Impulsores Económicos

Desde la perspectiva de Supply Chain Quantitativa, los impulsores económicos representan la cuantificación financiera de los resultados positivos y negativos de la decisión de supply chain. Los impulsores económicos transforman los desafíos de supply chain optimization en problemas de optimización manejables ; donde la métrica de optimización resulta ser financiera. A través de la cuantificación de los impulsores económicos, se vuelve posible evaluar los dólares de error asociados con decisiones imperfectas, originalmente basadas en datos imperfectos como los demand forecasts. Esos impulsores económicos se introducen como un contrapunto a las métricas genéricas, ajenas a los negocios, que siguen siendo ampliamente utilizadas, como MAPE (mean absolute percentage error). Esas métricas ajenas a los negocios son frecuentemente perjudiciales, porque “visten” los problemas de supply chain como problemas de optimización numérica, mientras se basan en criterios de optimización en gran medida arbitrarios.

Los forecasts estadísticos son miopes

Las herramientas y métodos de demand forecasting tienen un objetivo claro: calcular forecasts más precisos.

Puede parecer contraproducente, pero los forecasts estadísticos están fundamentalmente impulsados por la métrica de error elegida. Elegir el MSE (mean square error) en lugar del MAE (mean absolute error) tiene consecuencias drásticas sobre la precisión de un modelo dado. A primera vista, podría parecer que la métrica de error tiene poco impacto. Después de todo, un modelo de forecasting produce el mismo demand forecast sin importar qué métrica se use posteriormente para evaluar su resultado. Sin embargo, cualquier empresa que se apoye en forecasting estadístico se considera que toma decisiones – frecuentemente decisiones implícitas – sobre qué modelos de forecasting se utilizan; y en cuanto se introducen medidas de precisión, la empresa comienza a favorecer los modelos que se comportan mejor en relación con las métricas mencionadas anteriormente.

Las métricas estadísticas genéricas (ex: MAPE, MAE, MSE, etc.) no tienen afinidad comercial. Dicho de manera sencilla, estas métricas hacen énfasis en los porcentajes de error en lugar de en los dólares de error. Aunque minimizar los porcentajes de error puede ser algo bueno, lamentablemente existen demasiados contraejemplos a esto. Las métricas estadísticas no proporcionan ningún tipo de garantía de que el resultado financiero de una decisión derivada de un forecast vaya a ser óptimo, o incluso rentable. A veces, los impulsores económicos resultan estar solo tenuemente correlacionados con las métricas estadísticas genéricas, pero esto ocurre por “casualidad”, y depender de la casualidad no es una metodología adecuada para la optimización de supply chain. En la práctica, este problema se amplifica típicamente por la naturaleza contraintuitiva de la mayoría de las situaciones en las que las métricas puramente estadísticas divergen de las métricas de desempeño comercial.

Ejemplo: Consideremos un producto que se vende en una tienda con un promedio de solo 1 unidad vendida por semana, con un lead time de 1 día (reposición diaria). El mejor forecast de demanda mediana para este producto para cualquier día es cero unidades. Un forecast promedio podría haber producido una cantidad fraccionaria de 1/7, pero el forecast mediano simplemente indica cero. Mientras que la demanda de 1 día a cubrir está muy cerca de cero, el stock real que necesita mantenerse para atender adecuadamente a los clientes es probablemente mucho mayor; es probable que se requieran 2 o 3 unidades para cumplir con las expectativas de los clientes en términos de la calidad del servicio. El problema aquí no es que el forecast sea inexacto, porque si la demanda es estacionaria y verdaderamente aleatoria, entonces los forecasts que acabamos de mencionar son perfectamente precisos desde una perspectiva estadística. El problema es que se han ignorado los impulsores específicos del negocio.

Desacoplar el forecasting de la optimización de supply chain

Los impulsores económicos representan un desglose específico de los desafíos de la optimización de supply chain, donde los aspectos específicos del negocio – es decir, los impulsores económicos – se separan de los aspectos ajenos al negocio – es decir, de los forecasts puramente estadísticos. En esta sección, repasamos brevemente los beneficios de esta división, así como sus limitaciones.

