¿Cómo puedes mejorar tus métricas y proceso de pronóstico sin algoritmos sofisticados?

¿Cómo mejorar métricas y proceso de pronóstico sin algoritmos sofisticados?

El desarrollo de análisis descriptivos puede ayudar a identificar áreas de enfoque para mejorar los KPI de la planificación de la demanda y la eficiencia del proceso

Introducción

La planificación de la demanda está en la vanguardia de un proceso de Planificación Integrada de Negocios (IBP, por sus siglas en inglés). Los resultados de esta etapa son la base para otras etapas (por ejemplo, planificación de suministro, planificación de producción). Esta etapa generalmente comienza con la generación de un pronóstico estadístico basado en ventas históricas y su combinación con datos de ventas para llegar a un pronóstico de línea de base inicial. Luego, este pronóstico se perfecciona para obtener un pronóstico de consenso después de revisarlo y alinearlo con los interesados en ventas y marketing. Normalmente seguimos el seguimiento de la exactitud del pronóstico y el sesgo como los indicadores clave de rendimiento (KPI) en esta fase de la IBP. Los equipos de cadena de suministro, ventas y marketing pueden invertir considerable tiempo, esfuerzo (y dinero) para obtener un pronóstico preciso, a menudo invirtiendo en herramientas de pronóstico costosas. Si bien es ciertamente útil tener una suite de algoritmos avanzados para mejorar la exactitud del pronóstico, los análisis descriptivos derivados de las ventas históricas y los datos de pronóstico también pueden ayudar a agilizar el proceso de planificación de la demanda y mejorar los KPI.

¿Por qué necesitamos este tipo de análisis?

En su mayor parte, los análisis tienen dos propósitos principales:

1) Ayudan a reconocer oportunidades para mejorar los KPI

2) Ayudan a identificar pasos del proceso con ineficiencias

• Depuración y Mejora de las Respuestas de ChatGPT 🧐
• Utilizando datos e inteligencia artificial para rastrear el progreso hacia los Objetivos Globales de las Naciones Unidas
• IA generativa y agentes multimodales en AWS La clave para desbloquear nuevo valor en los mercados financieros

Por ejemplo, comparar la exactitud del pronóstico de ventas con la exactitud del pronóstico estadístico para cada producto y cliente puede ayudar a comprender dónde invertir tiempo en recopilar datos de ventas produce resultados más precisos que un pronóstico estadístico generado por el sistema. El equipo de ventas puede centrarse solo en esos elementos específicos y ahorrar tiempo y esfuerzo, al mismo tiempo que genera un mejor pronóstico.

Los análisis también ayudan a transmitir un mensaje claro a la alta dirección sobre las acciones concretas. En lugar de tratar de entender datos de KPI oscuros, los análisis resaltan áreas específicas para mejorar, así como entidades de alto rendimiento para aprovechar los conocimientos de toda la empresa. Esto es altamente efectivo para obtener la aprobación de la gerencia para trabajar hacia metas específicas y tangibles.

Diseñando análisis

Uno de los enfoques más intuitivos es analizar los componentes individuales del proceso de planificación de la demanda (Figura 1) y desarrollar análisis descriptivos para cada uno de estos subprocesos.

* Todas las imágenes en este artículo, a menos que se indique lo contrario, son del autor

Primero, analizamos las ventas históricas y eliminamos los valores atípicos. En el paso de generación de pronósticos estadísticos, las ventas históricas ajustadas por valores atípicos se utilizan para generar un pronóstico basado en el sistema. En el siguiente paso, los equipos de ventas recopilan comentarios de los clientes o proporcionan su estimación de la demanda, que se convierte en el pronóstico de ventas. El pronóstico estadístico y el pronóstico de ventas, junto con las ventas históricas y la información sobre eventos especiales, son analizados por el gerente de demanda utilizando los paneles de análisis para llegar a un pronóstico de línea de base. El pronóstico de línea de base se revisa por los interesados en los equipos de ventas, marketing y planificación de suministros en una reunión recurrente (a menudo mensual o semanal) para alinearse en un pronóstico de consenso. Los análisis son revisados por todos los interesados en esta reunión para establecer acciones específicas. Después de esta discusión, se incorporan las restricciones de suministro (si las hay) en el pronóstico para llegar a un pronóstico final.

