FAQ: Pronóstico de la Demanda

Lokad ha evolucionado desde sus orígenes de pronóstico de la demanda a fines de la década de 2000 hasta convertirse en un líder de optimización predictiva para cadenas de suministro, centrándose en evaluaciones superiores de eventos futuros mientras navega por las complejidades del mundo real.

Público objetivo: profesionales de la cadena de suministro, planificadores de demanda y suministro, analistas de negocios.

Última modificación: 7 de marzo de 2024

Principios de pronóstico

Como observó Keynes, es mejor estar aproximadamente correcto que exactamente equivocado. Este principio se aplica a la mayoría de las situaciones de la cadena de suministro (y escenarios no relacionados con la cadena de suministro), pero es especialmente válido en lo que respecta al pronóstico. Cuando se trata de pronósticos, Lokad está haciendo algo más que simplemente evitar estar exactamente equivocado; rutinariamente superamos ampliamente no solo a nuestros competidores, sino también a los equipos de investigación¹, redefiniendo ocasionalmente el estado del arte. Sin embargo, durante la última década nos dimos cuenta de que el factor limitante más importante de la perspectiva tradicional de pronóstico no era la precisión, sino la expresividad.

Los pronósticos clásicos, es decir, los pronósticos de series temporales puntuales, simplemente no dicen suficiente sobre el futuro. Sin embargo, los pronósticos de series temporales se han vuelto tan prevalentes que muchos profesionales olvidan lo incompletos que son, no solo inexactos. Los pronósticos de series temporales tratan el futuro del negocio como el movimiento del planeta: un fenómeno en el que el observador no tiene nada que ver con los objetos observados. Sin embargo, las cadenas de suministro no son como la astronomía, y las empresas (a diferencia de los planetas) influyen activamente en la dirección de sus cadenas de suministro. Fundamentalmente, el futuro no está predestinado; es lo que tú haces de él.

Curiosamente, toda la teoría convencional de la cadena de suministro se construye sobre los pronósticos de series temporales, lo que lleva a todo tipo de giros extraños. La fijación de precios, una forma obvia de dirigir la demanda, generalmente se elimina de la imagen, convirtiéndola en una preocupación completamente separada de la planificación. Esto es manifiestamente incorrecto dada su clara interrelación.

Otra dimensión completamente ausente de la perspectiva tradicional de series temporales es la incertidumbre. Esta incertidumbre es algo que los tradicionalistas creen que se puede abordar persiguiendo una mayor precisión de forma aislada, a menudo dedicando vastos recursos a este fin. Sin embargo, las cadenas de suministro siguen demostrando que la incertidumbre asociada con los eventos futuros es irreducible y que los problemas de la cadena de suministro requieren más que ajustes aislados, es decir, optimización local. No solo la incertidumbre futura es irreducible, los mercados globales parecen ser bastante hábiles para presentar desafíos tanto de formas antiguas (por ejemplo, guerras, tsunamis) como nuevas (por ejemplo, bloqueos, regulaciones inventivas).

Pronósticos probabilísticos

La primera gran desviación de Lokad de la perspectiva clásica de pronóstico de series temporales fueron los pronósticos probabilísticos, iniciados en 2012 a través de pronósticos de cuantiles, que se pueden ver como un pronóstico probabilístico incompleto. Los pronósticos probabilísticos consideran todos los futuros posibles (es decir, demanda, tiempo de entrega, etc.) asignando probabilidades a cada resultado individual. Como tal, los pronósticos probabilísticos abarcan la incertidumbre irreducible de los eventos futuros en lugar de descartar por completo el caso. Desde 2012, los pronósticos probabilísticos han demostrado una y otra vez ser un enfoque muy superior cuando se trata de gestión de riesgos para la cadena de suministro. Esto es cierto para todo, desde decisiones locales pequeñas, como elegir la cantidad correcta para un SKU, hasta decisiones importantes, como cerrar un contrato de servicio a largo plazo de varios millones de dólares.

Además, Lokad no se limitó (y todavía no se limita) al pronóstico probabilístico de la demanda. Todas las demás fuentes de incertidumbre ahora están cuantificadas por la plataforma de Lokad. Estas incertidumbres incluyen tiempos de entrega variables, tasas de escasez variables, devoluciones de clientes variables, etc. Más ampliamente, todos los eventos futuros inciertos deben pronosticarse, idealmente a través de pronósticos probabilísticos. Por lo tanto, en la actualidad, Lokad pronostica rutinariamente más de una docena de tipos distintos de eventos futuros. Es importante destacar que estos pronósticos alternativos no son pronósticos de series temporales. No estamos tratando de expresar múltiples valores/unidades dispares (por ejemplo, demanda, tiempo de entrega, etc.) utilizando una serie temporal. De hecho, la mayoría de las veces el problema que estamos pronosticando ni siquiera se ajusta al marco estrecho impuesto por una serie temporal.

Pronósticos programáticos

La segunda desviación significativa de Lokad de la perspectiva clásica de pronóstico fue su cambio programático, primero con el aprendizaje profundo en 2018 y luego con la programación diferenciable en 2019. La visión dominante era que el pronóstico debía abordarse como un producto tecnológico “empaquetado”. Lokad, al igual que la mayoría de sus competidores, incluso se refería a su “motor de pronóstico”, un componente de software monolítico dedicado a esta tarea específica. Sin embargo, esta perspectiva carece de dos aspectos importantes.

En primer lugar, la perspectiva del “motor de pronóstico” asume que hay una forma estándar de organizar los datos de entrada que se alimentarán al motor. Esto no es cierto. La estructura misma de los datos de entrada, en el sentido relacional (por ejemplo, SQL), depende mucho de los sistemas comerciales implementados en la empresa. Forzar los datos históricos, tal como se encuentran en los sistemas comerciales, en un modelo de datos preconcebido, como lo requiere un motor de pronóstico, conduce a todo tipo de problemas. Si bien Lokad logró (a través de una sofisticación cada vez mayor) diseñar un motor de pronóstico mucho más flexible que lo que todavía ofrecen nuestros competidores, también nos dimos cuenta de que este enfoque era un callejón sin salida tecnológico. El motor de pronóstico nunca es lo suficientemente flexible y, inevitablemente, termina descartando aspectos críticos pero matizados del negocio.

Sin embargo, los enfoques programáticos demostraron ser una solución mucho más superior. Aquí es donde los desafíos de modelado predictivo se abordan a través de paradigmas programáticos en lugar de un software monolítico rígido. Lokad comenzó en 2018 con marcos de aprendizaje profundo, como se usa comúnmente en la comunidad en general, pero terminó renovando por completo la tecnología a la luz de los avances realizados en la programación diferenciable en 2019. La intención detrás de esta revisión tecnológica completa fue convertir los datos relacionales en ciudadanos de primera clase, a diferencia de los marcos de aprendizaje profundo que los trataban, y aún tratan, como ciudadanos de segunda clase. Si bien los datos relacionales dominan en la cadena de suministro, este no es el tipo de datos que captura el interés de la comunidad de aprendizaje automático en general (donde predominan las imágenes, el lenguaje natural, la voz, etc.).

En segundo lugar, la perspectiva del “motor de pronóstico” no deja espacio para que la empresa moldee su propio futuro. Sin importar la sofisticación del motor, el paradigma implica que hay un proceso de dos etapas en marcha, con la fase de pronóstico/planificación seguida de una etapa de optimización/ejecución. Este paradigma deja poco o ningún margen para ir y venir entre la planificación y la ejecución. En teoría, es posible aplicar repetidamente el motor de pronóstico a escenarios que se han ajustado según los pronósticos obtenidos en iteraciones anteriores. En la práctica, el proceso es tan tedioso que nadie realmente lo hace (al menos no durante mucho tiempo).

En resumen: los enfoques programáticos son un cambio de juego. Esto se debe a que se vuelve posible operar bucles de retroalimentación personalizados, entre la planificación y la ejecución, reflejando opciones sutiles pero rentables que la empresa probablemente pasaría por alto de otra manera. Por ejemplo, si el cliente es una empresa de mantenimiento, reparación y revisión de aviación (MRO), se vuelve posible considerar la compra y venta de piezas rotativas al mismo tiempo, donde las ventas de piezas no utilizadas financian la adquisición de piezas que ahora son muy necesarias. Estas interacciones no son necesariamente complejas ni desafiantes, pero descubrirlas requiere que se considere cuidadosamente los detalles del negocio. Los enfoques no programáticos inevitablemente no capturan estos detalles, lo que lleva a los profesionales de la cadena de suministro a volver a sus hojas de cálculo². La programación diferenciable también resulta ser un cambio de juego en este aspecto.

Preguntas frecuentes (FAQ)

1. Algoritmos y modelos de pronóstico

1.1 ¿Puede proporcionar una descripción general de los motores de pronóstico que utiliza?

Las capacidades predictivas de Lokad se basan en las capacidades de programación diferenciable de Envision, el lenguaje de programación específico del dominio (DSL) desarrollado por Lokad para la optimización predictiva de la cadena de suministro. Por lo tanto, en lugar de tener un “motor”, Lokad tiene bloques de construcción programáticos que se pueden ensamblar fácilmente para crear modelos predictivos de vanguardia.

Nuestros modelos predictivos incluyen (pero también superan) la entrega de pronósticos de demanda de series temporales de vanguardia, como lo demuestra el primer lugar obtenido por Lokad (de aproximadamente 1000 competidores) a nivel de SKU en una competencia internacional de pronósticos basada en conjuntos de datos de Walmart. Los detalles del método se encuentran en un artículo público. La programabilidad de la plataforma de Lokad proporciona capacidades flexibles que no se pueden replicar a través de un “motor de pronóstico” tradicional. De hecho, nuestro último “motor de pronóstico” fue eliminado gradualmente en 2018 a favor de un enfoque programático, precisamente debido a esta limitación.

Además, normalmente nos referimos a ‘modelado predictivo’ en lugar de ‘pronóstico’, porque no solo es necesario estimar cuantitativamente la demanda futura, sino todas las fuentes de incertidumbre. Estas clases incluyen los plazos de entrega futuros, las devoluciones futuras, las tasas de desperdicio futuras, los precios futuros de las fuentes, los precios futuros de los competidores, etc. A través de la programación diferenciable, Lokad ofrece pronósticos que van mucho más allá de lo que se espera tradicionalmente de un motor de pronóstico. Estos pronósticos extendidos son fundamentales para ofrecer una optimización integral de la cadena de suministro, en lugar de un plan de demanda aislado.

Por último, Lokad ofrece un ‘modelo predictivo probabilístico’. El pronóstico probabilístico (o ‘modelado probabilístico’) es fundamental para tomar decisiones optimizadas ajustadas al riesgo. Sin pronósticos probabilísticos, las decisiones de la cadena de suministro son frágiles ante cualquier variación, generando costos fijos para situaciones que podrían haberse mitigado en gran medida a través de decisiones ligeramente más prudentes.

Consulta Programación diferenciable en Envision para obtener más información sobre los detalles detrás de esta herramienta crítica, así como Historia del motor de pronóstico de Lokad para revisar nuestra progresión en el pronóstico.

1.2 ¿Puedes generar un pronóstico de referencia basado en modelos estadísticos?

Sí. Lokad puede generar un pronóstico de demanda de referencia basado en modelos paramétricos de baja dimensionalidad, es decir, un modelo estadístico. Hacemos esto utilizando Envision, el lenguaje de programación específico del dominio (DSL) de Lokad, diseñado específicamente para la optimización predictiva de las cadenas de suministro. A través de las capacidades de programación diferenciable de Envision, también es fácil aprender parámetros aprovechando los datos históricos de demanda.

Hay dos limitaciones clave en la perspectiva de pronóstico tradicional que han sido superadas por las nuevas tecnologías ofrecidas por Lokad. Primero, los pronósticos de series temporales puntuales (también conocidos como “pronósticos clásicos”) no capturan la incertidumbre irreducible del futuro. De hecho, desestiman por completo la incertidumbre al expresar la incertidumbre futura como un único valor (por ejemplo, la demanda) en lugar de una distribución de probabilidad de valores.

Como resultado, a través de los pronósticos tradicionales de series temporales, no es posible que el cliente genere decisiones ajustadas al riesgo, es decir, decisiones que reflejen el impacto financiero de ordenar X unidades o X+1 unidades, o tal vez no ordenar ninguna. Esta falta de conciencia del riesgo (es decir, en un sentido cuantitativo) es inevitablemente muy costosa para el cliente, ya que conduce a una toma de decisiones financieras deficiente (por ejemplo, órdenes de compra, asignaciones, etc.). Lokad aborda este problema a través del pronóstico probabilístico, ya que abraza la incertidumbre futura en lugar de desestimarla.

Segundo, el pronóstico de la demanda, aunque es posiblemente el tipo más importante de pronóstico, no es el único tipo de pronóstico. Los plazos de entrega, las devoluciones, las tasas de desperdicio y todas las demás áreas de incertidumbre futura también deben pronosticarse. Lokad aborda este problema a través del modelado predictivo programático.

1.3 ¿Qué tipo de análisis de datos y algoritmos utiliza la solución para generar pronósticos de demanda precisos?

Lokad utiliza la programación diferenciable aprovechando datos históricos detallados y, si es relevante, datos externos selectivos para generar pronósticos de demanda y gestionar otras complejidades de la cadena de suministro (por ejemplo, faltantes de stock y promociones).

La programación diferenciable, utilizada para aprender modelos paramétricos, es la técnica principal para generar pronósticos de demanda precisos. Como se demostró en la competencia de pronósticos M5, basada en datos minoristas de Walmart, Lokad utilizó este enfoque y ocupó el primer lugar a nivel de SKU (compitiendo contra aproximadamente 1000 equipos en todo el mundo). Este logro califica el enfoque como de vanguardia.

Sin embargo, el M5 solo rascó la superficie en lo que respecta a los pronósticos de demanda, ya que el enfoque de Lokad se presta a innumerables “complicaciones”, como lidiar con faltantes de stock, promociones, devoluciones, perecibilidad, etc. Modelado predictivo estructurado para la cadena de suministro proporciona los detalles de cómo Lokad aborda estas complicaciones.

En cuanto a los datos, Lokad aprovecha todos los datos relevantes de ventas históricas, hasta las transacciones individuales (si estos datos están disponibles). También aprovechamos otros datos históricos que complementan la señal de demanda, como los niveles históricos de stock, los precios históricos, los precios de la competencia históricos, los rangos de visualización históricos (ecommerce), etc. La tecnología de Lokad ha sido diseñada para aprovechar al máximo todos los datos que estén disponibles, así como para mitigar los efectos de los datos que lamentablemente no están disponibles.

Se puede utilizar datos externos si se considera relevante para refinar los pronósticos de demanda. Sin embargo, en nuestra experiencia, los datos más allá de la inteligencia competitiva rara vez aportan una mejora en la precisión que justifique los importantes esfuerzos de ingeniería asociados con la preparación de esos conjuntos de datos (por ejemplo, datos sociales, datos meteorológicos, etc.). El aprovechamiento de dichos conjuntos de datos debe reservarse para empresas maduras que ya hayan agotado todas las vías más sencillas para mejorar la precisión de los pronósticos.

1.4 ¿Reduce el error de pronóstico a través de técnicas de aprendizaje automático?

Sí. Lokad utiliza la programación diferenciable y el aprendizaje profundo para reducir el error de pronóstico. Ocasionalmente utilizamos técnicas alternativas, como bosques aleatorios o árboles de aumento de gradiente. Además, utilizamos técnicas de aprendizaje automático (ML) para revisar métodos estadísticos “clásicos” (por ejemplo, modelos autorregresivos), pero con métodos mucho mejorados en cuanto a aprender los parámetros relevantes de los métodos.

Aunque Lokad utiliza ML, cabe destacar que no es un cuerpo homogéneo de trabajo, sino una perspectiva compartida sobre cómo abordar los datos. Teniendo en cuenta que el aprendizaje automático, como campo de investigación, ha existido durante más de tres décadas, el término de hecho abarca una amplia gama de técnicas; algunas consideradas de vanguardia y otras bastante obsoletas.

Desde nuestra perspectiva, el cambio de paradigma más importante en el ML, especialmente para fines de la cadena de suministro, es la transición de la ingeniería de características a la ingeniería de arquitectura. En pocas palabras, las técnicas de aprendizaje automático se han vuelto programables. Tanto el aprendizaje profundo como la programación diferenciable reflejan esta perspectiva más nueva que favorece la ingeniería de arquitectura sobre la ingeniería de características, y por eso Lokad utiliza este enfoque.

