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: practicantes 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 equipos de investigación¹—redefiniendo ocasionalmente el estado del arte. Sin embargo, durante la última década nos dimos cuenta de que el factor limitante más grande 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 practicantes olvidan lo incompletos—no solo inexactos—que resultan ser. 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 principal de la cadena de suministro está construida 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—suele eliminarse 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—dedicando a menudo 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 es la incertidumbre futura irreducible, los mercados globales parecen ser bastante hábiles para plantear desafíos tanto de formas antiguas (por ejemplo, guerras, tsunamis) como de formas nuevas (por ejemplo, confinamientos, 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 espera, etc.) asignando probabilidades a cada resultado individual. Como tal, los pronósticos probabilísticos abrazan la incertidumbre irreducible de los eventos futuros en lugar de desechar el caso por completo. Desde 2012, los pronósticos probabilísticos han demostrado, una y otra vez, ser un enfoque vastamente 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 aún no se limita) al pronóstico probabilístico de la demanda. Todas las demás fuentes de incertidumbre ahora están cuantificadas por la plataforma Lokad. Estas incertidumbres incluyen tiempos de espera variables, tasas de desecho variables, devoluciones de clientes variables, etc. Más ampliamente, todos los eventos futuros inciertos deben ser pronosticados, 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 espera, etc.) utilizando una serie temporal. De hecho, la mayoría de las veces el problema que estamos pronosticando ni siquiera encaja en el 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 deep learning en 2018, luego con 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 en dos aspectos principales.

Primero, 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 en gran medida de los sistemas comerciales específicos 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 desechando aspectos críticos pero matizados del negocio.

Los enfoques programáticos, sin embargo, demostraron ser una solución vastamente 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 deep learning—como comúnmente se usan en la comunidad más amplia—pero terminó renovando completamente la tecnología a la luz de los avances realizados en programación diferenciable en 2019. La intención detrás de esta revisión tecnológica completa fue convertir los datos relacionales en un ciudadano de primera clase, a diferencia de los marcos de deep learning que lo trataron—y aún lo tratan—como un ciudadano 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 más amplia de aprendizaje automático (donde predominan las imágenes, el lenguaje natural, la voz, etc.).

Segundo, la perspectiva del ‘motor de pronóstico’ no deja espacio para que la empresa moldee su propio futuro. No importa 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 espacio para ir y venir entre la planificación y la ejecución. En teoría, es posible aplicar repetidamente el motor de pronóstico sobre escenarios que se han ajustado según los pronósticos obtenidos a través de iteraciones anteriores. En la práctica, el proceso es tan tedioso que nadie realmente lo hace (al menos no por mucho tiempo).

Conclusión: 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 de otro modo pasaría por alto. Por ejemplo, si el cliente es una empresa de MRO de aviación, se vuelve posible considerar la compra y venta de rotables al mismo tiempo: las ventas de piezas no utilizadas financian la adquisición de piezas ahora muy necesarias. Tales interacciones no son necesariamente complejas o desafiantes, pero descubrirlas requiere que se considere cuidadosamente la letra pequeña del negocio. Los enfoques no programáticos inevitablemente fallan en capturar esta letra pequeña, empujando a los profesionales de la cadena de suministro de nuevo a sus hojas de cálculo². La programación diferenciable resulta ser un cambio de juego en este sentido también.

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) diseñado 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 Lokad al lograr el primer lugar (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 documento 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 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 la demanda futura la que necesita ser estimada cuantitativamente, sino todas las fuentes de incertidumbre. Estas clases incluyen los tiempos de espera futuros, las devoluciones futuras, las tasas de desecho 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.

Finalmente, 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 haber sido mitigadas 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 pronósticos.

1.2 ¿Puedes generar un pronóstico base basado en modelos estadísticos?

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

Hay dos limitaciones clave en la perspectiva de pronóstico tradicional que ha sido superada 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, por ejemplo, decisiones que reflejen el impacto financiero de ordenar X unidades o X+1 unidades, o tal vez no ordenar ninguna en absoluto. 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 deficientes (por ejemplo, órdenes de compra, asignaciones, etc.). Lokad aborda este problema a través de pronósticos probabilísticos, ya que abrazan la incertidumbre futura en lugar de desestimarla.

Segundo, el pronóstico de la demanda, aunque es probablemente el tipo de pronóstico más importante, no es el único tipo de pronóstico. Los tiempos de espera, las devoluciones, las tasas de desecho 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 emplea la solución para generar pronósticos de demanda precisos?

Lokad utiliza 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 se ubicó en 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 arañó la superficie en lo que respecta a los pronósticos de demanda, ya que el enfoque de Lokad se presta a innumerables ‘complicaciones’, como tratar 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 de stock históricos, los precios históricos, los precios competitivos 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.

Los datos externos pueden ser utilizados 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 valga los sustanciales 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 debería reservarse para empresas maduras que ya hayan agotado todas las vías más fáciles para mejorar la precisión de los pronósticos.

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

Sí. Lokad utiliza programación diferenciable y deep learning para reducir el error de pronóstico. Ocasionalmente utilizamos técnicas alternativas, como bosques aleatorios o árboles potenciados por gradiente. También utilizamos técnicas de aprendizaje automático (ML) para revisar métodos estadísticos ‘clásicos’ (por ejemplo, modelos autorregresivos), pero con métodos mucho mejorados cuando se trata de 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 cubre de hecho una amplia gama de técnicas; algunas consideradas de vanguardia y otras bastante obsoletas.

Desde nuestra perspectiva, el cambio de paradigma más importante en ML, especialmente para fines de 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 deep learning como la programación diferenciable reflejan esta nueva perspectiva que favorece la ingeniería de arquitectura sobre la ingeniería de características, y por eso Lokad utiliza este enfoque.

Para fines de cadena de suministro, la ingeniería arquitectónica 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 identifica y predice 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 de pronósticos probabilísticos, que abrazan la incertidumbre de la demanda futura al proporcionar probabilidades de grandes desviaciones en 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 temporales puntuales, que ignoran los riesgos financieros y se basan en la reducción de 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 inesperada (futura). Lokad aborda directamente este problema a través de pronósticos probabilísticos. A diferencia de los métodos convencionales de 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 en 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 dirigiendo al cliente en la dirección más ‘prudente’ o ‘recompensante’.

En contraste, y a pesar de su popularidad, los pronósticos periódicos de series temporales puntuales (también conocidos como “pronósticos clásicos”) son completamente despectivos con respecto a estos riesgos. Esta perspectiva apunta a reducir el error de pronóstico de forma aislada hasta que el error se vuelve inconsecuente. Sin embargo, esto es un pensamiento ilusorio ya que la incertidumbre futura es irreducible. Por eso, los pronósticos puntuales fallan en 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 las suposiciones/herramientas subyacentes (por ejemplo, pronósticos de series temporales puntuales) son fundamentalmente defectuosas.

Consulta pronóstico probabilístico para obtener más información sobre este concepto.

1.6 ¿Cómo manejan 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 estructuralmente 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 impactan en 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 salario), y las ciclicidades cuasi-anuales (por ejemplo, Pascua, Ramadán, Año Nuevo Chino, Viernes Negro, etc.).

Nuestra técnica principal para tratar con las ciclicidades es la programación diferenciable. Aprovechamos modelos paramétricos de baja dimensionalidad que reflejan estructuralmente las ciclicidades objetivo. En otras palabras, elegimos modelos donde 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, microgestión del 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 críticamente importante para fines de cadena de suministro.

Primero, ofrece resultados más precisos, ya que el proceso de aprendizaje automático no intenta descubrir la ciclicidad, sino que la ciclicidad se toma como un dato dado (y ampliamente reconocido por los profesionales de la cadena de suministro). Esto es aún más crítico en situaciones donde la cantidad de datos es limitada.

Segundo, ofrece resultados más estables, al limitar la forma de la función de demanda a ser aprendida. Este enfoque ayuda en gran medida a mitigar 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 otros patrones que dan forma a los patrones de demanda observados (por ejemplo, faltantes de stock o promociones). Las ciclicidades no pueden ser estimadas de forma aislada, ni en secuencia, de los otros patrones que impactan la demanda. Todos estos patrones, y sus respectivos parámetros, deben ser estimados conjuntamente.

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

1.7 ¿Tiene capacidades de pronóstico a largo plazo (más de 3 años por delante) para predecir la demanda futura y hacer una propuesta 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 pueda ser confiable para fines de cadena de suministro. No importa cuán sofisticado pueda ser 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 alterados manualmente por ’expertos’, las organizaciones inevitablemente depositan una confianza excesiva en ellos. Numerosas pruebas realizadas por Lokad indican que los expertos rara vez superan a los métodos de promedio crudo cuando se trata de pronósticos a largo plazo. Como tal, los pronósticos ajustados manualmente suelen beneficiarse de una aura de experiencia no merecida que hace que las organizaciones dependan demasiado de ellos. Esta práctica de ajuste manual incluso sobrevive después de que los números inevitablemente resulten ser conjeturas pobres.

Además, la capacidad de realizar ajustes manuales a un pronóstico automatizado tiende a empeorar la situación. Una vez que los pronósticos han sido alterados manualmente por ’expertos’, las organizaciones inevitablemente depositan una confianza excesiva en ellos. Numerosas pruebas realizadas por Lokad indican que los expertos rara vez superan a los métodos de promedio crudo cuando se trata de pronósticos a largo plazo. Como tal, los pronósticos ajustados manualmente suelen beneficiarse de una aura de experiencia no merecida que hace que las organizaciones dependan demasiado de ellos. Esta práctica de ajuste manual incluso sobrevive después de que los números inevitablemente resulten ser conjeturas pobres.

En general, coincidimos 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 la 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 sensatos) que reflejen de manera única los requisitos específicos de cada empresa cliente.

1.8 ¿Pueden 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 muerto para los productos de baja rotación. Además, la plataforma de Lokad es altamente escalable, por lo que manejar decenas de millones de SKUs mientras se procesan años de datos históricos diarios no es difícil. De hecho, la plataforma de Lokad puede escalar sin esfuerzo para acomodar incluso grandes redes minoristas sin necesidad de una planificación previa de la capacidad.

Ver también Algoritmos y Modelos de Pronóstico 1.7 en este FAQ.

1.9 ¿Pueden 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 de 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 única para aprovechar diversas fuentes de datos, más allá de los datos históricos obtenidos de los sistemas comerciales.

En cuanto a los datos externos, hay dos fuentes que casi nunca valen la pena los 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 dos semanas (más o menos). Los conjuntos de datos de redes sociales también son muy difíciles de manejar (es decir, muy grandes, muy complejos y muy poblados por datos basura), y también se basan en gran medida en efectos a corto plazo, típicamente abarcando 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 en hacerlo para algunos clientes. Sin embargo, no todos los mejoramientos de precisión en los pronósticos valen los esfuerzos de ingeniería para obtenerlos. Nuestros clientes tienen que operar con recursos limitados, y generalmente esos recursos se invierten mejor en refinar otros aspectos de la optimización de la cadena de suministro de extremo a extremo. Este es un enfoque más prudente que buscar el último 1% (típicamente ni siquiera tanto) de precisión adicional a través de conjuntos de datos externos que son 2 o 3 órdenes de magnitud más grandes que los propios conjuntos de datos históricos gestionados por el cliente.

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

Cuando se trata de magnitudes variables de tasas de venta, el principal desafío 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 tradicionalmente se obtienen 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 estructuras de datos similares). Estas estructuras de datos son muy compactas y, por lo tanto, implican bajos costos computacionales. Sin embargo, al tratar con demanda escasa, una implementación ingenua de tales estructuras de datos (por ejemplo, manteniendo 1 cubo por unidad de demanda) se volvería dramáticamente ineficiente cuando se presentan distribuciones de demanda no escasas que involucran miles de unidades de demanda por período.

Por lo tanto, Lokad ha diseñado estructuras de datos especiales, como el Ranvar (ver abajo) que garantizan tiempos constantes y costos de memoria constantes, para las operaciones algebraicas que presentan distribuciones de probabilidad. Ranvar aproxima elegantemente la distribución de probabilidad original cuando los números se vuelven grandes, manteniendo la pérdida de precisión inconsecuente desde una perspectiva de 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 preservan 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 conocer los detalles sobre este punto.

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

Sí, la plataforma de Lokad es programática. Podemos expresar nuevamente nuestros pronósticos en cualquier unidad deseada. Además, podemos acomodar situaciones en las que intervienen múltiples unidades. Por ejemplo, los contenedores están limitados tanto en peso como en volumen. Por lo tanto, la proyección del uso futuro de contenedores puede tener que tener en cuenta ambas restricciones para evaluar adecuadamente cuántos contenedores es probable que se necesiten.

