FAQ: Forecast de Demanda

Lokad ha evolucionado desde sus inicios en el forecast de demanda a finales de los 2000 hasta convertirse en un líder en la optimización predictiva de supply chain, centrándose en evaluaciones superiores de eventos futuros mientras navega por las complejidades del mundo real.

Audiencia prevista: profesionales de supply chain, planificadores de demanda y supply, analistas de negocio.

Última modificación: 7 de marzo de 2024

Principios de Forecast

Como observó Keynes, es mejor estar aproximadamente en lo correcto que ser exactamente incorrecto. Este principio se aplica a la mayoría de las situaciones de supply chain (y escenarios ajenos a supply chain), pero es especialmente válido en lo que respecta al forecast. Cuando se trata de forecast, en Lokad lo hacemos mejor que simplemente evitar estar exactamente equivocados; rutinariamente superamos no solo a nuestros competidores, sino también a equipos de investigación¹—ocasionalmente redefiniendo el estado del arte. Sin embargo, durante la última década llegamos a darnos cuenta de que el mayor factor limitante de la perspectiva tradicional del forecast no era la precisión, sino más bien la expresividad.

Los forecasts clásicos—es decir, los forecasts de series temporales puntuales—simplemente no cuentan lo suficiente sobre el futuro. Sin embargo, los forecasts de series temporales se han vuelto tan prevalentes que muchos profesionales olvidan lo incompletos—no solo inexactos—que resultan ser. Los forecasts de series temporales tratan el futuro del negocio como el movimiento de un planeta: un fenómeno en el que el observador no tiene nada que ver con los objetos observados. Sin embargo, los supply chain no son como la astronomía, y las empresas (a diferencia de los planetas) influyen activamente en la dirección de sus supply chain. Fundamentalmente, el futuro no está predestinado; es lo que tú haces de él.

Curiosamente, toda la teoría dominante de supply chain se construye sobre los forecasts de series temporales, lo que conduce a todo tipo de giros extraños. La fijación de precios—una forma obvia de dirigir la demanda—usualmente se elimina de la ecuación, convirtiéndola en un asunto completamente separado de la planificación. Esto es manifiestamente incorrecto dada su clara interrelación.

Otra dimensión completamente ausente en la perspectiva tradicional de series temporales es la incertidumbre. Esta incertidumbre es algo que los tradicionalistas creen que puede abordarse buscando mayor precisión aisladamente—a menudo dedicando vastos recursos a tal fin. Sin embargo, los supply chain siguen demostrando que la incertidumbre asociada con eventos futuros es irreducible, y que los problemas de supply chain requieren más que ajustes aislados—es decir, optimización local. No solo la incertidumbre futura es irreducible, los mercados globales parecen bastante hábiles en lanzar desafíos tanto de maneras antiguas (por ejemplo, guerras, tsunamis) como de maneras nuevas (por ejemplo, confinamientos, regulaciones inventivas).

Forecast probabilísticos

El primer cambio importante de Lokad respecto a la perspectiva clásica del forecast de series temporales fue el de los forecasts probabilísticos, iniciados en 2012 a través de forecasts cuantiles—los cuales pueden considerarse como un forecast probabilístico incompleto. Los forecasts probabilísticos consideran todos los futuros posibles (es decir, demanda, tiempo de entrega, etc.), asignando probabilidades a cada resultado. Como tal, los forecasts probabilísticos adoptan la incertidumbre irreductible de los eventos futuros en lugar de descartarla por completo. Desde 2012, los forecasts probabilísticos han demostrado, una y otra vez, ser un enfoque ampliamente superior en lo que se refiere a la gestión de riesgos en supply chain. Esto es cierto para todo, desde pequeñas decisiones locales, como elegir la cantidad correcta para un SKU, hasta grandes decisiones, como cerrar un contrato de servicio a largo plazo y multimillonario.

Además, Lokad no se limitó (y aún no se limita) al forecast probabilístico de la demanda. Todas las otras fuentes de incertidumbre ahora son cuantificadas por la plataforma de Lokad. Estas incertidumbres incluyen tiempos de entrega variables, tasas de desecho variables, devoluciones de clientes variables, etc. De manera más amplia, todos los eventos futuros inciertos deben ser forecast, idealmente mediante forecasts probabilísticos. Así, en la actualidad, Lokad rutinariamente forecast más de una docena de tipos distintos de eventos futuros. Es importante destacar que estos forecasts alternativos no son forecasts de series temporales. No estamos tratando de expresar múltiples valores/unidades dispares (por ejemplo, demanda, tiempo de entrega, etc.) mediante una serie temporal. De hecho, la mayoría de las veces el problema que forecast no encaja ni siquiera en el marco restringido impuesto por una serie temporal.

Forecast programáticos

El segundo cambio significativo de Lokad respecto a la perspectiva clásica del forecast fue su transformación programática, primero con deep learning en 2018, y luego con differentiable programming en 2019. La visión dominante era que el forecast debía abordarse como un producto tecnológico ‘empaquetado’. Lokad, al igual que la mayoría de sus pares, incluso se refería a su ‘forecasting engine’—un componente de software monolítico dedicado justamente a esta tarea. Sin embargo, esta perspectiva adolece en dos aspectos fundamentales.

Primero, la perspectiva del ‘forecasting engine’ asume que existe una forma estándar de organizar los datos de entrada que se alimentarán al engine. No es el caso. La estructura misma de los datos de entrada—en el sentido relacional (por ejemplo, SQL)—depende en gran medida de las particularidades de los sistemas empresariales en vigor en la compañía. Forzar los datos históricos, tal como se encuentran en los sistemas empresariales, en un modelo de datos preconcepcionado, como lo requiere un forecasting engine, conduce a todo tipo de problemas. Aunque Lokad logró (a través de una sofisticación cada vez mayor) diseñar un forecasting engine muchísimo más flexible que el que aún ofrecen nuestros competidores, también nos dimos cuenta de que este enfoque era un callejón sin salida tecnológico. El forecasting engine nunca es lo suficientemente flexible, y termina descartando de manera invariable aspectos críticos pero matizados del negocio.

Los enfoques programáticos, sin embargo, demostraron ser una solución muchísimo superior. Aquí es donde los desafíos del modelado predictivo se abordan a través de paradigmas programáticos en lugar de un software monolítico rígido. Lokad comenzó en 2018 con frameworks de deep learning—tan comúnmente usados por la comunidad en general—pero terminó renovando totalmente la tecnología a la luz de los avances en differentiable programming en 2019. La intención detrás de esta completa renovación tecnológica era convertir los datos relacionales en ciudadanos de primera clase, a diferencia de los frameworks de deep learning que los trataban—y aún tratan—como de segunda clase. Aunque los datos relacionales dominan en supply chain, este no es el tipo de datos que capta el interés de la comunidad más amplia de machine learning (donde predominan imágenes, lenguaje natural, voz, etc.).

Segundo, la perspectiva del ‘forecasting engine’ no deja espacio para que la empresa moldee su propio futuro. No importa la sofisticación del engine, el paradigma implica que se lleva a cabo un proceso de dos etapas, con la fase de forecast/planificación seguida de una etapa de optimización/ejecución. Este paradigma deja poco o ningún margen para ir y venir entre planificación y ejecución. En teoría, es posible aplicar repetidamente el forecasting engine en escenarios que se han ajustado según los forecasts obtenidos en iteraciones previas. En la práctica, el proceso es tan tedioso que realmente nadie lo hace (al menos, no durante mucho tiempo).

En resumen: los enfoques programáticos son un cambio radical. Esto se debe a que se vuelve posible operar bucles de retroalimentación hechos a la medida—entre planificación y ejecución—reflejando opciones sutiles pero rentables que la empresa probablemente de otro modo pasaría por alto. Por ejemplo, si el cliente es una compañía de MRO de aviación, se vuelve posible considerar la compra y venta de rotables al mismo tiempo—las ventas de partes no utilizadas financian la adquisición de partes que ahora son mucho más necesarias. Tales interacciones no son necesariamente complejas ni incluso desafiantes, pero descubrirlas requiere que se considere cuidadosamente la letra pequeña del negocio. Los enfoques no programáticos invariablemente no logran capturar esta letra pequeña, empujando a los profesionales de supply chain de vuelta a sus hojas de cálculo². Differentiable programming también demuestra ser un cambio radical en este frente.

Preguntas Frecuentes (FAQ)

1. Algoritmos y Modelos de Forecast

1.1 ¿Puede proporcionar una visión general de los forecasting engine(s) que utiliza?

Las capacidades predictivas de Lokad se construyen sobre las capacidades de differentiable programming de Envision, el DSL (lenguaje de programación específico de dominio) diseñado por Lokad para la optimización predictiva de supply chain. Así, en lugar de contar con un ‘engine’, Lokad dispone de bloques de construcción programáticos que se pueden ensamblar fácilmente para crear modelos predictivos de vanguardia.

Nuestros modelos predictivos incluyen (pero también superan) la entrega de forecasts de demanda de series temporales de última generación, como lo demuestra que Lokad haya logrado el primer puesto (de aproximadamente 1000 competidores) a nivel de SKU en una competencia internacional de forecast basada en conjuntos de datos de Walmart. La letra pequeña del método se expone en un artículo público. La programabilidad de la plataforma de Lokad ofrece capacidades flexibles que no pueden ser replicadas mediante un “forecasting engine” tradicional. De hecho, nuestro último “forecasting engine” fue eliminado en 2018 en favor de un enfoque programático, precisamente por esta limitación.

Además, normalmente nos referimos a ‘modelado predictivo’ en lugar de ‘forecast’, porque no es solo la demanda futura la que necesita ser estimada cuantitativamente, sino todas las fuentes de incertidumbre. Estas categorías incluyen tiempos de entrega futuros, devoluciones futuras, tasas de chatarreo futuras, precios futuros de las fuentes, precios futuros de los competidores, etc. Mediante differentiable programming, Lokad ofrece forecasts que van mucho más allá de lo que tradicionalmente se espera de un forecasting engine. Estos forecasts extendidos son críticos para lograr una optimización integral de supply chain, en lugar de un plan de demanda aislado.

Finalmente, Lokad ofrece un ‘modelo predictivo probabilístico’. El forecast probabilístico (o ‘modelado probabilístico’) es crucial para proporcionar decisiones optimizadas ajustadas al riesgo. Sin forecasts probabilísticos, las decisiones de supply chain son frágiles ante cualquier variación, generando gastos generales constantes para situaciones que podrían haberse mitigado en gran medida mediante decisiones un poco más prudentes.

Véase Differentiable Programming in Envision para más detalles sobre la letra pequeña detrás de esta herramienta crítica, así como History of the Forecasting Engine of Lokad para revisar nuestra progresión en el forecast.

1.2 ¿Puede generar un forecast base basado en modelos estadísticos?

Sí. Lokad puede generar un forecast base de demanda basado en modelos paramétricos de baja dimensión, es decir, un modelo estadístico. Hacemos esto utilizando Envision, el DSL (lenguaje de programación específico de dominio) de Lokad, diseñado específicamente para la optimización predictiva de supply chain. A través de las capacidades de differentiable programming de Envision, también es sencillo aprender parámetros aprovechando los datos históricos de demanda.

Existen dos limitaciones clave en la perspectiva del forecast tradicional que han sido superadas por las nuevas tecnologías ofrecidas por Lokad. Primero, los forecasts de series temporales puntuales (también llamados “forecasts clásicos”) no capturan la incertidumbre irreductible del futuro. De hecho, descartan la incertidumbre por completo al expresar la incertidumbre futura como un único valor (por ejemplo, demanda) en lugar de una distribución de probabilidad de valores.

Como resultado, mediante forecasts de series temporales tradicionales no es posible que el cliente genere decisiones ajustadas al riesgo—por ejemplo, aquellas que reflejen el impacto financiero de ordenar X unidades o X+1 unidades, o quizás no ordenar ninguna. Esta falta de conciencia del riesgo (es decir, en un sentido cuantitativo) es invariablemente muy costosa para el cliente, ya que conduce a una toma de decisiones financieras deficiente (por ejemplo, órdenes de compra, asignaciones, etc.). Lokad aborda este problema mediante el forecast probabilístico, ya que acepta la incertidumbre futura en lugar de descartarla.

Segundo, el forecast de demanda, aunque se podría argumentar que es el tipo de forecast más importante, no es el único tipo de forecast. Los tiempos de entrega, las devoluciones, las tasas de desecho y todas las otras áreas de incertidumbre futura también deben ser forecast. Lokad aborda este problema mediante el modelado predictivo programático.

1.3 ¿Qué tipo de análisis de datos y algoritmos emplea la solución para generar forecasts de demanda precisos?

Lokad utiliza differentiable programming aprovechando datos históricos detallados y—si es relevante—datos externos selectivos para generar forecasts de demanda y gestionar otras complejidades de supply chain (por ejemplo, faltante de stock y promociones).

La differentiable programming—utilizada para aprender modelos paramétricos—es la técnica principal para generar forecasts de demanda precisos. Como se demostró en la competencia de forecast M5, basada en datos minoristas de Walmart, Lokad utilizó este enfoque y se ubicó en el primer puesto a nivel de SKU (compitiendo contra aproximadamente 1000 equipos en todo el mundo). Este logro califica al enfoque como de última generación.

Sin embargo, el M5 solo arañó la superficie en lo que respecta a los forecast de demanda, ya que el enfoque de Lokad se presta a innumerables “complicaciones”, tales como el manejo de faltante de stock, promociones, devoluciones, perecibilidad, etc. Structured predictive modeling for supply chain proporciona los detalles de cómo Lokad aborda estas complicaciones.

En cuanto a datos, Lokad aprovecha todos los datos históricos de ventas relevantes, hasta las transacciones individuales (si esos datos están disponibles). También aprovechamos otros datos históricos que complementan la señal de demanda, tales como los niveles históricos de stock, precios históricos, precios históricos de competidores, rangos históricos de exhibición (ecommerce), etc. La tecnología de Lokad ha sido diseñada para aprovechar al máximo todos los datos que estén disponibles, así como para mitigar los efectos de aquellos datos que, lamentablemente, no están disponibles.

Se podrían utilizar datos externos si se consideran relevantes para refinar los forecast de demanda. Sin embargo, en nuestra experiencia, los datos más allá de la inteligencia competitiva rara vez proporcionan una mejora en la precisión que justifique los esfuerzos de ingeniería sustanciales asociados con la preparación de esos conjuntos de datos (por ejemplo, datos sociales, datos meteorológicos, etc.). Aprovechar dichos conjuntos de datos debería reservarse para empresas maduras que ya hayan agotado todas las vías más sencillas para mejorar la precisión del forecast.

1.4 ¿Reducen el error del forecast mediante técnicas de machine learning?

Sí. Lokad utiliza differentiable programming y deep learning para reducir el error del forecast. Ocasionalmente usamos técnicas alternativas, como random forests o gradient boosted trees. Además, utilizamos técnicas de machine learning (ML) para replantear los métodos estadísticos “clásicos” (por ejemplo, modelos autorregresivos), pero con métodos mucho más mejorados cuando se trata de aprender los parámetros relevantes de los métodos.

Aunque Lokad utiliza ML, cabe señalar que no se trata de un cuerpo homogéneo de trabajo, sino de una perspectiva compartida sobre cómo abordar los datos. Considerando que el machine learning, como campo de investigación, ha existido por más de tres décadas, el término en realidad abarca una amplia gama de técnicas; algunas consideradas state-of-the-art y otras que son bastante obsolete.

Desde nuestra perspectiva, el cambio de paradigma más importante en ML, particularmente para fines de supply chain, es la transición de feature engineering a architecture engineering. Dicho de manera simple, las técnicas de machine learning se han vuelto programables. Tanto deep learning como differentiable programming reflejan esta nueva perspectiva que favorece la architecture engineering sobre la feature engineering, y es por eso que Lokad utiliza este enfoque.

Para fines de supply chain, la architectural engineering es clave para reflejar, dentro del modelo predictivo, la estructura misma del problema que se está abordando. Aunque esto pueda parecer una consideración abstracta, es la diferencia entre un forecast que sistemáticamente no concuerda con los datos del ERP y un forecast que realmente abraza la situación.

1.5 ¿Cómo identifican y predicen los patrones de demanda para prevenir faltante de stock y exceso de stock?

Lokad reduce el faltante de stock y el exceso de stock a través de forecast probabilístico, que abraza la incertidumbre de la demanda futura al ofrecer probabilidades de grandes desviaciones en la demanda. Este enfoque permite a Lokad proporcionar decisiones ajustadas al riesgo a los clientes, lo que posibilita mejores elecciones (por ejemplo, POs) y reduce el faltante de stock y el exceso de stock. Este enfoque contrasta con los forecast de series temporales puntuales tradicionales, que ignoran los riesgos financieros y se basan en reducir los errores del forecast de manera aislada.

Dejando de lado otras posibles causas—como los diferentes tiempos de entrega—el faltante de stock y el exceso de stock reflejan típicamente una demanda inesperada (futura). Lokad aborda directamente este problema a través del forecast probabilístico. A diferencia de los métodos de supply chain convencionales que ignoran la incertidumbre irreducible del futuro, Lokad abraza la incertidumbre en un sentido cuantitativo estricto. Los forecast probabilísticos proporcionan las probabilidades de observar grandes desviaciones en la demanda, algo que es esencial si se desea calcular decisiones ajustadas al riesgo.

Las decisiones ajustadas al riesgo no solo consideran la probabilidad de enfrentar eventos inusuales (por ejemplo, una demanda muy baja o muy alta), sino también los riesgos financieros asociados con esos resultados. Como regla general, existen costos altamente asimétricos cuando se tienen muy pocas o demasiadas unidades. Una decisión ajustada al riesgo minimiza las pérdidas esperadas dirigiendo al cliente en la dirección más “prudente” o “recompensante”.

En contraste, y a pesar de su popularidad, los forecast puntuales periódicos de series temporales (también conocidos como “classic forecasts”) son completamente indiferentes respecto a estos riesgos. Esta perspectiva se centra en reducir el error del forecast de manera aislada hasta el punto en que el error se vuelve inconsecuente. Sin embargo, esto es un deseo irrealista, ya que la incertidumbre del futuro es irreducible. Por eso, los forecast puntuales no logran prevenir de manera satisfactoria ni el faltante de stock ni el exceso de stock.

En resumen, no importa si se utiliza un modelo crudo o sofisticado cuando las suposiciones/herramientas subyacentes (por ejemplo, los forecast puntuales de series temporales) son fundamentalmente erróneas.

Consulte probabilistic forecasting para conocer los detalles de este concepto.

1.6 ¿Cómo manejan la estacionalidad en la demanda?

Executive summary: Lokad maneja la estacionalidad en la demanda mediante differentiable programming, utilizando modelos paramétricos de baja dimensión que codifican de forma fija la estructura de varias ciclicidades, como patrones anuales, semanales y específicos de eventos. Este enfoque automatizado asegura precisión y estabilidad en el forecast de demanda al considerar simultáneamente todos los patrones que impactan la demanda, sin necesidad de intervención manual.

La estacionalidad, también conocida como la ciclicidad anual, es una de las muchas ciclicidades que Lokad maneja. También podemos manejar la ciclicidad semanal (es decir, el efecto del día de la semana), la ciclicidad mensual (es decir, el efecto del día de pago) y las ciclicidades casi anuales (por ejemplo, Semana Santa, Ramadán, Año Nuevo Chino, Black Friday, etc.).

Nuestra técnica preferida para tratar con las ciclicidades es differentiable programming. Aprovechamos modelos paramétricos de baja dimensión que reflejan estructuralmente las ciclicidades objetivo. En otras palabras, elegimos modelos en los que la estructura de la ciclicidad se da por sentada, codificada de forma fija por los Supply Chain Scientist de Lokad. Esto está diseñado para ayudarnos a cuantificar la magnitud de las fluctuaciones asociadas con las ciclicidades objetivo—en lugar de simplemente identificar/descubrir su existencia.

Una vez que la receta numérica ha sido desarrollada por los Supply Chain Scientist de Lokad, el proceso general de optimización es completamente automatizado. En particular, la optimización de supply chain de Lokad no requiere ningún tipo de intervención manual (es decir, microgestión del perfil de estacionalidad), ni depende de excepciones para productos recientes o para productos que aún no han sido lanzados. Lokad’s approach might seem somewhat novel, but it is critically important for supply chain purposes.

Primero, ofrece resultados más precisos, ya que el proceso de machine learning no intenta descubrir la ciclicidad, sino que la ciclicidad se da por sentada (y ya es ampliamente reconocida por los profesionales del supply). Esto es aún más crítico en situaciones donde la cantidad de datos es limitada.

Segundo, ofrece resultados más estables, al restringir la forma de la función de demanda que se debe aprender. Este enfoque ayuda en gran medida a mitigar los artefactos numéricos donde la demanda futura estimada fluctúa ampliamente mientras que los datos de entrada no lo hacen.

Finalmente, differentiable programming, utilizado por Lokad para construir modelos (de machine learning) a partir de los datos del cliente, nos permite abordar de manera conjunta todas las ciclicidades, así como todos los otros patrones que conforman los patrones de demanda observados (por ejemplo, faltante de stock o promociones). Las ciclicidades no pueden estimarse de manera aislada, ni en secuencia, de los otros patrones que impactan la demanda. Todos estos patrones, y sus respectivos parámetros, deben ser estimados de forma conjunta.

Consulte Structured Predictive Modeling for Supply Chain para conocer los detalles sobre differentiable programming y su lugar en la optimización de supply chain.

1.7 ¿Tienen capacidades de forecast a largo plazo (más de 3 años de anticipación) para predecir la demanda futura y hacer una propuesta de ajustes en consecuencia?

Sí. Lokad puede forecast indefinidamente lejos en el futuro, por lo que no existe un horizonte máximo.

Dada la naturaleza de la incertidumbre futura, la inexactitud del forecast aumenta de manera constante a medida que se extiende el horizonte del forecast. Aunque técnicamente sea sencillo producir un forecast a largo plazo, esto no significa que dicho forecast se pueda confiar para fines de supply chain. No importa cuán sofisticado sea el modelo subyacente, el forecast es, en última instancia, un intento de adivinar cómo será el camino mientras se mira por el espejo retrovisor.

Además, la capacidad de hacer ajustes manuales a un forecast que de otro modo es automatizado tiende a empeorar la situación. Una vez que los forecast han sido alterados manualmente por “expertos”, las organizaciones invariablemente confían excesivamente en ellos. Numerosos benchmarks realizados por Lokad indican que los expertos rara vez superan a los métodos de promedio crudo cuando se trata de forecasts a largo plazo. Por lo tanto, los forecasts ajustados manualmente suelen beneficiarse de un aura de pericia inmerecida que hace que las organizaciones dependan en exceso de ellos. Esta práctica de ajustes manuales incluso sobrevive después de que los números resulten, inevitablemente, haber sido conjeturas pobres.

Como comentario general sobre el forecast a largo plazo, estamos de acuerdo con la perspectiva de Ingvar Kamprad (fundador de IKEA), quien escribió en The Testament of a Furniture Dealer: “exaggerated planning is the most common cause of corporate death”. En términos generales, a menos que la empresa cliente esté lidiando con condiciones de mercado excepcionalmente estables (por ejemplo, servicios públicos), no recomendamos dirigir la supply chain a través de forecasts a largo plazo. El equipo de Supply Chain Scientist de Lokad está disponible para proporcionar orientación sobre enfoques mejores (y más sensatos) que reflejen de manera única los requisitos específicos de cada empresa cliente.

1.8 ¿Pueden proporcionar forecasts rodantes de ítems/tiendas por un mínimo de 28 días?

Sí, Lokad puede forecast indefinidamente lejos en el futuro, incluso a nivel SKU para una gran cadena minorista.

Para nuestros clientes minoristas, rutinariamente tenemos horizontes de forecast de 200 (o más) días, mientras operamos a nivel SKU. Estos horizontes a mediano plazo son útiles para evaluar adecuadamente los riesgos asociados con el inventario muerto de los productos de lenta rotación. Además, la plataforma de Lokad es altamente escalable, por lo que manejar decenas de millones de SKUs mientras se procesan años de datos históricos diarios no es difícil. De hecho, la plataforma de Lokad puede escalar sin esfuerzo para acomodar incluso grandes redes minoristas sin necesidad de ninguna planificación previa de capacidad.

Véase también Forecasting Algorithms and Models 1.7 en este FAQ.

1.9 ¿Pueden utilizar fuentes de datos externas y/o indicadores para mejorar la precisión del forecast de demanda?

Sí. Por ejemplo, Lokad utiliza rutinariamente la inteligencia competitiva (es decir, los precios publicados de los competidores). En ciertas industrias, los indicadores públicos pueden ser de gran utilidad (por ejemplo, los tamaños proyectados de flotas de aeronaves para los MROs de aviación). La plataforma programática de Lokad es especialmente adecuada para aprovechar diversas fuentes de datos—más allá de los datos históricos obtenidos de los sistemas empresariales.

En lo que respecta a los datos externos, hay dos fuentes que, contra todo pronóstico, casi nunca vale la pena el esfuerzo de ingeniería: los conjuntos de datos meteorológicos y los conjuntos de datos de redes sociales. Los conjuntos de datos meteorológicos son muy voluminosos (es decir, muy grandes y muy complejos) y, de manera realista, no son realmente mejores que los promedios estacionales para periodos de más de dos semanas (más o menos). Los conjuntos de datos de redes sociales también son muy voluminosos (es decir, muy grandes, muy complejos y están fuertemente poblados por datos basura), y también se inclinan fuertemente hacia efectos a corto plazo—típicamente abarcando unos pocos días.

No afirmamos que no se pueda extraer valor de los datos meteorológicos o de los datos de redes sociales, ya que para algunos clientes ya hemos logrado hacerlo. Sin embargo, no todas las mejoras en la precisión del forecast justifican los esfuerzos de ingeniería para obtenerlas. Nuestros clientes deben operar con recursos limitados, y usualmente esos recursos se invierten mejor en refinar otros aspectos de la optimización de supply chain de extremo a extremo. Este es un enfoque más prudente que buscar ese último 1% (típicamente, ni siquiera tanto) de precisión extra a través de conjuntos de datos externos que son 2 o 3 órdenes de magnitud mayores que los conjuntos de datos históricos propios de la empresa cliente.

1.10 ¿Cómo afrontan los diferentes niveles de tasa de venta, desde menos de 1 por semana hasta miles por día?

Para gestionar las tasas de venta variables, Lokad utiliza forecast probabilísticos para demandas escasas, empleando estructuras de datos especializadas como Ranvar para eficiencia en todos los volúmenes de ventas, simplificando así los desafíos de supply chain.

En lo que respecta a las diferentes magnitudes de las tasas de venta, el principal desafío radica en los números pequeños en contraposición a los grandes, siendo estos últimos comparativamente mucho más fáciles de procesar. Para hacer frente a la demanda escasa, Lokad utiliza forecast probabilísticos. Los forecast probabilísticos asignan una probabilidad a cada evento discreto, como la probabilidad de vender 0 unidades, 1 unidad, 2 unidades, etc. Las probabilidades eliminan toda una serie de problemas asociados con los valores fraccionarios de la demanda, tal como se obtienen tradicionalmente con los métodos convencionales de supply chain.

Bajo el capó, las probabilidades sobre una corta serie de posibilidades discretas se representan como histogramas (o estructuras de datos similares). Estas estructuras de datos son muy compactas y, por lo tanto, implican bajos costos de cómputo. Sin embargo, al tratar con una demanda escasa, una implementación ingenua de tales estructuras de datos (por ejemplo, mantener 1 contenedor por unidad de demanda) se volvería dramáticamente ineficiente cuando se enfrente a distribuciones de demanda no escasas que involucren miles de unidades de demanda por período.

Así, Lokad ha diseñado estructuras de datos especiales, como el Ranvar (ver más abajo) que garantizan sobrecargas de tiempo constante y de memoria constante, para las operaciones algebraicas que involucran distribuciones de probabilidad. Ranvar aproxima de manera elegante la distribución de probabilidad original cuando los números se vuelven grandes, manteniendo la pérdida de precisión inconsecuente desde una perspectiva de supply chain. Estructuras de datos como Ranvar eliminan en gran medida la necesidad de aislar y focalizar la demanda esporádica, al tiempo que preservan todos los patrones deseables de enteros pequeños cuando se trata de demanda esporádica.

Vea nuestra conferencia pública en video Probabilistic Forecasting for Supply Chain y nuestra documentación pública Ranvars and Zedfuncs para conocer los detalles sobre este punto.

1.11 ¿Realizan forecast en diferentes unidades (unidad, precio, caja, peso, etc.)?

Sí, la Plataforma de Lokad es programática. Podemos reexpresar nuestros forecasts en cualquier unidad deseada. Además, podemos adaptarnos a situaciones en las que se involucren múltiples unidades. Por ejemplo, los contenedores están limitados tanto en términos de peso como de volumen. Por lo tanto, la proyección del uso futuro de contenedores podría tener que tener en cuenta ambas restricciones para evaluar adecuadamente cuántos contenedores serán necesarios.

1.12 ¿Soportan múltiples algoritmos de forecast (por ejemplo, regresión lineal, suavizado exponencial, promedio móvil, ARIMA, etc.)?

Sí. La Plataforma de Lokad es programática, por lo que podemos soportar todos los modelos clásicos de forecast (como los enumerados en la pregunta).

Es importante señalar que la mayoría de los modelos clásicos de forecast (por ejemplo, regresión lineal, suavizado exponencial, promedio móvil, ARIMA, etc.) ya no se consideran de vanguardia, y no aparecen como los de mejor desempeño en competencias públicas de forecast. En particular, la mayoría de esos modelos rinden pobremente cuando se trata de adaptarse a las complicaciones habituales que se encuentran en situaciones de supply chain (por ejemplo, faltante de stock, canibalizaciones, eventos cuasi estacionales como el Año Nuevo Chino, etc.).

Usualmente, los Supply Chain Scientists de Lokad elaboran una receta numérica hecha a la medida para cubrir las necesidades de forecast de la empresa cliente. Nuestro Supply Chain Scientist forecast la demanda necesaria así como todos los otros factores inciertos de supply chain, tales como los tiempos de entrega, devoluciones, tasas de chatarra, precios de la competencia, etc. Además, el(los) algoritmo(s) de forecast deben adaptarse para capitalizar los datos disponibles mientras se mitigan las distorsiones inherentes a las operaciones de supply chain (por ejemplo, la demanda frecuentemente rebota al final de un evento de faltante de stock).

Vea nuestra conferencia pública en video No1 at the SKU-level in the M5 forecasting competition para conocer en detalle las credenciales de forecast de Lokad.

1.13 ¿Qué nivel de granularidad se devuelve para el forecast?

Lokad puede adaptarse a cualquier granularidad en sus forecasts. Esto significa que podemos realizar forecast en las granularidades más desagregadas, como hasta el nivel de SKU o incluso forecast de la demanda por cliente por SKU (si tiene sentido), así como forecast de nivel empresarial.

Como los forecasts son artefactos numéricos destinados a servir para la generación de decisiones optimizadas de supply chain, los Supply Chain Scientists de Lokad ajustan la granularidad de los forecasts para que coincida exactamente con las decisiones que se pretende respaldar con ellos. En particular, si hay múltiples decisiones de supply chain que respaldar, entonces generalmente también existen múltiples granularidades de forecast.

Sin embargo, Lokad va más allá de simplemente adaptar la granularidad del forecast (es decir, elegir un cierto nivel dentro de una jerarquía dada). Ajustamos todo el enfoque del forecast para reflejar mejor la tarea en cuestión. Por ejemplo, para un minorista B2B, podría tener sentido forecast la pérdida de clientes, ya que el stock del cliente (que satisface una demanda constante para un SKU determinado) podría, de la noche a la mañana, convertirse en stock muerto. Esto podría suceder si la mayor parte de la demanda proviniera de un gran cliente que de repente se ha dado de baja. Lokad es capaz de forecast las probabilidades de pérdida de clientes junto con la demanda para un SKU determinado. Posteriormente, podemos combinar los dos forecasts según sea necesario para optimizar las decisiones de inventario pertinentes.

