Pronosticar la demanda con precisión en entornos complejos. Manoranjith Pathekkara, director general de LogicaMatrix (www.logicamatrix.com), escribe sobre las limitaciones inherentes de SAP APO que le impiden pronosticar la demanda con precisión en entornos complejos de la cadena de suministro.
¿Qué ha cambiado?
La mayoría de las cadenas de suministro actuales son mucho más complejas que cuando se crearon los sistemas de planificación como SAP APO en la década de 1990. A lo largo de los años, la complejidad empresarial ha aumentado, impulsada por el marketing multicanal, la configuración de la demanda y el impacto de Internet en las compras. Hay más productos, ciclos de vida más cortos y una proliferación explosiva de productos, lo que añade complejidad a la cadena de suministro y aumenta la volatilidad de la demanda. SAP APO no está equipado para abordar los desafíos actuales de la cadena de suministro, lo que hace que el pronóstico de la demanda y la planificación sean más engorrosos e imprecisos con APO o herramientas similares.
Pronosticar la demanda «de arriba hacia abajo» de APO
A pesar de las complejidades adicionales en las cadenas de suministro actuales, SAP APO sigue aplicando el enfoque tradicional «de arriba hacia abajo» para pronosticar basándose en datos agregados. Este enfoque agrega la demanda para suavizar la variabilidad, facilitando la generación de un pronóstico de alto nivel, pero la calidad del pronóstico a nivel de artículo y ubicación es deficiente porque se descartan detalles valiosos junto con el «ruido». Este método de planificación agregada y la posterior aplicación de reglas de segmentación solo funciona para negocios simples y altamente predecibles con unos pocos productos de alta rotación y distribución por un único canal.
APO generalmente agrega la demanda en tres dimensiones: estructura del producto (jerarquía), jerarquía de distribución y/o escala temporal antes de generar el pronóstico. Luego desagrega utilizando una función de «división». Al descomponer estos pronósticos de alto nivel en detalles a nivel de artículo y ubicación, se pierde información crucial sobre la volatilidad y los errores. Por ejemplo, dividir datos mensuales en semanas puede aumentar el error del pronóstico en más del 40%. Del mismo modo, desglosar agregados nacionales/SKU en detalles de origen de envío puede incrementar el error en aproximadamente un 40%.
Además, estas reglas operativas de segmentación pueden basarse en la experiencia del planificador, reglas empíricas o configuraciones en el sistema APO que quizás no se hayan actualizado adecuadamente. Esto introduce retrasos en el pronóstico, ya que las tendencias reales del mercado, como la mezcla de productos o las tendencias regionales, divergen de la norma.
Otro desafío de APO es el tiempo de ejecución de la planificación. Al planificar con un nivel más detallado de jerarquía —producto, canal y/o escala temporal—, los tiempos de ejecución se vuelven mucho más largos, superando la capacidad de muchas empresas. Esto se debe a que el pronóstico en APO utiliza múltiples métodos de series temporales y selecciona el de menor error. Este proceso es ineficiente y consume mucho tiempo, ya que la planificación para cada artículo se repite muchas veces. A medida que aumenta la granularidad requerida, los algoritmos de APO fallan al no poder modelar la demanda con ese nivel de detalle, resultando en resultados erráticos o tiempos de ejecución prolongados.
Por último, el «ruido» no es predecible. Muchas veces, cuando los planificadores ajustan manualmente el pronóstico, intentan predecir el ruido que el sistema no pudo interpretar. Esto ocurre porque sistemas como APO son deterministas: tratan todos los datos como exactos. Calculan valores exactos como entrada y salida, pero no consideran la naturaleza incierta de la demanda.
Por eso, con esta previsión, es imposible separar limpiamente la «señal» del «ruido». Cualquier desviación de la demanda, por normal que sea, se considera un error, ya que la previsión es un número exacto. El ruido también aparece como variabilidad y se tiene en cuenta exactamente igual que la variabilidad de la señal.
