Esta guía completa explica las facetas de la previsión y por qué la precisión de la previsión es un buen servidor pero un mal maestro.
Introducción: ¿Qué es un buen nivel de precisión de Forecast?
"¿Qué consideraría un buen nivel de precisión de Forecast en nuestro negocio?" es probablemente la pregunta más frecuente que recibimos de clientes, consultores y otros expertos en negocios por igual.
Desafortunadamente, creemos que esa no es la pregunta correcta. En primer lugar, porque en cualquier contexto de planificación de cadenas de suministro o minoristas, la previsión es siempre un medio para un fin, no el fin en sí. Debemos tener en cuenta que un Forecast es relevante solo en su capacidad de permitirnos lograr otros objetivos, como una mejor disponibilidad en los estantes, menor desperdicio de alimentos o surtidos más efectivos.
En segundo lugar, aunque la previsión es una parte importante de cualquier actividad de planificación, todavía representa solo una rueda dentada en la maquinaria de planificación, lo que significa que hay otros factores que pueden tener un impacto significativo en el resultado. A menudo, la importancia de un Forecast preciso es verdaderamente crucial, pero de vez en cuando otros factores son más importantes para lograr los resultados deseados.
Por supuesto, no estamos diciendo que deba dejar de medir la precisión del Forecast por completo. Es una herramienta importante para el análisis de la causa raíz y para la detección temprana de cambios sistemáticos en la precisión del Forecast.
Sin embargo, para obtener información realmente valiosa a partir de la medición de la precisión del Forecast, debe comprender:
1. El papel de la previsión de la demanda en la obtención de resultados comerciales. La precisión del Forecast es crucial cuando se manejan productos de vida útil corta, como alimentos frescos. Sin embargo, para otros productos, como los productos lentos con una vida útil prolongada, otras partes de su proceso de planificación pueden tener un mayor impacto en los resultados de su negocio. ¿Sabe para qué productos y situaciones la precisión del Forecast es un factor clave para los resultados comerciales?
2. Qué factores afectan la precisión alcanzable del Forecast. Los pronósticos (forecast) de demanda son intrínsecamente inciertos; por eso los llamamos pronósticos en lugar de planes. En algunas circunstancias, sin embargo, la previsión de la demanda es más fácil que en otras. ¿Sabe cuándo puede depender más de la previsión y cuándo, por el contrario, necesita configurar sus operaciones para tener una mayor tolerancia a los errores de previsión?
3. Cómo evaluar la calidad del Forecast. Las métricas del Forecast se pueden utilizar para monitorear el desempeño y detectar anomalías, pero ¿cómo puede saber si sus Forecast ya son de alta calidad o si todavía hay un margen significativo para mejorar la precisión de su Forecast?
4. Cómo funcionan las principales métricas de precisión del Forecast. Al medir la precisión del Forecast, el mismo conjunto de datos puede dar puntajes buenos o terribles dependiendo de la métrica elegida y cómo realice los cálculos. ¿Entiendes por qué?
5. Cómo monitorear la precisión del Forecast. Ninguna métrica de Forecast es universalmente mejor que otra. ¿Sabe qué métricas de precisión del Forecast utilizar y cómo?
En los siguientes capítulos, explicaremos estas facetas de la previsión y por qué la precisión de la previsión es un buen sirviente pero un mal maestro.
Capítulo 1: El papel de la previsión de la demanda en la obtención de resultados comerciales
Si no está en el negocio de predecir el clima, el valor de un Forecast proviene de aplicarlo como parte de un proceso de planificación.
Las buenas previsiones de demanda reducen la incertidumbre. En la distribución minorista y el reabastecimiento de tiendas, los beneficios de una buena previsión incluyen la capacidad de lograr una excelente disponibilidad de productos con existencias de seguridad reducidas, desperdicio minimizado y mejores márgenes, ya que se reduce la necesidad de ventas de liquidación. Más arriba en la cadena de suministro, una buena previsión permite a los fabricantes asegurar la disponibilidad de materias primas y materiales de empaque relevantes y operar su producción con menos capacidad, tiempo e inventario.
Obviamente, las previsiones son importantes. Si hay fruta madura en la previsión de la demanda, siempre tiene sentido cosecharla. Por ejemplo, si los minoristas aún no están aprovechando el aprendizaje automático en la previsión, la inversión no dará sus frutos. Los algoritmos de aprendizaje automático pueden considerar cientos de factores que pueden influir en la demanda al pronosticar las ventas minoristas, algo que un planificador de la demanda humana nunca podría hacer.
Por otro lado, también es obvio que los Forecast de la demanda siempre serán inexactos hasta cierto punto y que el proceso de planificación debe adaptarse a esto.
En algunos casos, puede ser simplemente más rentable mitigar el efecto de los errores de Forecast en lugar de invertir en aumentar aún más la precisión del Forecast. En la gestión de inventario, el costo de un aumento moderado de las existencias de seguridad para un producto de ciclo de vida prolongado y vida útil prolongada puede ser bastante razonable en comparación con que los planificadores de la demanda dediquen mucho tiempo a perfeccionar los modelos de Forecast o realizar cambios manuales. al Forecast de demanda. Además, si el error de Forecast restante es causado por una variación esencialmente aleatoria en la demanda, cualquier intento de aumentar aún más la precisión del Forecast será infructuoso.
