Pronosticando con Cuadrículas de Cuantiles (2015)

Las cuadrículas de cuantiles son una mejora significativa sobre los pronósticos clásicos o de cuantiles siempre que se involucre el inventario. Sin embargo, el pronóstico probabilístico supera ampliamente a las cuadrículas de cuantiles. Consulte nuestras últimas páginas de Tecnología para obtener más información.
grids/graph-quantile-grids

Las Cuadrículas de Cuantiles representan una mejora radical sobre los métodos de pronóstico clásicos siempre que se involucre el inventario. También son superiores a los pronósticos de cuantiles porque entregan mucha más información sobre el futuro. Los métodos de pronóstico tradicionales funcionan mal, especialmente para el comercio. La causa raíz de este problema es simple: el futuro es incierto. Los pronósticos clásicos intentan predecir el único valor correcto de la demanda futura, y, bueno, fallan en ello. Intentar desesperadamente arreglar los pronósticos clásicos con la esperanza de que se prediga la demanda futura “correcta” es una ilusión. Las cuadrículas de cuantiles adoptan una postura completamente diferente sobre este problema.

Con las cuadrículas de cuantiles, Lokad predice no un valor futuro de demanda para un producto dado, sino toda la distribución de probabilidad para la demanda; es decir, la probabilidad de tener una demanda de cero unidades, luego una unidad, luego dos unidades, etc. Esta información es mucho más rica y se puede aprovechar de maneras que son extremadamente más rentables que los pronósticos clásicos.

Introducción para el no estadístico

Mientras lee estas líneas, si no es un estadístico, es posible que se pregunte si su negocio tiene alguna posibilidad de tener éxito al hacer algo sensato con estas llamadas “cuadrículas de cuantiles”. Esto suena más como un buen título para una tesis de doctorado en estadística moderna que como un medio práctico de pronóstico. Bueno, si cree que este término es intimidante, simplemente reemplace mentalmente cuadrículas de cuantiles por pronósticos que realmente funcionan, y esto hará. La gran mayoría de las empresas que usan Lokad no tienen habilidades en estadística. El filtro de spam asociado con su bandeja de entrada también utiliza estadísticas avanzadas, y no se necesita un doctorado para usar una bandeja de entrada.

Lokad está haciendo aproximadamente lo mismo para el comercio. Estamos aprovechando el aprendizaje automático avanzado para hacer que su empresa sea más rentable, y la tecnología detrás de ella es ahora tan avanzada que en realidad no tiene que preocuparse mucho por ella.

A continuación, describimos lo que sucede detrás de escena en Lokad, pero tenga la seguridad de que puede usar Lokad incluso si no tiene una comprensión completa de lo que entra en nuestro motor de pronóstico, al igual que puede usar un filtro de spam sin estar familiarizado con la inferencia probabilística bayesiana.

Repensando el pronóstico para el comercio

computer-history
Muchos proveedores presumen de usar métodos de pronóstico “avanzados” como ARIMA, Box-Jenkins y Holt-Winters que en realidad están cerca de tener medio siglo de antigüedad; todos fueron concebidos en una época en la que las computadoras corporativas más poderosas tenían menos capacidad de procesamiento que la mayoría de los frigoríficos tienen hoy en día. Las personas que inventaron estos métodos eran excepcionalmente inteligentes, pero tuvieron que conformarse con los recursos informáticos de su tiempo y, por lo tanto, dieron preferencia a los modelos que podían calcularse con muy pocas operaciones. Hoy en día, podemos utilizar enormes cantidades de potencia informática para nuestros desafíos de pronóstico a muy bajo costo.

Tenga en cuenta que 1000 horas de potencia informática cuestan menos de $50 cuando se utiliza una plataforma de computación en la nube. Obviamente, esto abre perspectivas radicalmente nuevas para el pronóstico, y es precisamente estas perspectivas las que Lokad ha estado explorando extensamente. Los Cuadros Cuantiles representan la tercera versión de la tecnología de pronóstico de Lokad, pero retrocedamos unos años para tener una visión completa. Comenzamos con pronósticos clásicos en 2008 como la primera versión de nuestra tecnología de pronóstico, y a pesar de tres años de tremendos esfuerzos de I+D por parte del equipo de Lokad, el enfoque clásico resultó ser un callejón sin salida. Nunca logramos tener un cliente profundamente satisfecho con los pronósticos clásicos. A medida que aprendimos más sobre las experiencias de nuestros clientes con otros proveedores de pronósticos, resultó que no había una sola empresa que estuviera siquiera cerca de estar satisfecha con la tecnología de pronóstico que había adquirido. Este problema no era específico de Lokad, y nos dimos cuenta de que toda la industria de pronósticos era disfuncional; y decidimos hacer algo al respecto.

