El pronóstico probabilístico es el paradigma que actualmente utilizamos en Lokad. Sin embargo, desde que comenzó a aplicarse en 2016, la tecnología que respalda este paradigma ha ido evolucionando.
Los pronósticos probabilísticos representan una mejora significativa con respecto a la generación anterior de tecnología de pronóstico de Lokad basada en grillas de cuantiles. Comparados con los métodos de pronóstico clásicos, los pronósticos probabilísticos representan un avance muy importante, que proporciona una precisión mucho mayor y se traduce, a su vez, en ventajas operativas para la cadena de suministro, el inventario o la producción.Muchas empresas se frustran con los pronósticos que no hacen más que fallarles. En Lokad, nos ha llevado años llegar a la raíz del problema: se espera que los métodos de pronóstico tradicionales arrojen cifras "correctas". Es claro que el futuro es incierto, y cuando una determinada herramienta o una solución no logra proporcionar las cifras correctas como se espera, los beneficios no se materializan. En lugar de tomar en cuenta un futuro posible, los pronósticos probabilísticos
asignan una probabilidad a cada uno de varios resultados diferentes.
En este capítulo de LokadTV, conversamos sobre cómo pueden utilizarse los pronósticos probabilísticos para mejorar la manera en que operan las cadenas de suministro. Hablamos sobre la precisión y las limitaciones, debatimos acerca de por qué la industria sigue tan vinculada a técnicas más tradicionales y cómo es probable que sea el futuro del pronóstico.
IR A LOKADTV
Bienvenida sea la incertidumbre
En nuestra experiencia, no existen ni adaptación suficiente de los modelos de pronóstico existentes ni cantidad suficiente de I+D para desarrollar modelos mejores —en el sentido tradicional— que puedan solucionar este problema. Se supone que métodos como el análisis de las existencias de seguridad deberían gestionar la incertidumbre, pero, en la práctica, este tipo de análisis es apenas una alternativa. En la gestión de cadena de suministro, los costos se ven impulsados por eventos extremos: es la demanda extremadamente alta la que genera desabastecimientos y frustración del cliente, y la demanda extremadamente baja la que genera inventario muerto y, como consecuencia, una costosa pérdida de inventario. Como bien saben los ejecutivos, los negocios deberían esperar lo mejor, pero prepararse para lo peor. Cuando la demanda se ubica exactamente donde se espera que se ubique, todo va bien. Sin embargo, el desafío central del pronóstico comercial no reside en dar buenos resultados en los casos
sencillos, en los que todo irá bien, incluso considerando una media móvil, sino en manejar los casos
difíciles, los que presentan una disrupción para su cadena de suministro y hacen enloquecer a todos.
Lokad ha desarrollado un modo radicalmente nuevo de abordar los pronósticos: los pronósticos probabilísticos. Para simplificar, un pronóstico probabilístico de la demanda no se limita a proporcionar un cálculo de la demanda, sino que evalúa las probabilidades de cada uno de los escenarios futuros. Se calcula la probabilidad de 0 (cero) unidades de demanda, de 1 unidad de demanda, de 2 unidades de demanda, y así sucesivamente. Para cada nivel de demanda se calcula la probabilidad correspondiente hasta que las probabilidades se vuelven tan bajas que pueden ser ignoradas sin riesgos.
Estos pronósticos probabilísticos ofrecen un modo completamente nuevo de observar el futuro. En lugar de quedarse estancado en la perspectiva ingenua que espera que las cifras pronosticadas se materialicen, los pronósticos probabilísticos le recuerdan que todo es posible, pero no igualmente probable. Así, cuando se trata de prepararse para lo peor, los pronósticos probabilísticos ofrecen un modo sólido para equilibrar cuantitativamente los riesgos (mientras que los pronósticos tradicionales ni siquiera ven los riesgos).
Si bien el análisis del riesgo tiende a ser una alternativa en los abordajes de pronóstico tradicionales, Lokad está poniendo esto en primer plano con los pronósticos probabilísticos.
