SELECCIÓN DEL MODELO DE PREVISIÓN DE LA DEMANDA

Cuando implantamos una nueva herramienta de gestión de la planificación, a veces prestamos poca atención a los modelos de previsión y las funcionalidades que nos aportan, y este es un punto clave para que podamos obtener una previsión fiable y escalable en función del tiempo y las circunstancias del negocio.

Como norma general tendemos a pensar que los sistemas de planificación de la demanda nos plantean los modelos correctos en función de los objetivos definidos mediante determinadas variables como pueden ser el nivel de servicio, los costes de almacenaje, etc., y esto es totalmente erróneo, ya que los modelos de previsión se basan única y exclusivamente en los datos históricos de ventas/pedidos/producción corregidos o no.

Debemos ser conscientes que un modelo de la demanda, al fin y al cabo, es una función que trata los datos que aportamos desde la empresa, y cada modelo analiza un patrón de datos específico, cada modelo tiene una vida útil propia, cada modelo produce resultados únicos, cada modelo reacciona de manera diferente para diferentes horizontes de tiempo. Hay cientos de variaciones en los cálculos, que se pueden combinar en miles de modelos con variaciones ilimitadas, por tanto, encontrar o construir el modelo perfecto no es tan sencillo.

De ahí la importancia de dedicar el tiempo suficiente a crear el modelo idóneo para tu negocio, en función de las necesidades de este.

Por tanto, el primer paso para construir nuestro modelo de previsiones pasa por entender la realidad de nuestro negocio, categorizando correctamente las entradas y salidas, las limitaciones del negocio, las variables específicas y los datos disponibles que voy a utilizar. Y a través de la experimentación y el tiempo podremos construir nuestro “modelo ideal”.

Hay que tener en cuenta que cuando hablo de “modelo ideal”, no podemos pretender abarcar todos y cada uno de los aspectos que se pueden llegar a producir en nuestro negocio, sino que tenemos que ser prácticos y abordar las desviaciones en función de su importancia.

A continuación, detallo los puntos clave a tener en cuenta para la creación de nuestro modelo de planificación:

Modelo ideal

Hay que tener en cuenta que un único modelo no va a satisfacer las necesidades del conjunto de referencias que trabajemos, ya que a pesar de todas las posibilidades disponibles en cuanto a modelado y algoritmos predictivos, no vamos a encontrar un modelo único que satisfaga todos nuestros problemas.

Incluso los científicos de datos más experimentados no pueden indicar qué algoritmo funcionará mejor sin antes experimentar con otros modelos. La buena noticia es que no es necesario que lo hagas bien la primera vez. Se puede elegir o construir un algoritmo que resuelva nuestras principales necesidades y luego, con el tiempo, personalizarlo para mejorarlo e ir resolviendo desviaciones menores.

Lo normal, es tener varios modelos en función de la tipología de referencias o artículos, que satisfagan la mayoría de las necesidades del negocio.

Simplifica

Es fácil perderse en los detalles o pensar en construir un modelo superajustado, pero lo mejor es seleccionar métodos simples inicialmente y usar procedimientos simples a menos que se pueda demostrar claramente que debe agregar complejidad al modelo. Los métodos complejos pueden incluir errores que se propagan a través del sistema o errores que son difíciles de detectar.

Cuanto más complejas y más características existan, más técnicas especializadas se necesitan. Por tanto, hay que empezar con lo que conocemos a ciencia cierta y lo que podemos aplicar con total seguridad, a partir de ahí, ajuste e itere los modelos a lo largo del tiempo.

El modelo se debe ajustar a la situación real de la empresa

El modelo predictivo o analítico debe proporcionar una representación realista de la situación. Por ello, debemos tener un sistema de análisis que nos permita contrastar la previsión generada por el modelo frente a los datos reales que se hayan conseguido.

Esto nos dará la precisión de la previsión que nos indicará como de acertados estamos siendo con nuestro modelo, lo cual nos permitirá rectificar, ajustar y afinar el modelo con el paso del tiempo.

Debemos tener siempre en mente los objetivos de la empresa para ver donde tenemos que equilibrar nuestro modelo de previsión y este equilibrio también se irá ajustando al través del tiempo y las pruebas que vayamos haciendo.

Aquí entran en juego dos factores:

  • Precisión de la previsión
  • Rango de artículos que engloba el modelo

                Estos dos aspectos deben estar equilibrados para obtener un modelo idóneo, ya que cuanto más preciso sea mi modelo, el rango de actuación será menor y por tanto tendré más artículos en los cuales mi modelo de previsión no va a funcionar.

                Pongamos un ejemplo para entenderlo:

                Después de realizar varios análisis de modelos obtengo los siguientes modelos:

  • Un modelo que nos da una precisión de la previsión del 97,5%, sin embargo, este modelo solo es valido para el 65% de los artículos.
  • También hemos construido otro modelo que nos da una precisión de la previsión del 95,2%, sin embargo, actúa con el 87% de los artículos.
  • Por último, tenemos otro modelo con una precisión de la previsión del 78% y actual sobre el 97% de los artículos.

                Con estos ejemplos queda claro que probablemente no podré obtener un modelo con una alta precisión de la previsión sin dejar un gran número de artículos sin un modelo correcto, y tampoco podré abarcar la mayoría de los artículos con una precisión de la previsión adecuada.

                Por tanto, tendré que buscar el equilibrio para optimizar mis modelos.

Lo normal será crear varios tipos de modelos para obtener una precisión de la previsión adecuadas en cada uno de ellos.

No hay una varita mágica para crear el modelo perfecto

Como hemos comentado anteriormente sabemos que ningún modelo en el mundo va a funcionar con toda la tipología de artículos y por tanto tendremos que crear varios modelos.

Combinando distintos modelos, se puede incorporar más información de la que podríamos obtener con un solo modelo. Los estudios incluso muestran que la combinación de modelos reduce el error en un 12,5 % en comparación con un solo método.

La combinación también puede tener el potencial de reducir el riesgo debido a los efectos del sesgo asociado con un solo método.

Los modelos de previsión se pueden quedar obsoletos

Sólo porque funciona la primera vez no significa que funciona siempre.  Los patrones cambian, los datos cambian, las características cambian y las reacciones dentro de los modelos cambian.

Hay que revisar y actualizar los modelos con frecuencia a medida que los datos subyacentes o el entorno cambian, para añadir estas nuevas características a nuestros modelos y que no se queden obsoletos.

 Para ello debemos utilizar enfoques cuantitativos y pruebas objetivas para añadir cambios en nuestros modelos y que estos se adapten al nuevo entorno.

Como ya dije inicialmente el proceso de crear un modelo de previsión es iterativo.

En conclusión

No hay un solo modelo o algoritmo que se ajuste a la totalidad de nuestro porfolio de artículos, y por ello elegir el adecuado depende de varios factores, entre ellos:

◦ Propósito,

◦ Tamaño de datos, calidad y diversidad;

◦ Y recursos disponibles.

Además, hay consideraciones adicionales como la precisión, el tiempo de vida, el volumen, los parámetros, los puntos de datos y mucho más que tenemos que analizar dentro de nuestro modelo, y para todo ello es fundamental el papel del planificador de demanda (Demand Planner) para ayudar a elegir el modelo adecuado que se adapte a los datos y las verdades subyacentes, utilizando nuestra experiencia y conocimiento profesional.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *