Jorge Chávez.

Durante los proyectos de consultoría, es habitual que aparezcan numerosas interrogantes: ¿Cómo saber que mi pronóstico es confiable? ¿Se debe mirar los últimos meses y resumir el error actual entre demanda v/s pronóstico? ¿Qué técnica para estimar la demanda da mejor resultado? ¿De qué forma podemos resumir la precisión total de los pronósticos?

La respuesta es que el pronóstico de demanda no es ni un mero número ni un juego de adivinanzas; es un proceso continuo realizado por varios participantes (operaciones, finanzas, marketing, etc.) en un esfuerzo conjunto para mejorar la precisión de los pronósticos a través del tiempo.

En forma similar al proceso de control estadístico de procesos (SPC), el pronóstico de demanda debe ser medido y monitoreado en el tiempo y, de ser necesario, ajustado con acciones correctivas para mantener el resultado deseado.

En este artículo me focalizaré en el pronóstico de demanda como soporte para el proceso de decisión de reposición de inventarios.

Para monitorear efectivamente el proceso, primero se debe cuantificar la precisión del pronóstico en el tiempo. La medida debe ser simple y comprensible, además de aplicable a diferentes segmentos de productos (básicos, complementarios, intermitentes, etc.), e independiente de la escala utilizada, de tal modo que pueda ser agregada por segmentos de productos. En la práctica, se utiliza frecuentemente el promedio absoluto de porcentaje de error (Mean Absolute Percentage Error, MAPE) para estimar el porcentaje de error de la serie de pronósticos:

Desafortunadamente, el MAPE y/o el MAPE simétrico no son aplicables cuando en la serie la demanda es igual a cero (0). Una serie de demanda con uno o más valores de cero es común, especialmente para productos con demanda intermitente (por ej. repuestos).

Muchas veces se eliminan estos valores de cero (0) demanda de las observaciones y se utiliza el resto de los valores para calcular el MAPE, alterándose la naturaleza de los inputs de la serie (ejemplo. intermitente -> básico), por lo que el cálculo es irrelevante y, en el peor de los casos, también el pronóstico.

A continuación, utilizaré una medida similar MAD/MEAN (Mean Absolut Deviation/ Media), pero mucho más robusta en el caso de demanda intermitente:

En su esencia, el MAD/MEAN es básicamente el ratio entre dos promedios móviles: (1) el error de pronóstico, y (2) la demanda real (actual). En otras palabras, se utiliza una ventana finita (por ejemplo N) para trazar los últimos cambios tanto en la demanda como en el error del pronóstico.

Depende del uso que se le quiera dar. Para la decisión de control de inventarios y reposición de los mismos, es el Lead time (demanda durante el ciclo de entrega). Sin embargo está determinado por los proveedores, por lo que el horizonte de tiempo puede ser diferente para cada SKU.

• Seleccionar el horizonte de tiempo más próximo al tiempo de entrega (ejemplo: 2 meses).

• Generar una serie de pronósticos y datos reales por períodos equivalentes al tiempo de entrega (ejemplo. 2 meses).

• Seleccionar un promedio móvil de la serie (ejemplo N=6).

• Calcular el MAD/MEAN por SKU para un momento determinado (ejemplo. ahora)

Hoy en día un retailer tiene en su gama de productos diferentes SKU, por lo que se necesita un índice representativo a nivel macro para medir y monitorear el total del proceso de pronósticos.

Se puede elegir un promedio aritmético simple de todos los SKU, calculando los valores MAD/MEAN, como el índice de desempeño.

Desde el punto de vista de una decisión, un promedio simple es un buen comienzo, pero asigna una ponderación igual a cada SKU, lo que nos da una visión ingenua del desempeño de nuestra capacidad de pronosticar.

Considerando que no todos los productos son igualmente importantes y que depende, por ejemplo, de márgenes de contribución diferentes, valor del producto desde la perspectiva de los clientes, ventajas competitivas, etc., la sugerencia es cambiar la definición anterior usando un modelo ponderado de cálculo:

Ahora, para el escenario de reposición y control de inventarios, las empresas mantienen un stock de seguridad (SS) para absorber la incertidumbre de la demanda (y la variación del lead time) durante el ciclo de reposición, y reducen las pérdidas de ventas como consecuencia de los quiebres de stocks.

Cuanto menor sea el error en el pronóstico durante el lead time, menor será el stock de seguridad necesario y menor las pérdidas de venta como consecuencia de una ruptura de stock. Un planificador de demanda está interesado en identificar los SKU que tienen el mayor potencial de ahorro, y dedicar su tiempo y esfuerzo para mejorar aún más la precisión de los pronósticos.

Desde una perspectiva de la empresa, los SKU con mayor costo (o en su efecto, altos niveles de margen) son más importantes para la última línea de rentabilidad, y entonces estos productos tendrán una mayor ponderación en el Índice de desempeño.

Toda empresa tiene costos por el hecho de mantener inventarios: (1) costo de oportunidad del capital de trabajo, y (2) costo de mantener el inventario (almacenamiento, manipulación, obsolescencia, etc.)

Las empresas mantienen inventario suficiente para enfrentar una demanda estocástica, y reducir la probabilidad de perder ventas debido a una situación de quiebre de stocks.

Los costos de mantener stocks (CoC) pueden ser fácilmente ejemplificado asumiendo su valor como un porcentaje (a) de los costos totales (ej. 4% mensual).

Desde una perspectiva del planificador de la demanda, se desea priorizar tiempo y esfuerzo en aquellos SKU que tienen la mayor sensibilidad (U) a errores en el pronóstico de demanda. Calculemos el cambio en la función de utilidad (U) cuando la el error de la demanda cambia en un 5%, mientras mantenemos el resto constante.

Cambiando la unidad de tiempo del ciclo de reposición de un producto, a una unidad independiente -digamos un año-, se debe calcular el correspondiente cambio en la función de utilidad-costo anual (U y).

¿Cómo mejorar el proceso de pronósticos?

• Utilice valores de pronósticos de diferentes fuentes: modelos analíticos, investigación de mercados, pronósticos de clientes, panel de expertos, etc.

• Combine diferentes fuentes: En mi modo de ver, no solo son los números, sino cómo elegimos e incorporamos esos números en la decisión final.

• Considere el Lead time de proveedores: A menudo, el tiempo de entrega de los proveedores es una variable poco considerada, pero que afecta el rango de la ventana de pronóstico.

• Recurra a planificadores y expertos: Ellos pueden lograr grandes mejoras en la precisión de los mismos.