El forecast de la demanda, necesario para planificar los recursos de la empresa, es un pilar de la eficiencia y del servicio para la mayoría de las empresas. El modelamiento analítico, parte integrante del proceso, ha acaparado mucha atención últimamente por los avances de la inteligencia artificial, pero es solo una de las 4 palancas que pueden reducir el error de forecast, tal como se puede ver en la ilustración 1, parte de la metodología NEXUSQUANTS.

La demanda histórica es disponible bajo la forma de series de tiempo, o sea valores de demanda a intervalos constantes de tiempo, por ejemplo semanales o mensuales. La posibilidad de pronosticar con precisión una serie de tiempo (el ‘forecastability’) difiere entre series y puede ser incrementada de varias formas, por ejemplo incentivando a los clientes en reducir la volatilidad de sus pedidos o considerando la demanda quincenal en vez de semanal. El impacto puede ser inmenso: Trabajando con una empresa de consumo masivo, reducimos el error de forecast en 60%, simplemente considerando el sell-out (demanda de los distribuidores y retailers, menos volátil) en vez del sell-in (demanda del fabricante).

Ilustración 1: Palancas y ‘enablers’ de la precisión en forecast de la demanda

La relevancia y calidad de data es evidentemente un factor determinante para cualquier proceso analítico. De un lado necesitamos data histórica de la demanda cuando muchas veces solo disponemos de data de la venta, y del otro lado podemos ganar mucho en incluir data exógena en los modelos predictivos, como por ejemplo el precio o la temperatura ambiente. Variables exógenas frecuentemente reducen el error en 2 dígitos porcentuales.

El modelo analítico es la palanca más usada pero un modelamiento avanzado también puede reducir el error de un modelo convencional en 2 dígitos porcentuales, siempre y cuando el indicador de error por minimizar y el proceso de testeo sean válidos. Paradójicamente, el indicador más común para el error de forecast, el Mean Average Percentage Error (MAPE), no es el más recomendable.

La opción de realizar ajustes al forecast estadístico es necesaria, pues ciertos imprevistos no pueden ser parte del modelamiento, como lo vivimos durante la pandemia. Esos ajustes pueden mejorar el forecast promedio, si son el fruto de un proceso a prueba de sesgos.

La minimización del error de forecast es mucho más que la selección de un algoritmo. Es el resultado de una revisión constante de 4 palancas – Forecastability, Data, Modelamiento y Ajustes – por una organización dotada del talento, de la estructura, de los procesos y de la tecnología adecuada.

Share This