Para fines de la cadena de suministro, la ingeniería de arquitectura es clave para reflejar, dentro del modelo predictivo, la estructura misma del problema que se está abordando. Aunque esto pueda parecer una consideración abstracta, es la diferencia entre un pronóstico que sistemáticamente no coincide con los datos del ERP y un pronóstico que realmente abarca la situación.

1.5 ¿Cómo identificas y pronosticas patrones de demanda para prevenir faltantes de stock y exceso de inventario?

Lokad reduce los faltantes de stock y el exceso de inventario a través del pronóstico probabilístico, que abarca la incertidumbre de la demanda futura al proporcionar probabilidades de grandes desviaciones de la demanda. Este enfoque permite a Lokad proporcionar decisiones ajustadas al riesgo a los clientes, lo que permite tomar mejores decisiones (por ejemplo, POs) y reduce los faltantes de stock y el exceso de inventario. Este enfoque contrasta con los pronósticos tradicionales de series de tiempo puntuales, que ignoran los riesgos financieros y se basan en reducir los errores de pronóstico de forma aislada.

Dejando de lado otras posibles causas, como los tiempos de entrega variables, los faltantes de stock y el exceso de inventario suelen reflejar una demanda (futura) inesperada. Lokad aborda directamente este problema a través del pronóstico probabilístico. A diferencia de los métodos convencionales de la cadena de suministro que ignoran la incertidumbre irreducible del futuro, Lokad abraza la incertidumbre en un sentido cuantitativo estricto. Los pronósticos probabilísticos proporcionan las probabilidades de observar grandes desviaciones de la demanda, algo que es esencial si se desea calcular decisiones ajustadas al riesgo.

Las decisiones ajustadas al riesgo no solo consideran la probabilidad de enfrentar eventos inusuales (por ejemplo, demanda muy baja o muy alta), sino también los riesgos financieros asociados con esos resultados. Como regla general, existen costos altamente asimétricos cuando se trata de tener demasiadas o muy pocas unidades. Una decisión ajustada al riesgo minimiza las pérdidas esperadas al guiar al cliente en la dirección más “prudente” o “recompensante”.

En contraste, y a pesar de su popularidad, los pronósticos puntuales periódicos de series de tiempo (también conocidos como “pronósticos clásicos”) son completamente despectivos con respecto a estos riesgos. Esta perspectiva tiene como objetivo reducir el error de pronóstico de forma aislada hasta que el error se vuelva inconsecuente. Sin embargo, esto es un pensamiento ilusorio ya que la incertidumbre futura es irreducible. Es por eso que los pronósticos puntuales no logran prevenir los faltantes de stock y el exceso de inventario de manera satisfactoria.

En resumen, no importa si se utiliza un modelo rudimentario o sofisticado cuando los supuestos/herramientas subyacentes (por ejemplo, pronósticos puntuales de series de tiempo) son fundamentalmente defectuosos.

Consulta pronóstico probabilístico para obtener más detalles sobre este concepto.

1.6 ¿Cómo manejas la estacionalidad en la demanda?

Resumen ejecutivo: Lokad maneja la estacionalidad en la demanda a través de la programación diferenciable, utilizando modelos paramétricos de baja dimensionalidad que codifican la estructura de varias ciclicidades, como patrones anuales, semanales y específicos de eventos. Este enfoque automatizado garantiza precisión y estabilidad en el pronóstico de la demanda al considerar todos los patrones que afectan la demanda simultáneamente, sin necesidad de intervención manual.

La estacionalidad, también conocida como la ciclicidad anual, es una de las muchas ciclicidades que Lokad maneja. También podemos manejar la ciclicidad semanal (es decir, el “efecto del día de la semana”), la ciclicidad mensual (es decir, “el efecto del día de pago”) y las ciclicidades cuasi-anuales (por ejemplo, Pascua, Ramadán, Año Nuevo Chino, Black Friday, etc.).

Nuestra técnica principal para tratar las ciclicidades es la programación diferenciable. Aprovechamos modelos paramétricos de baja dimensionalidad que reflejan estructuralmente las ciclicidades objetivo. En otras palabras, elegimos modelos en los que la estructura de la ciclicidad es un dato dado, codificado por los científicos de la cadena de suministro de Lokad. Esto está diseñado para ayudarnos a cuantificar la magnitud de las fluctuaciones asociadas con las ciclicidades objetivo, en lugar de simplemente identificar/descubrir su existencia.

Una vez que la receta numérica ha sido diseñada por los científicos de la cadena de suministro de Lokad, el proceso de optimización general es completamente automatizado. En particular, la optimización de la cadena de suministro de Lokad no requiere ningún tipo de intervención manual (es decir, microgestionar el perfil de estacionalidad), ni se basa en excepciones para productos recientes o para productos que aún no se han lanzado. El enfoque de Lokad puede parecer algo novedoso, pero es de vital importancia para fines de la cadena de suministro.

En primer lugar, ofrece resultados más precisos, ya que el proceso de aprendizaje automático no intenta descubrir la ciclicidad, sino que se considera una ciclicidad dada (y ampliamente reconocida por los profesionales de la cadena de suministro). Esto es aún más crítico en situaciones donde la cantidad de datos es limitada.

En segundo lugar, ofrece resultados más estables, al restringir la forma de la función de demanda a ser aprendida. Este enfoque ayuda a mitigar los artefactos numéricos donde la demanda futura estimada fluctúa ampliamente mientras que los datos de entrada no lo hacen.

Finalmente, la programación diferenciable, utilizada por Lokad para construir modelos (de aprendizaje automático) a partir de los datos del cliente, nos permite abordar conjuntamente todas las ciclicidades, así como todos los demás patrones que dan forma a los patrones de demanda observados (por ejemplo, faltantes de stock o promociones). Las ciclicidades no se pueden estimar de forma aislada ni en secuencia, sin tener en cuenta los demás patrones que afectan la demanda. Todos estos patrones y sus respectivos parámetros deben estimarse conjuntamente.

Consulta Modelado Predictivo Estructurado para Supply Chain para obtener más detalles sobre la programación diferenciable y su lugar en la optimización de la cadena de suministro.

1.7 ¿Tienes capacidades de pronóstico a largo plazo (más de 3 años por delante) para predecir la demanda futura y hacer propuestas de ajustes en consecuencia? ¿Cuál es el horizonte máximo de pronóstico que se puede generar?

Sí. Lokad puede pronosticar indefinidamente en el futuro, por lo tanto, no hay un horizonte máximo.

Dada la naturaleza de la incertidumbre futura, la inexactitud del pronóstico aumenta constantemente a medida que el horizonte de pronóstico crece. Si bien es técnicamente sencillo producir un pronóstico a largo plazo, no significa que este pronóstico se pueda confiar para fines de la cadena de suministro. No importa cuán sofisticado sea el modelo subyacente, el pronóstico en última instancia intenta adivinar cómo será el camino mientras se mira por el espejo retrovisor.

Además, la capacidad de realizar ajustes manuales a un pronóstico automatizado tiende a empeorar la situación. Una vez que los pronósticos han sido modificados manualmente por “expertos”, las organizaciones inevitablemente depositan una confianza excesiva en ellos. Numerosos estudios realizados por Lokad indican que los expertos rara vez superan los métodos de promedio simple cuando se trata de pronósticos a largo plazo. Como tal, los pronósticos ajustados manualmente suelen beneficiarse de un aura de experiencia injustificada que hace que las organizaciones dependan demasiado de ellos. Esta práctica de ajuste manual incluso sobrevive después de que los números inevitablemente resulten ser suposiciones erróneas.

Como comentario general sobre el pronóstico a largo plazo, estamos de acuerdo con la perspectiva de Ingvar Kamprad (fundador de IKEA), quien escribió en El Testamento de un Comerciante de Muebles: “la planificación exagerada es la causa más común de muerte corporativa”. En general, a menos que la empresa cliente esté lidiando con condiciones de mercado excepcionalmente estables (por ejemplo, servicios públicos), no recomendamos dirigir la cadena de suministro a través de pronósticos a largo plazo. El equipo de científicos de la cadena de suministro de Lokad está disponible para brindar orientación sobre enfoques mejores (y más racionales) que reflejen de manera única los requisitos específicos de cada empresa cliente.

1.8 ¿Puedes proporcionar un mínimo de 28 días de pronósticos de artículos/tiendas en curso?

Sí, Lokad puede pronosticar indefinidamente en el futuro, incluso a nivel de SKU para una gran cadena minorista.

Para nuestros clientes minoristas, rutinariamente tenemos horizontes de pronóstico de 200 (o más) días, mientras operamos a nivel de SKU. Estos horizontes a medio plazo son útiles para evaluar adecuadamente los riesgos asociados con el inventario obsoleto de productos de baja rotación. Además, la plataforma de Lokad es altamente escalable, por lo que no es difícil manejar decenas de millones de SKU mientras se procesan años de datos históricos diarios. De hecho, la plataforma de Lokad puede adaptarse fácilmente incluso a grandes redes minoristas sin necesidad de una planificación previa de capacidad.

Ver también Algoritmos y Modelos de Pronóstico 1.7 en esta sección de preguntas frecuentes.

1.9 ¿Puedes utilizar fuentes de datos externas y/o indicadores para mejorar la precisión del pronóstico de la demanda?

Sí. Por ejemplo, Lokad utiliza rutinariamente inteligencia competitiva (es decir, precios publicados por competidores). En ciertas industrias, los indicadores públicos pueden ser de gran utilidad (por ejemplo, tamaños de flota de aviones proyectados para MRO de aviación). La plataforma programática de Lokad es especialmente adecuada para aprovechar diversas fuentes de datos, más allá de los datos históricos obtenidos de los sistemas empresariales.

En cuanto a los datos externos, hay dos fuentes que son contraintuitivamente casi nunca valen la pena en términos de esfuerzos de ingeniería: los conjuntos de datos meteorológicos y los conjuntos de datos de redes sociales. Los conjuntos de datos meteorológicos son muy difíciles de manejar (es decir, muy grandes y muy complejos) y, realísticamente, no son realmente mejores que los promedios estacionales más allá de las dos semanas siguientes (más o menos). Los conjuntos de datos de redes sociales también son muy difíciles de manejar (es decir, muy grandes, muy complejos y están muy poblados de datos basura) y también dependen en gran medida de los efectos a corto plazo, que generalmente abarcan unos pocos días.

No argumentamos que no se pueda extraer valor de los datos meteorológicos o de las redes sociales, ya que ya hemos tenido éxito al hacerlo para algunos clientes. Sin embargo, no todas las mejoras en la precisión del pronóstico valen la pena en términos de esfuerzos de ingeniería para obtenerlas. Nuestros clientes tienen que operar con recursos limitados y, por lo general, es mejor invertir esos recursos en refinar otros aspectos de la optimización de la cadena de suministro de principio a fin. Este enfoque es más prudente que buscar el último 1% (que generalmente ni siquiera es tanto) de precisión adicional a través de conjuntos de datos externos que son de 2 o 3 órdenes de magnitud más grandes que los propios conjuntos de datos históricos gestionados por el cliente.

1.10 ¿Cómo te las arreglas con diferentes niveles de tasa de venta, desde menos de 1 por semana hasta miles por día?

Para gestionar diferentes tasas de venta, Lokad utiliza pronósticos probabilísticos para la demanda escasa, empleando estructuras de datos especializadas como Ranvar para la eficiencia en todos los volúmenes de venta, simplificando así los desafíos de la cadena de suministro.

Cuando se trata de magnitudes variables de tasas de venta, el desafío principal radica en los números pequeños en lugar de los grandes, ya que los números grandes son comparativamente mucho más fáciles de procesar. Para hacer frente a la demanda escasa, Lokad aprovecha los pronósticos probabilísticos. Los pronósticos probabilísticos asignan una probabilidad a cada evento discreto, como la probabilidad de vender 0 unidades, 1 unidad, 2 unidades, etc. Las probabilidades eliminan clases enteras de problemas asociados con valores de demanda fraccionarios, como los obtenidos tradicionalmente con los métodos convencionales de la cadena de suministro.

Bajo el capó, las probabilidades sobre una serie corta de posibilidades discretas se representan como histogramas (u otras estructuras de datos similares). Estas estructuras de datos son muy compactas y, por lo tanto, tienen bajos costos computacionales. Sin embargo, al tratar con demanda escasa, una implementación ingenua de tales estructuras de datos (por ejemplo, mantener 1 cubo por unidad de demanda) se volvería dramáticamente ineficiente cuando se presenten distribuciones de demanda no escasas que involucren miles de unidades de demanda por período.

Por lo tanto, Lokad ha desarrollado estructuras de datos especiales, como el Ranvar (ver más abajo), que garantizan tiempos de ejecución y sobrecargas de memoria constantes para las operaciones algebraicas que presentan distribuciones de probabilidad. Ranvar aproxima de manera elegante la distribución de probabilidad original cuando los números se vuelven grandes, al tiempo que mantiene la pérdida de precisión inconsecuente desde una perspectiva de la cadena de suministro. Estructuras de datos como Ranvar eliminan en gran medida la necesidad de aislar y apuntar a la demanda escasa, al tiempo que conservan todos los patrones deseables de enteros pequeños al tratar con demanda escasa.

Consulta nuestra conferencia de video pública Pronóstico Probabilístico para la Cadena de Suministro y nuestra documentación pública Ranvars y Zedfuncs para obtener más detalles sobre este punto.

1.11 ¿Realizas pronósticos en diferentes unidades (unidad, precio, caja, peso, etc.)?

Sí, la plataforma de Lokad es programática. Podemos expresar nuestros pronósticos en cualquier unidad deseada. Además, podemos adaptarnos a situaciones en las que intervienen múltiples unidades. Por ejemplo, los contenedores están limitados tanto en términos de peso como de volumen. Como tal, la proyección del uso futuro de los contenedores puede tener en cuenta ambas restricciones para evaluar correctamente cuántos contenedores probablemente se necesitarán.

1.12 ¿Admite varios algoritmos de pronóstico (por ejemplo, regresión lineal, suavizado exponencial, promedio móvil, ARIMA, etc.)?

Sí. La plataforma de Lokad es programática, por lo que podemos admitir todos los modelos clásicos de pronóstico (como los mencionados en la pregunta).

Es importante tener en cuenta que la mayoría de los modelos de pronóstico “clásicos” (por ejemplo, regresión lineal, suavizado exponencial, promedio móvil, ARIMA, etc.) ya no se consideran de vanguardia y no son los mejores en competencias públicas de pronóstico. En particular, la mayoría de esos modelos tienen un rendimiento deficiente cuando se trata de adaptarse a las complicaciones habituales que se encuentran en situaciones de la cadena de suministro (por ejemplo, faltantes de stock, canibalizaciones, eventos cuasiestacionales como el Año Nuevo Chino, etc.).

Por lo general, los científicos de la cadena de suministro de Lokad diseñan una receta numérica personalizada para cubrir las necesidades de pronóstico de la empresa cliente. Nuestros científicos de la cadena de suministro pronostican la demanda necesaria así como todos los demás factores inciertos de la cadena de suministro, como los tiempos de entrega, las devoluciones, las tasas de desperdicio, los precios de los competidores, etc. Además, el algoritmo (o algoritmos) de pronóstico debe adaptarse para aprovechar los datos disponibles y mitigar las distorsiones de datos inherentes a las operaciones de la cadena de suministro (por ejemplo, la demanda a menudo se recupera al final de un evento de faltante de stock).

Consulta nuestra conferencia de video pública No1 a nivel de SKU en la competencia de pronóstico M5 para obtener más detalles sobre las credenciales de pronóstico de Lokad.

1.13 ¿Qué nivel de granularidad se envía para el pronóstico?

Lokad puede adaptarse a cualquier nivel de granularidad en sus pronósticos. Esto significa que podemos pronosticar en las granularidades más desagregadas, como hasta el nivel de SKU o incluso pronosticar la demanda por cliente por SKU (si tiene sentido), así como pronosticar hasta pronósticos a nivel de toda la empresa.

Como los pronósticos son artefactos numéricos destinados a servir a la generación de decisiones de cadena de suministro optimizadas, los científicos de la cadena de suministro de Lokad ajustan la granularidad de los pronósticos para que coincida exactamente con las decisiones que se pretende respaldar con los pronósticos. En particular, si hay múltiples decisiones de cadena de suministro que respaldar, generalmente también hay múltiples niveles de granularidad de pronóstico.