1.14 ¿Pueden generar forecasts cuantitativos utilizando datos de ventas semanales?

Sí. Nuestras capacidades de forecast son muy flexibles. Podemos, por ejemplo, adaptarnos a datos de ventas semanales en lugar de datos transaccionales sin procesar (nuestra preferencia).

Vale la pena señalar que transformar los datos transaccionales en una serie temporal semanal es un proceso con pérdida, es decir, que información críticamente útil podría perderse en el proceso. Una vez perdida, esta información no puede recuperarse, sin importar cuán sofisticado sea el modelo de forecast.

Por ejemplo, imagina un minorista de bricolaje que vende interruptores. Este minorista observa 1 unidad de demanda por día (en promedio) para un SKU determinado en una tienda reabastecida todos los días de la semana. Si la mayor parte de la demanda proviene de clientes que compran 1 unidad a la vez, entonces contar con 4 unidades en stock probablemente proporcionará un nivel de servicio decente. Sin embargo, si la mayor parte de la demanda proviene de clientes que típicamente compran media docena de unidades a la vez (con 1 cliente presentándose por semana en promedio), entonces 4 unidades en stock equivale a un nivel de servicio terrible.

Esto demuestra el problema de la agregación arbitraria. Una vez que los datos de ventas se han agregado semanalmente, por ejemplo, se pierde la diferencia entre las dos situaciones descritas anteriormente. Precisamente por ello Lokad prefiere manejar datos transaccionales sin procesar siempre que sea posible.

1.15 ¿Generan un forecast diario (o intradía) a partir del historial diario, o aplican patrones diarios a un forecast estadístico semanal?

Cuando se dispone de datos históricos diarios (o, mejor aún, datos a nivel transaccional), generalmente aprendemos conjuntamente todas las ciclicidades relevantes—día de la semana, semana del mes, semana del año—para mejorar la precisión del forecast. A través de la Plataforma de Lokad, es muy sencillo incluir (o excluir) cualquier ciclicidad o casi ciclicidad determinada (por ejemplo, Semana Santa, Año Nuevo Chino, Ramadán, etc.).

La descomposición jerárquica que separa la ciclicidad del día de la semana de la ciclicidad de la semana del año puede o no ser utilizada por Lokad. Sin embargo, nuestra Plataforma puede soportar ambas opciones. Esta preocupación (descomponer o no descomponer) no es exclusiva de las ciclicidades, y preocupaciones similares deben abordarse para todos los otros patrones.

La elección del modelo más adecuado queda a cargo de los Supply Chain Scientists de Lokad. Su elección se basa en un examen cuidadoso de los patrones específicos observados en el supply chain de interés.

1.16 ¿Ajustan automáticamente el forecast durante el día (o la semana) basado en las ventas reales frente a las ventas esperadas?

Lokad actualiza sus modelos predictivos diariamente para corregir cualquier error proveniente de entradas de datos incorrectas, asegurando que los forecasts sean precisos y estén actualizados. Este enfoque contrarresta las inestabilidades numéricas presentes en tecnologías más antiguas, utilizando modelos estables y precisos para prevenir cambios erráticos en el forecast y mejorar las decisiones de supply chain.

Como regla general, Lokad actualiza (reentrena) todos sus modelos predictivos cada vez que recibimos un nuevo lote de datos históricos. Para la mayoría de nuestros clientes, esto ocurre una vez al día. La razón más importante para ello es asegurarse de que las entradas de datos incorrectas—que ya han sido corregidas—no persistan debido a la continuidad de los forecasts “rotos” que se han generado en el pasado (basados en esas entradas incorrectas). La funcionalidad de Lokad hace que la actualización diaria de los modelos predictivos no sea un problema, incluso considerando supply chains muy grandes.

Por otro lado, algunas tecnologías de forecast obsoletas sufren inestabilidades numéricas. Como resultado, los profesionales de supply chain pueden temer un sistema que se actualice con demasiada frecuencia, porque, según su experiencia, significa que los forecasts actuarán de manera errática. Desde la perspectiva de Lokad, un modelo predictivo que “salta” erráticamente debido a la llegada de incrementos diarios de datos es, de hecho, un modelo defectuoso que necesita ser corregido. Retrasar las actualizaciones para mitigar el problema no puede considerarse una solución razonable, ya que la precisión del forecast sufre innecesariamente al no considerar los eventos más recientes.

Lokad resuelve este problema adoptando clases de modelos predictivos que tienen propiedades correct-by-design en lo que respecta a la estabilidad numérica. La programación diferenciable es particularmente efectiva para diseñar modelos que sean tanto muy estables como muy precisos.

Consulte Refresh Everything Every Day para obtener más información sobre este punto.

1.17 ¿Cómo establecen un nivel de confianza de que el nivel de ventas real continuará en el futuro?

Utilizamos forecast probabilístico y optimización estocástica para evaluar todos los resultados potenciales y sus probabilidades, permitiendo decisiones de supply chain ajustadas por riesgo. Cada resultado potencial tiene un intervalo de confianza, que se puede usar para expresar niveles de confianza.

Cuando se utilizan forecasts probabilísticos, como recomienda Lokad, todos los futuros posibles obtienen una probabilidad estimada. A su vez, los intervalos de confianza son sencillos de obtener a partir de un forecast probabilístico. Los intervalos de confianza pueden usarse para establecer un ‘nivel de confianza’ según cierto grado de riesgo (por ejemplo, el escenario del 5% peor frente al del 1% peor).

Sin embargo, la suposición implícita detrás de los ‘niveles de confianza’ es que la decisión de supply chain depende del forecast original (o forecasts). La perspectiva de probabilistic forecasting cambia completamente la forma en que abordamos toda la cuestión de la (in)exactitud del forecast. Cuando se dispongan de forecasts probabilísticos, las decisiones de supply chain (por ejemplo, una orden de compra determinada) pueden beneficiarse repentinamente de una optimización ajustada por riesgo. En otras palabras, la decisión puede optimizarse para todos los futuros posibles y sus respectivas probabilidades, y cada decisión se clasifica en función de su(s) impacto(s) financiero(s).

El término técnico para esta “optimización ante la incertidumbre” es optimización estocástica. Lokad ofrece tanto forecast probabilístico como optimización estocástica.

1.18 ¿Pueden combinar múltiples algoritmos de forecast?

Sí, aunque dejamos de recomendar esta práctica hace aproximadamente una década. Combinar múltiples algoritmos de forecast (también conocidos como “meta-modelos”) en un entorno de producción suele generar decisiones de supply chain subóptimas, precisamente por lo que no recomendamos este enfoque.

Combinar múltiples modelos de forecast es una de las opciones más fáciles para mejorar resultados sintéticos, típicamente obtenidos a través de backtesting. Sin embargo, este “meta-modelo” (el producto de combinar múltiples modelos de forecast subyacentes) suele ser inestable, ya que continúa “saltando” de un modelo a otro. Como resultado, los profesionales de supply chain se confunden rutinariamente por desviaciones repentinas o “cambios de opinión” del meta-modelo. Peor aún, los meta-modelos son, por diseño, bastante opacos porque son una mezcla de varios modelos. Incluso cuando los modelos subyacentes son simples, el meta-modelo resultante de su mezcla no lo es.

Así, cualquier “precisión extra” obtenida, mediante el uso de meta-modelos, en el benchmark (es decir, “resultados sintéticos”) se pierde invariablemente en producción (es decir, en escenarios del mundo real) debido a efectos de segundo orden tales como la inestabilidad incrementada y la mayor opacidad de los forecasts.

1.19 ¿Seleccionan automáticamente el modelo que mejor se ajusta para los forecasts?

Sí, Lokad ofrece un modelo predictivo único y eficaz para el forecast de supply chain. Evitamos los “meta-modelos” debido a su bajo rendimiento en el mundo real y a su opacidad.

Los Supply Chain Scientists de Lokad ofrecen a cada cliente un modelo predictivo único en lugar de una amalgama de diferentes algoritmos que compiten por ser seleccionados, de acuerdo con el enfoque de “meta-modelo”. Este enfoque de meta-modelo es algo que Lokad dejó de utilizar hace aproximadamente una década.

Cabe señalar que, a nivel técnico, Lokad no tiene problema en operar una “competencia interna” de modelos de forecast, es decir, un conjunto de modelos donde se selecciona automáticamente el mejor según lo dicte la necesidad. Tal enfoque es técnicamente sencillo. La razón por la que Lokad evita esta práctica es que los beneficios asociados con los meta-modelos son sintéticos (es decir, visibles en benchmarks) y no se traducen a escenarios de supply chain en el mundo real. Nuestra experiencia indica que los meta-modelos invariablemente rinden peor que sus contrapartes no compuestas.

Los meta-modelos reflejan primordialmente tecnologías de forecast obsoletas en las que se ensambla una colección de modelos defectuosos: el primer modelo es malo en estacionalidad; el segundo modelo es malo en series temporales cortas; el tercer modelo es malo en series temporales erráticas; etc. Construir un meta-modelo da la ilusión de que el modelo ha atenuado sus defectos constituyentes, sin embargo, los defectos de cada modelo saldrán rutinariamente a la superficie ya que la lógica del selector de modelos tiene sus propias limitaciones. Peor aún, los meta-modelos suelen socavar la confianza de los profesionales de supply chain ya que este diseño resulta “opaco por diseño”.

Por ello, el enfoque de Lokad es elaborar un modelo predictivo que sea tan simple como pueda, pero no más simple. Cuando se diseña con tecnologías de soporte adecuadas, como la programación diferenciable, este modelo único se encarga de todo el alcance de supply chain para la empresa cliente, sin necesidad de recurrir a una mezcla de modelos.

Ver también Forecasting Algorithms and Models 1.18 en este FAQ.

1.20 ¿Pueden realizar torneos de forecast, seleccionando automáticamente el mejor modelo con la mejor parametrización? ¿Lo hacen con machine learning?

Sí. Lokad puede hacer esto, aunque no recomendamos este enfoque. Combinar modelos mediante machine learning (para crear “meta-modelos”) no produce beneficios en un entorno de producción. En su lugar, recomendamos un enfoque de modelo único.

Hace aproximadamente una década, solíamos aprovechar los meta-modelos para el forecast. Los meta-modelos son modelos que representan una combinación de otros modelos, y/o un modelo que es una selección de otros modelos. La mezcla y/o selección de los modelos subyacentes también se realizaba con técnicas de machine learning, típicamente random forests y gradient boosted trees.

Sin embargo, a pesar de mejorar los resultados sintéticos mediante benchmarking (típicamente realizado con backtesting), el enfoque de meta-modelo invariablemente degrada el/los resultado(s) en el mundo real para el cliente. La selección automática del modelo conduce a saltos erráticos de forecast cuando el meta-modelo transiciona de un modelo a otro. El uso de técnicas de machine learning para la selección del modelo también tiende a agravar este comportamiento al hacer que las transiciones sean aún más erráticas.

Así, aunque la plataforma de Lokad soporta torneos de forecast, no recomendamos utilizar tales enfoques para fines de producción. En particular, competiciones recientes de forecast muestran que un único modelo unificado supera a meta-modelos más complejos, como se ilustra con Lokad ocupando primero en el nivel de SKU en una competición mundial que involucró un conjunto de datos de Walmart (ver abajo).

Véase también Forecasting Algorithms and Models 1.18 en este FAQ.

1.21 ¿Cómo se asegura que se utiliza información más granular para cada artículo/tienda evitando al mismo tiempo el ruido y el sobreajuste del modelo?

Lokad utiliza programación diferenciable para mejorar la precisión del forecast, un enfoque que nos permite hacer modelos a la medida para estructuras de datos específicas y gestionar el sobreajuste controlando la expresividad del modelo. Este enfoque aborda de forma efectiva la “ley de los números pequeños” al incorporar una guía experta mínima (pero crucial) para optimizar la eficiencia de los datos.

Los problemas de ruido y sobreajuste son los principales motivadores de por qué Lokad utiliza programación diferenciable en su forecast. A través de la programación diferenciable, los Supply Chain Scientist de Lokad tienen control total sobre la estructura misma del modelo. La programación diferenciible les permite diseñar un modelo que respalde los datos de entrada (incluida su estructura relacional). Además, la programación diferenciible les permite restringir la expresividad del modelo para mantener el sobreajuste bajo control.

La programación diferenciable ha sido un avance para Lokad para hacer frente a la “ley de los números pequeños” que rige las supply chain — es decir, el forecast siempre debe realizarse en el nivel/granularidad que refleje las decisiones de la supply chain de interés, como “por SKU por día”. Sin embargo, al hacerlo, los modelos de forecast se enfrentan a situaciones en las que el número de puntos de datos relevantes se cuenta en cifras de un solo dígito.

El avance de la programación diferenciable es que permite a un Supply Chain Scientist (usualmente empleado por Lokad, pero posiblemente empleado por la empresa cliente) inyectar cierto conocimiento previo de alto nivel en el modelo predictivo (por ejemplo, una selección de las ciclicidades relevantes) para aprovechar al máximo los muy pocos puntos de datos disponibles. A diferencia de los “sistemas expertos” de la década de 1980, la programación diferenciable requiere una guía muy limitada de un experto humano—sin embargo, esta guía limitada puede marcar toda la diferencia en lo que respecta a la eficiencia de los datos.

2. Gestión del Forecast y Ajustes

2.1 ¿Pueden los usuarios visualizar los forecast? ¿Pueden agregar los forecast a diferentes niveles (por ejemplo, almacén, tienda, comercio)?

Resumen ejecutivo: Sí, la plataforma de Lokad ofrece una robusta visualización de datos (en tiempo constante) para inspeccionar y agregar los forecast en cualquier nivel deseado.

La plataforma de Lokad proporciona amplias capacidades de visualización de datos que se pueden utilizar para inspeccionar los forecast de series temporales. En particular, es sencillo agregar los forecast según cualquier jerarquía (por ejemplo, ubicaciones, regiones, categorías de productos, etc.) y conforme a cualquier granularidad (por ejemplo, día, semana, mes, etc.). Además, la plataforma de Lokad garantiza una visualización en tiempo constante para estos informes, lo que significa que se generan en menos de 500 milisegundos — asumiendo que el usuario final disponga de suficiente ancho de banda para cargar el informe en este plazo.

Sin embargo, esta pregunta asume implícitamente que estamos hablando de forecast de series temporales puntuales (también conocidos como forecast clásicos de demanda). Aunque la plataforma de Lokad soporta forecast de series temporales puntuales, estos forecast están obsoletos por dos razones.

Primero, los forecast puntuales presentan un único valor futuro como si fuese EL futuro (es decir, exactamente lo que ocurrirá). En este sentido, tratan el futuro como el simétrico del pasado. Sin embargo, la incertidumbre del futuro es irreducible, y el futuro, visto desde una perspectiva de supply chain y no desde la de un físico, no es el simétrico del pasado. Por esta razón, se deben favorecer los forecast probabilísticos — un enfoque que considera TODOS los posibles resultados futuros (por ejemplo, valores de demanda) y asigna probabilidades a cada uno. En términos de gestión de riesgos, esto proporciona una defensa mucho más robusta contra la incertidumbre irreducible del futuro.

Sin embargo, aunque los forecast probabilísticos se pueden expresar en cualquier nivel (por ejemplo, almacén, tienda, producto, etc.), no son aditivos, al menos no en el sentido habitual. Así, aunque la plataforma de Lokad proporciona todas las capacidades de visualización de datos relevantes para nuestros forecast, estas capacidades no son, por lo general, las que los profesionales de supply chain esperarían (al menos aquellos que no tienen experiencia previa en forecast probabilístico).

