Pronósticos desnudos (Antipatrón de la cadena de suministro)

Nadie permitiría que se percibiera que no podía ver nada, porque eso habría demostrado que no era apto para su cargo o que era muy estúpido. Ninguna ropa del Emperador había tenido tanto éxito como estas. (El traje nuevo del Emperador, de Hans Christian Andersen, 1909)

Alias: Gosplan (planificación soviética)

Categoría: organización

Problema: una empresa enfrenta desabastecimientos recurrentes y exceso de inventario. Estos problemas son muy costosos. Los clientes están desertando a los competidores debido a los desabastecimientos, pero el inventario excesivo inevitablemente termina siendo costoso de liquidar. Si bien los macropronósticos, a nivel de la red o por categorías de productos, son relativamente precisos e imparciales, se cometen muchos errores a nivel de SKU, pronosticando tanto demasiado como demasiado poco. La empresa ya ha pasado por varias iteraciones con proveedores de software, y sin embargo, a pesar de que cada proveedor afirma haber mejorado la precisión del pronóstico en comparación con el sistema anterior, el inventario excesivo y los desabastecimientos siguen siendo más frecuentes que nunca.

Evidencia anecdótica: los pronósticos siempre están equivocados, todo el mundo lo sabe, pero el equipo de planificación parece tener una interminable lista de excusas para lidiar con la situación.

Contexto: la empresa tiene varios equipos para orquestar su cadena de suministro, especialmente: el equipo de planificación, el equipo de compras, el equipo de producción, el equipo de reabastecimiento y el equipo de precios. El equipo de planificación produce el pronóstico de demanda principal para cada producto que será lanzado y vendido por la empresa. Como el pronóstico debe cubrir una parte considerable del ciclo de vida del producto, el horizonte de pronóstico es largo, al menos 3 meses y frecuentemente más de 1 año. El pronóstico de demanda principal, el “plan”, se transforma primero en cantidades compradas, luego en cantidades producidas, luego en asignaciones de inventario, etc. Finalmente, dependiendo de si los niveles de inventario fluctúan por encima o por debajo de los niveles establecidos por el plan, los precios se ajustan, a veces al alza, pero principalmente a la baja.

Solución propuesta: el “plan”, es decir, el pronóstico producido por el equipo de planificación, tiene problemas de precisión ya que los productos se venden más rápido o más lento en comparación con los pronósticos originales. Sin embargo, los métodos de pronóstico utilizados por la empresa son algo rudimentarios, en parte realizados con hojas de cálculo, y seguramente debe haber formas más precisas de producir esos pronósticos. La dirección decide que algo debe hacerse con esos pronósticos y pone en marcha una iniciativa para mejorar la precisión del pronóstico. En este punto, generalmente se involucra un proveedor externo, ya que las estadísticas avanzadas no son exactamente una competencia central de la empresa, ya sea para entregar un software o para brindar capacitación al personal de planificación.

Contexto resultante: se invierten muchos esfuerzos en mejorar los pronósticos. Según algunas métricas, los pronósticos están mejorando. Por otro lado, todos los demás equipos, fuera de la planificación, estaban acostumbrados a las deficiencias de los antiguos métodos de pronóstico y ya habían desarrollado sus propias formas de lidiar con las limitaciones. A medida que el equipo de planificación cambia su receta, todos los demás equipos tienen que aprender a lidiar con las nuevas deficiencias de la nueva receta de pronóstico. Esto causa mucha fricción durante un tiempo. Luego, si bien revisar todos los procesos de la cadena de suministro impulsados por los pronósticos produce algunos frutos fáciles de obtener, completamente no relacionados con el pronóstico en sí, la dirección no ve ningún resultado medible de la iniciativa. Los excesos de inventario siguen siendo un problema, las faltantes de stock siguen siendo tan frecuentes como siempre. Dejando de lado las elegantes métricas matemáticas, la percepción general dentro de la empresa sigue siendo que los pronósticos siguen siendo tan malos como antes. Algunos empleados clave involucrados en la iniciativa de pronóstico ahora se han mudado a campos más prometedores, a menudo en otras empresas. Nadie realmente se hace responsable de los resultados de las iniciativas de pronóstico fallidas, pero quedan vestigios tanto en los procesos como en las herramientas de software que utiliza la empresa.

Fuerzas seductoras: un pronóstico más preciso parece ser la solución mágica. Todos, desde el equipo de compras hasta el equipo de merchandising de la tienda, están de acuerdo en que aliviaría casi todos los puntos problemáticos de la empresa: solo llevar al mercado los productos más vendidos, mantener la capacidad justa para satisfacer la demanda pero no más, dejar de ofrecer descuentos, … También es un problema unidimensional: reducir el error de pronóstico. Es fácil transmitir la intención de la iniciativa a todas las partes interesadas y parece ser una forma racional, incluso científica, de mejorar la empresa. Además, fundamentalmente no afecta el statu quo de ninguna manera significativa. Nadie ve amenazada su posición por la posible llegada de pronósticos más precisos, nadie tiene que replantear su propósito en la empresa. En cuanto a la transformación digital, se espera que sea tan sencillo como pasar de una pantalla de computadora a una más grande.

Patrones positivos para abordar el problema: la única forma de solucionar el problema de los “pronósticos desnudos” es vestirlos; más específicamente, las decisiones de la cadena de suministro asociadas a los pronósticos deben tratarse como intrínsecamente entrelazadas con los pronósticos subyacentes. La precisión del pronóstico debe tratarse como un “artefacto de depuración” que ayuda a identificar problemas de modelización, pero no como un KPI a optimizar. Las únicas métricas que importan se miden en dólares o euros y están asociadas a decisiones mundanas como “¿cuánto comprar?”, “¿cuánto empujar en la tienda?”, “¿cuánto descontar?”, etc.

