Las grillas de cuantiles son una mejora significativa con respecto a los pronósticos clásicos o de cuantiles cuando se trata del inventario. Sin embargo, los pronósticos probabilísticos superan con creces el rendimiento de las grillas de cuantiles. Visite nuestras últimas páginas de la sección Tecnología para más información.
Las grillas de cuantiles representan una mejora radical con respecto a los pronósticos clásicos cuando se trata del inventario. También son superiores a los pronósticos cuantílicos, porque proporcionan mucha más información sobre el futuro.
Los métodos de pronóstico tradicionales no ofrecen resultados muy satisfactorios, especialmente en el comercio. La causa raíz de este problema es simple: el futuro es incierto. Los pronósticos clásicos intentar pronosticar el valor correcto de la demanda futura y, bien, fallan. El intento desesperado de arreglar los pronósticos clásicos con la esperanza de que se pronosticará la demanda futura “correcta” es ilusorio. Las grillas de cuantiles adoptan una posición completamente diferente en este tema.
Con las grillas de cuantiles, Lokad pronostica no un valor de demanda futura para un determinado producto, sino toda la distribución de probabilidad de la demanda; es decir, la probabilidad de tener una demanda de cero unidades, luego de una unidad, luego de dos unidades, etc. La información es mucho más rica y puede aprovecharse en modos que son mucho más rentables que los pronósticos clásicos.
Introducción para no estadísticos
Si está leyendo este artículo y no es un estadístico, se preguntará si su negocio tiene posibilidades de aplicar de algún modo sensato estas llamadas "grillas de cuantiles", algo que suena más bien a título de tesis de doctorado en estadística moderna más que a un modo práctico de pronosticar. Si cree que este término es intimidatorio, simplemente reemplace mentalmente "grillas de cuantiles" por "pronósticos que realmente funcionan", y estará encaminado. La gran mayoría de las empresas que utiliza Lokad no cuenta con conocimientos de estadística. El filtro de correo no deseado asociado a su bandeja de entrada también utiliza estadística avanzada, y no es necesario contar con un doctorado para utilizarla.
Lokad está haciendo algo similar para el comercio. Estamos aprovechando el aprendizaje automático avanzado para hacer que su empresa sea más rentable; y la tecnología subyacente es tan avanzada que no hay necesidad de que se preocupe demasiado al respecto. A continuación, describimos lo que sucede detrás de escena en Lokad, pero quédese tranquilo: puede utilizar Lokad aunque no comprenda del todo lo que sucede en nuestro motor de pronóstico, al igual que puede utilizar el filtro de correo no deseado sin estar familiarizado con la inferencia probabilística bayesiana.
Repensando el pronóstico para el comercio
Muchos proveedores se jactan de utilizar métodos de pronóstico "avanzados", como ARIMA, Box-Jenkins y Holt-Winter, que en realidad están más cerca de tener casi un siglo. Estos métodos fueron concebidos en una época en la que las computadoras corporativas más potentes tenían menos potencia de procesamiento que la mayoría de los refrigeradores modernos. La gente que inventó esos métodos era increíblemente inteligente, pero tuvo que conformarse con los recursos informáticos de su época y, por lo tanto, dio preferencia a modelos que podían procesarse con muy pocos cálculos. En la actualidad, podemos utilizar cantidades enormes de potencia de cálculo para nuestros desafíos de pronóstico a muy bajo costo.
Tenga en cuenta que 1000 horas de potencia de cálculo cuestan menos de USD 50 cuando se utiliza una plataforma informática en la nube. Claramente, esto abre perspectivas radicalmente nuevas para el pronóstico, y son exactamente esas perspectivas las que Lokad ha estado explorando extensamente.
Las grillas de cuantiles representan la tercera versión de la tecnología de pronóstico de Lokad, pero vayamos algunos años hacia atrás para ver el panorama completo. Comenzamos con los pronósticos clásicos en 2008 en la primera versión de nuestra tecnología de pronóstico y, a pesar de los tres años de grandes esfuerzos de I+D por parte del equipo de Lokad, el método clásico resultó ser un callejón sin salida. Nunca logramos realmente satisfacer por completo a un cliente con los pronósticos clásicos. A medida que aprendimos más acerca de las experiencias de nuestros clientes con otros proveedores de pronóstico, resultó que no había ninguna empresa que estuviera siquiera cerca de estar satisfecha con la tecnología de pronóstico que había adquirido. Este problema no era exclusivo de Lokad, y nos dimos cuenta de que toda la industria de los pronósticos era disfuncional; y decidimos hacer algo al respecto.
