Forecast probabilísticos (2016)
Los forecast probabilísticos representan una mejora significativa respecto a la generación anterior de tecnología de forecast de Lokad basada en cuadrículas de cuantiles. En comparación con los métodos clásicos de forecast, los forecast probabilísticos 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 los forecast que siguen fallándoles. A Lokad le tomó años comprender plenamente la raíz del problema: se espera que los enfoques tradicionales de forecast 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, los forecast probabilísticos asignan una probabilidad a cada uno de los distintos resultados posibles.
En este episodio de LokadTV, comprendemos cómo los forecast probabilísticos 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 del forecast.
Abrazando la incertidumbre
Según nuestra experiencia, ninguna cantidad de ajuste fino a los modelos de forecast 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 del forecast 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 el forecast, a saber, los forecast probabilísticos. Dicho de forma simple, un forecast probabilístico 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.
Estos forecast probabilísticos 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 forecast se materialicen, los forecast probabilísticos te recuerdan que todo es siempre posible, aunque no con igual probabilidad. Así, cuando se trata de prepararse para lo peor, los forecast probabilísticos proporcionan una forma poderosa de equilibrar cuantitativamente los riesgos (mientras que los forecast tradicionales permanecen ciegos a estos últimos).
Aunque el análisis de riesgos suele ser una ocurrencia tardía en los enfoques tradicionales de forecast, Lokad sitúa el caso en el centro con los forecast probabilísticos.
Desde la perspectiva de un profesional
Los forecast probabilísticos pueden sonar muy intimidantes y técnicos. Sin embargo, lo cierto es que, si eres un supply chain practitioner, ya llevas años haciendo forecast probabilístico “intuitivo”: piensa en todas aquellas situaciones en las que tus forecast básicos tuvieron que ser revisados a la alza o a la baja, porque los riesgos eran simplemente demasiado grandes… De esto se tratan exactamente los forecast probabilísticos: 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 forecast, Lokad sitúa el caso en el centro con los forecast probabilísticos.
La salida de datos del motor de forecast probabilístico 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 estos forecast 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 forecast 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 forecast 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 forecast. Esto significa que
- no se requiere conocimiento estadístico alguno para obtener forecast
- no se espera proporcionar ajuste fino alguno para adaptar los forecast
- no se requiere mantenimiento alguno para mantener los forecast alineados 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 forecast funcionando sin problemas, sin importar la cantidad de datos involucrados.
El origen de nuestros forecast probabilísticos
Lokad no inventó el forecast probabilístico, sino que lo hicieron otros matemáticos, en su mayoría utilizando el concepto para abordar un conjunto de problemas muy diferente, como el forecast de precios de commodities o el forecast del tiempo. Además, Lokad no utilizó el forecast probabilístico desde el principio; pasamos por el forecast clásico (2008), el forecast de cuantiles (2012) y las cuadrículas de cuantiles (2015)
previo a esto. Como resultado, los forecast probabilísticos son en realidad la cuarta generación de nuestra tecnología de forecast. 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 forecast 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 forecast funcionara.
Además, cada iteración de nuestro motor de forecast ha sido una generalización - desde una perspectiva matemática - de la versión anterior, siendo cada nueva generación de nuestro motor de forecast 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 forecast no puede generar forecast que sean los más adecuados para adaptarse a una situación de negocio dada porque el motor no es lo suficientemente expresivo. O cuando el motor de forecast 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, el forecast es un trabajo en progreso. Si bien estamos orgullosos de lo que hemos construido con nuestro motor de forecast probabilístico, 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 forecast de próxima generación tan pronto como esté disponible.
Nuestras FAQs de forecast
¿Qué modelos de forecast estás utilizando?
Estamos utilizando muchos modelos de forecast. 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 un buen forecast 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 los forecast “perfectos”. En la práctica, nuestro motor de forecast se basa en gran medida en el backtesting para seleccionar el mejor conjunto de modelos.
¿Maneja tu motor de forecast la estacionalidad, las tendencias, los días de la semana?
Sí, el motor de forecast 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 del forecast 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 forecastear la demanda, el motor de forecast 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 forecastear 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 los forecast. Además, proporcionarnos tus niveles de stock es de gran ayuda para realizar un primer análisis significativo de stock para ti.
¿Puedes forecastear 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 forecast 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 forecast 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 forecast al forecasting engine, 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.
¿Forecast nuevos productos?
Sí, lo hacemos. Sin embargo, para forecast 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 forecast 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, los forecast dependen completamente de los atributos que se les asocian.
¿Es posible ajustar los forecast?
Una década de experiencia en forecast estadístico nos ha enseñado en muchas ocasiones que ajustar los forecast nunca es una buena idea. Si es necesario ajustar los forecast, entonces probablemente haya un error en el forecasting engine que deba corregirse. Si no hay ningún error que corregir y los forecast se realizan tal como se espera desde una perspectiva estadística, ajustar dichos forecast es probablemente la respuesta equivocada al problema. Normalmente, la necesidad de ajustar los forecast refleja la necesidad de tener en cuenta algún factor económico que impacta el análisis de riesgo “por encima” del forecast, pero no el forecast en sí mismo.
¿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 los forecast?
No. Aunque tus forecast se benefician de todo el know-how y del ajuste general del sistema que hemos ganado trabajando con otros clientes, tus forecast 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.