Por Rodolfo Torres-Rabello,
rodolfo.torres@uai.cl
El hombre siempre ha deseado anticiparse al futuro. Profetas, iluminados y locos han hecho sus mejores esfuerzos para predecir el futuro, y no siempre han sido exitosos: solo en los últimos 100 años, hubo 15 vaticinios que el mundo iba a terminar antes del 2014. En el mundo de los negocios, las cosas no han sido mejores: la revista Mecánica Popular pronosticó en 1949 que los computadores del futuro pesarían 1,5 toneladas, y un presidente de Digital Equipment Corporation (DEC) afirmó en 1977 que no veía razón para que en el futuro las personas tuvieran un computador en casa.
Así, no es extraño que algunos vean los pronósticos de la demanda como asuntos más cercanos a las bolas de cristal que a la ciencia estadística. No obstante, necesitamos esas predicciones para comprar, abastecer y reabastecer la cadena logística.
Importancia de los pronósticos de demanda
Si hubiera que coronar un rey de los KPI sería la precisión de los pronósticos de demanda. Mientras más cerca el pronóstico esté de la realidad, más se podrán evitar sobrestocks, quiebres de stock, pérdidas de venta y costos logísticos en exceso, entre otros efectos. De hecho, la precisión de los pronósticos ocupa la cúspide en la jerarquía de los indicadores de Logística y Supply Chain1. La Figura 1 muestra la influencia de los pronósticos de la demanda en los inventarios y el nivel de servicio.
Además, un buen pronóstico de demanda tiene un efecto financiero: se puede simular que, para productos de alta rotación con un EBIT de 5% y un nivel de servicio de 97%, una mejora de 10% en este índice puede aportar un 4% de rentabilidad.
Cuando hay altas economías de escala y largos tiempos de abastecimiento, la precisión de los pronósticos es especialmente crítica. Dice David J. Closs que “en este caso es fundamental una predicción precisa, porque es necesario predecir un período extenso en el futuro para permitir economías en la producción o en el transporte”.2
Métricas más usuales
Las dos métricas más usuales son:
MAE (Mean Absolute Error) o Error Medio Absoluto.
MAPE (Mean Absolute Percentage Error) o Error Medio Absoluto en Porcentaje.
La sencillez de cálculo del MAE conlleva también a su lado débil: al utilizar el valor absoluto no distingue entre desviaciones por encima o por debajo de los valores reales. Sin embargo, en ciertos modelos de negocio, el errar por arriba (sobre-stock) o por abajo (quiebre de stock) no tiene el mismo impacto económico.
El MAPE, por su parte, es ampliamente utilizado en estudios y libros de texto.
No obstante, tiene la dificultad de que las divisiones por cero no están permitidas. Supongamos que mi pronóstico para un SKU es 10, pero la venta real de la semana fue 0. Entonces, para esa semana, el indicador tiende a infinito:
La dificultad de medir la precisión de los pronósticos
Medir la precisión de pronósticos es una tarea ardua. Solo se puede medir ex-post, lo que puede ocurrir mucho después de efectuado el pronóstico, y no siempre las organizaciones utilizan estos resultados para corregir y mejorar sus pronósticos. ¿Es bueno o malo un 70% de precisión de pronósticos? Dependerá del nivel de agregación que se utilice: en un SKU, el error de pronóstico es mayor que el de su categoría de productos, y este mayor al de todos los productos.
La precisión de pronósticos depende también de la frecuencia de los datos que se utilicen. Los datos diarios muestran mayor variabilidad -y por ello mayor error- que los datos semanales y estos, de los mensuales.
Además del fenómeno de agregación y de frecuencia de los datos, hay otra dificultad seria: en general, no se conoce la demanda y se utilizan datos de ventas o datos de pedidos. No obstante, la demanda no son los pedidos y los pedidos no son la venta.
Un 70% de precisión puede ser bueno para un producto de baja rotación, pero no para un producto de altísima rotación, que se consume en grandes cantidades todos los días. Interpretar los resultados puede ser, entonces, un desafío en sí mismo.
Utilizar los datos de la precisión de pronósticos pasados también puede ser una aventura riesgosa. Nada indica que el futuro se comportará como el pasado, y aun cuando hayamos acertado ayer no significa que acertaremos mañana.
La ciencia estadística se ha venido preguntando cómo medir el error real, no el empírico. Este resulta de comparar el pronóstico con los datos históricos. El error “real” consistiría en comparar el pronóstico con los datos que todavía no ocurren. Este error real sería una suma del error empírico con otro valor teórico, denominado “riesgo estructural”, un valor teórico que puede calcularse para algunos modelos estadísticos y estimarse para otros, lo que permitiría obtener un cierto rango para juzgar la precisión del pronóstico ex-ante. La explicación estadística excede los límites de este artículo.
Hay autores que afirman que la mejor medida de la precisión de los pronósticos es el dinero: el costo alternativo del sobre-stock, por un lado, y las ventas perdidas por falta de disponibilidad de productos, por otro. Aunque válido, este enfoque no está exento de dificultades. Por ejemplo, ante riesgos de disrupciones en el abastecimiento será normal sobrestockearse, y no todos los quiebres de stock se traducen en ventas perdidas.
El mensaje es, entonces, medir como si la vida se le fuera en ello, y tener prudencia y sabiduría para interpretar los datos. Como alguien dijo una vez: “Voy a hacer un pronóstico: puede pasar cualquier cosa”.
1 Debra Hoffman, “The Hierarchy of Supply Chain Metrics”, en Supply Chain Management Review, Ene.2004.
2 Citado por Donald J. Bowersox et al. “Administración y Logística en la Cadena de Suministros”. Cap.3. McGraw-Hill, 2007.
Autor
Rodolfo Torres-Rabello es Profesor del Magíster en Marketing y Gestión Comercial de la Universidad Adolfo Ibáñez y del programa eClass de esta universidad. Profesor de Gestión de Operaciones en el MBA Universidad Alberto Hurtado. Coautor del libro “Supply Chain Management: logrando ventajas competitivas a través de la gestión de la cadena de sumininistro”. Consultor senior de Supply Chain Management en Business Architecs. Partner de Kibernum.