1.12 ¿Apoyan múltiples 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 de pronóstico clásicos (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 aparecen como los mejores intérpretes en competencias públicas de pronóstico. En particular, la mayoría de esos modelos tienen un desempeño deficiente cuando se trata de acomodar las complicaciones habituales que se encuentran en situaciones de cadena de suministro (por ejemplo, faltantes de stock, canibalizaciones, eventos cuasi estacionales como el Año Nuevo Chino, etc.).

Por lo general, los científicos de la cadena de suministro de Lokad diseñan una receta numérica a medida para cubrir las necesidades de pronóstico de la empresa cliente. Nuestro científico de la cadena de suministro pronostica la demanda necesaria así como todos los demás factores inciertos de la cadena de suministro, como los tiempos de espera, las devoluciones, las tasas de desecho, los precios de los competidores, etc. Además, el algoritmo (o algoritmos) de pronóstico deben adaptarse para capitalizar los datos disponibles mientras mitigan las distorsiones de datos inherentes a las operaciones de la cadena de suministro (por ejemplo, la demanda frecuentemente rebota al final de un evento de faltante de stock).

Vea nuestra conferencia de video pública No1 a nivel de SKU en la competencia de pronóstico M5 para conocer los méritos de pronóstico de Lokad.

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

Lokad puede acomodar 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 optimizadas de la cadena de suministro, los científicos de la cadena de suministro de Lokad ajustan la granularidad de los pronósticos para que coincidan exactamente con las decisiones que se pretende que los pronósticos respalden. En particular, si hay múltiples decisiones de la cadena de suministro que respaldar, entonces generalmente también hay múltiples granularidades 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 dada). Ajustamos toda la perspectiva de pronóstico para reflejar mejor la tarea en cuestión. Por ejemplo, para un minorista B2B, podría tener sentido pronosticar la rotación de clientes, ya que el stock del cliente (que sirve a una demanda constante para un SKU dado) podría convertirse de la noche a la mañana en un stock muerto. Esto podría suceder si toda (o la mayoría) de la demanda proviene de un cliente grande que ha cancelado repentinamente. Lokad es capaz de pronosticar las probabilidades de rotación junto con la demanda de un SKU dado. Posteriormente, podemos combinar los dos pronósticos según sea necesario para optimizar las decisiones de inventario pertinentes.

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

Sí. Nuestras capacidades de pronóstico son muy flexibles. Podemos, por ejemplo, acomodar datos de ventas semanales en lugar de datos transaccionales en bruto (nuestra preferencia).

Vale la pena señalar que aplanar datos transaccionales en una serie temporal semanal es un proceso con pérdidas, lo que significa que información críticamente útil podría perderse en el proceso. Una vez perdida, esta información no se puede recuperar, sin importar cuán sofisticado sea el modelo de pronóstico.

Por ejemplo, imagine un minorista de bricolaje que vende interruptores de luz. Este minorista observa 1 unidad de demanda por día (en promedio) para un SKU dado en una tienda que se reabastece 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 equivale 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, la diferencia entre las dos situaciones descritas anteriormente se pierde. Por eso Lokad prefiere manejar datos transaccionales en bruto siempre que sea posible.

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

Cuando hay datos históricos diarios disponibles (o, aún mejor, datos a nivel de transacción), típicamente 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 cuasiciclicidad dada (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 preocupaciones similares deben abordarse para todos los demás patrones.

La elección del modelo más adecuado queda a cargo de los Supply Chain Scientists de Lokad. Su elección se basa en un examen cuidadoso de los patrones específicos observados en la cadena de suministro de interés.

1.16 ¿Ajusta 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 de entradas de datos incorrectas, asegurando que los pronósticos sean precisos y actualizados. Este enfoque contrarresta las inestabilidades numéricas en tecnologías más antiguas, utilizando modelos estables y precisos para evitar cambios erráticos en los pronósticos y mejorar las decisiones de la cadena de suministro.

Como regla general, Lokad actualiza (reentrena) todos sus modelos predictivos cada vez que recibimos un lote nuevo de datos históricos. Para la mayoría de nuestros clientes, esto sucede una vez al día. La razón más importante de esto es asegurarse de que las entradas de datos incorrectas, que ya han sido corregidas, 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 obsoletas sufren de inestabilidades numéricas. Como resultado, los profesionales de la cadena de suministro pueden temer 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.

Ver Refrescar Todo Cada Día para más información sobre este punto.

1.17 ¿Cómo establece un nivel de confianza de que el nivel de ventas actual continuará en el futuro?

Utilizamos pronósticos probabilísticos y optimización estocástica para evaluar todos los resultados potenciales y sus probabilidades, permitiendo decisiones de cadena de suministro ajustadas al riesgo. Cada resultado potencial 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, escenario del 5% peor frente al escenario del 1% peor).

Sin embargo, la suposición implícita 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 la forma en que abordamos toda la cuestión de la (in)exactitud del pronóstico. Cuando se dispone de pronósticos probabilísticos, las decisiones de la cadena de suministro (por ejemplo, una orden de compra determinada) pueden beneficiarse repentinamente de una optimización ajustada al riesgo. En otras palabras, la decisión puede optimizarse para todos los futuros posibles y sus respectivas probabilidades, y cada decisión clasificada en función de sus impactos financieros.

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

1.18 ¿Se pueden combinar varios algoritmos de pronóstico?

Sí, aunque dejamos de recomendar esta práctica hace aproximadamente una década. Combinar múltiples 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 múltiples modelos de pronóstico es una de las opciones más fáciles para mejorar los resultados sintéticos, generalmente obtenidos mediante pruebas retrospectivas. Sin embargo, este “meta-modelo” (el producto de combinar múltiples modelos de pronóstico subyacentes) suele ser inestable, ya que sigue “saltando” de un modelo a otro. Como resultado, los profesionales de la cadena de suministro suelen confundirse con desviaciones repentinas o “cambios de opinión” por parte del meta-modelo. Aún peor, los meta-modelos, por diseño, son bastante opacos porque son una mezcla de varios modelos. Incluso cuando los modelos subyacentes son simples, el meta-modelo que resulta 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 mayor opacidad de los pronósticos.

1.19 ¿Seleccionan automáticamente el mejor modelo 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 operar hace aproximadamente una década.

