Forecast Probabilístico (2016)


Abrazando la incertidumbre
En nuestra experiencia, ninguna cantidad de ajuste fino de los modelos de forecasting existentes, y ninguna cantidad de I+D para desarrollar mejores modelos - en el sentido tradicional - puede solucionar este problema. Métodos como el análisis de stock de seguridad se supone que manejan la incertidumbre, pero en la práctica, el análisis de stock de seguridad es simplemente una idea tardía. En la gestión de la cadena de suministro, los costos son impulsados por eventos extremos: es la demanda sorprendentemente alta la que genera faltantes de stock y frustración del cliente, y la demanda sorprendentemente baja la que genera inventario muerto y, en consecuencia, costosas cancelaciones de inventario. Como todos los ejecutivos saben, las empresas deberían esperar lo mejor, pero prepararse para lo peor. Cuando la demanda está exactamente donde se esperaba que estuviera, todo va bien. Sin embargo, el desafío empresarial central del forecasting no es hacerlo bien en los casos fáciles, donde todo irá bien incluso considerando un promedio móvil crudo. El desafío central es manejar los casos difíciles; aquellos que interrumpen su cadena de suministro y vuelven locos a todos.

Estas previsiones probabilísticas proporcionan una forma completamente nueva de mirar hacia el futuro. En lugar de estar atrapado en una perspectiva de pensamiento ilusorio, donde se espera que las cifras de la previsión se materialicen, las previsiones probabilísticas le recuerdan que todo siempre es posible, pero no igualmente probable. Por lo tanto, cuando se trata de prepararse para lo peor, las previsiones probabilísticas proporcionan una forma poderosa de equilibrar cuantitativamente los riesgos (mientras que las previsiones tradicionales siguen siendo ciegas a estos últimos).
Mientras que el análisis de riesgos tiende a ser una idea tardía en los enfoques de previsión tradicionales, Lokad está llevando el caso al frente y al centro con las previsiones probabilísticas.
Desde la perspectiva de un profesional
Las previsiones probabilísticas pueden sonar muy intimidantes y técnicas. Sin embargo, lo más probable es que, si eres un profesional de la cadena de suministro, ya hayas estado haciendo previsiones probabilísticas “intuitivas” durante años: piensa en todas las situaciones en las que tus previsiones básicas tuvieron que ser revisadas al alza o a la baja, porque los riesgos eran demasiado grandes… Esto es exactamente de lo que se tratan las previsiones probabilísticas: equilibrar adecuadamente las decisiones del mundo real cuando se enfrentan a un futuro incierto. Mientras que el análisis de riesgos tiende a ser una idea tardía en los enfoques de previsión tradicionales, Lokad está llevando el caso al frente y al centro con las previsiones probabilísticas.
La salida de datos del motor de previsión probabilística son distribuciones de probabilidades. Desde una perspectiva práctica, aunque esta información es extremadamente rica (¡es, después de todo, un vistazo a muchos futuros posibles!), también es bastante impráctica de usar en su forma cruda. Como resultado, Lokad proporciona una plataforma completa, todas las herramientas necesarias y el soporte del equipo, para permitir que su empresa convierta estas probabilidades en decisiones comerciales, como cantidades de reorden.

La aplicación web de Lokad cuenta con capacidades de procesamiento de Big Data, y le permite crear la lógica empresarial necesaria que convierte estas previsiones en decisiones, que están específicamente adaptadas a su negocio. Estas decisiones se pueden ajustar para adaptarse a sus restricciones particulares de la cadena de suministro, como los MOQ (cantidades mínimas de pedido), por ejemplo, sus impulsores económicos, como los riesgos asociados con la expiración de la vida útil, y sus procesos, como los pedidos de compra diarios que se deben hacer antes de las 8 a.m. todos los días.
Robotización a través del aprendizaje automático
La gestión de la cadena de suministro a menudo implica muchos productos movidos a través de muchas ubicaciones. Las soluciones de previsión tradicionales tienden a depender en gran medida de ajustes bastante manuales cada vez que se involucran patrones estadísticos avanzados, como nuevos productos o efectos del ciclo de vida del producto. Sin embargo, en Lokad, nuestra experiencia indica que si una solución de previsión requiere ajuste fino no hay fin a ello: no importa cuántas semanas o meses de mano de obra se dediquen a hacer que la solución funcione, hay una necesidad constante de más ajuste fino, simplemente porque hay demasiados productos, demasiadas ubicaciones y el negocio sigue cambiando.
Por lo tanto, en Lokad, hemos decidido optar por una robotización completa del proceso de previsión. Esto significa que
- no se requiere conocimiento estadístico para obtener previsiones
- no se espera que se proporcione ajuste fino para ajustar las previsiones
- no se requiere mantenimiento para mantener las previsiones alineadas con su negocio