Desde el punto de vista del profesional del sector
Tal vez los pronósticos probabilísticos suenen muy técnicos e intimidantes. Aún así, si usted es un profesional de la cadena de suministro, es muy probable que haya estado realizando pronósticos probabilísticos intuitivos durante años: piense en todas las situaciones en las que fue necesario revisar sus pronósticos básicos porque los riesgos eran demasiado grandes... Esto es exactamente lo que hacen los pronósticos probabilísticos: equilibrar adecuadamente las decisiones del mundo real cuando se enfrentan a un futuro incierto. Y si bien el análisis del riesgo tiende a ser una alternativa en los abordajes de pronóstico tradicionales, Lokad está poniendo esto en primer plano con los pronósticos probabilísticos.
Los datos que arroja el motor de pronóstico probabilístico son distribuciones de probabilidades. Desde un punto de vista práctico, si bien esta información es extremadamente rica (es, después de todo, un vistazo de muchos futuros posibles), su uso resulta bastante poco práctico en su forma no elaborada. Como resultado, Lokad proporciona una plataforma completa, todas las herramientas necesarias y un equipo de asistencia para permitirle a su empresa convertir estas probabilidades en decisiones de negocios, como cantidades de reorden.
La aplicación web de Lokad incluye funciones de procesamiento de Big Data y permite crear la lógica de negocios necesaria para convertir estos pronósticos en decisiones que se adapten específicamente a su negocio. Estas decisiones pueden ajustarse a las limitaciones específicas de su cadena de suministro, como sus MOQ (cantidades de orden mínima), por ejemplo; sus impulsores económicos, como los riesgos asociados al vencimiento de la vida en anaquel; y sus procesos, como los pedidos de compra diarios que deben realizarse antes de las 8 am todos los días.
Robotización a través del machine learning
La gestión de la cadena de suministro a menudo incluye muchos productos que se mueven entre diferentes ubicaciones. Las soluciones de pronóstico tradicionales tienden a valerse mucho de ajustes bastante manuales cada vez que aparecen patrones estadísticos avanzados, como los efectos de nuevos productos o del ciclo de vida de los productos. En Lokad, sin embargo, nuestra experiencia indica que si la solución de pronóstico requiere adaptaciones, acaba por ser una historia sin fin: no importa cuántas semanas o meses de personal dedique a hacer que la solución funcione, siempre habrá una necesidad constante de más adaptación, simplemente porque hay demasiados productos, demasiadas ubicaciones, y porque el negocio cambia constantemente.
Por lo tanto, en Lokad hemos decidido optar por la robotización completa del proceso de pronóstico. Esto significa que
- no se necesitan conocimientos estadísticos para obtener pronósticos;
- no se espera que se realicen adaptaciones para ajustar los pronósticos;
- no se requiere mantenimiento para que los pronósticos se mantengan alineados con su actividad comercial.
Esta robotización se logra a través del
machine learning. Intuitivamente, cuando observamos productos uno por uno, la cantidad de información disponible por producto generalmente es demasiado insignificante para realizar un análisis estadístico preciso. Sin embargo, al observar las
correlaciones entre todos los productos vendidos en toda su historia. es posible autoadaptar los modelos de pronóstico, así como calcular pronósticos mucho mejores que aprovechan no solo los datos del producto mismo, sino también los de todos los productos que resultan similares desde una perspectiva de pronóstico. Los algoritmos capaces de abordar este tipo de problema estadístico de alta dimensionalidad generalmente se conocen como algoritmos de
machine learning o algoritmos de
aprendizaje estadístico. Lokad aprovecha precisamente estos algoritmos —muchos de ellos, en realidad— para entregar sus pronósticos.
La desventaja (menor) de estos algoritmos es que consumen mucha más potencia de procesamiento que sus equivalentes tradicionales. Sin embargo, este desafío se aborda a través de la computación en la nube, que mantiene al motor de pronóstico en funcionamiento sin importar la cantidad de datos involucrados.
El origen de nuestros pronósticos probabilísticos
Lokad no inventó el pronóstico probabilístico; fueron otros matemáticos quienes lo hicieron, principalmente utilizando el concepto para abordar un conjunto de problemas muy diferente, como el pronóstico del precio de las acciones de productos básicos o el pronóstico del tiempo. Además, Lokad no utilizó el pronóstico probabilístico desde el comienzo: pasamos por el pronóstico clásico (2008), el pronóstico cuantílico (2012) y las grillas de cuantiles (2015) antes de llegar a esto.
