En la planificación de la demanda y el inventario anunciado recientemente una opción de software como servicio (SaaS) para SmartForecasts—SFCloud™. Las licencias perpetuas basadas en las instalaciones seguirán siendo el método de implementación de software preferido para muchas organizaciones, pero hay muchas razones por las que la demanda de soluciones basadas en la nube está despegando. Una publicación antigua de Bill Richardson en ApplicantStack Team Blog resume los beneficios clave del modelo SaaS.

Un libro de texto legible y bien organizado podría ser invaluable para "ayudar a los pronosticadores corporativos en formación a comprender los conceptos básicos del pronóstico de series de tiempo", como señala Tom Willemain en la conclusión de esta revisión, publicada originalmente en Prospectiva: la revista internacional de pronóstico aplicado. Escrita principalmente para una audiencia académica, la revisión también sirve a los profesionales sin experiencia en planificación de la demanda al indicarles un recurso detallado.

Este librito pulcro tiene como objetivo "introducir al lector a la predicción cuantitativa de series de tiempo de una manera práctica". Para cierto tipo de lector, sin duda tendrá éxito, y lo hará con estilo.

El autor, el Dr. Galit Shmueli, es profesor presidido por SRITNE de análisis de datos y profesor asociado de estadísticas y sistemas de información en la Escuela de Negocios de la India, Hyderabad. Es autora o coautora de varios otros libros sobre estadística aplicada y análisis empresarial.

El libro está destinado a ser un texto para un curso de "mini-semestre" para estudiantes de posgrado o de nivel superior. Creo que sería una exageración creer que aquí hay suficiente material técnico para servir como base para un curso de posgrado, pero puedo verlo funcionando bien para los estudiantes universitarios en ingeniería industrial o administración que hayan tenido un curso previo de estadística (y por lo tanto lo harán). de hecho ser capaz de "recordar que un intervalo de predicción 95% para errores normalmente distribuidos es...").

Hay ejercicios de fin de capítulo de tamaño apropiado e incluso configuraciones para tres proyectos semestrales del mundo real, de modo que los instructores puedan usar el libro como lo imaginó el autor. El libro ilustra sus puntos usando XLMiner, un complemento de Excel, y los estudiantes pueden usar la versión de demostración gratuita para casi todos los ejercicios. Los conjuntos de datos de texto están disponibles en el sitio web del libro, que también proporciona una aplicación gratuita de "panel de control" de análisis de series de tiempo. El autor señala que se puede usar otro software en lugar de XLMiner y menciona Minitab, JMP y la biblioteca de pronósticos de Rob Hyndman en R.

Mientras leía este libro, me encantó su claridad. Habiendo pasado tiempo recientemente corrigiendo la prosa técnica de dos buenos estudiantes de posgrado, encontré que la escritura en este libro es un contraste refrescante, que hace que los conceptos técnicos sean comprensibles.

Otra virtud de este libro es su selección de temas. Los técnicos son razonablemente estándar (métodos de suavizado, regresión usando tendencias polinómicas y variables ficticias), pero también varían un poco hacia los más exóticos (regresión logística, redes neuronales, un poco de ARIMA). Más impresionante es la inclusión de lo que podría llamarse "meta-temas" relevantes para el pronóstico: evaluación del desempeño, una descripción general de enfoques técnicos alternativos y uno sobre el proceso de pronóstico, desde la definición de objetivos hasta formas de adaptar los informes de manera diferente para los gerentes y técnicos. audiencias Este es el tipo de sabiduría de pronóstico que encontramos en Libro de Chris Chatfield (2004), aunque presentado con menos acidez y con menos exposición matemática. Normalmente recomiendo el libro introductorio de Chatfield para lectores más técnicos interesados en entrar en series de tiempo; Recomendaría el libro de Shmueli para una audiencia más general.

Ninguna revisión está completa sin objeciones. Aquí hay algunos, demasiado pocos para deshacer mi opinión muy positiva de este librito impresionante:

• El texto es un buen caso para los gráficos “bien formateados y fáciles de leer” (p. 179). Pero encontré que muchas de las capturas de pantalla estaban mal impresas y eran difíciles de ver. Por lo demás, el libro es tan visualmente agradable que estos defectos parecen muy fuera de lugar. Utiliza lujosas cantidades de espacio en blanco y arte marginal caprichoso con gran efecto, produciendo una sensación muy "ligera" que seguramente debe ayudar a la comprensión.

• El autor afirma (p. 115) que los métodos de suavizado (p. ej., promedios móviles, suavizado exponencial) no pueden automatizarse por completo porque “el usuario debe especificar constantes de suavizado”. Por supuesto, esto no es así, ya que existen varios paquetes de software que hacen esto, y el texto posterior se contradice en este punto en la página 127.

