Tomado de: ToolsGroup
Previsión de la demanda. No querrás estar en el lado izquierdo del gráfico de evolución de la previsión anterior, que representa los saltos que han generado grandes avances en los KPI de la cadena de suministro.
Los primeros «homínidos» de la previsión eran puramente reactivos o asumían que lo que ocurrió en el último periodo probablemente ocurriría de nuevo en el siguiente (por ejemplo, si ayer había ocho antílopes en la llanura, probablemente habrá un número similar hoy).
El ser humano primitivo descubrió la previsión de la demanda estadística. No fue exactamente la rueda, pero sí un gran salto adelante. Una serie temporal de valores anteriores podía usarse para crear un gráfico de barras que mostrara la demanda agregada de un periodo tras otro. Proyectaba hacia adelante lo que había ocurrido en los últimos períodos o simplemente añadía un X% al número anterior.
Esta evolución dio lugar a otro avance: ajustar curvas a la demanda histórica, creando promedios móviles y líneas de tendencia. Incluso se podía incorporar la estacionalidad en el cálculo. El invierno se acerca. Habrá menos antílopes.
Planificación de la demanda y complejidad empresarial.
La planificación de la demanda ayudó al incorporar efectos jerárquicos y causales adicionales a la previsión. Sin embargo, a medida que pasaba el tiempo, la complejidad empresarial seguía aumentando. En otra parte del mundo, marketing y ventas estaban descifrando pistas sobre el comportamiento del cliente.
Desafortunadamente, las cadenas de suministro seguían en una especie de edad oscura, haciendo previsiones con algoritmos engorrosos y bolas de cristal. Esta incapacidad para integrar y aprovechar datos cada vez más disponibles provocó un estancamiento en la precisión de las previsiones. Todavía vemos empresas con una precisión de previsión por artículo-ubicación (usando el error porcentual absoluto medio o MAPE) tan baja como el 70% o menos.
Este déficit es especialmente común en las empresas que utilizan un enfoque de previsión «de arriba hacia abajo», donde la demanda se pronostica de forma agregada y luego se desglosa a detalle de SKU-ubicación para la planificación de inventarios y reabastecimiento. La agregación suaviza la variabilidad y el «ruido», lo que facilita generar una previsión a un nivel alto. Sin embargo, la calidad de la previsión a nivel de SKU-ubicación es pobre porque el detalle de la señal de demanda se filtra junto con el ruido, perdiendo información crucial sobre la volatilidad y el margen de error.
Modelado de la demanda
Así ha evolucionado una nueva forma de previsión llamada Modelado de la Demanda. Funciona desde abajo hacia arriba, en lugar de arriba hacia abajo. Desarrolla un modelo de demanda que reconoce el patrón de demanda diario único para cada combinación de SKU-ubicación individual. Divide este flujo de demanda en una serie de componentes (factores internos y externos) y analiza cómo cada uno afecta individualmente la demanda.
Estos componentes pueden incluir una previsión estadística de base; estacionalidad, calendario y patrones de ventas diarias; modelado de la demanda mediante la introducción de nuevos productos y otros. Esto mejora significativamente la precisión de las previsiones a nivel detallado y reduce la intervención manual para que todo funcione.
Este enfoque es valioso porque la información más significativa sobre la variabilidad y la volatilidad de la demanda se encuentra en el nivel más granular de detalle; a partir de ahí, la previsión puede agregarse a cualquier nivel para respaldar un proceso de S&OP o la implementación operativa de inventarios en toda la red.
La incorporación de datos detallados de los canales convierte este método en un enfoque «de afuera hacia adentro», también conocido como detección de la demanda (demand sensing). La detección de la demanda mejora las previsiones al traducir la demanda del canal descendente en una señal de demanda para cada SKU-ubicación aguas arriba, mejorando la fiabilidad de la previsión estadística y reduciendo la latencia de la demanda.
El desarrollo más reciente, el aprendizaje automático (una forma de inteligencia artificial), captura y modela patrones complejos que dan forma a la señal de demanda, lo que permite a los pronosticadores afinar continuamente la relación señal-ruido. Esta tecnología de vanguardia identifica patrones y tendencias ocultas que son extremadamente difíciles o llevan mucho tiempo descubrir mediante otros enfoques, como técnicas estadísticas estándar o análisis humano.
Los resultados se utilizan luego para refinar análisis futuros, haciendo que el sistema sea automáticamente más inteligente y preciso con el tiempo. Es especialmente adecuado para promociones frecuentes, introducción de nuevos productos, demanda de «larga cola» y estacionalidad extrema. Por ejemplo, un sistema de aprendizaje automático que aproveche datos web para detectar el éxito de un nuevo producto encontrará y aprenderá qué indicadores de demanda (visitas a la página, descargas de especificaciones, tiempo en el sitio) son más reveladores, y actualizará su modelo a medida que cambie el comportamiento del cliente.
Entonces, ¿qué tan evolucionada está tu previsión?
Solicita una demostración gratuita hoy mismo y descubre cómo puede evolucionar tu previsión de la demanda con las herramientas correctas. En Bestechnology Group estamos listos para ayudarte.
