse mientras espera que llegue una orden de reposición, mientras que la “tasa de llenado” es el porcentaje de la demanda que se satisface inmediatamente con el stock. En mi publicación anterior, "El flagelo de la asimetría", señalé que cierto tipo de distribución de la demanda, que tiene una "cola larga a la derecha", conducirá a tasas de llenado que pueden ser mucho más bajas que los niveles de servicio. También señalé que, a veces, la única forma de mejorar la tasa de llenado es aumentar el nivel de servicio objetivo a un nivel inusualmente alto, lo que puede resultar costoso.

En esta publicación, analizaré la solución del problema en un caso especial: la asimetría resultante de promociones de ventas efectivas combinadas con "demanda intermitente". La demanda intermitente tiene una gran proporción de valores cero, con valores distintos de cero mezclados al azar. Las promociones de ventas exitosas, obviamente positivas, tienen un inconveniente: pueden confundir la "señal de demanda" con picos en su historial de demanda y pueden socavar los pronósticos y sesgar los cálculos de existencias de seguridad. Cuando la demanda intermitente y las promociones de ventas efectivas son la fuente de la asimetría de sus datos, existen métodos para solucionar el problema y lograr tasas de cumplimiento más altas y pronósticos de demanda más precisos.

Cómo las promociones aumentan la asimetría

Las promociones exitosas aumentan abruptamente la demanda de artículos. Esto crea anomalías, o "valores atípicos", que contribuyen a formar una distribución sesgada. Sabiendo cuándo ocurrieron promociones en el pasado, podemos ajustar el registro de demanda pasada de un artículo. Producimos un historial de demanda alternativo como si no hubiera habido promociones, reemplazando los valores atípicos con valores más representativos del nivel "natural" de demanda. Estos ajustes reducen la asimetría de la demanda. La reducción del sesgo puede conducir a reducciones significativas tanto en los pronósticos esperados como en las existencias de seguridad, que se suman para formar puntos de pedido.

Es probable que se repitan las promociones exitosas. Cuando eso sucede, los efectos de promoción se pueden agregar a los pronósticos de demanda para aumentar su precisión. El efecto de las futuras promociones en la gestión del inventario será aumentar el riesgo de desabastecimiento, por lo que una respuesta sensata es trabajar a nivel operativo para generar un suministro temporal, en una cantidad ajustada al impacto estimado de las promociones anteriores en los artículos afectados.

Uso del modelado de eventos para mejorar la previsión de la demanda

Es posible modelar el impacto de eventos similares y aplicarlo a eventos planificados en el futuro. Si lo hace, puede mejorar su pronóstico de dos maneras importantes: al proyectar la sacudida de la demanda que espera de un evento planificado; y racionalizando los picos en el pasado que fueron causados por eventos, haciendo que su actividad de referencia sea más visible y predecible con mayor precisión. Hacemos mucho de esto en SmartForecasts, así que permítame usar nuestra experiencia allí para mostrarle lo que quiero decir.

El modelado de eventos implica los siguientes pasos:
• Estimación automática del impacto de promociones anteriores (que es un resultado útil en sí mismo).
• Ajuste de la demanda histórica para eliminar estadísticamente el efecto de las promociones.
• Creación de previsiones sin promoción.
• Revisar las previsiones de los períodos de tiempo futuros en los que se prevén promociones.

A este tipo de análisis lo llamamos “pronóstico de promociones”. Usamos la palabra "promociones" para describir lo que hace usted mismo para mejorar sus resultados. Usamos "eventos" para describir lo que el mundo te hace, generalmente en detrimento tuyo; los ejemplos incluyen huelgas, cortes de energía, incendios en almacenes y otros sucesos desafortunados.

Para comprender cómo el modelado de eventos puede ayudarlo a lidiar con la asimetría al hacer pronósticos de demanda para artículos de gran volumen, considere las Figuras 1-3.

La Figura 1 muestra que el patrón de demanda de este artículo es claramente estacional, y el pronóstico es estacional y "ajustado", lo que significa que el intervalo de incertidumbre del pronóstico ("margen de error", que se muestra en líneas cian) es muy estrecho.

La figura 2 muestra una historia alternativa en la que una promoción en junio de 2014 revirtió el mínimo estacional habitual asociado con las ventas de junio. Este patrón de demanda se pronosticó mediante el torneo de pronóstico automático en SmartForecasts, como se muestra en la figura 1. Esta vez, la promoción alteró el patrón estacional lo suficiente como para crear un pronóstico no estacional inapropiado y que tiene un margen de error mucho mayor.

Finalmente, la Figura 3 muestra cómo el pronóstico de promoción maneja el mismo escenario promocionado, conservando un pronóstico estacional e incorporando al pronóstico una estimación del efecto de una promoción repetida planificada en 2015.

El caso de la demanda intermitente

En la Figura 1, el artículo era un bien terminado de gran volumen y la tarea era la previsión de la demanda. El modelado de promociones también es útil cuando se trata de la tarea de establecer existencias de seguridad y puntos de pedido para artículos con demanda intermitente, ya sean productos terminados, componentes o repuestos. La demanda intermitente muy a menudo tiene una distribución sesgada que dificulta lograr una alta disponibilidad de artículos con una pequeña inversión en inventario.

La Figura 4 ilustra el problema que una promoción exitosa puede crear accidentalmente para la gestión de inventario. Si tal aumento surge de la demanda natural no promovida, entonces la única forma de mantener altas tasas de llenado es proporcionar existencias de seguridad lo suficientemente grandes como para hacer frente a estos aumentos repentinos. En este caso, el gran aumento de la demanda de 500 unidades en febrero de 2013 fue el resultado de una promoción única.

Tener en cuenta las promociones para mejorar la gestión de inventario

Sin darse cuenta, tratar el pico en el ejemplo anterior como parte de la variabilidad natural de la demanda da como resultado una tasa de cumplimiento deficiente. Para lograr un nivel de servicio objetivo de, digamos, 95% con un plazo de entrega de un mes, se requeriría un punto de pedido de 38 unidades, calculado como la suma de un pronóstico esperado durante el plazo de entrega de reabastecimiento de un mes de 21 unidades complementado con un inventario de seguridad de 17 unidades. Esta inversión daría como resultado una tasa de llenado decepcionante de solo 36%.

Sin embargo, reconocer que el pico es una promoción única y reemplazar las 500 unidades con 0 obviamente marcaría una gran diferencia. El punto de pedido caería de 38 unidades a 31 (la suma de una demanda esperada de 7 unidades y un stock de seguridad de 24 unidades) y la tasa de llenado aumentaría a 94%.

Por supuesto, no está bien descartar picos de demanda inconvenientes cuando hacen que la vida sea incómoda; tiene que haber una “historia comercial” válida detrás del ajuste de la demanda histórica. Si el pico es el resultado de un error de procesamiento de datos, entonces, por supuesto, arréglelo. Si el pico coincide con una promoción, reemplazar el pico con, digamos, la demanda media (a menudo cero, como en este ejemplo) dará como resultado una inversión en inventario mucho más sostenible que aún cumple con los objetivos de rendimiento agresivos. Las futuras promociones del mismo tipo en el mismo artículo requerirán un esfuerzo adicional para prepararse para el aumento temporal de la demanda, pero el punto de reorden recomendado será correcto a largo plazo.

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 Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.