Pronosticando con Quantile Grids (2015)

Quantile Grids representan una mejora radical sobre los métodos de forecast clásicos siempre que se involucre inventario. Además, son superiores a los forecast cuantílicos porque ofrecen mucha más información sobre el futuro. Los métodos tradicionales de forecast funcionan mal, especialmente para el comercio. La causa raíz de este problema es simple: el futuro es incierto. Los forecasts clásicos intentan predecir el único valor correcto de la demanda futura y, bueno, fallan en ello. Intentar, de manera desesperada, arreglar los forecasts clásicos con la esperanza de predecir la demanda futura “correcta” es ilusorio. Quantile grids adoptan una postura completamente diferente en este asunto.

Con quantile grids, Lokad predice no un solo valor de demanda futura para un producto dado, sino la distribución completa de probabilidad para la demanda; es decir, la probabilidad de tener una demanda de cero unidades, luego de una unidad, luego de dos unidades, etc. Esta información es enormemente más rica y puede ser aprovechada de maneras sumamente más rentables que los forecasts clásicos.

Introducción para el no estadístico

Al leer estas líneas, si no eres estadístico, podrías preguntarte si tu negocio tiene alguna posibilidad de lograr algo sensato con estos llamados “quantile grids”. Esto suena más como un buen título para una tesis doctoral en estadística moderna que como un medio práctico de forecast. Bueno, si piensas que este término intimida, simplemente reemplaza mentalmente quantile grids por forecasts que realmente funcionan, y eso bastará. La gran mayoría de las empresas que utilizan Lokad no cuentan con habilidades en estadística. El filtro de spam asociado a tu bandeja de entrada también utiliza estadísticas avanzadas, y no se necesita un doctorado para usar una bandeja de entrada.

Lokad está haciendo algo similar para el comercio. Estamos aprovechando el machine learning avanzado para hacer tu empresa más rentable, y la tecnología que lo respalda es ahora tan avanzada que, en realidad, ya no tienes que preocuparte tanto por ello.

A continuación, describimos lo que sucede tras bastidores en Lokad, pero ten la seguridad de que puedes utilizar Lokad incluso si no comprendes plenamente lo que implica nuestro motor de forecast – al igual que puedes usar un filtro de spam sin estar familiarizado con la inferencia bayesiana probabilística.

Repensando el forecast para el comercio

Muchos proveedores se jactan de utilizar métodos de forecast “avanzados” como ARIMA, Box-Jenkins y Holt-Winters, los cuales en realidad tienen casi medio siglo de antigüedad; todos fueron concebidos en una época en la que las computadoras corporativas más poderosas tenían menos capacidad de procesamiento que la que hoy en día tiene la mayoría de los frigoríficos. Las personas que inventaron estos métodos eran excepcionalmente inteligentes, pero tuvieron que conformarse con los recursos computacionales de su tiempo y, por ello, dieron preferencia a modelos que pudieran calcularse con muy pocos cálculos. Hoy en día, podemos utilizar enormes cantidades de poder de cómputo para nuestros desafíos de forecast a muy bajo costo.

Tenga en cuenta que 1000 horas de poder de cómputo cuestan menos de $50 al utilizar una plataforma de computación en la nube. Obviamente, esto abre perspectivas radicalmente nuevas para el forecast, y es precisamente estas perspectivas las que Lokad ha estado explorando extensamente. Quantile Grids representan la tercera versión de la tecnología de forecast de Lokad, pero retrocedamos unos años para obtener el panorama completo. Comenzamos con los forecasts clásicos en 2008 como la primera versión de nuestra tecnología de forecast, y a pesar de tres años de tremendo esfuerzo en I+D por parte del equipo de Lokad, el enfoque clásico resultó ser un callejón sin salida. Realmente nunca logramos tener un cliente profundamente satisfecho con los forecasts clásicos. Al indagar en las experiencias de nuestros clientes con otros proveedores de forecast, resultó que no había ni una sola empresa que estuviera siquiera cerca de estar satisfecha con la tecnología de forecast que habían adquirido. Este problema no era específico de Lokad, y nos dimos cuenta de que toda la industria del forecast era disfuncional; y decidimos hacer algo al respecto.

