Previsión 3.0 con Quantile Grids
Entregar mejores previsiones siempre ha sido el enfoque principal para Lokad. Hoy, estamos presentando la tercera generación de nuestra tecnología de previsión 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 previsión disponibles en el mercado, los quantile grids no proporcionan una previsión 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 previsión de inventario.
Previsión 1.0: previsiones clásicas
Cuando Lokad fue fundada en 2008, comenzamos con lo que ahora llamamos previsiones clásicas, nuestra versión 1.0, es decir, una metodología de previsión en la que a cada producto o SKU se le asocia un valor periódico; por ejemplo, previsiones semanales de hasta 13 semanas adelante. Implícitamente, estas previsiones son previsiones medianas: se espera que las previsiones imparciales tengan un 50% de probabilidades de estar por encima o por debajo de la demanda futura. Para el resto del mercado, a estas previsiones no se les denomina previsiones clásicas, son las únicas previsiones porque la mayoría de nuestros competidores ni siquiera consideraron alternativas.
Sin embargo, en lo que respecta al comercio, no importa cuán precisas sean las previsiones clásicas, funcionan mal en la práctica. Intuitivamente, las previsiones clásicas 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. Las previsiones clásicas 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 las previsiones clásicas, simplemente fallan. Esta fue una de las lecciones más difíciles que Lokad tuvo que aprender en nuestros primeros días.
Previsión 2.0: previsiones cuantílicas
En 2012, logramos nuestro primer avance con previsiones cuantílicas. A pesar de un nombre que podría sonar francamente aterrador, las previsiones cuantílicas son algo mucho más cercano a lo que los ejecutivos hacen en sus empresas: son previsiones escenariadas. En lugar de enfocarse en el caso promedio, las previsiones cuantílicas tienen el siguiente objetivo: veamos el 5% superior de nuestros prospectos de demanda más optimistas, ¿sufriremos de un faltante de stock? Luego, veamos el 5% inferior de nuestros prospectos de demanda más pesimistas, ¿tendremos que lidiar con inventario muerto? Las previsiones cuantílicas 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 las previsiones cuantílicas también sufren de todas las inexactitudes asociadas con las previsiones clásicas, las previsiones cuantílicas superan masivamente a las previsiones clásicas desde una perspectiva operativa siempre que el inventario esté involucrado.
Sin embargo, las previsiones cuantílicas tampoco son la cúspide de la previsión. A simple vista, nuestra tecnología de previsión cuantil 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 nuestras previsiones cuantílicas aún no estaban perfectamente alineadas con los puntos críticos reales del negocio. En particular, las previsiones cuantílicas dejan la carga de optimizar los niveles de servicio 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.
Previsión 3.0: quantile grids
En febrero de 2015, estamos lanzando nuestro segundo avance en previsión: quantile grids. A lo largo de los años, hemos aceptado el hecho de que las previsiones no pueden ser sino imperfectas. Previsiones precisas son un cuento de hadas, convenientemente repetidas 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 una previsión 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 las previsiones cuantílicas, salvo que una previsión de demanda se calcula simultáneamente en todos los niveles de servicio.
Optimizar el inventario o gestionar supply chain se trata de equilibrar riesgos y oportunidades: niveles de inventario vs niveles de servicio, precio de compra vs tiempo de entrega del proveedor, compra al por mayor vs made to order, y así sucesivamente. Mientras que las previsiones cuantílicas pueden identificar uno o dos escenarios problemáticos, al final, es solo un valor de previsión 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 previsión cuantil no estaba completamente a la altura del desafío. Cada previsión cuantil 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 prever 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 previsión cuantil. 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 nuestras previsiones cuantiles originales.
Futuro de la optimización predictiva del comercio
Cuando lanzamos por primera vez las previsiones cuantílicas hace tres años, preveí que en 10 años, las previsiones cuantílicas 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 nuestras previsiones cuantílicas iniciales, llegamos a la conclusión de que el futuro a largo plazo de la previsión cuantil es frágil. Sin embargo, el futuro del descendiente de las previsiones cuantílicas 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 niveles de servicio, container shipments o las estrategias de multi-sourcing.
Además, durante años, la previsión 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 previsión 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 de la previsión 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 niveles de servicio 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 niveles de servicio 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 niveles de servicio 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 niveles de servicio. 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 las previsiones cuantílicas son, de hecho, poderosas, 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.