Segundo, los modelos de forecast de series temporales a menudo son inadecuados porque la perspectiva de series temporales en sí es simplista y no logra captar la esencia del negocio. Por ejemplo, un minorista B2B puede tener una combinación de dos tipos de pedidos: pedidos pequeños que los clientes esperan que se atiendan de inmediato desde el stock del minorista; y pedidos grandes realizados con meses de anticipación que los clientes esperan que se atiendan a tiempo — precisamente porque el pedido se realizó con tanto margen desde el principio. Este patrón, por básico que sea, no puede abordarse con un forecast de series temporales. Además, los patrones que no se ajustan a los forecast de series temporales incluyen vencimientos de vida útil, canibalizaciones, sustituciones, cambios de precios de la competencia, etc.

Más en general, los forecast de series temporales son útiles para fines de visualización. Sin embargo, a menudo en Lokad el modelo subyacente de forecast no será uno de series temporales — incluso si los datos finales se visualizan como series temporales por conveniencia.

2.2 ¿Qué tipo de conocimientos de forecast deben ser gestionados por los expertos frente al sistema/máquina?

Los expertos deben centrarse en la estructura de alto nivel del modelo predictivo (por ejemplo, la estructura relacional de los datos de entrada, las principales suposiciones estructurales que se pueden hacer sobre estos datos, etc.). No se espera que los expertos tengan que microgestionar (por ejemplo, sobrescribir manualmente) los forecast en sí.

Dado que Lokad aprovecha la tecnología predictiva moderna — programación diferenciable — nuestros Supply Chain Scientist se centran casi exclusivamente en la “estructura de alto nivel” del modelo predictivo. Esto contrasta con las tecnologías más antiguas (ahora obsoletas) que típicamente esperaban que el experto que las usaba microgestionara los forecast, proporcionando conocimientos correctivos para todos los casos límite que presentaban los modelos. Desafortunadamente, tales enfoques anticuados invariablemente resultaron ser demasiado tediosos para que los expertos los mantuvieran a lo largo del tiempo. Como resultado, las empresas que los utilizaban normalmente perdían a sus expertos y luego tenían que recurrir al uso de hojas de cálculo.

En contraste, la estructura de alto nivel del modelo predictivo es algo que puede expresarse de manera concisa, usualmente en no más de 100 líneas de código. Esta brevedad es válida incluso al considerar supply chains muy complejas. La estructura de alto nivel representa el núcleo de la comprensión humana del desafío predictivo. Mientras tanto, el proceso (o procesos) encargado de “aprender” los parámetros del modelo permanece completamente automatizado. Esto se realiza aprovechando los datos de entrada (típicamente los datos históricos) junto con algunas otras fuentes de datos (por ejemplo, campañas de marketing próximas).

2.3 ¿Pueden ajustarse/sobrescribirse manualmente los forecast?

Resumen ejecutivo: Sí. Aunque la plataforma de Lokad soporta ajustes manuales a los forecast, esto es innecesario dado que los forecast probabilísticos están diseñados para tener en cuenta el riesgo y la incertidumbre — que, por lo general, son los principios que impulsan la sobrescritura manual en primer lugar.

La plataforma de Lokad ofrece amplias capacidades programáticas, por lo que es sencillo soportar capacidades de edición para cualquier proceso de forecast. Sin embargo, la necesidad de ajustar manualmente los forecast refleja primordialmente las limitaciones de las tecnologías de forecast obsoletas. El uso de forecast probabilístico avanzado por parte de Lokad elimina en gran medida la necesidad de microgestión de los forecast. De hecho, en Lokad la necesidad de tal microgestión desapareció efectivamente hace una década.

Las correcciones manuales de los forecast suelen estar destinadas como una forma indirecta de mitigar riesgos. El profesional de supply chain no espera que el forecast se vuelva más preciso en un sentido estadístico, sino que espera que las decisiones derivadas del forecast ajustado sean menos riesgosas (es decir, menos costosas para la empresa). Sin embargo, con los forecast probabilísticos, las decisiones de supply chain (generadas por Lokad) ya están ajustadas al riesgo. Por lo tanto, no tiene sentido intentar dirigir el forecast probabilístico para reducir riesgos, ya que las decisiones están diseñadas inherentemente para estar ajustadas al riesgo.

Además, las correcciones manuales de los forecast suelen tener la intención de mitigar situaciones de alta incertidumbre. Sin embargo, los forecast probabilísticos están diseñados para abarcar y cuantificar la incertidumbre. Así, los forecast probabilísticos ya reflejan las áreas de alta incertidumbre, y se toman decisiones ajustadas al riesgo en consecuencia.

Fundamentalmente, no tiene sentido intentar arreglar manualmente forecast “incorrectos”. Si se demuestra que los forecast son menos precisos de lo que se espera, entonces se debe corregir la receta numérica que los genera. Si los forecast se modifican por razones que no tienen que ver con la precisión, entonces son los cálculos posteriores los que deben ajustarse. De cualquier manera, ajustar manualmente los forecast es una práctica obsoleta que no tiene cabida en una supply chain moderna.

2.4 ¿Se pueden integrar algoritmos de forecast desarrollados por el usuario?

Sí. Lokad permite la integración de algoritmos de forecast desarrollados por el usuario a través de Envision—nuestro lenguaje de programación específico de dominio (DSL). Este DSL flexible, personalizable y escalable puede soportar algoritmos y técnicas de forecast tanto convencionales como avanzados, según sea necesario.

La plataforma de Lokad es programática, algo que es de primera clase en nuestra tecnología y se entrega a través de Envision—el DSL (lenguaje de programación específico de dominio) diseñado por Lokad para la optimización predictiva de supply chains. A través de Envision, todos los algoritmos de forecast convencionales (y sus variantes) pueden reimplementarse. Además, Envision también soporta varios algoritmos de forecast que aún no son convencionales, incluyendo técnicas ganadoras en competiciones basadas en programación diferenciable y forecast probabilístico (ver abajo).

Integrar esos algoritmos desarrollados por el usuario en Lokad no debe confundirse con una “personalización” del producto Lokad. Desde la perspectiva de Lokad, depender de algoritmos a medida es la forma normal de usar nuestro servicio. La plataforma de Lokad proporciona un entorno de ejecución seguro, fiable y escalable para soportar dichos algoritmos. La implementación de los algoritmos (usualmente denominados “recetas numéricas”) suele ser realizada por los Supply Chain Scientist de Lokad. Sin embargo, si la empresa cliente cuenta con talento interno en ciencia de datos, entonces esos empleados también pueden utilizar la plataforma de Lokad para este propósito.

Además, la plataforma de Lokad proporciona un IDE completo (entorno de desarrollo integrado) para diseñar dichos algoritmos desarrollados por el usuario. Esta capacidad es crucial para asegurar que los algoritmos se desarrollen en un entorno que refleje estrictamente el entorno de producción, tanto en términos de datos de entrada como de capacidades de ejecución. Con Lokad, una vez que se considera satisfactorio un algoritmo de forecast revisado (y típicamente superior a la iteración anterior), puede promoverse a producción en cuestión de minutos. En una nota relacionada, la plataforma de Lokad proporciona amplias garantías “by design” para eliminar por completo clases de problemas al promover algoritmos desde el prototipo hasta el estado de producción.

Véase No1 en el nivel de SKU en la competencia de forecast M5 para obtener más información sobre las técnicas de forecast de Lokad.

2.5 ¿Cómo se explica lo que la solución está haciendo para llegar a un forecast o a una orden de compra de manera que el usuario pueda entenderlo, interrogárselo y explicarlo a otros interesados en el negocio?

La plataforma de Lokad aprovecha un lenguaje de programación específico de dominio flexible (Envision) que nos permite crear dashboards intuitivos para demostrar las métricas clave y las decisiones para el cliente. Estos dashboards se construyen en colaboración con los clientes de manera que puedan entenderlos rápida y convenientemente. Para puntos más complicados, los Supply Chain Scientist de Lokad están a cargo tanto de diseñar como de explicar los algoritmos (“recetas numéricas” — aquello que genera los forecast y las decisiones de supply chain) y sus resultados a los clientes. Estos expertos están capacitados para proporcionar conocimientos relevantes de negocios, economía y ciencia de datos a los clientes para ayudarles a entender lo que sucede “detrás de escena”.

El Supply Chain Scientist, empleado por Lokad, es la persona que escribe la receta numérica (algoritmo) que respalda el modelo predictivo (y, por lo tanto, su proceso de toma de decisiones). El Supply Chain Scientist es personalmente responsable de defender y explicar la adecuación de los forecast y de todas las decisiones que genera la receta numérica.

Así, aunque las situaciones varían de una empresa cliente a otra, cada situación cuenta con un copiloto humano (el Supply Chain Scientist). No se trata de un “sistema” impersonal que sea responsable de un forecast o una decisión; es un conjunto de recetas numéricas que están bajo el control directo de un Supply Chain Scientist designado. Esta responsabilidad incluye la “white-boxing” de las recetas numéricas, es decir, hacer que sus resultados sean accesibles y comprensibles para los accionistas.

Para apoyar este proceso, nuestros Supply Chain Scientists utilizan herramientas como backtesting para respaldar y demostrar su análisis. Sin embargo, y lo que es más importante, hacen valoraciones fundamentadas sobre los supuestos que se incorporan en sus recetas numéricas (como restricciones y factores pertinentes). En última instancia, la “adecuación” de una receta numérica depende de si refleja la intención del negocio, y esto es algo que el Supply Chain Scientist establece mediante una cuidadosa inspección de la situación de supply chain del cliente (así como mediante consulta con el cliente).

Vea nuestro Public Demo Account Video para obtener una visión general de cómo Lokad prepara los datos y visualiza los resultados para los clientes.

2.6 ¿Se puede dividir el forecast en set items y BOMs (Bills of Materials)?

Sí, Lokad puede entregar forecasts a cualquier nivel. Esto se debe a las amplias capacidades programáticas de nuestro modelado probabilístico. Podemos dividir el forecast entre set items y BOMs, así como hacer frente a situaciones en las que los artículos pueden consumirse como parte de BOMs o venderse de forma independiente.

Además, cuando están presentes los BOMs (Bills of Materials), no solo forecasteamos la demanda de los artículos internos, sino que optimizamos las decisiones de supply chain para reflejar que distintos ensamblajes compiten internamente por las mismas piezas internas. Es decir, situaciones en las que los BOMs se superponen entre sí. Esta optimización puede llevar a negarse a vender una pieza “solitaria” si esta pusiera en peligro la disponibilidad de BOM(s) más grandes y críticas.

2.7 ¿Recomiendan automáticamente meta-parámetros para sus algoritmos de forecast?

Sí. La práctica estándar en Lokad es que los modelos predictivos deben operar de forma completamente desatendida. Los Supply Chain Scientists de Lokad son responsables de establecer los meta-parámetros apropiados. O bien los meta-parámetros son lo suficientemente estables como para estar codificados de forma fija, o la receta numérica incluye un paso de ajuste dedicado a identificar un valor de meta-parámetro adecuado. De cualquier forma, el algoritmo (alias “receta numérica”) se puede ejecutar sin supervisión.

Lokad utiliza muchos menos meta-parámetros en comparación con la mayoría de las demás soluciones competidoras. Esto se debe a que differentiable programming, la preferida por Lokad en este sentido, es un paradigma general de ajuste de parámetros. Así, cuando differentiable programming está disponible, la mayoría de los parámetros se aprenden. La tecnología es extremadamente poderosa a la hora de aprender todo tipo de parámetros, no solo los “tradicionales” (por ejemplo, coeficientes de estacionalidad).

Como resultado, desde la perspectiva de Lokad, la mayoría de los valores que nuestros colegas considerarían como “meta-parámetros” son simplemente “parámetros regulares” que no requieren atención específica. Como regla general, la mayoría de los modelos predictivos operados en producción por Lokad tienen muy pocos meta-parámetros (menos de 10). Sin embargo, a nuestros clientes generalmente no se les espera que ajusten finamente estos números, ya que es responsabilidad de nuestros Supply Chain Scientists.

2.8 ¿Puede el producto ajustar los forecasts a través de variables causales?

Sí.

Esta es una de las principales fortalezas de differentiable programming, el enfoque tecnológico preferido por Lokad para la modelización predictiva. Differentiable programming es un paradigma programático, por lo que incluir una variable explicativa es algo dado. Aún mejor, el mecanismo de causalidad se reifica en el modelo; viene con sus propios parámetros “nombrados”. Así, no solo los forecasts aprovechan la variable causal, sino que se hace de manera que puede ser auditada e investigada por los profesionales de supply chain.

Por ejemplo, cuando la etiqueta de precio al por menor se utiliza como variable causal, se puede trazar e investigar la respuesta exacta de la demanda relacionada con las variaciones de precios. Este resultado, por sí solo, puede ser de gran interés para la empresa. Si la empresa resulta ser una red de tiendas minoristas, esto se puede usar para orientar eventos de liquidación en las tiendas que responden con mayor intensidad a los descuentos. Esto puede minimizar el volumen total de descuentos necesarios para liquidar completamente el stock envejecido.

2.9 ¿Es el producto capaz de experimentar con forecasts y desarrollar y/o personalizar algoritmos?

Sí. Nuestros Supply Chain Scientists experimentan rutinariamente con modelos de forecast, permitiendo que se desarrollen nuevos algoritmos y que se adapten aún más los algoritmos antiguos. Esto es posible porque la plataforma de Lokad es programática y cuenta con un DSL flexible (lenguaje de programación específico del dominio) llamado Envision, que fue diseñado explícitamente para la optimización predictiva de supply chain.

La perspectiva de Lokad establece que la experimentación y personalización de los modelos predictivos no son una solución alternativa para hacer frente a las limitaciones de la tecnología de forecast. Más bien, es la forma prevista de utilizar la solución de Lokad desde el principio. Este enfoque ofrece no solo resultados superiores en términos de precisión del forecast, sino resultados que, además, resultan ser de mayor calidad “grado producción” que los enfoques “empaquetados” alternativos.

No nos quejamos de los “malos datos”; los datos son simplemente lo que son. Nuestros Supply Chain Scientists aprovechan al máximo lo que se dispone. También cuantifican, en Euros o Dólares (o la moneda que se desee) los beneficios de mejorar los datos para que la empresa pueda identificar las mejoras que generen el mayor rendimiento. Mejorar los datos es un medio, no un fin. Nuestros Supply Chain Scientists brindan orientación cuando la inversión adicional simplemente no vale los beneficios esperados en supply chain.

2.10 ¿Es posible iterar y refinar el feature engineering subyacente al forecast?

Sí.

Los Supply Chain Scientists de Lokad ajustan de manera rutinaria las características que se incorporan en un modelo predictivo. Esto es posible porque la plataforma de Lokad es programática y cuenta con un DSL flexible (lenguaje de programación específico del dominio) llamado Envision, que fue diseñado explícitamente para la optimización predictiva de supply chain.

Cabe señalar, sin embargo, que durante la última década el feature engineering (como técnica de modelado) ha estado en declive. De hecho, gradualmente está siendo reemplazado por el model architecture engineering. En resumen, en lugar de cambiar la característica para que se adapte mejor al modelo, se cambia el modelo para que se adapte mejor a la característica. Differentiable programming, el enfoque preferido por Lokad para la modelización predictiva, soporta tanto el feature engineering como el architecture engineering. Sin embargo, este último suele ser más adecuado en la mayoría de las situaciones.

Vea también Gestión y ajuste de forecast 2.9 en este FAQ.

3. Precisión del forecast y Medición del rendimiento

3.1 ¿Cuál es la perspectiva de su organización sobre el rendimiento del forecast y cómo debe medirse dicho rendimiento?

La precisión del forecast debe medirse en dólares o euros (o la moneda deseada por el cliente) de impacto. Esto se refiere al retorno sobre la inversión (ROI) de las decisiones tomadas basadas en el forecast. Medir puntos porcentuales de error simplemente no es suficiente. La precisión del forecast también debe abarcar todas las áreas de incertidumbre, no solo la demanda futura, por ejemplo, tiempos de entrega, devoluciones, precios de materias primas, etc. Todos estos son factores que varían y deben ser forecast, al igual que la demanda futura.

Métricas tradicionales como MAPE (error porcentual absoluto medio), MAE (error absoluto medio), MSE (error cuadrático medio), etc., son métricas técnicas que pueden ser de interés para un Supply Chain Scientist, pero, desde una perspectiva de supply chain, son fundamentalmente tanto ciegas como engañosas. Los detalles de este argumento se pueden encontrar en la public lecture de Lokad sobre Optimización Experimental.