En 2012, Lokad lanzó la segunda versión de su tecnología de forecast con nombre en clave Quantile Forecasts. En pocas palabras, los forecast cuantílicos abordan el problema número 1 que aqueja a los forecasts clásicos: los forecasts clásicos simplemente no se centran en el problema correcto.

De hecho, el desafío para las empresas es evitar dos extremos: una demanda inesperadamente alta que causa faltante de stock, y una demanda inesperadamente baja que ocasiona inventario muerto. Lo que sucede en el medio, cuando la demanda futura es más o menos “como se esperaba”, importa muy poco desde el punto de vista del negocio.

Sin embargo, los forecasts clásicos, ya sean de media o de mediana, ignoran por completo estas situaciones “extremas” y se centran íntegramente en el caso promedio. No es de extrañar que los forecasts clásicos fallen en prevenir tanto el faltante de stock como el inventario muerto. Los forecast cuantílicos abordan el desafío de frente y analizan directamente el escenario de interés, por ejemplo, evitar el faltante de stock, y se esfuerzan por proporcionar una respuesta precisa a ese mismo problema. De repente, en 2012, empezamos a tener cada vez más clientes satisfechos. Por primera vez en la historia de Lokad, más de 3 años después del lanzamiento de la empresa, teníamos algo que funcionaba.

En 2015, Lokad lanzó la tercera versión de su tecnología de forecast, los quantile grids. Si bien los forecast cuantílicos ya representaban una mejora radical respecto a los forecasts clásicos, aún presentaban sus debilidades. A medida que acumulamos más y más experiencia con docenas de implementaciones de nuestra tecnología de forecast con quantile grids, nos dimos cuenta de que, aunque la idea de producir un forecast para un único escenario de negocio era sólida, no era del todo completa. ¿Por qué limitarse a un solo escenario? ¿Por qué no un segundo escenario, o un tercero? Gestionar manualmente múltiples escenarios resultó tedioso, y nos dimos cuenta de que todos los escenarios debían forecastarse al mismo tiempo. Desde una perspectiva computacional, esto era significativamente más costoso: para cada producto, calcularíamos las probabilidades respectivas de (casi) cada nivel de demanda. Sin embargo, aunque la cantidad de cálculos involucrados parece asombrosa, los precios de los recursos computacionales también han estado cayendo en picado a lo largo de los años. Y lo que hace 5 años hubiéramos considerado demasiado costoso, ahora era muy asequible. En 2015, Lokad lanzó la tercera versión de su tecnología de forecast, los quantile grids. Aunque son extremadamente intensivos en cálculos, los quantile grids ahora son asequibles gracias a la caída libre de los recursos de computación en la nube.

Tomando en cuenta toda la distribución de probabilidad de la demanda

La demanda futura es incierta. Cualquier intento de representar la demanda futura con un solo valor es algo ingenuo, porque por muy bueno que sea ese valor, nunca podrá contar toda la historia. Aunque sería deseable contar con un sistema “mágico” capaz de predecir el nivel exacto de la demanda futura, esto también resulta bastante ilusorio. Cuando las personas intentan lidiar con un forecast que es incorrecto, resulta muy tentador tratar de “arreglar” ese forecast. Desafortunadamente, el forecast estadístico es en gran medida contraintuitivo, y la realidad es que, a menudo, no hay nada que arreglar: el valor forecastado es uno de los resultados perfectamente válidos y posibles para la demanda futura.

El sistema potencialmente puede ajustarse un poco para producir valores algo más probables para la demanda futura, pero eso es todo. Tu empresa termina obteniendo solo valores ligeramente más probables para la demanda futura, lo que no se traduce en un incremento de la actividad empresarial que se hubiera esperado en primer lugar.

Quantile Grids adoptan un enfoque muy diferente: para cada producto, Lokad calcula las probabilidades respectivas de cada nivel de demanda futura. En lugar de intentar mantener la ilusión de que se conoce la demanda futura, los quantile grids expresan directamente las probabilidades asociadas a muchos futuros posibles.

