Pronóstico con Cuadrículas de Cuantiles (2015)

Las cuadrículas de cuantiles son una mejora significativa sobre los pronósticos clásicos o de cuantiles siempre que se involucre el inventario. Sin embargo, el pronóstico probabilístico supera ampliamente a las cuadrículas de cuantiles. Consulta nuestras últimas páginas de Tecnología para obtener más información.
grids/graph-quantile-grids

Las Cuadrículas de Cuantiles representan una mejora radical sobre los métodos clásicos de pronóstico siempre que se involucre el inventario. También son superiores a los pronósticos de cuantiles porque brindan mucha más información sobre el futuro. Los métodos de pronóstico tradicionales funcionan mal, especialmente para el comercio. La causa raíz de este problema es simple: el futuro es incierto. Los pronósticos clásicos intentan predecir el único valor correcto de la demanda futura, y, bueno, fallan en ello. Intentar desesperadamente corregir los pronósticos clásicos con la esperanza de que se prediga la demanda futura “correcta” es ilusorio. Las cuadrículas de cuantiles adoptan una postura completamente diferente sobre este problema.

Con las cuadrículas de cuantiles, Lokad no predice un valor futuro de demanda para un producto determinado, sino toda la distribución de probabilidad para la demanda; es decir, la probabilidad de tener una demanda de cero unidades, luego una unidad, luego dos unidades, etc. Esta información es mucho más rica y se puede aprovechar de formas mucho más rentables que los pronósticos clásicos.

Introducción para los no estadísticos

Mientras lees estas líneas, si no eres un estadístico, es posible que te preguntes si tu negocio tiene alguna posibilidad de tener éxito al hacer algo sensato con estas llamadas “cuadrículas de cuantiles”. Esto suena más como un buen título para una tesis de doctorado en estadísticas modernas que como un medio práctico de pronóstico. Bueno, si crees que este término es intimidante, simplemente reemplaza mentalmente cuadrículas de cuantiles por pronósticos que realmente funcionan, y eso será suficiente. La gran mayoría de las empresas que utilizan Lokad no tienen habilidades en estadísticas. El filtro de spam asociado a tu bandeja de entrada también utiliza estadísticas avanzadas, y no se necesita un doctorado para utilizar una bandeja de entrada.

Lokad está haciendo algo similar para el comercio. Estamos aprovechando el aprendizaje automático avanzado para hacer que tu empresa sea más rentable, y la tecnología detrás de esto es tan avanzada que en realidad ya no tienes que preocuparte demasiado por ella.

A continuación, describimos lo que sucede detrás de escena en Lokad, pero ten la seguridad de que puedes utilizar Lokad incluso si no tienes un conocimiento completo de lo que implica nuestro motor de pronóstico, al igual que puedes utilizar un filtro de spam sin estar familiarizado con la inferencia probabilística bayesiana.

Repensando el pronóstico para el comercio

computer-history
Muchos proveedores presumen de utilizar métodos de pronóstico “avanzados” como ARIMA, Box-Jenkins y Holt-Winters, que en realidad tienen casi medio siglo de antigüedad; todos fueron concebidos en una época en la que las computadoras corporativas más potentes tenían menos capacidad de procesamiento que la mayoría de las neveras actuales. Las personas que inventaron estos métodos eran excepcionalmente inteligentes, pero tuvieron que conformarse con los recursos informáticos de su época y, por lo tanto, dieron preferencia a modelos que se podían calcular con muy pocas operaciones. Hoy en día, podemos utilizar grandes cantidades de potencia informática para nuestros desafíos de pronóstico a un costo muy bajo.

