¿Quieres mejorar tu pronóstico a corto plazo? Prueba con la detección de la demanda.
¿Quieres mejorar tu pronóstico? Prueba la detección de la demanda.
Cuando los enfoques tradicionales de pronóstico alcanzan una meseta en términos de precisión, ¿cómo podemos impulsar mejoras adicionales?
Introducción
El pronóstico de la demanda es un proceso que estima las ventas de una organización en un horizonte determinado en el futuro. Los pronósticos de demanda a corto plazo suelen abarcar de 1 a 3 meses, mientras que los pronósticos a medio plazo pueden extenderse de 6 a 18 meses. Los pronósticos a largo plazo a menudo llegan hasta 3 a 5 años. El pronóstico ayuda a la empresa a decidir qué, cuándo y cuánto vender, qué inventario mantener y dónde invertir en capacidad para el futuro y así satisfacer una demanda de clientes dinámica. Las empresas suelen basarse en tendencias históricas combinadas con aportes de los clientes, y también tienen en cuenta promociones o ventas de liquidación, para crear un pronóstico de demanda.
El pronóstico de la demanda es importante por varias razones. Se encuentra en la cima de un proceso de Planificación de Ventas y Operaciones (S&OP) donde los pronósticos generados en esta etapa se transmiten a otras etapas, incluyendo la planificación de la oferta, la programación de la producción, la planificación logística y la optimización de inventarios. Es fundamental que el pronóstico de demanda sea lo más preciso posible para evitar costos asociados con un exceso o una falta de inventario. Un pronóstico excesivo puede llevar a que se amarre un exceso de capital de trabajo en inventario. Por otro lado, una subestimación constante puede llevar a que los clientes se queden sin stock o a una carrera para realizar pedidos utilizando materias primas más caras y enviar en un plazo corto con un transporte más costoso. Un plan preciso ayuda a evitar estas situaciones al impulsar la fabricación de la cantidad adecuada de productos en el lugar correcto y en el momento adecuado, y facilita altos niveles de servicio y costos más bajos de almacenamiento.
Desafíos en el pronóstico
“Predecir es muy difícil, especialmente si se trata del futuro”.
Esta cita se atribuye a menudo a Niels Bohr (hay cierto debate sobre si realmente dijo esto), uno de los principales físicos del siglo XX. Si bien esta es una forma humorística de ver el pronóstico, subraya el desafío intrínseco del pronóstico. Además de no conocer el futuro, existen otros desafíos asociados con los enfoques de pronóstico.
· Cambios en el entorno empresarial: por ejemplo, los sustitutos pueden reemplazar un producto, lo que reduce su demanda. Alternativamente, nuevas aplicaciones para un producto pueden hacer que la demanda aumente en comparación con las tendencias históricas.
- El Lenguaje de las Ubicaciones Evaluando la Proficiencia de la IA G...
- Aquí están los primeros oradores para la Cumbre de Negocios AiX de ...
- Optimización Bayesiana e Hyperband (BOHB) Ajuste de Hiperparámetros...
· Cambios en el modelo de negocio: una organización puede cambiar su modelo operativo y su estrategia empresarial. Por ejemplo, una empresa química puede optar por cambiar su negocio de productos químicos básicos a productos más especializados, por lo que los patrones históricos de demanda pueden dejar de ser válidos.
· Disponibilidad de datos: los datos históricos de ventas, los datos de jerarquía de clientes y productos, y los datos de pedidos en tiempo real pueden estar almacenados en sistemas dispares.
· Calidad de los datos: esto puede incluir problemas como datos inexactos debido a errores de entrada o datos capturados en granularidad diferente e inconsistente en los elementos de datos.
Enfoques de pronóstico
El pronóstico puede basarse en métodos cuantitativos o cualitativos. Los métodos cuantitativos se basan principalmente en análisis de series temporales, donde intentamos capturar tendencias a lo largo del tiempo (por ejemplo, crecimiento, estacionalidad) basándonos en datos históricos. En otros casos cuantitativos, podemos construir modelos econométricos que correlacionan el pronóstico de demanda con factores relevantes para el negocio. Con un enfoque cualitativo, nos basamos en la “sabiduría de las multitudes” e intentamos estimar el futuro en función de la opinión colectiva de expertos o encuestas. Hay varios recursos interesantes sobre técnicas de pronóstico disponibles en línea; se muestra una selección a continuación:
La guía definitiva de métodos de pronóstico de demanda: aumenta las ventas y optimiza el inventario – nexocode
¡Descubre los secretos del pronóstico de la demanda en nuestra guía! Aprende métodos, desafíos, beneficios y el papel de la IA para…
nexocode.com
Previsión de la demanda: todo lo que necesitas saber
La previsión de la demanda es crucial para las empresas en mercados en crecimiento rápido o volátiles porque les ayuda a ver el futuro de…
www.netsuite.com
Cómo elegir la técnica de previsión adecuada
Lo que todo gerente debe saber sobre los diferentes tipos de previsión y los momentos en que se deben utilizar.