Por ejemplo, si consideramos un producto que se vende con poca frecuencia con un tiempo de entrega de 2 semanas, la distribución de la demanda durante las próximas 2 semanas (usualmente el horizonte de forecast debe coincidir con el tiempo de entrega) para este producto se puede representar de la siguiente manera:

Pensar en el futuro desde una perspectiva completamente probabilística podría parecer complicado, pero en realidad representa lo que cada ejecutivo de negocios ya hace, aunque de manera menos formal: sopesar las probabilidades de ciertos resultados y cubrir las apuestas en relación con su negocio para estar bien preparados al enfrentar los escenarios más relevantes. Desde la perspectiva del motor de forecast, dado que no sabemos de antemano cuáles serán los escenarios “más relevantes”, la solución lógica, aunque un tanto brutal, consiste en procesar todos los escenarios posibles. Sin embargo, asumiendo que una empresa tiene mil productos para forecast (y algunos de nuestros clientes tienen millones de SKUs para gestionar), y que Lokad calcula las probabilidades asociadas con 100 escenarios para cada producto, los quantile grids producirían un listado enorme con 100,000 entradas, lo que no resulta práctico de procesar. Llegamos a este punto en la sección siguiente.

Priorizando decisiones de supply chain

Para cada decisión de compra, podemos anotar un simple cálculo mental, la fórmula de “resultado” que depende de la demanda futura frente a la decisión de compra actual. Luego, cada decisión puede ser evaluada porque se basa en la probabilidad respectiva de cada nivel de demanda futura.

Los forecasts de demanda se utilizan comúnmente para impulsar decisiones de supply chain, tales como emitir órdenes de compra para el comercio o desencadenar un lote de producción en un entorno industrial. Una vez que tenemos todas las probabilidades asociadas a todos los posibles resultados, es posible construir una lista completa de prioridades de todas las decisiones de compra. De hecho, para cada decisión de compra, podemos anotar un simple cálculo mental, la fórmula de “resultado”: suponiendo que la demanda sea de D unidades y suponiendo que compremos P unidades, el resultado financiero será X. Ni que decir tiene que Lokad está aquí para ayudarte a redactar esta breve fórmula, que para la mayoría de los negocios se reduce al margen bruto menos el costo del inventario y menos el costo de los faltantes de stock. En consecuencia, una vez que tenemos esta fórmula, para cada decisión de supply chain, como “comprar 1 unidad del producto Z”, los resultados pueden ser ponderados en función de las probabilidades de cada futuro posible. Al hacer esto, calculamos el puntaje de cada decisión posible.

Una vez que cada decisión ha sido puntuada, es posible clasificar todas estas decisiones, colocando las opciones más rentables en la parte superior de la lista. Nos referimos a esta lista como la master purchase priority list. Es una lista en la que cada producto aparece en numerosas líneas. De hecho, mientras que comprar 1 unidad del producto Z podría ser la decisión de compra de mayor prioridad (es decir, la compra más urgente), comprar la siguiente unidad del producto Z puede ser solamente la vigésima decisión de compra más urgente, con muchas otras unidades de otros productos en medio.

La lista maestra responde a una pregunta muy sencilla: si la empresa tiene un dólar extra para gastar en su inventario, ¿a qué artículo debería destinarse primero ese dólar? Pues bien, ese dólar debería ir al artículo que le brinde a la empresa el máximo retorno. Luego, una vez adquirido ese artículo en particular, se puede repetir la misma pregunta. Sin embargo, esta vez, una vez que se ha adquirido esa unidad extra, el siguiente artículo más rentable para comprar probablemente sea otro diferente, ya que existen fuertes rendimientos decrecientes al acumular en exceso el mismo artículo en tu inventario. De hecho, cuanto más inventario tengas, menor es la rotación y mayores son las probabilidades de quedarte con inventario muerto. Estos aspectos se reflejan de manera natural en la fórmula de “resultado” y en la priorización resultante de la lista.

