Forecasting 3.0 con Quantile Grids
Entregar mejores forecast siempre ha sido el enfoque principal para Lokad. Hoy, estamos presentando la tercera generación de nuestra tecnología de forecast basada en quantile grids. En términos sencillos, los quantile grids demuestran un nivel de rendimiento sin precedentes, lo que significa que tu empresa puede atender a más clientes, de manera más confiable, y con menos inventario. A diferencia de todos los métodos de forecast disponibles en el mercado, los quantile grids no proporcionan un forecast de demanda por producto, sino que entregan toda la distribución de probabilidad para (casi) todos los futuros posibles. Los Quantile Grids han sido posibles gracias a la combinación de Machine Learning, Big Data, computación en la nube y algunas perspectivas impulsadas por el comercio.
Los Quantile Grids ya están disponibles en producción para todos nuestros clientes, accesibles a través de una nueva opción Quantile Grid para cualquier proyecto de forecast de inventario.
Forecasting 1.0: forecast clásicos
Cuando Lokad fue fundada en 2008, comenzamos con lo que ahora llamamos classic forecasts, nuestra versión 1.0, es decir, una metodología de forecast en la que a cada producto o SKU se le asocia un valor periódico; por ejemplo, forecasts semanales de hasta 13 semanas adelante. Implícitamente, estos forecasts son forecasts medianos: se espera que los forecasts imparciales tengan un 50% de probabilidades de estar por encima o por debajo de la demanda futura. Para el resto del mercado, a estos forecasts no se les denomina classic forecasts, son los únicos forecasts porque la mayoría de nuestros competidores ni siquiera consideraron alternativas.
Sin embargo, en lo que respecta al comercio, no importa cuán precisos sean los classic forecasts, funcionan mal en la práctica. Intuitivamente, los classic forecasts simplemente no miran lo que realmente importa. La demanda promedio o mediana es el caso fácil y poco interesante en el que todo sale según lo planeado. Los casos difíciles, sin embargo, se refieren a demandas inesperadamente altas o inesperadamente bajas, ya que respectivamente generan faltante de stock e inventario muerto. Este tipo de situaciones extremas es lo que realmente cuesta dinero. Los classic forecasts funcionan mal, no porque los algoritmos no sean buenos, sino porque no analizan el negocio desde el ángulo correcto. Así, no importa cuánta inversión en I+D pueda hacer una empresa en los classic forecasts, simplemente fallan. Esta fue una de las lecciones más difíciles que Lokad tuvo que aprender en nuestros primeros días.
Forecasting 2.0: quantile forecasts
En 2012, logramos nuestro primer avance con quantile forecasts. A pesar de un nombre que podría sonar francamente aterrador, los quantile forecasts son algo mucho más cercano a lo que los ejecutivos hacen en sus empresas: son forecasts escenariados. En lugar de enfocarse en el caso promedio, los quantile forecasts tienen el siguiente objetivo: veamos el 5% superior de nuestros prospectos de demanda más optimistas, ¿sufriremos de un stock-out? Luego, veamos el 5% inferior de nuestros prospectos de demanda más pesimistas, ¿tendremos que lidiar con inventario muerto? Los quantile forecasts abordan directamente las preguntas difíciles que realmente importan desde una perspectiva de negocio. Como dicen los ingenieros, es mejor ser aproximadamente correcto que estar exactamente equivocado, y aunque los quantile forecasts también sufren de todas las inexactitudes asociadas con los classic forecasts, los quantile forecasts superan masivamente a los classic forecasts desde una perspectiva operativa siempre que el inventario esté involucrado.
Sin embargo, los quantile forecasts tampoco son la cúspide del forecasting. A simple vista, nuestra tecnología de forecast quantile sufría de anomalías numéricas tales como el cruce de cuantiles y las inestabilidades de cuantiles. No obstante, dado que esas anomalías son bastante visibles, se pueden mitigar de forma eficiente. Pero, a un nivel más profundo, nos dimos cuenta de que nuestros quantile forecasts aún no estaban perfectamente alineados con los puntos críticos reales del negocio. En particular, los quantile forecasts dejan la carga de optimizar los service levels en manos del Supply Chain Manager. Esto es hacer trampa –de cierta manera– porque una parte considerable del rendimiento del inventario se logra mediante un ajuste muy preciso de los niveles de servicio más rentables que equilibran adecuadamente los inventory costs y la calidad del servicio.
