Esta pregunta crucial guía la planificación estratégica en la producción y comercialización de productos finales, ya sea para la próxima semana, mes, trimestre o año.
Nuestra modelo de pronóstico la resuelve de manera eficiente y precisa. Para cada ítem del portafolio, nuestra herramienta explora y detecta automáticamente propiedades esenciales que son fundamentales para realizar pronósticos precisos. Estas propiedades incluyen tendencias, estacionalidad, intermitencias, índices de variación, velocidad de salida, correlación y causalidad con otros elementos del portafolio.
Al final del proceso, cada ítem cuenta con un volumen de demanda proyectado para el próximo período, junto con intervalos de pronóstico. Esto permite a los planeadores ajustar las predicciones con base en un análisis detallado y la historia específica del ítem, optimizando así la toma de decisiones en manufactura, suministro, operaciones y distribución.
Este enfoque robusto y orientado a datos mejora significativamente la capacidad de las organizaciones para adaptarse dinámicamente a las fluctuaciones del mercado y las condiciones cambiantes, asegurando una planificación más precisa y eficiente.
Para que nuestra herramienta te entregue estas proyecciones, vamos a requerir de datos muy importantes como lo son la demanda real y los agotados.
Considerar la demanda real junto con los agotados en la generación de pronósticos de demanda permite a las empresas tomar decisiones más informadas y anticipar de manera más precisa las necesidades del mercado. Esto conduce a una gestión más eficiente del inventario, una mejor satisfacción del cliente y un rendimiento empresarial mejorado.
Contar con la demanda real y los productos agotados es crucial por varias razones fundamentales:
Reflejo de la verdadera demanda del mercado: Los productos agotados señalan una demanda insatisfecha que no se refleja completamente en los datos de ventas actuales. Incluir estos productos permite capturar una imagen más completa de la demanda real del mercado.
Identificación de patrones de compra: Los productos agotados revelan patrones de compra estacionales, tendencias emergentes o cambios en las preferencias del consumidor que no serían evidentes al analizar solo los productos disponibles. Estos insights son cruciales para generar pronósticos precisos y ajustar estrategias de inventario y producción.
Mejora de la precisión del pronóstico: Incorporar productos agotados en el modelo de pronóstico reduce el riesgo de subestimar la demanda futura. Esto ayuda a evitar problemas de falta de stock y maximiza las oportunidades de venta.
Planificación de inventario y producción: La inclusión de productos agotados en el pronóstico facilita una planificación más precisa del inventario y la producción. Las empresas pueden anticipar la necesidad de reabastecer existencias y ajustar sus operaciones de manera eficiente.
Mejora de la gestión de la cadena de suministro: Con una comprensión más completa de la demanda, las empresas pueden optimizar la gestión de la cadena de suministro, mejorando la eficiencia en la distribución, almacenamiento y entrega de productos.
Una vez recibimos la información histórica de la demanda, procedemos con el entrenamiento del modelo, un proceso conocido como backtesting.
El primer paso crucial es la preparación de las series de tiempo. Esto implica trabajar con datos históricos de ventas y/o demanda que han pasado por varias etapas de verificación y mejora de calidad. Primero, se realiza un perfilamiento de los datos para entender su estructura y asegurarse de que sean confiables. Luego, se lleva a cabo un diagnóstico para identificar posibles problemas como valores faltantes o datos inconsistentes. Después de esto, se aplica una reingeniería de los datos, que puede implicar ajustes en la frecuencia de agregación de los datos, como diario, semanal, mensual, etc., dependiendo de la necesidad del negocio.
Un aspecto importante de la preparación de datos es la normalización. Esto significa ajustar los valores de las series de tiempo para evitar problemas matemáticos durante el modelado. Por ejemplo, si hay valores iguales o menores a cero, se transforman a un valor estrictamente positivo, como 0.001 o 1, para mantener la estabilidad de los modelos de pronóstico.
Una vez que las series de tiempo están listas, se procede al backtesting. Esta es una técnica crucial para validar la efectividad de los modelos de predicción. El backtesting se realiza dividiendo el último año de datos en cuatro trimestres: Q1, Q2, Q3 y Q4. Cada uno de estos trimestres se utiliza secuencialmente como un período de prueba para predecir el siguiente trimestre.
En cada backtest, se entrenan modelos de pronóstico utilizando los datos históricos disponibles hasta el trimestre correspondiente. Luego, se generan pronósticos para el trimestre siguiente y se comparan con las observaciones reales para calcular diversos indicadores de desempeño, como errores de pronóstico y intervalos de confianza. Es común calcular estos indicadores para varios percentiles, como el 60, 80 y 95, para evaluar diferentes niveles de incertidumbre en las predicciones.
El objetivo principal del backtesting es determinar cuál es el pronóstico más confiable y útil para guiar las decisiones empresariales. Esto proporciona una evaluación crítica de la precisión y la fiabilidad de los modelos utilizados, permitiendo ajustes y mejoras continuas en el proceso de predicción de ventas y demanda.
Además, es importante destacar que el proceso de backtesting y predicción abarca una variedad de técnicas y modelos, como los métodos de suavizado exponencial, aprendizaje automático (machine learning) y aprendizaje profundo (deep learning). Cada uno de estos enfoques tiene sus ventajas y es aplicado según las características específicas de los datos y las necesidades del negocio.
Una vez completado el proceso de backtesting, procedemos a la entrega de resultados. Tendrás acceso a cuatro pronósticos clave: Pronóstico Sugerido (Suggested Forecast), Pronóstico Sugerido Superior (Next Suggested Forecast), Pronóstico Sugerido Inferior (Back Suggested Forecast), y Pronóstico Simple (Naive Forecast). Estos te proporcionarán una visión detallada y variada para respaldar tu toma de decisiones.
BestFit es un nuevo forecast de nuestro modelo que identifica cuál de los tres escenarios generados ofrece la mayor precisión para cada ítem, basándose en su comportamiento real.
El modelo analiza el desempeño histórico de cada escenario durante el proceso de backtesting, y selecciona aquel que presenta la mayor precisión de predicción frente a la demanda observada.
Así, el BestFit Forecast se convierte en el pronóstico recomendado por el sistema, al ser el más representativo del comportamiento futuro esperado del ítem. Este enfoque permite tomar decisiones aún más confiables, especialmente en contextos de alta incertidumbre o cambios frecuentes en la demanda.
Tendrás a tu disposición indicadores de rendimiento como el WMAPE (Weighted Mean Absolute Percentage Error) y el MASE (Mean Absolute Scale Error).
Se emplean 3 franjas de control para evaluar el rendimiento del pronóstico sugerido:
Franja Dorada: Errores entre el 0% y el 30%, indicando un rendimiento excelente del pronóstico sugerido.
Franja Plata: Errores superiores al 30% pero inferiores al 50%, reflejando un rendimiento aceptable del pronóstico sugerido.
Franja Bronce: Errores del 50% en adelante, señalando un rendimiento bajo del pronóstico sugerido.
Es crucial analizar el comportamiento de los ítems con WMAPE superior al 50%, ya que estos muestran una variabilidad significativa en su comportamiento.
Se utilizan 2 franjas de control para evaluar el rendimiento del pronóstico sugerido frente al pronóstico Naive.
Menor que 1: Indica que el pronóstico sugerido tiene un mejor rendimiento.
Mayor que 1: Indica que el pronóstico naive tiene un mejor rendimiento.
Esta estructura permite comparar eficazmente ambos pronósticos para mejorar la precisión en la planificación.
Determinar Volúmenes de Demanda Futura por Ítem: Prever los volúmenes de demanda de cada ítem, facilitando la planificación de inventario y producción.
Proporcionar Volúmenes de Demanda en Sesiones de S&OP: Presentar volúmenes de demanda predichos en reuniones de Planificación de Ventas y Operaciones (S&OP) para distintos escenarios de ventas.
Evaluar la Certeza de los Pronósticos: Analizar la precisión de los pronósticos generados por IA para tomar decisiones informadas en la gestión de la cadena de suministro.
Priorizar Pronósticos Basados en Ventas y Rotación: Clasificar los pronósticos según ventas históricas, rotación y variabilidad de la demanda para optimizar la asignación de recursos.
Identificar Ítems Sobre-Pronosticados Recurrentes: Identificar productos con tendencia a ser sobre-pronosticados, comparando los pronósticos con datos históricos, para prevenir excesos de inventario.
Detectar Ítems Sub-Pronosticados Recurrentes: Identificar productos con tendencia a ser sub-pronosticados, comparando los pronósticos con datos históricos, para evitar agotados o quiebres de inventario.
Priorizar Pronósticos para Anticipar Eventos de Demanda: Utilizar los pronósticos para anticipar eventos de alta demanda o bajas ventas, sin la inclusión explícita de intervalos.
Evaluar el Error MASE y Recomendar Pronósticos Ingenuos: Utilizar el Error MASE para determinar cuándo es apropiado utilizar métodos de pronóstico más simples para mejorar la precisión de la planificación.
Analizar Pronósticos para Ítems con Alta Variabilidad: Evaluar y ajustar pronósticos para ítems con alta variabilidad o intermitencia en la demanda para mejorar su precisión.
Examinar Variabilidad de la Demanda por Ítem y Período: Analizar cómo varía la demanda de productos según diferentes condiciones de mercado y períodos específicos.
Determinar Impacto y Correlación de Variables en Pronósticos: Estudiar cómo las variables clave impactan los pronósticos para optimizar la planificación de la demanda y la toma de decisiones.
Simular Escenarios Futuros para Gestionar la Incertidumbre: Utilizar modelos de simulación para pronosticar cantidades o precios de productos en diferentes escenarios futuros basados en cambios en variables críticas.
