Previsiones probabilísticas (2016)
Las previsiones probabilísticas representan una mejora significativa respecto a la generación anterior de tecnología de previsión de Lokad basada en cuadrículas de cuantiles. En comparación con los métodos clásicos de previsión, las previsiones probabilísticas constituyen un avance revolucionario que ofrece una precisión mucho mayor y se traduce, a su vez, en ganancias operativas en lo que respecta a supply chain, inventario o producción. Muchas empresas se sienten frustradas con las previsiones que siguen fallándoles. A Lokad le tomó años comprender plenamente la raíz del problema: se espera que los enfoques tradicionales de previsión produzcan cifras correctas. Naturalmente, el futuro es incierto y, cuando una determinada herramienta o solución no logra entregar las cifras correctas como se esperaba, los beneficios tampoco se materializan. En lugar de tener en cuenta un único futuro posible, las previsiones probabilísticas asignan una probabilidad a cada uno de los distintos resultados posibles.
En este episodio de LokadTV explicamos cómo las previsiones probabilísticas pueden mejorar el funcionamiento de la supply chain. Analizamos su precisión y sus límites, por qué el sector sigue tan apegado a las técnicas tradicionales y cómo podría evolucionar la previsión.
Aceptar la incertidumbre
Según nuestra experiencia, ni el ajuste de los modelos existentes ni la I+D destinada a mejorar los modelos tradicionales pueden resolver este problema, por mucho esfuerzo que se dedique. Métodos como el análisis del stock de seguridad deberían gestionar la incertidumbre, pero en la práctica la abordan como una consideración posterior. En la gestión de la supply chain, los costes dependen de los sucesos extremos: una demanda inesperadamente alta genera faltantes de stock y frustración del cliente; una demanda inesperadamente baja genera inventario inmovilizado y costosas pérdidas al darlo de baja. Como saben los directivos, conviene esperar lo mejor y prepararse para lo peor. Si la demanda coincide con lo previsto, todo marcha bien. El reto de la previsión no consiste en acertar en los casos fáciles, donde bastaría incluso una media móvil rudimentaria, sino en gestionar los difíciles: los que trastornan tu supply chain y vuelven locos a todos.
Lokad ha desarrollado una forma radicalmente nueva de abordar la previsión, a saber, las previsiones probabilísticas. Dicho de forma simple, una previsión probabilística de la demanda no se limita a ofrecer una estimación de la demanda, sino que evalúa las probabilidades de cada futuro posible. Se estima la probabilidad de 0 (cero) unidades de demanda, la probabilidad de 1 unidad de demanda, de 2 unidades de demanda, y así sucesivamente… Cada nivel de demanda recibe su probabilidad estimada hasta que estas se vuelven tan pequeñas que pueden ser ignoradas de forma segura.
Estas previsiones probabilísticas ofrecen una forma completamente nueva de mirar el futuro. En lugar de quedar atrapado en una perspectiva de pensamiento ilusorio, en la que se espera que las cifras de previsión se materialicen, las previsiones probabilísticas te recuerdan que todo es siempre posible, aunque no con igual probabilidad. Así, 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 permanecen ciegas a estos últimos).
Mientras los enfoques tradicionales dejan el análisis de riesgos para después, Lokad lo sitúa en el centro mediante las previsiones probabilísticas.
Desde la perspectiva de un profesional
Las previsiones probabilísticas pueden parecer intimidantes y muy técnicas. Sin embargo, si trabajas en supply chain, probablemente lleves años haciéndolas de forma intuitiva: piensa en las ocasiones en que revisaste una previsión al alza o a la baja porque los riesgos eran demasiado grandes. De eso se trata: de sopesar correctamente las decisiones reales ante un futuro incierto. Mientras los enfoques tradicionales dejan el análisis de riesgos para después, Lokad lo sitúa en el centro mediante las previsiones probabilísticas.
La salida de datos del motor de previsión probabilística consiste en distribuciones de probabilidades. Desde una perspectiva práctica, aunque esta información es extremadamente rica (¡es, después de todo, una visión de muchos futuros posibles!), también es bastante impráctica de utilizar en su forma bruta. Como resultado, Lokad proporciona una plataforma completa, todas las herramientas necesarias y soporte del equipo, para permitir que tu empresa transforme estas probabilidades en decisiones de negocio, tales como cantidades de reorden.