hbr.org
6 tipos de previsión de la demanda y beneficios de la proyección
La previsión de la demanda ayuda a las empresas a tomar decisiones más inteligentes sobre inventario y capacidad. Revisamos los tipos de demanda…
www.thefulfillmentlab.com
Detección de la demanda a corto plazo
La detección de la demanda a corto plazo es una técnica de previsión que utiliza indicadores líderes para predecir las ventas de productos en un horizonte cercano. Utiliza una combinación de datos históricos e información en tiempo real para hacer predicciones a nivel diario o semanal. De esta manera, captura algunas de las dinámicas clave del mercado, especialmente en tiempos volátiles. Como tal, ayuda a los planificadores a ajustar sus planes de producción y logística a una previsión más refinada y precisa, aumentando así la resiliencia de la cadena de suministro y reduciendo los costos de inventario y transporte. Hay una variedad de recursos en línea sobre la detección de la demanda, aquí hay algunos:
¿Qué es la detección de la demanda – Soluciones y servicios de IA/ML | Socio principal de Google Cloud
Parámetros de previsión de la demanda tradicional Detección de la demanda Los métodos tradicionales de previsión de la demanda se basan en el histórico…
pluto7.com
Artículo – Kearney
Editar descripción
www.kearney.com
Se espera que la detección de la demanda tenga un alto valor económico (en términos de ahorro de costos o evitar pérdidas de ingresos) simplemente debido a la gran magnitud de los envíos. Debido a la granularidad de las predicciones y la frecuencia de las actualizaciones, la detección de la demanda puede ser intensiva en datos y computacional. Pero con más poder computacional disponible para los consumidores, se espera que la trazabilidad sea alta. Los resultados de la detección de la demanda son en su mayoría explicables, ya que generalmente utilizamos modelos basados en regresión lineal para estas aplicaciones. La mayoría de las veces, los resultados se pueden analizar para explicar claramente las predicciones a las partes interesadas. Las recomendaciones de actualización de la previsión de la demanda son accionables, ya que es una decisión interna de la organización cambiar la producción en función de los cambios en la previsión. Las aplicaciones de detección de la demanda también son en su mayoría sostenibles en términos de actualizaciones de datos de entrada, ya que se basan en datos de pedidos en tiempo real generados diariamente.
Un enfoque simplificado de detección de la demanda
La detección de la demanda se basa en indicadores líderes relevantes para estimar una previsión de ventas. La tasa a la que se realizan los pedidos de los clientes puede ser uno de esos indicadores líderes de la demanda a corto plazo. En algunas industrias, como la industria petroquímica, los clientes suelen realizar pedidos que se registrarán en cada mes varias semanas antes. En este artículo, hablamos de un enfoque de detección de la demanda basado en los pedidos de los clientes para una empresa química.
En este enfoque, la premisa es que si los pedidos se realizan a un ritmo más rápido al principio en comparación con las tendencias históricas de realización de pedidos, la demanda mensual final será alta y viceversa. La propuesta es complementar el proceso de previsión tradicional realizando el análisis de tendencias de pedidos de clientes a mediados de cada mes para estimar la demanda de productos para el próximo mes. Esta información temprana sería muy útil para los responsables de la cadena de suministro y los gerentes de productos para tomar decisiones sobre ajustes de producción y precios. El análisis también identificaría a los clientes que probablemente realizarían pedidos por debajo de su pronóstico, dejando el volumen restante disponible para los clientes que deseen más producto del que se pronostica. Esto permitiría intercambiar proactivamente productos entre los dos grupos de clientes, reduciendo los bloqueos y retrasos de pedidos y enriqueciendo la experiencia del cliente.