Cabe destacar 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 los puntos de referencia) y no se traducen a escenarios reales de la cadena de suministro. Nuestra experiencia indica que los meta-modelos invariablemente 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 temporales cortas; el tercer modelo es malo en series temporales 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 periódicamente ya que la lógica del selector de modelos en sí misma 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 tan simple como pueda ser, 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 a través de aprendizaje automático (para crear “meta-modelos”) no proporciona beneficios en un entorno de producción. En cambio, abogamos por un enfoque de un solo modelo.

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 gradiente.

Sin embargo, a pesar de mejorar los resultados sintéticos a través de pruebas de referencia (generalmente realizadas con backtesting), el enfoque de meta-modelo inevitablemente degrada el resultado(s) del mundo real para el cliente. La selección automática del modelo conduce a “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 tiende a agravar este comportamiento al hacer que las transiciones sean aún más erráticas.

Por lo tanto, si bien la plataforma de Lokad admite torneos de pronóstico, no recomendamos utilizar tales enfoques para fines de producción. En particular, las competencias de pronóstico recientes muestran que un modelo unificado único supera a los meta-modelos más complejos, como lo ilustra Lokad al ubicarse en primer lugar a nivel de SKU en una competencia mundial que involucra un conjunto de datos de Walmart (ver 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 evitando 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 gestionar el sobreajuste controlando la expresividad del modelo. Este enfoque aborda eficazmente la “ley de los números pequeños” al incorporar una orientación 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 sus pronósticos. A través de la programación diferenciable, los científicos de la cadena de suministro de Lokad tienen control total sobre la estructura misma del modelo. La programación diferenciable les permite diseñar un modelo que refleje los datos de entrada (incluida su estructura relacional). Además, la programación diferenciable les permite restringir la expresividad del modelo para mantener el sobreajuste bajo control.

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 a 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 es que permite a un Científico de la Cadena de Suministro (generalmente empleado por Lokad, pero posiblemente empleado por la empresa cliente) inyectar algún conocimiento previo de alto nivel en el modelo predictivo (por ejemplo, una selección de las ciclicidades relevantes) para aprovechar al máximo los pocos datos disponibles. A diferencia de los “sistemas expertos” de la década de 1980, la programación diferenciable requiere una orientación muy limitada de un experto humano, pero esta orientación limitada puede marcar la diferencia en cuanto a la eficiencia de los datos.

2. Gestión y Ajustes de Pronósticos

2.1 ¿Pueden los usuarios 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.

La plataforma de Lokad ofrece amplias capacidades de visualización de datos que se pueden utilizar para inspeccionar 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 la visualización en tiempo constante de estos informes, lo que significa que se renderizan en menos de 500 milisegundos, siempre que el usuario final tenga suficiente ancho de banda para cargar el informe en este período de tiempo.

Sin embargo, esta pregunta asume implícitamente que estamos hablando de pronósticos de series temporales puntuales (también conocidos como pronósticos clásicos de demanda). 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, visto desde una perspectiva de cadena de suministro y no de física, no es el simétrico del pasado. Por esta razón, se deben favorecer los pronósticos probabilísticos, un enfoque que considera TODOS los posibles resultados futuros (por ejemplo, valores de demanda) y 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 logra capturar 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 meses antes que los clientes esperan que se atiendan a tiempo, precisamente porque el pedido se realizó con tanta antelación 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 uno de series temporales, incluso si los datos finales se visualizan como una serie temporal por conveniencia.

2.2 ¿Qué tipo de información de pronóstico deberían manejar los expertos frente al sistema/máquina?

Los expertos deberían 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 pronósticos en sí mismos.

Dado que Lokad aprovecha la tecnología predictiva moderna — programación diferenciable — nuestros Supply Chain Scientists 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 información correctiva para todos los casos límite que presentaban los modelos. Desafortunadamente, enfoques obsoletos como estos resultaron ser demasiado tediosos para que los expertos los mantuvieran con el 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 proceso(es) encargado(s) de ‘aprender’ los parámetros del modelo permanecen completamente automatizados. Esto se logra aprovechando los datos de entrada (típicamente 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 es innecesario dado que los pronósticos probabilísticos mismos están diseñados para tener en cuenta el riesgo y la incertidumbre, que son típicamente los principios rectores 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 efectivamente hace una década.

Las correcciones manuales de los pronósticos suelen estar destinadas como una forma indirecta de mitigar riesgos. 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 abrazar 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 arreglar 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 ser corregida. Si los pronósticos se modifican por razones que no tienen que ver con 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 ¿Puedes 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 de 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 de dominio) diseñado por Lokad para la optimización predictiva de las cadenas de suministro. A través de Envision, todos los algoritmos de pronóstico convencionales (y sus variantes) pueden ser reimplementados. Además, Envision también admite bastantes algoritmos de pronóstico no convencionales, incluidas técnicas ganadoras de competencias basadas en programación diferenciable y pronósticos probabilísticos (ver abajo).

Integrar esos algoritmos creados por el usuario en Lokad no debe confundirse con una “personalización” del producto 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, entonces esos empleados también pueden utilizar la plataforma de Lokad para este propósito.

Además, la plataforma de Lokad proporciona un IDE completo (entorno de desarrollo integrado) para diseñar dichos algoritmos creados por el usuario. Esta capacidad es fundamental para asegurar 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 típicamente superior a la iteración anterior), puede ser promovido a producción en cuestión de minutos. En una nota relacionada, la plataforma de Lokad proporciona garantías “por diseño” extensas para eliminar por completo clases de problemas al promover algoritmos de prototipo a estado de producción.

Ver 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 explicas lo que está haciendo la solución para llegar a un pronóstico o pedido 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 decisiones para el cliente. Estos paneles se construyen en colaboración con los clientes de tal manera que puedan entender rápidamente y de manera conveniente. Para puntos más complicados, los Científicos de la Cadena de Suministro de Lokad son responsables tanto de diseñar como de explicar los algoritmos (“recetas numéricas” - las cosas que generan los pronósticos y decisiones de la cadena de suministro) y sus resultados a los clientes. Estos expertos están capacitados para proporcionar información relevante sobre negocios, economía e insights de 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.

Por lo tanto, 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 que es 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 el backtesting 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 a través de una inspección cuidadosa de la situación de la cadena de suministro del cliente (así como de la consulta con el cliente).