Como resultado, los pronósticos probabilísticos son en realidad la cuarta generación de nuestra tecnología de pronóstico.
Gracias a la experiencia obtenida de las iteraciones anteriores de esta tecnología, hemos reunido una cantidad significativa de saber hacer en lo relacionado con el diseño de un motor de pronóstico adecuado para cubrir una amplia gama de situaciones de negocios.
La idea misma de calcular probabilidades en lugar de un promedio provino de nuestros primeros años, cuando todavía estábamos intentando hacer funcionar el abordaje clásico. Nos llevó bastantes intentos fallidos darnos cuenta de que el abordaje clásico tenía un defecto intrínseco, y que no importaba la cantidad de I+D que invirtiéramos, no era posible arreglar un marco estadístico roto. Era preciso arreglar el marco estadístico en sí mismo primero para hacer que el modelo de pronóstico funcionara.
Además, cada iteración de nuestro motor de pronóstico ha sido una generalización —desde un punto de vista matemático— de la versión anterior: cada nueva generación de nuestro motor de pronóstico podía gestionar más situaciones que la anterior. De hecho, es mejor que algo sea aproximadamente correcto que que sea totalmente equivocado. Las situaciones más difíciles se encuentran cuando el motor de pronóstico no puede generar los pronósticos que serían los más apropiados para una determinada situación de negocios, porque el motor no es lo suficientemente expresivo. O cuando el motor de pronóstico no puede procesar los datos de entrada que serían realmente relevantes para obtener información estadística estratégica sobre una determinada situación porque, también en este caso, el motor no tiene suficiente expresividad. En Lokad, el pronóstico es un trabajo en curso. Si bien estamos orgullosos de lo que hemos hecho con nuestro motor de pronóstico probabilístico, este no representa el final de nuestros esfuerzos. A diferencia de las soluciones in situ, en las que el cambio a una nueva herramienta es un desafío en sí mismo, los clientes de Lokad tienen la ventaja de poder utilizar la siguiente generación de nuestro motor de pronóstico apenas está disponible.
Preguntas frecuentes sobre nuestros pronósticos
¿Qué modelos de pronóstico utilizan?
Estamos utilizando muchos modelos de pronóstico. La mayoría de los modelos que utilizamos actualmente deberían considerarse algoritmos de machine learning. Estos modelos han sido desarrollados por Lokad y, generalmente, no tienen equivalentes con nombre en la literatura científica. Cuando comenzamos allí por 2008, habíamos reimplementado todos los modelos clásicos (Box-Jenkins, ARIMA, Holt-Winters, alisado exponencial, etc.), pero estos modelos cayeron en desuso ya que simplemente no podían competir con nuestros modelos más recientes.
¿Cómo eligen el modelo o los modelos que se utilizarán?
La selección del modelo correcto o de la combinación convexa de modelos correcta es la mitad de la batalla cuando se trata de diseñar un buen pronóstico. Desde un punto de vista estadístico, un sistema capaz de elegir siempre el mejor modelo sería estrictamente equivalente a un sistema que siempre elige los pronósticos perfectos. En la práctica, nuestro motor de pronóstico se vale en gran parte del
análisis retrospectivo para seleccionar el mejor conjunto de modelos.
¿Su motor de pronóstico puede procesar estacionalidad, tendencias, días de la semana, etc.?
Sí, nuestro motor de pronóstico puede procesar todas las ciclicidades habituales. Además, nuestros modelos utilizan de modo intensivo un abordaje de series de tiempo múltiple para aprovechar las ciclicidades observadas en los productos con el fin de mejorar la precisión del pronóstico de cualquier producto específico. Naturalmente, es posible que dos productos compartan la misma estacionalidad, pero no el mismo patrón de día de la semana. También tenemos modelos para gestionar estos casos.
¿Qué datos necesitan?