Ejemplo: Contoso, una gran marca de moda que opera su propia red minorista, se enfrenta a un exceso de inventario al final de cada temporada, lo que resulta en grandes descuentos ofrecidos a los clientes para liquidar el exceso durante la venta. Peor aún, a lo largo de los años, la tasa promedio de descuento ha ido aumentando constantemente, y una parte creciente de la base de clientes ahora retrasa sus compras hasta el período de rebajas. Si bien los macropronósticos son satisfactorios, se cometen muchos errores en cada temporada para muchos productos, pronosticando tanto demasiado como demasiado poco. Contoso ya ha realizado varias iteraciones internas para mejorar los pronósticos. Esas iniciativas parecían la continuación natural de la iniciativa de personalización del ERP que tuvo lugar hace unos años.

El lanzamiento de una nueva colección sigue un proceso bien establecido. Primero, el equipo de planificación define la gama y profundidad de la colección, con cantidades objetivo para cada producto. Luego, el equipo de compras realiza ajustes adicionales: se deben cumplir las MOQs (cantidades mínimas de pedido) y deben distribuir las cantidades entre los tamaños, ya que los pronósticos originales son a nivel de producto. Luego, el equipo de merchandising y los equipos de asignación de tiendas establecen las cantidades iniciales que se deben empujar al comienzo de la temporada en cada tienda. A medida que avanza la temporada, el equipo de reposición dirige la reposición, tratando de mantener la alineación con el pronóstico. Finalmente, al final de la temporada, y a veces incluso antes, el equipo de precios orquesta las rebajas, para restablecer la alineación con el plan donde el inventario excesivo se ha desincronizado por completo con el pronóstico original.

Los directores de Contoso se dan cuenta de que la iniciativa interna para mejorar la precisión del pronóstico no ha dado los beneficios esperados. El equipo de planificación todavía tiene dificultades para acertar con la estacionalidad. El CEO de Contoso es abordado por el CEO de Genialys, una startup californiana con una fuerte financiación que ha desarrollado la próxima generación de pronósticos. Su tecnología no solo es capaz de procesar todos los datos de ventas de Contoso en tiempo real, sino que también integra datos meteorológicos y datos de redes sociales en tiempo real. Algunas llamadas de referencia demuestran que ya han validado la tecnología con algunos nombres muy importantes. Todo es muy impresionante.

Así, con el apoyo directo del CEO, surge la gran iniciativa con Genialys, con el objetivo de mejorar drásticamente la precisión del pronóstico. Las primeras semanas van bien, pero después de dos meses, parece que los equipos de TI de Contoso están teniendo dificultades para extraer todos los datos relevantes. Muchos problemas aparentemente pequeños resultan ser complicados. Por ejemplo, el equipo de Genialys no está muy seguro de qué hacer con las promociones de “compra uno y llévate otro gratis” que Contoso realiza rutinariamente. Después de 6 meses de lucha relativamente intensa por ambas partes, Genialys ahora está entregando sus pronósticos. Sin embargo, el equipo de planificación no confía realmente en esos números. Revisiones manuales simples de los números producidos por Genialys muestran que a veces los números están completamente equivocados. Los equipos de Genialys siguen señalando problemas con los datos, que parecen explicar esos problemas de pronóstico, pero en general la situación es confusa.

Sin saber en quién confiar, la gestión de la cadena de suministro de Contoso decide establecer KPI para evaluar cuantitativamente las precisiones respectivas de Genialys y del “viejo” sistema de pronóstico. La idea parece bastante simple: hagamos una prueba retrospectiva, aclarará quién es el más preciso. Desafortunadamente, 3 meses después, docenas de reuniones y cientos de horas de esfuerzo después, la situación sigue siendo confusa. Resulta que el proceso de pronóstico histórico utilizado por Contoso es imposible de probar retrospectivamente porque el equipo de planificación ha ajustado manualmente muchos de los pronósticos. Por lo tanto, no pueden “reproducir” realmente sus pronósticos históricos, es simplemente demasiado esfuerzo. Por otro lado, Genialys ha realizado muchas pruebas retrospectivas, pero no está claro cuántos de esos números son reales. Si bien las métricas de precisión de Genialys parecen estar bien en conjunto, el equipo de planificación sigue descubriendo locuras en los números que Genialys produce rutinariamente.

18 meses después, Genialys ahora se utiliza en producción para algunas líneas de productos estables, como la ropa interior masculina, que nunca fue realmente un desafío para pronosticar en primer lugar. Categorías difíciles como los zapatos de mujer o los trajes de hombre todavía son operadas manualmente por el equipo de planificación con el proceso antiguo. La ambición original de aprovechar los datos meteorológicos y sociales ahora pertenece a un pasado lejano. La solución de Genialys apenas puede hacer frente a las categorías más simples de todos modos. El plan sigue siendo aumentar el alcance de las categorías cubiertas por Genialys, pero los equipos están algo agotados. Algunas personas ya se han ido. Los resultados comerciales son mitigados. La disponibilidad de la ropa interior masculina ha aumentado un 2% y se han reducido los descuentos en un 1%, sin embargo, como se ha reducido el número de referencias en esta categoría, no está claro si la precisión adicional del pronóstico (nunca medida) tiene algo que ver con esta evolución favorable. Oficialmente, la iniciativa de pronóstico todavía está avanzando, pero la alta dirección ya no espera nada de ella.