Generalidades de los pronósticos automatizados

Generalmente, la información suministrada por una herramienta de pronósticos es tomada y ajustada por un grupo de expertos o por funcionarios de la organización que poseen un conocimiento empírico, pero muy preciso, del comportamiento de algunos productos en el mercado y que aportan el componente cualitativo del pronóstico.

Queremos exponer a nuestros lectores algunos de los pros y los contras de los pronósticos de series de tiempo automáticos y examinar modos para mejorar los pronósticos.

Una de las formas de formalizar el proceso de elaboración de los pronósticos dentro de la organización es establecer el rol o función de pronosticador o planeador y suministrarle a esa persona las herramientas adecuadas para la construcción del pronóstico. La mayoría de las herramientas de software ofrecen las dos opciones de pronóstico, tanto automática como especificada por el usuario. Por ejemplo, ForecastPro incluye un algoritmo de selección experta por el cual el programa automáticamente analiza sus datos, segmenta las familias de pronóstico apropiadas y, dentro de la familia, escoge el mejor modelo en base a parámetros estadísticos. Existe también la posibilidad de que sea el usuario, basado en su experiencia y conocimiento, quien especifique el modelo de pronóstico específico a ser usado para el artículo o la serie que se está analizando. Encuestas realizadas a usuarios de ForecastPro arrojan que el 43% de los usuarios usan la selección experta 'siempre' y el 44% manifestó que confían en los resultados arrojados por ella 'la mayor parte del tiempo.'

No todos los algoritmos automáticos son iguales, ya que un sistema de pronóstico automático basado en series de tiempo puede ir desde una simple hoja de cálculo de Excel, que usa promedios y ajustes simples, hasta un sofisticado paquete de software diseñado exclusivamente para la generación de pronósticos, mucho más evolucionado, que automáticamente selecciona entre un gran número de modelos estadísticos de pronóstico de forma desagregada, es decir, artículo por artículo.

La exactitud de los pronósticos generados por sistemas automáticos puede variar ostensiblemente. Aplicativos desarrollados en hojas de cálculo de Excel rara vez ofrecen una alta exactitud, mientras que sí lo hacen los sistemas de pronóstico especializados que utilizan métodos de series de tiempo probados estadísticamente, los cuales emplean modelos como la suavización exponencial, Box-Jenkins, Croston y otros. Estudios empíricos han mostrado diferencias sustanciales de la exactitud entre herramientas de pronóstico comerciales que utilizan los mismos tipos de modelos. Estas diferencias son ocasionadas por varios motivos, incluyendo el diseño y desarrollo de los algoritmos de selección, así como la forma en que se calculan los parámetros y cómo los modelos son optimizados e inicializados.

La mejor forma de evaluar un sistema de generación de pronósticos es modelar los escenarios pasados, generar los resultados a través del sistema y compararlos con la realidad presentada. Esto permitirá evaluar de mejor manera la confiabilidad que un sistema de pronósticos puede brindar al proceso de planeación.

Al implementar un sistema automatizado de pronósticos, el usuario debe tener presente que un algoritmo automático ve sus datos como una serie de números y selecciona un modelo con base en parámetros estadísticos. Es probable que en ocasiones el planeador tenga mucha experiencia respecto al comportamiento de la demanda de los productos y del mercado, lo cual puede llevar a aplicar ajustes a los pronósticos generados por el sistema o incluso a rechazar las proyecciones presentadas por el mismo. Hay muchos casos en los cuales definitivamente el juicio de expertos es la mejor opción, desvirtuando los resultados de un sistema automático.

Las series de tiempo trabajan capturando patrones dentro de los datos históricos y extrapolando el modelo hacia el futuro. Los métodos de series de tiempo son apropiados cuando el usuario tiene una cantidad razonable de datos y hay una continuidad entre el pasado y el futuro (regularidad). Son métodos muy apropiados cuando pronosticamos en el corto plazo, ya que suponen que el modelo y las tendencias permanecerán constantes.

Hay muchas situaciones donde los métodos de series de tiempo podrían no ser la mejor opción. En estos escenarios se encuentran los productos nuevos (debido a su corta historia), el pronóstico de productos sujetos a eventos permanentes (promociones y/o interrupciones de negocio que generan desviaciones constantes en los volúmenes) y el pronóstico de productos cuyo comportamiento depende de muchas variables además del tiempo, como precios, variables del mercado, etc. Es importante tener presente que si estos eventos no son permanentes, la serie de tiempo se puede aplicar y el experto deberá modelar estos eventos en el sistema para generar la proyección correcta.

Es muy importante que el usuario del sistema esté en armonía y concordancia con el modelo a utilizar; en pocas palabras, que haya 'feeling' con el modelo seleccionado por el sistema. Puede haber situaciones en las cuales el sistema seleccione un modelo debido al análisis estadístico; sin embargo, el usuario tiene el conocimiento suficiente para controvertir el modelo seleccionado. Estos casos son muy frecuentes cuando la serie tiene pocos datos o se ha presentado un cambio específico en las condiciones del mercado. ForecastPro tiene un elaborado algoritmo de 'selección experta' que se basa en reglas y en la naturaleza de los datos para segmentar los posibles modelos a aplicar a la serie de datos entre los 96 modelos estadísticos diferentes con los que trabaja ForecastPro. Una vez hecha esta segmentación, realiza una competencia entre los modelos seleccionados para escoger el mejor de acuerdo con parámetros estadísticos.

En otros casos, el usuario puede tener el conocimiento de eventos futuros que no son capturados en el modelo de pronóstico. Por ejemplo, puede haber una promoción planificada, un competidor que entra en el mercado o una venta atípica programada. En estos casos, el usuario querrá tratar el modelo automatizado como base para aplicar su juicio y ajustar el pronóstico de tal manera que refleje el evento en el futuro. El nivel de certeza con el que se pueda generar una proyección de la demanda es fundamental en todo el proceso de planeación de una organización. El desarrollo de pronósticos basados en herramientas no adecuadas para esta labor puede generar resultados erróneos que impactan todos los procesos de la organización. Es importante revisar en detalle el proceso de planeación de la demanda, la experiencia de los planeadores para el desarrollo de esta labor y las herramientas utilizadas que sirven de apoyo para la correcta exactitud del pronóstico.

Mind Andina ha implementado más de 25 proyectos de planeación de la demanda con base en el uso del sistema ForecastPro en importantes compañías de la región andina. Usted puede ver una presentación y demostración de ForecastPro en línea, haciendo clic aquí.

Mind de Colombia es una empresa visionaria que implementa proyectos basados en software de clase mundial, de acuerdo con las necesidades de cada uno de sus clientes. Contamos con metodologías probadas y especializadas para la implementación de proyectos en temas como CRM, SFA, ERP y planeación de la demanda.

Adicionalmente ofrecemos servicios de consultoría y seminarios en temas de CRM (Customer Relationship Management), SFA (Sales Force Automation), KAM (Key Account Management) y estrategias de fidelización de clientes.

Mind de Colombia

Manejo Informático Industrial de Colombia

www.mind.com.co

Twitter: MindDeColombia

Facebook: Mind de Colombia

Linkedin: Mind de Colombia