Mejor que ajustar los niveles de servicio

Determinar los niveles de servicio “óptimos”, es decir, las probabilidades deseadas de no sufrir un faltante de stock, es un ejercicio muy difícil. Se trata de un asunto complejo porque los niveles de servicio están relacionados solo de manera indirecta con el desempeño financiero de la empresa. De hecho, para algunos productos, obtener un porcentaje extra de nivel de servicio puede resultar sumamente costoso y, por lo tanto, si los recursos están disponibles, más bien deberían asignarse a otros productos, donde el mismo nivel de inversión rendiría no un 1% sino un 10% adicional de nivel de servicio.

Con los Quantile Grids utilizados como una master purchase priority list, ni siquiera es necesario preocuparse por los niveles de servicio, ya que estos se reflejan de forma nativa en la priorización.

Si el nivel de servicio de un producto de alto margen se puede aumentar de forma económica, este producto naturalmente asciende a la parte superior de la lista. De forma inversa, si un producto está sufriendo ventas extremadamente erráticas que hacen que todos los intentos de aumentar el nivel de servicio sean sumamente costosos, entonces este producto solo subirá a la cima de la lista cuando los stocks estén peligrosamente bajos y cuando a una empresa casi se le garantice no terminar con inventario muerto a pesar de patrones de demanda muy erráticos. La lista de prioridades también resuelve el problema de las limitaciones de efectivo. No importa en qué posición se encuentre tu empresa en lo que respecta al efectivo, la lista de prioridades te ofrece una opción manejable. Si dispones de muy poco efectivo, tu empresa solo compra lo que está en la parte superior de la lista, manteniendo los niveles de stock únicamente de aquellos productos que necesitan reabastecimiento urgente. Si dispones de efectivo adicional, tu empresa tiene la opción de incrementar su inventario enfocándose en aquellos artículos que impulsarán el mayor crecimiento mientras mantiene los riesgos de inventario bajo control.

Inyectando las restricciones de supply chain

Las empresas deben tratar frecuentemente con restricciones de suministro, como cantidades mínimas de pedido ya sea a nivel de SKU o a nivel de pedido. A veces, es necesario reunir unidades en grandes lotes, como contenedores. Dichas restricciones pueden integrarse de forma natural en los procesos de trabajo mediante una lista maestra de prioridades de compra, como se describió anteriormente; no solo se proporcionan sugerencias de compra priorizadas, sino que también se ofrecen recomendaciones compatibles con las restricciones de pedido.

El proceso exacto a seguir depende del tipo real de restricciones que pueda tener una empresa. Tomemos, por ejemplo, los envíos de contenedores. Lokad puede calcular los volúmenes acumulados por proveedor, asumiendo que las líneas de compra se procesan en el orden de la lista y considerando que cada proveedor envía de manera independiente de los demás. Con base en estos volúmenes acumulados, el proceso de recorrer la lista hasta alcanzar la capacidad objetivo del contenedor es muy sencillo. De manera similar, si existe una restricción de cantidad mínima de pedido para un SKU determinado, en este caso también es fácil eliminar de la lista todas las líneas anteriores a que se cumpla la restricción y reportar las cantidades directamente en la primera línea una vez que se satisfaga la restricción.

Al forzar que la compra se establezca en un mínimo de N unidades, se degrada la competitividad del SKU, es decir, el SKU aparece inicialmente en la lista en un rango inferior, lo cual es exactamente el comportamiento previsto, ya que los riesgos de inventario aumentan con las cantidades mínimas de pedido. En particular, este enfoque aborda por completo los desafíos de larga data que tuvieron consecuencias negativas tanto en los forecast clásicos como en los forecast por cuantiles: ¿qué se debe hacer cuando las cantidades de reorden sugeridas están por encima o por debajo de las restricciones de pedido? Si es necesario eliminar algunas unidades, ¿cuáles productos deberían ser los primeros en salir? Si se deben añadir unidades, ¿qué productos deberían comprarse en mayores cantidades? Los métodos de forecast más antiguos no ofrecían respuestas satisfactorias a estas preguntas. Con una lista prioritaria de compras, solo basta con seguir el orden de la lista.