Sin embargo, Lokad va más allá de simplemente adaptar la granularidad del pronóstico (es decir, elegir un cierto nivel dentro de una jerarquía determinada). Ajustamos toda la perspectiva de pronóstico para reflejar mejor la tarea en cuestión. Por ejemplo, para un minorista B2B, puede tener sentido pronosticar la rotación de clientes, ya que el stock del cliente (que atiende una demanda constante para un determinado SKU) puede convertirse de la noche a la mañana en stock muerto. Esto puede suceder si toda (o la mayoría) de la demanda proviene de un gran cliente que ha dejado de ser cliente de repente. Lokad es capaz de pronosticar las probabilidades de rotación junto con la demanda de un determinado SKU. Posteriormente, podemos combinar los dos pronósticos según sea necesario para optimizar las decisiones de inventario pertinentes.

1.14 ¿Puedes generar pronósticos cuantitativos utilizando datos de ventas semanales?

Sí. Nuestras capacidades de pronóstico son muy flexibles. Por ejemplo, podemos adaptarnos a datos de ventas semanales en lugar de datos transaccionales en bruto (nuestra preferencia).

Vale la pena señalar que aplanar los datos transaccionales en una serie de tiempo semanal es un proceso que implica pérdida de información, lo que significa que se puede perder información críticamente útil en el proceso. Una vez perdida, esta información no se puede recuperar, sin importar cuán sofisticado sea el modelo de pronóstico.

Por ejemplo, imagina un minorista de bricolaje que vende interruptores de luz. Este minorista observa 1 unidad de demanda por día (en promedio) para un determinado SKU en una tienda que se repone todos los días de la semana. Si la mayor parte de la demanda proviene de clientes que compran 1 unidad a la vez, entonces 4 unidades en stock probablemente proporcionarán un nivel de servicio decente. Sin embargo, si la mayor parte de la demanda proviene de clientes que suelen comprar media docena de unidades a la vez (con 1 cliente que aparece por semana en promedio), entonces 4 unidades en stock equivalen a un nivel de servicio terrible.

Esto demuestra el problema con la agregación arbitraria. Una vez que los datos de ventas se han agregado semanalmente, por ejemplo, se pierde la diferencia entre las dos situaciones descritas anteriormente. Por eso Lokad prefiere manejar datos transaccionales en bruto siempre que sea posible.

1.15 ¿Generas un pronóstico diario (o intradiario) a partir del historial diario, o aplicas patrones diarios a un pronóstico estadístico semanal?

Cuando se dispone de datos históricos diarios (o, aún mejor, datos a nivel de transacción), generalmente aprendemos conjuntamente todas las ciclicidades relevantes: día de la semana, semana del mes, semana del año, para mejorar la precisión del pronóstico. A través de la plataforma de Lokad, es muy sencillo incluir (o excluir) cualquier ciclicidad o cuasi-ciclicidad determinada (por ejemplo, Pascua, Año Nuevo Chino, Ramadán, etc.).

La descomposición jerárquica que separa la ciclicidad del día de la semana de la ciclicidad de la semana del año puede o no ser utilizada por Lokad. Sin embargo, nuestra plataforma puede admitir ambas opciones. Esta preocupación (descomponer o no descomponer) no es exclusiva de las ciclicidades, y se deben abordar preocupaciones similares para todos los demás patrones.

La elección del modelo más adecuado queda en manos de los científicos de la cadena de suministro de Lokad. Su elección se basa en un examen cuidadoso de los patrones específicos observados en la cadena de suministro de interés.

1.16 ¿Ajustas automáticamente el pronóstico durante el día (o la semana) en función de las ventas reales frente a las ventas esperadas?

Lokad actualiza sus modelos predictivos diariamente para corregir cualquier error debido a entradas de datos incorrectas, asegurando que los pronósticos sean precisos y estén actualizados. Este enfoque contrarresta las inestabilidades numéricas en tecnologías más antiguas, utilizando modelos estables y precisos para evitar cambios erráticos en el pronóstico y mejorar las decisiones de la cadena de suministro.

Como regla general, Lokad actualiza (reentrena) todos sus modelos predictivos cada vez que obtenemos un nuevo lote de datos históricos. Para la mayoría de nuestros clientes, esto ocurre una vez al día. La razón más importante de esto es asegurarse de que las entradas de datos incorrectas, que ya se han corregido, no persistan debido a la persistencia de pronósticos “rotos” que se generaron en el pasado (basados en esas entradas incorrectas). La funcionalidad de Lokad hace que la actualización diaria de los modelos predictivos no sea un problema, incluso considerando cadenas de suministro muy grandes.

Por otro lado, algunas tecnologías de pronóstico desactualizadas sufren de inestabilidades numéricas. Como resultado, los profesionales de la cadena de suministro pueden temer a un sistema que se actualiza con demasiada frecuencia, porque, en su experiencia, significa que los pronósticos actuarán de manera errática. Desde la perspectiva de Lokad, un modelo predictivo que “salta” erráticamente debido a la llegada de incrementos diarios de datos es, de hecho, un modelo defectuoso que necesita ser corregido. Retrasar las actualizaciones para mitigar el problema no puede considerarse una solución razonable, ya que la precisión del pronóstico sufre innecesariamente al no considerar los eventos más recientes.

Lokad resuelve este problema adoptando clases de modelos predictivos que tienen propiedades correctas por diseño en cuanto a estabilidad numérica. La programación diferenciable es particularmente efectiva para diseñar modelos que son tanto muy estables como muy precisos.

Consulta Refrescar todo cada día para obtener más información sobre este punto.

1.17 ¿Cómo estableces un nivel de confianza de que el nivel de ventas reales continuará en el futuro?

Utilizamos pronósticos probabilísticos y optimización estocástica para evaluar todos los posibles resultados y sus probabilidades, lo que permite tomar decisiones de la cadena de suministro ajustadas al riesgo. Cada posible resultado tiene un intervalo de confianza, que se puede utilizar para expresar niveles de confianza.

Cuando se utilizan pronósticos probabilísticos, como recomienda Lokad, todos los futuros posibles obtienen una probabilidad estimada. A su vez, los intervalos de confianza son fáciles de obtener a partir de un pronóstico probabilístico. Los intervalos de confianza se pueden utilizar para establecer un “nivel de confianza” de acuerdo con un cierto grado de riesgo (por ejemplo, el peor escenario del 5% frente al peor escenario del 1%).

Sin embargo, el supuesto implícito detrás de los “niveles de confianza” es que la decisión de la cadena de suministro depende de los pronósticos originales. La perspectiva de pronóstico probabilístico cambia por completo cómo abordamos toda la cuestión de la (in)exactitud del pronóstico. Cuando se disponen de pronósticos probabilísticos, las decisiones de la cadena de suministro (por ejemplo, una orden de compra determinada) pueden beneficiarse de repente de una optimización ajustada al riesgo. En otras palabras, la decisión se puede optimizar para todos los futuros posibles y sus respectivas probabilidades, y cada decisión se clasifica en función de su impacto financiero.

El término técnico para esta “optimización bajo incertidumbre” es la optimización estocástica. Lokad ofrece tanto pronósticos probabilísticos como optimización estocástica.

1.18 ¿Puedes combinar varios algoritmos de pronóstico?

Sí, aunque dejamos de recomendar esta práctica hace aproximadamente una década. Combinar varios algoritmos de pronóstico (también conocidos como “meta-modelos”) en un entorno de producción generalmente genera decisiones de cadena de suministro subóptimas, precisamente por qué no recomendamos este enfoque.

Combinar varios modelos de pronóstico es una de las opciones más fáciles para mejorar los resultados sintéticos, típicamente obtenidos a través de pruebas retrospectivas. Sin embargo, este “meta-modelo” (el producto de combinar varios modelos de pronóstico subyacentes) suele ser inestable, ya que “salta” de un modelo a otro. Como resultado, los profesionales de la cadena de suministro suelen confundirse con desviaciones repentinas o “cambios de opinión” del meta-modelo. Aún peor, los meta-modelos son, por diseño, bastante opacos porque son una mezcla de varios modelos. Incluso cuando los modelos subyacentes son simples, el meta-modelo resultante de su mezcla no lo es.

Por lo tanto, cualquier “precisión adicional” obtenida a través del uso de meta-modelos, en el punto de referencia (es decir, “resultados sintéticos”), se pierde invariablemente en la producción (es decir, escenarios del mundo real) debido a efectos de segundo orden, como el aumento de la inestabilidad y la opacidad de los pronósticos.

1.19 ¿Seleccionas automáticamente el modelo más adecuado para los pronósticos?

Sí, Lokad ofrece un modelo predictivo singular y efectivo para el pronóstico de la cadena de suministro. Evitamos los “meta-modelos” debido a su bajo rendimiento y opacidad en el mundo real.

Los Científicos de la Supply Chain de Lokad entregan a cada cliente un modelo predictivo singular en lugar de una amalgama de diferentes algoritmos que compiten por la selección, según el enfoque del “meta-modelo”. Este enfoque de meta-modelo es algo que Lokad dejó de utilizar hace aproximadamente una década.

Vale la pena señalar que, a nivel técnico, Lokad no tiene problemas para operar una “competencia interna” de modelos de pronóstico, es decir, un conjunto de modelos donde se selecciona automáticamente el mejor según las necesidades. Este enfoque es técnicamente sencillo. La razón por la que Lokad evita esta práctica es que los beneficios asociados con los meta-modelos son sintéticos (es decir, visibles en puntos de referencia) y no se traducen en escenarios de cadena de suministro del mundo real. Nuestra experiencia indica que los meta-modelos siempre tienen un rendimiento peor que sus contrapartes no compuestas.

Los meta-modelos reflejan principalmente tecnologías de pronóstico obsoletas donde se ensambla una colección de modelos defectuosos: el primer modelo es malo en la estacionalidad; el segundo modelo es malo en series de tiempo cortas; el tercer modelo es malo en series de tiempo erráticas; etc. Construir un meta-modelo da la ilusión de que el modelo ha atenuado sus defectos constituyentes, sin embargo, los defectos de cada modelo suelen resurgir rutinariamente ya que la lógica del selector de modelos en sí tiene sus propias limitaciones. Peor aún, los meta-modelos suelen socavar la confianza de los profesionales de la cadena de suministro, ya que este diseño resulta “opaco por diseño”.

Por eso, el enfoque de Lokad es crear un modelo predictivo que sea exactamente lo más simple posible, pero no más simple. Cuando se diseña con tecnologías de soporte adecuadas, como la programación diferenciable, este modelo único aborda todo el alcance de la cadena de suministro para la empresa cliente, sin necesidad de recurrir a una mezcla de modelos.

Ver también Algoritmos y Modelos de Pronóstico 1.18 en esta sección de preguntas frecuentes.

1.20 ¿Puedes realizar torneos de pronóstico, seleccionando automáticamente el mejor modelo con la mejor parametrización? ¿Lo haces con aprendizaje automático?

Sí, Lokad puede hacer esto, aunque no recomendamos este enfoque. Combinar modelos mediante aprendizaje automático (para crear “meta-modelos”) no ofrece beneficios en un entorno de producción. En su lugar, abogamos por un enfoque de modelo único.

Hace aproximadamente una década, solíamos aprovechar los meta-modelos para el pronóstico. Los meta-modelos son modelos que representan una combinación de otros modelos y/o un modelo que es una selección de otros modelos. La mezcla y/o selección de los modelos subyacentes también se realizaba con técnicas de aprendizaje automático, típicamente bosques aleatorios y árboles potenciados por gradientes.

Sin embargo, a pesar de mejorar los resultados sintéticos mediante la comparación (normalmente realizada con pruebas retrospectivas), el enfoque de los meta-modelos inevitablemente degrada el resultado(s) del mundo real para el cliente. La selección automática del modelo provoca “saltos” de pronóstico erráticos cuando el meta-modelo pasa de un modelo a otro. El uso de técnicas de aprendizaje automático para la selección del modelo también tiende a agravar este comportamiento al hacer que las transiciones sean aún más erráticas.

Por lo tanto, aunque la plataforma de Lokad admite torneos de pronóstico, no recomendamos el uso de tales enfoques para fines de producción. En particular, las competiciones de pronóstico recientes muestran que un modelo unificado único supera a los meta-modelos más complejos, como lo demuestra el primer lugar de Lokad a nivel de SKU en una competencia mundial que involucra un conjunto de datos de Walmart (ver más abajo).

Ver también Algoritmos y Modelos de Pronóstico 1.18 en esta sección de preguntas frecuentes.

1.21 ¿Cómo garantizas que se utilice información más granular para cada artículo/tienda y se evite el ruido y el sobreajuste del modelo?

Lokad utiliza la programación diferenciable para mejorar la precisión del pronóstico, un enfoque que nos permite adaptar los modelos a estructuras de datos específicas y controlar el sobreajuste mediante el control de la expresividad del modelo. Este enfoque aborda eficazmente la “ley de los números pequeños” al incorporar una guía experta mínima (pero crucial) para optimizar la eficiencia de los datos.

Los problemas de ruido y sobreajuste son los principales motivadores por los que Lokad utiliza la programación diferenciable en su pronóstico. A través de la programación diferenciable, los científicos de la cadena de suministro de Lokad tienen un control total sobre la estructura misma del modelo. La programación diferenciable les permite crear un modelo que se ajuste a los datos de entrada (incluida su estructura relacional). Además, la programación diferenciable les permite restringir la expresividad del modelo para controlar el sobreajuste.

La programación diferenciable ha sido un avance para Lokad para hacer frente a la “ley de los números pequeños” que rige las cadenas de suministro, es decir, los pronósticos siempre deben realizarse al nivel/granularidad que refleje las decisiones de la cadena de suministro de interés, como “por SKU por día”. Sin embargo, al hacerlo, los modelos de pronóstico se enfrentan a situaciones en las que el número de puntos de datos relevantes se cuenta como números de un solo dígito.

El avance de la programación diferenciable radica en que permite que un científico de la cadena de suministro (normalmente empleado por Lokad, pero posiblemente empleado por la empresa cliente) inyecte algún conocimiento previo de alto nivel en el modelo predictivo (por ejemplo, una selección de las ciclicidades relevantes) para aprovechar al máximo los pocos puntos de datos disponibles. A diferencia de los “sistemas expertos” de la década de 1980, la programación diferenciable requiere una guía muy limitada de un experto humano, pero esta guía limitada puede marcar la diferencia en cuanto a la eficiencia de los datos.

2. Gestión y ajustes del pronóstico

2.1 ¿Los usuarios pueden visualizar los pronósticos? ¿Pueden agregar los pronósticos en diferentes niveles (por ejemplo, almacén, tienda, local)?

Resumen ejecutivo: Sí, la plataforma de Lokad ofrece una sólida visualización de datos (en tiempo constante) para inspeccionar y agregar pronósticos en cualquier nivel deseado(s).

La plataforma de Lokad proporciona amplias capacidades de visualización de datos que se pueden utilizar para inspeccionar los pronósticos de series temporales. En particular, es sencillo agregar pronósticos según cualquier jerarquía (por ejemplo, ubicaciones, regiones, categorías de productos, etc.) y según cualquier granularidad (por ejemplo, día, semana, mes, etc.). Además, la plataforma de Lokad garantiza una visualización en tiempo constante para estos informes, lo que significa que se renderizan en menos de 500 milisegundos, siempre y cuando el usuario final tenga suficiente ancho de banda para cargar el informe en este intervalo de tiempo.

Sin embargo, esta pregunta asume implícitamente que estamos hablando de pronósticos de series temporales puntuales (también conocidos como pronósticos de demanda clásicos). Si bien la plataforma de Lokad admite pronósticos de series temporales puntuales, estos pronósticos ahora están obsoletos por dos motivos.

Primero, los pronósticos puntuales presentan un valor futuro como si fuera EL futuro (es decir, exactamente lo que sucederá). En este sentido, trata el futuro como el simétrico del pasado. Sin embargo, la incertidumbre del futuro es irreducible y el futuro, desde una perspectiva de la cadena de suministro y no desde una perspectiva de físico, no es el simétrico del pasado. Por esta razón, se deben preferir los pronósticos probabilísticos, un enfoque que considera TODOS los posibles resultados futuros (por ejemplo, valores de demanda) y les asigna probabilidades a cada uno. En términos de gestión de riesgos, esto proporciona una defensa mucho más sólida contra la incertidumbre irreducible del futuro.

Sin embargo, si bien los pronósticos probabilísticos se pueden expresar en cualquier nivel (por ejemplo, almacén, tienda, producto, etc.), no son aditivos, al menos no en el sentido habitual. Por lo tanto, si bien la plataforma de Lokad proporciona todas las capacidades relevantes de visualización de datos para nuestros pronósticos, estas capacidades generalmente no son las que los profesionales de la cadena de suministro esperarían (al menos aquellos que no tienen experiencia previa en pronósticos probabilísticos).