Ver nuestro Video de Cuenta Demo Pública para obtener una visión general de cómo Lokad prepara datos y visualiza resultados para los clientes.

2.6 ¿Se puede dividir el pronóstico en artículos establecidos y BOMs (Bills of Materials)?

Sí, Lokad puede entregar pronósticos a cualquier nivel. Esto se debe a las extensas capacidades programáticas de nuestro modelado probabilístico. Podemos dividir el pronóstico entre artículos establecidos y BOMs, así como hacer frente a situaciones donde los artículos pueden ser consumidos como parte de BOMs o vendidos de forma independiente.

Además, cuando hay BOMs (Bills of Materials), 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 donde los respectivos 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 apropiados. Ya sea que los meta-parámetros sean lo suficientemente estables como para ser codificados de forma permanente, 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”) puede ejecutarse 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 un “meta-parámetro” 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 la modelización predictiva. La programación diferenciable es un paradigma programático, por lo tanto, incluir una variable explicativa es un hecho. 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 la etiqueta de precio minorista se utiliza como variable causal, la respuesta exacta de la demanda relacionada con las variaciones de precios se puede trazar e investigar. Este resultado puede, por sí solo, 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 contundente a los descuentos. Esto puede minimizar el volumen total de descuentos necesarios para liquidar completamente el stock envejecido.

2.9 ¿Es capaz el producto 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 antiguos. Esto es posible porque la plataforma de Lokad es programática y cuenta con un DSL (lenguaje de programación específico del dominio) flexible llamado Envision, que fue diseñado explícitamente 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 hacer frente a 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 “listos para producción” que enfoques alternativos “empaquetados”.

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 función de los beneficios esperados de 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 DSL (lenguaje de programación específico del dominio) flexible llamado Envision, que fue diseñado explícitamente 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 una tendencia a la baja. De hecho, está siendo gradualmente 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, 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 este FAQ.

3. Precisión del Pronóstico y Medición del Rendimiento

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

La precisión del pronóstico debe medirse en euros o dólares (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, etc. Todos estos son factores que varían y que deben pronosticarse, al igual que la demanda futura.

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 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, suele ser 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 se defienden aumentando sus precios).

Las métricas de pronóstico solo importan cuando respaldan la generación de mejores decisiones de cadena de suministro. En lo que respecta a Lokad, generar las cantidades de reposición, cantidades de producción, cantidades enviadas, 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 frente a 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, la dificultad radica en 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 los movimientos 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 enormemente dependiendo del tipo de negocio considerado. Las canibalizaciones y las sustituciones complican aún más la situación.

La mayoría de las técnicas de Lokad abandonan los modelos de series temporales que no pueden, por diseño, aprehender la información necesaria. De hecho, la mayor parte del tiempo, 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 pueden ser capturados o expresados por ellos).

Consulte Modelado Predictivo Estructurado para la Cadena de Suministro para obtener más información sobre este punto.

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

Resumen Ejecutivo: Sí. Para mayor simplicidad, 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 tradicional de series temporales donde el error de pronóstico (“incertidumbre”) crece a lo largo del 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 sus cuentas 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 la Cadena de Suministro de Lokad. Como Lokad utiliza pronósticos probabilísticos, el error proyectado generalmente exhibe un “efecto escopeta” donde el error de pronóstico esperado crece constantemente con el horizonte de pronóstico. Estos informes son accesibles para la empresa cliente dentro de la plataforma de Lokad.

Sin embargo, bajo el marco 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 producir decisiones financieras ajustadas al riesgo que consideren la totalidad de los impulsores económicos y restricciones de los clientes, así como reflejar la alta incertidumbre de los valores futuros (como la demanda o los tiempos de espera). Por ejemplo, si la incertidumbre es especialmente alta, las decisiones correspondientes suelen ser más conservadoras. Por lo tanto, 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 pronósticos clásicos (también llamados pronósticos deterministas, en oposición a los pronósticos probabilísticos), casi cada instancia de inexactitud en el pronóstico se convierte en decisiones costosas y malas para el cliente. Por eso las empresas son tan inflexibles en “corregir” sus pronósticos. Sin embargo, cinco décadas después de la creación 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 “súper 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 que no sean los expertos técnicos que trabajan con el modelo predictivo en sí. Simplemente, las apuestas ya no son lo suficientemente altas para que al resto de la organización le importe.

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. Por lo tanto, 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 ir a producción. Nuestro plazo para la resolución de esta clase de problema suele ser a mitad de camino durante la fase de incorporación.

Por otro lado, los pronósticos clásicos (también conocidos como pronósticos ‘deterministas’) inevitablemente causan estragos cuando son inexactos, porque se toman decisiones de suministro insensatas 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 completamente los pronósticos probabilísticos.

3.5 ¿Puedes hacer un seguimiento de 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 sencillo hacer un seguimiento de todas las métricas habituales como MAPE, MEP, MAE, etc. También podemos hacer un seguimiento de métricas ligeramente menos comunes, 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 volver a generar 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 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 (ni son capaces) de abordar la incertidumbre asociada con los valores futuros (como la demanda o los tiempos de espera). Su objetivo es identificar un único valor futuro posible, en lugar de todos los valores futuros probables 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 ¿Puedes 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 donde se modifica la estructura y/o capacidades de la red de la cadena de suministro (más allá de simplemente inflar/deflactar la demanda y los tiempos de espera, por ejemplo). Esto ayuda a Lokad a mejorar la gestión del riesgo, la planificación estratégica y la toma de decisiones al prepararse para diversas situaciones y resultados potenciales de la cadena de suministro.

Cabe destacar que las capacidades típicas de “escenario” de gestión son obsoletas—desde la perspectiva de Lokad. Dado que 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, la 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 operación 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 ¿Haces un seguimiento y monitoreo de la precisión del pronóstico y del error del pronóstico (y eventualmente de otras métricas de demanda) con diferentes retrasos definidos?

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

También hay que tener en cuenta que los pronósticos probabilísticos proporcionan una evaluación cuantitativa directa de la incertidumbre que crece con el horizonte. Por lo tanto, el error creciente 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 ¿Puedes agregar datos a nivel de producto/sucursal para validar el pronóstico estadístico?

Sí, Lokad hace un seguimiento de los errores predictivos y sesgos en muchos niveles, incluidos los niveles jerárquicos relevantes (por producto, por sucursal, por categoría, por región, por marca, etc.) cuando existen jerarquías. La tecnología de programación diferenciable de Lokad incluso nos permite refinar pronósticos en una granularidad dada 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 pueden volver a agregarse de cualquier manera que la empresa cliente considere adecuada. 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 ¿Identificas automáticamente 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(s) de datos. Además, estos paneles identifican la criticidad de los problemas y la propiedad de los mismos.

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

La propiedad 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, datos históricos truncados es muy probablemente un problema para el departamento de TI, mientras que los márgenes brutos negativos (es decir, el precio de venta está por debajo del precio de compra) pertenecen a la adquisición o a 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 (todavía); actualmente está más allá de lo que las tecnologías de software pueden ofrecer. Sin embargo, una vez que se identifica un problema dado, un Supply Chain Scientist puede automatizar las detecciones futuras. En la práctica, nuestros Supply Chain Scientists implementan proactivamente el tipo más frecuente de problemas como parte del borrador inicial de los paneles de “salud de datos”.

Ver Salud de Datos en La Tubería de Extracción de Datos para obtener más información sobre la salud de los datos.

4.2 ¿Limpia 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 bastantes 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 las caídas de la demanda (faltantes de stock) y los picos de demanda (promociones) se corrigieran para mantener las previsiones coherentes.

Esto es un reflejo de las limitaciones del enfoque de series temporales. Como resultado, los datos históricos deben prepararse extensamente para hacerlos más susceptibles (de alguna manera) a un sistema defectuoso (series temporales). Referirse a este proceso como “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 contraste, 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 atascados 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 espera se incorporan explícitamente en el modelo. La integración causal es mucho mejor que limpiar los datos, cuando corresponda, porque los datos limpios son irreales (nadie sabrá con certeza cuál habría sido el valor de la demanda si no hubiera ocurrido el faltante de stock).

Ocasionalmente, los datos comerciales (históricos o no) requieren correcciones. Lokad intenta entregar esas correcciones automáticamente siempre que sea posible, posiblemente aprovechando el aprendizaje automático según el escenario. Por ejemplo, la matriz de compatibilidad mecánica entre autos y piezas puede mejorarse automáticamente con un método de aprendizaje semisupervisado (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 para este propósito. Sin embargo, normalmente no recomendamos a los usuarios finales limpiar manualmente los datos.

Otros software/soluciones imponen numerosas tareas manuales a sus usuarios finales. En contraste, 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?

Lokad’s Supply Chain Scientists son responsables de la configuración del pipeline de datos. Los datos deben estar preparados, pero lo más importante es que los modelos predictivos deben ser diseñados para ajustarse 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 de la lente de la preparación de datos, donde cualquier salida incorrecta debe corregirse ajustando la entrada. Tales soluciones no son programáticas, por lo que los modelos centrales no pueden ser modificados, solo sus entradas pueden ser modificadas. 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 inapropiadas (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 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 ¿Gestiona y mantiene los datos maestros (para apoyar los esfuerzos de pronóstico)?

Sí, si es solicitado por 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 todas las herramientas de software empresarial que abarcan todo. Los requisitos de diseño para la gestión de datos maestros son completamente diferentes a los de la analítica predictiva. La plataforma de Lokad podría ser un buen gestor de datos maestros, pero nunca será uno 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 y marketing (incluidos planes/futuros insights)?

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 las divisiones de ventas y marketing (es decir, en la granularidad en la que los almacenan).

Los equipos de Ventas y Marketing rara vez proporcionan datos organizados a nivel de SKU, o incluso SKU x Ubicación, 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 de los pronósticos de salida previstos (por ejemplo, SKU x Ubicación).

4.7 ¿Archiva la demanda histórica y los pronósticos para analizar el pronóstico de waterfall?

Sí, normalmente archivamos todos los pronósticos pasados, incluida la demanda, el tiempo de espera, 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).

La ingeniería de la plataforma de Lokad difiere significativamente de las soluciones alternativas que se ven severamente penalizadas, ya sea en costos o en rendimiento (o ambos) cuando se implementan estrategias de archivo extensas. Mientras que esas soluciones alternativas ofrecen nominalmente amplias capacidades de archivo, 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 en circulación suele ser un tema sin importancia.

4.8 ¿Archiva las entradas manuales/anulaciones 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 las entradas manuales se utilizan para alterar los modelos predictivos (“anulaciones”, típicamente con la intención de refinar modelos/pronósticos), utilizamos esos archivos para cuantificar la mejora (o degradación) en términos de precisión predictiva introducida. Este trabajo suele ser realizado por 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 crítico ya que necesitamos asegurarnos de que al realizar pruebas retrospectivas, los datos comerciales “regulares” (típicamente 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 estaba 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, también. De hecho, la entrada manual podría haberse proporcionado para hacer frente a un defecto en el código predictivo que desde entonces se ha resuelto.

La plataforma de Lokad cubre esas situaciones también, evitando clases enteras de conclusiones incorrectas. 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 ¿Identifica productos de movimiento lento y patrones de demanda irregular?

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

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

La programación diferenciable, 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 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 ideas de alto nivel proporcionadas 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, pronósticos no probabilísticos) no pueden abordar los productos de movimiento lento sin recurrir a una demanda fraccionada que no es “real”. Esta demanda fraccionada (por ejemplo, 0.5 unidades), aunque “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 mezcla 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 temporales, transmitir la realidad matizada de la demanda, como 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, tergiversando 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 ¿Identifica inventario de movimiento lento u obsoleto y proporciona recomendaciones de “mantener o vender”?

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

La identificación de SKUs de movimiento lento u obsoletos (en términos de demanda) 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 obsolescencia de inventario. 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 SKUs en todas las etapas de su ciclo de vida. Este diseño es crítico ya que nos permite identificar lo antes posible (y abordar) la mayoría de las situaciones de inventario antes de que se conviertan en problemáticas.

Finalmente, Lokad no se limita a meras 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 accidentalmente canibalice la demanda de otro SKU.

En resumen, los Científicos de la Cadena de Suministro de Lokad están ahí para asegurarse de que no se deje ninguna piedra sin remover antes de declarar que algún stock está “muerto”.

Ver también Clasificación y Agrupación de Productos 5.1 en este FAQ.

5.3 ¿Permite a los usuarios gestionar flujos de trabajo jerárquicos de datos de productos (de arriba hacia abajo, de abajo hacia arriba)?

