Forecast Probabilístico (2016)
Abrazando la incertidumbre
En nuestra experiencia, ninguna cantidad de ajuste fino de los modelos de pronóstico existentes, y ninguna cantidad de I+D para desarrollar mejores modelos - en el sentido tradicional - puede solucionar este problema. Métodos como el análisis de stock de seguridad se supone que manejan la incertidumbre, pero en la práctica, el análisis de stock de seguridad es simplemente una idea tardía. En la gestión de la cadena de suministro, los costos son impulsados por eventos extremos: es la demanda sorprendentemente alta la que genera faltantes de stock y frustración del cliente, y la demanda sorprendentemente baja la que genera inventario muerto y, consecuentemente, costosas cancelaciones de inventario. Como todos los ejecutivos saben, las empresas deberían esperar lo mejor, pero prepararse para lo peor. Cuando la demanda está exactamente donde se esperaba, todo va sobre ruedas. Sin embargo, el desafío principal del negocio de pronóstico no es hacerlo bien en los casos fáciles, donde todo saldrá bien incluso considerando un simple promedio móvil. El desafío principal es manejar los casos difíciles; aquellos que perturban su cadena de suministro y vuelven locos a todos.
Estas previsiones probabilísticas proporcionan una forma completamente nueva de mirar hacia el futuro. En lugar de quedarse atrapado en una perspectiva de pensamiento ilusorio, donde se espera que las cifras de la previsión se materialicen, las previsiones probabilísticas te recuerdan que todo siempre es posible, simplemente no igualmente probable. Por lo tanto, cuando se trata de prepararse para lo peor, las previsiones probabilísticas proporcionan una forma poderosa de equilibrar cuantitativamente los riesgos (mientras que las previsiones tradicionales permanecen ciegas ante estos últimos).
Mientras que el análisis de riesgos tiende a ser una reflexión posterior en los enfoques de previsión tradicionales, Lokad está llevando el caso al frente y al centro con previsiones probabilísticas.
Desde la perspectiva de un practicante
Las previsiones probabilísticas pueden sonar muy intimidantes y técnicas. Sin embargo, lo más probable es que, si eres un practicante de la cadena de suministro, ya has estado haciendo previsiones probabilísticas “intuitivas” durante años: piensa en todas las situaciones en las que tus previsiones básicas tuvieron que ser revisadas al alza o a la baja, porque los riesgos eran simplemente demasiado grandes… Esto es exactamente de lo que se tratan las previsiones probabilísticas: equilibrar adecuadamente las decisiones del mundo real cuando se enfrentan a un futuro incierto. Mientras que el análisis de riesgos tiende a ser una reflexión posterior en los enfoques de previsión tradicionales, Lokad está llevando el caso al frente y al centro con previsiones probabilísticas.
La salida de datos del motor de previsión probabilística son distribuciones de probabilidades. Desde una perspectiva práctica, si bien esta información es extremadamente rica (¡es, después de todo, un vistazo a muchos futuros posibles!), también es bastante impráctica de usar en su forma cruda. Como resultado, Lokad proporciona una plataforma completa, todas las herramientas necesarias y el apoyo del equipo, para permitir que tu empresa convierta estas probabilidades en decisiones comerciales, como cantidades de reorden.
La aplicación web de Lokad cuenta con capacidades de procesamiento de Big Data, y te permite crear la lógica empresarial necesaria que convierte estas previsiones en decisiones, que están específicamente adaptadas a tu negocio. Estas decisiones pueden ajustarse para adaptarse a tus restricciones particulares de la cadena de suministro, como las cantidades mínimas de pedido, por ejemplo, tus impulsores económicos, como los riesgos asociados con la caducidad de la vida útil, y tus procesos, como los pedidos de compra diarios que deben realizarse antes de las 8 am todos los días.
Robotización a través del aprendizaje automático
La gestión de la cadena de suministro involucra frecuentemente muchos productos movidos a través de muchas ubicaciones. Las soluciones de previsión tradicionales tienden a depender en gran medida de ajustes bastante manuales cada vez que se involucran patrones estadísticos avanzados, como nuevos productos o efectos del ciclo de vida del producto. Sin embargo, en Lokad, nuestra experiencia indica que si una solución de previsión requiere un “ajuste fino” no hay fin: no importa cuantas semanas o meses de mano de obra se dediquen a hacer que la solución funcione, siempre hay una necesidad constante de “más ajustes finos”, simplemente porque hay demasiados productos, demasiadas ubicaciones y el negocio sigue cambiando.