• La discusión sobre la autocorrelación, por lo demás buena, induce a error cuando afirma (pág. 88) que la autocorrelación negativa de lag-1 significa que "los valores altos son seguidos inmediatamente por valores bajos y viceversa". Bueno, por lo general, pero no siempre.

Cuando terminé de leer este libro, me di cuenta inmediatamente de que hay otro público objetivo fuera del aula. Mi empresa a menudo realiza sesiones de capacitación sobre el uso de nuestro software, y estas incluyen algunos antecedentes generales sobre métodos y procesos de pronóstico. Si pudiéramos eliminar el material de XLMiner, e incluso si no pudiéramos, este texto sería un maravilloso "olvido" para ayudar a los pronosticadores corporativos en formación a comprender los conceptos básicos de la previsión de series de tiempo. El libro está tan bien escrito, bien organizado y bien diseñado que incluso podría leerse. Ciertamente podemos usarlo para ayudar a nuestros nuevos programadores a comprender las aplicaciones que están desarrollando. Y este libro podría incluso servir como lectura culpable para un estudiante de posgrado que realmente quiere “entender” lo que está pasando en Box, Jenkins y Reinsel (2008).

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

Al final del año, a menudo nos vemos atrapados pensando y planificando para el próximo año. ¿El 2013 salió como esperabas? ¿Será 2014 dramáticamente diferente? ¿Existen otros factores—cosas que planeamos hacer; cosas que pensamos que nuestros competidores podrían hacer; fuerzas externas como cambios en el gusto, la demografía o la economía, que podrían cambiar el curso de los negocios en el próximo año?

La mayoría de las empresas que hacen un pronóstico formal comienzan con una proyección estadística de patrones de ventas pasados hacia el futuro. Su modelo de pronóstico debe detectar y caracterizar cualquier estacionalidad inherente a sus mercados e incluirla en la proyección. Pero ese es solo el primer paso.

Lo siguiente a considerar es el ciclo de vida del producto. Casi todos los productos pasan por un ciclo predecible de introducción, aceptación y crecimiento, madurez (la demanda se estabiliza) y finalmente caen en la obsolescencia. Estos ciclos pueden ser tan cortos como semanas o tan largos como décadas. La ropa de moda y los productos electrónicos de consumo estarían en el extremo más corto de la escala, mientras que productos como accesorios de plomería y equipos de construcción experimentarían ciclos más largos. En situaciones especializadas, como la gestión de flotas de autobuses, se pueden reemplazar flotas completas durante períodos de transición definidos. En cualquier caso, el previsión de la demanda debe ajustarse para reflejar la demanda creciente o decreciente según la posición del producto en su ciclo de vida.

Ahora viene la parte más difícil: predecir lo impredecible. En general, es probable que el futuro se parezca mucho al pasado reciente en una similitud con la primera ley del movimiento de Newton: un cuerpo en movimiento tiende a permanecer en movimiento a menos que una fuerza externa actúe sobre él. Pero son esas fuerzas externas las que pueden enviar a la cuneta su pronóstico cuidadosamente calculado. Un competidor podría reducir sus precios para quitarle parte de su cuota de mercado. Las nuevas tecnologías pueden dejar obsoleto su producto antes del final de su vida útil esperada. Los gustos cambiantes o las nuevas regulaciones pueden detener las ventas en seco.

Pero también pueden pasar cosas buenas. Usted puede ser el que reduzca los precios o mejore su producto y le quite el negocio a un competidor. Su producto puede captar la atención del mercado y las ventas se dispararán. Un competidor puede abandonar el negocio o declararse en quiebra, dejándole más oportunidades.

¿Deberías planificar este tipo de cosas? Ciertamente, en la medida que puedas. Es posible que sepa cuándo realizará promociones o introducirá la próxima línea de productos. Pero el futuro, por naturaleza, es incierto. La historia y su conocimiento comercial del pasado sientan las bases para su visión del futuro. Las herramientas basadas en estadísticas pueden ayudarlo a crear un pronóstico ajustado al riesgo, con recomendaciones de existencias de seguridad que se correspondan con el nivel de riesgo que está dispuesto a asumir. Más allá de esto, la clave del éxito es la agilidad: la capacidad de adaptarse a las condiciones cambiantes. Prepare el mejor pronóstico que pueda, construya sus planes en torno a ese pronóstico y luego controle las condiciones del mercado y las ventas de cerca y de manera continua. Busque una advertencia temprana de que las cosas pueden ir en una dirección diferente a la que predijo.

Debe estar dispuesto a reconocer y adaptarse a las condiciones cambiantes; en otras palabras, no se enamore de su pronóstico e ignore la evidencia de que puede estar equivocado. El orgullo de autoría en este caso puede ser mortal para el negocio.