Además, puede haber otros factores con mayor impacto en el resultado empresarial que perfeccionar la previsión de demanda. Consulte la Figura 1 para ver un ejemplo del uso de la previsión para impulsar la planificación de reabastecimiento para tiendas de comestibles. Aunque la precisión del Forecast para el producto y la empresa de ejemplo es bastante buena, todavía hay desperdicio sistemático debido al deterioro del producto. Al profundizar en el asunto, queda claro que el principal culpable detrás del desperdicio excesivo es el stock de presentación del producto, es decir, la cantidad de stock necesaria para mantener su espacio en los estantes lo suficientemente lleno para mantener una exhibición atractiva. Al asignar menos espacio al producto en cuestión (Figura 2), los niveles de inventario se pueden reducir, lo que permite una disponibilidad del 100% sin desperdicio, sin cambiar el Forecast.
Figura 1: La precisión del Forecast diario para este producto en esta tienda ya es bastante buena, pero todavía hay un desperdicio sistemático debido al deterioro.
Figura 2: Cuando se reduce el espacio en los estantes asignado al producto en la Figura 1, se necesita menos stock para que el estante se vea lo suficientemente lleno, lo que permite un 100% de disponibilidad en el estante sin desperdicio. Si se quisiera reducir aún más el inventario, los siguientes pasos serían observar el tamaño de lote relativamente grande del producto o aumentar el número de días de entrega de los cuatro por semana actuales.
La conclusión que se puede extraer de los ejemplos anteriores es que incluso los Forecast casi perfectos no producen excelentes resultados comerciales si las otras partes del proceso de planificación no son igualmente buenas.
En algunas situaciones, como la venta minorista de alimentos frescos, la previsión es crucial. Tiene sentido comercial invertir en la precisión del Forecast, asegurándose de que la variación en las ventas relacionada con los días de la semana se capture de manera efectiva y utilizando modelos de Forecast avanzados como el análisis de regresión y el aprendizaje automático para pronosticar el efecto de las promociones y la canibalización que puede disminuir la demanda de artículos sustitutos. y teniendo en cuenta las previsiones meteorológicas. Sin embargo, todo este trabajo no dará sus frutos si los tamaños de los lotes son demasiado grandes o hay un stock de presentación excesivo. Además, cuando la variación de las ventas entre semana es significativa, debe poder ajustar dinámicamente sus existencias de seguridad por día de la semana para optimizar la disponibilidad y el desperdicio.
Esto, por supuesto, es válido para cualquier proceso de planificación. Si solo se centra en los Forecast y no dedica tiempo a optimizar los otros elementos que afectan los resultados de su negocio, como las existencias de seguridad, los plazos de entrega, el tamaño de los lotes o los ciclos de planificación, llegará a un punto en el que las mejoras adicionales en la precisión del Forecast solo serán marginalmente mejorar los resultados comerciales reales.
Prueba 1: El peligro de centrarse en la precisión de las previsiones en lugar de los resultados comerciales
En los últimos años, hemos visto una tendencia creciente entre los minoristas a aplicar concursos de Forecast para elegir entre proveedores de software de planificación. Básicamente, esto significa que todos los proveedores obtienen los mismos datos de los minoristas, que luego insertarán en sus herramientas de planificación para mostrar qué tipo de precisión de Forecast pueden proporcionar. ¡Que gane el mejor Forecast!
Estamos muy a favor de todos los enfoques para la compra de software que incluyen a los clientes que adquieren experiencia práctica con el software y la oportunidad de probar sus capacidades antes de tomar una decisión de compra.
Sin embargo, también hay motivos para ser cautelosos al configurar las competiciones de Forecast. En algunos casos, nos hemos visto obligados a elegir entre la previsión que nos da la mejor puntuación para la métrica de precisión de previsión seleccionada o la presentación de la previsión que sabemos que sería la mejor opción para su uso previsto. ¿Cómo puede pasar esto?
Ilustremos esto con dos ejemplos simples pero verdaderos de la reposición de tiendas minoristas.
Nuestro primer producto de ejemplo es un típico de movimiento lento (consulte la Figura 3). La precisión del Forecast a nivel de día medida como 1-MAD/Media (consulte la Sección 4 para obtener más información sobre las principales métricas de Forecast) al 2% parece horriblemente baja. Sin embargo, en la práctica, incluso un Forecast perfecto no tendría ningún impacto en los resultados comerciales; la disponibilidad en el estante ya es perfecta y los niveles de existencias están determinados por los requisitos de existencias de presentación y el tamaño del lote de este producto (consulte la Figura 4). Como el Forecast es casi imparcial, también funciona bien como base para calcular los pedidos de tienda proyectados para impulsar el Forecast en el almacén de suministro.
Figura 3: Para este producto de movimiento lento, la precisión del Forecast a nivel de día (medida como 100% - MAD / Media en porcentaje) es horriblemente baja al 2% y la precisión a nivel de la semana bastante baja al 66%. Sin embargo, el sesgo de Forecast es perfecto al 100%.
Figura 4: El Forecast para nuestro producto de ejemplo en la Figura 3 tiene muy poco impacto en el reabastecimiento. El nivel de inventario más bajo se establece por el requisito mínimo de existencias de presentación (para mantener los estantes suficientemente llenos) y el nivel de inventario más alto por el tamaño de lote relativamente grande en el que se entrega el producto.
Curiosamente, al manipular el modelo de Forecast para subestimar constantemente la demanda, la precisión del Forecast a nivel de día para nuestro producto de ejemplo puede aumentar significativamente. Sin embargo, al mismo tiempo, esto introduciría un sesgo significativo en el Forecast con el potencial de perjudicar significativamente la planificación del suministro, en una situación en la que los Forecast de las tiendas forman la base del Forecast del centro de distribución. Además, no habría un impacto positivo en la reposición de tiendas.
