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.

Contra qué nos enfrentamos

Como fanático de la tercera generación de los Medias Rojas de Boston, no estoy dispuesto a aceptar el consejo de ningún jugador de béisbol de los Yankees de Nueva York, ni siquiera de uno excelente, pero debo admitir que, a veces, solo necesitas tomar una decisión. Sin embargo, ¿no sería mejor si supiéramos las ventajas y desventajas asociadas con cada decisión? Quizás un camino es más pintoresco pero toma más tiempo mientras que el otro es más directo pero aburrido. Entonces no tendría que simplemente "tomarlo", sino que podría tomar una decisión informada basada en las ventajas/desventajas de cada enfoque.

En el mundo de la planificación de la cadena de suministro, la decisión más fundamental es cómo equilibrar la disponibilidad de artículos con el costo de mantener esa disponibilidad (niveles de servicio y tasas de llenado). En un extremo, puede tener un exceso de existencias y nunca quedarse sin hasta que arruine y tenga que cerrar la tienda para no gastar todo su efectivo en un inventario que no se vende. En el otro extremo, puede tener una gran escasez de existencias y ahorrar un montón en costos de mantenimiento de inventario, pero arruinarse y tener que cerrar la tienda porque todos sus clientes llevaron sus negocios a otra parte.

No hay escapatoria a esta tensión fundamental. La forma de sobrevivir y prosperar es encontrar un equilibrio productivo y sostenible. Para hacer eso, se requieren compensaciones basadas en hechos basadas en los números. Para obtener los números se requiere software.

La deriva general de las cosas es obvia. Si decide mantener más inventario, tendrá más costos de mantenimiento, menores costos de escasez y posiblemente menores costos de pedido. Es imposible saber si esto cuesta o ahorra dinero sin un análisis sofisticado, pero generalmente el resultado es que el costo total aumenta. Pero si invierte en más inventario, ganará algo, porque ofrecerá a sus clientes niveles de servicio y tasas de llenado más altos. Cuánto más alto requiere, como puede suponer, un análisis sofisticado.

Muéstrame los números

Este blog expone cómo se ve un análisis de este tipo. No existe una solución universal que le indique la decisión "correcta". Puede pensar que la decisión correcta es la que mejor se ajusta a sus resultados. Pero para obtener esos números, necesitaría algo que rara vez se ve: un modelo preciso del comportamiento del cliente con respecto al nivel de servicio (consulte nuestro artículo “Cómo elegir un nivel de servicio objetivo”) Por ejemplo, ¿en qué momento un cliente se irá y llevará su negocio a otra parte? ¿Será después de que agote 1% del tiempo, 5% del tiempo, 10% del tiempo? ¿Seguirá manteniendo su negocio siempre y cuando complete los pedidos rápidamente? ¿Será después de un pedido pendiente de 1 día, 2 días? ¿3 semanas? ¿Será después de que esto suceda una vez en una parte importante o muchas veces en muchas partes? Si bien modelar el nivel de servicio preciso que le permitirá mantener a su cliente mientras minimiza los costos parece un ideal inalcanzable, otro tipo de análisis sofisticado es más pragmático. 

El software de optimización y pronóstico de inventario puede tener en cuenta todos los costos asociados, como el costo de agotamiento de existencias, el costo de mantener el inventario y el costo de ordenar el inventario para prescribir un objetivo de nivel de servicio óptimo que produzca el costo total más bajo. Sin embargo, incluso ese nivel de servicio "óptimo" es sensible a los cambios en los costos, lo que hace que los resultados sean potencialmente cuestionables. Por ejemplo, si no estima con precisión los costos precisos (los costos de escasez son los más difíciles), será difícil afirmar definitivamente algo como "Si aumento mi inventario disponible en un promedio de una unidad para todos los artículos en un importante familia de productos, mi empresa verá una ganancia neta de $170,500. Esa ganancia aumenta hasta llegar a 4 unidades. A 4 unidades o más, el rendimiento disminuye debido a los excesivos costos de tenencia. Por lo tanto, la mejor decisión al tener en cuenta la retención, el pedido y el agotamiento de existencias proyectados es aumentar el inventario en 3 unidades para ver una ganancia neta de más de $500,000.  

