Desde el punto de vista de la cadena de suministro cuantitativa, los impulsores económicos representan la cuantificación financiera de los resultados positivos y negativos de las decisiones de cadena de suministro. Los impulsores económicos convierten a los desafíos de optimización de la cadena de suministro en problemas de optimización tangibles , en los que la métrica de optimización resulta ser financiera. A través de la cuantificación de los impulsores económicos, es posible evaluar los
dólares de error asociados con decisiones imperfectas, basadas originalmente en datos imperfectos, como los pronósticos de demanda. Esos impulsores económicos se introducen en contraposición a métricas ajenas al negocio, como el MAPE (error absoluto medio relativo) , que siguen siendo ampliamente utilizadas. Las métricas ajenas al negocio a menudo resultan dañinas, porque
disfrazan los problemas de la cadena de suministro de problemas de optimización numérica, apoyándose en criterios de optimización enormemente arbitrarios.
Los pronósticos estadísticos son parciales
Las herramientas y los métodos de pronóstico de la demanda tienen un objetivo claro:
calcular pronósticos más precisos . Los pronósticos se consideran precisos de acuerdo con diferentes métricas conocidas y seleccionadas por sus propiedades matemáticas y estadísticas. Si bien tales métricas pueden ser excelentes desde un punto de vista matemático, son fundamentalmente ajenas a cualquier dominio e ignora, por su naturaleza, los impulsores o las limitaciones específicas de un negocio.
Si bien puede parecer ilógico,
los pronósticos estadísticos están fundamentalmente impulsados por la métrica de error elegida. La elección del MSE (error cuadrático medio) en lugar del MAE (error absoluto medio) tiene consecuencias drásticas en la precisión de un determinado modelo. A primera vista, puede parecer que el error métrico afecta poco. Después de todo, un modelo de pronóstico elabora el mismo pronóstico de demanda independientemente de la métrica que se utilice después para evaluar su resultado. Sin embargo, cualquier empresa que se valga del pronóstico estadístico está obligada a elegir —a menudo de modo implícito— qué modelos de pronóstico se utilizarán. Y, en cuanto se introducen medidas de precisión, la empresa comienza a preferir los modelos que se comportan mejor en relación con las métricas anteriormente mencionadas.
Las métricas estadísticas genéricas (ej.: MAPE, MAE, MSE, etc.) no tienen afinidad con ningún sector. En pocas palabras, estas métricas ponen el énfasis en los
porcentajes de error en lugar de
los dólares de error. Si bien la minimización de los
porcentajes de error puede ser positiva, lamentablemente existen demasiado ejemplos que contradicen esto. Las métricas estadísticas no proporcionan ningún tipo de garantía de que el resultado financiero de una decisión derivada de un pronóstico será óptimo o incluso rentable. A veces,
los impulsores económicos resultan estar solo vagamente conectados con las métricas estadísticas genéricas, pero esto sucede "por casualidad", y basarse en el azar no es un metodología adecuada para la optimización de la cadena de suministro. En la práctica, este problema generalmente se magnifica debido a la naturaleza ilógica de la mayoría de las situaciones en las que las métricas puramente estadísticas difieren de las métricas de rendimiento de negocio.
Ejemplo: Consideremos un producto que se vende en una tienda a razón de 1 unidad por semana, en promedio, con un tiempo de entrega de 1 día (reabastecimiento diario). El mejor pronóstico de demanda mediana para este producto para cualquier día es cero unidades. Un pronóstico promedio podría haber arrojado una cantidad fraccionaria de 1/7, pero el pronóstico de mediana simplemente indica cero. Si bien la demanda de un día que debe satisfacerse es muy cercana a cero, las existencias reales que tienen que almacenarse para servir de modo adecuado a los clientes probablemente sean muchas más; es probable que se requieran 2 o 3 unidades para cumplir con las expectativas de los clientes en términos de calidad de servicio. El problema aquí es que el pronóstico es impreciso, porque si la demanda es estacionaria y verdaderamente aleatoria, los pronósticos que acabamos de mencionar son perfectamente precisos desde una perspectiva estadística. El problema es que se han ignorado los impulsores específicos de negocio.
Separación del pronóstico de la optimización de la cadena de suministro
Los impulsores económicos representan un desglose específico de los desafíos de la optimización de la cadena de suministro, en la que los aspectos específicos de negocio —es decir, los impulsores económicos— se separan de los aspectos que no tienen en cuenta el sector, es decir, los pronósticos puramente estadísticos. En esta sección, veremos brevemente los beneficios de este desglose, así como sus limitaciones.