En 2012, Lokad lanzó la segunda versión de su tecnología de pronóstico llamada Pronósticos Cuantiles. En pocas palabras, los pronósticos cuantiles abordan el problema número 1 que aqueja a los pronósticos clásicos: los pronósticos clásicos simplemente no miran el problema correcto.

De hecho, el desafío para las empresas es evitar dos extremos: una demanda inesperadamente alta que causa faltantes de stock, y una demanda inesperadamente baja que causa inventario muerto. Lo que sucede en el medio cuando la demanda futura es aproximadamente “como se esperaba” importa muy poco desde la perspectiva del negocio.

Sin embargo, los pronósticos clásicos, los pronósticos de media o mediana, ignoran por completo estas situaciones “extremas” y se centran por completo en el caso promedio. Como era de esperar, los pronósticos clásicos no logran evitar tanto los faltantes de stock como el inventario muerto. Los pronósticos cuantiles abordan el desafío de frente y miran directamente el escenario de interés, digamos evitar faltantes de stock, y se esfuerzan por proporcionar una respuesta precisa a este mismo problema. De repente, en 2012, comenzamos a tener cada vez más clientes satisfechos. Por primera vez en la historia de Lokad, más de 3 años después del lanzamiento de la empresa, teníamos algo que funcionaba.

En 2015, Lokad lanzó la tercera versión de su tecnología de pronóstico, los cuadros cuantiles. Si bien los pronósticos cuantiles ya eran una mejora radical sobre los pronósticos clásicos, todavía tenían sus debilidades. A medida que ganamos más y más experiencia con docenas de implementaciones de nuestra tecnología de pronóstico cuantil, nos dimos cuenta de que si bien la idea de producir un pronóstico para solo “un” escenario empresarial era sólida, no era del todo completa. ¿Por qué solo este escenario? ¿Por qué no un segundo escenario, o un tercero? La gestión manual de múltiples escenarios resultó tediosa, y nos dimos cuenta de que todos los escenarios deberían pronosticarse a la vez. Desde una perspectiva informática, esto era significativamente más costoso: para cada producto, calcularíamos las respectivas probabilidades de (casi) cada nivel de demanda. Sin embargo, si bien la cantidad de cálculos involucrados parece abrumadora, los precios de los recursos informáticos también han estado en caída libre a lo largo de los años. Y lo que habríamos considerado demasiado costoso hace 5 años, ahora era muy asequible. En 2015, Lokad lanzó la tercera versión de su tecnología de pronóstico, los cuadros cuantiles. Si bien son extremadamente intensivos en cómputo, los cuadros cuantiles ahora son asequibles gracias a la caída libre de los recursos informáticos en la nube.

Tomando toda la distribución de probabilidad de la demanda

indecision
La demanda futura es incierta. Cualquier intento de representar la demanda futura con un solo valor es algo ingenuo porque, por muy bueno que sea este valor, nunca puede contar toda la historia. Si bien sería bueno tener un sistema “mágico” capaz de predecir el nivel exacto de la demanda futura, esto también es bastante ilusorio. Cuando las personas intentan lidiar con un pronóstico que es incorrecto, es muy tentador tratar de “arreglar” este pronóstico. Desafortunadamente, el pronóstico estadístico es mayormente contra intuitivo, y la realidad es que a menudo no hay nada que arreglar: el valor pronosticado es uno de los resultados perfectamente válidos y posibles para la demanda futura.

El sistema puede ser ajustado un poco para producir valores ligeramente más probables para la demanda futura, pero eso es todo. Su empresa termina obteniendo solo valores ligeramente más probables para la demanda futura, lo que no resulta en un impulso de la actividad comercial que se esperaba en primer lugar.

