Mejorando sus pronósticos con el modelamiento de eventos

La evolución de un proceso de pronóstico exitoso involucra varios pasos.

Es muy común para una organización comenzar creando hojas de cálculo que contienen la demanda histórica de los artículos y calcular los pronósticos usando simples fórmulas ad hoc como «lo mismo que el año pasado más un porcentaje». La exactitud de los pronósticos generados por este camino es a menudo pobre, y generalmente se termina con hojas de cálculo grandes e inmanejables, con complejas fórmulas que son propensas al error involuntario y muy difíciles de mantener una vez hay cambios en el personal que genera el pronóstico dentro de la organización.

La mayoría de las veces, el siguiente paso es comprar un software especializado, por ejemplo Forecast Pro, y utilizar el algoritmo de selección experta. Este algoritmo selecciona el modelo de pronóstico más adecuado para cada uno de los productos que se están pronosticando.

Aunque muchas organizaciones encuentran que la selección experta funciona bastante bien para la mayoría de sus productos, por lo general hay una cierta fracción de productos en los que modelos personalizados pueden superar el desempeño de la selección experta. Así, el paso final debe ser mejorar los resultados personalizando el modelo.

Una personalización común es el modelamiento con eventos, objeto de este artículo.

Como se explicó en la primera parte de la serie «Más allá de la automatización del pronóstico», un método de pronóstico de series de tiempo es un método que se basa únicamente en la historia del artículo a ser pronosticado. Cuando la demanda del artículo está influenciada por factores como el nivel de ventas o por patrones como la tendencia y la estacionalidad, los métodos de series de tiempo funcionan bien. Sin embargo, muchas veces las empresas tienen información que no es capturada por los componentes de nivel, tendencia o estacionalidad. Los ejemplos incluyen promociones de producto, festivos móviles, interrupciones del negocio y otros acontecimientos irregulares. Cuando los volúmenes de la demanda se ven influenciados por este tipo de eventos, los métodos de series temporales no funcionan tan bien.

Un modelo con eventos es un modelo que está diseñado para cuantificar el impacto de estos eventos y usar esa información para mejorar el pronóstico. La entrada para un modelo de eventos es la demanda histórica del artículo a ser pronosticado y una tabulación del momento justo en el que este sucede, ya sea en la historia o en el futuro que se está pronosticando.

Los modelos con eventos son una extensión de los modelos de suavización exponencial; funcionan mediante la generación de índices para ajustar los diferentes tipos de eventos. Estos índices se estiman y utilizan para medir el impacto de cada tipo de evento casi exactamente de la misma forma en que los índices estacionales se estiman y usan para medir el impacto de cada período estacional.

La línea verde en la gráfica representa, mensualmente, la demanda de un producto que es fuertemente promocionado durante el año, y la distribución de los periodos en los cuales suceden estas promociones varía de año en año. Un método de series de tiempo no funciona bien para un producto como este debido a que las promociones influyen significativamente en la demanda. El modelo de eventos es una respuesta satisfactoria a las promociones que sufre este producto y provee un pronóstico más exacto (en este ejemplo, se sabe el momento exacto en el que estas promociones sucederán en el futuro).

Construir un modelo con eventos es relativamente sencillo y no requiere un conocimiento estadístico profundo. Se requiere que exista la información de cuándo han sucedido en la historia y si su impacto realmente amerita modelarlo, también requiere tomar una decisión acerca de cuántos tipos de eventos se van a modelar y, por último, requiere una programación a futuro de cuándo van a suceder.

Obviamente, el esfuerzo de construir un modelo con eventos es mayor que el que implica el pronóstico automatizado; sin embargo, para datos que son fuertemente influenciados por este tipo de escenarios, bien vale la pena realizar este esfuerzo adicional, ya que esto se verá reflejado en la rentabilidad y los costos.

En la tercera y última entrega de la serie examinaremos cómo los modelos top down (de forma agregada) pueden ser usados para mejorar el resultado del pronóstico.

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