A falta de ese ideal, puede hacer algo que es más simple pero extremadamente valioso: cuantificar la curva de compensación entre el costo del inventario y la disponibilidad del artículo. Si bien no necesariamente sabrá el nivel de servicio al que debe apuntar, conocerá los costos de los diferentes niveles de servicio. Luego, puede ganar mucho dinero encontrando un buen lugar para estar en esa curva de compensación y comunicando dónde está en riesgo, dónde no, y estableciendo expectativas con los clientes y las partes interesadas internas. Sin la curva de compensación para guiarlo, está volando a ciegas sin forma de modificar racionalmente la política de almacenamiento.

Un escenario del que aprender

Esbocemos una curva de compensación realista. Comenzamos con un escenario que requiere una decisión de gestión. El escenario que usaremos y los supuestos asociados sobre la demanda, los plazos de entrega y los costos se detallan a continuación:

Política de inventario

• Revisión periódica: reordenar las decisiones tomadas cada 30 días
• Orden hasta el nivel ("S") - Variado de 30 a 60 unidades
• Política de escasez: permite pedidos pendientes, sin pedidos perdidos

Pedir

• La demanda es intermitente
• Promedio = 0,8 unidades por día
• Desviación estándar = 1,2 unidades por día
• Mayor demanda en un año ≈ 9
• % de días sin demanda = 53%

Tiempo de espera

• Aleatorio a los 7, 14 o 21 días con probabilidades 70%, 20% y 10%, respectivamente

Parámetros de costo

• Costo de mantenimiento = $1 por día
• Costo de pedido = $10 por pedido sin importar el tamaño del pedido
• Costo de escasez = $100 por unidad que no se envía inmediatamente del stock

Imaginamos una política de control de inventario que se conoce en el comercio como una política de "revisión periódica" o (T,S). En este caso, el Período de revisión ("T") es de 30 días, lo que significa que cada 30 días se verifica la posición del inventario y se toma una decisión de pedido. La cantidad del pedido es la diferencia entre el número observado de unidades disponibles y la cantidad del pedido hasta el final ("S"). Entonces, si el inventario de fin de mes es de 12 unidades y S = 20, la cantidad del pedido sería S – 12 = 20 -1 2 = 8. El próximo mes, es probable que la cantidad del pedido sea diferente. Si el inventario alguna vez se vuelve negativo (pedidos atrasados) durante un período de revisión, el próximo pedido intenta restaurar el equilibrio ordenando más para llenar esos pedidos atrasados. Por ejemplo, si el inventario es -5 (es decir, 5 unidades ordenadas por no disponibles para envío, el siguiente pedido sería S – (-5) = S + 5. Detalles del flujo de demanda hipotético, plazos de entrega del proveedor y elementos de costo se muestran a continuación en la Figura 1. La Figura 2 muestra una muestra de la demanda diaria y el inventario diario durante cinco períodos de revisión. intermitente, como ocurre a menudo con las piezas de repuesto y, por lo tanto, es difícil planificarlo.

Figura 1: Diferentes opciones de política de inventario (pedir hasta), costos asociados y niveles de servicio

Figura 2: Detalle de cinco meses de operación del sistema dada una de las políticas

El software de planificación de inventario es nuestro amigo

El software codifica la lógica de la operación del sistema (T,S), genera muchos escenarios de demanda hipotéticos pero realistas, calcula cómo se desarrolla cada uno de esos escenarios y luego mira hacia atrás en la operación simulada (aquí, 10 años o 3650 días consecutivos) para calcular las métricas de costo y rendimiento.

Para revelar la curva de compensación, realizamos varios experimentos computacionales en los que variamos el nivel de pedido hasta el nivel, S. Las gráficas de la Figura 2 muestran el comportamiento del inventario disponible en la alternativa "más rica" con S = 60. En el fragmento que se muestra en la Figura 2, el inventario disponible nunca se acerca a agotarse. Puedes leer eso también. Una, un poco ingenua, es decir “Bien, estamos bien protegidos”. La otra, más agresiva, es decir, “Oh no, estamos hinchados. Me pregunto qué pasaría si redujéramos S.”