Como pequeña desventaja, estos algoritmos consumen mucho más energía de procesamiento que sus contrapartes tradicionales. Sin embargo, este desafío se aborda a través de la computación en la nube que mantiene el motor de previsión funcionando sin problemas, sin importar la cantidad de datos involucrados.
El origen de nuestras previsiones probabilísticas
Lokad no inventó la previsión probabilística, otros matemáticos lo hicieron, principalmente usando el concepto para abordar un conjunto muy diferente de problemas como la previsión de precios de las existencias de materias primas o la previsión del tiempo. Además, Lokad no utilizó la previsión probabilística desde el principio; pasamos por la previsión clásica (2008), la previsión de cuantiles (2012) y las cuadrículas de cuantiles (2015)

antes de esto. Como resultado, las previsiones probabilísticas son en realidad la cuarta generación de nuestra tecnología de previsión. A partir de la experiencia adquirida en las iteraciones anteriores de esta tecnología, hemos adquirido una cantidad considerable de conocimientos sobre cómo diseñar un motor de previsión adecuado para cubrir una amplia gama de situaciones empresariales.
La idea misma de estimar probabilidades en lugar de un promedio provino de nuestros primeros años cuando todavía estábamos tratando de hacer que el enfoque clásico funcionara. Nos llevó bastante fracasos darse cuenta de que el enfoque clásico era intrínsecamente defectuoso, y que ninguna cantidad de I+D podría arreglar un marco estadístico roto. El marco estadístico en sí mismo tenía que ser arreglado en primer lugar para que el modelo de previsión funcionara.
Además, cada iteración de nuestro motor de previsión ha sido una generalización - desde una perspectiva matemática - de la versión anterior, con cada nueva generación de nuestro motor de previsión siendo capaz de manejar más situaciones que la anterior. De hecho, es mejor estar aproximadamente correcto que exactamente equivocado. Las situaciones más difíciles se encuentran cuando el motor de previsión no puede generar previsiones que serían las más apropiadas para adaptarse a una determinada situación empresarial porque el motor no es lo suficientemente expresivo. O cuando el motor de previsión no puede procesar los datos de entrada que serían realmente relevantes para obtener información estadística sobre cualquier situación dada porque, una vez más, el motor carece de expresividad. En Lokad, la previsión es un trabajo en progreso. Si bien estamos orgullosos de lo que hemos construido con nuestro motor de previsión probabilístico, esto no es el final de nuestros esfuerzos. A diferencia de las soluciones locales, donde la actualización a una nueva herramienta es un desafío en sí mismo, los clientes de Lokad se benefician de nuestro motor de previsión de próxima generación tan pronto como esté disponible.
Nuestras preguntas frecuentes de previsión
¿Qué modelos de previsión estás usando?
Estamos usando muchos modelos de previsión. La mayoría de los modelos que estamos utilizando hoy en día se considerarían algoritmos de aprendizaje automático. Estos modelos han sido desarrollados por Lokad y, por lo general, no tienen contrapartes nombradas en la literatura científica. Cuando comenzamos en 2008, habíamos vuelto a implementar todos los clásicos (Box-Jenkins, ARIMA, Holt-Winters, suavizado exponencial, etc.); pero estos modelos cayeron en desuso ya que simplemente no pueden competir con nuestros modelos más recientes.
¿Cómo eliges el (los) modelo(s) a utilizar?
Elegir el modelo correcto o la combinación convexa correcta de modelos es la mitad de la batalla cuando se trata de construir una buena previsión en primer lugar. Desde una perspectiva estadística, un sistema capaz de elegir siempre el modelo “mejor” sería estrictamente equivalente a un sistema que siempre elige las previsiones “perfectas”. En la práctica, nuestro motor de previsión depende en gran medida del análisis retrospectivo para seleccionar el mejor conjunto de modelos.
¿Maneja tu motor de previsión la estacionalidad, las tendencias, los días de la semana?
Sí, el motor de previsión maneja todas las ciclicidades comunes. Nuestros modelos también utilizan intensivamente un enfoque de series de tiempo múltiples para aprovechar las ciclicidades observadas en otros productos para mejorar la precisión de la previsión de cualquier producto dado. Naturalmente, dos productos pueden compartir la misma estacionalidad, pero no el mismo patrón de día de la semana. También tenemos modelos para manejar esto.