Las cuadrículas de cuantiles toman un enfoque muy diferente: para cada producto, Lokad calcula las respectivas probabilidades de cada nivel de demanda futura. En lugar de tratar de mantener la ilusión de que la demanda futura se conoce, las cuadrículas de cuantiles expresan directamente las probabilidades asociadas con muchos futuros posibles.

Por ejemplo, si consideramos un producto de venta poco frecuente con un tiempo de espera de 2 semanas, la distribución de la demanda durante las próximas 2 semanas (por lo general, el horizonte de pronóstico debe coincidir con el tiempo de espera) para este producto se puede representar de la siguiente manera:

Demanda Probabilidad
0 unidad 55%
1 unidad 20%
2 unidades 14%
3 unidades 7%
4 unidades 3%
5 unidades 0% (redondeado)

Pensar en el futuro desde una perspectiva completamente probabilística puede parecer complicado, pero en realidad representa lo que cada ejecutivo de negocios ya está haciendo, aunque de manera menos formal: sopesando las probabilidades de ciertos resultados y cubriendo las apuestas en relación con su negocio para estar bien preparado al tratar con los escenarios más relevantes. Desde la perspectiva del motor de pronóstico, dado que no sabemos de antemano cuáles serían los escenarios “más relevantes”, la solución lógica, aunque algo brutal, consiste en procesar todos los escenarios posibles. Sin embargo, suponiendo que una empresa tiene mil productos para pronosticar (y algunos de nuestros clientes tienen millones de SKU con los que lidiar), y que Lokad calcula las probabilidades asociadas con 100 escenarios para cada producto, las cuadrículas de cuantiles producirían una enorme lista con 100,000 entradas que no suena práctico de procesar. Llegamos a este punto en la sección siguiente.

Priorizando decisiones de la cadena de suministro

Para cada decisión de compra, podemos escribir un cálculo simple de “resultado” en un papel, la fórmula que depende de la demanda futura frente a la decisión de compra actual. Luego, cada decisión individual puede ser calificada porque se basa en la respectiva probabilidad de cada nivel de demanda futura.

purchase_priority_screenshot
Las previsiones de la demanda se utilizan más comúnmente para impulsar las decisiones de la cadena de suministro, como hacer pedidos de compra para el comercio o activar un lote de producción en un entorno industrial. Una vez que tenemos todas las probabilidades asociadas con todos los resultados futuros, es posible construir una lista completa de prioridades de todas las decisiones de compra. De hecho, para cada decisión de compra, podemos escribir un cálculo simple de “resultado”: suponiendo que la demanda será de D unidades y suponiendo que compramos P unidades, entonces el resultado financiero será X. No hace falta decir que Lokad está aquí para ayudarlo a escribir esta fórmula corta, que para la mayoría de las empresas se reduce al margen bruto menos el costo del inventario y menos el costo de los faltantes de stock. En consecuencia, una vez que tenemos esta fórmula, para cada decisión de la cadena de suministro, como “comprar 1 unidad del producto Z”, los resultados se pueden comparar con las probabilidades de cada posible futuro. Al hacer esto, calculamos la “puntuación” de cada posible decisión.

Una vez que se ha calificado cada decisión, es posible clasificar todas estas decisiones, colocando las opciones más rentables en la parte superior de la lista. Nos referimos a esta lista como la lista maestra de prioridades de compra. Es una lista en la que cada producto aparece en numerosas líneas. De hecho, mientras que la compra de 1 unidad del producto Z puede ser la decisión de compra mejor clasificada (también conocida como la compra más urgente), la compra de la siguiente unidad del producto Z puede ser solo la 20ª decisión de compra más urgente, con muchas otras unidades de otros productos que se deben comprar en el medio.

image-pricing
La lista maestra responde a una pregunta muy simple: si la empresa tiene un dólar extra para gastar en su inventario, ¿dónde debería ir este dólar primero? Bueno, este dólar debería ir al artículo que le da a su empresa los máximos rendimientos. Luego, una vez que se adquiere este artículo en particular, se puede repetir la misma pregunta. Sin embargo, esta vez, una vez que se ha adquirido esta unidad adicional, es probable que el siguiente artículo más rentable que se deba comprar sea diferente, ya que hay fuertes rendimientos decrecientes al acumular en exceso el mismo artículo dentro de su stock. De hecho, cuanto más inventario tenga, menos rotará su inventario y mayores serán sus probabilidades de quedarse con inventario muerto. Estos problemas se reflejan naturalmente en la fórmula de “resultado” y en la priorización resultante de la lista.