Tenga en cuenta que 1000 horas de potencia informática cuestan menos de $50 cuando se utiliza una plataforma de computación en la nube. Obviamente, esto abre perspectivas radicalmente nuevas para el pronóstico, y es precisamente estas perspectivas las que Lokad ha estado explorando ampliamente. Las Cuadrículas de Cuantiles representan la tercera versión de la tecnología de pronóstico de Lokad, pero retrocedamos unos años para tener una imagen completa. Comenzamos con pronósticos clásicos en 2008 como la primera versión de nuestra tecnología de pronóstico, y a pesar de tres años de tremendos esfuerzos de I+D por parte del equipo de Lokad, el enfoque clásico resultó ser un callejón sin salida. Nunca logramos realmente tener un cliente completamente satisfecho con los pronósticos clásicos. A medida que aprendimos más sobre las experiencias de nuestros clientes con otros proveedores de pronósticos, resultó que no había una sola empresa que estuviera siquiera cerca de estar satisfecha con la tecnología de pronóstico que habían adquirido. Este problema no era específico de Lokad, y nos dimos cuenta de que toda la industria de pronóstico era disfuncional; y decidimos hacer algo al respecto.

En 2012, Lokad lanzó la segunda versión de su tecnología de pronóstico con el nombre en clave Pronósticos Cuantiles. En pocas palabras, los pronósticos cuantiles abordan el principal problema que aqueja a los pronósticos clásicos: los pronósticos clásicos simplemente no abordan el problema correcto.

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

Sin embargo, los pronósticos clásicos, los pronósticos de media o mediana, ignoran por completo estas situaciones “extremas” y se centran por completo en el caso promedio. No sorprende que los pronósticos clásicos no logren evitar tanto los faltantes de stock como el inventario muerto. Los pronósticos cuantiles abordan directamente el desafío y miran directamente el escenario de interés, por ejemplo, evitar faltantes de stock, y se esfuerzan por proporcionar una respuesta precisa a este mismo problema. De repente, en 2012, comenzamos a tener más y 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 pronóstico, las cuadrículas de cuantiles. Si bien los pronósticos cuantiles ya eran una mejora radical sobre los pronósticos clásicos, aún tenían sus debilidades. A medida que adquirimos más y más experiencia con docenas de implementaciones de nuestra tecnología de pronóstico cuantil, nos dimos cuenta de que si bien la idea de producir un pronóstico para solo “un” escenario comercial era sólida, no era completamente completa. ¿Por qué solo este escenario? ¿Por qué no un segundo escenario, o un tercero? La gestión manual de múltiples escenarios resultó tediosa, y nos dimos cuenta de que todos los escenarios deberían pronosticarse a la vez. Desde una perspectiva informática, esto era significativamente más costoso: para cada producto, calcularíamos las respectivas probabilidades de (casi) cada nivel de demanda. Sin embargo, aunque la cantidad de cálculos involucrados parece asombrosa, los precios de los recursos informáticos también han caído en picado en los últimos años. Y lo que habríamos considerado demasiado costoso hace 5 años, ahora era muy asequible. En 2015, Lokad lanzó la tercera versión de su tecnología de pronóstico, las cuadrículas de cuantiles. Si bien son extremadamente intensivas en cálculos, las cuadrículas de cuantiles ahora son asequibles gracias a la caída libre de los recursos informáticos en la nube.

Tomando toda la distribución de probabilidad de la demanda

indecision
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 este valor, nunca puede contar toda la historia. Si bien sería bueno tener un sistema “mágico” capaz de predecir el nivel exacto de la demanda futura, esto también es bastante ilusorio. Cuando las personas intentan lidiar con un pronóstico incorrecto, es muy tentador tratar de “arreglar” este pronóstico. Desafortunadamente, el pronóstico estadístico es mayormente contrario a la intuición, y la realidad es que a menudo no hay nada que arreglar: el valor pronosticado es uno de los resultados perfectamente válidos y posibles para la demanda futura.

El sistema puede ajustarse ligeramente para producir valores ligeramente más probables para la demanda futura, pero eso es todo. Su empresa termina obteniendo solo valores ligeramente más probables para la demanda futura, lo que no resulta en un impulso de la actividad comercial que se esperaba en primer lugar.