En 2012, Lokad presentó la segunda versión de su tecnología de pronóstico, llamada
Pronósticos cuantílicos. En pocas palabras, los pronósticos cuantílicos abordan el principal problema que plaga los pronósticos clásicos: que simplemente no miran el problema adecuado.
De hecho, el desafío para las empresas es evitar los dos extremos: demanda inesperadamente alta que causa desabastecimiento, y demanda inesperadamente que baja, que causa inventario muerto. Lo que sucede en el medio cuando la demanda futura es aproximadamente "como se esperaba" importa muy poco desde la perspectiva comercial.
Aún así, los pronósticos clásicos, o los pronósticos de media o mediana, ignoran por completo estas situaciones "extremas" y se concentran solo en el caso promedio. No sorprende que estos pronósticos no logren prevenir ni las situaciones de desabastecimiento ni las de inventario muerto. Los pronósticos cuantílicos abordan el desafío sin rodeos y observan directamente el escenario de interés, por ejemplo, evitar desabastecimientos, y se esfuerzan para dar una respuesta precisa a este problema. De repente, en 2012, comenzamos a tener cada vez más clientes satisfechos. Por primera vez en la historia de Lokad, más de 3 años después del nacimiento de la empresa, teníamos algo que funcionaba.
En 2015, Lokad presentó la tercera versión de su tecnología de pronóstico, las grillas de cuantiles. Si bien los pronósticos cuantílicos ya eran una mejora radical con respecto a los pronósticos clásicos, aún tenían sus debilidades. A medida que fuimos adquiriendo más experiencia con docenas de implementaciones de nuestra tecnología de pronóstico cuantílico, nos dimos cuenta de que, si bien la idea de elaborar un pronóstico para "un" solo escenario comercial era lógico, no era del todo completa. ¿Por qué solo ese escenario? ¿Por qué no un segundo escenario, o un tercero? La gestión manual de varios escenarios resultaba ser tediosa, y nos dimos cuenta de que todos los escenarios deberían pronosticarse a la vez. Desde una perspectiva de cálculo, esto implicaba costos mucho más importantes: para cada producto, calcularíamos las respectivas probabilidades de (casi) cada uno de los niveles de demanda. Sin embargo, si bien la cantidad de cálculos implicada parece impactante, los precios de los recursos de cálculo también han disminuido significativamente a lo largo de los años. Y lo que hace 5 años hubiera sido demasiado costoso, ahora era mucho más asequible.
Tomando la distribución de probabilidad completa de la demanda
La demanda futura es incierta. Cualquier intento de representar la demanda futura con un solo valor es, de algún modo, ingenuo, porque independientemente de lo bueno que pueda ser ese valor, nunca podrá pintar el cuadro completo. Si bien sería agradable contar con un sistema "mágico" que fuera capaz de pronosticar el nivel exacto de la demanda futura, la realidad es que es un tanto ilusorio. Cuando la gente intenta lidiar con un pronóstico que es incorrecto, es muy tentador intentar "arreglarlo". Lamentablemente, el pronóstico estadístico es extremadamente contraintuitivo, y la realidad es que a menudo no hay nada que arreglar: el valor pronosticado es uno de los resultados perfectamente válidos y posibles para la demanda futura.
El sistema se puede potencialmente ajustar un poco para arrojar valores un poco más probables de la demanda futura, pero eso es todo. Su empresa acaba obteniendo solo valores un poco más probables de la demanda futura, lo que no tiene como resultado el impulso de la actividad comercial que se hubiera esperado en un principio.
Las grillas de cuantiles adoptan un abordaje muy diferente: para cada producto, Lokad calcula las probabilidades respectivas de cada nivel de demanda futura. En lugar de intentar mantener la ilusión de que la demanda futura es conocida, las grillas de cuantiles expresan directamente las probabilidades asociadas con muchos futuros posibles.