Por lo tanto, para nuestro producto de ejemplo de movimiento lento, el Forecast que nos da una mejor puntuación para la métrica de precisión del Forecast seleccionada es menos adecuado para su propósito de impulsar el reabastecimiento en las tiendas y centros de distribución que el Forecast que obtiene una puntuación de precisión del Forecast peor.
Figura 5: Nuestro segundo ejemplo consiste en un producto con significativamente más ventas en esta tienda. Muestra un patrón de ventas claro y predecible relacionado con los días de la semana. La precisión del Forecast a nivel de día es buena (83%). El Forecast muestra muy poco sesgo.
Para el producto de rápido movimiento, la misma métrica de precisión del Forecast que fue problemática para el producto de movimiento lento refleja realmente el ajuste del Forecast al propósito.
¿Le puede interesar saber qué hicimos cuando nos enfrentamos al dilema ético de presentar a nuestro cliente potencial una mejor puntuación o un Forecast más adecuado para su propósito? No nos asociamos con entregar simplemente lo que el cliente pidió, sino más bien lo que necesitaba. Sin embargo, presentamos ambos Forecast y usamos simulaciones de stock detalladas para explicar por qué nuestra opción recomendada se ajustaba mejor. Sin este análisis, la conclusión de la competencia prevista habría sido incorrecta. Por lo tanto, recomendamos encarecidamente a las empresas que revisen la eficacia de los Forecast en el contexto en el que se utilizarán, por ejemplo, mediante la simulación.
Capítulo 2: Qué factores afectan la precisión alcanzable del Forecast
Hay varios factores que influyen en el nivel de precisión del Forecast que se puede alcanzar de manera realista. Esta es una de las razones por las que es tan difícil hacer comparaciones de precisión de Forecast entre empresas o incluso entre productos dentro de la misma empresa.
Hay algunas reglas básicas:
Los Forecast son más precisos cuando los volúmenes de ventas son altos: en general, es más fácil lograr una buena precisión del Forecast para grandes volúmenes de ventas. Si solo se vende una o dos unidades de un artículo por día, incluso una variación aleatoria de una unidad en las ventas resultará en un gran porcentaje de error del Forecast. Del mismo modo, los grandes volúmenes se prestan a nivelar la variación aleatoria. Por ejemplo, si cientos de personas compran el mismo producto, como un envase de 12 oz. Coca-Cola puede, a diario, incluso un autobús lleno de turistas que pasan por esa tienda para recoger una lata no tendrá un impacto significativo en la precisión del Forecast. Sin embargo, si los mismos turistas en su camino han recibido una sugerente recomendación de una mostaza muy condimentada con cerveza almacenada, sus compras corresponderán a un mes de ventas normales y probablemente dejarán los estantes vacíos.
Esto significa que la demanda es más fácil de pronosticar para hipermercados y megatiendas que para tiendas de conveniencia o cadenas de pequeñas ferreterías. Asimismo, es más fácil pronosticar para las tiendas de descuento que para los supermercados de tamaño similar, porque los supermercados regulares pueden tener una variedad diez veces mayor en términos de SKU, lo que significa que las ventas promedio por artículo son mucho más bajas.
La precisión del Forecast mejora con el nivel de agregación: cuando se agregan sobre SKU o con el tiempo, se puede ver el mismo efecto de volúmenes más grandes que amortiguan el impacto de la variación aleatoria. Esto significa que la precisión del Forecast medida a nivel de grupo de productos o para una cadena de tiendas es mayor que cuando se buscan SKU individuales en tiendas específicas. Del mismo modo, la precisión del Forecast medida de forma mensual o semanal en lugar de diaria suele ser significativamente mayor.
Los Forecast a corto plazo son más precisos que los Forecast a largo plazo: un horizonte de Forecast más largo aumenta significativamente la posibilidad de que cambios que aún no conocemos tengan un impacto en la demanda futura. Un ejemplo simple es la demanda dependiente del clima. Si necesitamos tomar decisiones sobre qué cantidades de ropa de verano comprar o producir con medio año o incluso más de antelación, actualmente no hay forma de saber qué tiempo va a hacer en verano. Por otro lado, si gestionamos el reabastecimiento de helados en las tiendas de abarrotes, podemos hacer uso de las previsiones meteorológicas a corto plazo al planificar la cantidad de helado que enviaremos a cada tienda.
La previsión es más fácil en negocios estables: no hace falta decir que siempre es más fácil lograr una buena precisión de previsión para productos maduros con demanda estable que para productos nuevos. Pronosticar de manera rápida es más difícil que en los supermercados. En el sector de la alimentación, los minoristas que siguen un modelo de precios bajos durante todo el año encuentran que los Forecast son más fáciles que los competidores que dependen en gran medida de las promociones o los cambios frecuentes de surtido.
Capítulo 3: Cómo evaluar la calidad del Forecast
Ahora que hemos establecido que no puede haber puntos de referencia universales para cuando la precisión del Forecast puede considerarse satisfactoria o insatisfactoria, ¿cómo podemos identificar el potencial de mejora en la precisión del Forecast?
Como se indicó en la introducción, el primer paso es evaluar los resultados de su negocio y el papel que desempeña la previsión para alcanzarlos. Si el Forecast resulta ser el principal culpable de los resultados comerciales decepcionantes, debe evaluar si el desempeño de su Forecast es satisfactorio.
