Peculiaridades en los pronósticos cuantílicos

Peculiaridades en los pronósticos cuantílicos


Inicio » Recursos » Aquí

Actualización de mayo de 2016: La mayoría de las peculiaridades que existen en la tecnología de pronóstico cuantílico de Lokad se abordan en nuestros pronósticos probabilísticos, que representan la cuarta generación de nuestra tecnología de pronóstico. En particular, los cruces cuantílicos y las inestabilidades cuantílicas se eliminan desde el diseño. Vea también el artículo sobre el diseño de una lista de prioridad de compra con pronósticos probabilísticos.

Los pronósticos cuantílicos son invaluables cuando se trata de optimizar el inventario; sin embargo, existe un pequeño porcentaje de valores cuantílicos producidos por Lokad que pueden parecer sorprendentes. En esta página, proporcionamos algunos conceptos claves con respecto al mecanismo subyacente que genera estas peculiaridades, y sobre lo que debería hacerse al respecto.


Una selección de una librería de modelos

Nuestro motor de pronóstico está diseñado como una librería de modelos de pronóstico que compiten entre sí para entregar los pronósticos más precisos. La estructura completa se describe en nuestra página de motor de pronóstico. El proceso competitivo que selecciona los modelos más precisos (1) se denomina selección. Y esta selección se vale de un proceso de análisis retrospectivo exhaustivo en el que cada modelo se mide con varios sets de datos truncados.

La estructura es potente por las siguientes razones:
  • Permite generar pronósticos mucho más precisos que con los métodos de un solo modelo.
  • No hace muchas suposiciones a priori acerca de la naturaleza de la demanda.
  • Es resilente contra el sobreajuste y otras clases de sesgo sistemático.

Sin embargo, este mismo proceso puede generar comportamientos contraintuitivos.

Inestabilidad cuantílica

Al seleccionar modelos de pronóstico, los más precisos generalmente expresan comportamientos muy similares. Por lo tanto, el segundo mejor modelo del Día 1 puede convertirse en el mejor modelo del Día 2, pero generalmente el cambio resultante en los valores de pronóstico es imperceptible desde una perspectiva práctica.

Sin embargo, algunas pocas veces, el mejor modelo y el segundo mejor modelo pueden comportarse en modo muy distinto. Por ejemplo, el modelo A puede ser muy bueno para capturar la estacionalidad, pero no tanto para detectar la tendencia, mientras que el modelo B puede ser muy bueno para detectar la tendencia, pero no tanto la estacionalidad. En estas situaciones, los dos mejores modelos, A y B, pueden tener precisiones casi idénticas en conjunto pero presentar no obstante pronósticos muy diferentes cuando se observan en un determinado punto en el tiempo.

En la práctica, sin embargo, si bien las situaciones de este tipo son poco frecuentes, se pueden observar con casi cualquier set de datos de dimensiones significativas. De hecho, cualquier set de datos de más de 100 artículos podrá disparar una situación de este tipo para al menos uno de los artículos, y la probabilidad aumenta si la demanda histórica es errática o escasa.

Lo que acabamos de describir es lo que de hecho sucede tras las bambalinas de Lokad. La mayor parte del tiempo, usted ni siquiera lo notará. No obstante, podrá observar una situación de este tipo si realiza dos ejecuciones en Lokad con sets de datos similares pero levemente diferentes. Por ejemplo, imaginemos que ha generado sus pronósticos el lunes sobre la base de un set de datos A que incluyó todas sus ventas hasta el domingo. Luego, por alguna razón, tal vez porque se había olvidado de incluir algunos artículos nuevos, el miércoles decide generar nuevamente sus pronósticos, esta vez con el set de datos B, que incluye todas sus ventas hasta el martes. Desde su perspectiva, los sets de datos son muy similares, ya que hay solo una diferencia de dos días, y cree que los pronósticos serán exactamente iguales. Y, sin embargo, podrá observar algunas diferencias, algunas de las cuales serán significativas. Este es un caso muy ilustrativo de inestabilidad cuantílica: durante el proceso de selección, los 2 días de datos que se agregaron simplemente inclinaron la balanza de un modelo matemático a otro con resultados muy cercanos en términos de rendimiento general. La precisión general que obtendrá será levemente mejor, pero, individualmente, los pronósticos podrán no estar organizados del mismo modo, lo que puede llevar a lo que se puede identificar como peculiaridades puntuales.

Cruce cuantílico

De modo similar, cuando se aumenta el nivel de servicio, se espera que también aumente el punto de reorden; y, de hecho, este patrón generalmente se verifica cuando se experimenta con Lokad. Sin embargo, en la misma clase de situación que se describió más arriba, al realizar dos ejecuciones en Lokad, esta vez con sets de datos similares, pero con niveles de servicio levemente diferentes (digamos, cambiando de 97 a 98%), es posible observar que, para unos pocos artículos, el aumento del nivel de servicio lleva a una disminución del punto de reorden cuando se comparan los resultados de ambas ejecuciones. Por supuesto, desde el punto de vista del usuario, este patrón parece equivocado.

Con lo que nos encontramos aquí es en realidad un problema conocido desde hace décadas en estadística como cruce cuantílico.

