Actualización de mayo de 2016: el motor de pronóstico de Lokad ahora respalda en forma nativa los
desabastecimientos. Por lo tanto, nuestros pronósticos probabilísticos no son solo resistentes al sesgo que introducen los desabastecimientos, sino que pueden gestionar las correcciones en forma nativa suponiendo que los desabastecimientos pasados han sido identificados correctamente
Las situaciones de falta de existencias no solo afectan a la actividad comercial debido a la pérdida de fidelidad que generan en los clientes que no pueden ser servidos, sino también porque introducen un sesgo en las observaciones de la demanda histórica. A causa de las faltas de existencias, un valor de ventas igual a cero no necesariamente se corresponde con una demanda igual a cero. Salescast no es inmune a este problema; sin embargo, si se usa adecuadamente, puede ser extremadamente
resistente a él.
Impacto de las faltas de existencias en los pronósticos clásicos
Un pronóstico en el sentido clásico (de mediana) representa una anticipación del futuro que tiene un 50 % de probabilidades de estar por encima o por debajo de la demanda futura. Cuando se observan situaciones de faltas de existencias, se introduce un
sesgo descendente en los registros históricos debido a que, generalmente, no se da cuenta de la demanda insatisfecha.
Como consecuencia, los pronósticos que se construyen sobre esos datos históricos presentan un sesgo descendente, que a su vez genera más situaciones de faltas de existencias.
En el caso más extremo, si no hay un nivel de existencias mínimo definido, el proceso de reabastecimiento puede llegar a un
estado de inventario congelado, en el que no se registran más ventas —porque no hay existencias— y en donde no se vuelve a ordenar inventario. Peor aún, en esta situación, los pronósticos resultan 100 % precisos: los pronósticos señalan cero y se corresponden con las ventas, que son iguales a cero.
Inconvenientes de la integración de datos de faltas de existencias
Para corregir el sesgo introducido por las faltas de existencias, es preciso dar cuenta de ellas. Para hacerlo, se pueden recopilar registros históricos detallados sobre las faltas de existencias pasadas (y actuales). Si bien esta idea puede resultar atractiva, vemos que, en la práctica, este método requiere esfuerzos considerables.
- La mayoría de las empresas no hace un seguimiento preciso de las faltas de existencias. No es suficiente contar con algunos datos de las faltas de existencias; estos datos deberían ser exhaustivos y precisos para poder tener la posibilidad de mejorar los pronósticos de demanda.
- Las faltas de existencias son (con un poco de suerte) relativamente raras, ya que generalmente ocurren menos del 10 % del tiempo en la mayoría de las actividades comerciales. Como consecuencia, se necesita un volumen comercial significativo para recopilar datos suficientes para poder respaldar un análisis estadístico robusto de las situaciones de faltas de existencias.
- El impacto de las faltas de existencias es complejo. Las faltas de existencias causan canibalizaciones (en los artículos no disponibles) cuando hay sustitutos presentes. También pueden hacer que los clientes pospongan su demanda, que a veces genera un pico de demanda cuando esos artículos vuelven a estar disponibles.
En Lokad, contamos con mucha experiencia en el análisis de las faltas de existencias, incluso hemos diseñado una tecnología
dedicada al análisis de las faltas de existencias, y nuestra experiencia nos dice que, a menos que cuente con al menos 100 tiendas, o con una actividad comercial de esas dimensiones, intentar corregir el sesgo de las faltas de existencias a través del análisis histórico de las mismas no vale la pena el esfuerzo.
Pronósticos cuantílicos como pronósticos resistentes al sesgo
Por el contrario, los pronósticos cuantílicos representan una alternativa mucho más eficiente y
austera para mitigar el sesgo introducido por las faltas de existencias. En pocas palabras, los pronósticos cuantílicos se utilizan para computar
puntos de reorden como pronósticos sesgados
en forma nativa. Por ejemplo, un punto de reorden computado con un 95 % de nivel de servicio es una estima construida para estar un 95 % del tiempo justo por encima de la demanda (con faltas de existencias solo el 5 % del tiempo).
Los pronósticos cuantílicos, cuando se asocian a niveles de servicio
altos —es decir, por sobre el 90 % en la práctica—, se comportan de un modo muy diferente al de los pronósticos clásicos. Intuitivamente, para poder computar un pronóstico cuantílico del 95 %, el análisis se concentra en el primer 5 % de las fluctuaciones más extremas de la demanda. Si bien es posible que las faltas de existencias hayan sido tan predominantes en un historial que incluso el primer 5 % de ventas observado sea solo una fracción de la demanda
habitual, en la práctica esto es algo que generalmente no sucede. Incluso en presencia de faltas de existencias significativas, el punto más alto de demanda en el historial es generalmente más alto que la demanda promedio.
Como resultado, los pronósticos cuantílicos casi nunca entran en el círculo vicioso en el que las faltas de existencias introducen tanto sesgo que llevan a que los pronósticos sesgados exacerben aún más el problema de falta de existencias. Vemos que, para la gran mayoría de nuestros clientes, los pronósticos cuantílicos generan un círculo virtuoso en el que, siendo estos pronósticos más resistentes al sesgo, reducen inmediatamente la frecuencia de las faltas de existencias, lo que
vuelve a poner bajo control los niveles de servicio. Luego, al cabo de un tiempo, la frecuencia de las faltas de existencias converge hacia los niveles de servicio objetivo definidos.