La aplicación web de Lokad procesa grandes volúmenes de datos y permite crear la lógica de negocio que transforma estas previsiones en decisiones a medida. Las decisiones pueden adaptarse a las restricciones de tu supply chain, como las cantidades mínimas de pedido (MOQ), a tus factores económicos, como el riesgo de caducidad, y a tus procesos, como los pedidos de compra que deben emitirse cada día antes de las 8 de la mañana.
Robotización mediante aprendizaje automático
La gestión de supply chain frecuentemente involucra muchos productos trasladados a través de muchas ubicaciones. Las soluciones tradicionales de previsión tienden a depender en gran medida de ajustes manuales cada vez que se presentan patrones estadísticos avanzados, tales 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 tiene fin: por mucho que se dediquen semanas o meses de trabajo para hacer funcionar la solución, siempre habrá 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 alguno para obtener previsiones
- no se espera proporcionar ajuste fino alguno para adaptar las previsiones
- no se requiere mantenimiento alguno para mantener las previsiones alineadas con tu negocio
Como pequeña desventaja, estos algoritmos tienden a consumir mucha más potencia de procesamiento que sus contrapartes tradicionales. Sin embargo, este desafío se resuelve mediante 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 la desarrollaron para problemas muy distintos, como prever los precios de las materias primas o el tiempo meteorológico. Tampoco la utilizamos desde el principio: antes pasamos por la previsión clásica (2008), la previsión por cuantiles (2012) y las cuadrículas de cuantiles (2015).
Las previsiones probabilísticas son, por tanto, la 4.ª generación de nuestra tecnología de previsión. La experiencia de las versiones anteriores nos ha aportado amplios conocimientos para diseñar un motor que cubra una gran variedad de situaciones de negocio.
La idea misma de estimar probabilidades en lugar de un promedio provino de nuestros primeros años cuando aún intentábamos hacer funcionar el enfoque clásico. Nos llevó bastantes fracasos darnos cuenta de que el enfoque clásico era intrínsecamente defectuoso, y que ninguna cantidad de I+D podría arreglar un marco estadístico roto. El propio marco estadístico tuvo que ser reparado 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, siendo cada nueva generación de nuestro motor de previsión capaz de manejar más situaciones que la anterior. De hecho, es mejor estar aproximadamente en lo correcto que estar exactamente equivocado. Las situaciones más difíciles se presentan cuando el motor de previsión no puede generar previsiones que sean las más adecuadas para adaptarse a una situación de negocio dada porque el motor no es lo suficientemente expresivo. O cuando el motor de previsión no puede procesar los datos de entrada que serían verdaderamente relevantes para obtener insights estadísticos 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 probabilística, este no es el fin de nuestros esfuerzos. A diferencia de las soluciones on-premise, donde actualizar 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.
Preguntas frecuentes sobre nuestras previsiones
¿Qué modelos de previsión utiliza Lokad?
Estamos utilizando muchos modelos de previsión. La mayoría de los modelos que estamos utilizando actualmente se considerarían algoritmos de machine learning. Estos modelos han sido desarrollados por Lokad, y normalmente no tienen contrapartes con nombre en la literatura científica. Cuando empezamos en 2008, habíamos reimplementado 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 eligen los modelos que se van a utilizar?
Seleccionar el modelo adecuado o la combinación convexa correcta de modelos es la mitad de la batalla a la hora de construir una buena previsión en primer lugar. Desde una perspectiva estadística, un sistema capaz de elegir siempre el modelo “óptimo” sería estrictamente equivalente a un sistema que siempre elige las previsiones “perfectas”. En la práctica, nuestro motor de previsión se basa en gran medida en el backtesting para seleccionar el mejor conjunto de modelos.
¿El motor contempla la estacionalidad, las tendencias y los días de la semana?