Segundo, los modelos de pronóstico de series temporales son frecuentemente inadecuados porque la perspectiva de series temporales en sí misma es simplista y no captura la esencia del negocio. Por ejemplo, un minorista B2B puede tener una mezcla de dos tipos de pedidos: pedidos pequeños que los clientes esperan que se atiendan fácilmente con el stock del minorista; y pedidos grandes realizados con meses de anticipación que los clientes esperan que se atiendan a tiempo, precisamente porque el pedido se realizó con tanta anticipación en primer lugar. Este patrón, por básico que sea, no se puede abordar con un pronóstico de series temporales. Además, los patrones que no se ajustan a los pronósticos de series temporales incluyen vencimientos de vida útil, canibalizaciones, sustituciones, cambios de precios de los competidores, etc.

En general, los pronósticos de series temporales son útiles para fines de visualización. Sin embargo, más a menudo que no, en Lokad el modelo de pronóstico subyacente no será un modelo de series temporales, incluso si los datos finales se visualizan como una serie temporal por conveniencia.

2.2 ¿Qué tipo de conocimientos de pronóstico deben ser manejados por los expertos frente al sistema/máquina?

Los expertos deben centrarse en la estructura de alto nivel del modelo predictivo (por ejemplo, la estructura relacional de los datos de entrada, las suposiciones estructurales clave que se pueden hacer sobre estos datos, etc.). No se espera que los expertos tengan que microgestionar (por ejemplo, anular manualmente) los propios pronósticos.

Dado que Lokad aprovecha la tecnología predictiva moderna, programación diferenciable, nuestros científicos de la cadena de suministro se centran casi exclusivamente en la “estructura de alto nivel” del modelo predictivo. Esto es contrario a las tecnologías más antiguas (ahora obsoletas) que típicamente esperaban que el experto que las utilizaba microgestionara los pronósticos, proporcionando conocimientos correctivos para todos los casos límite que presentaban los modelos. Desafortunadamente, enfoques tan anticuados demostraron ser demasiado tediosos para que los expertos los mantuvieran a lo largo del tiempo. Como resultado, las empresas que los utilizaban generalmente perdían a sus expertos y luego tenían que volver a utilizar hojas de cálculo.

En contraste, la estructura de alto nivel del modelo predictivo es algo que se puede expresar de manera concisa, generalmente en no más de 100 líneas de código. Esta brevedad es cierta incluso al considerar cadenas de suministro muy complejas. La estructura de alto nivel representa el núcleo de la comprensión humana del desafío predictivo. Mientras tanto, el/los proceso(s) encargado(s) de “aprender” los parámetros del modelo siguen siendo completamente automatizados. Esto se logra aprovechando los datos de entrada (por lo general, los datos históricos) más algunas otras fuentes de datos (por ejemplo, próximas campañas de marketing).

2.3 ¿Se pueden ajustar/sobrescribir manualmente los pronósticos?

Resumen ejecutivo: Sí. Aunque la plataforma de Lokad admite ajustes manuales a los pronósticos, esto no es necesario dado que los propios pronósticos probabilísticos están diseñados para tener en cuenta el riesgo y la incertidumbre, que son típicamente los principios fundamentales detrás de la anulación manual en primer lugar.

La plataforma de Lokad ofrece amplias capacidades programáticas, por lo que es sencillo admitir capacidades de edición para cualquier proceso de pronóstico. Sin embargo, la necesidad de ajuste manual de los pronósticos refleja principalmente las limitaciones de las tecnologías de pronóstico obsoletas. El uso de pronósticos probabilísticos avanzados de Lokad elimina en gran medida la necesidad de microgestionar los pronósticos. De hecho, en Lokad la necesidad de tal microgestión desapareció hace una década.

Las correcciones manuales de los pronósticos suelen tener como objetivo mitigar los riesgos de manera indirecta. El profesional de la cadena de suministro no espera que el pronóstico sea más preciso en un sentido estadístico, sino que espera que las decisiones resultantes del pronóstico ajustado sean menos arriesgadas (es decir, menos costosas para la empresa). Sin embargo, con los pronósticos probabilísticos, las decisiones de la cadena de suministro (generadas por Lokad) ya están ajustadas al riesgo. Por lo tanto, no tiene sentido intentar dirigir el pronóstico probabilístico para reducir el riesgo de las decisiones, ya que las decisiones están inherentemente diseñadas para estar ajustadas al riesgo.

Además, las correcciones manuales de los pronósticos suelen tener como objetivo mitigar situaciones de alta incertidumbre. Sin embargo, los pronósticos probabilísticos están diseñados para abarcar y cuantificar la incertidumbre. Por lo tanto, los pronósticos probabilísticos ya reflejan la(s) área(s) de alta incertidumbre, y las decisiones ajustadas al riesgo se toman en consecuencia.

Fundamentalmente, no tiene sentido intentar corregir manualmente los pronósticos “incorrectos”. Si los pronósticos son demostrablemente menos precisos de lo que se espera, entonces la receta numérica que genera los pronósticos debe corregirse. Si los pronósticos se modifican por razones que no se refieren a la precisión, entonces son los cálculos posteriores los que deben ajustarse. De cualquier manera, ajustar manualmente los pronósticos es una práctica obsoleta que no tiene cabida en una cadena de suministro moderna.

2.4 ¿Se pueden integrar algoritmos de pronóstico creados por el usuario?

Sí. Lokad permite la integración de algoritmos de pronóstico creados por el usuario a través de Envision, nuestro lenguaje de programación específico del dominio (DSL). Este DSL flexible, personalizable y escalable puede admitir algoritmos y técnicas de pronóstico convencionales y avanzados, según sea necesario.

La plataforma de Lokad es programática, algo que es un ciudadano de primera clase en nuestra tecnología y se entrega a través de Envision, el DSL (lenguaje de programación específico del dominio) desarrollado por Lokad para la optimización predictiva de las cadenas de suministro. A través de Envision, se pueden reimplementar todos los algoritmos de pronóstico convencionales (y sus variantes). Además, Envision también admite algunos algoritmos de pronóstico aún no convencionales, incluidas técnicas ganadoras de competencias basadas en programación diferenciable y pronóstico probabilístico (ver más abajo).

Integrar esos algoritmos creados por el usuario en Lokad no debe confundirse con una “personalización” del producto de Lokad. Desde la perspectiva de Lokad, confiar en algoritmos personalizados es la forma normal de usar nuestro servicio. La plataforma de Lokad proporciona un entorno de ejecución seguro, confiable y escalable para admitir dichos algoritmos. La implementación de los algoritmos (normalmente denominados “recetas numéricas”) suele ser realizada por los científicos de la cadena de suministro de Lokad. Sin embargo, si la empresa cliente cuenta con talentos internos para la ciencia de datos, esos empleados también pueden utilizar la plataforma de Lokad para este propósito.

Además, la plataforma de Lokad proporciona un entorno de desarrollo integrado completo (IDE) para crear dichos algoritmos personalizados. Esta capacidad es fundamental para asegurarse de que los algoritmos se desarrollen dentro de un entorno que refleje estrictamente el entorno de producción, tanto en términos de datos de entrada como de capacidades de tiempo de ejecución. Con Lokad, una vez que se considera satisfactorio un algoritmo de pronóstico revisado (y generalmente superior a la iteración anterior), se puede promocionar a producción en cuestión de minutos. En relación con esto, la plataforma de Lokad proporciona garantías “por diseño” extensas para eliminar por completo clases de problemas al promocionar algoritmos desde el estado de prototipo hasta el estado de producción.

Consulta No1 en el nivel de SKU en la competencia de pronósticos M5 para obtener más información sobre las técnicas de pronóstico de Lokad.

2.5 ¿Cómo explica lo que hace la solución para llegar a un pronóstico o una orden de compra para que el usuario pueda entenderlo, interrogarlo y explicarlo a otros interesados en el negocio?

La plataforma de Lokad aprovecha un lenguaje de programación específico del dominio flexible (Envision) que nos permite crear paneles intuitivos para demostrar las métricas clave y las decisiones para el cliente. Estos paneles se construyen en colaboración con los clientes de tal manera que puedan comprender rápidamente y de manera conveniente. Para puntos más complicados, los científicos de la cadena de suministro de Lokad se encargan tanto de diseñar como de explicar los algoritmos (“recetas numéricas” - las cosas que generan los pronósticos y las decisiones de la cadena de suministro) y sus resultados a los clientes. Estos expertos están capacitados para proporcionar información relevante sobre negocios, economía y ciencia de datos a los clientes para ayudarles a comprender lo que está sucediendo “detrás de escena”.

El científico de la cadena de suministro, empleado por Lokad, es la persona que escribe la receta numérica (algoritmo) que respalda el modelo predictivo (y, por lo tanto, su proceso de toma de decisiones). El científico de la cadena de suministro es personalmente responsable de defender y explicar la adecuación de los pronósticos y todas las decisiones que son generadas por la receta numérica.

Así, aunque las situaciones varían de una empresa cliente a otra, cada situación tiene un copiloto humano (el científico de la cadena de suministro). No es un “sistema” impersonal el responsable de un pronóstico o una decisión; es un conjunto de recetas numéricas que están bajo el control directo de un científico de la cadena de suministro nombrado. Esta responsabilidad incluye la “caja blanca” de las recetas numéricas, es decir, hacer que sus resultados sean accesibles y comprensibles para los accionistas.

Para apoyar este proceso, nuestros científicos de la cadena de suministro utilizan herramientas como la prueba retrospectiva para respaldar y demostrar su análisis. Sin embargo, y lo que es más importante, toman decisiones informadas sobre las suposiciones que se incluyen en sus recetas numéricas (como restricciones y factores pertinentes). En última instancia, la “adecuación” de una receta numérica depende de si refleja la intención del negocio, y esto es algo que el científico de la cadena de suministro establece mediante una inspección cuidadosa de la situación de la cadena de suministro del cliente (así como una consulta con el cliente).

Consulte nuestro Video de Cuenta de Demostración Pública para obtener una descripción general de cómo Lokad prepara los datos y visualiza los resultados para los clientes.

2.6 ¿Se puede dividir el pronóstico en artículos y BOMs (Listas de Materiales)?

Sí, Lokad puede entregar pronósticos a cualquier nivel. Esto se debe a las amplias capacidades programáticas de nuestro modelado probabilístico. Podemos dividir el pronóstico entre artículos y BOMs, así como manejar situaciones en las que los artículos pueden consumirse como parte de BOMs o venderse de forma independiente.

Además, cuando hay BOMs (Listas de Materiales), no solo pronosticamos la demanda de los artículos internos, sino que optimizamos las decisiones de la cadena de suministro para reflejar que los ensamblajes distintos compiten internamente por las mismas partes internas. Es decir, situaciones en las que las respectivas BOMs se superponen. Esta optimización puede llevar a rechazar la venta de una parte “solitaria” si esta parte pondría en peligro la disponibilidad de BOM(s) más grandes y críticos.

2.7 ¿Recomiendan automáticamente meta-parámetros para sus algoritmos de pronóstico?

Sí. La práctica estándar en Lokad es que los modelos predictivos deben funcionar completamente sin supervisión. Los científicos de la cadena de suministro de Lokad son responsables de establecer los meta-parámetros adecuados. Ya sea que los meta-parámetros sean lo suficientemente estables como para codificarlos, o que la receta numérica incluya un paso de ajuste dedicado a identificar un valor de meta-parámetro adecuado. De cualquier manera, el algoritmo (también conocido como “receta numérica”) se puede ejecutar sin supervisión.

Lokad utiliza muchos menos meta-parámetros en comparación con la mayoría de otras soluciones competidoras. Esto se debe a que la programación diferenciable, la preferencia de Lokad en este sentido, es un paradigma general de ajuste de parámetros. Por lo tanto, cuando la programación diferenciable está disponible, la mayoría de los parámetros se aprenden. La tecnología es extremadamente poderosa cuando se trata de aprender todo tipo de parámetros, no solo los “tradicionales” (por ejemplo, coeficientes de estacionalidad).

Como resultado, desde la perspectiva de Lokad, la mayoría de los valores que nuestros colegas considerarían “meta-parámetros” son simplemente “parámetros regulares” que no requieren atención específica. Como regla general, la mayoría de los modelos predictivos operados en producción por Lokad tienen muy pocos meta-parámetros (menos de 10). Sin embargo, nuestros clientes normalmente no se espera que ajusten estos números, ya que es responsabilidad de nuestros científicos de la cadena de suministro.

2.8 ¿Puede el producto ajustar los pronósticos a través de variables causales?

Sí.

Esta es una de las fortalezas principales de la programación diferenciable, el enfoque tecnológico preferido por Lokad para el modelado predictivo. La programación diferenciable es un paradigma programático, por lo que incluir una variable explicativa es algo natural. Aún mejor, el mecanismo de causalidad se reifica en el modelo; viene con sus propios parámetros “nombrados”. Por lo tanto, no solo los pronósticos aprovechan la variable causal, sino que se hace de una manera que puede ser auditada e investigada por los profesionales de la cadena de suministro.

Por ejemplo, cuando se utiliza el precio de venta al público como variable causal, se puede trazar e investigar la respuesta exacta de la demanda relacionada con las variaciones de los precios. Este resultado puede ser de gran interés para la empresa. Si la empresa resulta ser una red de tiendas minoristas, esto se puede utilizar para dirigir eventos de liquidación en las tiendas que responden de manera más fuerte a los descuentos. Esto puede minimizar el volumen total de descuentos necesarios para liquidar por completo el stock envejecido.

2.9 ¿El producto es capaz de experimentar con pronósticos y desarrollar y/o personalizar algoritmos?

Sí. Nuestros científicos de la cadena de suministro experimentan rutinariamente con modelos de pronóstico, lo que permite desarrollar nuevos algoritmos y adaptar aún más los algoritmos existentes. Esto es posible porque la plataforma de Lokad es programática y cuenta con un lenguaje de programación específico del dominio (DSL, por sus siglas en inglés) flexible llamado Envision, que fue diseñado específicamente para la optimización predictiva de la cadena de suministro.

La perspectiva de Lokad establece que la experimentación y personalización de los modelos predictivos no son una solución temporal para lidiar con las limitaciones de la tecnología de pronóstico. Más bien, es la forma prevista de utilizar la solución de Lokad en primer lugar. Este enfoque no solo ofrece resultados superiores en términos de precisión de pronóstico, sino que también proporciona resultados mucho más “aptos para la producción” que los enfoques “empaquetados” alternativos.

No nos quejamos de los “datos malos”; los datos son simplemente lo que son. Nuestros científicos de la cadena de suministro aprovechan al máximo lo que está disponible. También cuantifican, en euros o dólares (o cualquier otra moneda deseada), los beneficios de mejorar los datos para que la empresa pueda identificar las mejoras en los datos que generan los mayores retornos. Mejorar los datos es un medio, no un fin. Nuestros científicos de la cadena de suministro brindan orientación cuando la inversión adicional simplemente no vale la pena en términos de los beneficios esperados para la cadena de suministro.

2.10 ¿Es posible iterar y refinar la ingeniería de características subyacente al pronóstico?

Sí.

Los científicos de la cadena de suministro de Lokad ajustan rutinariamente las características que se incluyen en un modelo predictivo. Esto es posible porque la plataforma de Lokad es programática y cuenta con un lenguaje de programación específico del dominio (DSL, por sus siglas en inglés) flexible llamado Envision, que fue diseñado específicamente para la optimización predictiva de la cadena de suministro.

Sin embargo, cabe destacar que durante la última década, la ingeniería de características (como técnica de modelado) ha estado en tendencia descendente. De hecho, gradualmente está siendo reemplazada por la ingeniería de arquitectura de modelos. En resumen, en lugar de cambiar la característica para que se ajuste mejor al modelo, se cambia el modelo para que se ajuste mejor a la característica. La programación diferenciable, el enfoque preferido de Lokad para el modelado predictivo, admite tanto la ingeniería de características como la ingeniería de arquitectura. Sin embargo, esta última suele ser más adecuada en la mayoría de las situaciones.

Ver también Gestión y ajuste de pronósticos 2.9 en esta sección de preguntas frecuentes.

3. Precisión del pronóstico y medición del rendimiento

3.1 ¿Cuál es la perspectiva de su organización sobre el rendimiento del pronóstico y cómo se debe medir?

