Comprendiendo el motor de pronóstico

Comprendiendo el motor de pronóstico











Inicio » Recursos » Aquí

El motor de pronóstico hace referencia al componente específico dentro de Lokad que es responsable del análisis predictivo central. Este motor es una pieza de software avanzado que puede puede incluirse razonablemente en la categoría de aprendizaje automático. Además, este motor es muy diferente de los conjuntos de herramientas de pronóstico clásico, generalmente orientadas hacia el pronóstico de series de tiempo. En este artículo, le explicamos lo que hace el motor, cómo se diferencia de los conjuntos de herramientas clásicos y por qué estas diferencias importan cuando se trata de entregar buenos resultados desde una perspectiva de cadena de suministro.

Pronósticos integrados vs pronósticos periódicos

El punto de vista clásico de las series de tiempo se concentra en los pronósticos periódicos diarios, semanales o mensuales. En este caso, los datos históricos se representan como series de tiempo periódicas, y se espera que también los pronósticos se representen como series de tiempo periódicas. Si bien este punto de vista puede ser apropiado para determinados sectores, como el pronóstico del consumo de energía o del tráfico en autopistas, hemos visto que este método arroja resultados insatisfactorios cuando se trata de la optimización de la cadena de suministro.

Los pronósticos periódicos no coinciden con la realidad subyacente a la gestión de la cadena de suministro: si se considera que el tiempo de entrega es de 10 días, ¿deberíamos sumar los pronósticos diarios a 10 días? ¿Deberíamos sumar 1 pronóstico semanal más 3 pronósticos diarios? Como regla general, la suma de pronósticos es un gran error estadístico: el pronóstico de la suma no es igual a la suma de los pronósticos. Por lo tanto, si el tiempo de entrega es igual a 10 días, es responsabilidad de la herramienta de pronóstico elaborar un pronóstico a 10 días, y no establecer pronósticos intermedios que deben recomponerse para dar el pronóstico deseado.

Por esta razón, el motor de pronóstico de Lokad no elabora pronósticos diarios, semanales o mensuales. En cambio, calcula directamente pronósticos de demanda que coinciden con el tiempo de entrega esperado. Además, se espera que el tiempo de entrega sea un pronóstico probabilístico en sí mismo. Al principio, este comportamiento puede resultar desconcertante, pero, lamentablemente, la idea de que los pronósticos arbitrarios pueden recomponerse de modo preciso a través de sumas de pronósticos periódicos equivale a un pensamiento mágico en casi todas las situaciones de cadena de suministro.

Pronósticos probabilísticos vs pronósticos de media

Las herramientas de pronóstico clásicas ponen el énfasis en los pronósticos de media o, a veces, en los pronósticos de mediana. Sin embargo, cuando se trata de la optimización de la cadena de suministro, los costos comerciales se concentran en los extremos. Es cuando la demanda es inesperadamente alta que se producen los desabastecimientos. De modo similar, es cuando la demanda es inesperadamente baja que se genera el inventario muerto. Cuando la demanda está aproximadamente alineada con los pronósticos, los niveles de inventario fluctúan un poco, pero, en conjunto, la cadena de suministro no padece fricciones la mayor parte del tiempo. Al utilizar pronósticos de “promedio” —de media o de mediana—, las herramientas clásicas padecen el efecto farola, y sin importar cuán bueno sea el análisis estadístico subyacente, el problema es que lo que es equivocado es la pregunta misma.

En cambio, el motor de pronóstico de Lokad entrega pronósticos probabilísticos en los que se calculan las probabilidades asociadas con cada futuro posible (1). Estas probabilidades proporcionan información estratégica mucho más granular sobre el futuro comparada con las predicciones de un solo valor, como los pronósticos de media y mediana. A través de los pronósticos probabilísticos resulta posible ajustar los riesgos y las oportunidades de la cadena de suministro. Más precisamente, para cada decisión de cadena de suministro posible —como comprar 1 unidad adicional de stock de una determinada SKU—, es posible, para un nivel de demanda futura específico, calcular un resultado financiero indicativo (2), y así priorizar en última instancia todas las posibles decisiones futuras (3) basadas solo en un resultado financiero "ponderado" combinando cálculos financieros con probabilidades.

(1) Sin embargo, en la práctica, para que los cálculos resulten plausibles, las probabilidades que se consideran demasiado bajas se redondean a cero. Por lo tanto, en realidad solo se investiga un conjunto finito de configuraciones.

(2) Por ejemplo, imaginemos que compramos 1 unidad ahora, y la demanda futura es 5 (lo que significa que venderemos 5 unidades), y tenemos un stock de 3 al final del período. Si suponemos que el margen bruto es de 10 y que el costo de almacenamiento por período por cada unidad no vendida es 15, la ganancia neta es 5 x 10 – 2 x 15 = 20.

(3) La priorización de todas las decisiones futuras podría sonar como una tarea terriblemente compleja, pero la tecnología de Lokad ha sido diseñada para resolver precisamente este problema. Esta tecnología es distinta del motor de pronóstico en sí.

Conjuntos de datos informales y patrones de datos sintéticos

Los especialistas que ya han utilizado un conjunto de herramientas de pronóstico en el pasado podrían sentirse tentados de probar Lokad comparándolo con una serie de tiempo de unas docenas de puntos de datos, para ver qué sucede. Además, uno podría verse tentado de verificar cómo reacciona Lokad a patrones simples, como una tendencia lineal, o a series de tiempo perfectamente estacionales. Aunque pueda resultar sorprendente para los especialistas, nuestro motor de pronóstico en realidad arroja resultados poco satisfactorios en esas situaciones. Lamentable, este comportamiento "pobre" es necesario para obtener resultados satisfactorios en la vida real.

