Simplificando el Pronóstico de la Demanda

¿Es alcanzable un 100% de precisión en el pronóstico? ¿Debería serlo?

Cualquiera que alguna vez haya tenido que pronosticar la demanda de productos o servicios sabe que obtener una precisión de pronóstico consistentemente alta es parte ciencia y parte magia. Minimizar el error de pronóstico requiere una formación en análisis de datos y estadística, además de una sólida comprensión de los productos, mercados y clientes para los cuales se está intentando predecir la demanda. Incluso con todo el conocimiento que hemos acumulado y los vastos recursos de información al alcance de nuestra mano, los buenos pronosticadores se dan cuenta de que producir un pronóstico que se acerque al 100% de precisión se acerca a lo imposible (y, si llega a suceder, es puramente por casualidad). Esto hace que el rol del planificador de demanda sea desafiante y gratificante al mismo tiempo.

Una mejora en la precisión del pronóstico puede tener un impacto significativo en los resultados finales al reducir los colchones de inventario, los productos obsoletos, los envíos urgentes, el espacio de centro de distribución requerido y otro trabajo que no agrega valor. Al mismo tiempo, vemos tasas de cumplimiento de pedidos más altas para los clientes, mayor satisfacción del cliente, y un aumento en los ingresos y márgenes. Claramente, la precisión del pronóstico es muy importante.

Con todos estos beneficios, algunos han propuesto que la llegada de Lean y JIT (justo a tiempo) ha vuelto obsoleto el pronóstico. Incluso si, y eso es un gran si, su tiempo de ciclo de fabricación y distribución es menor o igual al tiempo de cumplimiento de pedidos esperado por sus clientes, aún tiene que planificar y adquirir materias primas y componentes. Estas adquisiciones deben ser planificadas. En el mejor de los casos, Lean y JIT empujan un poco hacia atrás el límite entre empuje y arrastre a lo largo de la cadena de suministro; no eliminan la necesidad de crear un pronóstico de demanda.

Lo que Podemos Aprender de Otros Profesionales

Ahora que hemos establecido que un pronóstico de demanda es necesario y crítico para el éxito de su empresa, ¿cómo puede un planificador de demanda mejorar la precisión de los pronósticos que produce? Aprenda de las experiencias de otros. En esta publicación, veremos los métodos de pronóstico que han demostrado una y otra vez producir resultados superiores.

Muchos artículos o grupos de artículos que usted pronostica tendrán algún tipo de tendencia (ya sea al alza o a la baja) pero pueden no mostrar un patrón estacional. Cuando tiene al menos unos meses de historial, la técnica de Holt Modificado, o suavizado exponencial doble, puede utilizarse para pronosticar demanda con tendencia.

Cuando la demanda también tiene un componente estacional, la técnica de suavizado exponencial triple de Holt-Winters puede proporcionar muy buenos resultados si tiene al menos un año de datos históricos de demanda.

Por otro lado, su catálogo puede tener muchos artículos sin patrones de demanda discernibles. En este caso, una técnica simple de promedio móvil puede proporcionar los pronósticos más precisos. Investigaciones recientes incluso muestran que, para muchos artículos con demanda aleatoria, un pronóstico Naïve podría ser el mejor. Un pronóstico Naïve se crea tomando la demanda del último período como el pronóstico de este período. Recuerde, sin embargo, que esta no es una regla general, ya que algunos artículos pueden estar mejor atendidos mediante un simple sistema KanBan donde el producto se repone según sea necesario para mantener una cierta cantidad disponible. Inhibir el pronóstico y usar medios alternativos de reposición de inventario como KanBan puede ser más apropiado para artículos de bajo valor y volumen, y que son fáciles de obtener.

Una de las clases de artículos más difíciles de pronosticar es aquellos que tienen demanda intermitente. A menudo, los patrones de demanda para estos artículos se ven erráticos, con picos aleatorios y períodos de demanda cero. Un método de Croston modificado maneja la demanda baja e irregular que exhibe ya sea una variación con patrón o ningún patrón, observando el historial disponible para clasificar cada elemento de demanda en relación con los que lo rodean. Clasifica los períodos en picos, valles, llanuras, mesetas, pendientes ascendentes y pendientes descendentes, y luego mide la duración de las mesetas y llanuras, así como la severidad de los picos y valles. A través de un análisis de ajuste de patrones, este método crea regularidad a lo largo del tiempo, intentando ajustar el patrón al historial y promediando para los puntos bajos y altos.