La precisión del pronóstico debe medirse en dólares o euros (o la moneda deseada del cliente) de impacto. Esto se refiere al retorno de la inversión (ROI) de las decisiones tomadas en función del pronóstico. Medir puntos porcentuales de error simplemente no es suficiente. La precisión del pronóstico también debe abarcar todas las áreas de incertidumbre, no solo la demanda futura, por ejemplo, los tiempos de entrega, las devoluciones, los precios de los productos básicos, etc. Todos estos son factores que varían y deben pronosticarse, al igual que la demanda futura.

Las métricas tradicionales como MAPE (error porcentual absoluto medio), MAE (error absoluto medio), MSE (error cuadrático medio), etc., son métricas técnicas que pueden ser de cierto interés para un científico de la cadena de suministro, pero desde una perspectiva de la cadena de suministro, son fundamentalmente ciegas y engañosas. Los detalles de este argumento se pueden encontrar en la conferencia pública de Lokad sobre Optimización Experimental.

Por lo tanto, estas métricas no deben comunicarse a la organización en general, ya que solo generarán confusión y frustración. Por el contrario, generalmente es sencillo hacer que el pronóstico sea más preciso en un sentido estadístico, al tiempo que se degrada la calidad percibida del servicio por parte de los clientes y se aumentan los costos operativos para los proveedores (que responden aumentando sus precios).

Las métricas de pronóstico solo importan cuando respaldan la generación de mejores decisiones de la cadena de suministro. En lo que respecta a Lokad, generar las cantidades de reorden, las cantidades de producción, las cantidades enviadas, los precios, etc. más financieramente sensatas son los detalles en los que vale la pena centrarse. Todo lo demás, incluido el error de pronóstico de forma aislada, es tangencial a la preocupación principal del negocio de maximizar el retorno de la inversión.

Ver también Pronóstico de tiempo de entrega.

3.2 ¿Cómo se mide el rendimiento de los pronósticos en comparación con las ventas reales?

Si el modelo está pronosticando “ventas”, entonces medir la precisión del “pronóstico de ventas” es sencillo: cualquiera de los indicadores habituales, como el MAE (error absoluto medio), funcionará. Sin embargo, el problema es que la mayoría de las empresas quieren pronosticar “demanda”, no ventas. Sin embargo, los datos históricos de ventas son un proxy imperfecto de la demanda histórica. Los faltantes de stock y las promociones (y posiblemente las acciones de los competidores) distorsionan las ventas históricas.

Por lo tanto, el desafío es establecer la “demanda” original mientras que los datos históricos solo reflejan las ventas históricas. Para este propósito, Lokad emplea una variedad de técnicas. De hecho, la naturaleza de la distorsión entre las ventas (observadas) y la demanda (oculta) varía mucho según el tipo de negocio que se esté considerando. Las canibalizaciones y las sustituciones complican aún más la situación.

La mayoría de las técnicas de Lokad abandonan los modelos de series temporales que, por diseño, no pueden comprender la información necesaria. De hecho, la mayoría de las veces, los datos de ventas se “enriquecen” con información adicional (como eventos de faltante de stock) que se puede aprovechar para obtener un mejor modelo de la demanda oculta. Sin embargo, esta información adicional rara vez encaja en el paradigma (simplista) de las series temporales. La supuesta sofisticación de los modelos de series temporales es irrelevante si los datos requeridos existen fuera de su paradigma de funcionamiento (es decir, no se pueden capturar o expresar mediante ellos).

Ver Modelado Predictivo Estructurado para Supply Chain para más información sobre este punto.

3.3 ¿Proporcionan informes sobre la precisión del pronóstico? ¿Proporcionan una perspectiva sobre el error de pronóstico proyectado?

Resumen Ejecutivo: Sí. Para simplificar, la plataforma de Lokad puede expresar sus pronósticos probabilísticos (y, por lo tanto, el error) en un formato gráfico intuitivo. Esto toma la forma de un gráfico de series temporales tradicional donde el error de pronóstico (“incertidumbre”) crece a medida que aumenta el horizonte temporal. Este gráfico de efecto escopeta ayuda a visualizar cómo el rango de valores potenciales (por ejemplo, demanda) se expande a medida que se mira más hacia el futuro. Estos informes están disponibles para los clientes en todo momento en su(s) cuenta(s) de Lokad.

La mitad del desafío para mejorar la precisión de un modelo predictivo es crear instrumentos de informes adecuados. Esta tarea la llevan a cabo los Científicos de Supply Chain de Lokad. Como Lokad utiliza pronósticos probabilísticos, el error proyectado generalmente exhibe un “efecto escopeta” donde el error de pronóstico esperado aumenta constantemente con el horizonte de pronóstico. Estos informes son accesibles por la empresa cliente dentro de la plataforma de Lokad.

Sin embargo, bajo el enfoque de pronóstico probabilístico, la “precisión del pronóstico” se relega en gran medida a una tecnicidad de segunda clase. Bajo este enfoque, el objetivo principal es tomar decisiones financieras ajustadas al riesgo que consideren la totalidad de los impulsores y restricciones económicas de los clientes, así como reflejar la alta incertidumbre de los valores futuros (como la demanda o los tiempos de entrega). Por ejemplo, si la incertidumbre es especialmente alta, las decisiones correspondientes suelen ser más conservadoras. Como tal, no es prudente medir la precisión del pronóstico probabilístico de forma aislada; más bien, se debe revisar el ROI asociado con las decisiones ajustadas al riesgo generadas utilizando los pronósticos probabilísticos.

Con los pronósticos clásicos (también llamados pronósticos deterministas, en oposición a los pronósticos probabilísticos), casi cada instancia de inexactitud del pronóstico se convierte en decisiones costosas y malas para el cliente. Es por eso que las empresas están tan decididas a “corregir” sus pronósticos. Sin embargo, cinco décadas después de la aparición de las técnicas modernas de pronóstico estadístico de series temporales, las empresas todavía están lejos de tener pronósticos “precisos”. En Lokad, no creemos que una técnica de pronóstico “super precisa” esté a la vuelta de la esquina. Creemos que la incertidumbre del futuro es en gran medida irreducible. Sin embargo, al combinar pronósticos probabilísticos con decisiones ajustadas al riesgo, las consecuencias negativas de la alta incertidumbre se mitigan en gran medida.

Como resultado, la precisión del pronóstico deja de captar el interés de cualquier persona excepto de los expertos técnicos que lidian con el modelo predictivo en sí. Simplemente, las apuestas ya no son lo suficientemente altas para el resto de la organización como para preocuparse.

3.4 ¿Cuál es el porcentaje esperado de pronósticos automatizados y precisos?

100%, si definimos “preciso” como lo suficientemente bueno para dirigir decisiones sólidas de la cadena de suministro. Esto no significa que cada pronóstico sea preciso. Por el contrario, a través del pronóstico probabilístico, Lokad abraza la incertidumbre irreducible del futuro. Con frecuencia, la incertidumbre es grande y, en consecuencia, los pronósticos probabilísticos están muy dispersos. En consecuencia, las decisiones ajustadas al riesgo que se generan en base a esos pronósticos son muy prudentes.

A diferencia de muchas soluciones tecnológicas obsoletas, Lokad trata cada pronóstico (probabilístico) que no se puede utilizar para fines de producción como un defecto de software que debe corregirse. Nuestros científicos de la cadena de suministro están ahí para asegurarse de que todos esos defectos se corrijan mucho antes de pasar a producción. Nuestro plazo para la resolución de esta clase de problemas suele ser a mitad de la fase de incorporación.

Por otro lado, los pronósticos clásicos (también conocidos como pronósticos “deterministas”) inevitablemente causan estragos cuando no son precisos, porque se toman decisiones de suministro insanas basadas en esos pronósticos. En cambio, los pronósticos probabilísticos incorporan su propia cuantificación de la incertidumbre esperada. Cuando los volúmenes de demanda son bajos e irregulares, los pronósticos probabilísticos reflejan la alta incertidumbre intrínseca de la situación. El cálculo de las decisiones ajustadas al riesgo de Lokad depende en gran medida de la capacidad para evaluar los riesgos en primer lugar. Para eso están diseñados los pronósticos probabilísticos.

3.5 ¿Se pueden rastrear métricas como MAPE (Error porcentual absoluto medio), MPE (Error porcentual medio), MAE (Error absoluto medio) a lo largo del tiempo?

Sí.

La plataforma de Lokad es programática y es fácil rastrear todas las métricas habituales como MAPE, MEP, MAE, etc. También podemos rastrear todas las métricas ligeramente menos habituales, como iteraciones personalizadas de esas métricas preferidas por la empresa cliente. Por ejemplo, variantes “ponderadas”, como MAPE ponderado, MAE ponderado, etc., donde los esquemas de ponderación dependen de reglas comerciales específicas.

Lokad puede recopilar y consolidar métricas relevantes/preferidas a lo largo del tiempo a medida que se generan nuevos pronósticos. También podemos regenerar métricas “reproduciendo” los datos históricos (es decir, backtesting), si la empresa cliente desea evaluar el rendimiento estadístico esperado de un modelo de pronóstico revisado.

Sin embargo, las métricas mencionadas anteriormente se relacionan todas con los pronósticos clásicos (también conocidos como pronósticos deterministas). Los pronósticos deterministas deben considerarse obsoletos para fines de la cadena de suministro, ya que no están diseñados (o no pueden) abordar la incertidumbre asociada con los valores futuros (como la demanda o los tiempos de entrega). Su objetivo es identificar un único valor futuro posible, en lugar de todos los valores probables futuros y sus probabilidades. Por esta razón, Lokad utiliza pronósticos probabilísticos, un enfoque que cuantifica la incertidumbre que los pronósticos de series temporales ignoran.

3.6 ¿Se pueden comparar múltiples escenarios utilizando métricas definidas por el usuario (por ejemplo, facturación, beneficio, coste, riesgo, etc.)?

Sí.

La plataforma de Lokad es programática, por lo que puede introducir métricas complejas guiadas por muchas reglas comerciales (por ejemplo, métricas definidas por el usuario). También puede introducir escenarios alternativos complejos en los que se modifica la estructura y/o capacidades de la red de la cadena de suministro (más allá de inflar/deflactar la demanda y los tiempos de entrega, por ejemplo). Esto ayuda a Lokad a mejorar la gestión de riesgos, la planificación estratégica y la toma de decisiones al prepararse para diversas situaciones y resultados potenciales de la cadena de suministro.

Vale la pena señalar que las capacidades típicas de “escenario” son obsoletas desde la perspectiva de Lokad. Como Lokad opera con modelos predictivos probabilísticos, en cierto sentido, cada decisión de la cadena de suministro que generamos ya está ajustada al riesgo. Es decir, ya está optimizada con respecto a todos los posibles valores futuros (por ejemplo, demanda) considerando sus respectivas probabilidades.

Por lo tanto, los “escenarios” en Lokad no se utilizan para evaluar “variaciones futuras”, ya que dichas variaciones ya están completamente integradas en el modo de funcionamiento base de Lokad. Los escenarios se utilizan para hacer frente a cambios drásticos más allá de las variaciones, típicamente más alineados con lo que los profesionales se referirían como ‘diseño de la cadena de suministro’, como modificar la topología de la red, la capacidad de la red, la ubicación de los proveedores, etc.

3.7 ¿Realizan un seguimiento y monitorean la precisión del pronóstico y el error del pronóstico (y eventualmente otras métricas de demanda) con diferentes retrasos definidos?

Sí. Lokad realiza un seguimiento de los errores predictivos con muchas métricas, incluida la dimensión de horizonte/retraso. Lokad realiza un seguimiento de la precisión predictiva en todos los pronósticos, incluidos los de demanda, tiempos de entrega, devoluciones, etc.

La calidad de todos los modelos predictivos depende del horizonte. Por lo general, cuanto más lejos esté el pronóstico, mayor será la incertidumbre. La plataforma de Lokad ha sido diseñada para facilitar el seguimiento de una amplia variedad de métricas considerando el horizonte/retraso aplicable. Este principio no solo se aplica a los pronósticos de demanda, sino a todos los pronósticos, incluidos los pronósticos de tiempos de entrega, pronósticos de devoluciones, etc.

Además, debe tenerse en cuenta que los pronósticos probabilísticos proporcionan una evaluación cuantitativa directa de la incertidumbre que aumenta con el horizonte. Por lo tanto, el creciente error dependiente del horizonte no solo se mide, sino que también se predice. Como las decisiones de la cadena de suministro optimizadas por Lokad están ajustadas al riesgo, nuestras decisiones reflejan automáticamente el riesgo adicional asociado con decisiones que dependen de pronósticos a más largo plazo (en comparación con pronósticos a más corto plazo).

3.8 ¿Se pueden agregar datos a nivel de producto/sucursal para validar el pronóstico estadístico?

Sí, Lokad realiza un seguimiento de los errores y sesgos predictivos en muchos niveles, incluidos los niveles jerárquicos relevantes (por producto, por sucursal, por categoría, por región, por marca, etc.) cuando hay jerarquías presentes. La tecnología de programación diferenciable de Lokad incluso nos permite refinar los pronósticos en una granularidad determinada para minimizar un error o sesgo que ocurre en otra granularidad.

Más en general, en el lado de la validación, como la plataforma de Lokad es programática, los pronósticos históricos se pueden volver a agregar de la manera que considere adecuada la empresa cliente. De manera similar, la métrica utilizada para validar los pronósticos agregados puede diferir de la métrica utilizada para validar los pronósticos desagregados, si la empresa cliente considera que es preferible utilizar una métrica alternativa.

4. Gestión y Limpieza de Datos

4.1 ¿Identifican automáticamente los errores de datos?

Sí. Los Supply Chain Scientists de Lokad crean meticulosamente paneles de “salud de datos” para cada proyecto de cliente. Estos paneles de salud de datos están diseñados para identificar automáticamente cualquier problema de datos. Además, estos paneles identifican la criticidad del problema y la responsabilidad del mismo.

La criticidad del problema determina si es aceptable o no generar decisiones de la cadena de suministro basadas en los datos donde se encuentra el problema. A veces, esto significa restringir las decisiones aceptables a un subconjunto dentro de la empresa cliente que se considera “seguro” frente al problema. En realidad, esperar un conjunto de datos sin problemas al 100% no es realista cuando se trata de una empresa grande. Por lo tanto, la optimización de la cadena de suministro debe poder operar (hasta cierto punto) con datos imperfectos, siempre y cuando la imperfección no ponga en peligro la coherencia de las decisiones de la cadena de suministro.

La responsabilidad del problema define quién es responsable de resolver el problema. Dependiendo del tipo de problema, el problema puede originarse en lugares completamente diferentes dentro de la empresa cliente. Por ejemplo, los datos históricos truncados probablemente sean un problema para el departamento de TI, mientras que los márgenes brutos negativos (es decir, el precio de venta es inferior al precio de compra) pertenecen a la adquisición o las ventas.

Identificar errores de datos no triviales es un problema de inteligencia general que requiere una comprensión profunda de la cadena de suministro de interés. Por lo tanto, este proceso no se puede automatizar (aún); actualmente está más allá de lo que las tecnologías de software pueden ofrecer. Sin embargo, una vez que se identifica un problema determinado, un Supply Chain Scientist puede automatizar las detecciones futuras. En la práctica, nuestros Supply Chain Scientists implementan de manera proactiva el tipo más frecuente de problemas como parte del borrador inicial de los paneles de “salud de datos”.

Consulta Salud de Datos en The Data Extraction Pipeline para obtener más información sobre la salud de los datos.

4.2 ¿Limpian automáticamente los datos históricos?

Resumen Ejecutivo: Sí, en el sentido de que Lokad no espera que nuestro(s) cliente(s) preprocesen manualmente los datos comerciales antes de proporcionárnoslos. Además, toda la tubería de datos (construida entre Lokad y cada cliente) se ejecuta sin supervisión con todos los procesos completamente automatizados.

Lokad rara vez “limpia” los datos históricos; al menos, no en el sentido habitual. Hay varias tecnologías obsoletas que requieren una preparación extensa (“limpieza”) de los datos históricos para funcionar. Por ejemplo, los antiguos sistemas de series temporales típicamente esperaban que se corrigieran las caídas de la demanda (faltantes de stock) y los aumentos de la demanda (promociones) para mantener los pronósticos coherentes.

Esto es un reflejo de las limitaciones del enfoque de series temporales. Como resultado, los datos históricos deben prepararse extensamente para hacerlos más adecuados (de alguna manera) para un sistema defectuoso (series temporales). Llamar a este proceso “limpieza de datos” es engañoso porque da la impresión de que el problema radica en los datos históricos, mientras que la causa raíz es el diseño defectuoso del sistema que procesa los datos históricos.

