En mi artículo anterior expliqué por qué el Sales and Operations Planning (S&OP) debe ser visto como un proceso y no un modelo analítico. Los sesgos, cognitivos o no, son el riesgo principal y un buen diseño de proceso la solución. Veamos ahora qué sesgos temer y como eliminarlos.

Todo empieza con la selección, integración y validación de la data, donde muchos confunden venta con demanda. Queremos la segunda, pero muchos usan la primera por facilidad. Una pregunta recurrente es ¿qué fecha inicial considerar para las series de tiempo?, o sea desde cuando considerar la demanda y las otras variables eventuales. “Mientras más data, mejor” no necesariamente aplica, sobre todo cuando la realidad cambió recientemente. Al igual que para el tratamiento de data atípica (‘outliers’), la definición de fecha inicial para series de tiempo debe ser conversada y validada con expertos del negocio (comerciales) para incorporar la realidad ‘de terreno’ más representativa.

Los modelos analíticos son posiblemente los mejores destructores de sesgos en el pronóstico de la demanda y por consiguiente nuestros mejores aliados. Las decisiones en torno a la calibración de los modelos, sin embargo, están abiertas a sesgos. Por ejemplo, muchas empresas calculan erróneamente el error de forecast que se busca minimizar y generan así un sesgo, aun cuando la teoría correspondiente está al alcance de absolutamente todos. Incluso los algoritmos bien construidos, cuando se implementan sobre datos llenos de observaciones y resultados sesgados, pueden propagar y sistematizar sesgos. Por lo tanto, los diseñadores y gerentes deben evitar activamente que sus modelos algorítmicos se conviertan en cajas negras con sesgos incorporados. Los modelos deben ser validados por un equipo independiente y su funcionamiento debe observarse periódicamente, incluyendo el sesgo.

La posibilidad de ajustar el forecast analítico es necesaria pero peligrosa por exponer a varios sesgos. Muchos equipos empeoran las cosas al meter la mano, sin ni siquiera darse cuenta. El proceso correcto de ajuste es tanto ciencia como arte. Parte del forecast estadístico que, salvo graves problemas analíticos, es un excelente punto de partida y aprovechamos así el efecto ‘ancla’, un sesgo que en este caso nos beneficia! Luego se puede realizar un ajuste a este forecast estadístico tomando esa decisión en equipo multidisciplinario, con una dinámica que controle las comunicaciones directas (Delphi por ejemplo) y midiendo posteriormente el valor añadido del ajuste.

Last but not least, la última etapa de planificación de los recursos muchas veces se realiza en base heurística, probablemente por desconocimiento, cuando existen métodos analíticos de optimización robustas, al alcance de la organización promedio y que por supuesto deberían ser aprovechadas.

Espero que este artículo y el anterior les hayan convencido de usar el lente de proceso para su previsión de la demanda y planificación de recursos. Reducirá sesgos y mejorará resultados, combinando inteligencia humana y artificial, para el beneficio de la empresa y de sus clientes.

Share This