El faltante de stock puede explicar 1/4 del error de pronóstico de la tienda
La noción de precisión del pronóstico es sutil, realmente sutil. Es sentido común decir que cuanto más cercanos sean los pronósticos del futuro, mejor, y sin embargo, el sentido común puede estar completamente equivocado.
Con el lanzamiento de Shelfcheck, nuestro optimizador de disponibilidad en el estante, hemos comenzado a procesar mucha más información a nivel de punto de venta, tratando de detectar automáticamente problemas de faltante de stock (OOS, por sus siglas en inglés). En los últimos meses, nuestro conocimiento sobre los patrones de OOS ha mejorado significativamente, y hoy en día este conocimiento se está reciclando en nuestra tecnología de pronóstico principal.
Ilustremos la situación. El gráfico a continuación representa las ventas agregadas diarias a nivel de tienda para un producto determinado. La tienda está abierta los 7 días de la semana. Se produce un pronóstico de siete días al final de la semana 2, pero ocurre un OOS a mitad de la semana 3. Los días marcados con puntos negros tienen cero ventas.
En esta situación, el pronóstico es bastante preciso, pero debido al problema de OOS, la comparación directa de las ventas vs los pronósticos parece como si el pronóstico estuviera sobreestimando significativamente las ventas, lo cual no es el caso, al menos no en los días sin OOS. La medida de sobreestimación es un artefacto causado por el propio OOS.
Hasta ahora, parece que el OOS solo puede degradar la precisión del pronóstico percibida, lo cual no parece tan malo porque presumiblemente todos los métodos de pronóstico deberían verse igualmente afectados. Después de todo, ningún modelo de pronóstico puede anticipar el problema de OOS.
Bueno, el OOS puede hacer mucho más que simplemente degradar la precisión del pronóstico, el OOS también puede mejorarla.
Veamos el gráfico para ilustrar esto. Nuevamente, estamos viendo datos de ventas diarias, pero esta vez el problema de OOS comienza en el último día de la semana 2.
El pronóstico para la semana 3 es cero durante toda la semana. El modelo de pronóstico está anticipando la duración del OOS. El pronóstico no es completamente preciso porque en el último día de la semana 3 se realiza un reabastecimiento y las ventas vuelven a ser diferentes de cero.
Obviamente, un modelo de pronóstico que anticipa la duración del problema de OOS es extremadamente preciso en lo que respecta a la comparación numérica ventas vs pronósticos. Sin embargo, ¿tiene realmente sentido? No, obviamente no lo tiene. Queremos pronosticar la demanda, no los artefactos de ventas. Además, un pronóstico de cero puede llevar a un reabastecimiento de cero que, a su vez, prolonga la duración real del problema de OOS (y aumenta aún más la precisión de nuestro modelo de pronóstico entusiasta de OOS). Esta obviamente no es una situación deseable, sin importar cuán bueno sea el pronóstico desde un punto de vista numérico ingenuo.
Mal caso de sobreajuste de OOS
Hemos encontrado que la situación ilustrada por el segundo gráfico está lejos de ser inusual. De hecho, con una disponibilidad en estantería del 8% (una cifra típica en el comercio minorista) y un MAPE aproximado del 30% en los pronósticos diarios, las situaciones de OOS representan típicamente el 8% x 100 / 30 ≈ 27% ≈ 1/4 del error total de pronóstico que se está midiendo. De hecho, según la definición de MAPE, un pronóstico no nulo en un día de ventas nulas (OOS) genera un error del 100%.
Debido a que la fracción del error causado por OOS es significativa, hemos encontrado que una heurística simple como “si el último día tiene ventas nulas en un producto de alto rendimiento, entonces pronosticar ventas nulas durante 7 días” puede reducir el error de pronóstico en algunos puntos porcentuales al aprovechar directamente el patrón de OOS. Obviamente, muy pocos profesionales incluirían explícitamente esta regla entre sus modelos de pronóstico, pero incluso un modelo autorregresivo lineal moderadamente complejo puede aprender este patrón en gran medida y, por lo tanto, sobreajustar OOS.
Naturalmente, Shelfcheck está aquí para ayudar en estos asuntos de OOS. Manténganse atentos.
Comentarios de los lectores (2)
Hola Lars, Gracias por tu seguimiento. A nivel de tienda, las cosas son realmente ruidosas. Piensa en 1 o 2 unidades vendidas por día por artículo como un caso típico. El precio ciertamente es importante, pero en la práctica, a nivel de tienda, es muy difícil cuantificar con precisión el impacto de un ajuste de precio del 5% para un artículo en particular. Sin embargo, las promociones (que también son un efecto de precios, aunque grande) sí tienen efectos muy medibles incluso a nivel de tienda. Entonces, Shelfcheck integra la información diaria de precios. Sin embargo, descubrimos que en Alimentos y Bebidas, es muy posible superar significativamente (en términos de pronóstico) la precisión de los sistemas existentes sin aprovechar la información de precios. Sin embargo, no estoy diciendo que la información de precios sea inútil, simplemente que no es necesaria para mejorar en gran medida cada configuración que hemos observado hasta ahora en la industria minorista. Entonces, en el futuro, la información de precios pero también los datos de fidelidad detallados serán cada vez más críticos para mantenerse competitivo en el mercado de pronósticos. Hace 6 años | Joannes Vermorel
Hola, en F&B, la cantidad real vendida a menudo tiene una fuerte correlación con el precio de venta real. Esto se modela a menudo utilizando el Índice de Elasticidad de Precio = cambio de cantidad % / cambio de precio %. En mi experiencia, el pronóstico estadístico unidimensional que solo tiene en cuenta la cantidad real vendida sin tener en cuenta el precio promedio real se vuelve bastante inútil = una pérdida de tiempo completa. ¿Estás de acuerdo y cuál es tu opinión al respecto? Hace 6 años | Lars