Por lo tanto, en Lokad, hemos decidido optar por una completa robotización del proceso de previsión. Esto significa que
- no se requiere conocimiento estadístico para obtener previsiones
- no se espera ningún “ajuste fino” para ajustar las previsiones
- no se requiere mantenimiento para mantener las previsiones alineadas con tu negocio
Como inconveniente menor, estos algoritmos tienden a consumir mucha más potencia de procesamiento que sus contrapartes tradicionales. Sin embargo, este desafío se aborda a través de la computación en la nube que mantiene el motor de previsión funcionando sin problemas, sin importar la cantidad de datos involucrados.
El origen de nuestras previsiones probabilísticas
Lokad no inventó la previsión probabilística, otros matemáticos lo hicieron, principalmente utilizando el concepto para abordar un conjunto muy diferente de problemas como la previsión de precios de productos básicos o la previsión del tiempo. Además, Lokad no utilizó la previsión probabilística desde el principio; pasamos por la previsión clásica (2008), la previsión de cuantiles (2012) y las cuadrículas de cuantiles (2015)
antes de esto. Como resultado, las previsiones probabilísticas son en realidad la 4ª generación de nuestra tecnología de previsión. A partir de la experiencia adquirida en las iteraciones anteriores de esta tecnología, hemos obtenido una cantidad considerable de conocimientos sobre cómo diseñar un motor de previsión adecuado para cubrir una amplia gama de situaciones comerciales.
La idea misma de estimar probabilidades en lugar de un promedio provino de nuestros primeros años cuando todavía estábamos tratando de hacer funcionar el enfoque clásico. Nos llevó bastantes fracasos darse cuenta de que el enfoque clásico era intrínsecamente defectuoso, y que ninguna cantidad de I+D podría arreglar un marco estadístico roto. El marco estadístico en sí mismo tenía que ser arreglado en primer lugar para que el modelo de previsión funcionara.
Además, cada iteración de nuestro motor de previsión ha sido una generalización - desde una perspectiva matemática - de la versión anterior, con cada nueva generación de nuestro motor de previsión siendo capaz de manejar más situaciones que la anterior. De hecho, es mejor ser aproximadamente correcto que exactamente incorrecto. Las situaciones más difíciles se presentan cuando el motor de previsión no puede generar previsiones que serían las más apropiadas para adaptarse a una situación comercial dada porque el motor no es lo suficientemente expresivo. O cuando el motor de previsión no puede procesar los datos de entrada que serían realmente relevantes para obtener información estadística sobre cualquier situación dada porque, una vez más, el motor carece de expresividad. En Lokad, la previsión es un trabajo en progreso. Si bien estamos orgullosos de lo que hemos construido con nuestro motor de previsión probabilístico, esto no es el fin de nuestros esfuerzos. A diferencia de las soluciones locales, donde la actualización a una nueva herramienta es un desafío en sí mismo, los clientes de Lokad se benefician de nuestro motor de previsión de próxima generación tan pronto como esté disponible.
Nuestras preguntas frecuentes sobre previsión
¿Qué modelos de previsión están utilizando?
Estamos utilizando muchos modelos de previsión. La mayoría de los modelos que estamos utilizando hoy en día se considerarían algoritmos de aprendizaje automático. Estos modelos han sido desarrollados por Lokad, y típicamente no tienen contrapartes nombradas en la literatura científica. Cuando comenzamos en 2008, habíamos vuelto a implementar todos los clásicos (Box-Jenkins, ARIMA, Holt-Winters, suavizado exponencial, etc.); pero estos modelos cayeron en desuso ya que simplemente no pueden competir con nuestros modelos más recientes.
¿Cómo elige el modelo(s) a utilizar?
Seleccionar el modelo correcto o la combinación convexa correcta de modelos es la mitad de la batalla cuando se trata de construir una buena previsión en primer lugar. Desde una perspectiva estadística, un sistema capaz de elegir siempre el modelo “mejor” sería estrictamente equivalente a un sistema que siempre elige las previsiones “perfectas”. En la práctica, nuestro motor de previsión se basa en gran medida en la retroprueba para seleccionar el mejor conjunto de modelos.
¿Maneja su motor de previsión la estacionalidad, las tendencias, los días de la semana?
Sí, el motor de previsión maneja todas las ciclicidades comunes. Nuestros modelos también utilizan intensivamente un enfoque de series temporales múltiples para aprovechar las ciclicidades observadas en otros productos con el fin de mejorar la precisión de la previsión de cualquier producto dado. Naturalmente, dos productos pueden compartir la misma estacionalidad, pero no el mismo patrón de días de la semana. También tenemos modelos para manejar esto.