En lo que se refiere a la optimización numérica, existe un principio general que establece que siempre es preferible optimizar el problema en conjunto, en lugar de optimizar las partes del problema por separado. Sin embargo, esto solo resulta verdadero mientras sea técnicamente posible abordar el desafío de la optimización desde una perspectiva monolítica.
No obstante, la mayor parte de la literatura sobre cadena de suministro —incluido este libro— tiende a coincidir en el hecho de que el pronóstico de la demanda es una empresa complicada que combina estadística, algoritmos, ingeniería de software y, posiblemente, computación distribuida cuando hay una plataforma de computación en la nube involucrada en el proceso. Por lo tanto, aislar el desafío del aspecto del pronóstico de la demanda ofrece la posibilidad de entregar pronósticos de demanda avanzados sin cargar la tecnología con innumerables consideraciones específicas del sector.
Del mismo modo, una ventaja similar se obtiene al aislar a la lógica de optimización de la cadena de suministro de la lógica del pronóstico de demanda, ya que la optimización de la cadena de suministro se mantiene
protegida de las tecnicidades que implica el pronóstico de la demanda. Esto permite indagar más en detalle en los impulsores económicos: límites del espacio de almacenamiento, descuentos, costos variables de desabastecimientos, costos variables por obsolescencia, etc. Al comprender de modo más acabado los impulsores económicos, se generan mejores decisiones, que están más alineadas con los riesgos y las oportunidades de una empresa.
Ejemplo: Consideremos una empresa que tiene dos almacenes y abastece de exactamente los mismos artículos a ambos almacenes. Los dos almacenes están ubicados cerca uno de otro pero, por costumbre, los clientes tienden a pedir siempre al mismo almacén los artículos que necesitan. Cuando un artículo deja de estar disponible en ese almacén, el personal llama al otro almacén para averiguar si tienen ese artículo disponible allí y, si lo está, se envía al almacén que se ha quedado sin existencias.
Argumentos a favor del pronóstico probabilístico
Como hemos visto en la sección anterior, separar el pronóstico de la demanda de la optimización de negocio ofrece la posibilidad de ejecutar una estrategia de optimización de la cadena de suministro que aprovecha tanto la analítica de pronóstico avanzada como una visión detallada del negocio mismo. Sin embargo, debe señalarse que
al elaborar pronósticos de demanda, el motor de pronóstico no sabe nada acerca de los factores específicos del negocio que son relevantes desde una perspectiva de optimización de la cadena de suministro. No obstante, los escenarios de negocio que tienen el mayor impacto financiero son generalmente escenarios extremos, desde un punto de vista estadístico. Por ejemplo, es la demanda inesperadamente alta la que generalmente causa desabastecimientos, mientras que es la demanda inesperadamente baja es la que causa cancelación de inventario.
Las herramientas de pronóstico clásicas ponen mucho énfasis en los pronósticos de media o de mediana, algo que no tiene sentido desde un punto de vista comercial. Independientemente de la precisión que pueda tener este tipo de pronósticos: si el escenario de negocio en cuestión se encuentra en el extremo estadístico, la herramienta de pronóstico no logrará proporcionar la proyección estadística relevante para evaluar el resultado financiero probable del escenario de negocio. Al contrario, las herramientas de pronóstico probabilístico evalúan las probabilidades respectivas de todos los niveles de demanda posibles, lo que, a su vez, ofrece la posibilidad de evaluar todos los escenarios de negocio posibles .
No resulta sorprendente que los pronósticos probabilísticos requieran muchos más recursos informáticos que los pronósticos clásicos, porque, de alguna manera,
los pronósticos probabilísticos utilizan la "fuerza bruta" para afrontar el desafío del pronóstico. Debido a que el motor de pronóstico no conoce los escenarios de negocio relevantes que deben tenerse en cuenta, simplemente elabora una respuesta estadística de amplio alcance que (aproximadamente) cubre todos los escenarios posibles. En la práctica, gracias a la posibilidad de acceder a vastos recursos informáticos a precios muy bajos a través de las plataformas de computación en la nube, los requisitos de computación incrementados necesarios para la generación de pronósticos probabilísticos no resultan un problema, siempre que esté disponible la tecnología adecuada.