Una vez más, el cruce cuantílico tiene lugar en Lokad como consecuencia de nuestro proceso de selección. Cada uno de nuestros modelos de pronóstico cuantílico es consistente: al aumentar el factor Tau (nivel de servicio), aumenta el valor cuantílico (punto de reorden). Sin embargo, si el proceso de selección elige otro modelo con una precisión general que es levemente superior a la inicial, pero que se comporta de modo muy diferente, se produce un salto en la serie de valores cuantílicos y observamos un cruce cuantílico. Debe tener en cuenta que la precisión general de los pronósticos no se deteriora en esos casos; el mejor modelo se elige para el nivel de servicio específico que usted decidió como objetivo.

En la práctica, reiteramos, esta situación es tan infrecuente como, paradójicamente, observable en cualquier set de datos de dimensión considerable. Es preciso señalar que los altos niveles de servicio también aumentan la frecuencia del cruce cuantílico debido a que los valores de pronóstico son menos estables. De hecho, es más difícil evaluar el primer 1% de demanda extrema (99% de nivel servicio) que evaluar el primer 10% de demanda extrema (90% de nivel de servicio). Se produce un fuerte efecto de apalancamiento, por lo que la gama de modelos matemáticos utilizados para generar pronósticos para un nivel de servicio del 98% generalmente no es la misma que la utilizada para un nivel de servicio del 96 o del 97%.

Colapso cuantílico

El problema del colapso cuantílico representa un variante más extrema del cruce cuantílico. Si los niveles de servicio se aumentan constantemente hacia valores extremos, en algún momento, no solo algunos sino la mayoría de los pronósticos cuantílicos comenzarán a reducirse. Por esta razón, al aumentar el nivel de servicio, es posible acabar con cantidades de inventario sugeridas que serán casi uniformemente menores que las anteriores, A este fenómeno altamente contraintuitivo le llamamos colapso cuantílico.

Para que se verifique un colapso cuantílico, se tienen que usar niveles de servicio irracionales. Así, si se enfrenta a la situación que se detalla en esta sección, le recomendamos vivamente que vuelva a visitar nuestra página sobre la elección de sus niveles de servicio, ya que ceñirse a nuestras directrices lo ayudará a abordar el problema directamente.

La causa del colapso cuantílico es una conocida debilidad de nuestra tecnología de pronóstico. Para explicarlo en pocas palabras, el uso de niveles de servicio extremos, como 99 % —o incluso 97 %, si los datos son escasos—, degrada la capacidad de nuestro motor de pronóstico para distinguir entre modelos de pronóstico buenos y modelos de pronóstico mejores. De hecho, con valores de nivel de servicio tan elevados, todos los modelos de pronóstico sobrestiman la demanda, y lo hacen adrede. Como resultado, la selección del modelo tiende a retroceder hacia el comportamiento "promedio" entre nuestros modelos de pronóstico, lo que tiene como resultado la posibilidad de un colapso en el que las cantidades pronosticadas disminuyen al tiempo que el nivel de servicio aumenta.

Si bien abordar el problema del colapso cuantílico es ciertamente interesante desde un punto de vista teórico, en la práctica, esto sucede solo con niveles de servicio que exceden ampliamente los niveles de inventario sostenibles en el comercio. Si bien la elaboración de mejores pronósticos es la principal misión para Lokad, nuestros esfuerzos se concentran en escenarios que realmente importan para las empresas; por lo tanto, no tenemos planificado mitigar los colapsos cuantílicos en el corto plazo.

Tratamiento de estas peculiaridades numéricas

Tanto la inestabilidad cuantílica como el cruce cuantílico reflejan un tipo de imperfección inherente a las tecnologías de pronóstico basadas en la estadística. Sin embargo, es importante ver que realizar un ajuste rápido de estas imperfecciones empeoraría la situación.

Es posible forzar la consistencia del valor del pronóstico manualmente para que no cambie más de un X%. También es posible cambiar manualmente el valor de pronóstico para hacer que aumente siempre que el nivel de servicio aumente.

Sin embargo, en ambos casos, acabamos favoreciendo un valor de pronóstico con respecto a otro sin ninguna justificación estadística para hacerlo: al considerar un solo pronóstico, o un par de pronósticos, el valor resultante podrá parecer más consistente, pero en conjunto no es más preciso y, por lo tanto, no es más rentable para la actividad que se basa en este valor.

Como resultado, recomendamos utilizar los valores cuantílicos como se entregan. No intente corregir manualmente un reporte agregando un valor que proviene de otro y que parece tener más sentido, porque, generalmente, no hay modo de saber cuál de los dos valores es el "mejor". Confíe en la coherencia general de un solo reporte.

Al final, tal vez haya una ganancia visible en hacer un seguimiento de esas peculiaridades, pero lo visible no siempre es lo importante. Desde la perspectiva de Lokad, hay categorías enteras de mejoras que podrían implementarse en nuestra tecnología y que traerían beneficios mucho mayores. Desde el punto de vista del comerciante, invertir más esfuerzos en establecer tiempos de entrega más precisos y niveles de servicio objetivo más adecuados genera beneficios mucho mayores que buscar el subporciento de precisión adicional que podría ganar mitigando tanto la inestabilidad como el cruce cuantílicos.

La tecnología de pronóstico de Lokad es una obra en constante construcción. Hemos asumido el compromiso de entregar los mejores pronósticos del mercado, y seguiremos trabajando en esos infrecuentes comportamientos irregulares descritos anteriormente.

(1) De algún modo, aquí estamos sobresimplificando el proceso de selección real. El motor de pronóstico real aprovecha una combinación convexa de los modelos ganadores. Sin embargo, por cuestiones de claridad, es más sencillo pensar el proceso de selección como la elección de un solo modelo ganador.