¿Sus Forecast capturan con precisión la variación sistemática de la demanda? Por lo general, existen muchos tipos de variación en la demanda que son algo sistemáticos. Puede haber una estacionalidad, como el aumento de la demanda de té en el invierno, o tendencias, como un aumento continuo de la demanda de alimentos orgánicos, que se pueden detectar al examinar los datos de ventas anteriores. Además, especialmente a nivel de tienda y producto, muchos productos tienen distintas variaciones en la demanda relacionadas con los días de la semana. Un buen sistema de predicción que aplica la optimización automática de los modelos de predicción debería poder identificar este tipo de patrones sistemáticos sin intervención manual.
¿Sus Forecast capturan con precisión el impacto de eventos conocidos de antemano? Las decisiones comerciales internas, como promociones, cambios de precios y cambios de surtido, tienen un impacto directo en la demanda. Si estos cambios planificados no se reflejan en su Forecast, debe corregir su proceso de planificación antes de poder comenzar a abordar la precisión del Forecast. El siguiente paso es examinar cómo pronostica, por ejemplo, el impacto de las promociones. ¿Ya está aprovechando todos los datos disponibles, como el tipo de promoción, las actividades de marketing, los descuentos de precios, las exhibiciones en piso, etc. en la previsión, o podría mejorar la precisión de la previsión mediante una previsión más sofisticada?
Además de las propias decisiones comerciales de su organización, existen factores externos que tienen un impacto en la demanda. Algunos de estos se conocen con mucha antelación, como los días festivos o las fiestas locales. Los eventos únicos generalmente requieren una planificación manual, pero para los eventos recurrentes, como Semana Santa, para los que hay datos anteriores disponibles, la previsión puede ser altamente automatizada. Algunos factores externos naturalmente nos toman por sorpresa, como un producto específico que despega en las redes sociales.
En Finlandia, esto sucedió recientemente con la coliflor, cuya demanda se duplicó en respuesta a una campaña en las redes sociales iniciada por unos pocos ciudadanos preocupados que querían ayudar a los agricultores a mover una cosecha excepcionalmente grande. Incluso cuando la información esté disponible solo después de que se hayan tomado decisiones comerciales importantes, es importante utilizar la información para depurar los datos utilizados para el Forecast para evitar errores en los Forecast futuros.
¿La precisión de su Forecast se comporta de una manera predecible? A menudo es más importante comprender en qué situaciones y para qué productos se puede esperar que los Forecast sean buenos o malos, en lugar de invertir vastos recursos en perfeccionar los Forecast que, por su naturaleza, no son confiables. Comprender cuándo es probable que la precisión del Forecast sea baja, hace posible realizar un análisis de riesgo de las consecuencias de un Forecast excesivo o insuficiente y tomar decisiones comerciales en consecuencia.
Un buen ejemplo de esto es un fabricante de bienes de consumo masivo con el que hemos trabajado, que tiene un proceso para identificar posibles “estrellas” en su cartera de nuevos productos. Los productos “estrella” tienen el potencial de romper el banco, pero son raros y solo se ven un par de veces al año. Como los productos tienen una vida útil limitada, el fabricante no quiere arriesgarse a que los Forecast potencialmente muy inflados aumenten el inventario por si acaso, sino que se aseguran de tener capacidad de producción, materias primas y suministros de empaque para poder lidiar con una situación en la que el Forecast original resulta ser demasiado bajo.
La necesidad de un comportamiento de Forecast predecible es también la razón por la que ponemos sumo cuidado al utilizar nuevos métodos de Forecast, como diferentes algoritmos de aprendizaje automático.
Por ejemplo, al probar diferentes variantes de aprendizaje automático en datos de promoción, descartamos un enfoque que, en promedio, era un poco más preciso que otros, pero significativamente menos sólido y más difícil de entender para el planificador de demanda promedio. Los errores de Forecast extremos ocasionales pueden ser muy perjudiciales para su desempeño, cuando el proceso de planificación se ha configurado para tolerar un cierto nivel de incertidumbre. Además, reduce la confianza de los planificadores de la demanda en los cálculos de previsión, lo que puede afectar significativamente la eficiencia del trabajo.
Si la demanda cambia de formas que no se pueden explicar o si la demanda se ve afectada por factores para los que la información no está disponible lo suficientemente temprano como para afectar las decisiones comerciales, simplemente debe encontrar formas de hacer que el proceso dependa menos de la precisión del Forecast.
Ya mencionamos el clima como un factor externo que tiene un impacto en la demanda. A corto plazo, los Forecast meteorológicos se pueden utilizar para impulsar el reabastecimiento en las tiendas (puede leer más sobre cómo usar el aprendizaje automático para beneficiarse de los datos meteorológicos en su Forecast aquí). Sin embargo, los Forecast meteorológicos a largo plazo aún son demasiado inciertos para proporcionar valor en la planificación de la demanda que debe realizarse meses antes de las ventas.
En negocios que dependen mucho del clima, como el equipo para deportes de invierno, nuestra recomendación es tomar una decisión comercial con respecto a los niveles de inventario a los que ir. Para los artículos de alto margen, el impacto comercial de perder ventas debido a desabastecimientos suele ser peor que el impacto de tener que recurrir a las ventas de liquidación para deshacerse del exceso de stock, por lo que puede tener sentido planificar de acuerdo con las clima. Para los artículos de bajo margen, los reembolsos pueden hacer que los productos no sean rentables rápidamente, por lo que puede ser más prudente tener un plan de inventario más cauteloso.