La curva de compensación revelada

La Figura 3 muestra los resultados de reducir S de 60 a 30 en pasos de 5 unidades. La tabla muestra que el Costo total es la suma del Costo de mantenimiento, el Costo de pedido y el Costo de escasez. Para la póliza (T,S), el costo de pedido es siempre el mismo, ya que un pedido se realiza como un reloj cada 30 días. Pero los otros componentes del costo responden a los cambios en S.

Figura 3: Los resultados experimentales y la curva de compensación correspondiente que muestra cómo cambiar el nivel de pedido hasta el nivel ("S") afecta tanto el nivel de servicio como el costo anual total

Tenga en cuenta que el nivel de servicio siempre es más bajo que la tasa de llenado en estos escenarios. Como profesor, siempre pienso en esta diferencia en términos de calificación de exámenes. Cada ciclo de reabastecimiento es como una prueba. El nivel de servicio se trata de la probabilidad de un desabastecimiento, por lo que es como la calificación en el examen de aprobación/reprobación con una pregunta que debe responderse a la perfección. Si no hay desabastecimiento en un ciclo, es una A. Si hay desabastecimiento, es una F. No importa si es una unidad que no se suministra o 50, sigue siendo una F. Pero la tasa de llenado es como una pregunta que se califica con crédito parcial. Por lo tanto, si le falta una de diez unidades, obtiene una tasa de llenado de 90% para ese ciclo, no 0%. Es importante comprender la diferencia entre estas dos métricas importantes para la planificación del inventario: consulte este vlog que describe nivel de servicio frente a tasa de llenado a través de un ejercicio interactivo en Excel.

La trama en la Figura 3 es la verdadera noticia. Combina el costo total y el nivel de servicio para varios niveles de S. Si lee el gráfico de derecha a izquierda, nos dice que se pueden obtener ahorros de costos drásticos al reducir S con una penalización muy pequeña en términos de disponibilidad reducida de artículos. Por ejemplo, la reducción de S de 60 a 55 ahorra cerca de $800 por año en este artículo, mientras que reduce un poco el nivel de servicio de (esencialmente) 100% a un aún impresionante 99%. Cortar S un poco más hace lo mismo, aunque no tan dramáticamente. Si lee el gráfico de izquierda a derecha, verá que pasar de S = 30 a S = 35 cuesta alrededor de $1000 por año, pero mejora el nivel de servicio de un grado F (45%) a al menos un grado C (71%). Después de eso, empujar S más alto cuesta progresivamente más mientras se gana progresivamente menos.

La curva de compensación no le da una respuesta sobre cómo establecer el nivel de orden hasta el nivel, pero le permite evaluar los costos y beneficios de cada respuesta posible. Tómese un minuto y finja que este es su problema: ¿Dónde le gustaría estar a lo largo de la curva de compensación?

Puede objetar y decir que odia sus elecciones y quiere cambiar el juego. ¿Hay escape de la curva? No de la curva general, pero es posible que pueda moldear una curva menos dolorosa. ¿Cómo?

Puede que tengas otras cartas para jugar. Una vía es tratar de “moldear” la demanda para que sea menos variable. El diagrama de demanda en la Figura 2 muestra mucha variabilidad. Si pudiera suavizar la demanda, toda la curva de compensación se desplazaría hacia abajo, haciendo que cada elección fuera menos costosa. Una segunda vía es tratar de reducir la media y la variabilidad de los plazos de entrega de los proveedores. Lograr cualquiera de los dos también desplazaría la curva hacia abajo para que la elección fuera menos dolorosa. Consulta nuestro artículo sobre cómo los proveedores influyen en sus costos de inventario

Resumen

La curva de compensación siempre está con nosotros. A veces podemos hacerlo más amigable, pero siempre elegimos nuestro lugar a lo largo de él. Es mejor saber lo que está obteniendo con cualquier elección de política de inventario que tratar de adivinar, y la curva le da eso. Cuando tiene una estimación precisa de esa curva, ya no está volando a ciegas cuando se trata de la planificación del inventario. 

No puede administrar adecuadamente sus niveles de inventario, y mucho menos optimizarlos, si no sabe exactamente cómo son los pronósticos de demanda y los parámetros de almacenamiento (como mínimo/máximo, existencias de seguridad, puntos de reorden y cantidades de pedidos). determinado.