Forecasting 3.0: quantile grids
En febrero de 2015, estamos lanzando nuestro segundo avance en forecasting: quantile grids. A lo largo de los años, hemos aceptado el hecho de que los forecasts no pueden ser sino imperfectos. forecast precisos son un cuento de hadas, convenientemente repetidos en un mercado saturado por proveedores poco impresionantes. Dado que no podemos predecir el futuro exacto, ¿qué tal si intentamos asignar una probabilidad a cada futuro posible? Es decir, la probabilidad de vender cero unidades, una unidad, dos unidades, etc. Esto es exactamente de lo que se tratan los quantile grids: entregar no solo un forecast por producto, sino entregar toda la distribución de probabilidad de la demanda para cada producto. Bajo el capó, los quantile grids son un poco como los quantile forecasts, salvo que un forecast de demanda se calcula simultáneamente en todos los service levels.
Optimizar el inventario o gestionar supply chain se trata de equilibrar riesgos y oportunidades: niveles de inventario vs service levels, precio de compra vs lead time del proveedor, compra al por mayor vs made to order, y así sucesivamente. Mientras que los quantile forecasts pueden identificar uno o dos escenarios problemáticos, al final, es solo un valor de forecast por producto, y no importa cuán bueno sea este valor, éste no puede capturar toda la diversidad de posibles resultados comerciales. En contraste, los quantile grids abordan el problema de frente: se computan todos los resultados y se asocian con sus respectivas probabilidades. Para cada escenario, por ejemplo, si la demanda futura es de 3 unidades y hemos comprado solo 2 unidades, se vuelve posible y sencillo calcular el resultado neto del negocio – como 2 unidades vendidas y 1 unidad faltante. Como resultado, cada decisión de compra puede evaluarse simplemente desplegando todos los escenarios y aplicando la probabilidad calculada a cada uno.
Un avance proveniente de la industria aeroespacial
Aunque Lokad atiende principalmente a minoristas, también trabajamos en otras industrias, como la aerospace. Hace un año, comenzamos a trabajar para una gran empresa conjunta entre AirFrance Industries y Lufthansa Technik, y nos dimos cuenta de que nuestra tecnología de forecast quantile no estaba completamente a la altura del desafío. Cada quantile forecast es como un único escenario de negocio. Aunque es posible combinar 3, 4 o 5 escenarios de negocio diferentes, se requiere un gran esfuerzo para implementar las reglas que unan todos estos escenarios con el fin de producir decisiones de suministro optimizadas.
Una solución mucho más elegante, y que además produce un rendimiento de inventario mucho mejor, consiste en forecast y en evaluar todos los escenarios de negocio futuros. No más escenarios ad hoc que intentamos unir desesperadamente, sino un listado de (casi) todos los escenarios posibles (si bien, es cierto, es un listado extenso), todos tratados de manera simple y uniforme. Este enfoque tiene la desventaja de ser brutalmente más exigente en lo que respecta a los recursos de computación. Sin embargo, gracias a nuestra plataforma de computación en la nube favorita – Microsoft Azure – los recursos de computación nunca han sido tan económicos, y los precios siguen en caída libre.
Los resultados que obtuvimos a través de los quantile grids para aerospace demostraron eclipsar el rendimiento de nuestra tecnología insignia de forecast quantile. Era el momento de devolver la ciencia de cohetes (bueno, no los cohetes, sino aviones a reacción en realidad) a los comerciantes, y los múltiples experimentos que habíamos realizado durante los últimos meses confirmaron la superioridad decisiva de los quantile grids en comparación con nuestros forecast quantile originales.
Futuro de la optimización predictiva del comercio
Cuando lanzamos por primera vez los quantile forecasts hace tres años, preveí que en 10 años, los quantile forecasts serían la herramienta por defecto para cualquier practicante de supply chain que se tome en serio el rendimiento de su inventario. Bueno, resultó que los esfuerzos de todo el equipo de Lokad, incluido el mío, me demostraron que estaba equivocado. Al descubrir un enfoque superior a nuestros quantile forecasts iniciales, llegamos a la conclusión de que el futuro a largo plazo del forecast quantile es frágil. Sin embargo, el futuro del descendiente de los quantile forecasts es más brillante que nunca, ya que los quantile grids resuelven los desafíos que nos habían eludido durante años, tales como la optimización de los service levels, container shipments o las estrategias de multi-sourcing.
Además, durante años, el forecasting de inventario y la optimización de precios se han tratado de forma estrictamente aislada, como si fuesen partes de dos rompecabezas separados: el motor de forecast de demanda ignoraba lo que ocurría en el ámbito de precios, y para colmo, el motor de precios tampoco se preocupaba por las restricciones de supply chain. Sin embargo, los stocks y los precios son dos caras de la misma moneda; y ahora nos damos cuenta de que cualquier intento de optimización que ignore ciegamente el otro lado de la moneda es, en el mejor de los casos, un intento ingenuo.
