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, comprendemos cómo las previsiones probabilísticas pueden utilizarse para mejorar el funcionamiento de las supply chain. Discutimos la precisión y las limitaciones, y debatimos por qué la industria sigue tan apegada a técnicas más tradicionales y cómo es probable que luzca el futuro de la previsión.
Abrazando la incertidumbre
Según nuestra experiencia, ninguna cantidad de ajuste fino a los modelos de previsión existentes, ni ninguna cantidad de I+D para desarrollar mejores modelos - en el sentido tradicional - puede solucionar este problema. Métodos como el análisis de safety stock están diseñados para gestionar la incertidumbre, pero en la práctica, el análisis de safety stock es meramente una ocurrencia tardía. En la gestión de supply chain, los costes están determinados por eventos extremos: es la demanda sorprendentemente alta la que genera faltante de stock y la frustración del cliente, y la demanda sorprendentemente baja la que genera inventario muerto y, en consecuencia, costosos castigos contables de inventario. Como todos los ejecutivos saben, los negocios deben esperar lo mejor, pero prepararse para lo peor. Cuando la demanda es exactamente la que se esperaba, todo marcha sin problemas. Sin embargo, el principal desafío en el negocio de la previsión no es hacerlo bien en los casos fáciles, donde todo iría bien incluso considerando una rudimentaria media móvil. El desafío principal es gestionar los casos difíciles; aquellos que interrumpen 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).
Aunque el análisis de riesgos suele ser una ocurrencia tardía en los enfoques tradicionales de previsión, Lokad sitúa el caso en el centro con las previsiones probabilísticas.
Desde la perspectiva de un profesional
Las previsiones probabilísticas pueden sonar muy intimidantes y técnicas. Sin embargo, lo cierto es que, si eres un supply chain practitioner, ya llevas años haciendo previsión probabilística “intuitiva”: piensa en todas aquellas situaciones en las que tus previsiones básicas tuvieron que ser revisadas al alza o a la baja, porque los riesgos eran simplemente demasiado grandes… De esto se tratan exactamente las previsiones probabilísticas: de equilibrar adecuadamente las decisiones en el mundo real cuando se enfrenta a un futuro incierto. Aunque el análisis de riesgos tiende a ser una ocurrencia tardía en los enfoques tradicionales de previsión, Lokad sitúa el caso en el centro con 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 cuenta con capacidades de procesamiento de Big Data, y te permite crear la lógica de negocio necesaria que transforma estas previsiones en decisiones, las cuales están específicamente hechas a la medida para tu negocio. Estas decisiones pueden ajustarse para adaptarse a las restricciones particulares de tu supply chain, tales como las MOQs (cantidades mínimas de pedido) por ejemplo, tus impulsores económicos, como los riesgos asociados con la caducidad, y tus procesos, como las órdenes de compra diarias que deben realizarse antes de las 8am cada día.
Robotización a través de machine learning
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, sino que lo hicieron otros matemáticos, en su mayoría utilizando el concepto para abordar un conjunto de problemas muy diferente, como la previsión de precios de commodities 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)
previo a esto. Como resultado, las previsiones probabilísticas son en realidad la cuarta generación de nuestra tecnología de previsión. A partir de la experiencia obtenida en las iteraciones anteriores de esta tecnología, hemos acumulado un considerable know-how a la hora de diseñar un motor de previsión adecuado para cubrir una amplia gama 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.
Nuestras FAQs de previsión
¿Qué modelos de previsión estás utilizando?
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 eliges el/los modelo(s) 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.
¿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 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 necesitas?
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.
¿Puedes prever 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 hay de los faltante de stock y las promociones?
Tanto el faltante de stock como las promociones representan un sesgo en las ventas históricas. Dado que el objetivo es prever la demanda, y no las ventas, es necesario tener en cuenta este sesgo. Una forma frecuente — pero incorrecta — de tratar estos eventos consiste en reescribir la historia, para rellenar 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 cambio, nuestro engine soporta de forma nativa “flags” que indican dónde la demanda ha sido censurada o inflada.
¿Prevés nuevos productos?
Sí, lo hacemos. Sin embargo, para prever nuevos productos, el engine requiere las fechas de lanzamiento de los otros productos “más antiguos”, así como su demanda histórica en el momento del lanzamiento. Además, se recomienda especificar algunas de tus categorías de productos y/o una jerarquía de productos. El engine efectivamente prevé nuevos productos detectando automáticamente los productos “más antiguos”, que pueden considerarse comparables a los nuevos. Sin embargo, dado que aún no se ha observado demanda para los nuevos artículos, las previsiones dependen completamente de los atributos que se les asocian.
¿Es posible ajustar las previsiones?
Una década de experiencia en previsión estadística nos ha enseñado en muchas ocasiones que ajustar las previsiones nunca es una buena idea. Si es necesario ajustar las previsiones, entonces probablemente haya un error en el motor de previsión que deba corregirse. Si no hay ningún error que corregir y las previsiones se realizan tal como se espera desde una perspectiva estadística, ajustar dichas previsiones es probablemente la respuesta equivocada al problema. Normalmente, la necesidad de ajustar las previsiones refleja la necesidad de tener en cuenta algún factor económico que impacta el análisis de riesgo “por encima” de la previsión, pero no la previsión en sí misma.
¿Tienes experiencia con mi vertical?
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.
¿Utilizas datos externos para refinar 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.