En lo que respecta a la optimización numérica, existe un principio general que establece que siempre es preferible optimizar el problema en su totalidad, en lugar de optimizar partes del problema de forma aislada. Sin embargo, este punto solo se mantiene cierto mientras que abordar el desafío de optimización desde una perspectiva monolítica siga siendo técnicamente factible. No obstante, la mayor parte de la literatura de supply chain – incluido este libro – tiende a coincidir en que la demand forecasting es una tarea compleja que combina estadística, algoritmos, ingeniería de software, y posiblemente computación distribuida cuando se involucra una plataforma de computación en la nube. Por lo tanto, aislar el aspecto de demand forecasting del desafío ofrece la posibilidad de entregar forecasts de demanda avanzados, sin sobrecargar la tecnología con una miríada de consideraciones específicas del dominio.

Del mismo modo, se obtiene una ventaja similar al aislar la lógica de optimización de supply chain de la lógica de demand forecasting, ya que la optimización de supply chain permanece “protegida” de las tecnicidades involucradas en el demand forecasting. Esto hace posible profundizar mucho más en los detalles más finos de los impulsores económicos: límites en el espacio de almacenamiento, descuentos por volumen, costes variables de faltante de stock, costes variables de obsolescencia, etc. Tener una comprensión más detallada de los impulsores económicos genera mejores decisiones, que están más alineadas con los riesgos y oportunidades de una empresa.

Ejemplo: Consideremos una empresa que tiene dos almacenes y suministra exactamente las mismas piezas desde ambos almacenes. Los dos almacenes están ubicados cerca, pero por costumbre, todos los clientes tienden a siempre pedir las piezas que necesitan del mismo almacén. Cuando una pieza ya no está disponible en este almacén específico, el personal del almacén llama al otro almacén para investigar la disponibilidad de la pieza allí, y si la pieza está disponible, se envía al almacén que se ha quedado con faltante de stock.

Un caso a favor del forecast probabilístico

Como hemos visto en la sección anterior, separar el demand forecasting de la optimización del negocio ofrece la posibilidad de ejecutar una estrategia de optimización de supply chain que aprovecha tanto análisis avanzados de forecasting como una visión detallada del propio negocio. Sin embargo, cabe señalar que al producir forecasts de demanda, el motor de forecasting no sabe nada acerca de los factores específicos del negocio que son relevantes desde la perspectiva de la optimización de supply chain. No obstante, los escenarios de negocio que tienen el mayor impacto financiero suelen ser los escenarios extremos – “extremos” desde una perspectiva estadística. Por ejemplo, es la demanda inesperadamente alta la que usualmente causa faltante de stock, mientras que es la demanda inesperadamente baja la que usualmente provoca la baja del inventario.

Las herramientas clásicas de forecasting ponen gran énfasis en los forecasts promedio o medianos; esto pierde completamente el punto de vista desde la perspectiva del negocio. No importa cuán preciso sea este tipo de forecast, si el escenario de negocio de interés se encuentra en el extremo estadístico, entonces la herramienta de forecasting no logrará proporcionar la proyección estadística relevante para evaluar cuantitativamente el probable resultado financiero del escenario de negocio. En contraste, las herramientas de forecast probabilístico evalúan las respectivas probabilidades para todos los posibles niveles de demanda, lo que a su vez, ofrece la posibilidad de evaluar todos los posibles escenarios de negocio.

No es sorprendente que los forecasts probabilísticos requieran muchos más recursos de cómputo que sus contrapartes clásicas de un único valor, porque, de alguna manera, los forecasts probabilísticos están “forzando a la bruta” el desafío del forecasting. Dado que el motor de forecasting no conoce los escenarios de negocio relevantes que deben tenerse en cuenta, simplemente produce una respuesta estadística de gran alcance que (aproximadamente) cubre todos los posibles escenarios. En la práctica, gracias a la capacidad de acceder a vastos recursos de cómputo a muy bajos precios a través de plataformas de computación en la nube, los mayores requerimientos de cómputo necesarios para generar forecasts probabilísticos son en su mayoría un problema menor, siempre que la tecnología adecuada esté disponible.

