00:00:00 Introducción a Forecast Value Added (FVA)
00:00:41 Explicación y pasos del análisis FVA
00:01:59 Back testing y evaluación de la precisión de FVA
00:02:47 FVA e intervenciones manuales
00:03:56 La presunción de FVA sobre el valor de la precisión
00:04:37 FVA como prueba de competencia para los protocolos de forecast
Conoce más en el artículo completo de Lokad Forecast Value Added .
Resumen
Conor Doherty, redactor técnico de Lokad, analiza la herramienta Forecast Value Added (FVA), una herramienta de diagnóstico para el proceso de forecast. FVA integra insights de varios departamentos para mejorar la precisión del forecast. Doherty explica los pasos de un análisis FVA y su efectividad. Señala que, aunque FVA puede demostrar el valor de los insights, presupone que una mayor precisión del forecast siempre es beneficiosa, lo cual no siempre es el caso. Sugiere que el enfoque debería estar en reducir el error monetario en lugar de perseguir una mayor precisión. Concluye que FVA podría usarse como una prueba de competencia, pero no valida el uso rutinario de no-especialistas para el input de forecast.
Transcripción Completa
Forecast Value Added, o FVA, es una herramienta colaborativa sencilla diseñada para evaluar cada paso en el proceso de forecast. Su objetivo final es eliminar los pasos que no aumentan la precisión del forecast.
FVA lo logra expandiendo el proceso de forecast para incluir insights de otros departamentos, como marketing y ventas. Hoy, haremos y responderemos tres preguntas sencillas: ¿Cómo se realiza un análisis FVA? ¿Funciona? ¿Y deberías usarlo? Comencemos.
Se genera un statistical forecast y luego se pasa entre departamentos. Cada departamento realiza cambios basados en su experiencia. Estos cambios se comparan entre sí, luego con la demanda real, y finalmente con el naive forecast.
Si los departamentos hicieron el forecast más preciso, añadieron FVA positivo. Si lo hicieron menos preciso, añadieron FVA negativo.
Generalmente, un análisis FVA se ve de la siguiente manera: Paso uno, definir los colaboradores y el orden en que contribuirán. Paso dos, generar un statistical forecast y luego un naive forecast.
Paso tres, recopilar los insights. Estos se aplicarán al statistical forecast. Paso cuatro, calcular el FVA para cada colaborador en cada etapa del proceso. Y por último, paso cinco, optimizar el proceso de forecast.
Primero, eliminando los puntos de contacto que disminuyen la precisión. En segundo lugar, aumentar los puntos de contacto que incrementan la precisión. En la práctica, una línea de tiempo de FVA se ve de la siguiente manera.
Como puedes ver, el statistical forecast de la empresa pasa por varias intervenciones, incluida una etapa de consensus forecast. No es raro que un análisis FVA incluso incluya una fase ejecutiva donde la alta dirección valida el consensus forecast.
Una vez que la empresa cuenta con los datos de demanda real, se puede realizar un back test para determinar cuánto se incrementó o disminuyó la precisión en cada etapa. Un ejemplo de back test se ve así.
En este informe escalonado, el FVA positivo o negativo de cada intervención puede compararse con cada otra intervención. Aquí, la métrica de evaluación es MAPE, Mean Absolute Percentage Error.
Por ejemplo, el statistical forecast redujo el error en un 5% en comparación con el naive forecast, por lo tanto, contribuyó con FVA positivo. Sin embargo, el consensus forecast en conjunto contribuyó con un FVA negativo significativo.
Solo puedo cubrir tres puntos principales hoy. Para un análisis mucho más extenso de FVA, por favor consulta nuestro artículo de FVA. El enlace está en la descripción abajo.
Punto número uno, FVA se basa en la noción de que múltiples intervenciones, e incluso intervenciones de consensus, pueden agregar valor positivo. Además, FVA considera que este valor se distribuye en toda la empresa.
Sin embargo, Makridakis et al. indican que los mejores modelos de forecast aprovechan los avances en la tecnología de machine learning. En otras palabras, limitando la intervención humana.
Durante la reciente competencia M5, en la que los participantes tuvieron que forecastear la demanda para el mayor minorista del mundo por facturación, Walmart, el modelo ganador fue desarrollado por un estudiante con muy poca experiencia en ventas o incluso en forecast.
Esto indica que podríamos sobreestimar el papel del market insight en el forecast de demanda. Punto número dos, y para su favor, FVA demuestra cuán defectuosa es la intervención humana.
FVA tiene la capacidad de mostrar a las personas, con números concretos, que sus insights no aumentan la precisión del forecast. Por ello, definitivamente tiene una utilidad puntual. Sin embargo, como práctica recurrente, sufre de una limitación muy grande.
Lo que me lleva muy puntualmente al punto número tres. FVA presupone que vale la pena perseguir una mayor precisión en el forecast cuando, de hecho, existen innumerables situaciones en las que una mayor precisión implica costos considerables, tanto directa como indirectamente.
Un forecast podría ser un 5% más preciso, pero a través de los costos asociados resultar en beneficios significativamente menores. Por lo tanto, el éxito del forecast realmente debería basarse únicamente en reducir Euros o dólares de error en lugar de perseguir una mayor precisión por sí misma.
Entonces, ¿deberías usarlo? Se podría utilizar FVA como una prueba única de competencia o incompetencia de los protocolos actuales de forecast. Sin embargo, esto no valida la idea de recurrir rutinariamente a no-especialistas para el input manual en el proceso de forecast.