Las cuadrículas de cuantiles adoptan un enfoque muy diferente: para cada producto, Lokad calcula las probabilidades respectivas de cada nivel individual de demanda futura. En lugar de tratar de mantener la ilusión de que se conoce la demanda futura, las cuadrículas de cuantiles expresan directamente las probabilidades asociadas con muchos futuros posibles.

Por ejemplo, si consideramos un producto que se vende con poca frecuencia con un tiempo de espera de 2 semanas, la distribución de la demanda en las próximas 2 semanas (por lo general, el horizonte de pronóstico debe coincidir con el tiempo de espera) para este producto se puede representar de la siguiente manera:

Demanda Probabilidad
0 unidad 55%
1 unidad 20%
2 unidades 14%
3 unidades 7%
4 unidades 3%
5 unidades 0% (redondeado)

Pensar en el futuro desde una perspectiva completamente probabilística puede parecer complicado, pero en realidad representa lo que cada ejecutivo de negocios ya está haciendo, aunque de manera menos formal: evaluar las probabilidades de ciertos resultados y cubrir las apuestas en relación con su negocio para estar bien preparado al enfrentar los escenarios más relevantes. Desde la perspectiva del motor de pronóstico, dado que no sabemos de antemano cuáles serían los escenarios “más relevantes”, la solución lógica, aunque algo brutal, consiste en procesar todos los escenarios posibles. Sin embargo, suponiendo que un negocio tiene mil productos para pronosticar (y algunos de nuestros clientes tienen millones de SKU con los que lidiar), y que Lokad calcula las probabilidades asociadas con 100 escenarios para cada producto, las cuadrículas de cuantiles producirían una lista enorme con 100,000 entradas que no parece práctico de procesar. Llegamos a este punto en la sección siguiente.

Priorizando decisiones de la cadena de suministro

Para cada decisión de compra, podemos hacer un cálculo simple de “resultado” que depende de la demanda futura versus la decisión de compra actual. Luego, cada decisión individual puede ser evaluada en función de la probabilidad respectiva de cada nivel de demanda futura.

purchase_priority_screenshot
Las previsiones de demanda se utilizan comúnmente para impulsar las decisiones de la cadena de suministro, como realizar pedidos de compra para el comercio o activar un lote de producción en un entorno industrial. Una vez que tenemos todas las probabilidades asociadas con todos los resultados futuros, es posible construir una lista completa de prioridades de todas las decisiones de compra. De hecho, para cada decisión de compra, podemos hacer un cálculo simple de “resultado”: suponiendo que la demanda será de D unidades y suponiendo que compramos P unidades, entonces el resultado financiero será X. No hace falta decir que Lokad está aquí para ayudarte a escribir esta fórmula corta, que para la mayoría de las empresas 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 la cadena de suministro, como “comprar 1 unidad del producto Z”, los resultados se pueden ponderar en función de las probabilidades de cada posible futuro. Al hacer esto, calculamos la “puntuación” de cada decisión posible.

Una vez que todas las decisiones han sido evaluadas, 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 lista maestra de prioridades de compra. Es una lista en la que cada producto aparece en varias líneas. De hecho, mientras que comprar 1 unidad del producto Z puede ser la decisión de compra con mayor clasificación (también conocida como la compra más urgente), comprar la siguiente unidad del producto Z puede ser solo la 20ª decisión de compra más urgente, con muchas otras unidades de otros productos que se deben comprar en el medio.

image-pricing
La lista maestra responde a una pregunta muy simple: si la empresa tiene un dólar extra para gastar en su inventario, ¿a dónde debería ir este dólar primero? Bueno, este dólar debería ir al artículo que le brinde a su empresa los máximos rendimientos. Luego, una vez que se adquiera este artículo en particular, se puede repetir la misma pregunta. Sin embargo, esta vez, una vez que se haya adquirido esta unidad adicional, es probable que el siguiente artículo más rentable para comprar sea diferente, ya que hay rendimientos decrecientes significativos al acumular en exceso el mismo artículo en su inventario. De hecho, cuanto más inventario tenga, menos rotará su inventario y mayores serán las probabilidades de quedarse con inventario obsoleto. Estos problemas se reflejan naturalmente 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 quedarse sin stock, es un ejercicio muy difícil. Este es un problema complejo porque los niveles de servicio solo están indirectamente relacionados con el rendimiento financiero de una empresa. De hecho, para algunos productos, obtener un punto porcentual adicional de nivel de servicio puede resultar muy costoso, y por lo tanto, si los recursos están disponibles, es mejor asignarlos a otros productos, donde el mismo nivel de inversión no solo daría un 1% adicional, sino un 10% adicional de nivel de servicio.