Antes de implementar los análisis, es importante decidir su granularidad. Las diferentes unidades de negocio dentro de una organización pueden planificar su demanda, suministro y logística en diferentes jerarquías de productos y clientes. La planificación de productos puede hacerse a nivel de SKU, familia de productos (u otro) según la configuración de fabricación. La planificación de clientes puede hacerse a nivel de cliente o nivel de segmento de mercado, entre otros, según cómo se configuren las cuentas. En lugar de desarrollar y mostrar análisis descriptivos para cada entidad individual, puede ser útil desarrollar flexibilidad para elegir los niveles en los que desea ver los análisis y las ideas. El diseño de los análisis también se ve influenciado por los KPI que queremos mejorar. En este artículo, nos centraremos en análisis descriptivos basados en el volumen que deberían ayudar a mejorar el error porcentual absoluto promedio ponderado (MAPE) como indicador de la precisión del pronóstico.

Plantillas de análisis

En esta sección, discutiremos análisis descriptivos que utilizan pronósticos y ventas históricas (datos reales) en los cálculos. Es importante destacar que todos los pronósticos y datos reales son para volúmenes vendidos en la granularidad elegida. Las granularidades elegidas (en términos de jerarquías de productos y clientes, períodos de tiempo históricos, tipos de pronóstico, etc.) en las visualizaciones a continuación son simplemente ejemplos y se pueden actualizar para que coincidan con una configuración empresarial. Las cajas azules en la parte superior de cada visualización son menús desplegables donde el usuario puede seleccionar varios elementos (con la excepción de “Entidad de visualización”, donde solo se puede seleccionar una entidad). “Entidad de visualización” es el nivel en el que se visualiza el análisis. El período de tiempo denota el período pasado más reciente (en meses en los ejemplos mostrados en esta sección) durante el cual se realiza el análisis.

I. Escala y Variabilidad de la Demanda

En la Figura 2, mostramos las ventas reales a nivel de SKU durante los últimos 12 meses. Esto se muestra en forma de un diagrama de caja que resalta la mediana, el percentil 25, el percentil 75, el mínimo y el máximo de las ventas durante el período de tiempo histórico.

Insight(s): Los diagramas de caja, como se muestra en la Figura 2, proporcionan una idea de la escala de la demanda (denotada por la mediana) durante un período de tiempo histórico y la variabilidad de la demanda expresada mediante el rango intercuartílico (IQR). Podemos optar por ordenar por la mediana o el IQR para identificar los volúmenes más grandes o los elementos con mayor variabilidad, respectivamente.

Acción(es): Por lo general, centramos nuestros esfuerzos de pronóstico en los elementos de alto volumen y alta variabilidad, mientras que utilizamos un pronóstico estadístico para los elementos de bajo volumen o baja variabilidad.

II. Ventas Históricas de Pareto

En la Figura 3, trazamos las ventas reales realizadas por cada cliente durante los últimos 6 meses.

Insight(s): El gráfico de la Figura 3 muestra a los clientes listados uno al lado del otro en orden descendente de volumen de ventas en los últimos 6 meses. Esta vista también nos permite calcular las ventas acumuladas durante este período pasado para un conjunto de clientes.

Acción(es): A menudo, un pequeño porcentaje de clientes son responsables de la mayoría de la demanda (regla del 80-20). Sería prudente centrarse en pronosticar estos elementos para obtener un mayor retorno de la inversión de tiempo.

III. Interventores Pobres Consistentes

En la Figura 4A y la Figura 4B, observamos la desviación bruta y absoluta del pronóstico respecto a los datos reales, respectivamente, a nivel de SKU sumados durante los últimos 6 meses.