Por lo tanto, estas métricas no deben ser comunicadas a la organización en general, ya que sólo generarán confusión y frustración. Por el contrario, generalmente es sencillo hacer el forecast más preciso—en un sentido estadístico—mientras se degrada la calidad de servicio percibida por los clientes y se aumentan los costos operativos para los proveedores (que reaccionan aumentando sus precios).

Las métricas del forecast sólo importan cuando apoyan la generación de mejores decisiones de supply chain. En lo que a Lokad respecta, generar cantidades de reorden, de producción, de envío, precios, etc., que tengan sentido financieramente, son los detalles en los que vale la pena centrarse. Todo lo demás, incluido el error de forecast por sí solo, es tangencial a la preocupación central del negocio de maximizar el retorno sobre la inversión.

Vea también Pronóstico de tiempos de entrega.

3.2 ¿Cómo se mide el rendimiento de los forecasts versus las ventas reales?

Si el modelo está forecasteando ‘ventas’, entonces medir la precisión del ‘forecast de ventas’ es sencillo: cualquier indicador habitual, como el MAE (error absoluto medio), funcionará. Sin embargo, el problema es que la mayoría de las empresas quieren forecast ‘demanda’, no ventas. Además, los datos históricos de ventas son un proxy imperfecto de la demanda histórica. Los faltantes de stock y las promociones (y posiblemente las acciones de los competidores) distorsionan las ventas históricas.

Así, el desafío es establecer la demanda original mientras que los datos históricos sólo reflejan las ventas históricas. Para este fin, Lokad emplea una variedad de técnicas. De hecho, la naturaleza de la distorsión entre las ventas (observadas) y la demanda (oculta) varía enormemente dependiendo del tipo de negocio considerado. La canibalización y las sustituciones complican aún más la situación.

La mayoría de las técnicas de Lokad abandonan los modelos de series temporales que, por diseño, no pueden capturar la información necesaria. De hecho, la mayoría de las veces, los datos de ventas se ‘enriquecen’ con información adicional (como eventos de faltante de stock) que puede ser aprovechada para obtener un mejor modelo de la demanda oculta. Sin embargo, esta información adicional rara vez encaja en el paradigma (simplista) de las series temporales. La supuesta sofisticación de los modelos de series temporales es irrelevante si los datos requeridos existen fuera de su paradigma operativo (es decir, no pueden ser capturados o expresados por ellos).

Vea Structured Predictive Modeling for Supply Chain para más detalles sobre este punto.

3.3 ¿Proporcionan informes sobre la precisión del forecast? ¿Proporcionan una perspectiva sobre el error de forecast proyectado?

Executive Summary: Sí. Por simplicidad, la plataforma de Lokad puede expresar sus forecasts probabilísticos (y por lo tanto su error) en un formato gráfico intuitivo. Esto toma la forma de un gráfico tradicional de series temporales donde el error del forecast (“incertidumbre”) crece junto con el horizonte temporal. Este gráfico de efecto escopeta ayuda a visualizar cómo se expande el rango de valores potenciales (p.ej., demanda) a medida que se mira más hacia el futuro. Estos informes están disponibles para los clientes en todo momento en sus cuentas de Lokad.

La mitad del desafío para mejorar la precisión de un modelo predictivo es diseñar instrumentos de reporte adecuados. Esta tarea la llevan a cabo los Supply Chain Scientists de Lokad. Dado que Lokad utiliza forecasts probabilísticos, el error proyectado exhibe típicamente un “efecto escopeta” en el que el error esperado del forecast crece de manera constante con el horizonte de forecast. Estos informes son accesibles para la empresa cliente dentro de la plataforma de Lokad.

Sin embargo, bajo el enfoque de forecast probabilístico, la “precisión del forecast” se relegua en gran medida a una tecnicidad de segunda categoría. Bajo este enfoque, el objetivo principal es producir decisiones financieras ajustadas al riesgo que consideren la totalidad de los impulsores económicos y las restricciones del cliente, así como reflejen la alta incertidumbre de los valores futuros (como la demanda o los lead times). Por ejemplo, si la incertidumbre es especialmente alta, las decisiones correspondientes son típicamente más conservadoras. Por lo tanto, no es prudente medir la precisión del forecast probabilístico de manera aislada; más bien, se debería revisar el ROI asociado con las decisiones ajustadas al riesgo generadas mediante los forecasts probabilísticos.

Con los forecasts clásicos (también llamados forecasts determinísticos, en oposición a los forecasts probabilísticos), casi cada inexactitud del forecast se convierte en decisiones costosas y erróneas para el cliente. Por eso, las empresas insisten tanto en “arreglar” sus forecasts. Sin embargo, a cinco décadas desde la aparición de las técnicas modernas de forecasting estadístico de series temporales, las empresas aún están lejos de tener forecasts “precisos”. En Lokad, no creemos que una técnica de forecasting “súper precisa” esté a la vuelta de la esquina. Creemos que la incertidumbre del futuro es, en gran medida, irreductible. Sin embargo, al combinar forecasts probabilísticos con decisiones ajustadas al riesgo, las consecuencias negativas de la alta incertidumbre se ven en gran medida mitigadas.

Como resultado, la precisión del forecast deja de captar el interés de cualquiera que no sea el experto técnico que se ocupa del modelo predictivo. Las apuestas simplemente ya no son lo suficientemente altas para que al resto de la organización le importe.

3.4 ¿Cuál es el porcentaje esperado de forecasts automatizados y precisos?

100%, si definimos “preciso” como lo suficientemente bueno para orientar decisiones de supply chain acertadas. Esto no significa que cada forecast sea preciso. Por el contrario, a través del forecasting probabilístico, Lokad abraza la incertidumbre irreductible del futuro. Frecuentemente, la incertidumbre es grande, y en consecuencia los forecasts probabilísticos están muy dispersos. Como resultado, las decisiones ajustadas al riesgo que se generan en base a esos forecasts son muy prudentes.

A diferencia de muchas soluciones tecnológicas obsoletas, Lokad trata cada forecast (probabilístico) que no puede utilizarse para fines de producción como un defecto de software que debe corregirse. Nuestros Supply Chain Scientists están allí para asegurar que todos esos defectos se solucionen mucho antes de pasar a producción. Nuestro plazo para la resolución de este tipo de problema suele ser a mitad de la fase de incorporación.

Por otro lado, los forecasts clásicos (también denominados forecasts ‘determinísticos’) invariablemente provocan estragos cuando son inexactos, porque se toman decisiones de supply chain desmesuradas basadas en esos forecasts. En contraste, los forecasts probabilísticos incorporan su propia cuantificación de la incertidumbre esperada. Cuando los volúmenes de demanda son bajos y erráticos, los forecasts probabilísticos reflejan la alta incertidumbre intrínseca de la situación. El cálculo de las decisiones ajustadas al riesgo de Lokad depende en gran medida de la capacidad para evaluar riesgos en primer lugar. Esto es para lo que están diseñados los forecasts probabilísticos.

3.5 ¿Pueden rastrear métricas como MAPE (Error Porcentual Absoluto Medio), MPE (Error Porcentual Medio), MAE (Error Absoluto Medio) a lo largo del tiempo?

Sí.

La plataforma de Lokad es programática y es sencillo rastrear todas las métricas habituales, como MAPE, MEP, MAE, etc. También podemos rastrear todas las métricas un poco menos habituales, tales como iteraciones personalizadas de dichas métricas preferidas por la empresa cliente. Por ejemplo, variantes “ponderadas”, como MAPE ponderado, MAE ponderado, etc., donde los esquemas de ponderación dependen de reglas de negocio específicas.

Lokad puede recopilar y consolidar métricas relevantes/preferidas a lo largo del tiempo a medida que se generan nuevos forecast. También podemos regenerar métricas mediante la reproducción de los datos históricos (es decir, backtesting), si la empresa cliente desea evaluar el desempeño estadístico esperado de un modelo de forecast revisado.

Sin embargo, las métricas mencionadas anteriormente se relacionan todas con forecast clásicos (también conocidos como forecast deterministas). Los forecast deterministas deben considerarse obsoletos para fines de supply chain, ya que no están diseñados (ni son capaces) de abordar la incertidumbre asociada con valores futuros (como la demanda o los tiempos de entrega). Su objetivo es identificar un único valor futuro posible, en lugar de todos los posibles valores futuros y sus probabilidades. Por esta razón, Lokad utiliza forecast probabilísticos, un enfoque que cuantifica la incertidumbre que los forecast de series temporales ignoran.

3.6 ¿Puede comparar múltiples escenarios utilizando métricas definidas por el usuario (por ejemplo, facturación, beneficio, costo, riesgo, etc.)?

Sí.

La plataforma de Lokad es programática, por lo que puede introducir métricas complejas guiadas por muchas reglas de negocio (por ejemplo, métricas definidas por el usuario). También puede introducir escenarios alternativos complejos donde se modifican la estructura y/o las capacidades de la red de supply chain (más allá de simplemente aumentar/disminuir la demanda y los tiempos de entrega, por ejemplo). Esto ayuda a Lokad a mejorar la gestión de riesgos, la planificación estratégica y la toma de decisiones al prepararse para diversas situaciones y resultados potenciales de supply chain.

Vale la pena señalar que las capacidades típicas de gestión de “escenarios” están obsoletas, desde la perspectiva de Lokad. Dado que Lokad opera con modelos predictivos probabilísticos, en cierto sentido, cada decisión de supply chain que generamos ya está ajustada por riesgo. Es decir, ya está optimizada con respecto a todos los valores futuros posibles (por ejemplo, la demanda) considerando sus respectivas probabilidades.

Por lo tanto, los “escenarios” en Lokad no se utilizan para evaluar “variaciones futuras”, ya que dichas variaciones ya están completamente integradas en el modo de operación base de Lokad. Los escenarios se utilizan para abordar cambios drásticos más allá de las variaciones, típicamente más alineados con lo que los profesionales denominarían ‘diseño de supply chain’, como modificar la topología de la red, la capacidad de la red, la ubicación de los proveedores, etc.

3.7 ¿Rastrea y monitorea la exactitud del forecast y el error del forecast (y eventualmente otras métricas de demanda) con diferentes retardos definidos?

Sí. Lokad rastrea errores predictivos con muchas métricas, incluyendo la dimensión horizonte/retardo. Lokad rastrea la exactitud predictiva a lo largo de todos los forecast, incluyendo demanda, tiempos de entrega, devoluciones, etc.

La calidad de todos los modelos predictivos depende del horizonte. Usualmente, cuanto más lejos esté el forecast, mayor es la incertidumbre. La plataforma de Lokad ha sido diseñada para facilitar el seguimiento de una amplia variedad de métricas considerando el horizonte/retardo aplicable. Este principio no solo se aplica a los forecast de demanda, sino a todos los forecast, incluyendo los forecast de tiempos de entrega, forecast de devoluciones, etc.

Además, cabe señalar que los forecast probabilísticos proporcionan una evaluación cuantitativa directa de la incertidumbre que aumenta conforme al horizonte. Por lo tanto, el error creciente dependiente del horizonte no es simplemente medido, sino también predicho. Dado que las decisiones de supply chain optimizadas por Lokad están ajustadas por riesgo, nuestras decisiones reflejan automáticamente el riesgo extra asociado a las decisiones que dependen de forecast a más largo plazo (comparados con forecast a más corto plazo).

3.8 ¿Puede agregar datos a nivel de producto/sucursal para validar el forecast estadístico?

Sí, Lokad rastrea errores y sesgos predictivos en muchos niveles, incluyendo los niveles jerárquicos relevantes (por ejemplo, por producto, por sucursal, por categoría, por región, por marca, etc.) cuando existen jerarquías. La tecnología de differentiable programming de Lokad incluso nos permite refinar los forecast a una granularidad determinada para minimizar un error o sesgo que se produce en otra granularidad.

Más en general, en el lado de la validación, dado que la plataforma de Lokad es programática, los forecast históricos pueden ser reagrupados de la manera que la empresa cliente considere adecuada. De manera similar, la métrica utilizada para validar los forecast agregados puede diferir de la métrica utilizada para validar los forecast desagregados, si se considera preferible utilizar una métrica alternativa por parte de la empresa cliente.

4. Gestión y limpieza de datos

4.1 ¿Identifica automáticamente errores en los datos?

Sí. Los Supply Chain Scientists de Lokad crean meticulosamente paneles de “data health” para cada proyecto del cliente. Estos paneles de “data health” están diseñados para identificar automáticamente cualquier problema de datos. Además, estos paneles identifican la criticidad del(los) problema(s) y la responsabilidad del(los) mismo(s).

La criticidad del problema determina si es aceptable o no generar decisiones de supply chain basadas en los datos donde el problema está presente. A veces, esto significa restringir las decisiones aceptables a un subámbito dentro de la empresa cliente que se considere “seguro” respecto al problema. En realidad, esperar un conjunto de datos 100% libre de problemas típicamente no es realista cuando se trata de una empresa grande. Por lo tanto, la optimización de supply chain debe ser capaz de operar (en cierto grado) con datos imperfectos, siempre y cuando la imperfección no ponga en peligro la sensatez de las decisiones de supply chain.

La responsabilidad del problema define quién es responsable de resolver el problema. Dependiendo del tipo de problema, éste puede originarse en lugares totalmente diferentes dentro de la empresa cliente. Por ejemplo, los datos históricos truncados probablemente sean un problema para el departamento de TI, mientras que los márgenes brutos negativos (es decir, el precio de venta está por debajo del precio de compra) corresponden ya sea a adquisiciones o a ventas.

Identificar errores de datos no triviales es un problema de inteligencia general que requiere una comprensión profunda de la supply chain de interés. Por lo tanto, este proceso no puede automatizarse (aún); actualmente está más allá de lo que las tecnologías de software pueden ofrecer. Sin embargo, una vez que se identifica un problema dado, un Supply Chain Scientist puede automatizar las detecciones futuras. En la práctica, nuestros Supply Chain Scientists implementan proactivamente el tipo de problemas más frecuentes como parte del borrador inicial de los paneles de “data health”.

Consulte Data Health en The Data Extraction Pipeline para obtener más información sobre el data health.

4.2 ¿Limpia automáticamente los datos históricos?

Executive Summary: Sí, en el sentido de que Lokad no espera que nuestro(s) cliente(s) preprocesen manualmente los datos de negocio antes de proporcionárnoslos. Además, toda la tubería de datos (construida entre Lokad y cada cliente) funciona de manera ininterrumpida con todos los procesos completamente automatizados.

Lokad rara vez “limpia” los datos históricos; al menos, no en el sentido habitual. Existen bastantes tecnologías obsoletas que requieren una preparación extensa (“limpieza”) de los datos históricos para funcionar. Por ejemplo, los antiguos sistemas de series temporales típicamente esperaban que se corrigieran caídas de demanda (faltante de stock) y picos de demanda (promociones) para mantener los forecast coherentes.

Esto es un reflejo de las limitaciones del enfoque de series temporales. Como resultado, los datos históricos deben prepararse extensamente para hacerlos más manejables (de alguna manera) para un sistema defectuoso (de series temporales). Referirse a este proceso como “data cleansing” es engañoso porque da la impresión de que el problema radica en los datos históricos, mientras que la causa raíz es el diseño defectuoso del sistema que procesa los datos históricos.

En contraste, la tecnología de modelado predictivo de Lokad va mucho más allá del enfoque de series temporales. Mediante differentiable programming, podemos procesar cualquier tipo de datos relacionales, en lugar de quedarnos atrapados con una “serie temporal”. Esto significa que todos los factores causales (por ejemplo, precios, stocks, eventos, etc.) que subyacen tanto en la demanda como en los tiempos de entrega están incluidos explícitamente en el modelo. La integración causal es muy superior a limpiar los datos—cuando es aplicable—porque los datos limpios no son reales (nadie sabrá jamás con certeza cuál habría sido el valor de la demanda si no hubiera ocurrido el faltante de stock).