¿Qué datos necesitas?
Para prever la demanda, el motor de previsión necesita que se le proporcione, al menos, la demanda histórica diaria, y proporcionar un historial de pedidos desagregado es aún mejor. En cuanto a la longitud del historial se refiere, cuanto más largo sea, mejor. Si bien no se puede detectar ninguna estacionalidad con menos de 2 años de historia, consideramos que 3 años de historia son buenos y 5 años excelentes. Para prever los tiempos de entrega, el motor generalmente requiere que los pedidos de compra contengan tanto las fechas de pedido como las fechas de entrega. Especificar los atributos de su producto o SKU también ayuda a refinar considerablemente las previsiones. Además, proporcionar sus niveles de stock también es muy útil para nosotros para obtener un primer análisis de stock significativo para usted.
¿Puedes prever mi hoja de Excel?
Como regla general, si todos sus datos caben en una hoja de Excel, generalmente no podemos hacer mucho por usted; y para ser honesto, nadie puede hacerlo. Los datos de la hoja de cálculo probablemente se agregan por semana o por mes, y la mayor parte de la información histórica se pierde a través de dicha agregación. Además, en este caso, su hoja de cálculo tampoco va a contener mucha información sobre las categorías y jerarquías que se aplican a sus productos. Nuestro motor de previsión aprovecha todos los datos que tiene, y hacer una prueba en una muestra pequeña no va a dar resultados satisfactorios.
¿Qué pasa con los faltantes de stock y las promociones?
Tanto los faltantes de stock como las promociones representan sesgos en las ventas históricas. Dado que el objetivo es prever la demanda, y no las ventas, este sesgo debe tenerse en cuenta. Una forma frecuente, pero incorrecta, de tratar con estos eventos consiste en reescribir la historia, para llenar los vacíos y truncar los picos. Sin embargo, no nos gusta este enfoque, porque consiste en alimentar previsiones al motor de previsión, lo que puede resultar en importantes problemas de sobreajuste. En su lugar, nuestro motor admite nativamente “banderas” que indican dónde se ha censurado o inflado la demanda.
¿Puedes prever nuevos productos?
Sí, lo hacemos. Sin embargo, para prever nuevos productos, el motor requiere las fechas de lanzamiento de los otros productos “más antiguos”, así como su demanda histórica en el momento del lanzamiento. También se recomienda especificar algunas de sus categorías de productos y / o una jerarquía de productos. El motor de hecho prevé nuevos productos mediante la detección automática de los productos “más antiguos”, que se pueden considerar comparables a los nuevos. Sin embargo, como aún no se ha observado ninguna demanda para los nuevos artículos, las previsiones dependen completamente de los atributos que se les asocian.
¿Es posible ajustar las previsiones?
Casi una década de experiencia en previsión estadística nos ha enseñado muchas veces que ajustar las previsiones nunca es una buena idea. Si las previsiones necesitan ser ajustadas, entonces probablemente hay un error en el motor de previsión que debe ser corregido. Si no hay ningún error que corregir, y las previsiones se llevan a cabo tal como se esperaba desde una perspectiva estadística, entonces ajustarlas probablemente no es la respuesta correcta al problema. Por lo general, la necesidad de ajustar las previsiones refleja la necesidad de tener en cuenta un impulsor económico de algún tipo; que impacta el análisis de riesgo “encima” de la previsión, pero no la previsión en sí.
¿Tienes experiencia en mi vertical?
Tenemos experiencia en muchos verticales: moda, alimentos frescos, bienes de consumo, electrónica, piezas de repuesto, aeroespacial, fabricación ligera, fabricación pesada, etc. También manejamos diversos tipos de jugadores de la industria: negocios de comercio electrónico, mayoristas, importadores, fabricantes, distribuidores, cadenas minoristas, etc. La forma más fácil de estar seguro de que tenemos experiencia en su vertical es ponerse en contacto con nosotros directamente.
¿Usas datos externos para refinar las previsiones?
No. Si bien sus previsiones se benefician de todo el know-how y la sintonización general del sistema que hemos obtenido mientras trabajamos con otros clientes, sus previsiones no contienen ningún dato obtenido de fuentes de datos externas, ya sea de otros clientes de Lokad o de conjuntos de datos públicos. De manera similar, sus datos solo se utilizan para fines explícitamente asociados con su cuenta de empresa, y nada más.