Para construir una solución de aprendizaje automático para el caso de uso de Sensibilidad a la Demanda, seguimos una serie de pasos que incluyen la recopilación de datos, el análisis exploratorio de datos, el procesamiento de datos (limpieza y creación de características), el desarrollo y perfeccionamiento de modelos, información accionable y recomendaciones. El objetivo principal es predecir la demanda actual y del próximo mes en una granularidad dada (por ejemplo, familia de productos, categoría de clientes) basándonos en atributos de pedidos de clientes. Los detalles de cada paso se enumeran a continuación:
a. Recopilación de datos — basándonos en lo que es típico para este caso de uso en un entorno de empresa de productos básicos, asumimos que cada producto (o familia de productos) tiene docenas o cientos de clientes que realizan pedidos con anticipación. Para capturar las tendencias anuales y estacionales en los pedidos de los clientes, recopilamos datos de al menos los últimos 36 meses. Recopilamos pedidos de ventas que incluyen datos sobre volúmenes solicitados, fecha del pedido de venta, mes de reserva de la demanda, información del cliente incluyendo la categoría y geografía del cliente, atributos del producto incluyendo la familia de productos, segmento de mercado. Comenzamos con un mes de reserva de la demanda y buscamos el volumen total de productos solicitados en los pedidos de ventas sobre una base diaria (días laborables excluyendo fines de semana y festivos) durante un período de dos meses desde el primer día laborable del mes anterior (CM-1) hasta el final del mes de reserva de la demanda (CM). Esto asume que no se realizan pedidos antes de esa fecha (primer día laborable del mes anterior). También debemos eliminar los pedidos cancelados o devueltos del análisis. La Tabla 1 muestra los datos de muestra en un dataframe.
*WD — Día laborable
b. Análisis exploratorio de datos — comenzamos obteniendo una idea del tamaño de los datos (filas y columnas) y el número y tipo de características (numéricas vs categóricas). También identificamos el número de valores nulos en cada columna. Visualizamos las columnas numéricas (a través de histogramas, diagramas de caja) para observar la forma de los datos (incluyendo la media, la mediana, la asimetría, los valores atípicos), y los datos categóricos (a través de gráficos de barras) para confirmar los valores únicos e identificar cualquier valor errático que deba ser abordado.
c. Procesamiento de datos — en este paso, eliminamos los valores atípicos (por ejemplo, valores negativos o valores extremadamente altos de columnas numéricas). También seleccionamos características y realizamos ingeniería de características. Para este caso de uso, seleccionamos características que están en una agregación más alta que la variable pronosticada. Por ejemplo, si pronosticamos la demanda de una familia de productos, seleccionamos el segmento de mercado, la geografía, los volúmenes acumulativos de pedidos y el pronóstico de ventas mensual base como características predictoras. Los pedidos acumulativos por un día laborable dado (Tabla 2) se derivan de los volúmenes de pedidos diarios como parte de la ingeniería de características. La Figura 1 muestra un ejemplo de cómo pueden variar los pedidos acumulativos por día laborable.
d. Desarrollo y perfeccionamiento del modelo — se recomienda una regresión lineal múltiple para este caso de uso. Se espera que sea una solución “por partes”, donde tenemos diferentes funciones de regresión para cada día laborable. Con 36 meses de datos, cientos de clientes para cada familia de productos, tendríamos miles de puntos de datos en el conjunto de entrenamiento para cada familia de productos. Comenzamos definiendo una función de pérdida para ayudarnos a construir el modelo que proporciona los pronósticos de demanda más precisos. Elegimos varias medidas de precisión, incluyendo el error absoluto medio (MAE), el error porcentual absoluto medio (MAPE) y R2, y evaluamos el rendimiento de diferentes modelos en función de estas métricas (queremos que R2 sea alto y los errores sean bajos). El error bruto es simplemente la diferencia entre el pronóstico de demanda mensual y los valores reales históricos a nivel de familia de productos. En cuanto a la preparación de los datos, primero dividimos los datos en un conjunto de entrenamiento (80% de los datos) y un conjunto de prueba (20% de los datos). Los valores faltantes o nulos se tratan por separado para cada conjunto para evitar fugas de datos. Si los valores faltantes constituyen la mayoría de una característica, es posible que eliminemos por completo la característica, ya que aporta poco poder predictivo. Si los valores nulos están presentes solo en algunas filas, es posible que eliminemos las filas con valores faltantes. También podemos completar los valores faltantes con las tendencias centrales, como la mediana de la columna si es numérica, o la moda si es categórica. Además, también convertimos las variables categóricas en formato numérico con codificación one-hot. Para escalar los datos para la entrada en un modelo de regresión lineal, dividimos la variable dependiente (pronóstico de demanda mensual) por el pronóstico de ventas base y los pedidos acumulativos (variable independiente) por el pronóstico de ventas base. Los coeficientes del modelo de regresión proporcionan la importancia de las características para explicar la variación en la variable pronosticada.
e. Ideas y recomendaciones accionables – la demanda prevista por la aplicación de IA puede ser mayor o menor que una previsión de ventas de referencia. Para explicar los resultados a las partes interesadas, un enfoque sería comparar las curvas de pedidos históricos con los pedidos en tiempo real (ver Figura 2).