Muchas organizaciones no pueden especificar cómo se calculan las entradas de la política o identificar situaciones que requieren que la administración anule la política. Por ejemplo, muchas personas pueden decir que confían en un método de planificación particular, como Mín./Máx., punto de reorden o previsión con stock de seguridad, pero no pueden decir exactamente cómo se calculan estas entradas de planificación. Más fundamentalmente, es posible que no entiendan qué sucedería con sus KPI si cambiaran el inventario mínimo, máximo o de seguridad. Es posible que sepan que el pronóstico se basa en "promedios", "historial" o "ingresos de ventas", pero los detalles específicos sobre cómo se llega al pronóstico final no están claros.

Con bastante frecuencia, la lógica de planificación y pronóstico del inventario de una empresa fue desarrollada por un ex empleado o un consultor desaparecido y sepultada en una hoja de cálculo. De lo contrario, puede depender de una funcionalidad de ERP obsoleta o de una personalización de ERP por parte de una organización de TI que asumió incorrectamente que el software de ERP puede y debe hacer todo. (Lea este gran y, como dicen, "gracioso porque es verdad", blog de Shaun Snapp sobre Estrategias centradas en ERP.) Es posible que la política no se haya documentado correctamente, y nadie en el trabajo actual puede mejorarla o utilizarla de la mejor manera.

Esta desafortunada situación conduce a otra, en la que los compradores y los planificadores de inventario ignoran por completo el resultado del sistema ERP, lo que obliga a depender de Microsoft Excel para determinar los programas de pedidos. Se desarrollan métodos ad hoc que impiden respuestas cohesivas a problemas operativos y no son visibles para el resto de la organización (a menos que desee que su CFO aprenda la hoja de cálculo compleja y meticulosa). Estos métodos a menudo se basan en Reglas de juego, técnicas de promediación o estadísticas de libros de texto sin una comprensión completa de sus deficiencias o aplicabilidad. E incluso cuando están documentados, la mayoría de las empresas a menudo descubren que los pedidos reales se desvían de la política documentada. ¡Una empresa a la que consultamos tenía niveles de inventario disponibles que eran rutinariamente el doble de la cantidad máxima! En otras palabras, no hay realmente una política en absoluto.

En resumen, muchos “sistemas” actuales de previsión de inventario y demanda se desarrollaron debido a la desconfianza hacia las sugerencias del sistema anterior, pero en realidad no mejoran los KPI. También obligan a la organización a depender de unos pocos empleados para gestionar la previsión de la demanda, los pedidos diarios y la reposición de inventario.

Y cuando hay un problema, es imposible que el equipo ejecutivo resuelva cómo llegó allí, porque hay demasiadas partes móviles. Por ejemplo, ¿fue el exceso de existencias la culpa de un pronóstico de demanda inexacto que se basó en un método de promedio que no tuvo en cuenta una demanda decreciente? ¿O se debió a una configuración de tiempo de entrega obsoleta que era más alta de lo que debería haber sido? ¿O se debió a una anulación del pronóstico que hizo un planificador para dar cuenta de un pedido que simplemente nunca sucedió? ¿Y quién dio la retroalimentación para hacer esa anulación? ¿Un cliente? vendedor?

¿Tienes alguno de estos problemas? Si es así, está desperdiciando cientos de miles a millones de dólares cada año en costos innecesarios de escasez, costos de almacenamiento y costos de pedido. ¿Qué podrías hacer con ese dinero extra? Imagina el impacto que esto tendría en tu negocio.

Este Blog detalla las 10 preguntas principales que puede hacer para descubrir lo que realmente está sucediendo en su empresa. Detallamos las respuestas típicas proporcionadas cuando en realidad no existe una política de previsión/planificación de inventario, explicamos cómo interpretar estas respuestas y ofrecemos algunos consejos claros sobre qué hacer al respecto.

"Billones de registros de millones de personas... Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas".

El vicepresidente sénior de investigación de Smart Software, Tom Willemain, tuvo recientemente la oportunidad de hablar con el Dr. Mohsen Hamoudia, presidente de la Instituto Internacional de Pronosticadores (IIF), para discutir problemas actuales y oportunidades para el análisis de big data. El IIF informa a los profesionales sobre tendencias y desarrollos de investigación en pronósticos a través de publicaciones impresas y en línea y la celebración de conferencias profesionales.