Por ejemplo, si consideramos un producto vendido de modo infrecuente con un tiempo de entrega de 2 semanas, la distribución de la demanda en las siguientes 2 semanas (generalmente el horizonte de pronóstico tiene que coincidir con el tiempo de entrega) para este producto se puede representar del siguiente modo:
| Demanda | Probabilidad |
| 0 unidades |
55 % |
| 1 unidad |
20 % |
| 2 unidades |
14 % |
| 3 unidades |
7 % |
| 4 unidades |
3 % |
| 5 unidades |
0 % (redondeado) |
Pensar en el futuro desde una perspectiva totalmente probabilística puede parecer complicado, pero en realidad representa lo que todo ejecutivo de negocios ya hace, aunque sea de manera menos formal: sopesar as posibilidades de determinados resultados y asegurar las apuestas con respecto a su actividad para estar bien preparado al momento de tener que gestionar los escenarios más relevantes.
Desde la perspectiva del motor de pronóstico, debido a que no sabemos de antemano cuáles son los escenarios "más relevantes", la solución lógica, no obstante sea una un poco drástica, consiste en procesar todos los escenarios posibles.
Sin embargo, suponiendo que un negocio tiene miles de productos para pronosticar (y algunos de nuestros clientes tienen millones de SKU que gestionar), y que Lokad calcula las probabilidades asociadas con 100 escenarios para cada producto, las grillas de cuantiles producirían una lista enorme con 100 000 entradas, algo que no suena muy práctico para procesar. Abordamos este punto en la sección a continuación.
Priorización de las decisiones de cadena de suministro
Para cada decisión de compra, podemos escribir un cálculo simple, la fórmula "resultante" que depende de la demanda futura vs la decisión de compra actual. Luego, cada decisión puede calificarse considerando que está basada en la probabilidad respectiva de cada nivel de demanda futura.
Los pronósticos de demanda se utilizan comúnmente para impulsar decisiones de cadena de suministro, como realizar órdenes de compra para el comercio o desencadenar la producción de un lote en un ambiente industrial. Una vez que tenemos todas las probabilidades asociadas con todos los resultados futuros, es posible elaborar una lista de prioridad completa de todas las decisiones de compra. De hecho, para cada decisión de compra, podemos diagramar un cálculo aproximado simple, la fórmula "de resultado": suponiendo que la demanda será de D unidades y suponiendo que compramos P unidades, el resultado financiero será X. No hace falta decir que Lokad está aquí para ayudarlo a escribir esta fórmula, que para la mayoría de los negocios se reduce a al margen bruto menos el costo de inventario menos el costo de los desabastecimientos. Una vez que tenemos esta fórmula, para cada decisión de cadena de suministro, como "comprar 1 unidad del producto Z", los resultados pueden evaluarse con respecto a las probabilidades de cada futuro posible. Al hacer esto, calculamos el "puntaje" de cada decisión posible.
Una vez que la decisión ha sido puntuada, es posible clasificar esas decisiones, poniendo las opciones más rentables al principio de la lista. A esta lista la llamamos
lista maestra de prioridad de compra. Es una lista en la que cada producto aparece en varias líneas. De hecho, si bien comprar 1 unidad del producto Z podría ser la decisión de compra mejor clasificada (es decir, la compra más urgente), comprar la siguiente unidad del producto Z podría ser la decisión de urgencia de compra número 20, con muchas otras unidades de otros productos por comprar en el medio.
La lista maestra responde a una pregunta muy simple: si la empresa tiene un dólar adicionar para gastar en su inventario, ¿en qué debería gastarlo primero? Bueno, este dólar debería ir al artículo que le da a su empresa el máximo rendimiento. Luego, una vez que este artículo ha sido adquirido, se puede repetir la misma pregunta. Sin embargo, esta vez, una vez que esa unidad adicional ha sido adquirida, es probable que el siguiente artículo más rentable a ser adquirido se otro, ya que el rendimiento de acumular el mismo artículo dentro de las existencias va en marcada disminución. De hecho, cuanto más inventario tiene, menos rotación tendrá el inventario y mayores serán las probabilidades de quedarse con inventario muerto. Estos problemas se reflejan naturalmente en la fórmula "de resultado", y en la priorización resultante de la lista.