Así, aunque evitaré cometer el mismo error y predecir que los quantile grids son el futuro a largo plazo del forecasting solo para que luego el equipo de Lokad demuestre lo contrario, ahora apostaría con mayor seguridad a que, sea cual sea la tecnología predictiva que surja de nuestros esfuerzos, el análisis de precios probablemente se unificará con el análisis de stocks en el proceso. Aún no hemos llegado del todo, pero estamos haciendo un progreso constante en esta dirección.
Nueva metodología: priorización de compras
Todos los sistemas de optimización de inventario (incluido Lokad 2.0) calculan puntos de reorden. Al comparar los reabastecimientos con las cantidades disponibles y las que están en pedido, estos sistemas también calculan las cantidades de reorden sugeridas. A lo largo de los años, hemos descubierto dos limitaciones importantes de este enfoque. Primero, esos sistemas no indican nada acerca de los service levels objetivo ni de su optimización. Segundo, los puntos de reorden resultan ser algo inflexibles cada vez que se involucran restricciones de compra.
Los sistemas de optimización de inventario tradicionalmente producen un conjunto estático de puntos de reorden (uno por SKU), impulsados principalmente por los service levels definidos por el usuario. Sin embargo, esto es hacer trampa porque la carga de determinar el nivel de servicio “óptimo” recae en el planificador de supply chain; y no solo resulta un ejercicio que consume mucho tiempo, sino que también es fuente de grandes ineficiencias si los service levels no se eligen adecuadamente.
Con los quantile grids, el panorama es muy diferente: se calcula una lista maestra de prioridades de compra. Técnicamente, es una lista en la que cada SKU aparece en numerosas líneas, cada una asociada con una cantidad de pedido sugerida – típicamente 1 unidad si no existen restricciones de suministro. La lista está priorizada, y este criterio de priorización es de suma importancia.
Para la mayoría de las empresas, esta priorización responde a la pregunta: por cada $1 de inventario extra, ¿cuál es la siguiente unidad que ofrece a la empresa los mayores retornos? Esto también se puede formular como el margen bruto esperado menos los costes de mantenimiento de inventario esperados. Naturalmente, a medida que se avanza en la lista, el margen bruto esperado disminuye abruptamente, porque la probabilidad de contar con una demanda lo suficientemente alta como para absorber el stock se vuelve muy escasa. De manera similar, al descender en la lista, el coste de mantenimiento del inventario aumenta de forma pronunciada, ya que se espera que cada unidad extra permanezca en el warehouse por más tiempo. En teoría, la lista no tiene fin, ya que se extiende hasta el infinito. En la práctica, sin embargo, simplemente nos detenemos en un punto muy por encima de lo que constituiría niveles de inventario “razonables”. Cuando se realiza una compra, el objetivo no es recorrer toda la lista, sino adquirir artículos de acuerdo con sus respectivas prioridades, y dejar de comprar una vez alcanzado el objetivo de gasto.
En consecuencia, esto elimina completamente la necesidad de especificar los service levels. Una vez definido un presupuesto de gasto, una empresa compra sus productos basada en las prioridades establecidas por la lista maestra de prioridades de compra. Adquirir productos en este orden garantiza que los ingresos o beneficios de la empresa se maximicen, siguiendo el criterio de priorización especificado.
Los quantile grids también son mucho más versátiles en su capacidad para abordar escenarios que involucran restricciones de suministro. Aunque los quantile forecasts son, de hecho, poderosos, en cuanto se tienen cantidades mínimas de pedido, ya sea por SKU o por proveedor, y posiblemente también algunas restricciones de capacidad de volumen de contenedores, las cantidades sugeridas no se ajustan a las restricciones de suministro. Y entonces, recae en el planificador de supply chain lidiar con todos los ajustes, es decir, eliminar ciertos SKUs o aumentar las unidades de otros, para componer un lote de pedido complejo que cumpla con todas las restricciones.
Con los quantile grids, contamos con una experiencia de usuario mucho más convincente y directa para ofrecer. La lista maestra facilita la adaptación a las restricciones de pedido. Si existen cantidades mínimas de pedido por SKU, entonces se pueden eliminar de la lista las líneas no elegibles. De manera similar, si existe una restricción de capacidad objetivo para acomodar envíos de contenedores, entonces las entradas de compra pueden procesarse siguiendo el orden de la lista hasta alcanzar dicha capacidad.
¿Qué sigue?
Mientras que los quantile grids ya están live y accesibles para todas las empresas que tienen una cuenta Lokad abierta, aún nos falta documentación que describa tanto los aspectos técnicos como las mejores prácticas de supply chain relacionadas con esta nueva tecnología. Este material está en camino. Mantente atento.