Un breve resumen de los impulsores económicos comunes
Los impulsores económicos definen los resultados positivos y negativos de una decisión de cadena de suministro. El cálculo de estos resultados requiere la observación real de la demanda futura, pero si un pronóstico de demanda está disponible, los resultados pueden simularse. Los impulsores económicos están pensados para cubrir todas las ramificaciones de negocio que resultan de una decisión, y no simplemente los resultados financieros a corto plazo. En la práctica,
el establecimiento de impulsores económicos es a menudo semejante a realizar cálculos en un borrador para tener en cuenta diferentes escenarios de negocio.
Una de las decisiones más comunes de cadena de suministro consiste en pedir una unidad adicional de un determinado producto. Si existe demanda inmediata de la unidad pedida, la empresa suministrará la unidad y obtendrá una ganancia. Esto representa la ganancia asociada a la decisión de pedido . Si no existe demanda inmediata del artículo, la empresa tendrá que incurrir en los
costos de almacenamiento que acarrea almacenar esa unidad adicional. Esto representa el costo asociado a la decisión de pedido. El establecimiento de impulsores económicos para una decisión de pedido consiste en anotar tanto las ganancias resultantes como los costos resultantes de la decisión para un determinado escenario de demanda.
Además de las ganancias y los costos, las limitaciones también determinan el rango de decisiones de cadena de suministro aceptables:
- Capacidad de almacenamiento : Las tiendas y los almacenes tienen capacidades máximas, lo que evita cualquier pedido adicional que supere una determinada cantidad de existencias.
- MOQ : Los proveedores solo aceptan pedidos que superan cantidades de pedido mínimas (expresadas, por ejemplo, en número de unidades o cantidad pedida). Estas MOQ también pueden interpretarse y modelarse como costos fijos en pedidos de compra de proveedor.
- Costes de capital : La empresa tiene acceso limitado a liquidez y, por lo tanto, tiene que limitar la asignación de su capital de inventario. Obtener acceso a más capital puede demandarle mucho tiempo a la dirección de la empresa, y puede que esto no se alinee con su orientación estratégica.
- Capacidad de transporte : Al importar productos del extranjero, los pedidos pueden tener que tener determinadas dimensiones de modo que puedan caber en un contenedor. Los contenedores tienen un peso y un volumen máximos, y pueden interpretarse como una forma de costo fijo de los pedidos de compra.
Los impulsores económicos deben tener en cuenta todas las limitaciones mencionadas anteriormente, y muchas más en la práctica. Si no se tienen en cuenta las limitaciones, el sistema que combina los pronósticos de demanda con los impulsores económicos probablemente sugiera decisiones que no se ejecutarían en la realidad, como intentar llenar un almacén superando su capacidad de almacenamiento.
La perspectiva de Lokad sobre los impulsores económicos
Lokad ofrece un motor de pronóstico probabilístico. Si bien los datos deben calificarse y corregirse adecuadamente antes de ser introducidos en el motor de pronóstico, nuestro motor de pronóstico luego permitirá automatizar la operación del pronóstico estadístico por completo sin necesidad de configuración estadística. El motor de pronóstico de Lokad está listo para funcionar con numerosos sectores (comercio, fabricación, sector aeroespacial, etc.).
Sin embargo, los impulsores económicos son muy diversos. Para gestionar tal diversidad, Lokad ha introducido Envision, un lenguaje de programación específico de dominio que está diseñado para la optimización de la cadena de suministro. El resultado visible de Envision consiste en la elaboración de paneles de información; sin embargo, la función primaria de Envision es integrar impulsores económicos en los pronósticos a través de scripts, de modo que se puedan computar automáticamente decisiones optimizadas, por ejemplo, cantidades que deben reordenarse hoy.
La combinación adecuada de impulsores económicos y pronósticos probabilísticos requiere políticas que puedan aprovechar esos datos. Por ejemplo, la política de pedido priorizado es particularmente adecuada para proporcionar cantidades por pedir que equilibren en su totalidad los riesgos de inventario de negocio con los pronósticos de demanda.
En la práctica, la revisión y la formalización de los impulsores económicos, combinando estos impulsores con pronósticos probabilísticos, la calificación y la corrección de datos históricos, la generación de decisiones optimizadas que coincidan con el conjunto exacto de limitaciones de negocio aplicables son todas tareas realizadas por el equipo de Lokad a través de una suscripción mensual a un servicio de optimización del inventario.
Referencias
(1) El efecto farola y el pronóstico, Joannes Vermorel, septiembre de 2015