* Solo se muestran aquí 3 meses de curvas históricas de porcentaje acumulativo de pedidos con fines ilustrativos; en una discusión del mundo real, incluiríamos al menos 12 meses de datos.
En esta figura, las curvas de porcentaje acumulativo de pedidos históricos se representan como líneas sólidas, mientras que los pedidos acumulativos en tiempo real (como porcentaje de la previsión de ventas de referencia para el próximo mes) se representan como la línea punteada. Podemos ver que en los meses históricos seleccionados, alrededor del 12% de la demanda total se ordena en el décimo día laborable del mes anterior, pero estamos en una tendencia del ~5% de la previsión, lo que indica que la demanda está llegando más suave de lo esperado para la previsión de referencia. Para este ejemplo, con la aprobación de las partes interesadas para actualizar las previsiones de demanda, podemos informar sobre decisiones para reducir la producción de la familia de productos en cuestión al tiempo que identificamos a los clientes que están realizando pedidos inferiores a los que proporcionaron como previsión. En general, las predicciones se pueden realizar diariamente para proporcionar señales a la fabricación sobre producción e inventario y a los equipos de ventas sobre debilidad o fortaleza de la demanda. Los modelos de IA/ML pueden ser reentrenados una vez cada trimestre o en el momento de la reestructuración del negocio.
Estimación del Valor Económico
Una forma de monetizar las inexactitudes en las previsiones es en términos de ingresos perdidos por falta de stock y costos de almacenamiento aumentados asociados con inventario no vendido en exceso. Si bien las fluctuaciones en la previsión pueden equilibrarse a lo largo de períodos más largos, un sesgo constante en la previsión puede llevar a una cartera desequilibrada de productos. Los ingresos perdidos por falta de stock a corto plazo pueden tener un impacto en el negocio a largo plazo si los clientes eligen abandonar permanentemente la organización en favor de competidores. Ilustramos los ingresos perdidos a través de un ejemplo simplista en la Tabla 3 a continuación, donde una suposición clave es que la organización no tiene suficiente inventario para cubrir las inexactitudes en las previsiones. Esta tabla proporciona la previsión de referencia (sin la aplicación de IA) y la demanda real de los clientes mensualmente para 10 familias de productos: PF1 a PF10. También se proporciona el precio por familia de productos. La magnitud de estos números es representativa de un producto químico básico.
Podemos ver que para algunos de los productos, estamos sobrestimando (Previsión > Real) y para otros, estamos subestimando (Previsión < Real). Para los productos subestimados, asumimos la falta de inventario para cubrir este déficit y calculamos los ingresos perdidos multiplicando el precio por el déficit. Se estima que los ingresos perdidos totales son de aproximadamente $58MM. Con una aplicación habilitada para IA para detectar la demanda futura mensual utilizando pedidos en tiempo real y actualizar la previsión y fabricar los volúmenes correctos de productos, podemos reducir estos ingresos perdidos. Incluso con una mejora del 20% en el error de la previsión (no atípico en este tipo de aplicaciones), los ingresos perdidos de la organización se reducen en $11.6MM al mes.
En Conclusión
La detección de demanda a corto plazo utilizando pedidos de clientes en tiempo real puede ser un paso adelante en comparación con los métodos de previsión convencionales, ya que utiliza información en tiempo real para mejorar la precisión de las previsiones. Sin embargo, debemos tener en cuenta que puede no ser aplicable a todos los casos de uso o situaciones comerciales. Funciona bien cuando hay cierta regularidad en el patrón de pedidos y se realizan pedidos con anticipación. Esta técnica funciona mejor cuando se combina con inteligencia de mercado para comprender la perspicacia empresarial detrás de las observaciones. El enfoque no se aplica a la previsión a más de 6-8 semanas, ya que los clientes generalmente no realizan pedidos con tanta anticipación.
El método descrito en esta publicación también se puede utilizar para otros propósitos. Por ejemplo, podemos utilizar este enfoque para estimar la desviación entre la demanda esperada y los pedidos reales realizados para cada combinación cliente/producto. Esto puede ayudar a identificar clientes para una investigación adicional que hayan pedido demasiado poco o demasiado volumen de productos en relación a su pronóstico de ventas base en comparación con su patrón de pedidos histórico.
Finalmente, querríamos implementar mecanismos para tomar medidas una vez que el pronóstico actualizado esté disponible. Esto puede incluir aumentar o disminuir la producción o hacer un seguimiento con los clientes que hayan excedido su asignación pronosticada o que aún no hayan levantado ningún volumen.
Gracias por leer. Espero que te haya resultado útil. No dudes en enviarme tus comentarios a [email protected]. Conéctemos en LinkedIn