Sí. Dado que la plataforma de Lokad es programática, podemos abordar cualquier flujo de trabajo razonablemente 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 ROI (retorno de la inversión) del cliente al permitir que sus empleados naveguen por dichos flujos de trabajo es muy incierto. La necesidad misma de tales flujos de trabajo refleja defectos profundos en el software de cadena de suministro que deben ser corregidos desde adentro hacia afuera, aprovechando la mayor automatización posible.

La plataforma de Lokad proporciona amplias capacidades 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’ suele ser un error (aunque es 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 opciones más que esperar a la próxima versión del software (posiblemente años en el futuro) o optar por la personalización, un camino que suele traer problemas, ya que la empresa cliente termina con un producto de software no mantenido.

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

Sí.

La plataforma de Lokad proporciona amplias capacidades que permiten a los usuarios agrupar elementos (por ejemplo, SKUs, productos, clientes, proveedores, ubicaciones, etc.) según una amplia gama de factores, incluidas las entradas manuales.

Dado que la plataforma de Lokad es programática, siempre que el criterio de agrupación o proximidad pueda expresarse numéricamente, es sencillo agrupar los elementos del cliente en consecuencia. Esta tarea la realizan los Científicos de la Cadena de Suministro de Lokad.

En una nota relacionada, 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 tanto relacionales como 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 propósitos 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 flexibles de productos 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 debería centrarse en ideas accionables que conduzcan a decisiones ajustadas al riesgo, en lugar de depender de herramientas de categorización simplistas.

La plataforma de Lokad admite todos los esquemas de clasificación convencionales, incluido ABC y Análisis ABC XYZ, etc. Dado que la plataforma de Lokad es programática, también es sencillo adaptarse a todas las variaciones sutiles que existen al definir cuidadosamente tales 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, inevitablemente, 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. 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 tales revisiones tediosas. En segundo lugar, las clasificaciones impulsadas por el volumen son demasiado rudimentarias para tener algún valor práctico y hacen un uso muy pobre del tiempo de los profesionales de la cadena de suministro.

Por eso los Científicos de la Cadena de Suministro de Lokad guían a los clientes hacia decisiones que reflejen el impacto financiero de una posible decisión/llamado a la acción de la cadena de suministro (normalmente medido en dólares o euros). A menos que los elementos y decisiones se prioricen con respecto a su ROI (retorno de la inversión) neto, 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 ¿Proporciona 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 formas que son particularmente útiles para una tarea específica, 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 ¿Refina 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 en la cadena de suministro, incluida la demanda, los tiempos de espera, 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 cuasi-ciclicidades (por ejemplo, Pascua, Año Nuevo Chino, Ramadán, Viernes Negro, 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 clústeres para obtener más información sobre este punto.

6. Eventos y Variables Explicativas

6.1 ¿Identifica eventos excepcionales (por ejemplo, eventos de faltante 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 sobre el pronóstico de series temporales tradicional. Este enfoque maneja datos incompletos y puede reconstruir eventos perdidos (como una 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 espera, etc.). Lokad opera a través de paradigmas de programación predictiva, como la programación diferenciable, que nos permiten enriquecer la historia base con todos esos eventos. Sin embargo, como regla general, esos eventos excepcionales no se “identifican”, ya que ya son conocidos. Si se han perdido eventos notables, 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 alguna vez se aplicó 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 siendo construidos sobre otros pronósticos, acumulando así inexactitudes.

La tecnología predictiva de Lokad no sufre del 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 eventos notables (por ejemplo, faltantes de stock) se han perdido o simplemente nunca se han registrado, entonces Lokad es capaz de reconstruir dichos eventos a través de un análisis de los datos históricos. Sin embargo, sin importar cuán estadísticamente precisa pueda ser esta reconstrucción, siempre será menos precisa que un registro directo de los eventos a medida que se desarrollan. Por eso Lokad suele historizar indicadores como los niveles de stock cuando esos indicadores no están archivados correctamente en los sistemas comerciales respectivos.

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, Pascua, Año Nuevo Chino, Ramadán, Viernes Negro, 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 hagan 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 Viernes Negro (si lo hay) viene con un factor dedicado evaluado a partir de los datos históricos. El profesional de la cadena de suministro puede usar este factor para comprender qué productos son más sensibles al Viernes Negro específicamente, aislando todos los otros patrones que están en juego, como la estacionalidad (es decir, la ciclicidad anual).

Ver también Eventos y Eventos Explicativos 6.1 en este FAQ.

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

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

De manera más general, Lokad también es capaz de lidiar con 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 de la demanda al final del período de faltante de stock, si los consumidores son lo suficientemente leales como para esperar. También puede haber pedidos pendientes, mientras sufren una atrición 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 que refleje genuinamente la dinámica del negocio de la empresa cliente.

Vea 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 ¿Pronostican 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 los reabastecimientos de inventario, tienen en cuenta no solo la actividad promocional planificada para el futuro, sino también el potencial para dicha actividad. Por ejemplo, si la empresa cliente tiene la posibilidad de hacer promociones, y sus clientes (típicamente) 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 stock. 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 stock. 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. Después de eso, utilizamos la optimización estocástica—en términos simples, una operación matemática—para diseñar 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 de productos y sustituciones?

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, que probablemente será 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 base como un potencial de canibalización, y (d) las operaciones de marketing que respaldan este lanzamiento específico.

Si un producto está posicionado 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, un lanzamiento de producto rara vez es un reemplazo 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 y 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 está correctamente identificada, por lo que no es necesario identificarla per se. Sin embargo, si los datos de lanzamiento no están registrados o se registran incorrectamente, Lokad puede proceder con una reconstrucción real de esta información. Naturalmente, los registros de ventas anteriores representan una línea 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 Supply Chain Scientists 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 pronosticas 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’, típicamente no es el primer artículo ’nuevo’ que se lanza por 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 corta, comentarios, etc.) son críticamente importantes para ubicar matemáticamente el artículo en la oferta más amplia de la empresa.

El proceso con 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 verticales 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 ¿Consideras 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 acomodar todo el espectro de confianza en la información proporcionada, que va desde ’este nuevo producto es un equivalente casi perfecto a este otro producto’ hasta ’estos dos productos se parecen vagamente’. También se pueden proporcionar múltiples 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, este no es el caso con Lokad. Suponiendo que alguna información básica esté disponible, nuestra tecnología es capaz de aprovechar los datos históricos—de otros productos—para pronosticar un nuevo artículo. La información básica relevante incluye las etiquetas del producto 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 ROI (retorno de la inversión) para mejorar los datos maestros suele ser vastamente superior a los emparejamientos, ya que los datos maestros también pueden impactar directamente en numerosas operaciones posteriores al lanzamiento.