También es importante contar con planes de contingencia para estar preparado para realizar los cambios necesarios en las adquisiciones, la producción y el inventario para responder a la nueva estimación de la demanda. Las mejores herramientas para esto son los plazos de entrega más cortos posibles (tanto de producción como de proveedor), buenas relaciones con los proveedores y una visión clara del mundo y de sus mercados.

Pronosticar es difícil principalmente porque la gente sabe que es probable que esté equivocado y a nadie le gusta estar pública y visiblemente equivocado. No obstante, es necesaria una buena previsión para posicionar los recursos necesarios para satisfacer las demandas de los clientes. Esté abierto a los primeros signos de cambio y esté preparado para reaccionar rápida y decisivamente.

david turbide, CFPIM, CIRM, CSCP, CMfgE es un consultor independiente y escritor independiente con sede en New Hampshire. Se le puede contactar por correo electrónico a dave at daveturbide dot com.

En mi publicación anterior de esta serie sobre conceptos esenciales, “¿Qué es 'Un buen pronóstico'”, discutí el esfuerzo básico para descubrir el futuro más probable en un escenario de planificación de la demanda. Definí un buen pronóstico como aquel que es imparcial y lo más preciso posible. Pero también advertí que, dependiendo de la estabilidad o volatilidad de los datos con los que tenemos que trabajar, aún puede haber alguna inexactitud incluso en un buen pronóstico. La clave es tener una comprensión de cuánto.

Este tema, la gestión de la incertidumbre, es el tema de la publicación de mi colega Tom Willemain, “El promedio no es la respuesta”. Su publicación establece la teoría para enfrentar responsablemente los límites de nuestra capacidad predictiva. Es importante entender cómo funciona esto realmente.

Como mencioné brevemente al final de mi publicación anterior, nuestro enfoque comienza con algo llamado "simulación deslizante". Estimamos con qué precisión predecimos el futuro utilizando nuestras técnicas de pronóstico en una parte más antigua de la historia, excluyendo los datos más recientes. Luego podemos comparar lo que hubiéramos predicho para el pasado reciente con nuestra información real del mundo real sobre lo que sucedió. Este es un método confiable para estimar qué tan cerca estamos prediciendo la demanda futura.

El inventario de seguridad, un amortiguador cuidadosamente medido en el nivel de inventario que almacenamos por encima de nuestra predicción de la demanda más probable, se deriva de la estimación del error de pronóstico que surge de la "simulación deslizante". Este enfoque para lidiar con la precisión de nuestros pronósticos se equilibra de manera eficiente entre ignorar la amenaza de la sobrecompensación impredecible y costosa.

En detalles más técnicos: los errores de pronóstico que se estiman mediante este proceso de simulación deslizante indican el nivel de incertidumbre. Usamos estos errores para estimar la desviación estándar de los pronósticos. Ahora, con una demanda regular, podemos suponer que los pronósticos (que son estimaciones del comportamiento futuro) están mejor representados por una distribución de probabilidad en forma de campana, lo que los estadísticos llaman la "distribución normal". El centro de esa distribución es nuestro pronóstico puntual. El ancho de esa distribución es la desviación estándar del pronóstico de "simulación deslizante" de los valores reales conocidos; lo obtenemos directamente de nuestras estimaciones de error de pronóstico.

Una vez que conocemos la curva específica en forma de campana asociada con el pronóstico, podemos estimar fácilmente la reserva de existencias de seguridad que se necesita. La única entrada nuestra es el "nivel de servicio" que se desea, y se puede determinar el stock de seguridad en ese nivel de servicio. (El nivel de servicio es esencialmente una medida de la confianza que debemos tener en nuestros niveles de existencias de inventario, con una confianza cada vez mayor que requiere los gastos correspondientes en inventario adicional). Tenga en cuenta que estamos asumiendo que la distribución correcta a usar es la distribución normal. Esto es correcto para la mayoría de las series de demanda en las que tiene una demanda regular por período. Falla cuando la demanda es esporádica o intermitente.

En el próximo artículo de esta serie, analizaré cómo Smart Forecasts trata la estimación del stock de seguridad en aquellos casos de demanda intermitente, cuando la suposición de normalidad es incorrecta.

Nelson Hartunian, PhD, cofundó Smart Software, anteriormente se desempeñó como presidente y actualmente lo supervisa como presidente de la junta. Ha dirigido, en varias ocasiones, el desarrollo de software, las ventas y el servicio al cliente.

en un publicación reciente en SupplyChainBrain, Robert Bowman echa un vistazo a la excelencia en pedir planificación. Centrándose en cualidades y técnicas admirables, debería ser una lectura interesante para cualquier planificador de demanda que busque mejorar su oficio.

.