Mejor que ajustar los niveles de servicio

Descubrir los niveles de servicio “óptimos”, es decir, las probabilidades deseadas de no tener un faltante de stock, es un ejercicio muy difícil. Este es un problema complejo porque los niveles de servicio solo están indirectamente relacionados con el rendimiento financiero de una empresa. De hecho, para algunos productos, obtener un uno por ciento adicional de nivel de servicio puede resultar muy costoso, y por lo tanto, si los recursos están disponibles, deberían asignarse a otros productos, donde el mismo nivel de inversión produciría no un 1% sino un 10% adicional de nivel de servicio.

Con las Cuadrículas de Cuantiles utilizadas como lista maestra de prioridades de compra, ni siquiera es necesario preocuparse por los niveles de servicio, ya que estos se reflejan de manera nativa en la propia priorización.

Si el nivel de servicio de un producto de alto margen puede aumentarse de manera económica, este producto sube naturalmente al primer lugar de la lista. Inversamente, si un producto sufre de ventas extremadamente erráticas que hacen que todos los intentos de aumentar el nivel de servicio sean extremadamente costosos, entonces este producto subirá al primer lugar de la lista solo cuando los stocks estén peligrosamente bajos y cuando una empresa tenga casi garantizado no terminar con inventario muerto a pesar de patrones de demanda muy erráticos. La lista de prioridades también resuelve el problema de las limitaciones de efectivo. No importa dónde se encuentre su empresa en cuanto al efectivo, la lista de prioridades le brinda una opción manejable. Si tiene muy poco efectivo disponible, su empresa solo compra lo que está en la parte superior de la lista, manteniendo los niveles de stock solo de aquellos productos que necesitan ser reabastecidos desesperadamente. Si tiene efectivo adicional disponible, su empresa tiene la opción de aumentar su inventario centrándose en los artículos que impulsarán el mayor crecimiento mientras mantiene bajo control los riesgos de inventario.

Inyectando las restricciones de la cadena de suministro

Las empresas deben lidiar frecuentemente con restricciones de suministro, como cantidades mínimas de pedido, ya sea a nivel de SKU o a nivel de pedido. A veces, las unidades deben reunirse en grandes lotes, como contenedores. Tales restricciones se pueden integrar naturalmente en los procesos de flujo de trabajo a través de una lista maestra de prioridades de compra como se describe anteriormente; no solo proporciona sugerencias de compra priorizadas, sino que también proporciona recomendaciones compatibles con las restricciones de pedido.

El proceso exacto a seguir depende del tipo real de restricciones que pueda tener un negocio. Consideremos los envíos de contenedores, por ejemplo. Lokad puede calcular los volúmenes acumulativos por proveedor, suponiendo que las líneas de compra se procesan en el orden de la lista y suponiendo que cada proveedor está enviando de manera independiente del otro. En función de estos volúmenes acumulativos, el proceso de seguir la lista hasta que se alcance la capacidad del contenedor objetivo es muy sencillo. De manera similar, si existe una restricción de cantidad mínima de pedido para un SKU determinado, en este caso también es fácil eliminar de la lista todas las líneas que vienen antes de que se cumpla la restricción y reportar las cantidades directamente a la primera línea una vez que se satisface la restricción.

choix
Al obligar a que la compra se establezca en un mínimo de N unidades, se degrada la competitividad del SKU, es decir, el SKU aparece primero en la lista en un rango más bajo, que es exactamente el comportamiento deseado ya que los riesgos de inventario aumentan con las cantidades mínimas de pedido. En particular, este enfoque aborda por completo los desafíos de larga data que tuvieron consecuencias negativas tanto en las previsiones clásicas como en las de cuantiles: ¿qué se debe hacer cuando las cantidades de reorden sugeridas están por encima o por debajo de las restricciones de pedido? Si se deben eliminar algunas unidades, ¿qué productos deben ser los primeros en irse? Si se deben agregar unidades, ¿qué productos deben comprarse en mayores cantidades? Los métodos de pronóstico antiguos no proporcionaban respuestas satisfactorias a estas preguntas. Con una lista de compra prioritaria, solo es necesario seguir el orden de la lista.