Ocasionalmente, los datos de negocio (históricos o no) requieren correcciones. Lokad intenta entregar esas correcciones de forma automática siempre que sea posible, posiblemente aprovechando el machine learning dependiendo del escenario. Por ejemplo, la matriz de compatibilidad mecánica entre automóviles y piezas puede mejorarse automáticamente con un método de semi-supervised learning (véase Pricing Optimization for the Automotive Aftermarket).

4.3 ¿Permite a los usuarios limpiar manualmente los datos históricos?

Sí, si el cliente desea esta funcionalidad, Lokad puede proporcionar un flujo de trabajo para este fin. Sin embargo, normalmente no recomendamos que los usuarios finales limpien los datos manualmente.

Otros software/soluciones imponen numerosas tareas manuales a sus usuarios finales. En contraste, los Supply Chain Scientists de Lokad diseñan algoritmos de extremo a extremo (“numerical recipes”) que se las arreglan con los datos tal como existen. Para nosotros, la limpieza manual de datos por parte del cliente es la excepción, no la norma.

Véase también Data Management and Cleansing 4.2 en esta FAQ.

4.4 ¿Cómo se limpiarán, gestionarán y mantendrán los datos para evitar errores innecesarios en el modelo?

Los Supply Chain Scientists de Lokad están a cargo de la configuración de la tubería de datos. Los datos deben prepararse, pero lo más importante es que los modelos predictivos sean diseñados para ajustarse a los datos tal como existen actualmente. El Supply Chain Scientist introduce los instrumentos (por ejemplo, paneles dedicados) para monitorear los datos de entrada en bruto y los datos preparados, para asegurarse de que las decisiones de supply chain generadas por Lokad sean sólidas.

Muchas soluciones alternativas solo abordan el problema a través del prisma de la preparación de datos, donde cualquier salida incorrecta debe corregirse ajustando la entrada. Tales soluciones no son programáticas, por lo que los modelos centrales no pueden modificarse—solo pueden modificarse sus entradas. Sin embargo, Lokad adopta un enfoque tecnológico diferente. Apoyamos una tecnología predictiva programática (mediante differentiable programming). Así, cuando se enfrentan a salidas inadecuadas (es decir, malas decisiones de supply chain), podemos corregir ya sea las entradas o los modelos (o ambos).

Casi siempre, es la combinación de ambos ajustes—una mejor preparación de datos y un mejor procesamiento de los mismos—lo que conduce a resultados satisfactorios, y omitir uno de los dos es una receta para obtener resultados poco impresionantes.

Véase también Data Management and Cleansing 4.2 en esta FAQ.

Véase también The Data Extraction Pipeline para obtener más información sobre la transferencia automatizada de datos entre los clientes y Lokad.

4.5 ¿Gestiona y mantiene datos maestros (apoyando los esfuerzos de forecast)?

Sí, si es solicitado por la empresa cliente.

Sin embargo, recomendamos encarecidamente no utilizar la plataforma de Lokad para este propósito. En nuestra opinión, las herramientas analíticas (como Lokad) deben mantenerse estrictamente desacopladas de las herramientas de ingreso de datos, tales como un sistema de gestión de datos maestros.

Como regla general, para evitar la dependencia de un proveedor, sugerimos evitar herramientas de software empresarial que lo abarquen todo. Los requerimientos de diseño para la gestión de datos maestros son completamente diferentes a los de la analítica predictiva. La plataforma de Lokad podría ser un gestor de datos maestros decente, pero nunca será uno excelente (nuestro diseño se inclina demasiado hacia la analítica predictiva para ello) y, a la inversa, la mayoría de los gestores de datos maestros son absolutamente terribles para la analítica.

4.6 ¿Pueden los usuarios cargar insumos de ventas y marketing (incluyendo planes/ideas futuras)?

Sí.

La plataforma de Lokad es capaz de recibir y procesar múltiples fuentes de datos, en muchos formatos de datos, incluyendo hojas de cálculo de Excel. Nuestra plataforma también es capaz de procesar datos tal como se encuentran en las divisiones de ventas y marketing (es decir, en la granularidad en que se almacenan).

Los equipos de Ventas y Marketing rara vez proporcionan datos organizados a nivel de SKU—o incluso SKU x Location, nuestro nivel de granularidad preferido. Dada esta limitación, la plataforma de Lokad está diseñada para aprovechar los datos de entrada (por ejemplo, de Ventas y Marketing) que se encuentran en niveles de granularidad diferentes a los forecast de salida previstos (por ejemplo, SKU x Location).

4.7 ¿Archiva la demanda histórica y los forecast para analizar el forecast waterfall?

Sí, normalmente archivamos todos los forecast pasados, incluyendo demanda, tiempos de entrega, devoluciones, etc.

Hemos desarrollado técnicas avanzadas de compresión para limitar la sobrecarga de almacenamiento de datos asociada con estrategias de archivo a gran escala. También hemos adoptado un diseño general que asegura que los datos archivados, incluso en grandes cantidades, no interfieran con el rendimiento diario de la plataforma (por ejemplo, los cálculos y las visualizaciones en paneles no se ralentizan debido a que los datos están archivados).

La ingeniería de la plataforma de Lokad difiere significativamente de las soluciones alternativas que son severamente penalizadas, ya sea en costos o en rendimiento (o en ambos) cuando se implementan estrategias extensas de archivo. Aunque en teoría esas soluciones alternativas ofrecen amplias capacidades de archivo, en la práctica tales archivos se reducen drásticamente para mantener la solución en funcionamiento. Este no es el caso con Lokad. Incluso considerando empresas clientes a gran escala, mantener archivos que abarcan años normalmente no es un problema.

4.8 ¿Archiva las entradas manuales/sobrescrituras para analizar el impacto de los ajustes en las métricas de demanda?

Sí. Lokad archiva todas las entradas manuales, incluyendo la subida manual de archivos de hojas de cálculo de Excel. Cuando se utilizan entradas manuales para alterar los modelos predictivos (“overrides”, normalmente con la intención de refinar los modelos/forecast), usamos esos archivos para cuantificar la mejora (o degradación) en términos de la exactitud predictiva introducida. Este trabajo normalmente lo llevan a cabo los Supply Chain Scientists de Lokad.

La plataforma de Lokad cuenta con completas capacidades de versionado tanto para los datos como para el código/scripts. Esto es crítico ya que necesitamos asegurarnos de que, al realizar backtesting, los datos de negocio “regulares” (típicamente los datos históricos obtenidos de los sistemas empresariales) utilizados junto con las entradas manuales sean exactamente los mismos que cuando las entradas manuales fueron proporcionadas originalmente.

Los datos de negocio generalmente se actualizan de manera automática. Sin embargo, utilizar la versión más reciente de los datos de negocio no refleja correctamente la situación tal como era en el momento en que se proporcionó la corrección o entrada manual. De manera similar, el código predictivo utilizado por Lokad podría haber evolucionado desde el momento en que se proporcionó la entrada manual. De hecho, la entrada manual pudo haber sido proporcionada para hacer frente a un defecto en el código predictivo que desde entonces se ha resuelto.

La plataforma de Lokad cubre también esas situaciones, previniendo clases enteras de conclusiones incorrectas. Considere situaciones en las que las entradas manuales son evaluadas posteriormente como “incorrectas” cuando, de hecho, eran relevantes al considerar las condiciones exactas en el momento en que las entradas manuales fueron originalmente proporcionadas.

5. Clasificación y Agrupación de Productos

5.1 ¿Identifican productos de lento movimiento y patrones de demanda discontinua?

Executive Summary: Sí, la tecnología predictiva de Lokad proporciona una caracterización cuantitativa muy completa de todos los SKUs de interés.

En particular, el enfoque de forecast probabilístico de Lokad es muy adecuado para abordar patrones de demanda intermitentes y erráticos. Al evaluar las probabilidades de eventos raros, Lokad puede identificar la “irregularidad” de la demanda, algo que típicamente refleja a consumidores individuales comprando muchas unidades a la vez. Por ejemplo, un cliente compra todo el inventario disponible de (idénticos) interruptores de luz en una ferretería, introduciendo así un faltante de stock a nivel de SKU.

La programación diferenciable, paradigma de machine learning de Lokad, es ideal para hacer frente a la ‘ley de los números pequeños’ que caracteriza a la mayoría de las situaciones en supply chain. Los productos de lento movimiento, por diseño, cuentan con muy pocos puntos de datos. De manera similar, los picos encontrados en la demanda discontinua también son, por diseño, raros. Así, la eficiencia de datos del modelo predictivo es primordial. En este sentido, la programación diferenciable es superior a las alternativas en su capacidad para reflejar insights de alto nivel proporcionados a través de la propia estructura del modelo.

Las soluciones alternativas generalmente fallan en presencia de productos de lento movimiento y patrones de demanda discontinua. Los forecasts clásicos (es decir, forecasts no probabilísticos) no pueden abordar los productos de lento movimiento sin recurrir a una demanda fraccionada que no es “real”. Esta demanda fraccionada (por ejemplo, 0.5 unidades), aunque sea “matemáticamente” correcta, no es una manera viable de tomar decisiones sensatas en supply chain, ya que, naturalmente, se deben ordenar números enteros de unidades.

De manera similar, los forecasts clásicos no pueden reflejar matemáticamente la “irregularidad” de la demanda.

Por ejemplo, un forecast probabilístico puede reflejar que una librería vende 1 unidad por día (en promedio), compuesta por una mezcla de 1 profesor que compra 20 libros por mes en promedio, más 1 estudiante que compra 1 libro cada 2 días (en promedio).

Esta información se reflejará en la distribución de probabilidad de la demanda del modelo. Sin embargo, para un forecast clásico de series temporales, transmitir la compleja realidad de la demanda, como las compras esporádicas al por mayor, no es factible. Solo predeciría una demanda promedio de 1 libro por día, sin capturar el patrón real de la demanda y, por ende, malinterpretando la verdadera naturaleza de las ventas. Esto, a su vez, limita en gran medida la posibilidad de tomar decisiones de inventario financieramente sensatas.

5.2 ¿Identifican el inventario de lento movimiento o obsoleto y proporcionan recomendaciones de “mantener o vender”?

Sí. Lokad identifica el inventario de lento movimiento utilizando forecasts probabilísticos, permitiendo decisiones tempranas ajustadas al riesgo para mitigar los riesgos de sobrestock y de inventario muerto. Las recomendaciones van más allá de “mantener o vender”, incluyendo descuentos, reubicaciones y ajustes para evitar la canibalización.

La identificación de SKUs de lento movimiento o obsoletos (en cuanto a demanda) se realiza con forecasts de demanda probabilísticos. Los forecasts probabilísticos son excelentes para identificar y evaluar riesgos, incluidos los riesgos de sobrestock de inventario y de inventario muerto. Esto nos permite producir decisiones ajustadas al riesgo cuando se combinan con nuestras capacidades de optimización estocástica. Así, los riesgos de inventario se cuantifican para todos los SKUs en todas las etapas de su ciclo de vida. Este diseño es crítico ya que nos permite identificar (y abordar) la mayoría de las situaciones de inventario lo antes posible antes de que se conviertan en problemáticas.

Finalmente, Lokad no se limita a simples recomendaciones de “mantener o vender”. Podemos proporcionar a los clientes recomendaciones que reflejen todo el espectro de opciones disponibles. Por ejemplo, Lokad puede recomendar descuentos o promociones para ayudar a liquidar el stock. También podemos recomendar mover el stock a otro lugar si otros canales tienen una alta demanda. Podemos recomendar pausar temporalmente o desclasificar otro producto que accidentalmente canibaliza la demanda de otro SKU.

En resumen, los Supply Chain Scientists de Lokad están para asegurarse de que no se deje ninguna piedra sin remover antes de declarar que algún stock está “muerto”.

Véase también Clasificación y Agrupación de Productos 5.1 en este FAQ.

5.3 ¿Permiten a los usuarios gestionar flujos de trabajo de datos de productos jerárquicos (de arriba hacia abajo, de en medio y de abajo hacia arriba)?

Sí. Dado que la plataforma de Lokad es programática, podemos abordar cualquier flujo de trabajo razonablemente bien especificado para nuestros clientes. Ejemplos incluyen cualquier flujo de trabajo que opere a lo largo de las jerarquías de productos existentes en el cliente.

En nuestra opinión, el ROI (retorno de la inversión) del cliente por permitir que sus empleados naveguen por tales flujos de trabajo es muy incierto. La necesidad misma de dichos flujos de trabajo refleja defectos profundos en el software de supply chain que deben ser corregidos desde adentro hacia afuera, aprovechando tanta automatización como sea posible.

La plataforma de Lokad proporciona amplias capacidades para visualizar los datos a lo largo de todas las dimensiones relevantes: jerarquías de productos, regiones, horizontes de tiempo/retrasos, proveedores, tipos de clientes, etc. Estas capacidades son fundamentales para identificar tanto defectos como áreas de mejora. Sin embargo, aprovechar estas capacidades para un ‘flujo de trabajo’ suele ser equivocado (aunque sencillo para Lokad). Más bien, recomendamos modificar directamente las recetas numéricas subyacentes (código) operadas por Lokad para eliminar la necesidad de que los profesionales de supply chain gestionen los flujos de trabajo.

Muchas soluciones alternativas no cuentan con capacidades programáticas. Como resultado, cuando se identifica un defecto, generalmente no hay más opción que esperar la siguiente versión del software (posiblemente dentro de años) o recurrir a la personalización, un camino que típicamente implica problemas, ya que la empresa cliente termina con un producto de software no mantenido.

5.4 ¿Permiten a los usuarios organizar elementos relacionados jerárquicamente y agruparlos basándose en una variedad de factores?

Sí.

La plataforma de Lokad proporciona amplias capacidades que permiten a los usuarios agrupar elementos (por ejemplo, SKUs, productos, clientes, proveedores, ubicaciones, etc.) de acuerdo a todo un espectro de factores – incluyendo entradas manuales.

Dado que la plataforma de Lokad es programática, mientras el criterio de agrupación o proximidad se pueda expresar numéricamente, es sencillo agrupar los elementos del cliente en consecuencia. Esta tarea la llevan a cabo los Supply Chain Scientists de Lokad.

En una nota relacionada, la plataforma de Lokad también puede aprovechar las relaciones entre elementos relacionados jerárquicamente tanto para propósitos predictivos como de optimización. En particular,

La plataforma de Lokad adopta una perspectiva relacional para todas sus herramientas numéricas. La perspectiva relacional va más allá de las series temporales y los gráficos al combinar datos relacionales y jerárquicos. Esta perspectiva relacional permea nuestras herramientas, incluidas nuestras herramientas de machine learning. Este aspecto es crítico para aprovechar las relaciones disponibles más allá de simples propósitos de visualización.

5.5 ¿Qué tipo de clasificación de productos ofrecen (ABC /XYZ…) basada en datos históricos de ventas?

Executive Summary: Lokad puede ofrecer clasificaciones de productos flexibles del tipo ABC y ABC XYZ, adaptándose a variaciones y exclusiones, si el cliente lo desea. Sin embargo, consideramos que estas clasificaciones (y sus contemporáneos) están desactualizadas. La postura de Lokad es que la gestión moderna de supply chain debe centrarse en insights accionables que conduzcan a decisiones ajustadas al riesgo, en lugar de depender de herramientas de categorización simplistas.

La plataforma de Lokad soporta todos los esquemas de clasificación principales, incluyendo ABC y ABC XYZ Analysis, etc. Dado que la plataforma de Lokad es programática, también es sencillo acomodar todas las variaciones sutiles que existen al definir cuidadosamente tales clases (por ejemplo, reglas de exclusión sutiles). Sin embargo, las clasificaciones de productos (como las mencionadas anteriormente) son un enfoque tecnológicamente obsoleto para los problemas y la optimización de la supply chain.

Algunos proveedores de software de supply chain, especialmente aquellos que cuentan con tecnologías obsoletas, presumen de su Análisis ABC o análisis ABC XYZ. Sin embargo, invariablemente, las clasificaciones que estas herramientas proporcionan se utilizan para mitigar los numerosos defectos de la solución de software que el cliente ya está utilizando, tratando los síntomas pero no la causa del problema (o problemas). Esas herramientas se usan como mecanismos burdos de priorización de atención. Esta no es una manera adecuada de abordar los problemas de interés, como la demanda intermitente o volátil.