Sí, el motor de previsión maneja todas las ciclicidades comunes. Nuestros modelos también utilizan intensivamente un enfoque de series temporales múltiples para aprovechar las ciclicidades observadas en otros productos y de este modo mejorar la precisión de la previsión de cualquier producto dado. Naturalmente, dos productos pueden compartir la misma estacionalidad, pero no el mismo patrón de días de la semana. También contamos con modelos para manejar esto.
¿Qué datos necesitan?
Para prever la demanda, el motor de previsión necesita que se le proporcione -al menos- la demanda histórica diaria, y contar con un historial de pedidos desagregado es aún mejor. En cuanto a la duración del historial, cuanto más largo sea, mejor. Aunque no se puede detectar estacionalidad con menos de 2 años de historial, consideramos que 3 años de historial es bueno, y 5 años, excelente. Para prever los plazos de entrega, el motor generalmente requiere que las órdenes de compra contengan tanto las fechas de pedido como las fechas de entrega. Especificar los atributos de tu producto o SKU también ayuda a refinar considerablemente las previsiones. Además, proporcionarnos tus niveles de stock es de gran ayuda para realizar un primer análisis significativo de stock para ti.
¿Pueden generar previsiones a partir de mi hoja de Excel?
Como regla general, si todos tus datos caben en una sola hoja de Excel, generalmente no podemos hacer mucho por ti; y, para ser honesto, nadie puede. Los datos de las hojas de cálculo tienden a estar agregados por semana o por mes, y la mayor parte de la información histórica se pierde a causa de dicha agregación. Además, en este caso, tu hoja de cálculo tampoco contendrá mucha información sobre las categorías y las jerarquías que se aplican a tus productos. Nuestro motor de previsión aprovecha todos los datos que tienes, y realizar una prueba con una muestra pequeña no dará resultados satisfactorios.
¿Qué ocurre con los faltantes de stock y las promociones?
Los faltantes de stock y las promociones sesgan el historial de ventas. Como el objetivo es prever la demanda, no las ventas, hay que tener en cuenta ese sesgo. Una práctica frecuente, pero incorrecta, consiste en reescribir el historial para rellenar huecos y recortar picos. Rechazamos este enfoque porque introduce previsiones como datos de entrada al motor y puede provocar un sobreajuste considerable. Nuestro motor admite de forma nativa indicadores que señalan dónde la demanda ha sido censurada o aumentada.
¿Generan previsiones para productos nuevos?
Sí. Para ello, el motor necesita las fechas de lanzamiento de otros productos anteriores y su demanda histórica durante el lanzamiento. Conviene también proporcionar categorías de productos o una jerarquía de productos. El motor identifica automáticamente los productos anteriores comparables a los nuevos. Como todavía no se ha observado demanda para los artículos nuevos, las previsiones se basan enteramente en sus atributos.
¿Es posible ajustar las previsiones?
Casi una década de experiencia en previsión estadística nos ha enseñado repetidamente que ajustar las previsiones nunca es una buena idea. Si necesitan ajustes, probablemente haya un error en el motor que deba corregirse. Si no existe tal error y las previsiones funcionan como se espera desde el punto de vista estadístico, ajustarlas será probablemente una respuesta equivocada. Esa necesidad suele reflejar un factor económico que debe incorporarse al análisis de riesgos basado en la previsión, sin modificar la propia previsión.
¿Tienen experiencia en mi sector?
Tenemos experiencia con muchos sectores: moda, alimentos frescos, bienes de consumo, electrónica, repuestos, aeroespacial, fabricación ligera, fabricación pesada, etc. También atendemos a diversos tipos de actores de la industria: e-commerce, mayoristas, importadores, fabricantes, distribuidores, cadenas de retail, etc. La manera más sencilla de asegurarte de que tenemos experiencia en tu sector es ponerte en contacto con nosotros directamente.
¿Utilizan datos externos para perfeccionar las previsiones?
No. Aunque tus previsiones se benefician de todo el know-how y del ajuste general del sistema que hemos ganado trabajando con otros clientes, tus previsiones no contienen ningún dato obtenido de fuentes de datos externas, ni de otros clientes de Lokad ni de conjuntos de datos públicos. Del mismo modo, tus datos solo se utilizan para los fines explícitamente asociados a la cuenta de tu empresa, y nada más.