00:00:00 Introducción a Forecast Value Added (FVA)
00:00:41 Explicación y pasos del análisis de FVA
00:01:59 Pruebas retrospectivas y evaluación de la precisión de FVA
00:02:47 FVA y las 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 pronóstico
Obtenga más información en el artículo completo de Lokad sobre Forecast Value Added.
Resumen
Conor Doherty, escritor técnico de Lokad, habla sobre la herramienta Forecast Value Added (FVA), una herramienta de diagnóstico para el proceso de pronóstico. FVA integra conocimientos de varios departamentos para mejorar la precisión del pronóstico. Doherty explica los pasos de un análisis de FVA y su efectividad. Señala que si bien FVA puede demostrar el valor de los conocimientos, presume que una mayor precisión de pronóstico siempre es beneficiosa, lo cual no siempre es cierto. Sugiere que el enfoque debería estar en reducir el error monetario en lugar de buscar una mayor precisión. Concluye que FVA podría usarse como una prueba de competencia, pero no valida el uso rutinario de no especialistas para la entrada de pronósticos.
Transcripción completa
Forecast Value Added, o FVA, es una herramienta colaborativa simple diseñada para evaluar cada paso en el proceso de pronóstico. Su objetivo final es eliminar los pasos que no aumentan la precisión del pronóstico.
FVA logra esto al expandir el proceso de pronóstico para incluir conocimientos de otros departamentos, como marketing y ventas. Hoy, haremos y responderemos tres preguntas simples: ¿Cómo se realiza un análisis de FVA? ¿Funciona? ¿Y deberías usarlo? Comencemos.
Se genera un pronóstico estadístico y luego se pasa entre los departamentos. Cada departamento realiza cambios basados en su experiencia. Estos cambios se comparan posteriormente entre sí, luego con la demanda real y finalmente con el pronóstico ingenuo.
Si los departamentos mejoraron la precisión del pronóstico, agregaron FVA positivo. Si empeoraron la precisión, agregaron FVA negativo.
En general, un análisis de FVA se ve algo así: Paso uno, definir los contribuyentes y el orden en el que contribuirán. Paso dos, generar un pronóstico estadístico y luego uno ingenuo.
Paso tres, recopilar los conocimientos. Estos se aplicarán al pronóstico estadístico. Paso cuatro, calcular el FVA para cada contribuyente en cada paso del proceso. Y por último, paso cinco, optimizar el proceso de pronóstico.
Primero, eliminando los puntos de contacto que disminuyeron la precisión. En segundo lugar, aumentar los puntos de contacto que aumentan la precisión. En la práctica, una línea de tiempo de FVA se ve algo así.
Como puede ver, el pronóstico estadístico de la empresa pasa por varias anulaciones, incluido un escenario de pronóstico de consenso. No es raro que un análisis de FVA incluso incluya una fase ejecutiva donde la alta dirección valida el pronóstico de consenso.
Una vez que la empresa tiene los datos de demanda reales, se puede realizar una prueba retrospectiva para determinar cuánta precisión se aumentó o disminuyó en cada etapa. Una prueba retrospectiva de muestra se ve así.
En este informe de escalones, el FVA positivo o negativo para cada anulación se puede comparar con cualquier otra anulación. Aquí, la métrica de evaluación es MAPE, Error Porcentual Absoluto Medio.
Por ejemplo, el pronóstico estadístico redujo el error en un 5% en comparación con el pronóstico ingenuo, por lo tanto, contribuyó con FVA positivo. Sin embargo, el pronóstico de consenso en general contribuyó con un FVA negativo significativo.
Solo puedo cubrir tres puntos principales hoy. Para un análisis mucho más extenso de FVA, consulte nuestro artículo sobre FVA. El enlace está en la descripción a continuación.
Punto número uno, FVA se basa en la idea de que múltiples e incluso intervenciones de consenso pueden agregar valor positivo. Además, FVA cree que este valor se distribuye en toda la empresa.
Sin embargo, Makridakis et al. indican que los mejores modelos de pronóstico aprovechan los avances en la tecnología de machine learning. En otras palabras, limitando la participación humana.
Durante la reciente competencia M5, en la que los concursantes tuvieron que pronosticar la demanda del minorista más grande del mundo en términos de facturación, Walmart, el modelo ganador fue desarrollado por un estudiante con muy poca experiencia en ventas o incluso en pronósticos.
Esto indica que podríamos sobreestimar el papel de la visión de mercado en el pronóstico de la demanda. Punto número dos, en su favor, FVA demuestra lo defectuosa que es la anulación humana.
FVA tiene la capacidad de mostrar a las personas con números concretos y fríos que sus conocimientos no aumentan la precisión del pronóstico. En ese sentido, definitivamente tiene utilidad única. Sin embargo, como práctica recurrente, sufre de una limitación muy grande.
Lo cual me lleva de manera muy precisa al punto número tres. FVA presume que vale la pena buscar una mayor precisión en el pronóstico cuando, de hecho, hay innumerables situaciones en las que una mayor precisión conlleva costos considerablemente más bajos, tanto directa como indirectamente.
Un pronóstico podría ser un 5% más preciso pero, a través de costos asociados, resultar en ganancias significativamente más bajas. Como tal, el éxito del pronóstico realmente debería basarse únicamente en la reducción de euros o dólares de error en lugar de buscar una mayor precisión en sí misma.
Entonces, ¿deberías usarlo? Se podría usar FVA como una prueba de competencia o incompetencia única de los protocolos de pronóstico actuales. Sin embargo, esto no valida la idea de recurrir rutinariamente a no especialistas para obtener aportes manuales en el proceso de pronóstico.