Primero, se deben abordar los defectos fundamentales para liberar a los profesionales de supply chain de tales revisiones tediosas. Segundo, las clasificaciones basadas en el volumen son demasiado burdas como para tener algún valor práctico y hacen un muy mal uso del tiempo de los profesionales de supply chain.

Por eso, los Supply Chain Scientists de Lokad guían a los clientes hacia decisiones que reflejan el impacto financiero de una posible decisión/llamada a la acción en supply chain (típicamente medido en dólares o euros). A menos que los elementos y las decisiones se prioricen con respecto a su ROI (retorno de la inversión) en la línea de fondo, cualquier intento de “priorización” u “optimización” es fundamentalmente inútil.

Véase ABC XYZ in 3 Minutes y ABC Analysis Does Not Work para más información sobre las limitaciones de estas herramientas de clasificación.

5.6 ¿Proporcionan agrupación y/o estratificación de productos y/o tiendas?

Sí.

La plataforma de Lokad proporciona capacidades de agrupación/estratificación para cualquier elemento de interés, tales como tiendas, productos, clientes, SKUs, proveedores, etc. Esto se debe a las capacidades de procesamiento de nuestra plataforma en lo que respecta a datos relacionales. Esto nos permite abordar elementos complejos que no pueden ser “aplanados” en una serie fija de propiedades. Además, mediante la programación diferenciable, Lokad puede aprender/ajustar las métricas de similitud utilizadas para agrupar elementos de maneras que son particularmente útiles para una tarea dada, como el forecast.

Véase Ilustración: Agrupación para obtener más información sobre las capacidades de agrupación de Lokad con solo unas pocas líneas de código Envision.

5.7 ¿Refinan el forecast utilizando jerarquías de producto/ubicación y/o agrupación?

Sí.

Lokad aprovecha al máximo la estructura relacional de los datos de entrada. Nuestro enfoque de programación diferenciable es particularmente hábil en procesar datos relacionales. Así es como Lokad puede aprovechar las jerarquías, listas, opciones, gráficos, atributos numéricos y categóricos para sus modelos predictivos. Además, nuestros modelos predictivos forecast todas las fuentes de incertidumbre en supply chain, incluyendo demanda, tiempos de entrega, devoluciones, rendimientos, precios de commodities, etc.

La agrupación puede ser utilizada para identificar un patrón relevante para el forecast de interés. Por ejemplo, todas las ciclicidades típicas (por ejemplo, día de la semana, semana del mes, semana del año, etc.) y las cuasi-ciclicidades (por ejemplo, Semana Santa, Año Nuevo Chino, Ramadán, Black Friday, etc.) pueden beneficiarse de este tipo de técnica. La plataforma de Lokad proporciona un amplio soporte para instrumentar la agrupación con fines predictivos.

Véase Ilustración: Ciclicidades basadas en agrupación para obtener más información sobre este punto.

6. Eventos y Variables Explicativas

6.1 ¿Identifican eventos excepcionales (por ejemplo, eventos de faltante de stock) y promociones en los datos históricos?

Executive Summary: Sí. Lokad enriquece los datos históricos con eventos excepcionales conocidos utilizando programación predictiva, mejorando la precisión respecto a los forecasts clásicos de series temporales. Este enfoque maneja datos incompletos y puede reconstruir eventos perdidos (como una solución alternativa cuando no se dispone de un registro directo de los eventos históricos).

Los datos históricos vienen acompañados de numerosos eventos que distorsionan las mediciones (por ejemplo, demanda, tiempos de entrega, etc.). Lokad opera mediante paradigmas de programación predictiva, como la programación diferenciable, que nos permite enriquecer el historial base con todos esos eventos. Sin embargo, como regla general, esos eventos excepcionales no son “identificados”, sino que ya son conocidos. Si se han perdido eventos notables, entonces es posible que Lokad opere un modelo predictivo para reconstruir dichos eventos.

Las viejas tecnologías de forecast, ahora obsoletas, solían ser incapaces de tratar con nada más que series temporales simples. Como resultado, toda distorsión que alguna vez se aplicó a la demanda debía corregirse de antemano; de lo contrario, los forecasts se verían severamente degradados/sesgados. Desafortunadamente, este enfoque es defectuoso por diseño porque esos forecasts de series temporales terminan construyéndose sobre otros forecasts, acumulando así inexactitudes.

La tecnología predictiva de Lokad no sufre del mismo problema ya que soporta variables explicativas adicionales. En lugar de pretender que sabemos con certeza lo que habría ocurrido sin los eventos históricos (como un faltante de stock), el modelo predictivo refleja la variable explicativa en sus resultados (es decir, sus forecasts). Esta metodología no requiere un enfoque por fases para el forecast. Además, puede aprovechar datos incompletos, como un faltante de stock encontrado al final del día tras una venta récord de unidades, información que sigue siendo altamente relevante, incluso en su forma incompleta.

Si se han perdido eventos notables (p.ej., faltantes de stock) o simplemente nunca se registraron, entonces Lokad es capaz de reconstruir dichos eventos mediante un análisis de los datos históricos. Sin embargo, por muy precisa que sea estadísticamente esta reconstrucción, siempre será menos precisa que un registro directo de los eventos a medida que se desarrollan. Esta es la razón por la que Lokad, por lo general, historiza indicadores como los niveles de stock siempre que dichos indicadores no estén debidamente archivados en los sistemas empresariales correspondientes.

6.2 ¿Identifican eventos excepcionales y festivos (móviles)?

Sí. Los modelos predictivos de Lokad se adaptan a eventos excepcionales y festivos. Nuestros Supply Chain Scientists evalúan los impactos, proporcionando a los clientes un modelo transparente y conocimientos sobre los efectos de un evento específico en la dinámica del supply chain del cliente.

Lokad identifica todos los eventos excepcionales y adapta la propia estructura de sus modelos predictivos para reflejarlos. Sin embargo, para todos los patrones casi cíclicos (p.ej., Semana Santa, Año Nuevo Chino, Ramadán, Black Friday, etc.) la identificación es algo dado: ya sabemos que el evento existe y es impactante. La única cuestión que queda por responder es la cuantificación del impacto del evento.

Al permitir que los Supply Chain Scientists realicen una evaluación a alto nivel del impacto (o la ausencia del mismo) de un evento bien conocido, obtenemos un modelo predictivo con una eficiencia de datos mucho mayor. Una alta eficiencia de datos es fundamental para mantener el modelo predictivo preciso cuando hay pocos datos disponibles, como suele ocurrir en situaciones de supply chain.

Además, cuando Lokad identifica y nombra explícitamente los patrones, el personal de supply chain del cliente se beneficia de un modelo predictivo de caja blanca que viene acompañado de factores semánticos. Por ejemplo, el impacto de Black Friday (si lo hay) viene con un factor dedicado evaluado a partir de los datos históricos. El profesional de supply chain puede entonces utilizar este factor para comprender cuáles productos son los más sensibles específicamente al Black Friday, aislándolos de todos los demás patrones que están en juego, tales como la estacionalidad (es decir, la ciclicidad anual).

Véase también Eventos y eventos explicativos 6.1 en este FAQ.

6.3 ¿Gestionan las situaciones de faltante de stock como una variable explicativa?

Sí. Lokad incorpora las situaciones de faltante de stock directamente en sus modelos predictivos, abordando tanto los faltantes de stock completos como parciales sin tener que recurrir a reconstruir una demanda “falsa” para llenar los huecos en los datos. Más bien, modelamos directamente lo que se conoce generalmente como la demanda censurada. Además, Lokad es capaz de tener en cuenta los faltantes de stock parciales (cuando el faltante de stock ocurre durante la jornada laboral) y aprovechar la información correspondiente.

Más en general, Lokad también es capaz de tratar todos los artefactos inducidos derivados de los faltantes de stock. Dependiendo de las particularidades de la empresa cliente, esos artefactos pueden variar considerablemente. Por ejemplo, podría haber un repunte en la demanda al final del período de faltante de stock, si los consumidores son lo suficientemente leales como para esperar. También pueden presentarse pedidos pendientes, mientras se sufre de una deserción parcial, ya que dichos consumidores pueden negarse a retrasar su compra. Etc.

Los Supply Chain Scientists, empleados por Lokad, se aseguran de que los faltantes de stock se modelen de manera adecuada, reflejando genuinamente la dinámica del negocio de la empresa cliente.

Véase las discusiones sobre “Loss masking” en Modelado predictivo estructurado para Supply Chain y “Incomplete lead-time model” en Pronóstico de tiempo de entrega para obtener más información sobre cómo Lokad maneja estas situaciones.

6.4 ¿Hacen forecast de promociones?

Sí. La tecnología predictiva de Lokad puede forecast la variación de la demanda impactada por mecanismos promocionales. El mecanismo promocional puede incluir variaciones en el(los) precio(s), cambios en los rangos de exhibición (ecommerce), modificaciones en los surtidos, variaciones en la visibilidad (p.ej., góndolas en el comercio minorista), etc. En resumen, Lokad ofrece forecast probabilísticos para promociones, al igual que lo hace para todas las fuentes potenciales de incertidumbre en la supply chain (p.ej., demanda, lead time, devoluciones, etc.).

Las decisiones de supply chain de Lokad—como las reposiciones de inventario—toman en cuenta no solo la actividad promocional planificada a futuro, sino también el potencial de dicha actividad. Por ejemplo, si la empresa cliente tiene la posibilidad de hacer promociones y sus clientes (típicamente) responden bien a ellas, esto significa que la empresa puede ser un poco más agresiva con sus stocks. Esto se debe a que las promociones son una herramienta efectiva para mitigar los excesos de inventario. Por el contrario, si la empresa cliente cuenta con una clientela que en gran medida no responde a las promociones, entonces debe estar más atenta a los excesos de inventario, ya que carece de este mecanismo para mitigarlos.

Lokad genera dichas decisiones ajustadas al riesgo (y ajustadas a opciones) aprovechando forecast probabilísticos. Estos forecast son esenciales para evaluar los riesgos en primer lugar. A partir de ello, utilizamos optimización estocástica—en términos simples, una operación matemática—para diseñar decisiones que maximicen el ROI (retorno sobre la inversión) del cliente, considerando sus múltiples fuentes de incertidumbre (p.ej., demanda, lead time, promociones, devoluciones, etc.).

6.5 ¿Identifican y forecast lanzamientos de nuevos productos y sustituciones?

Resumen Ejecutivo: Sí, Lokad realiza forecast de la demanda para todos los productos, incluidos los nuevos. Hacemos esto independientemente de la cantidad de datos históricos que puedan estar disponibles para los productos, lo que probablemente sea cero si el producto aún no ha sido lanzado.

Para producir forecast estadísticos en las condiciones mencionadas, Lokad generalmente aprovecha (a) todo el historial de lanzamientos dentro de la empresa cliente, (b) los atributos del producto para posicionarlo en la oferta, (c) los productos alternativos que proporcionan tanto una referencia como potencial de canibalización, y (d) las operaciones de marketing que respaldan este lanzamiento específico.

Si un producto se posiciona en la oferta del cliente como el reemplazo explícito de un producto antiguo, entonces la tarea de forecast es mucho más directa. Sin embargo, no recomendamos adoptar este enfoque a menos que el personal de supply chain del cliente esté convencido de que los productos antiguos y nuevos son verdaderamente equivalentes para los consumidores. En la práctica, el lanzamiento de un producto rara vez es un reemplazo uno a uno entre productos nuevos y antiguos. Por lo tanto, Lokad utiliza tecnología superior para aprovechar todo el historial de datos, en lugar de designar un producto que proporcione la pseudo-historia del nuevo producto que se está lanzando.

Además, Lokad genera forecast probabilísticos para lanzamientos de productos. Esto es particularmente importante porque los forecast clásicos (es decir, no probabilísticos) descartan por completo los patrones de acierto o fallo que tienden a ser predominantes al lanzar nuevos productos. Los forecast probabilísticos, en cambio, cuantifican esta incertidumbre, permitiéndonos así generar decisiones de supply chain ajustadas al riesgo.

En la mayoría de los sistemas empresariales, la fecha de lanzamiento del producto está debidamente identificada, y por lo tanto no es necesario identificarla per se. Sin embargo, si los datos del lanzamiento no se registran o se registran incorrectamente, entonces Lokad puede proceder con una reconstrucción real de esta información. Naturalmente, los registros de ventas anteriores representan una referencia para el lanzamiento.

Sin embargo, a veces, en caso de demanda intermitente, puede pasar mucho tiempo antes de que el producto venda su primera unidad. Los Supply Chain Scientists de Lokad cuentan con varias heurísticas a su disposición para abordar estas situaciones.

Véase también Eventos y eventos explicativos 6.1 en este FAQ.

6.6 ¿Cómo forecast nuevos artículos o nuevas ubicaciones sin historial de ventas?

Lokad utiliza lanzamientos anteriores y las ventas actuales, enfatizando la importancia de los atributos (formales y textuales), para predecir la demanda de nuevos artículos/ubicaciones.

Aunque un artículo pueda ser “nuevo”, típicamente no es el primer artículo “nuevo” que lanza la empresa cliente. La tecnología predictiva de Lokad aprovecha los lanzamientos previos de artículos, así como los volúmenes actuales de ventas, para forecast la demanda de un artículo nuevo. En particular, la disponibilidad de atributos formales (p.ej., color, talla, forma, punto de precio, etc.), así como de atributos textuales (p.ej., etiqueta, descripción corta, comentarios, etc.) es de importancia crítica para ubicar matemáticamente el artículo en la oferta más amplia de la empresa.

El proceso con nuevas ubicaciones es similar, aunque los datos normalmente sean mucho más limitados. Aunque es común que las empresas lancen miles de nuevos productos al año (especialmente en sectores como la moda), muy pocas pueden afirmar lanzar siquiera cien nuevas ubicaciones anualmente. Sin embargo, al aprovechar los atributos y las características de la nueva ubicación, Lokad puede producir un forecast incluso cuando esta ubicación en particular no tiene historial de ventas.

Véase también Eventos y eventos explicativos 6.5 en este FAQ.

6.7 ¿Consideran los artículos predecesores, posiblemente marcados o artículos equivalentes/similares?

Sí, si los artículos lanzados vienen con artículos “predecesores” o “similares”, la tecnología predictiva de Lokad es capaz de aprovechar esta información para refinar sus forecast.

Podemos acomodar todo el espectro de confianza en la información proporcionada, que va desde “este nuevo producto es un casi perfecto equivalente a este otro producto” hasta “estos dos productos son vagamente parecidos”. Se pueden proporcionar múltiples predecesores también si no existe un artículo claramente “más similar”.

Mientras que las tecnologías de forecasting antiguas (ahora obsoletas) obligaban a los profesionales de supply chain a emparejar manualmente productos antiguos y nuevos, este no es el caso con Lokad. Suponiendo que se disponga de alguna información básica, nuestra tecnología es capaz de aprovechar los datos históricos —de otros productos— para forecast un nuevo artículo. La información básica relevante incluye las etiquetas del producto y los puntos de precio.

Como regla general, recomendamos enriquecer los datos maestros para fomentar asociaciones automatizadas de mayor calidad. Esto es, en nuestra opinión, preferible a obligar al personal de supply chain del cliente a la tediosa actividad de emparejamiento manual. El ROI (retorno sobre la inversión) para mejorar los datos maestros suele ser ampliamente superior al de los emparejamientos, ya que los datos maestros también pueden impactar directamente en numerosas operaciones posteriores al lanzamiento.

Véase también Eventos y eventos explicativos 6.5 en este FAQ.

6.8 ¿Detectan la canibalización? ¿Evalúan el impacto en el producto canibalizador y en el producto canibalizado?

Sí, la tecnología predictiva de Lokad toma en cuenta las canibalizaciones (y sustituciones) como parte de su análisis de la demanda.

Aunque las situaciones varían, el modelo es típicamente simétrico, por lo que cuantifica tanto el producto que canibaliza como el producto que es canibalizado. Nuestro enfoque tiene en cuenta la composición de la oferta, que puede variar de una tienda a otra o de un canal de venta a otro.

