El proceso S&OP (Sales and Operations Planning), a través del cual se planifican los recursos de la empresa partiendo de una previsión de la demanda, es un pilar de la eficiencia y del servicio para la mayoría de las empresas. La analítica de datos, parte integrante del proceso, ha acaparado mucha atención últimamente por los avances de la inteligencia artificial, en especial el machine learning para la previsión de la demanda, ilustrada en los últimos concursos internacionales de forecasting.

Tal es el entusiasmo por la analítica de datos que muchos tienden a confundir proceso S&OP con modelo predictivo de la demanda, poniendo el modelo estadístico por encima del proceso de negocio. Esta confusión conduce a malas decisiones de negocio. La previsión de la demanda y S&OP en general deben ser considerados como procesos por las razones siguientes:

  • La inteligencia artificial debe ser completada por la inteligencia humana. Vimos durante esta pandemia que los modelos predictivos de la demanda no pudieron anticipar los cambios sin precedentes en la demanda y tuvieron que ser ajustados ‘a mano’.
  • Los humanos somos sesgados y lo sabemos. Sin embargo, a diferencia del diseño de productos, donde los ejecutivos de marketing pueden aplicar principios de psicología para lidiar con los sesgos de los demás, en decisiones de negocio, estratégicas u operativas, ¡los decisores deben reconocer sus propios sesgos!
  • Buenos análisis en manos de ejecutivos con buen criterio no conducirán naturalmente a buenas decisiones. Un tercer elemento – el proceso – es necesario. Un proceso diseñado para eliminar sesgos permitirá identificar errores de análisis, y no al revés, de allí el título de este artículo, inspirado por la citación «Culture eats strategy for breakfast» del famoso consultor y escritor Petrer Drucker.

El proceso S&OP genérico es ilustrado a continuación.

Fallas comunes a lo largo de este proceso pueden hacer sombra al mejor modelo analítico:

  • Confundir data de venta y de demanda. Queremos la segunda, pero no siempre se tiene.
  • Optimizar algoritmos predictivos sobre indicadores pobres y hasta equivocados. Paradójicamente, el indicador más común para medir el error de forecast, Mean Average Percentage Error (MAPE), no es el más recomendable…
  • Realizar ajustes restando valor sin darse cuenta. ¡Cuidado con el exceso de confianza!
  • Inflar el stock de seguridad subjetivamente, por encima del nivel económico. ¡El sobre stock también cuesta!

En un siguiente artículo, comparto recomendaciones para eliminar los sesgos más frecuentes en este proceso tan importante. ¡Nos vemos allí!

Share This