En cambio, la tecnología de modelado predictivo de Lokad va mucho más allá del enfoque de series temporales. A través de la programación diferenciable, podemos procesar cualquier tipo de datos relacionales, en lugar de quedarnos con una “serie temporal”. Esto significa que todos los factores causales (por ejemplo, precios, stocks, eventos, etc.) que subyacen tanto a la demanda como al tiempo de entrega se incorporan explícitamente al modelo. La integración causal es mucho mejor que la limpieza de datos, cuando corresponde, porque los datos limpios son irreales (nadie sabrá con certeza cuál habría sido el valor de la demanda si no hubiera habido un faltante de stock).

Ocasionalmente, los datos comerciales (históricos o no) requieren correcciones. Lokad intenta proporcionar esas correcciones automáticamente siempre que sea posible, posiblemente aprovechando el aprendizaje automático según el escenario. Por ejemplo, la matriz de compatibilidad mecánica entre automóviles y piezas se puede mejorar automáticamente con un método de aprendizaje semi-supervisado (ver Optimización de precios para el mercado automotriz).

4.3 ¿Permite a los usuarios limpiar manualmente los datos históricos?

Sí, si el cliente desea esta funcionalidad, Lokad puede proporcionar un flujo de trabajo con este propósito. Sin embargo, normalmente no recomendamos a los usuarios finales que limpien manualmente los datos.

Otros software/soluciones imponen numerosas tareas manuales a sus usuarios finales. En cambio, los Supply Chain Scientists de Lokad diseñan algoritmos de extremo a extremo (“recetas numéricas”) que se adaptan a los datos tal como existen. Para nosotros, la limpieza manual de datos por parte del cliente es la excepción, no la norma.

Ver también Gestión y limpieza de datos 4.2 en esta sección de preguntas frecuentes.

4.4 ¿Cómo se limpiarán, gestionarán y mantendrán los datos para evitar errores innecesarios en el modelo?

Los Supply Chain Scientists de Lokad son responsables de la configuración del flujo de datos. Los datos deben prepararse, pero lo más importante es que los modelos predictivos deben diseñarse para adaptarse a los datos tal como existen actualmente. El Supply Chain Scientist introduce los instrumentos (por ejemplo, paneles de control dedicados) para monitorear los datos de entrada sin procesar y los datos preparados para asegurarse de que las decisiones de la cadena de suministro generadas por Lokad sean sólidas.

Muchas soluciones alternativas solo consideran el problema a través del prisma de la preparación de datos, donde cualquier salida incorrecta debe corregirse ajustando la entrada. Estas soluciones no son programáticas, por lo que los modelos centrales no se pueden modificar, solo se pueden modificar sus entradas. Sin embargo, Lokad adopta un enfoque tecnológico diferente. Apoyamos una tecnología predictiva programática (a través de la programación diferenciable). Por lo tanto, cuando nos enfrentamos a salidas inadecuadas (es decir, malas decisiones de la cadena de suministro), podemos corregir tanto las entradas como los modelos (o ambos).

Casi invariablemente, es la combinación de los dos ajustes: una mejor preparación de datos y un mejor procesamiento de datos, lo que conduce a resultados satisfactorios, y omitir uno de los dos es una receta para obtener resultados decepcionantes.

Ver también Gestión y limpieza de datos 4.2 en esta sección de preguntas frecuentes.

Ver también La tubería de extracción de datos para obtener más información sobre la transferencia automatizada de datos entre los clientes y Lokad.

4.5 ¿Gestionan y mantienen los datos maestros (que respaldan los esfuerzos de pronóstico)?

Sí, si así lo solicita la empresa cliente.

Sin embargo, recomendamos encarecidamente no utilizar la plataforma de Lokad para este propósito. En nuestra opinión, las herramientas analíticas (como Lokad) deben mantenerse estrictamente separadas de las herramientas de entrada de datos, como un sistema de gestión de datos maestros.

Como regla general, para evitar la dependencia de un proveedor, sugerimos evitar las herramientas de software empresarial que abarcan todo. Los requisitos de diseño para la gestión de datos maestros son completamente diferentes de los de la analítica predictiva. La plataforma de Lokad podría ser un buen gestor de datos maestros, pero nunca será excelente (nuestro diseño se basa demasiado en la analítica predictiva para eso), y, por otro lado, la mayoría de los gestores de datos maestros son absolutamente terribles para la analítica.

4.6 ¿Pueden los usuarios cargar datos de ventas e información de marketing (incluidos planes/ideas futuras)?

Sí.

La plataforma de Lokad es capaz de recibir y procesar múltiples fuentes de datos, en muchos formatos de datos, incluidas hojas de cálculo de Excel. Nuestra plataforma también es capaz de procesar datos tal como se encuentran en los departamentos de ventas y marketing (es decir, en la granularidad en que se almacenan).

Los equipos de ventas y marketing rara vez proporcionan datos organizados a nivel de SKU, o incluso SKU x Ubicación, que es nuestro nivel de granularidad preferido. Dada esta limitación, la plataforma de Lokad está diseñada para aprovechar los datos de entrada (por ejemplo, de ventas y marketing) que están en diferentes niveles de granularidad en comparación con los pronósticos de salida previstos (por ejemplo, SKU x Ubicación).

4.7 ¿Archivan la demanda histórica y los pronósticos para analizar el pronóstico de cascada?

Sí, normalmente archivamos todos los pronósticos anteriores, incluida la demanda, el tiempo de entrega, las devoluciones, etc.

Hemos desarrollado técnicas avanzadas de compresión para limitar los costos de almacenamiento de datos asociados con estrategias de archivo a gran escala. También hemos adoptado un diseño general que garantiza que los datos archivados, incluso en grandes cantidades, no interfieran con el rendimiento diario de la plataforma (por ejemplo, los cálculos y las visualizaciones del panel de control no se ralentizan debido a los datos archivados).

El diseño de la plataforma de Lokad difiere significativamente de las soluciones alternativas que se ven gravemente penalizadas, ya sea en costos o en rendimiento (o ambos) cuando se implementan estrategias de archivo extensivas. Si bien esas soluciones alternativas nominalmente ofrecen capacidades de archivo extensivas, en la práctica, dichos archivos se truncan severamente para mantener la solución en funcionamiento. Esto no ocurre con Lokad. Incluso considerando empresas clientes a gran escala, mantener años de archivos flotando alrededor suele ser un problema menor.

4.8 ¿Archivan las entradas/manipulaciones manuales para analizar el impacto de los ajustes en las métricas de demanda?

Sí. Lokad archiva todas las entradas manuales, incluidas las cargas manuales de hojas de cálculo de Excel. Cuando se utilizan entradas manuales para alterar los modelos/pronósticos predictivos (“anulaciones”, normalmente con la intención de refinar los modelos/pronósticos), utilizamos esos archivos para cuantificar la mejora (o degradación) en términos de precisión predictiva introducida. Este trabajo normalmente lo realizan los científicos de la cadena de suministro de Lokad.

La plataforma de Lokad cuenta con capacidades completas de versionado tanto para los datos como para el código/scripts. Esto es fundamental, ya que debemos asegurarnos de que, al realizar pruebas retrospectivas, los datos comerciales “normales” (por lo general, los datos históricos obtenidos de los sistemas comerciales) utilizados junto con las entradas manuales sean exactamente los mismos que cuando se proporcionaron originalmente las entradas manuales.

Los datos comerciales suelen actualizarse automáticamente. Sin embargo, utilizar la última versión de los datos comerciales no refleja adecuadamente la situación tal como era en el momento en que se proporcionó la corrección o entrada manual. De manera similar, el código predictivo utilizado por Lokad podría haber evolucionado desde el momento en que se proporcionó la entrada manual. De hecho, la entrada manual podría haberse proporcionado para solucionar un defecto en el código predictivo que desde entonces se ha resuelto.

La plataforma de Lokad también cubre estas situaciones, evitando conclusiones incorrectas completas. Considere situaciones en las que las entradas manuales se evalúan posteriormente como “incorrectas” cuando, de hecho, eran relevantes al considerar las condiciones exactas en el momento en que se proporcionaron las entradas manuales.

5. Clasificación y Agrupación de Productos

5.1 ¿Identifican productos de movimiento lento y patrones de demanda irregular?

Resumen Ejecutivo: Sí, la tecnología predictiva de Lokad proporciona una caracterización cuantitativa muy completa de todos los SKU de interés.

En particular, el enfoque de pronóstico probabilístico de Lokad es adecuado para abordar patrones de demanda intermitentes e irregulares. Al evaluar las probabilidades de eventos raros, Lokad puede identificar la “irregularidad” de la demanda, algo que normalmente refleja que los consumidores individuales compran muchas unidades a la vez. Por ejemplo, un cliente compra todo el inventario disponible de interruptores de luz (idénticos) en una ferretería, lo que provoca un faltante de stock a nivel de SKU.

La programación diferenciable, el paradigma de aprendizaje automático de Lokad, es ideal para hacer frente a la “ley de los números pequeños” que caracteriza la mayoría de las situaciones de la cadena de suministro. Los productos de movimiento lento, por diseño, vienen con un número muy limitado de puntos de datos. De manera similar, los picos encontrados en la demanda irregular también son, por diseño, raros. Por lo tanto, la eficiencia de los datos del modelo predictivo es fundamental. En este sentido, la programación diferenciable es superior a las alternativas en su capacidad para reflejar conocimientos de alto nivel proporcionados a través de la estructura misma del modelo.

Las soluciones alternativas suelen fallar en presencia de productos de movimiento lento y patrones de demanda irregular. Los pronósticos clásicos (es decir, los pronósticos no probabilísticos) no pueden abordar los productos de movimiento lento sin recurrir a una demanda fraccionaria que no es “real”. Esta demanda fraccionaria (por ejemplo, 0.5 unidades), aunque es “matemáticamente” correcta, no es una forma viable de tomar decisiones sensatas en la cadena de suministro, ya que naturalmente se deben pedir números enteros de unidades.

De manera similar, los pronósticos clásicos no pueden reflejar matemáticamente la “irregularidad” de la demanda.

Por ejemplo, un pronóstico probabilístico puede reflejar que una librería vende 1 unidad por día (en promedio), compuesta por una combinación de 1 profesor que compra 20 libros al mes en promedio, más 1 estudiante que compra 1 libro cada 2 días (en promedio).

Esta información se reflejará en la distribución de probabilidad de demanda del modelo. Sin embargo, para un pronóstico clásico de series de tiempo, transmitir la realidad matizada de la demanda, como las compras a granel esporádicas, no es factible. Solo predeciría una demanda promedio de 1 libro por día, sin capturar el patrón real de la demanda y, por lo tanto, distorsionando la verdadera naturaleza de las ventas. Esto, a su vez, limita en gran medida el alcance de las decisiones de inventario financieramente sensatas que se pueden tomar.

5.2 ¿Identificas inventario lento o obsoleto y proporcionas recomendaciones para “mantener o vender”?

Sí. Lokad identifica el inventario lento utilizando pronósticos probabilísticos, lo que permite tomar decisiones tempranas y ajustadas al riesgo para mitigar los riesgos de exceso de stock y stock muerto. Las recomendaciones van más allá de “mantener o vender”, e incluyen descuentos, reubicaciones y ajustes para evitar la canibalización.

La identificación de SKU (según la demanda) de movimiento lento u obsoleto se realiza con pronósticos de demanda probabilísticos. Los pronósticos probabilísticos son excelentes para identificar y evaluar riesgos, incluidos los riesgos de exceso de inventario y el inventario de stock muerto. Esto nos permite tomar decisiones ajustadas al riesgo cuando se combinan con nuestras capacidades de optimización estocástica. Por lo tanto, los riesgos de inventario se cuantifican para todos los SKU en todas las etapas de su ciclo de vida. Este diseño es fundamental, ya que nos permite identificar lo antes posible (y abordar) la mayoría de las situaciones de inventario antes de que se conviertan en un problema.

Finalmente, Lokad no se limita a recomendaciones de “mantener o vender”. Podemos proporcionar a los clientes recomendaciones que reflejen todo el espectro de opciones disponibles. Por ejemplo, Lokad puede recomendar descuentos o promociones para ayudar a liquidar el stock. También podemos recomendar mover el stock a otro lugar si otros canales muestran una alta demanda. Podemos recomendar pausar temporalmente o degradar otro producto que canibalice accidentalmente la demanda de otro SKU.

En resumen, los Supply Chain Scientists de Lokad están ahí para asegurarse de que no se deje ninguna piedra sin remover antes de declarar que un stock está “muerto”.

Ver también Clasificación y agrupación de productos 5.1 en esta sección de preguntas frecuentes.

5.3 ¿Permites a los usuarios gestionar flujos de trabajo de datos de productos jerárquicos (de arriba hacia abajo, de abajo hacia arriba y de la mitad hacia afuera)?

Sí. Dado que la plataforma de Lokad es programática, podemos abordar cualquier flujo de trabajo razonablemente bien especificado para nuestros clientes. Ejemplos incluyen cualquier flujo de trabajo que opere a lo largo de las jerarquías de productos existentes del cliente.

En nuestra opinión, el retorno de la inversión (ROI) del cliente al permitir que sus empleados naveguen por dichos flujos de trabajo es muy incierto. La necesidad misma de dichos flujos de trabajo refleja defectos profundos en el software de la cadena de suministro que deben corregirse desde adentro hacia afuera, aprovechando la mayor automatización posible.

La plataforma de Lokad proporciona capacidades extensas para visualizar los datos a lo largo de todas las dimensiones relevantes: jerarquías de productos, regiones, horizontes de tiempo/desfases, proveedores, tipos de clientes, etc. Estas capacidades son fundamentales para identificar tanto defectos como áreas de mejora. Sin embargo, aprovechar estas capacidades para un “flujo de trabajo” generalmente es un enfoque equivocado (aunque sencillo para Lokad). En cambio, recomendamos modificar directamente las recetas numéricas subyacentes (código) operadas por Lokad para eliminar la necesidad de que los profesionales de la cadena de suministro gestionen los flujos de trabajo en absoluto.

Muchas soluciones alternativas no cuentan con capacidades programáticas. Como resultado, cuando se identifica un defecto, generalmente no hay más opciones que esperar a la próxima versión del software (posiblemente años en el futuro) o optar por la personalización, un camino que generalmente trae problemas, ya que la empresa cliente termina con un producto de software no mantenido.

5.4 ¿Permites a los usuarios organizar elementos relacionados jerárquicamente y agruparlos en función de una variedad de factores?

Sí.

Lokad’s plataforma proporciona capacidades extensas que permiten a los usuarios agrupar elementos (por ejemplo, SKU, productos, clientes, proveedores, ubicaciones, etc.) según una amplia variedad de factores, incluidas las entradas manuales.

Dado que la plataforma de Lokad es programática, siempre que el criterio de agrupación o proximidad se pueda expresar numéricamente, es sencillo agrupar los elementos del cliente en consecuencia. Esta tarea la llevan a cabo los Supply Chain Scientists de Lokad.

En relación con esto, la plataforma de Lokad también puede aprovechar las relaciones entre elementos relacionados jerárquicamente con fines predictivos u de optimización. En particular,

La plataforma de Lokad adopta una perspectiva relacional para todas sus herramientas numéricas. La perspectiva relacional va más allá de las series temporales y los gráficos al combinar datos relacionales y jerárquicos. Esta perspectiva relacional impregna nuestras herramientas, incluidas nuestras herramientas de aprendizaje automático. Este aspecto es fundamental para aprovechar las relaciones disponibles más allá de simples fines de visualización.

5.5 ¿Qué tipo de clasificación de productos ofrece (ABC / XYZ…) basada en datos históricos de ventas?"

Resumen ejecutivo: Lokad puede ofrecer clasificaciones de productos flexibles ABC y ABC XYZ, adaptándose a variaciones y exclusiones, si el cliente lo desea. Sin embargo, consideramos que estas clasificaciones (y sus contemporáneas) están desactualizadas. La posición de Lokad es que la gestión moderna de la cadena de suministro debe centrarse en ideas prácticas que conduzcan a decisiones ajustadas al riesgo, en lugar de confiar en herramientas de categorización simplistas.

La plataforma de Lokad admite todos los esquemas de clasificación principales, incluidos ABC y ABC XYZ Analysis, etc. Dado que la plataforma de Lokad es programática, también es sencillo adaptarse a todas las variaciones sutiles que existen al definir cuidadosamente dichas clases (por ejemplo, reglas de exclusión sutiles). Sin embargo, las clasificaciones de productos (como las mencionadas anteriormente) son un enfoque tecnológicamente obsoleto para los problemas y la optimización de la cadena de suministro.