Ver también Eventos y Eventos Explicativos 6.5 en este FAQ.

6.8 ¿Detectas la canibalización? ¿Evalúas el impacto en el producto canibalizador 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 tanto, 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 los clientes pueden ser identificados (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 (conectando 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 cuando se trata de los detalles de la canibalización en sí.

Las técnicas predictivas de Lokad se alejan bastante radicalmente de los modelos clásicos de series temporales. Los modelos de series temporales simplemente no son lo suficientemente expresivos 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, no importa cuán sofisticados sean los modelos de series temporales. En contraste, Lokad utiliza la programación diferenciable para sus modelos predictivos—un enfoque mucho más expresivo que los modelos de series temporales obsoletos.

6.9 ¿Permites agregar o actualizar variables explicativas? ¿Pueden esas variables actualizarse manualmente?

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, que las variables explicativas se transmitan a través de hojas de cálculo reales.

La programación diferenciable, el enfoque de Lokad para la modelización predictiva, facilita aprender modelos que incorporen variables explicativas arbitrarias. Las variables explicativas no tienen que expresarse en “unidades pronosticadas” o 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”—dejando así el proceso de aprendizaje a 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 tracción 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 en 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 de estas limitaciones.

Además, las capacidades programáticas de la plataforma de Lokad pueden organizar las variables explicativas para que su mantenimiento sea lo más simple 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 automática de datos. Esta transición puede ocurrir una vez que la precisión adicional (obtenida a través de esas variables explicativas) se considere suficiente para automatizar la transferencia de datos.

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

6.10 ¿Permites ajustes manuales del pronóstico para eventos futuros sin datos históricos previos?

Sí. Lokad siempre permite ajustar manualmente los pronósticos, ya sea que estemos hablando de artículos con o sin datos históricos. También podemos hacer 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 que desean alterar las decisiones de la cadena de suministro resultantes 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 es que los pronósticos deban ser más altos o más bajos de lo que son, sino que la decisión resultante debe ser dirigida 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, la demanda) y sus respectivas probabilidades. Por lo tanto, nuestras decisiones sugeridas ya están ajustadas al riesgo. Si las decisiones salen mal mientras el pronóstico es correcto, entonces generalmente son los impulsores económicos asociados con la decisión los que deben ajustarse, 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 corregirse. 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 estén disponibles datos más recientes y o bien los malos pronósticos volverán a aparecer, o la corrección original (si se mantiene) se convierte en sí misma en una fuente de inexactitud en los pronósticos.

En resumen, si el modelo de pronóstico carece de suficiente precisión (típicamente 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 apropiada.

6.11 ¿Refinas 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 tipos/fuentes de datos adicionales, incluso si no coinciden estructuralmente con los datos históricos de demanda originales (el tipo que se encuentra 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. Claro, 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 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 readaptar sus campañas de marketing para que coincidan con lo que la cadena de suministro puede respaldar.

Por ejemplo, es inútil acelerar aún más la demanda (lanzando una nueva campaña) si todos los productos ya se dirigen hacia faltantes de stock. Por el contrario, si los excesos de stock están aumentando, podría ser el momento de reactivar algunas campañas que se pausaron anteriormente.

6.12 ¿Refinas los pronósticos con la elasticidad de precios? ¿Se pueden incorporar proactivamente los cambios de precios futuros planificados en el modelo de pronóstico/predictivo?

Sí. Las capacidades de modelado predictivo de Lokad cubren la fijación de precios, incluida la elasticidad de precios, así como los cambios de precios futuros planificados. El enfoque de programación diferenciable de Lokad facilita incluir 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 otros 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 disminuirse para reflejar la estrategia de fijación de precios cambiante de la empresa cliente.

Sin embargo, la elasticidad de precios es frecuentemente un enfoque bastante rudimentario para modelar el efecto de los precios variables. Por ejemplo, los efectos de umbral no se pueden modelar con 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 la fijación de precios. Mientras que la perspectiva principal 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 en la demanda, incluso cuando la ’elasticidad’ de precios resulta ser demasiado rudimentaria para reflejar con precisión este impacto. Por lo tanto, tiene mucho sentido coordinar tanto las políticas de inventario como de precios para maximizar la rentabilidad de la cadena de suministro.

6.13 ¿Refinas 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 scraping de datos web.

Explotar los datos de inteligencia competitiva es típicamente un proceso de dos pasos. Primero, necesitamos asociar (de alguna manera) los puntos de datos competitivos 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, frecuentemente hay numerosas complicaciones.

Por ejemplo, las empresas pueden no tener las mismas condiciones de envío (por ejemplo, tarifas y retrasos), o podría haber una promoción temporal solo elegible para titulares de una tarjeta de fidelidad. Además, los competidores típicamente no venden exactamente los mismos productos (al menos no en el sentido GTIN), sin embargo, sus ofertas, en general, compiten entre sí. En estas situaciones, las simples asociaciones 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 que las asociaciones están establecidas, 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 por 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”. Los efectos a nivel de la empresa también deben evaluarse.

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.

Consulta las discusiones sobre ‘Resolviendo la alineación’ en Optimización de Precios para el Mercado de Posventa Automotriz para más información sobre este punto.

Ver también Eventos y Variables Explicativas 6.12 en este FAQ.

6.14 ¿Refinas 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 integrar los pronósticos del tiempo más que con 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 por 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 la técnica conlleva. 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 su propio “clima” (meteorológicamente hablando).

Además, el “clima” no es un solo número, sino toda una colección de ellos, incluyendo 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, intentar 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 vías potencialmente más fáciles de refinamiento antes de recurrir a los datos de pronóstico del tiempo.

6.15 ¿Refinas los pronósticos para reflejar la apertura de una nueva tienda/cierre de una 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 temporales, 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 de la señal de demanda.

Además, cuando las tiendas están cerca (por ejemplo, dentro de 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 datos personales), entonces podemos aprovechar esta información para evaluar con mayor precisión la parte exacta de la clientela que sigue a una marca dada a pesar de que las tiendas se muevan.

En el otro 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 se puede encontrar si el cliente opera programas de tarjetas de fidelización.

Notas