En cualquier caso, configurar sus operaciones para que las decisiones finales sobre dónde colocar las existencias se tomen lo más tarde posible permita recopilar más información y mejorar la precisión del Forecast. En la práctica, esto puede significar retener una parte del inventario en sus centros de distribución para asignarlo a las regiones que tienen las condiciones más favorables y las mejores posibilidades de vender los productos a precio completo. (Puede leer más sobre la gestión de productos de temporada aquí).
Capítulo 4: Cómo funcionan las principales métricas de precisión del pronóstico
Dependiendo de la métrica elegida, el nivel de agregación y el horizonte de pronóstico, podemos obtener resultados muy diferentes sobre la precisión del pronóstico para exactamente el mismo conjunto de datos. Para poder analizar los pronósticos y realizar un seguimiento del desarrollo de la precisión de los pronósticos a lo largo del tiempo, es necesario comprender las características básicas de las métricas de precisión de los pronósticos más comúnmente utilizadas.
Probablemente hay un número infinito de métricas de precisión de pronóstico, pero la mayoría de ellas son variaciones de las tres siguientes: Sesgo del Pronóstico (Forecast Bias), Desviación Media Absoluta (Mean Absolute Deviation o MAD) y Error Porcentual Medio Absoluto (Mean Absolute Percentage Error o MAPE). Los veremos más de cerca posteriormente. No dejemos que la simple apariencia de estas métricas le engañe. Después de explicar los conceptos básicos profundizaremos en las complejidades de cómo se calculan dichas métricas en la práctica, para luego mostrar cómo los cambios simples y completamente justificables en la lógica de cálculo, tienen el poder de alterar radicalmente los resultados de precisión del pronóstico.
Sesgo del Pronóstico (Forecast Bias)
El Sesgo del Pronóstico (Forecast Bias) es el resultado de calcular la diferencia entre el pronóstico y las ventas. Si el pronóstico sobreestima las ventas, el Sesgo del Pronóstico se considera positivo. Si el pronóstico subestima las ventas, el Sesgo del Pronóstico se considera negativo. Si desea examinar el Sesgo como el porcentaje de las ventas, simplemente divida el pronóstico total entre el total de ventas. Los resultados de más del 100% significan que está sobre-pronosticando y los resultados por debajo del 100% que está sub-pronosticando.
Tabla 1: este ejemplo muestra las ventas y las previsiones de tres artículos para una sola semana. Como puede ver, aunque los sesgos para cada producto individual son bastante grandes, el sesgo a nivel de grupo calculado comparando las ventas totales con el pronóstico total para los tres productos es muy pequeño. En otras palabras, en un nivel agregado, el pronóstico se ve muy bien y el sesgo se acerca al objetivo del 100%.
Desviación Media Absoluta (Mean Absolute Deviation o MAD)
La Desviación Media Absoluta (MAD) es otra métrica de pronóstico de uso común. Esta métrica muestra la magnitud del error, en promedio, que tiene en su pronóstico. Sin embargo, como la métrica MAD le da el error promedio en unidades, no es muy útil para las comparaciones. Un error promedio de 1,000 unidades puede ser muy grande cuando se mira un producto que vende solo 5,000 unidades por período, pero marginal para un artículo que vende 100,000 unidades al mismo tiempo.
Error Absoluto Medio Porcentual (Mean Absolute Percentage Error MAPE)
El Error Absoluto Medio Porcentual (Mean Absolute Percentage Error MAPE) es similar a la métrica MAD, pero expresa el error de pronóstico en relación con el volumen de ventas. Básicamente, le indica cuántos puntos porcentuales están desviados en promedio sus pronósticos. Esta es probablemente la métrica de previsión más utilizada en la planificación de la demanda.
Medir la precisión del pronóstico no se trata solo de seleccionar la métrica o las métricas adecuadas. Hay algunas cosas más a considerar al decidir cómo debe calcular la precisión de su pronóstico:
Medición de la Precisión o la Medición del Error: esto puede parecer obvio, pero lo mencionaremos de todos modos, ya que a lo largo de los años hemos visto a algunas personas muy inteligentes confundirse con esto. A pesar de su nombre, el sesgo de pronóstico mide la precisión, lo que significa que el nivel objetivo es 1 o 100% y el número +/- que es la desviación. MAD y MAPE, sin embargo, miden el error de pronóstico, lo que significa que 0 o 0% es el objetivo y números más grandes indican un error mayor.
Agregar datos o agregar métricas: uno de los factores más importantes que afectan los resultados que producen sus métricas de precisión de pronóstico es el nivel seleccionado de agregación en términos de cantidad de productos o en el tiempo. Como se discutió anteriormente, la precisión de los pronósticos suele ser mejor cuando se ve en el nivel agregado. Sin embargo, al medir la precisión del pronóstico a niveles agregados, también debe tener cuidado con la forma en que realiza los cálculos. Como demostraremos a continuación, puede marcar una gran diferencia si aplica las métricas a los datos agregados o calcula los promedios de las métricas detalladas.
En el ejemplo (ver Tabla 3), tenemos un grupo de tres productos, sus ventas y pronósticos de una sola semana, así como sus respectivos MAPE. La fila inferior muestra las ventas, los pronósticos y el MAPE calculado a nivel de grupo de productos, según los números agregados. Usando este método, obtenemos un MAPE a nivel de grupo del 3%. Sin embargo, como vimos anteriormente en la Tabla 2, si primero se calculan las métricas de MAPE a nivel de producto y luego se calcula un promedio a nivel de grupo, llegamos a un MAPE a nivel de grupo del 33%.
para los tres productos, el MAPE resultante a nivel de grupo es mucho más bajo que
cuando se calcula el promedio de los resultados MAPE respectivos de los productos
individuales.