Una breve revisión de los impulsores económicos comunes

Los impulsores económicos definen los resultados positivos y negativos de una decisión de supply chain. El cálculo de estos resultados requiere la observación real de la demanda aún por observar, pero si se dispone de un forecast de demanda, los resultados pueden ser simulados a su vez. Los impulsores económicos están destinados a cubrir todas las ramificaciones comerciales que resultan de una decisión, y no meramente los resultados financieros a corto plazo. En la práctica, establecer los impulsores económicos es frecuentemente similar a realizar cálculos aproximados que tienen en cuenta varios escenarios de negocio.

Una de las decisiones de supply chain más comunes consiste en pedir una unidad más de un artículo. Si hay demanda inmediata para la unidad ordenada, la empresa atenderá la unidad con beneficio. Esto representa la ganancia asociada a la decisión de pedido. Si no hay demanda inmediata para el artículo, la empresa tendrá que incurrir en los costes de mantenimiento de inventario de almacenar esta unidad extra. Esto representa el costo asociado a la decisión de pedido. Establecer los impulsores económicos para una decisión de pedido consiste en anotar tanto las ganancias resultantes como los costos resultantes de la decisión para un determinado escenario de demanda.

Además de ganancias y costos, las restricciones también configuran el rango de decisiones de supply chain aceptables:

Capacidad de almacenamiento : Las tiendas y almacenes tienen capacidades máximas, impidiendo cualquier pedido adicional que exceda cierta cantidad de stock.
MOQs : Los proveedores solo aceptan pedidos que superen las cantidades mínimas de pedido, expresadas, por ejemplo, en número de unidades o monto ordenado. Esos MOQs también pueden interpretarse y modelarse como costes fijos en las órdenes de compra a proveedores.
Costos de capital : La empresa tiene acceso limitado a liquidez, y por tanto necesita limitar su asignación de capital en inventario. Obtener más capital puede consumir mucho tiempo para la dirección de la empresa, y puede no estar alineado con sus orientaciones estratégicas.
Capacidad de transporte : Al importar mercancías del extranjero, los pedidos pueden tener que dimensionarse adecuadamente para que quepan exactamente en un contenedor. Los contenedores tienen tanto un peso máximo como un volumen máximo. Los contenedores también pueden interpretarse como una forma de coste fijo en las órdenes de compra.

Los impulsores económicos deben tener en cuenta todas las restricciones mencionadas anteriormente, y muchas más en la práctica. Si no se consideran las restricciones, entonces el sistema que combina los forecasts de demanda con los impulsores económicos probablemente sugeriría decisiones que en realidad no podrían ejecutarse, como intentar llenar un almacén más allá de su capacidad de almacenamiento.

La perspectiva de Lokad sobre los impulsores económicos

Lokad ofrece un motor de forecast probabilístico. Aunque los datos deben ser debidamente calificados y sanitizados antes de ser inyectados en el motor de forecasting, nuestro motor de forecasting permitirá entonces automatizar la operación de forecasting estadístico en su totalidad sin necesidad de configuración estadística. El motor de forecasting de Lokad funciona de inmediato para numerosos sectores (comercio, manufactura, aeroespacial …).

Sin embargo, los impulsores económicos son increíblemente diversos. Para gestionar tal diversidad, Lokad ha introducido Envision, un lenguaje de programación específico del dominio dedicado a la optimización de supply chain. El resultado visible de Envision consiste en producir dashboards, sin embargo, la función principal de Envision es incorporar los impulsores económicos en los forecasts mediante scripts, de modo que se puedan calcular automáticamente decisiones optimizadas – por ejemplo, las cantidades a reordenar hoy.

La combinación adecuada de los impulsores económicos y los forecasts probabilísticos requiere políticas que puedan aprovechar esos datos. Por ejemplo, la política de pedido priorizado es particularmente adecuada para proporcionar las cantidades a ordenar que equilibren por completo los riesgos de inventario del negocio con los forecasts de demanda.

En la práctica, revisar y formalizar los impulsores económicos, combinarlos con forecasts probabilísticos, calificar y sanitizar datos históricos, y generar decisiones optimizadas que se ajusten al conjunto exacto de restricciones comerciales aplicables; todas estas tareas son realizadas por el equipo de Lokad mediante una suscripción mensual a un servicio de optimización de inventario.