Algunos proveedores de software de cadena de suministro, especialmente aquellos que cuentan con tecnologías obsoletas, presentan con orgullo el Análisis ABC o el Análisis ABC XYZ. Sin embargo, invariablemente, las clasificaciones que proporcionan estas herramientas se utilizan para mitigar los numerosos defectos de la solución de software que el cliente ya está utilizando, tratando así los síntomas pero no la causa del problema(s). Estas herramientas se utilizan como mecanismos de priorización de atención rudimentarios. Esta no es una forma adecuada de abordar los problemas de interés, como la demanda intermitente o volátil.

En primer lugar, los defectos fundamentales deben abordarse para liberar a los profesionales de la cadena de suministro de estas revisiones tediosas. En segundo lugar, las clasificaciones basadas en el volumen son demasiado rudimentarias para tener algún valor práctico y hacen un uso muy deficiente del tiempo de los profesionales de la cadena de suministro.

Por eso, los Supply Chain Scientists de Lokad guían a los clientes hacia decisiones que reflejen el impacto financiero de una posible decisión/llamada de la cadena de suministro (normalmente medido en dólares o euros). A menos que los elementos y las decisiones se prioricen en función de su ROI (retorno de la inversión) en la línea de fondo, cualquier intento de “priorización” u “optimización” es fundamentalmente inútil.

Consulta ABC XYZ en 3 minutos y El Análisis ABC no funciona para obtener más información sobre las limitaciones de estas herramientas de clasificación.

5.6 ¿Proporcionas agrupación/estratificación de productos y/o tiendas?

Sí.

La plataforma de Lokad proporciona capacidades de agrupación/estratificación para cualquier elemento de interés, como tiendas, productos, clientes, SKU, proveedores, etc. Esto se debe a las capacidades de procesamiento de nuestra plataforma cuando se trata de datos relacionales. Esto nos permite abordar elementos complejos que no se pueden “aplanar” en una serie fija de propiedades. Además, a través de la programación diferenciable, Lokad puede aprender/ajustar las métricas de similitud utilizadas para agrupar elementos de manera que sean particularmente útiles para una tarea determinada, como el pronóstico.

Consulta Ilustración: Agrupación para obtener más información sobre las capacidades de agrupación de Lokad con solo unas pocas líneas de código Envision.

5.7 ¿Refinas el pronóstico con jerarquías de productos/ubicaciones y/o agrupación?

Sí.

Lokad aprovecha al máximo la estructura relacional de los datos de entrada. Nuestro enfoque de programación diferenciable es particularmente hábil para procesar datos relacionales. Así es como Lokad puede aprovechar jerarquías, listas, opciones, gráficos, atributos numéricos y categóricos para sus modelos predictivos. Además, nuestros modelos predictivos pronostican todas las fuentes de incertidumbre de la cadena de suministro, incluyendo la demanda, los tiempos de entrega, las devoluciones, los rendimientos, los precios de los productos básicos, etc.

La agrupación se puede utilizar para identificar un patrón relevante para el pronóstico de interés. Por ejemplo, todas las ciclicidades típicas (por ejemplo, día de la semana, semana del mes, semana del año, etc.) y las cuasiciclicidades (por ejemplo, Semana Santa, Año Nuevo Chino, Ramadán, Black Friday, etc.) pueden beneficiarse de este tipo de técnica. La plataforma de Lokad proporciona un amplio soporte para instrumentar la agrupación con fines predictivos.

Consulta Ilustración: Ciclicidades basadas en agrupación para obtener más información sobre este punto.

6. Eventos y Variables Explicativas

6.1 ¿Identificas eventos excepcionales (por ejemplo, eventos de falta de stock) y promociones en los datos históricos?

Resumen Ejecutivo: Sí. Lokad enriquece los datos históricos con eventos excepcionales conocidos utilizando programación predictiva, mejorando la precisión en comparación con los pronósticos tradicionales de series temporales. Este enfoque maneja datos incompletos y puede reconstruir eventos perdidos (como solución alternativa cuando no se dispone de un registro directo de eventos históricos).

Los datos históricos vienen con numerosos eventos que distorsionan las mediciones (por ejemplo, demanda, tiempo de entrega, etc.). Lokad opera a través de paradigmas de programación predictiva, como la programación diferenciable, que nos permite enriquecer la historia de referencia con todos esos eventos. Sin embargo, como regla general, esos eventos excepcionales no se “identifican”, ya se conocen de antemano. Si se han perdido eventos destacados, entonces Lokad puede operar un modelo predictivo para reconstruir dichos eventos.

Las antiguas tecnologías de pronóstico, ahora obsoletas, solían ser incapaces de lidiar con cualquier cosa excepto series temporales simples/desnudas. Como resultado, cada distorsión que se aplicaba a la demanda tenía que corregirse de antemano, de lo contrario, los pronósticos se degradarían/se sesgarían gravemente. Desafortunadamente, este enfoque es defectuoso por diseño porque esos pronósticos de series temporales terminan construyéndose sobre otros pronósticos, acumulando así inexactitudes.

La tecnología predictiva de Lokad no sufre el mismo problema, ya que admite variables explicativas adicionales. En lugar de pretender que sabemos con certeza lo que habría sucedido sin los eventos históricos (como un faltante de stock), el modelo predictivo refleja la variable explicativa en sus resultados (es decir, sus pronósticos). Esta metodología no requiere un enfoque por fases para el pronóstico. Además, puede aprovechar datos incompletos, como un faltante de stock encontrado al final del día después de una venta récord de unidades, información que sigue siendo muy relevante, incluso en su forma incompleta.

Si se han perdido o simplemente nunca se han registrado eventos destacados (por ejemplo, faltantes de stock), entonces Lokad es capaz de reconstruir dichos eventos a través de un análisis de los datos históricos. Sin embargo, no importa cuán precisamente estadísticamente pueda ser esta reconstrucción, siempre será menos precisa que un registro directo de los eventos a medida que ocurren. Por eso, Lokad suele historizar indicadores como los niveles de stock cuando esos indicadores no se archivan correctamente en los respectivos sistemas empresariales.

6.2 ¿Identifican eventos excepcionales y festivos (móviles)?

Sí. Los modelos predictivos de Lokad se adaptan a eventos excepcionales y festivos. Nuestros Supply Chain Scientists evalúan los impactos, proporcionando a los clientes un modelo transparente y conocimientos sobre los efectos de un evento específico en la dinámica de la cadena de suministro del cliente.

Lokad identifica todos los eventos excepcionales y adapta la estructura misma de sus modelos predictivos para reflejarlos. Sin embargo, para todos los patrones cuasi-cíclicos (por ejemplo, Semana Santa, Año Nuevo Chino, Ramadán, Black Friday, etc.), la identificación es un hecho: ya sabemos que el evento existe y tiene impacto. La única pregunta que queda por responder es la cuantificación del impacto del evento.

Al permitir que los Supply Chain Scientists realicen una evaluación de alto nivel sobre el impacto (o la falta de impacto) de un evento conocido, obtenemos un modelo predictivo con una eficiencia de datos mucho mayor. La alta eficiencia de datos es fundamental para mantener la precisión del modelo predictivo cuando hay pocos datos disponibles, como suele ser el caso en situaciones de cadena de suministro.

Además, cuando Lokad identifica y nombra explícitamente los patrones, el personal de la cadena de suministro del cliente se beneficia de un modelo predictivo de caja blanca que viene con factores semánticos. Por ejemplo, el impacto del Black Friday (si lo hay) viene con un factor dedicado evaluado a partir de los datos históricos. El profesional de la cadena de suministro puede utilizar este factor para comprender qué productos son más sensibles al Black Friday específicamente, aislando todos los demás patrones que están en juego, como la estacionalidad (es decir, la ciclicidad anual).

Ver también Eventos y Eventos Explicativos 6.1 en esta sección de preguntas frecuentes.

6.3 ¿Gestionan las situaciones de falta de stock como una variable explicativa?

Sí. Lokad incorpora las situaciones de falta de stock directamente en sus modelos predictivos, abordando tanto los faltantes de stock completos como parciales sin tener que recurrir a la reconstrucción de demanda “falsa” para completar los vacíos en los datos. En cambio, modelamos directamente lo que generalmente se conoce como la demanda censurada. Además, Lokad es capaz de tener en cuenta los faltantes de stock parciales (cuando el faltante ocurre durante el día laboral) y aprovechar la información correspondiente.

Más en general, Lokad también es capaz de manejar todos los artefactos inducidos resultantes de los faltantes de stock. Dependiendo de las especificidades de la empresa cliente, esos artefactos pueden variar considerablemente. Por ejemplo, puede haber un aumento repentino de la demanda al final del período de falta de stock, si los consumidores son lo suficientemente leales como para esperar. También puede haber pedidos pendientes, aunque sufriendo una disminución parcial ya que algunos consumidores pueden negarse a retrasar su compra. Etc.

Los Supply Chain Scientists, empleados por Lokad, están ahí para asegurarse de que los faltantes de stock se modelen de manera adecuada y reflejen genuinamente la dinámica del negocio de la empresa cliente.

Consulte las discusiones sobre “Enmascaramiento de pérdidas” en Modelado predictivo estructurado para Supply Chain y “Modelo de tiempo de entrega incompleto” en Pronóstico de tiempo de entrega para obtener más información sobre cómo Lokad maneja estas situaciones.

6.4 ¿Realizan pronósticos de promociones?

Sí. La tecnología predictiva de Lokad puede pronosticar la variación de la demanda impactada por los mecanismos promocionales. El mecanismo promocional puede incluir variaciones en las etiquetas de precio, cambios en los rangos de visualización (ecommerce), cambios en los surtidos, cambios en la visibilidad (por ejemplo, góndolas en el comercio minorista), etc. En resumen, Lokad ofrece pronósticos probabilísticos para promociones, al igual que lo hace para todas las fuentes potenciales de incertidumbre en la cadena de suministro (por ejemplo, demanda, tiempo de entrega, devoluciones, etc.).

Las decisiones de la cadena de suministro de Lokad, como el reabastecimiento de inventario, tienen en cuenta no solo la actividad promocional planificada para el futuro, sino también el potencial de dicha actividad. Por ejemplo, si la empresa cliente tiene la posibilidad de hacer promociones y sus clientes (por lo general) responden bien a las promociones, significa que la empresa cliente puede ser un poco más agresiva con sus stocks. Esto se debe a que las promociones son una herramienta efectiva para mitigar los excesos de inventario. Por el contrario, si la empresa cliente tiene una clientela que responde en gran medida a las promociones, entonces debe prestar más atención a los excesos de inventario. Esto se debe a que carece de este mecanismo para mitigarlos.

Lokad genera decisiones ajustadas al riesgo (y ajustadas a opciones) generadas mediante el aprovechamiento de pronósticos probabilísticos. Estos pronósticos son esenciales para evaluar los riesgos en primer lugar. A partir de eso, utilizamos la optimización estocástica, en términos simples, una operación matemática, para elaborar decisiones que maximicen el ROI (retorno de la inversión) del cliente dadas sus múltiples fuentes de incertidumbre (por ejemplo, demanda, tiempo de entrega, promociones, devoluciones, etc.).

6.5 ¿Identifican y pronostican nuevos lanzamientos y sustituciones de productos?

Resumen Ejecutivo: Sí, Lokad pronostica la demanda de todos los productos, incluidos los nuevos. Hacemos esto independientemente de la cantidad de datos históricos que estén disponibles para los productos, lo cual probablemente sea cero si el producto aún no se ha lanzado.

Para producir pronósticos estadísticos en las condiciones mencionadas, Lokad suele aprovechar (a) toda la historia de lanzamientos dentro de la empresa cliente, (b) los atributos del producto para posicionarlo en la oferta, (c) los productos alternativos que proporcionan tanto una línea de base como un potencial de canibalización, y (d) las operaciones de marketing que respaldan este lanzamiento específico.

Si un producto se posiciona en la oferta del cliente como el reemplazo explícito de un producto anterior, entonces la tarea de pronóstico es mucho más sencilla. Sin embargo, no recomendamos adoptar este enfoque a menos que el personal de la cadena de suministro del cliente esté convencido de que los productos antiguos y nuevos son verdaderamente equivalentes para los consumidores. En la práctica, el lanzamiento de un producto rara vez es una sustitución uno a uno entre productos nuevos y antiguos. Por lo tanto, Lokad utiliza tecnología superior para aprovechar todos los datos históricos, en lugar de designar un producto para proporcionar la pseudo-historia del nuevo producto que se está lanzando.

Además, Lokad genera pronósticos probabilísticos para los lanzamientos de productos. Esto es particularmente importante porque los pronósticos clásicos (es decir, no probabilísticos) desestiman por completo los patrones de acierto o error que tienden a ser prevalentes al lanzar nuevos productos. Los pronósticos probabilísticos, por otro lado, cuantifican esta incertidumbre, lo que nos permite generar decisiones de cadena de suministro ajustadas al riesgo.

En la mayoría de los sistemas empresariales, la fecha de lanzamiento del producto se identifica correctamente, por lo que no es necesario identificarla en sí. Sin embargo, si los datos de lanzamiento no se registran o se registran incorrectamente, Lokad puede proceder con una reconstrucción real de esta información. Naturalmente, los registros de ventas anteriores representan una línea de base para el lanzamiento.

Sin embargo, a veces, en caso de demanda intermitente, puede pasar mucho tiempo antes de que el producto venda su primera unidad. Los científicos de la cadena de suministro de Lokad tienen varias heurísticas a su disposición para adaptarse a estas situaciones.

Ver también Eventos y Eventos Explicativos 6.1 en este FAQ.

6.6 ¿Cómo pronostican nuevos artículos o nuevas ubicaciones sin historial de ventas?

Lokad utiliza lanzamientos anteriores y ventas actuales, enfatizando la importancia de los atributos (formales y textuales), para predecir la demanda de nuevos artículos/ubicaciones.

Si bien un artículo puede ser “nuevo”, generalmente no es el primer artículo “nuevo” que lanza la empresa cliente. La tecnología predictiva de Lokad aprovecha los lanzamientos anteriores de artículos, así como los volúmenes de ventas actuales, para pronosticar la demanda de un nuevo artículo. En particular, la disponibilidad de atributos formales (por ejemplo, color, tamaño, forma, punto de precio, etc.), así como atributos textuales (por ejemplo, etiqueta, descripción breve, comentarios, etc.), son críticamente importantes para ubicar matemáticamente el artículo en la oferta más amplia de la empresa.

El proceso con las nuevas ubicaciones es similar, aunque los datos suelen ser mucho más limitados. Si bien es común que las empresas lancen miles de nuevos productos al año (especialmente en sectores como la moda), muy pocas empresas pueden afirmar que lanzan incluso cien nuevas ubicaciones al año. Sin embargo, al aprovechar los atributos y las características de la nueva ubicación, Lokad puede producir un pronóstico incluso cuando esta ubicación en particular no tiene historial de ventas.

Ver también Eventos y Eventos Explicativos 6.5 en este FAQ.

6.7 ¿Consideran los artículos predecesores, posiblemente marcados o equivalentes/similares?

Sí, si los artículos lanzados vienen con artículos “predecesores” o “similares”, la tecnología predictiva de Lokad es capaz de aprovechar esta información para refinar sus pronósticos.

Podemos adaptarnos a todo el espectro de confianza en la información proporcionada, desde “este nuevo producto es un equivalente casi perfecto a este otro producto” hasta “estos dos productos se parecen vagamente”. También se pueden proporcionar varios predecesores si no hay un artículo “más similar” claro.

Mientras que las antiguas tecnologías de pronóstico (ahora obsoletas) obligaban a los profesionales de la cadena de suministro a emparejar manualmente productos antiguos y nuevos, esto no es el caso con Lokad. Suponiendo que se dispone de alguna información básica, nuestra tecnología es capaz de aprovechar los datos históricos de otros productos para pronosticar un nuevo artículo. La información básica relevante incluye las etiquetas de los productos y los puntos de precio.

Como regla general, fomentamos enriquecer los datos maestros para fomentar mejores asociaciones automatizadas. Esto, en nuestra opinión, es preferible a obligar al personal de la cadena de suministro del cliente a la tediosa actividad de emparejar manualmente. El retorno de la inversión (ROI) para mejorar los datos maestros suele ser vastamente superior a los emparejamientos, ya que los datos maestros también pueden afectar directamente a numerosas operaciones posteriores al lanzamiento.

Ver también Eventos y Eventos Explicativos 6.5 en este FAQ.

6.8 ¿Detectan la canibalización? ¿Evalúan el impacto en el producto que canibaliza y en los productos canibalizados?

Sí, la tecnología predictiva de Lokad tiene en cuenta la canibalización (y las sustituciones) como parte de su análisis de la demanda.