¿Qué datos necesita?
Para prever la demanda, el motor de previsión necesita que se le proporcione, al menos, la demanda histórica diaria, y proporcionar un historial de pedidos desagregado es aún mejor. En cuanto a la longitud del historial, cuanto más largo sea, mejor. Si bien no se puede detectar ninguna estacionalidad con menos de 2 años de historia, consideramos que 3 años de historia son buenos, y 5 años excelentes. Para prever los tiempos de espera, el motor típicamente requiere que los pedidos de compra contengan tanto las fechas de pedido como las fechas de entrega. Especificar los atributos de su producto o SKU ayuda a refinar considerablemente las previsiones también. Además, proporcionar sus niveles de stock también es muy útil para nosotros para realizar un primer análisis de stock significativo.
¿Puede prever mi hoja de Excel?
Como regla general, si todos sus datos caben en una hoja de Excel, entonces generalmente no podemos hacer mucho por usted; y siendo honestos, nadie tampoco puede. Es probable que los datos de la hoja de cálculo estén agregados por semana o por mes, y la mayor parte de la información histórica se pierda a través de dicha agregación. Además, en este caso, su hoja de cálculo tampoco contendrá mucha información sobre las categorías y jerarquías que se aplican a sus productos. Nuestro motor de previsión aprovecha todos los datos que tiene, y hacer una prueba en una muestra pequeña no dará resultados satisfactorios.
¿Qué pasa con los faltantes de stock y las promociones?
Tanto los faltantes de stock como las promociones representan sesgos en las ventas históricas. Dado que el objetivo es prever la demanda, y no las ventas, este sesgo debe tenerse en cuenta. Una forma frecuente, pero incorrecta, de lidiar con estos eventos consiste en reescribir la historia, para llenar los vacíos y truncar los picos. Sin embargo, no nos gusta este enfoque, porque consiste en alimentar pronósticos al motor de previsión, lo que puede resultar en problemas importantes de sobreajuste. En cambio, nuestro motor admite nativamente “indicadores” que indican dónde la demanda ha sido censurada o inflada.
¿Puede prever nuevos productos?
Sí, podemos. Sin embargo, para prever nuevos productos, el motor requiere las fechas de lanzamiento de los otros productos “más antiguos”, así como su demanda histórica en el momento del lanzamiento. Además, se recomienda especificar algunas de sus categorías de productos y/o una jerarquía de productos. El motor efectivamente prevé nuevos productos detectando automáticamente los productos “más antiguos”, que pueden considerarse comparables a los nuevos. Sin embargo, como aún no se ha observado demanda para los nuevos artículos, los pronósticos dependen completamente de los atributos asociados con ellos.
¿Es posible ajustar los pronósticos?
Casi una década de experiencia en previsión estadística nos ha enseñado muchas veces que ajustar los pronósticos nunca es una buena idea. Si los pronósticos necesitan ajustarse, entonces probablemente haya un error en el motor de previsión que debe corregirse. Si no hay ningún error que corregir, y los pronósticos se realizan tal como se espera desde una perspectiva estadística, entonces ajustarlos probablemente sea la respuesta incorrecta al problema. Por lo general, la necesidad de ajustar los pronósticos refleja la necesidad de tener en cuenta un impulsor económico de algún tipo; que impacta en el análisis de riesgos “sobre” el pronóstico, pero no en el pronóstico en sí.
¿Tienen experiencia en mi sector?
Tenemos experiencia en muchos sectores: moda, alimentos frescos, bienes de consumo, electrónica, repuestos, aeroespacial, fabricación ligera, fabricación pesada, etc. También trabajamos con diversos tipos de actores de la industria: negocios de comercio electrónico, mayoristas, importadores, fabricantes, distribuidores, cadenas minoristas, etc. La forma más fácil de asegurarse de que tenemos experiencia en su sector es ponerse en contacto directamente con nosotros.
¿Utilizan datos externos para refinar los pronósticos?
No. Si bien sus pronósticos se benefician de todo el conocimiento y la sintonización general del sistema que hemos adquirido al trabajar con otros clientes, sus pronósticos no contienen datos obtenidos de fuentes externas, ya sea de otros clientes de Lokad o de conjuntos de datos públicos. De manera similar, sus datos solo se utilizan para fines explícitamente asociados con su cuenta de empresa, y nada más.