Para poder pronosticar la demanda, el motor de pronóstico necesita contar con —al menos— la demanda histórica diaria, mientras que proporcionarle un historial de pedido desagregado es aún mejor. En cuando a la extensión del historial, cuanto más extenso, mejor. Si bien no es posible detectar estacionalidad con menos de 2 años de historial, podemos considerar que un historial de 3 años es bueno y uno de 5 años es excelente. Para poder pronosticar los tiempos de entrega, el motor generalmente requiere los pedidos de compra que contienen tanto las fechas de pedido como las fechas de entrega. Especificar los atributos de producto o SKU también ayuda considerablemente a refinar los pronósticos. Además, conocer sus niveles de stock también nos ayuda a proporcionarle un primer análisis de stock significativo.
¿Pueden pronosticar con mi planilla de Excel?
Como regla general, si todos sus datos entran en una planilla de Excel, generalmente no podremos hacer mucho por usted y, sinceramente, nadie podrá. Es probable que los datos de la planilla de cálculo estén agregados por semana o por mes, y la mayor parte de los datos históricos acaban perdiéndose en esa agregación. Además, en este caso, su planilla tampoco contendrá mucha información sobre las categorías y las jerarquías que se aplican a sus productos. Nuestro motor de pronóstico aprovecha todos los datos que tiene, y hacer una prueba sobre una muestra pequeña no arrojará resultados satisfactorios.
¿Qué sucede con los desabastecimientos y las promociones?
Tanto los desabastecimientos como las promociones representan un sesgo en las ventas históricas. Y debido a que nuestro objetivo es pronosticar la demanda, y no las ventas, este sesgo debe tenerse en cuenta. Un modo frecuente —pero incorrecto— de gestionar estos eventos consiste en reescribir el historial para rellenar los vacíos y truncar los picos. Sin embargo, no somos partidarios de este abordaje, porque consiste en transmitir pronósticos al motor de pronóstico, lo que puede dar como resultado grandes problemas de sobreajuste. En cambio, nuestro pronóstico respalda en forma nativa las marcas (flags) que indican los puntos en los que la demanda ha sido censurada o exagerada.
¿Pronostican nuevos productos?
Así es. Sin embargo, para poder pronosticar nuevos productos, el motor requiere las fechas de lanzamiento de otros productos "más viejos", así como su demanda histórica en el momento del lanzamiento. Además, también se recomienda que especifique algunas categorías de su producto o una jerarquía de producto. De hecho, el motor pronostica nuevos productos detectando automáticamente los productos "más viejos" que pueden considerarse comparables con los nuevos. Sin embargo, debido a que aún no se ha observado ninguna demanda de los nuevos artículos, los pronósticos se valen exclusivamente de los atributos asociados con esos artículos.
¿Es posible ajustar los pronósticos?
Casi una década de experiencia en pronósticos estadísticos nos ha enseñado una y otra vez que el ajuste de los pronósticos nunca es una buena idea. Si es necesario ajustar los pronósticos, probablemente haya un bug en el motor de pronóstico que es necesario depurar. Si no hay ningún bug que depurar, y los pronósticos se realizan como se espera desde un punto de vista estadístico, ajustarlos probablemente sea la respuesta equivocada al problema. Generalmente, la necesidad de ajustar los pronósticos refleja la necesidad de tener en cuenta un impulsor económico de alguna clase, lo que tiene impacto en el análisis de riesgos "por sobre" el pronóstico, pero no en el pronóstico en sí.
¿Tienen experiencia en mi sector?
Tenemos experiencia en muchos sectores: moda, alimentos frescos, productos de consumo, electrónica, piezas de recambio, sector aeronáutico, manufactura liviana, manufactura pesada, etc. También gestionamos diferentes tipos de actores: e-commerce, mayoristas, importadores, fabricantes, distribuidores, cadenas minoristas, etc. El modo más sencillo para asegurarse de si tenemos experiencia en su sector es ponerse en contacto con nosotros directamente.
¿Utilizan datos externos para perfeccionar los pronósticos?
No. Si bien nuestros pronósticos se benefician del saber hacer y de la adaptación global del sistema que hemos obtenido al trabajar con otros clientes, sus pronósticos no contienen ningún dato obtenido de fuentes de datos externos, ya sea de clientes de Lokad o de conjuntos de datos públicos. De modo similar, sus datos solo serán utilizados con fines explícitamente asociados con la cuenta de su empresa, y nada más.