Insight(s): Las desviaciones positivas en la Figura 4A muestran áreas donde consistentemente hemos sobrepronosticado y las desviaciones negativas resaltan elementos donde hay una subestimación constante. El segundo gráfico (Figura 4B) muestra dónde nos equivocamos en el momento del pronóstico para el elemento (intermitentemente sobrepronosticado y subestimado).

Acción(es): Idealmente, reduciríamos el pronóstico para los elementos con un sesgo positivo constante y aumentaríamos el pronóstico para aquellos que han sido subestimados persistentemente a menos que las condiciones comerciales hayan cambiado. Para aquellos en los que no podemos capturar el momento adecuado, es posible que deseemos colaborar con los clientes para comprender las causas subyacentes y capturar el momento de manera más precisa.

IV. Segmentar elementos basados en la precisión de la previsión

En la Figura 5, mostramos la desviación entre el error de la previsión de ventas y el error de la previsión estadística en la combinación de SKU-cliente agregada durante los últimos 6 meses.

Visión(es): El sesgo positivo en la Figura 5 muestra dónde la previsión de ventas tuvo un error acumulativo más alto en 6 meses que la previsión estadística correspondiente. Las desviaciones negativas muestran dónde los ajustes de ventas están mejorando la previsión en comparación con la previsión estadística (es decir, el error acumulativo de la previsión de ventas es menor que el error acumulativo de la previsión estadística durante el período de tiempo seleccionado).

Acción(es): Para mejorar las métricas, usaríamos la previsión estadística para los elementos con desviaciones positivas y la previsión de ventas para las entidades con desviaciones negativas. Esto asumiendo nuevamente que las condiciones comerciales permanezcan estables.

V. Valores atípicos basados ​​en ventas recientes

En la Figura 6, investigamos la desviación de la previsión de ventas para el próximo mes en comparación con el promedio de los últimos 3 meses.

Visión(es): Los errores positivos en la Figura 6 muestran dónde estamos sobreestimando en comparación con las ventas recientes, mientras que las desviaciones negativas muestran dónde anticipamos que las ventas serán mucho más bajas que la historia reciente.

Acción(es): Querríamos revisar de cerca los valores atípicos y verificar si la previsión está fuera de línea o si hubo una anomalía en las ventas recientes, y ajustar la previsión si es necesario.

VI. Valores atípicos basados ​​en el crecimiento y la estacionalidad

Para estas visualizaciones, normalmente elegimos la familia de productos o un nivel superior, ya que un atributo de nivel inferior (por ejemplo, SKU) puede generar ruido en las tasas de crecimiento. Por la misma razón, tendemos a analizar los valores atípicos trimestralmente en lugar de mensualmente. En la Figura 7A, observamos las familias de productos con desviación de la previsión de ventas a partir de las ventas esperadas en el segundo trimestre. Las ventas esperadas en el segundo trimestre son simplemente el producto de las últimas ventas disponibles en el segundo trimestre y la tasa de crecimiento promedio para las ventas del segundo trimestre en varios años. En la Figura 7B, profundizamos en las tasas de crecimiento (%) para varios trimestres, mirando año tras año durante los últimos 3 años.

Visión(es): Los errores positivos en la Figura 7A muestran dónde estamos sobreestimando en comparación con las ventas esperadas considerando el crecimiento promedio interanual y la estacionalidad, mientras que las desviaciones negativas muestran dónde anticipamos que las ventas serán más bajas que el crecimiento interanual ajustado por la estacionalidad esperada. Al analizar en detalle una familia de productos (por ejemplo, PF21) en la Figura 7B, encontramos que la tasa de crecimiento estimada para el segundo trimestre del próximo año es mucho más baja que la tasa de crecimiento promedio del segundo trimestre de los últimos 3 años y requiere un análisis más detallado.

Acción(es): Los valores atípicos más grandes (positivos y negativos) deben revisarse para comprender por qué las previsiones no están en línea con el crecimiento y la estacionalidad esperados y ajustarse en consecuencia.