Aunque las situaciones varían, el modelo es típicamente simétrico, por lo que el modelo cuantifica tanto el producto que está canibalizando como el producto que está siendo canibalizado. Nuestro enfoque tiene en cuenta la composición de la oferta, que puede variar de una tienda a otra o de un canal de ventas a otro.

Si se pueden identificar a los clientes (nota: con identificadores anónimos, ya que Lokad no necesita/utiliza datos personales), entonces Lokad puede explotar el grafo bipartito que conecta a los clientes y los productos. Este grafo temporal (que conecta productos y clientes a través de sus transacciones) suele ser la mejor fuente de información para cuantificar la canibalización. Si esta información no está disponible, Lokad aún puede operar aunque con una precisión reducida en lo que respecta a los detalles de la canibalización en sí.

Las técnicas predictivas de Lokad difieren bastante radicalmente de los modelos clásicos de series temporales. Los modelos de series temporales simplemente no son lo suficientemente expresivos como para tratar con la canibalización. De hecho, una vez que los datos históricos se han transformado en datos de series temporales, la mayor parte de la información relevante para abordar la canibalización ya se ha perdido. Esta información perdida no se puede recuperar más tarde, sin importar cuán sofisticados sean los modelos de series temporales. En cambio, Lokad utiliza la programación diferenciable para sus modelos predictivos, un enfoque mucho más expresivo que los modelos de series temporales obsoletos.

6.9 ¿Permiten agregar o actualizar variables explicativas? ¿Se pueden actualizar manualmente esas variables?

Sí. La plataforma de Lokad es programática y, literalmente, tan flexible como una hoja de cálculo de Excel cuando se trata de la inclusión de actualizaciones de variables explicativas. También es posible, si se desea, transmitir las variables explicativas a través de hojas de cálculo reales.

La programación diferenciable, el enfoque de Lokad para el modelado predictivo, facilita el aprendizaje de modelos que incorporan variables explicativas arbitrarias. Las variables explicativas no tienen que expresarse en “unidades pronosticadas” ni estar alineadas de otra manera con el proceso de pronóstico. A través de la programación diferenciable, es posible integrar variables explicativas dejando muchas relaciones “no cuantificadas”, lo que permite que el proceso de aprendizaje sea realizado por la plataforma de Lokad. Además, la cuantificación de la(s) relación(es) está disponible para el profesional de la cadena de suministro. De esta manera, el profesional de la cadena de suministro puede obtener información sobre si la variable explicativa realmente está ganando importancia dentro del modelo predictivo.

Algunas tecnologías de pronóstico antiguas (ahora obsoletas) imponían una relación directa entre las variables explicativas y los pronósticos deseados. Por ejemplo, las variables explicativas debían estar relacionadas linealmente con la señal de demanda; las variables explicativas debían expresarse con la misma granularidad que los pronósticos; y/o las variables explicativas debían ser homogéneas con los datos históricos, etc. La tecnología de Lokad no sufre estas limitaciones.

Además, las capacidades programáticas de la plataforma de Lokad pueden organizar las variables explicativas para que su mantenimiento sea lo más sencillo posible para el personal de la cadena de suministro del cliente. Por ejemplo, es posible comenzar con una hoja de cálculo de Excel para reflejar las variables explicativas y luego pasar a la integración automatizada de datos. Esta transición puede ocurrir una vez que se considere que la precisión adicional (obtenida a través de esas variables explicativas) es suficiente para automatizar la transferencia de datos.

Consulte la discusión sobre “Integración de covariables” en Modelado Predictivo Estructurado para Supply Chain para obtener más información sobre este punto.

6.10 ¿Permite ajustar manualmente el pronóstico para eventos futuros sin datos históricos previos?

Sí. Lokad siempre permite ajustar manualmente los pronósticos, ya sea que estemos analizando elementos con o sin datos históricos. También podemos realizar un seguimiento de la calidad/precisión de los ajustes manuales. Sin embargo, al utilizar tecnología predictiva moderna, los ajustes manuales suelen ser innecesarios y en general desaconsejados.

La primera razón por la que los profesionales de la cadena de suministro sienten la necesidad de ajustar manualmente los pronósticos es porque desean alterar las decisiones resultantes de la cadena de suministro que se derivan de los pronósticos (por ejemplo, una orden de compra). En esos casos, la mayoría de las veces, el profesional de la cadena de suministro se enfrenta a un riesgo que no está adecuadamente reflejado por los pronósticos. No se trata de que los pronósticos deban ser más altos o más bajos de lo que son, sino que la decisión resultante debe ser ajustada hacia arriba o hacia abajo para reflejar el riesgo. Lokad aborda este problema a través de pronósticos probabilísticos y decisiones de cadena de suministro ajustadas al riesgo. Los pronósticos ya reflejan todos los posibles valores futuros (por ejemplo, demanda) y sus respectivas probabilidades. Por lo tanto, nuestras decisiones sugeridas ya están ajustadas al riesgo. Si las decisiones resultan incorrectas mientras el pronóstico es correcto, generalmente es necesario ajustar los impulsores económicos asociados con la decisión, no el pronóstico en sí.

La segunda razón para ajustar manualmente un pronóstico es que el pronóstico es claramente incorrecto. Sin embargo, en esas situaciones, el modelo de pronóstico (subyacente) en sí debe ser corregido. No corregirlos simplemente significa que el personal de la cadena de suministro debe seguir tratando los síntomas del problema (pronósticos inexactos) en lugar de la enfermedad en sí (un modelo de pronóstico defectuoso). Si no se corrige el modelo, los pronósticos se actualizarán a medida que haya datos más nuevos disponibles y tanto los malos pronósticos volverán a aparecer como la corrección original (si se mantiene) se convierte en una fuente de inexactitud del pronóstico.

En resumen, si el modelo de pronóstico carece de suficiente precisión (generalmente debido a información faltante), entonces la entrada del modelo debe enriquecerse para tener en cuenta la información faltante relevante. De cualquier manera, mantener en funcionamiento un modelo de pronóstico defectuoso nunca es la respuesta adecuada.

6.11 ¿Refinan los pronósticos a través de campañas de marketing y especiales?

Sí, Lokad refina sus pronósticos con esta información (si/cuando está disponible para nosotros).

La programación diferenciable, la tecnología de modelado predictivo de Lokad, es experta en procesar diferentes tipos/fuentes de datos, incluso si no coinciden estructuralmente con los datos históricos de demanda originales (los que se encuentran en los sistemas comerciales típicos de los clientes).

La programación diferenciable puede procesar fuentes de datos adicionales sin esperar que estos datos complementarios sean exhaustivos o incluso completamente correctos/precisos. Es cierto que si los datos son muy incompletos/inexactos, esto limita la precisión general obtenida al procesar estos datos en primer lugar.

Más importante aún, la tecnología predictiva de Lokad cambia la forma en que los clientes abordan sus campañas de marketing. La perspectiva clásica de pronóstico trata la demanda futura como el movimiento de los planetas: algo que está completamente fuera de nuestro control. Sin embargo, las campañas de marketing no caen del cielo. Más bien, reflejan decisiones explícitas tomadas por la empresa cliente. Con las ideas y la tecnología de Lokad, las empresas clientes pueden ajustar nuevamente sus campañas de marketing para que coincidan con lo que la cadena de suministro puede respaldar.

Por ejemplo, no tiene sentido acelerar aún más la demanda (lanzando una nueva campaña) si todos los productos ya se dirigen a faltantes de stock. Por el contrario, si los excesos de stock están aumentando, puede ser el momento de reactivar algunas campañas que se habían pausado anteriormente.

6.12 ¿Refinan los pronósticos con la elasticidad de precios? ¿Se pueden tener en cuenta proactivamente los cambios de precio planificados en el pronóstico/modelo predictivo?

Sí. Las capacidades de modelado predictivo de Lokad cubren los precios, incluida la elasticidad de precios, así como los cambios de precio planificados en el futuro. El enfoque de programación diferenciable de Lokad facilita la inclusión de una (o varias) variable(s) de precio, tanto en el pasado como en el futuro. Las instancias pasadas se utilizan para aprender la causalidad entre la variación de la demanda y la variación del precio.

La programación diferenciable nos permite aprender conjuntamente el impacto de los precios variables junto con todos los demás patrones que afectan la demanda, como las múltiples ciclicidades (por ejemplo, la estacionalidad). El modelo de causalidad luego se puede aplicar a los precios futuros, que pueden aumentarse o reducirse para reflejar la estrategia de precios cambiante de la empresa cliente.

Sin embargo, la elasticidad de precios suele ser un enfoque bastante rudimentario para modelar el efecto de los precios variables. Por ejemplo, los efectos de umbral no se pueden modelar con la elasticidad. Esto incluye escenarios en los que los consumidores responden fuertemente a una variación de precio cuando un producto se vuelve justo más barato que otro producto aparentemente equivalente. En particular, cuando los precios competitivos se recopilan a través de una herramienta de inteligencia competitiva, la elasticidad de precios resulta insuficiente para explicar las variaciones de la demanda que se explicarían mejor por los movimientos de precios de un competidor.

La plataforma de Lokad tiene capacidades que van mucho más allá de simplemente modelar la elasticidad de precios. Lokad puede, y frecuentemente lo hace, optimizar conjuntamente tanto la adquisición como los precios. Si bien la perspectiva convencional de la cadena de suministro trata la optimización de inventario y la optimización de precios como dos preocupaciones separadas, es obvio que los precios impactan la demanda, incluso cuando la “elasticidad” de precios resulta demasiado rudimentaria para reflejar con precisión este impacto. Por lo tanto, tiene mucho sentido coordinar tanto las políticas de inventario como las de precios para maximizar la rentabilidad de la cadena de suministro.

6.13 ¿Refinan los pronósticos con la actividad de la competencia (es decir, datos de inteligencia competitiva)?

Resumen ejecutivo: Sí, la tecnología predictiva de Lokad es capaz de aprovechar los datos de inteligencia competitiva para refinar los pronósticos de demanda (y los precios, si se solicita) para los clientes. Esto solo se hace cuando los datos de inteligencia competitiva están disponibles para nosotros, ya que Lokad no recopila datos de inteligencia competitiva por sí mismo. En nuestra opinión, esta tarea es mejor dejarla en manos de especialistas en extracción de datos web.

Explotar los datos de inteligencia competitiva es típicamente un proceso de dos pasos. Primero, debemos asociar (de alguna manera) los puntos de datos de la competencia con la oferta de la empresa cliente. Si la empresa cliente y sus competidores venden exactamente los mismos productos identificados por sus códigos de barras GTIN, entonces este proceso es sencillo. Sin embargo, a menudo hay numerosas complicaciones.

Por ejemplo, las empresas pueden no tener las mismas condiciones de envío (por ejemplo, tarifas y retrasos), o puede haber una promoción temporal solo elegible para titulares de una tarjeta de fidelidad. Además, los competidores no suelen vender exactamente los mismos productos (al menos no en el sentido de GTIN), pero sus ofertas, en general, compiten entre sí. En estas situaciones, las asociaciones simples uno a uno entre los productos de las respectivas empresas ya no son relevantes. Sin embargo, la tecnología predictiva de Lokad (y los científicos de la cadena de suministro) pueden abordar todas esas complicaciones.

Segundo, una vez establecidas las asociaciones, el modelo predictivo debe adaptarse para reflejar el efecto de la competencia en la demanda. Aquí, el mayor desafío es frecuentemente que el efecto viene con un retraso severo. En la mayoría de los mercados, los clientes no monitorean los precios de los competidores todo el tiempo. Por lo tanto, una gran caída de precios por parte de un competidor puede pasar desapercibida para muchos clientes durante mucho tiempo. De hecho, el efecto dominante de ser superado en precio es una lenta erosión de la cuota de mercado del cliente. Por lo tanto, es un error evaluar estrechamente el impacto de la competencia “producto por producto”. También se deben evaluar los efectos en toda la empresa.

Una vez más, los científicos de la cadena de suministro de Lokad se aseguran de que la estrategia de modelado refleje una comprensión estratégica de la empresa cliente (y su lugar dentro del mercado). Esta comprensión estratégica incluye aspectos a largo plazo, como ganar o perder cuota de mercado.

Vea las discusiones sobre ‘Resolviendo la alineación’ en Optimización de precios para el mercado automotriz para obtener más información sobre este punto.

Vea también Eventos y Variables Explicativas 6.12 en esta sección de preguntas frecuentes.

6.14 ¿Refina los pronósticos con datos de pronóstico del tiempo?

Resumen Ejecutivo: Sí, Lokad es capaz de refinar sus modelos predictivos con datos de pronóstico del tiempo. Tuvimos nuestro primer éxito en esta área en 2010 cuando trabajamos con un gran productor de electricidad europeo. Nuestra tecnología predictiva actual (programación diferenciable) facilita el proceso de integración de los pronósticos del tiempo en comparación con las tecnologías anteriores.

En la práctica, aunque es técnicamente posible refinar los pronósticos con datos meteorológicos, muy pocos de nuestros clientes utilizan efectivamente tales refinamientos en entornos de producción. En nuestra opinión, generalmente no vale la pena el esfuerzo. Casi siempre hay opciones más simples que proporcionan un ROI (retorno de la inversión) superior para una cantidad comparable de recursos de ingeniería.

En general, hay dos problemas principales al intentar aprovechar los datos de pronóstico del tiempo en este contexto. El primer problema es que esos pronósticos son a corto plazo. Más allá de 2 o 3 semanas, los pronósticos del tiempo vuelven a los promedios estacionales. Por lo tanto, una vez que se supera un horizonte corto, los pronósticos del tiempo no proporcionan información adicional más allá de la estacionalidad habitual. Esto significa que todas las decisiones de la cadena de suministro que no son estrictamente a corto plazo no se benefician de los datos de pronóstico del tiempo. Esto restringe severamente el alcance aplicable de esta técnica.

El segundo problema son las vastas complicaciones tecnológicas que implica la técnica. El clima es un fenómeno muy local, sin embargo, al considerar grandes cadenas de suministro, estamos efectivamente mirando cientos o miles (si no decenas de miles) de ubicaciones relevantes, distribuidas en enormes espacios geográficos (posiblemente en varios continentes). Como tal, cada ubicación podría tener un “clima” propio (hablando meteorológicamente).

Además, “clima” no es un solo número, sino una colección completa de ellos, que incluye temperatura, precipitación, viento, etc. Dependiendo del tipo de bienes que se estén atendiendo, la temperatura puede o no ser el factor dominante necesario para refinar un pronóstico de demanda.

Fundamentalmente, tratar de refinar un pronóstico de demanda con datos de pronóstico del tiempo asigna recursos (tiempo, dinero, esfuerzo, etc.) que podrían dirigirse a otro lugar (o al menos a esfuerzos de refinamiento mejores). Observamos que los pronósticos del tiempo casi nunca son una opción “competitiva” en este sentido. Por lo tanto, aunque Lokad es capaz de aprovechar los pronósticos del tiempo, recomendamos agotar todas las demás opciones potencialmente más fáciles de refinamiento antes de recurrir a los datos de pronóstico del tiempo.

6.15 ¿Refina los pronósticos para reflejar la apertura de una nueva tienda/cierre de una tienda antigua?

Sí.

La tecnología predictiva de Lokad es capaz de modelar con precisión el impacto de la apertura de una nueva tienda y/o el cierre de una antigua. Nuestra tecnología también puede modelar cierres transitorios, como cierres temporales por trabajos de renovación. Además, Lokad puede (y lo hace) tener en cuenta la variabilidad en las horas de apertura también (si los datos están disponibles para nosotros). La tecnología predictiva de Lokad (programación diferenciable) es particularmente efectiva para tratar todas estas distorsiones en la señal de demanda.

Además, cuando las tiendas están cerca unas de otras (por ejemplo, en la misma ciudad), podemos tener en cuenta el efecto de sustitución, donde los clientes que solían ir a una tienda (ahora cerrada) van a otra diferente. Si algunas transacciones se benefician de un identificador de cliente (nota: solo el identificador en bruto, ya que Lokad no necesita ningún dato personal), entonces podemos aprovechar esta información para evaluar con mayor precisión la parte exacta de la clientela que sigue a una marca determinada a pesar de los cambios de ubicación de las tiendas.

Por otro lado, en el extremo del espectro tecnológico, los modelos de series temporales (pronósticos) ni siquiera pueden representar adecuadamente la información de entrada relevante. En este caso, nos referimos a los datos transaccionales en bruto descritos anteriormente, como los que se pueden encontrar si el cliente opera programas de tarjetas de fidelidad.

Notas