Por Robert Kaufholz
Muchas empresas recurren a la previsión y modelización de la demanda para mejorar el rendimiento de su cadena de suministro sin comprender la diferencia entre estas dos prácticas.
Pero en realidad son dos conceptos muy diferentes.
Analicemos las diferencias.
¿Qué es la previsión de la demanda?
La previsión suele partir de una serie temporal de datos, presentada normalmente en forma de gráfico de barras que muestra la demanda por meses o semanas.
Se hace una proyección de lo que ocurrirá en los próximos meses basándose en lo que ha ocurrido en conjunto en los últimos meses o años.
Por ejemplo, supongamos que estás en una empresa de bienes de consumo que fabrica zumos de naranja.
Si quieres hacer una previsión nacional a tres meses vista -basándose en los dos últimos años y teniendo en cuenta las tendencias y la estacionalidad-, probablemente puedas hacer una previsión aproximada.
Los escollos de la previsión de la demanda
El problema es que la mayoría de las decisiones de la cadena de suministro no se toman a ese nivel.
La verdadera pregunta es: ¿cuántos cartones de zumo de naranja SKU12345 de 16 onzas y baja pulpa va a necesitar enviar desde el almacén de Newark, NJ?
Aunque las previsiones agregadas sólo se desvíen en unos pocos puntos porcentuales, el error puede traducirse fácilmente en un 40-50% de error para una combinación específica de semana, centro de distribución y SKU.
Esto se debe a que los algoritmos de «división» separan el total, repartiendo un 8% aquí y un 12% allá.
Pero esto no se corresponde con la actividad real a nivel de SKU.
Cuando se agrega, se reduce el ruido, los datos se suavizan y la previsión es más fácil.
Pero al agregar también se pierde señal, una señal que no puede recuperarse nunca más a nivel agregado.
Se cambia precisión por facilidad.
Modelar la demanda: ¿Qué es la modelización de la demanda?
La modelización de la demanda funciona en sentido inverso: de abajo arriba, en lugar de arriba abajo.
Desglosa los componentes de la demanda en una serie de factores internos y externos -el flujo de demanda- y examina cómo influye cada uno de ellos en la demanda para predecir la demanda futura.
Examina los factores específicos que impulsan la demanda a un nivel granular y diario para SKU-Locations individuales.
Utiliza la automatización del machine learning para aprovechar los factores externos que influyen en la demanda, como la introducción de nuevos productos, la planificación de promociones, los expositores al final del pasillo y las reducciones de precios, que tienen un impacto en el nivel más detallado, y los incorpora a la previsión.
Construir una previsión probabilística de la demanda
La modelización de la demanda también procesa los datos de forma diferente y genera un tipo distinto de resultados.
La previsión busca el mejor ajuste entre todos los algoritmos disponibles, generando un único valor de salida.
La modelización de la demanda crea una distribución de la demanda adaptativa que se ajusta mejor al perfil de la demanda.
La previsión probabilística produce entonces una gama de resultados posibles con probabilidades asignadas a todos los valores dentro de la gama.
Va más allá del «número de previsión de la demanda» y se refiere a la probabilidad de demanda en un periodo de tiempo determinado.
La modelización de la demanda ayuda incluso con los bienes de alta rotación, cuya demanda parece constante.
Cuando se modelizan estos artículos a nivel granular, la demanda puede parecer más intermitente, irregular y volátil.
Los algoritmos de previsión la califican de imprevisible: o no pueden hacerlo o no pueden añadir suficiente valor.
El modelado de la demanda desglosa esta demanda en sus partes constituyentes, para comprender su razón de ser y hacer una previsión completa de todos sus artículos.
Este es el valor de una previsión mejorada.
Modelar la demanda para obtener mejoras empresariales cuantificables
En cuanto a los beneficios, la modelización de la demanda puede mejorar enormemente la precisión de las previsiones, de forma medible a nivel agregado y muy significativa a nivel detallado.
También reduce la intervención manual necesaria para que todo funcione.
La sustitución de la previsión tradicional por la modelización y previsión avanzadas de la demanda suele reducir a la mitad la carga de trabajo del planificador.
El ordenador se encarga de la mayor parte de la carga de trabajo estadística y libera al planificador para que se centre más en la gestión de excepciones.
Por ejemplo, Melitta mejoró su gestión de las promociones y aumentó la precisión de sus previsiones estadísticas en un 3,2% en los seis primeros meses.
Un paso adelante hacia una visión completa de la demanda
La imagen anterior ilustra cómo el enfoque de modelado de la demanda de ToolsGroup le permite estratificar el conocimiento de la demanda para producir un plan de demanda óptimo.
Empezamos con una previsión probabilística de referencia, aumentada por nuestro motor de aprendizaje automático para incorporar datos de estacionalidad y detección de la demanda.
A continuación, añadimos los medios de comunicación y las promociones, la introducción de nuevos productos, las acciones y eventos especiales y la inteligencia de mercado.
Las capas del modelo de demanda añaden cada vez más información para un plan de demanda optimizado.
Bestechnology Group es representante de ToolsGroup desde hace más de diez años y ha liderado la implementación de SO99+ de forma exitosa en varias empresas de Ecuador, Colombia y Perú.
Contáctanos para brindarte asesoría personalizada.