VII. Valores atípicos de precio y volumen

En la Figura 8, trazamos el precio normalizado frente al volumen para la familia de productos PF23. Mientras que el precio se normaliza utilizando el precio del feed relevante ‘Feed3’, el volumen no se normaliza, ya que es posible que no tengamos datos sobre la demanda general de la industria para esta familia de productos o una comparable. Para períodos históricos, se utilizan precios y volúmenes históricos para generar el gráfico de dispersión, mientras que se utilizan precios y volúmenes pronosticados para generar el pronóstico normalizado hacia el futuro del precio y volumen.

Insight(s): El gráfico de dispersión muestra cómo el precio (normalizado) y el volumen (normalizado) están correlacionados a diferentes granularidades. Si bien esto aproxima cómo se mueve el volumen con los cambios de precio (tenga en cuenta que las entidades de normalización en sí mismas son aproximaciones), el gráfico puede ayudar a identificar valores atípicos en el pronóstico (por ejemplo, un volumen pronosticado (normalizado) demasiado alto para un precio pronosticado (normalizado) dado, al compararlo con las tendencias históricas de precio vs volumen (normalizado)).

Acción(es): Exploramos los valores atípicos en el gráfico de precio vs volumen para el horizonte de pronóstico y revisamos el contexto empresarial histórico y las condiciones actuales de oferta y demanda del mercado para evaluar si los valores atípicos están justificados. Si no lo están, se ajustan los volúmenes o precios para que los pronósticos se ajusten a las tendencias históricas.

VIII. Entidades con degradación o mejora de pronósticos consistentes a lo largo del tiempo

En la Figura 9A, analizamos el rendimiento del Pronóstico Lag2Final (pronóstico finalizado 2 meses antes del mes con los datos reales que se analizan) a nivel de SKU en los últimos 6 meses. Además, también investigamos los artículos de la familia de productos que tienen el menor error absoluto en el Pronóstico Lag2Final durante 6 meses, como se muestra en la Figura 9B. Para comprender las tendencias de cada uno de estos artículos, trazamos los diferentes pronósticos de retraso vs datos reales en la Figura 9C.

Insight(s): A partir de la Figura 9A, podemos identificar las entidades que se pronostican de manera consistente por encima o por debajo del pronóstico en función de si los errores son positivos o negativos, respectivamente. La Figura 9B muestra los artículos que tienen la mayor precisión para un pronóstico Lag seleccionado en un período de tiempo. Desglosamos la información (como se muestra en la Figura 9C) para investigar cada artículo de la tabla en la Figura 9B y cómo se desempeñó en comparación con otros pronósticos de retraso durante el período pasado.

Acción(es): Nos gustaría reducir el error para todos los pronósticos de retraso y, en consecuencia, nos enfocaremos en los malos resultados en todos estos pronósticos. Otra acción posible es aprender del pronóstico de retraso que tiene el mejor rendimiento de manera consistente en cualquier nivel de granularidad de interés y utilizarlo como referencia para el futuro. Por ejemplo, si empeoramos el pronóstico al pasar de Lag3Final a Lag2Final a Lag1Final para cualquier artículo, primero queremos entender la causa raíz; si se considera que se trata de actualizaciones de pronóstico deficientes que no están relacionadas con ninguna anomalía empresarial, podríamos simplemente dejar de actualizar el pronóstico después de Lag3Final para el artículo en cuestión.

Resumen

Aunque hemos discutido un conjunto de análisis descriptivos clave para la planificación de la demanda, estos no son exhaustivos. Por ejemplo, se puede encontrar una lista detallada aquí. Sin embargo, es importante considerar el equilibrio entre tener demasiados y demasiados pocos análisis. Demasiado pocos no proporcionan suficientes ideas y demasiados consumen mucho tiempo y esfuerzo, lo que va en contra del propósito original de la gestión de pronósticos por excepción. El objetivo es buscar consistencia en las ideas de múltiples análisis. Al final del día, independientemente del número de análisis, queremos utilizarlos para identificar áreas que requieran atención adicional para mejorar el proceso de planificación de la demanda y la precisión del pronóstico de una organización.

Gracias por leer. Espero que te haya sido útil. No dudes en enviarme tus comentarios a [email protected]. Conéctate conmigo en LinkedIn.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!