Con las Cuadrículas de Cuantiles utilizadas como lista maestra de prioridades de compra, ni siquiera es necesario preocuparse por los niveles de servicio, ya que estos se reflejan de forma nativa en la propia priorización.

Si el nivel de servicio de un producto de alto margen puede aumentarse de manera económica, este producto sube naturalmente hasta la parte superior de la lista. Inversamente, si un producto sufre de ventas extremadamente erráticas que hacen que todos los intentos de aumentar el nivel de servicio sean extremadamente costosos, entonces este producto subirá hasta la parte superior de la lista solo cuando los stocks estén peligrosamente bajos y cuando una empresa casi garantice no terminar con inventario muerto a pesar de los patrones de demanda muy erráticos. La lista de prioridades también resuelve el problema de las restricciones de efectivo. No importa dónde se encuentre su empresa en cuanto a efectivo, la lista de prioridades le brinda una opción manejable. Si tiene muy poco efectivo disponible, su empresa solo compra lo que está en la parte superior de la lista, manteniendo los niveles de stock solo de aquellos productos que necesitan ser reabastecidos desesperadamente. Si tiene efectivo adicional disponible, su empresa tiene la opción de aumentar su inventario centrándose en los artículos que impulsarán el mayor crecimiento mientras mantiene bajo control los riesgos de inventario.

Inyectando las restricciones de la cadena de suministro

Las empresas deben lidiar frecuentemente con restricciones de suministro, como cantidades mínimas de pedido, ya sea a nivel de SKU o a nivel de pedido. A veces, las unidades deben ser recolectadas en grandes lotes, como contenedores. Tales restricciones pueden integrarse naturalmente en los procesos de flujo de trabajo a través de una lista maestra de prioridades de compra, como se describe anteriormente; esto no solo proporciona sugerencias de compra priorizadas, sino que también proporciona recomendaciones compatibles con las restricciones de pedido de uno.

El proceso exacto a seguir depende del tipo real de restricciones que pueda tener un negocio. Consideremos los envíos de contenedores, por ejemplo. Lokad puede calcular los volúmenes acumulativos por proveedor, asumiendo que las líneas de compra se procesan en el orden de la lista y asumiendo que cada proveedor envía de forma independiente al otro. Basándose en estos volúmenes acumulativos, el proceso de avanzar en la lista hasta que se alcance la capacidad objetivo del contenedor es muy sencillo. De manera similar, si existe una restricción de cantidad mínima de pedido para un determinado SKU, en este caso también es fácil eliminar de la lista todas las líneas que se encuentren antes de que se cumpla la restricción y reportar las cantidades directamente a la primera línea una vez que se satisfaga la restricción.

choix
Al obligar a que la compra se establezca en un mínimo de N unidades, se degrada la competitividad del SKU, es decir, el SKU aparece primero en la lista en un rango más bajo, lo cual es exactamente el comportamiento deseado a medida que aumentan los riesgos de inventario 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 pronósticos clásicos como en los cuantiles: ¿qué se debe hacer cuando las cantidades de reorden sugeridas están por encima o por debajo de las restricciones de pedido? Si algunas unidades deben eliminarse, ¿qué productos deben ser los primeros en irse? Si se deben agregar unidades, ¿qué productos deben comprarse en mayores cantidades? Los métodos de pronóstico antiguos no proporcionaban respuestas satisfactorias a estas preguntas. Con una lista de compra prioritaria, solo es necesario seguir el orden de la lista.