La velocidad y el volumen de las nuevas introducciones de productos continúan escalando, creando posibles dolores de cabeza para los equipos de cadena de suministro. Pronosticar la demanda de nuevos productos puede ser un esfuerzo que consume mucho tiempo. El lado positivo aquí es que los nuevos productos rara vez son completamente nuevos. El producto puede ya existir en un mercado diferente, puede ser muy similar a un producto existente o puede reemplazar a un producto existente o combinación de productos. Un método efectivo para generar pronósticos de nuevos productos es usar variaciones o extensiones de demanda de productos, familias o marcas existentes. Este método, llamado Modelado Derivado, se basa en los datos históricos de productos existentes y aplica todo o un porcentaje de esa demanda para crear el nuevo pronóstico. Dado que los datos históricos existentes ya contienen información base, de tendencia y, si corresponde, de estacionalidad, el pronóstico del nuevo producto también reflejará esta información. El Modelado Derivado combinado con efectos causales y correcciones hechas por la gerencia puede proporcionar un pronóstico de la demanda realista y dinámico para nuevos productos.

El Modelado Basado en Atributos es otro método efectivo para pronosticar la demanda de nuevos productos, así como la demanda de productos con ciclo de vida corto o productos con historial limitado. La mayoría de los productos pueden asociarse con otro o agruparse mediante atributos comunes, es decir, funcionalidad, características, tamaño, color, estilo, rendimiento, tipo de material, etc. Se puede determinar un perfil de demanda para un grupo de productos con un cierto atributo. Se puede mantener un conjunto de perfiles y, cuando se requiere la demanda de nuevos productos o productos de ciclo de vida corto, el producto puede asociarse con el perfil de demanda apropiado.

Los sistemas avanzados de planificación de demanda crearán automáticamente perfiles de demanda y sugerirán el perfil apropiado. Estos sistemas también monitorearán automáticamente la precisión del pronóstico y sugerirán nuevos perfiles a medida que se adquieran datos de demanda reales.

Un tipo específico de Modelado Basado en Atributos se llama Planificación de Perfil Proporcional (PPP, por sus siglas en inglés) que se utiliza para desagregar pronósticos de nivel superior para grupos de artículos en pronósticos de nivel inferior para artículos individuales usando atributos definidos por el usuario. PPP se usa a menudo en las industrias de la indumentaria y el calzado, donde el número de pronósticos puede llegar a millones debido a las combinaciones de talla, color, estilo, ubicación, y más. A menudo, los patrones de demanda para los artículos de nivel inferior son muy aleatorios y difíciles de pronosticar; sin embargo, a medida que estos artículos se colocan en agrupaciones de producto o ubicación, el patrón de demanda se vuelve mucho más pronosticable. PPP le permite al planificador manejar menos pronósticos mientras produce pronósticos más precisos en alguna agrupación definida por el usuario, y luego aprovechar esta mayor precisión distribuyendo sistemáticamente el pronóstico agrupado hacia los artículos individuales. PPP permite menos trabajo y mayor precisión de pronóstico. Eso es una situación Ganar-Ganar.

Finalmente, para esos productos promocionados, el Modelado Causal puede ayudar a determinar el efecto o "impulso" que una cierta promoción o conjunto de promociones tendrá sobre la demanda de un producto. Un tipo muy poderoso de modelado causal se llama Modelado de Redes Neuronales, que utiliza "backcasting" para pre-entrenar el sistema para calcular nuevos planes de promoción. El backcasting es una técnica que utiliza el "impulso" real de eventos promocionales pasados para aprender la relación entre futuros programas promocionales y el "impulso" esperado. El backcasting acorta drásticamente la cantidad de tiempo necesario para obtener información procesable de un sistema de modelado causal.

No hay duda de que en la cadena de suministro cada vez más compleja de hoy, usar el método de pronóstico apropiado para cada etapa en el ciclo de vida de un producto es más importante que nunca. La competencia es demasiado feroz y las expectativas de los clientes demasiado grandes como para conformarse con una baja precisión de pronóstico. Los planificadores de demanda necesitan estar armados con la tecnología habilitadora más reciente y ser capaces de usar esa tecnología para mejorar continuamente la precisión del pronóstico e impulsar los beneficios comerciales.