La principal especificación de nuestro motor de pronóstico es entregar pronósticos precisos que no requieran adaptación estadística manual alguna. Para lograr esto, Lokad ha preajustado el motor de pronóstico utilizando cientos de conjuntos de datos calificados de la vida real. Los patrones de datos sintéticos, como una tendencia perfectamente lineal o una serie de tiempo perfectamente cíclica, difieren mucho de los patrones que hemos encontrado en conjuntos de datos de la vida real. Como consecuencia, esos patrones de datos sintéticos, si bien parecen bastante claros, ni siquiera se consideran. De hecho, ¿qué sentido tiene entregar "buenos" resultados sobre datos "falsos", si esto es a expensas de entregar "buenos" resultados sobre datos "reales? Nuestra experiencia indica que un buen motor de pronóstico es muy conservador en su elección de los modelos de pronóstico. La introducción de un modelo de regresión lineal "perfecto" simplemente para obtener buenos resultados en conjuntos de datos de prueba es dañino, porque este modelo puede utilizarse donde no debería.

Además, para evitar por completo la adaptación manual, nuestro motor de pronóstico se vale en gran medida de algoritmos de aprendizaje automático. Como resultado, el motor necesita conjuntos de datos de dimensiones considerables para funcionar. De hecho, el motor de pronóstico establece sus propios parámetros realizando muchas pruebas estadísticas sobre los conjuntos de datos. Sin embargo, si el conjunto de datos es demasiado pequeño, el motor de pronóstico no podrá siquiera inicializarse adecuadamente. Como regla general, se necesitan al menos 1000 puntos de datos históricos distribuidos en 100 SKU para comenzar a obtener resultados significativos. En la práctica, incluso una pequeña empresa de e-commerce que factura menos de € 1 millón por año tiende a acumular más de 10.000 puntos de datos, generalmente distribuidos en más de 200 SKU. Por lo tanto, los requisitos de datos del motor de pronóstico son en realidad bastante bajos, pero no tanto como para que pueda esperarse que el motor de pronóstico funcione con conjuntos de datos "de prueba".

Requisitos de datos del motor de pronóstico

Aquí tiene una breve lista de verificación con los requisitos de datos mínimos de motor de pronóstico:

  • artículos : mín. 100, mejor 500, mejor aún 2000+
  • atributos de artículo: mín. 1, mejor 3, mejor aún 5+
  • pedidos de ventas pasados: mín. 1000, mejor 10.000, mejor aún 50.000+
  • pedidos de compra pasados: mín. 50, mejor 500, mejor aún 2000+
  • detalle de historial en meses: mín. 3, mejor 18, mejor aún 36+

Los "artículos" se refieren a SKU, productos, números de pieza, códigos de barras o el elemento que sea necesario pronosticar de acuerdo con la situación de negocios específica.

Los pedidos de compra se necesitan para pronosticar los tiempos de entrega. Si bien pueden omitirse al principio, los cálculos de tiempo de entrega incorrectos generan muchas complicaciones en su cadena de suministro y, por lo tanto, le recomendamos vivamente que proporcione este dato cuando sea posible.

Los datos de entrada pueden enriquecerse aún más proporcionando un historial de desabastecimientos y promociones. En realidad, el motor de pronóstico admite escenarios de datos aún más avanzados. Esta sección se concentra solo en los datos "esenciales".

Pronósticos macro y pronósticos de alta frecuencia

El motor de pronóstico de Lokad se orienta a las situaciones de la cadena de suministro en el comercio y la fabricación. Estas situaciones se caracterizan por numerosas SKU y su demanda errática. Y es en esas situaciones en las que más se luce nuestro motor de pronóstico. Por otra parte, existen otros tipos de pronóstico para los que nuestra tecnología no es adecuada.

Los macropronósticos, que implican el pronóstico de series de tiempo altamente agregadas, generalmente muy uniformes —una vez que se han quitado las ciclicidades— y muy largas, no son el fuerte de Lokad. Esos escenarios se ven en los pronósticos de consumo de energía, de tráfico de autopistas, de flujo de caja, de tráfico de llamadas entrantes, etc. Nuestro motor de pronóstico está orientado hacia los pronósticos de muchos artículos en los que las pueden aprovecharse bien las correlaciones entre artículos.

Los pronósticos de alta frecuencia, que implican series de tiempo con granularidades intradía, tampoco es algo que Lokad gestione. Estas situaciones incluyen a la mayor parte de los pronósticos financieros, incluidos los pronósticos de commodities y de compraventa de acciones. Aquí, el desafío reside en el hecho de que los patrones estadísticos ya han sido explotados —por otras personas— e influencian al futuro mismo. Este caso es muy diferente del de la cadena de suministro, donde los pronósticos de demanda solo tienen un efecto moderado (4) en la demanda futura observada.

(4) Sería incorrecto decir que los pronósticos de demanda no afectan la demanda en absoluto. Por ejemplo, al pronosticar más demanda para un producto en una tienda determinada probablemente se aumente la exposición de este producto, lo que podría estimular la demanda. Sin embargo, tales patrones tienden a ser marginales en la cadena de suministro.