Cuando se requiere incrementar certeza de forecast es necesario considerar diferentes cosa entre ellas los datos per sé, por una suerte muy natural, los datos contienen distorsiones derivadas algunas veces de los procesos comerciales , de distribución de crédito, etc.
Típicamente usar la historia de lo ordenado por los clientes y no lo facturado (Sell In), resulta ser más efectivo. Aunque es sabido que podría algunas distorsiones que obedecen a prácticas tales como que los clientes no consideran el balance de lo que han ordenado, es decir, que cuando colocan una orden y es surtida parcialmente, no es considerado al balance por surtir y terminan colocando una nueva orden, por ejemplo: si un cliente quiere 100 piezas mensuales de un producto, y por alguna razón se surten 90, el cliente no considera que hay pendientes 10 piezas, y podría colocar una orden de 110 para el próximo mes. Lo que es un hecho es que usar los datos históricos de lo que nuestros consumidores finales (Sell Out) han adquirido, resulta ser la mejor información que cualquier empresa podría tener. La teoría nos dice que la información mas cercana a nuestro consumidor final es la mejor información ya que contiene patrones más fieles con los que la demanda se desempeña en el mercado.
Es necesario aclarar que no siempre se tiene la información de Sell Out y que en un momento dado trabajar con Sell In es mucho mejor que no tener ninguna información.
Lo que sí es una constante, es que no importa que datos se tengan para hacer los pronósticos, el demand planner siempre tendrá que considerar asignar tiempo para la limpieza de la información, no importa si la información es Sell In o Sell Out, es necesario buscar datos históricos que podrían distorsionar las proyecciones, osea, buscar Outliers, como se diría técnicamente en Inglés.
De aquí surgen 5 preguntas que podrían dar algunos tips de cómo detectar Outliers y de cómo suavizarlos.
1. Que es un Outlier?
a. Un “Outlier” es un punto extraordinario en la historia de la demanda normalmente provocado por eventos no previstos y únicos. Pueden ser el punto más alto de toda la serie de datos o el más bajo.
2. Cómo detecto un Outlier?
a. No todos los puntos más altos o más bajos de una serie de tiempo son un Outlier, se puede sospechar cuando un punto rebasa más de 2 sigmas. Una manera para detectar Outliers de manera sencilla es graficando la serie de tiempo, una inspección visual puede alertarnos de un posible Outlier.
3. Para qué buscar Ouliers?
a. Definitivamente para incrementar certeza de forecast. Uno de los vectores (por así llamarlo) que guía el pronóstico es la estacionalidad o ciclicidad de los productos. Cuando proyectamos la estacionalidad de un producto basado en su historia es cuando cobra gran relevancia los Outliers, ya que lo mas seguro, es que se repita como un pico estacional en las proyecciones de la demanda en los próximos años. Esto nos debería hacer suponer que el planeador de demanda debería estar corrigiendo el forecast cada corrida, pero en realidad lo que hace mas sentido sería modificar la base histórica, es decir, suavizar el Outlier a un nivel que haga sentido acorde con la estacionalidad y la relatividad de los demás datos históricos, de esa forma las proyecciones deberían ajustarse en automático.
4. Se deben suavizar todos los Outliers?
a. No todos. No todos los picos por muy altos o bajos que pudieran parecer son Outliers. Se trata de detectarlos y sobre todo de calificar si en realidad es un Oultier o un punto estacional. Entender la naturaleza de qué fue lo que provocó ese punto en particular y su relación con el futuro son justamente lo que el planeador de demanda debe validar. Por ejemplo: Supongamos que hubo un Outlier en Febrero, y se debió a que nuestro competidor no podrá cumplir los pedidos enormes a una cadena de Retail, así que esa cadena nos ha pedido el producto a nosotros y accedimos. Lo que quiero ilustrar con este ejemplo es que no se sabe si nuestra competencia volverá a fallar en Febrero del próximo año o no. En este caso, lo mejor será limpiar (suavizar) el evento y documentarlo. Hablaremos más delante de algunas ideas de como suavizar dicho punto. Ahora bien, siguiendo la misma idea, si este mismo ejemplo de un Outlier en Febrero fue porque se implementó por primera vez una promoción irresistible para nuestros clientes, y sobre todo, que será de aquí en adelante aplicada todos los febreros, entonces lo recomendable es no suavizar este Outlier ya que su peso puede ser importante sobre todo en términos de estacionalidad para Febrero del próximo año. No sobra decir que abrá veces que el planeador de la demanda no sepa en realidad cuál fue el origen de tal evento, en ese caso, será necesario investigar en equipo con la persona encargada de ese producto en el área de ventas o mercadeo, según sea el caso. He visto casos en que nadie sabe que pasó, sobre todo cuando hay rotación de personal y todos los involucrados son relativamente nuevos en la organización y llegaron después de tal evento, en ese caso, lo mejor es suavizarlo sin miramientos.
5. Como ajustar un Outlier?
a. Hay varias opciones, el punto es colocar una cifra que represente “lo que hubiera sucedido si no hubiera habido ese evento” . Lo que puede ser más práctico es:
i. Colocar lo que el año anterior vendió más algún ajuste por crecimiento o por caída de la demanda.
ii. Puede ser un promedio.
iii. Puede ser con el sentido común de forma empírica
iv. También puede ser un ejercicio de colocar un límite superior e inferior usando intervalos de confianza dependiendo de la categoría ABC de los productos y ajustar a estos niveles aquellos puntos que queden fuera de esta “franja” que trata de Puedes comenzar probando con los siguientes límites:
1. Productos A – 1.25 Sigmas
2. Productos B – 1.75 Sigmas
3. Productos C – 2 Sigmas.
Ahora bien, con las herramientas modernas que cuentan con Inteligencia artificial, el tratamiento de los Outliers son automáticos, son algoritmos que analizan las series de tiempo y que detectan e inclusive aprenden de los usuarios para corregir o integrar estos puntos extraordinarios al forecast, En Demand Solutions tomamos muy en serio este tema ya que limpiar la base histórica es fundamental para mejorar las proyecciones con las que un negocio va a tomar decisiones, si quieres ver esta tecnología de punta para pronostico contáctanos
Comments