El Dr. Hamoudia comienza, a modo de introducción:

En todas las industrias, la disponibilidad de datos se está disparando en volumen, variedad y velocidad. El análisis de big data está jugando un papel importante en la identificación de los datos que son más importantes para el negocio.

Permítanme tomar el ejemplo del sector de las Tecnologías de la Información y la Comunicación (TIC). Estamos viendo un crecimiento literalmente exponencial en la cantidad de datos disponibles para las telecomunicaciones, los distribuidores de contenido independientes Over-the-top (OTT), el gobierno, los reguladores y otras organizaciones.

En todo el mundo, somos testigos de petabytes de datos: billones de registros de millones de personas, todos provenientes de múltiples fuentes. Entre estas fuentes: conexiones a Internet, ventas, centros de atención al cliente, redes sociales, datos de teléfonos fijos y móviles. Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas. Las empresas de TIC buscan cada vez más información procesable en sus datos. ¿Cómo pueden aumentar su base de clientes y sus programas de fidelización? ¿Cómo pueden mejorar la calidad del servicio (QoS) y reducir la rotación de clientes? Con las plataformas de análisis de big data adecuadas, pueden ser más competitivos y eficientes, mejorando las operaciones, el servicio al cliente y la gestión de riesgos. Pronosticar y predecir las tendencias y direcciones de los clientes es clave para las telecomunicaciones.

Las habilidades de pronóstico, incluidas las matemáticas, las estadísticas y la econometría, forman uno de los "bloques" más importantes de habilidades requeridas en la gestión de Big Data. Algunas actividades de pronóstico forman naturalmente parte del debate de los grandes datos.

En las industrias minoristas, las direcciones de previsión diarias pedir a través de miles de productos. La previsión financiera, ya sea considerando el comportamiento del cliente o series de datos financieros, genera conjuntos masivos de datos en línea. Como señaló Robert Fildes, profesor distinguido de la Universidad de Lancaster, hasta el momento la comunidad académica de pronósticos no está completamente involucrada, con solo unas pocas excepciones. Hal Varian de Google analizó parte del trabajo que David Hendry y Jennifer Castle, en la Universidad de Oxford, han realizado en la búsqueda de grandes conjuntos de datos para modelos significativos congruentes con los datos. Stock y Watson también han desarrollado sus propios enfoques para grandes conjuntos de macrodatos. Pero a pesar del intento, en el simposio del año pasado sobre pronóstico en Seúl, de explorar el tema de los grandes datos y sus aplicaciones de pronóstico, quedan pocas aplicaciones convincentes del uso de datos en línea en problemas reales de pronóstico.

P. En la actualidad, se habla mucho de "análisis predictivo", pero la frase rara vez se relaciona con la previsión. ¿Está de acuerdo en que la previsión se encuentra en el corazón del análisis predictivo? ¿Tiene alguna explicación de por qué se ha roto el enlace? ¿Tiene ideas sobre cómo reinyectar pronósticos en la conversación?

Los resultados de la previsión (el “qué”) quizás ahora se perciban como menos importantes que el “cómo”. En consecuencia, la confianza que los usuarios otorgan a la previsión tradicional ha disminuido. ¿Quién de hecho cuestiona la precisión o la relevancia de los pronósticos al comparar, a posteriori, la realidad con el pronóstico, defendiendo la efectividad de los metododiges y, por lo tanto, generando credibilidad?

Con la percepción actual de "análisis predictivo", probablemente haya más espacio en la imaginación del público asignado al lado "cómo" de las cosas y, por lo tanto, una historia más creíble para contar a los socios, inversores o clientes.

P. Parece que casi no hay vínculo entre el pronóstico tradicional y la tecnología móvil (teléfonos inteligentes, tabletas). ¿Es esto cierto o algunas empresas están migrando la previsión a dispositivos móviles? ¿Ve un camino a seguir en el que los algoritmos de pronóstico tradicionales residirían de forma rutinaria en los dispositivos móviles?

En primer lugar, estoy realmente encantado de invitar a sus lectores a echar un vistazo a nuestro último número de Foresight. Un excelente artículo sobre el tema, "Pronósticos en el bolsillo: los dispositivos móviles pueden mejorar la colaboración", explica que "la creciente popularidad de las PDA, los teléfonos inteligentes, las tabletas y otros dispositivos móviles abre nuevas oportunidades para la comunicación y la colaboración en los pronósticos comerciales". Los autores nos dicen que "las aplicaciones móviles de pronóstico (m-forecasting) pueden simplificar los enfoques de colaboración entre minoristas y proveedores, contribuyendo así al suministro e intercambio de información sobre productos, especialmente porque los pronósticos están fuertemente vinculados al conocimiento del contexto local".