Si los clientes pueden ser identificados (nota: con identificadores anónimos, ya que Lokad no necesita/usa datos personales), entonces Lokad puede aprovechar el grafo bipartito que conecta a los clientes y los productos. Este grafo temporal (que conecta productos y clientes a través de sus transacciones) suele ser la mejor fuente de información para cuantificar las canibalizaciones. Si esta información no está disponible, Lokad aún puede operar, aunque con menor precisión en lo que respecta a los detalles de las propias canibalizaciones.

Las técnicas predictivas de Lokad se apartan de manera bastante radical de los modelos clásicos de series temporales. Los modelos de series temporales simplemente no son lo suficientemente expresivos para abordar las canibalizaciones. De hecho, una vez que los datos históricos se han transformado en datos de series temporales, la mayor parte de la información relevante para abordar las canibalizaciones ya se ha perdido. Esta información perdida no puede recuperarse posteriormente, sin importar cuán sofisticados sean los modelos de series temporales. En contraste, Lokad utiliza programación diferenciable para sus modelos predictivos, un enfoque que es mucho más expresivo que los modelos de series temporales anticuados (y obsoletos).

6.9 ¿Permiten agregar o actualizar variables explicativas? ¿Se pueden actualizar manualmente esas variables?

Sí. La plataforma de Lokad es programática y literalmente tan flexible como una hoja de cálculo de Excel cuando se trata de la inclusión de actualizaciones de variables explicativas. También es posible, si se desea, que las variables explicativas se transmitan a través de hojas de cálculo reales.

La programación diferenciable, el enfoque de Lokad para el modelado predictivo, facilita el aprendizaje de modelos que incorporan variables explicativas arbitrarias. Las variables explicativas no tienen que expresarse en “unidades de forecast” ni estar alineadas de otra manera con el proceso de forecast. A través de la programación diferenciable, es posible integrar variables explicativas dejando muchas relaciones “sin cuantificar”, delegando así el proceso de aprendizaje a la plataforma de Lokad. Además, la cuantificación de la(s) relación(es) se pone a disposición del profesional de supply chain. De esta forma, el profesional de supply chain puede obtener información sobre si la variable explicativa realmente está ganando tracción dentro del modelo predictivo.

Algunas tecnologías de forecasting antiguas (ahora obsoletas) forzaban una relación directa entre las variables explicativas y los forecast deseados. Por ejemplo, las variables explicativas tenían que estar linealmente relacionadas con la señal de demanda; debían expresarse con la misma granularidad que los forecast; y/o tenían que ser homogéneas con los datos históricos, etc. La tecnología de Lokad no sufre de estas limitaciones.

Además, las capacidades programáticas de la plataforma de Lokad pueden organizar las variables explicativas para que su mantenimiento sea lo más sencillo posible para el personal de supply chain del cliente. Por ejemplo, es posible comenzar con una hoja de cálculo de Excel para reflejar las variables explicativas y, posteriormente, hacer la transición a la integración automatizada de datos. Esta transición puede producirse una vez que se considere que la precisión extra (obtenida mediante dichas variables explicativas) es suficiente para automatizar la transferencia de datos.

Véase la discusión sobre “Covariable integration” en Modelado predictivo estructurado para Supply Chain para obtener más información sobre este punto.

6.10 ¿Permiten ajustes manuales del forecast para eventos futuros sin datos históricos previos?

Sí. Lokad siempre hace posible ajustar manualmente los forecast, ya sea que estemos analizando artículos con o sin datos históricos. También podemos rastrear la calidad/precisión de los ajustes manuales. Sin embargo, al utilizar tecnología predictiva moderna, los ajustes manuales generalmente son innecesarios y, en general, desaconsejados.

La primera razón por la cual los profesionales de supply chain sienten la necesidad de ajustar manualmente los forecast es que quieren alterar las decisiones de supply chain resultantes que se derivan de los forecast (p.ej., una orden de compra). En esos casos, la mayoría de las veces, el profesional de supply chain se enfrenta a un riesgo que no está reflejado adecuadamente en los forecast. No es que los forecast deban ser mayores o menores de lo que son, sino que la decisión resultante debe orientarse hacia arriba o hacia abajo para reflejar el riesgo. Lokad aborda este problema mediante forecast probabilísticos y decisiones de supply chain ajustadas al riesgo. Los forecast ya reflejan todos los posibles valores futuros (p.ej., demanda) y sus respectivas probabilidades. Así, nuestras decisiones sugeridas ya están ajustadas al riesgo. Si las decisiones resultan equivocadas mientras que el forecast es correcto, generalmente son los impulsores económicos asociados con la decisión los que necesitan ser ajustados, no el forecast en sí.

La segunda razón para ajustar manualmente un forecast es que el forecast es manifiestamente erróneo. Sin embargo, en esas situaciones, el modelo de forecasting (subyacente) en sí debe ser corregido. No corregirlos significa simplemente que el personal de supply chain debe seguir tratando los síntomas del problema (forecast inexactos) en lugar de la enfermedad en sí (un modelo de forecasting defectuoso). Si no se corrige el modelo, los forecast se actualizarán a medida que se disponga de datos nuevos y, o bien los forecast malos resurgirán, o la corrección original (si se mantiene) se convertirá en sí misma en una fuente de inexactitud en el forecast.

En resumen, si el modelo de forecasting carece de la precisión suficiente (típicamente debido a la falta de información), entonces se debe enriquecer la entrada del modelo para tener en cuenta la información faltante relevante. De cualquier manera, mantener en operación un modelo de forecasting defectuoso nunca es la respuesta adecuada.

6.11 ¿Refinas los forecast mediante campañas de marketing y campañas especiales?

Sí, Lokad refina sus forecast con esta información (si/cuando se nos proporcione).

La programación diferenciable—la tecnología de modelado predictivo de Lokad—es experta en procesar tipos/fuentes de datos adicionales, incluso si no coinciden estructuralmente con los datos históricos de demanda originales (el tipo que se encuentra en los sistemas empresariales típicos de los clientes).

La programación diferenciable puede procesar fuentes de datos adicionales sin esperar que estos datos suplementarios sean exhaustivos o incluso completamente correctos/precisos. Es cierto que, si los datos son muy incompletos/inexactos, esto limita la precisión global obtenida al procesar dichos datos en primer lugar.

Más importante aún, la tecnología predictiva de Lokad cambia la forma en que los clientes abordan sus campañas de marketing. La perspectiva clásica del forecasting trata la demanda futura como el movimiento de los planetas: algo que está completamente fuera de nuestro control. Sin embargo, las campañas de marketing no caen del cielo. Más bien, reflejan decisiones explícitas tomadas por la empresa cliente. Con los conocimientos y la tecnología de Lokad, las empresas cliente pueden reajustar sus campañas de marketing para que coincidan con lo que el supply chain puede soportar.

Por ejemplo, es inútil acelerar aún más la demanda (lanzando una campaña nueva) si todos los productos ya se encaminan hacia un faltante de stock. Por el contrario, si los sobreinventarios están en aumento, podría ser el momento de reactivar algunas campañas que se habían pausado previamente.

6.12 ¿Refinas los forecast con la elasticidad de precios? ¿Pueden los cambios de precio planificados para el futuro ser incorporados proactivamente en el forecast/modelo predictivo?

Sí. Las capacidades de modelado predictivo de Lokad abarcan la fijación de precios, incluida la elasticidad de precios, así como los cambios de precio planificados para el futuro. El enfoque de programación diferenciable de Lokad facilita la inclusión de una (o varias) variable(s) de precio, tanto en el pasado como en el futuro. Las instancias pasadas se utilizan para aprender la causalidad entre la variación de la demanda y la variación del precio.

La programación diferenciable nos permite aprender conjuntamente el impacto de la variación de precios junto con todos los otros patrones que afectan la demanda, tales como las múltiples ciclicidades (p.ej., estacionalidad). El modelo de causalidad se puede aplicar luego a los precios futuros, los cuales pueden aumentar o disminuir para reflejar la estrategia de precios cambiante de la empresa cliente.

Sin embargo, la elasticidad de precios es frecuentemente un enfoque bastante burdo para modelar el efecto de la variación de precios. Por ejemplo, los efectos de umbral no pueden ser modelados con elasticidad. Esto incluye escenarios en los que los consumidores responden fuertemente a una variación de precio cuando un producto se vuelve apenas más barato que otro producto que parece equivalente. En particular, cuando los precios competitivos se recopilan a través de una herramienta de inteligencia competitiva, la elasticidad de precios resulta insuficiente para explicar las variaciones de demanda que se explicarían mejor por los movimientos de precios de un competidor.

La plataforma de Lokad posee capacidades que van mucho más allá de simplemente modelar la elasticidad de precios. Lokad puede, y frecuentemente lo hace, optimizar conjuntamente tanto la adquisición como la fijación de precios. Mientras que la perspectiva dominante del supply chain trata la optimización de inventarios y la optimización de precios como dos asuntos separados, es obvio que los precios impactan la demanda—incluso cuando la “elasticidad” de precios resulta ser demasiado burda para reflejar con precisión este impacto. Por lo tanto, tiene mucho sentido coordinar tanto las políticas de inventario como las de precios para maximizar la rentabilidad del supply chain.

6.13 ¿Refinas los forecast con la actividad de la competencia (es decir, datos de inteligencia competitiva)?

Resumen Ejecutivo: Sí, la tecnología predictiva de Lokad es capaz de aprovechar los datos de inteligencia competitiva para refinar los forecast de demanda (y precios, si se solicita) para los clientes. Esto solo se hace cuando se pone a nuestra disposición la información de inteligencia competitiva, ya que Lokad no recopila datos de inteligencia competitiva por sí mismo. En nuestra opinión, esta tarea debería dejarse a los especialistas en scraping de datos web.

Aprovechar los datos de inteligencia competitiva es típicamente un proceso de dos pasos. Primero, necesitamos asociar (de alguna manera) los puntos de datos competitivos con la oferta de la empresa cliente. Si la empresa cliente y sus competidores llegan a vender los mismos productos exactos identificados por sus códigos de barras GTIN, entonces este proceso es sencillo. Sin embargo, con frecuencia surgen numerosas complicaciones.

Por ejemplo, las empresas pueden no tener las mismas condiciones de envío (p.ej., tarifas y retrasos), o podría haber una promoción temporal que solo es elegible para los titulares de una tarjeta de fidelidad. Además, los competidores generalmente no venden los mismos productos exactos (al menos no en el sentido GTIN), sin embargo, sus ofertas, en conjunto, compiten entre sí. En estas situaciones, las asociaciones simples uno a uno entre los productos de las respectivas empresas ya no son relevantes. No obstante, la tecnología predictiva de Lokad (y los Supply Chain Scientists) puede abordar todas esas complicaciones.

Segundo, una vez que se establecen las asociaciones, el modelo predictivo debe adaptarse para reflejar el/los efecto(s) de la competencia sobre la demanda. Aquí, el mayor desafío es frecuentemente que el efecto viene con un retraso severo. En la mayoría de los mercados, los clientes no monitorean los precios de los competidores todo el tiempo. Por lo tanto, una fuerte caída de precios por parte de un competidor puede pasar desapercibida para muchos clientes durante mucho tiempo. De hecho, el efecto dominante de ser superado en precio es una lenta erosión de la cuota de mercado de la empresa cliente. Por lo tanto, es un error evaluar de manera estrecha el impacto de la competencia “un producto a la vez”. También deben evaluarse los efectos a nivel de toda la empresa.

Una vez más, los Supply Chain Scientists de Lokad aseguran que la estrategia de modelado refleje una comprensión estratégica de la empresa cliente (y su lugar dentro del mercado). Esta comprensión estratégica incluye aspectos a largo plazo, como ganar o perder cuota de mercado.

Consulte las discusiones sobre ‘Solving the alignment’ en Pricing Optimization for the Automotive Aftermarket para obtener más información sobre este punto.

Véase también Events and Explanatory Variables 6.12 en esta FAQ.

6.14 ¿Refinas los forecast con datos de pronóstico del tiempo?

Resumen Ejecutivo: Sí, Lokad es capaz de refinar sus modelos predictivos con datos de pronóstico del tiempo. Tuvimos nuestro primer éxito en este ámbito en 2010, cuando trabajábamos con un gran productor eléctrico europeo. Nuestra tecnología predictiva actual (programación diferenciable) facilita el proceso de integración de los pronósticos del tiempo más que con tecnologías anteriores.

En la práctica, aunque técnicamente es posible refinar los forecast con datos meteorológicos, muy pocos de nuestros clientes utilizan efectivamente tales refinamientos en entornos de producción. En nuestra opinión, generalmente no vale la pena el esfuerzo. Casi siempre existen opciones más simples que proporcionan un ROI (retorno de la inversión) superior por una cantidad comparable de recursos de ingeniería.

En general, existen dos problemas principales al intentar aprovechar los datos de pronóstico del tiempo en este contexto. El primer problema es que esos pronósticos son a corto plazo. Más allá de 2 o 3 semanas, los pronósticos del tiempo se reducen a promedios estacionales. Por lo tanto, una vez que se supera un horizonte corto, los pronósticos del tiempo no proporcionan información extra más allá de la estacionalidad habitual. Esto significa que todas las decisiones de supply chain que no son estrictamente a corto plazo no se benefician de los datos de pronóstico del tiempo. Esto restringe severamente el alcance aplicable de esta técnica.

El segundo problema es la gran cantidad de complicaciones tecnológicas que implica la técnica. El clima es un fenómeno muy local, pero cuando se consideran supply chains grandes, en realidad se analizan cientos o miles (si no decenas de miles) de ubicaciones relevantes, distribuidas en enormes espacios geográficos (posiblemente en varios continentes). Como tal, cada ubicación podría tener su propio “clima” (hablado desde el punto de vista meteorológico).

Además, el “clima” no es un número único, sino una colección de ellos, incluyendo temperatura, precipitación, viento, etc. Dependiendo del tipo de mercancías atendidas, la temperatura puede o no ser el factor dominante necesario para refinar un forecast de demanda.

Fundamentalmente, intentar refinar un forecast de demanda con datos de pronóstico del tiempo asigna recursos (tiempo, dinero, esfuerzo, etc.) que podrían dirigirse a otros fines (o al menos a esfuerzos de refinamiento mejores). Observamos que los pronósticos del tiempo casi nunca son una opción ‘competitiva’ en este sentido. Por lo tanto, aunque Lokad es capaz de aprovechar los pronósticos del tiempo, recomendamos agotar todas las demás avenidas potencialmente más sencillas de refinamiento antes de recurrir a los datos de pronóstico del tiempo.

6.15 ¿Refinas los forecast para reflejar la apertura de una tienda nueva/cierre de una tienda antigua?

Sí.

La tecnología predictiva de Lokad es capaz de modelar con precisión el impacto de la apertura de una tienda nueva y/o el cierre de una tienda antigua. Nuestra tecnología también puede modelar cierres transitorios, como cierres temporales por trabajos de renovación. Además, Lokad puede (y lo hace) tener en cuenta la variabilidad en los horarios de apertura también (si se nos proporcionan los datos). La tecnología predictiva de Lokad (programación diferenciable) es particularmente eficaz para tratar todas estas distorsiones en la señal de demanda.

Además, cuando las tiendas se encuentran cercanas (p.ej., dentro de la misma ciudad), podemos tener en cuenta el efecto de sustitución, en el que los clientes que solían acudir a una tienda (ahora cerrada) se dirigen a otra diferente. Si algunas transacciones se benefician de un identificador de cliente (note: solo el identificador bruto, ya que Lokad no necesita ningún dato personal), entonces podemos aprovechar esta información para evaluar con mayor precisión la porción exacta de la clientela que sigue a una marca determinada, a pesar de que las tiendas se reubiquen.

En el otro extremo del espectro tecnológico, los modelos de series temporales (forecasting) ni siquiera pueden representar adecuadamente la información de entrada relevante. En este caso, nos referimos a los datos transaccionales en bruto descritos anteriormente, como los que se pueden encontrar si el cliente opera programas de tarjetas de fidelidad.

Notas