¿Qué número es correcto? La respuesta es que ambos lo son, pero deben usarse en situaciones diferentes y nunca compararse entre sí.
Por ejemplo, al evaluar la calidad del pronóstico desde la perspectiva del reabastecimiento, se podría argumentar fácilmente que el error de pronóstico bajo del 3% en el nivel agregado sería en este caso bastante engañoso. Sin embargo, si el pronóstico se utiliza para decisiones comerciales en un nivel más agregado, como la planificación de la selección de recursos en un centro de distribución, el error de pronóstico más bajo del 3% puede ser perfectamente relevante.
La misma dinámica está en juego cuando se agregan durante períodos de tiempo. Los datos de los ejemplos anteriores estaban a nivel semanal, pero los resultados se verían bastante diferentes si calculamos el MAPE para cada día de la semana por separado y luego tomamos el promedio de esas métricas.
En el primer ejemplo (Tabla 2), las puntuaciones de MAPE a nivel de producto basadas en datos semanales estaban entre el 12% y el 50%. Sin embargo, los promedios a nivel de producto calculados en base a las puntuaciones de MAPE a nivel de día varían entre el 23% y el 71% (consulte la Tabla 4). Al calcular el promedio de estos últimos MAPE, obtenemos una tercera sugerencia para el error en todo el grupo de productos: 54%. De nuevo, esta puntuación es bastante diferente del 33% que obtuvimos al calcular MAPE en función de los datos de nivel de producto y semana y del 3% que obtuvimos al calcularlo en función de los datos de nivel de grupo de producto y semana.
¿Qué métrica es la más relevante? Si estos fueran pronósticos para un fabricante que aplica ciclos de planificación semanales o más largos, la precisión de medición a nivel de semana tiene sentido. Pero si se trata de una tienda de comestibles que recibe seis entregas a la semana y muestra un patrón claro de ventas relacionado con el día de la semana, realizar un seguimiento de la precisión del pronóstico diario es mucho más importante, especialmente si los artículos en cuestión tienen una vida útil corta.
Promedio Aritmético o Promedio Ponderado: se puede argumentar que un error del 54% no da la imagen correcta de lo que está sucediendo en nuestro ejemplo. Después de todo, el "Producto C" representa más de dos tercios de las ventas totales y su error de pronóstico es mucho menor que para los productos de bajo volumen. ¿No debería la métrica de pronóstico reflejar de alguna manera la importancia de los diferentes productos? Esto se puede resolver ponderando el error de pronóstico por ventas, como lo hemos hecho para la métrica MAPE en la Tabla 5 a continuación. La métrica resultante se llama MAPE ponderado por volumen o relación MAD/media.
Tabla 5: Resultados MAPE ponderados por volumen por producto (calculados a partir de
datos de ventas diarias) y para el grupo de productos.
Como puede ver en la Tabla 5, los resultados MAPE ponderados por volumen a nivel de producto son diferentes de nuestros resultados MAPE anteriores (Tabla 4). Esto se debe a que el MAPE de cada día está ponderado por las ventas de ese día. La lógica subyacente aquí es que si solo vende una unidad por día, un error del 100% no es tan malo como cuando vendió 10 unidades y sufrió el mismo error. A nivel de grupo, el MAPE ponderado por volumen es ahora mucho más pequeño, lo que demuestra el impacto de dar más importancia al producto de alto volumen más estable.
La elección entre promedios aritméticos y ponderados es una cuestión de criterio y preferencia. Por un lado, tiene sentido dar más peso a los productos con mayores ventas, pero por otro lado, de esta manera, puede perder de vista a los de menor rendimiento.
Las versiones finales o anteriores del pronóstico: como se discutió anteriormente, cuanto más en el futuro se pronostique, menos preciso será el pronóstico. Normalmente, los pronósticos se calculan para varios meses en el futuro y luego se actualizan, por ejemplo, semanalmente. Por lo tanto, para una semana determinada, normalmente se calculan múltiples pronósticos a lo largo del tiempo, lo que significa que tiene varios pronósticos diferentes con diferentes retrasos de tiempo. Los pronósticos deberían ser más precisos cuando se acerque a la semana que está pronosticando, lo que significa que la precisión de su pronóstico se verá muy diferente según la versión de pronóstico que utilice para calcularlo.
La versión de pronóstico que debe usar al medir la precisión del pronóstico es el pronóstico para el cual el lapso de tiempo coincide cuando se toman decisiones comerciales importantes. En la distribución minorista y la gestión de inventarios, el retraso relevante suele ser el tiempo de entrega de un producto. Si un proveedor entrega desde el Lejano Oriente con un tiempo de entrega de 12 semanas, lo que importa es cuál era la calidad de su pronóstico cuando se creó el pedido, no cuál era el pronóstico cuando llegaron los productos.
Capítulo 5: Cómo monitorear la precisión del pronóstico
En términos de evaluar la precisión del pronóstico, ninguna métrica es universalmente mejor que otra. Todo es cuestión de para qué desea utilizar la métrica:
- El Sesgo del Pronóstico le indica si está sobreestimando o subestimando sistemáticamente. Las otras métricas no te dicen eso.