Por ejemplo, en el lado de las TIC y OTT, una gran cantidad de proyectos predictivos, como los de Google+ y Facebook, están sucediendo gracias a la inclusión de los datos de "ubicación del usuario" en los sistemas de TI de OTT. En mi opinión, y lo que veo en algunos sectores como retail y logística, es que la previsión tradicional y la previsión móvil (m-forecasting) son complementarias. Este último podría verse como un enfoque de pronóstico de abajo hacia arriba que confirmará o no los resultados del pronóstico de arriba hacia abajo.

P. Algunas personas argumentan que los macrodatos facilitarán el reemplazo de los pronósticos por sistemas de “detectar y reaccionar”. Hablando en términos prácticos, ¿cómo explicaría "sentir y reaccionar"? ¿Hay áreas de aplicación en las que cree que es probable que se afiance o no?

Me parece que “sentir y reaccionar” está completamente orientado a la perspectiva de corto plazo. El pronóstico amplía esto al abordar las necesidades para un horizonte variable: corto y mediano plazo.

Como efecto colateral de ATAWAD (Anytime, Anywhere, Any Device), los criterios de toma de decisiones son, más que nunca, “a corto plazo”. Big data es un sistema de detección de "señales débiles", que permite la detección casi en tiempo real de oportunidades comerciales que pasarían desapercibidas con los sistemas de TI tradicionales. Realmente no hay aplicaciones preferidas o no prioritarias para esto, la pregunta está más en el lado de "cuándo".

Big data es relevante cuando se mira debajo de la superficie en tiempos económicos difíciles, pero no estoy tan seguro de si vale la pena el esfuerzo en un período económico "normal". Para concluir sobre este punto: me complacerá ver un ejemplo de cuán precisos son los pronósticos que se basan en "sentir y reaccionar" frente a los pronósticos basados en modelos tradicionales.

P. Estoy haciendo algunas preguntas importantes. ¿Hasta qué punto ve que la comunidad de IIF da forma a estas discusiones y resultados? ¿Cómo pueden los lectores unirse al diálogo?

Esperamos una mayor disponibilidad y un mayor uso de una gran cantidad de datos en muchas industrias, como la energía, el transporte, la atención médica, las finanzas, las telecomunicaciones y el turismo.

Muchos de los miembros del IIF están involucrados en diferentes aspectos del “movimiento” de big data. El IIF está trabajando en las actividades de pronóstico que, naturalmente, forman parte del debate sobre los grandes datos. En términos más generales, el IIF está participando activamente y brindando un foro para la discusión de pronósticos en el resto del mundo.

El tema de nuestro último Simposio Internacional sobre Pronósticos (ISF) celebrado en Seúl fue "Pronósticos con Big Data" y algunas presentaciones estuvieron relacionadas con la atención médica y las telecomunicaciones. El Banco Central Europeo (BCE) acaba de organizar un taller relevante. Si estos modelos se capitalizan, tienen el potencial de impactar la política económica de Europa con bastante rapidez.

Los lectores pueden unirse al diálogo contribuyendo con artículos para las publicaciones del IIF (The International Journal of Forecasting, Foresight and El oráculo). La previsión, por su parte, es una voz invaluable para reunir a académicos y profesionales en una discusión en curso.

Los lectores también pueden presentar trabajos en la conferencia anual (la mencionada ISF). También pueden sugerir y organizar talleres específicos para aplicaciones específicas de big data, como el que acaba de organizar el BCE en Frankfurt. Otra oportunidad es invitar a los miembros de IIF a asistir a cualquier reunión relacionada con el pronóstico con big data. Todas estas oportunidades forman buenas plataformas para establecer contactos y trabajar juntos.

Mohsen Hamoudia, PhD, es el presidente del Instituto Internacional de Pronosticadores. También se desempeña como Jefe de Estrategia para Grandes Proyectos (París) para Orange Business Services (la antigua France Telecom).

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.