Estacionalidad (Supply Chain)

En la supply chain, la demanda - o las ventas - de un producto determinado se dice que exhibe estacionalidad cuando la serie temporal subyacente experimenta una variación cíclica predecible dependiendo del tiempo dentro del año. La estacionalidad es uno de los patrones estadísticos más utilizados para mejorar la precisión de los pronósticos de demanda.

Ilustración de series temporales estacionales

El gráfico a continuación ilustra 4 series temporales estacionales (haga clic para ampliar). Las series temporales se agregan a nivel semanal durante un período de 159 semanas (aproximadamente 3 años). Los datos representan los envíos semanales de 4 productos distintos desde el almacén de un gran minorista europeo.

El primer día del año (1 de enero) está marcado con un marcador vertical gris. Los datos históricos aparecen en rojo, mientras que el pronóstico de Lokad se muestra en morado. La estacionalidad se puede observar visualmente como una similitud de los patrones de un año a otro; utilice los marcadores grises como referencia.

Modelo básico para la descomposición estacional

Sea Y(t) la demanda en el momento t. Descomponemos la demanda Y(t) en dos componentes: S(t) una función estrictamente cíclica y Z(t) el complemento no estacional. Esto da:

Y(t) = S(t) * Z(t) donde S(t + 1 año) = S(t)

Si se puede estimar una función S(t) de este tipo, entonces el proceso de pronóstico generalmente se realiza en tres etapas:

• Calcular la serie temporal desestacionalizada como Z(t) = Y(t) / S(t).
• Producir el pronóstico sobre la serie temporal Z(t), posiblemente a través de un promedio móvil.
• Volver a aplicar los índices de estacionalidad al pronóstico posteriormente.

Volviendo al problema inicial de estimar los índices estacionales S(t), asumiendo que no hay tendencia (entre otras cosas), S(t) se puede estimar con:

S(t) = PROMEDIO( Y(t-1)/MA(t-1) + Y(t-2)/MA(t-2) + Y(t-3)/MA(t-3) + ... )

donde Y(t-1) es la abreviatura de Y(t - 1 año) y MA(t) es el promedio móvil de 1 año de Y(t).

El enfoque propuesto en esta sección es ingenuo, pero se puede implementar fácilmente en Excel. En la literatura se pueden encontrar muchos modelos estadísticos para abordar la estacionalidad con métodos más complicados. Ej: Box-Jenkins, ARMA, ARIMA, Holt-Winters…

Desafíos en la estimación de los índices de estacionalidad

El modelo de estacionalidad ilustrado anteriormente es un enfoque bastante ingenuo que funciona para series de tiempo estacionales largas y suaves. Sin embargo, existen múltiples dificultades prácticas al estimar la estacionalidad:

1. Las series de tiempo son cortas. La vida útil de la mayoría de los bienes de consumo no supera los 3 o 4 años. Como resultado, para un producto dado, el historial de ventas ofrece en promedio muy pocos puntos en el pasado para estimar cada índice estacional (es decir, los valores de S(t) durante el transcurso del año, cf. la sección anterior).
2. Las series de tiempo son ruidosas. Las fluctuaciones aleatorias del mercado afectan las ventas y dificultan el aislamiento de la estacionalidad.
3. Están involucradas múltiples estacionalidades. Al observar las ventas a nivel de tienda, la estacionalidad del producto en sí suele estar entrelazada con la estacionalidad de la tienda.
4. Otros patrones, como la tendencia o el ciclo de vida del producto, también afectan las series de tiempo, introduciendo diversos tipos de sesgos en la estimación.

Un método simple, aunque intensivo en mano de obra, para abordar estos problemas consiste en crear manualmente perfiles de estacionalidad a partir de agregados de productos que se sabe que tienen el mismo comportamiento estacional. La vida útil del agregado de productos suele ser mucho más larga que la vida útil de los productos individuales, lo que mitiga estos problemas de estimación.

Cuasi-estacionalidad

Hay muchos patrones que ocurren una vez al año pero no siempre en la misma fecha. En Lokad, llamamos a estos patrones cuasi-estacionales. Por ejemplo, el Día de la Madre (que cae en diferentes fechas según el año y también varía entre países) y otras festividades como el Ramadán, la Pascua y Hanukkah (que caen en diferentes fechas según el año) son cuasi-estacionales.

Estos eventos cuasi-estacionales están más allá del alcance de los modelos clásicos de pronóstico cíclico que asumen que el período del ciclo es estrictamente constante. Para lidiar con estos eventos cuasi-estacionales, se requiere una lógica cuasi-cíclica más compleja.

Cuidado con Lokad

En nuestra experiencia, la estacionalidad afecta a la gran mayoría de las actividades humanas. En particular, en las series de tiempo que representan las ventas de bienes de consumo (alimentos y no alimentos por igual), casi siempre está presente un factor estacional. Sin embargo, con frecuencia sucede que, debido a la cantidad de ruido en el mercado, la calidad de la estimación de los índices estacionales termina siendo demasiado baja para ser útil en la mejora de los pronósticos.

La tecnología de pronóstico de Lokad maneja nativamente tanto la estacionalidad como la cuasi-estacionalidad, por lo que no tienes que decirle a Lokad sobre ellos, ya está cuidado.

Para superar los problemas planteados por la limitada profundidad histórica disponible para la mayoría de las series de tiempo en el comercio minorista o la fabricación, Lokad utiliza el análisis de múltiples series de tiempo y la estacionalidad se evalúa no en un solo producto, sino mirando muchos productos. Al hacer esto, reducimos el ruido en nuestra estimación de la estacionalidad, pero también introducimos estacionalidad en los pronósticos incluso cuando los productos se han vendido durante menos de un año.