- MAD mide el error de pronóstico en unidades. Se puede utilizar, por ejemplo, para comparar los resultados de diferentes modelos de pronóstico aplicados al mismo producto. Sin embargo, la métrica MAD no es adecuada para la comparación entre diferentes conjuntos de datos.
- MAPE es mejor para las comparaciones ya que el error de pronóstico se relaciona con las ventas. Sin embargo, como a todos los productos se les asigna el mismo peso, puede dar valores de error muy altos cuando la muestra contiene muchos movimientos lentos. Al usar un MAPE ponderado por volumen, se le da más importancia a los más vendidos. La desventaja de esto es que incluso los errores de pronóstico muy altos para los motores lentos pueden pasar desapercibidos.
La métrica de precisión del pronóstico también debe seleccionarse para que coincida con los niveles relevantes de agregación y el horizonte de planificación relevante. En la Tabla 6 presentamos algunos ejemplos de diferentes procesos de planificación que utilizan pronósticos y niveles típicos de agregación sobre productos y tiempo, así como los períodos de tiempo asociados con esas tareas de planificación.
Para hacer las cosas aún más complicadas, el mismo pronóstico se usa a menudo para varios propósitos diferentes, lo que significa que comúnmente se requieren varias métricas con diferentes niveles de agregación y diferentes períodos de tiempo.
Un buen ejemplo es el reabastecimiento y la gestión del inventario en el centro de distribución de suministro. Nuestra recomendación es utilizar el mismo pronóstico que impulsa el reabastecimiento traducido en pedidos de tienda proyectados, para impulsar la gestión de inventario en el Centro de Distribución (DC). De esta manera, los cambios en los parámetros de inventario de las tiendas, los cronogramas de reabastecimiento, así como los cambios planificados en las posiciones de stock de éstas provocados, por ejemplo, por la necesidad de acumular stock en las tiendas para prepararse para una promoción o en asociación con el lanzamiento de un producto, se reflejan inmediatamente en la previsión de pedidos del Centro de Distribución.
Esto significa que las previsiones de las tiendas deben ser lo suficientemente precisas, no solo con días, sino en muchos casos con varias semanas o incluso meses de antelación. Sin embargo, los requisitos para los pronósticos de tienda y el pronóstico del Centro de Distribución no son los mismos. El pronóstico a nivel de tienda debe ser preciso a nivel de tienda y producto, mientras que el pronóstico a nivel del Centro de Distribución debe ser preciso para el volumen total de pedidos por producto y todas las tiendas. En el nivel de Centro de Distribución, la agregación generalmente reduce el error de pronóstico por producto. Sin embargo, debemos tener cuidado con el sesgo sistemático en los pronósticos, ya que la tendencia a sobreestimar o subestimar la demanda, puediendo agravarse a través de la agregación.
El número de pronósticos en un contexto de planificación de cadena de suministro o minorista suele ser muy grande para empezar y tratar con múltiples métricas significa que el número aumenta aún más. Esto significa que necesita un proceso basado en excepciones para supervisar la precisión. De lo contrario, sus planificadores de la demanda quedarán completamente abrumados o se arriesgarán a perder señales de demanda valiosas en los promedios.
Para poder identificar de manera efectiva las excepciones relevantes, generalmente tiene sentido clasificar los productos en función de su importancia y previsibilidad. Esto se puede hacer de muchas maneras, pero un simple punto de partida es clasificar los productos según el valor de las ventas (clasificación ABC), que refleja el impacto económico, y la frecuencia de las ventas (clasificación XYZ), que tiende a correlacionarse con una previsión más precisa. Para productos AX de alto valor de venta y frecuencia de venta, por ejemplo, una alta precisión de pronóstico es realista y las consecuencias de las desviaciones bastante significativas, por lo que el umbral de excepción debe mantenerse bajo y las reacciones a los errores de pronóstico deben ser rápidas. Para productos de baja frecuencia de ventas, su proceso debe ser más tolerante a los errores de pronóstico y los umbrales de excepción deben establecerse en consecuencia.
Otro buen enfoque, que recomendamos usar en combinación con lo anterior, es identificar productos o situaciones en las que se sabe que la precisión del pronóstico es un desafío o de importancia crucial. Un ejemplo típico son los productos frescos o de vida útil corta, que deben controlarse con mucho cuidado ya que los errores de pronóstico se traducen rápidamente en desperdicio o pérdida de ventas. Situaciones especiales, como nuevos tipos de promociones o presentaciones de productos, pueden requerir una atención especial incluso cuando los productos tienen una vida útil más larga.
Por supuesto, para aprovechar la precisión del pronóstico del monitoreo, debe poder reaccionar ante las excepciones. Simplemente abordar las excepciones corrigiendo manualmente los pronósticos erróneos no le ayudará a largo plazo, ya que no mejora el proceso de pronóstico. Por lo tanto, debe asegurarse de que su sistema de pronóstico 1) sea lo suficientemente transparente para que los planificadores de la demanda comprendan cómo se formó un pronóstico determinado y 2) permita que los planificadores de la demanda controlen cómo se calculan los pronósticos (consulte el Anexo 2).
Anexo 2: Para hacer frente a los errores de pronóstico, debe ser capaz de comprender y controlar su sistema de pronóstico
Los pronósticos sofisticados implican el uso de una multitud de métodos de pronóstico que consideran muchos factores diferentes que influyen en la demanda. Para poder ajustar los pronósticos que no cumplen con los requisitos de su negocio, debe comprender de dónde provienen los errores de pronóstico.