Modelado de demanda: un enfoque diferente
Un enfoque diferente es la modelización de la demanda. Al ser estocástica, la modelización de la demanda no calcula una única previsión numérica, sino una serie de cifras (intervalo de confianza), cada una con una probabilidad de ocurrir, y adopta como previsión la cifra con mayor probabilidad. No se supone que la distribución de probabilidad sea normal, sino que se adopta un modelo combinatorio.
La modelización de la demanda funciona de otra manera. Separa la señal del ruido. La señal son los datos que tienen valor predictivo. El ruido no. Así que cuando se modela la demanda, no se intenta adivinar el ruido. Es inútil intentar predecir el ruido, así que ¿por qué perder el tiempo, el esfuerzo y el coste? En lugar de eso, la modelización de la demanda mejora la previsión aislando cada vez mejor la señal del ruido.
La modelización de la demanda tiene en cuenta la gama de valores y sus probabilidades. La señal no es un número exacto, sino una gama de valores, cada uno de ellos con una probabilidad de ocurrir, igual que la demanda global en el mundo real. Hay variabilidad, pero la variabilidad forma parte de la señal. La diferencia entre la señal y el ruido es la parte de la demanda que es previsible y la parte que no lo es.
La previsión tradicional ignora la naturaleza estocástica inherente a la demanda. La modelización de la demanda la tiene en cuenta.
Dado que la señal se determina «descomponiendo» los datos en una parte de señal y otra de ruido, la modelización de la demanda hace que la granularidad de la demanda de referencia sea lo más detallada posible. Cuanto más detallada, más señal se conserva y más claramente puede identificarse la señal entre el ruido. La granularidad más utilizada es la línea de pedido de venta individual, diariamente por artículo y por ubicación de envío.
A partir de este detalle, pueden identificarse todo tipo de patrones. Por ejemplo, cada ubicación de envío puede mostrar patrones de pedido claros que favorezcan determinados días de la semana y excluyan por completo otros días, como sábados, domingos y festivos. Del mismo modo, puede haber patrones obvios para las semanas dentro del mes, impulsados por los objetivos de ventas en los calendarios fiscales. Este detalle permite detectar automáticamente la señal.
La información adicional -estacionalidad, promociones, inteligencia de mercado- afina aún más la separación entre la señal y el ruido para obtener una previsión más «silenciosa» y precisa. A medida que se proporciona información adicional, la señal se aísla cada vez más del ruido.
Comprendiendo la volatilidad de la demanda
Hoy en día, la previsión requiere comprender la señal de demanda a nivel de artículo-ubicación para ver las tendencias al alza y a la baja de los clientes, el crecimiento o la contracción de las regiones y el comportamiento inusual de las SKU. La información más importante sobre la volatilidad de la demanda se encuentra en este nivel de detalle.
La modelización de la demanda va más allá de la previsión estándar de series temporales para construir una previsión de referencia basada en la línea de pedidos de abajo arriba (nivel SKU-ubicación). A continuación, ajusta automáticamente la línea de base «detectando» estímulos e indicadores de demanda a un nivel detallado de canal-artículo-ubicación. También puede emplear el poder del aprendizaje automático para anticipar la demanda del mercado del consumidor final, modelando los cambios de la demanda a partir de promociones comerciales, introducción de nuevos productos, estacionalidad extrema y canibalización de productos. También gestiona la demanda fragmentada e intermitente, los nuevos productos y los cambios estacionales.
Por último, la modelización de la demanda ofrece un modelo unificado del comportamiento del mundo real. En lugar de considerar la demanda como una secuencia de procesos independientes separados por múltiples niveles de inventario, la ve como una única señal de demanda que abarca toda la cadena de suministro. Esta señal de demanda contiene información estocástica muy detallada que conserva todos los detalles de variabilidad y volatilidad, no sólo sobre las cantidades demandadas, sino también sobre las frecuencias de las líneas de pedido y las cantidades por línea de pedido. Este enfoque también minimiza el efecto «bullwhip».
Con SO99+, puedes transformar tu planificación de la demanda y alcanzar nuevos niveles de eficiencia y rentabilidad.
Solicita una demostración gratuita hoy mismo y descubre cómo SO99+ puede revolucionar tu negocio. En Bestechnology Group estamos listos para ayudarte.