Mejor que adaptar los niveles de servicio
Determinar cuáles son los niveles de servicio "óptimos", es decir, las probabilidades deseadas de no llegar a un desabastecimiento, es un ejercicio muy difícil. Es un asunto complejo, porque los niveles de servicio están solo indirectamente relacionados con el desempeño financiero de su empresa. De hecho, para algunos productos, la obtención de un punto porcentual adicional de nivel de servicio puede resultar muy costoso y, por lo tanto, si hay recursos disponibles, deberían en cambio asignarse a otros productos en los que el mismo nivel de servicio llevaría no a un 1 % sino a un 10 % de nivel de servicio adicional.
Utilizando las grillas de cuantiles como una lista maestra de prioridad de compra, no tiene que preocuparse por los niveles de servicio, ya que se reflejan nativamente en la priorización misma.
Si el nivel de servicio de un producto de alto margen puede aumentarse a bajo costo, este producto naturalmente sube hasta la cima de la lista. De modo contrario, si un producto presenta ventas muy erráticas, lo que hace que todos los intentos de aumentar el nivel de servicio sean extremadamente costosos, este producto subirá hasta la cima de la lista solo cuando las existencias se estén acercando a niveles peligrosamente bajos y cuando la empresa tenga casi la seguridad de no acabar con un inventario muerto a pesar de los patrones de demanda erráticos.
La lista de prioridad también resuelve el problema de las limitaciones de liquidez. Sin importar la situación de su empresa en lo que se refiere a liquidez, la lista de prioridad le proporciona una opción manejable. Si tiene muy poca liquidez, su empresa solo compra lo que está en la cima de la lista, manteniendo niveles de existencias solo de aquellos productos que es absolutamente necesario reabastecer. Si cuenta con liquidez adicional disponible, su empresa tiene la opción de aumentar su inventario concentrándose en artículos que impulsarán el mayor crecimiento al tiempo que mantienen los riesgos de inventario bajo control.
Introducción de limitaciones de cadena de suministro
Las empresas a menudo deben lidiar con limitaciones de suministro, como cantidades mínimas de orden, ya sea a nivel de SKU o de orden. A veces, es necesario reunir las unidades en grandes lotes, como contenedores. Tales limitaciones pueden integrarse naturalmente en los procesos de flujo de trabajo a través de la lista maestra de prioridad de compra, como se describió anteriormente; esta no solo proporciona sugerencias de compra priorizadas, sino que también ofrece recomendaciones que son compatibles con las limitaciones de pedido.
El proceso exacto a seguir depende del tipo de limitaciones que una empresa puede tener. Consideremos, por ejemplo, los envíos por contenedor. Lokad puede calcular los volúmenes acumulativos por proveedor, suponiendo que las líneas de compra se procesan en el orden de la lista y suponiendo que cada proveedor realiza los envíos en forma independiente de los demás. De acuerdo con esos volúmenes acumulativos, el proceso de ir descendiendo en la lista hasta alcanzar la capacidad objetivo del contenedor es muy directo.
De modo similar, si existe una limitación de cantidad de orden mínima para una determinada SKU, en este caso también es fácil quitar de la lista todas las líneas que vienen antes de que se cumpla con la limitación y llevar las cantidades directamente a la primera línea una vez que se ha satisfecho la limitación.
Al forzar a que la compra tenga un mínimo de N unidades, se degrada la competitividad de la SKU, es decir, la SKU aparece por primera vez en la lista en una clasificación más baja, que es exactamente el comportamiento esperado, ya que los riesgos de inventario aumentan con las cantidades de orden mínimas.
En particular, este método aborda en su totalidad los desafíos de larga data que tenían consecuencias negativas tanto en los pronósticos clásicos como en los cuantílicos: ¿qué debería hacerse cuando las cantidades de reorden sugeridas están por encima o por debajo de las limitaciones de pedido? Si es necesario quitar algunas unidades, ¿qué productos deberían eliminarse primero? Si es necesario agregar unidades, ¿qué productos deberían comprarse en mayores cantidades? Los métodos de pronóstico más viejos no proporcionaban respuestas satisfactorias a estas preguntas. Con una lista de prioridad de compra, lo único que hay que hacer es seguir el orden de la lista.