Para depurar pronósticos de manera eficiente, debe poder separar los diferentes componentes del pronóstico. En términos simples, esto significa visibilidad del pronóstico de referencia, impacto pronosticado de promociones y eventos, así como ajustes manuales al pronóstico por separado (consulte la Figura 7). Especialmente cuando los pronósticos se ajustan manualmente, es muy importante monitorear continuamente el valor agregado de estos cambios. Varios estudios indican que el cerebro humano no es adecuado para realizar pronósticos y que muchos de los cambios realizados, especialmente los pequeños aumentos en los pronósticos, no están bien fundamentados.
En muchos casos, también es muy valioso poder retroceder en el tiempo para revisar cómo se veía el pronóstico en el pasado cuando se tomó una decisión comercial importante. ¿Se realizó una orden de compra grande, por ejemplo, porque el pronóstico real en ese momento contenía una promoción planificada que luego se eliminó? En ese caso, la causa fundamental de la mala precisión del pronóstico no fue el pronóstico en sí, sino la falta de sincronización en la planificación.
Algunos sistemas de pronóstico en el mercado parecen cajas negras para los usuarios: entran datos, salen pronósticos. Este enfoque funcionaría bien si los pronósticos fueran 100% precisos, pero los pronósticos nunca son completamente confiables. Por lo tanto, debe asegurarse de que su sistema de pronóstico 1) sea lo suficientemente transparente para que los planificadores de la demanda comprendan cómo se formó un pronóstico determinado y 2) permita que los planificadores de la demanda controlen cómo se calculan los pronósticos.
Conclusión: medir la precisión del pronóstico es un buen sirviente pero un mal amo
En este punto, hemos producido más de 7,000 palabras de texto y aún no hemos respondido a la pregunta original de qué tan alta debería ser la precisión de su pronóstico. Probablemente ahora vea por qué a veces nos sentimos tentados a decir un número arbitrario, como el 95%, y seguir adelante. Sin embargo, especialmente en estos días en los que hay tanto entusiasmo en torno al aprendizaje automático, tememos que el enfoque en la mejora de la planificación de la cadena de suministro y el comercio minorista se esté desplazando demasiado hacia el aumento de la precisión del pronóstico a expensas de mejorar la eficacia del proceso de planificación completo. Mientras nuestros clientes disfrutan de los beneficios de una mayor precisión de los pronósticos con nuestros algoritmos de aprendizaje automático, seguimos sintiendo firmemente que es necesario analizar el papel del pronóstico en el panorama general.
Para algunos productos, es fácil lograr una precisión de pronóstico muy alta. Para otros, es más rentable trabajar para mitigar las consecuencias de los errores de pronóstico. Para los que se encuentran en algún punto intermedio, debe evaluar continuamente la calidad de su pronóstico y cómo funciona junto con el resto de su proceso de planificación.
Una buena precisión de pronóstico por sí sola no equivale a un negocio exitoso. Por lo tanto, medir la precisión del pronóstico es un buen sirviente, pero un mal maestro.
Para resumir, aquí hay algunos principios clave que se deben tener en cuenta al medir la precisión del pronóstico:
- Mida principalmente lo que necesita lograr, como la eficiencia o la rentabilidad. Utilice esta información para centrarse en situaciones en las que una buena previsión es importante. Ignore las áreas en las que hará poca o ninguna diferencia. Tenga en cuenta que la previsión es un medio para lograr un fin. Es una herramienta para ayudarlo a obtener los mejores resultados; altos volúmenes de ventas, bajo desperdicio, gran disponibilidad, buenas ganancias y clientes satisfechos.
- Comprender el papel de los pronósticos en la obtención de resultados comerciales y mejorar el pronóstico, así como las otras partes de los procesos de planificación en paralelo. Optimice las existencias de seguridad, los plazos de entrega, los ciclos de planificación y la previsión de la demanda de forma coordinada, centrándose en las partes del proceso que más importan. Revise críticamente los surtidos, el tamaño de los lotes y las actividades promocionales que no impulsan el rendimiento comercial. Una gran precisión de pronóstico no es un consuelo si no está haciendo bien las cosas más importantes.
- Asegúrese de que las métricas de precisión de su pronóstico coincidan con sus procesos de planificación y utilice varias métricas en combinación. Elija el nivel de agregación, la ponderación y el retraso correctos para cada propósito y supervise sus métricas de pronóstico continuamente para detectar cualquier cambio. A menudo, los mejores conocimientos están disponibles cuando utiliza más de una métrica al mismo tiempo. La mayor parte de este monitoreo puede y debe automatizarse, de modo que solo se resalten las excepciones relevantes.
- Si desea comparar la precisión de su pronóstico con la de otras empresas, es fundamental asegurarse de que está comparando lo similar con lo similar y comprender cómo se calculan las métricas. Los niveles realistas de precisión del pronóstico pueden variar significativamente de una empresa a otra y entre productos, incluso en el mismo segmento, dependiendo de la estrategia, la amplitud del surtido, las actividades de marketing y la dependencia de factores externos, como el clima. Además, puede obtener fácilmente resultados significativamente mejores o peores al calcular esencialmente la misma métrica de precisión de pronóstico de diferentes maneras. Recuerde que el pronóstico no es una competencia para obtener los mejores números. Para aprender de los demás, estudie cómo hacen pronósticos, utilizan pronósticos y desarrollan sus procesos de planificación, en lugar de centrarse en números sin contexto.
No hay comentarios:
Publicar un comentario
Todos los derechos reservados.
Copyright © 2025.