Out-of-shelf puede explicar 1/4 del error de previsión de tienda
La noción de precisión de la previsión es sutil, realmente sutil. Se suele decir que mientras más cercanas estén las previsiones al futuro, mejor, y sin embargo, el sentido común puede ser completamente erróneo.
Con el lanzamiento de Shelfcheck, nuestro optimizador de disponibilidad en estantería, hemos comenzado a procesar muchos más datos a nivel de punto de venta, intentando detectar automáticamente problemas de out-of-shelf (OOS). Durante los últimos meses, nuestro conocimiento acerca del patrón de OOS ha mejorado significativamente, y hoy este conocimiento se está reciclando en nuestra tecnología central de previsión.
Ilustremos la situación. El gráfico abajo representa las ventas diarias agregadas a nivel de tienda para un producto dado. La tienda está abierta 7 días a la semana. Se produce una previsión de siete días al final de la semana 2, pero ocurre un OOS en la mitad de la semana 3. Los días marcados con puntos negros tienen ventas cero.
En esta situación, la previsión es bastante exacta, pero debido al problema de OOS, la comparación directa entre ventas y previsión parece como si la previsión estuviera sobrepronosticando significativamente las ventas, lo cual no es el caso, al menos en los días sin OOS. La medición del exceso en la previsión es un artefacto causado por el propio OOS.
Hasta ahora, parece que las OOS solo pueden degradar la precisión de previsión percibida, lo cual no parece tan grave porque, presumiblemente, todos los métodos de previsión deberían verse igualmente afectados. Después de todo, ningún modelo de previsión es capaz de anticipar el problema de OOS.
Bueno, las OOS pueden hacer mucho más que simplemente degradar la precisión de la previsión, las OOS también pueden mejorarla.
Echemos un vistazo al gráfico para ilustrar esto. Una vez más, estamos analizando datos de ventas diarias, pero esta vez el problema de OOS comienza en el último día de la semana 2.
La previsión para la semana 3 es cero durante toda la semana. El modelo de previsión está anticipando la duración de la OOS. La previsión no es completamente exacta porque en el último día de la semana 3 se realiza un reabastecimiento y las ventas vuelven a ser distintas de cero.
Obviamente, un modelo de previsión que anticipa la duración del problema de OOS es extremadamente preciso en lo que respecta a la comparación numérica entre ventas vs previsión. Sin embargo, ¿realmente tiene sentido? No, obviamente no. Queremos prever la demanda, no los artefactos de las ventas. Peor aún, una previsión de cero puede conducir a un reabastecimiento de cero, lo cual, a su vez, extiende la duración real del problema de OOS (y aumenta aún más la precisión de nuestro modelo de previsión entusiasta de OOS). Esta es, evidentemente, una situación no deseable, sin importar cuán buena resulte la previsión desde un punto de vista numérico ingenuo.
Mal caso de sobreajuste OOS
Hemos encontrado que la situación ilustrada por el segundo gráfico está lejos de ser inusual. De hecho, con un 8% de indisponibilidad en estantería (una cifra típica en el retail) y un aproximado 30% de MAPE en las previsiones diarias, las situaciones de OOS representan típicamente 8% x 100 / 30 ≈ 27% ≈ 1/4 del error total de previsión medido. En efecto, según la definición de MAPE, una previsión no cero en un día de ventas cero (OOS) genera un error del 100%.
Debido a que la fracción del error causada por OOS es significativa, hemos descubierto que una heurística sencilla, como “si el último día tiene ventas cero en un producto de alta rotación, entonces prever ventas cero durante 7 días”, puede reducir el error de la previsión en algunos puntos porcentuales al aprovechar directamente el patrón de OOS. Obviamente, muy pocos profesionales colocarían explícitamente tal regla entre sus modelos de previsión, pero incluso un modelo lineal autoregresivo moderadamente complejo puede aprender este patrón en gran medida y, por ende, sobreajustar las OOS.
Naturalmente, Shelfcheck está aquí para ayudar en esos asuntos de OOS. Manténganse al tanto.
Comentarios de los lectores (2)
Hola Lars, Gracias por tu seguimiento. A nivel de tienda, las cosas son realmente ruidosas. Piense en 1 o 2 unidades vendidas por día por artículo como un caso típico. El precio es ciertamente 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 es un efecto de precios, aunque uno grande) sí tienen efectos muy medibles incluso a nivel de tienda. Luego, Shelfcheck integra la información diaria de precios. Sin embargo, descubrimos que en Alimentos y Bebidas, es muy posible superar significativamente (en términos de previsión) la precisión de los sistemas existentes sin aprovechar la información de precios. Sin embargo, no digo que la información de precios sea inútil, simplemente que no la necesitas para mejorar enormemente casi cualquier configuración que hayamos observado hasta ahora en la industria minorista. Luego, en el futuro, la información de precios pero también los datos detallados de loyalty se volverán cada vez más críticos para mantenerse competitivos en el mercado de previsión.
Joannes Vermorel (hace 6 años)
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 usando el Price Elasticity Índice = % cambio en cantidad / % cambio en precio. En mi experiencia, una previsión estadística unidimensional que solo observa la cantidad real vendida sin tener en cuenta el precio promedio real se vuelve bastante inútil = una completa pérdida de tiempo. ¿Estás de acuerdo y cuál es tu opinión al respecto?
Lars (hace 6 años)
