Demand Planning

Aprendamos a predecir la demanda

Predecir la demanda futura con el mayor grado de fiabilidad se ha convertido en uno de los factores más importantes dentro del proceso general que denominamos Planificación de la Demanda (Demand Planning). Factor al que cada vez más empresas están otorgando una mayor importancia. Ya no es suficiente aplicar métodos obsoletos y con poco rigor cuantitativo. Debemos avanzar hacia modelos que tengan como objetivo otorgar un mayor grado de fiabilidad a nuestras previsiones con modelos analíticos incorporando de forma eficiente eventos externos que que aporten calidad a las previsiones (Demand Driven Forecasting), sobre todo para empresas en las que el ciclo de vida del producto es corto o muy corto.

Otorgar un mayor grado de fiabilidad a la previsión requiere de un cambio profundo en los procesos que se han venido utilizando hasta ahora por muchas empresas. Y no han sido otros que el cálculo del pronóstico con herramientas obsoletas con un aporte escaso de valor añadido al proceso planificador sumado a un exceso (abuso) en el uso de métodos cualitativos basados en el juicio o conocimiento de personas sobre los productos y/o mercados en los que vendemos nuestros productos. Ello no quiere decir que la incorporación de datos subjetivos no sean necesarios (sobre todo cuando no se dispone de herramientas de cálculo o de datos históricos suficientes), sino de conocer en qué momento y cómo debemos introducir modificaciones a los resultados de nuestro pronóstico cuantitativo debido a alteraciones en el comportamiento del producto en el futuro más próximo por efectos/acciones internas o efectos externos a la propia empresa. O al menos ese debe ser el objetivo.

Existen comportamientos de la demanda histórica con patrones fácilmente predecibles con un alto grado de fiabilidad en un horizonte temporal definido, como son la tendencia o la estacionalidad. Otros comportamientos son menos predecibles, ya que no conocemos el impacto de los mismos sobre la demanda o la obtención de datos puede ser un proceso muy complejo.

Estos comportamientos pueden ser predecibles utilizando métodos causales, es decir, relacionando la serie temporal histórica con otras variables diferentes al tiempo como pueden ser el precio, campañas de marketing o promociones. También sería posible aplicar métodos causales relacionando la demanda con factores externos, como pueden ser indicadores económicos o sectoriales, índice de confianza o cualquier otra variable que creamos pueda tener algún tipo de relación con el comportamiento de la demanda de nuestros productos. Pero insisto, es necesario contar con los datos apropiados para poder realizar previsiones afectadas por variables externas.

A continuación, describo algunos de los factores que pueden de manera sistemática influenciar en la fiabilidad  de nuestro pronóstico

Patrones de comportamiento

Uno de los requisitos fundamentales  para la realización del cálculo de la previsión, ya sean modelos cuantitativos o modelos cualitativos, es la identificación de patrones de comportamiento o relaciones causales de la demanda con variables externas. Por lo tanto, es necesario que el patrón y/o relación causal sean correctamente identificados como paso previo a la realización de la previsión.

No determinar estos patrones de comportamiento o relaciones causales imposibilitan en gran manera el cálculo de una previsión coherente desde un punto de vista cuantitativo, incluso teniendo información de tipo cualitativo o basadas en juicios pre-establecidos.

En muchos casos, el patrón de comportamiento y/o la relación causal se encuentran “ocultos” en la parte aleatoria de la demanda (randomness) pudiendo variar de forma impredecible en el tiempo.

Intervención subjetiva o de los individuos

Los cambios que se realizan en el pronóstico de forma intencionada por parte de personas de una organización son directamente proporcionales al error que cometemos en el mismo. Es decir, a una mayor intervención, el resultado que se obtiene es más pobre (mayor error de pronóstico). Esta práctica, aunque en principio nos puede resultar apropiada por el “conocimiento” que tenemos del entorno comercial de nuestra organización, a largo plazo es equivocada y produce un efecto que se denomina sesgo (bias). Es decir, mantiene un exceso de optimismo, (overly optimistic) provocando un incremento subjetivo en el pronóstico frente al dato real.

Diferentes estudios llevados a cabo en este campo por la Universidad de Lancaster (Centro de Estudios de Pronóstico) en diferentes empresas, determinaron que se pueden llegar a realizar modificaciones en un 75 % de las referencias pronosticadas encontrándose como principal justificación una simple cuestión de costumbre.

La intervención humana es un factor que aumenta la incertidumbre, por la tanto, tendrá un impacto mayor en el error del pronóstico con las consecuencias que conlleva para una buena optimización del inventario.

Tamaño o volumen de la previsión

Cuanto mayor es el tamaño de los datos e items empleados en el cálculo de la previsión, menor es la variación con respecto del dato real. Por lo tanto, el error que se produce es menor. La ley estadística de los grandes números indica que cuanto mayor es el tamaño de los datos, menor será el error cometido. Ocurre justo lo contrario cuando el número de items y datos es menor.

Por ejemplo, si el cálculo del pronóstico has sido 1000 unidades y el dato real de venta ha sido 900 para el periodo calculado, tendremos un error absoluto de 100 unidades con una fiabilidad del 90 %. Si realizamos un pronóstico de 10 y del dato real ha sido de 5 unidades porque nos basamos en ciclos menores de tiempo, la variación ha sido de 5 unidades, pero con una fiabilidad del 50 %.

Por lo tanto, cuanto menor es la información en volumen y tiempo, el artículo se convierte en menos predecible.

Agregación de datos

Cuanto mayor agregación de datos realizamos, mayor fiabilidad tendrá la previsión y viceversa. Principalmente se debe a que los patrones clásicos de la series temporales -estacionalidad y tendencia- aparecen de una forma más clara. Por ejemplo, realizar el pronóstico sobre un SKU (Stock Keeping Unit) en una sola zona geográfica contiene una dificultad mayor que si lo hacemos para un conjunto de SKU para esa misma zona geográfica o el mismo SKU, pero para todo un país.

En la medida que aumenta la granularidad de la información, la aparición de datos atípicos (outliers) se incrementa. Esto añade mayor variabilidad (incertidumbre) a nuestra previsión.

Cuanto menor es la agregación de los datos, el pronóstico se hace menos predecible.

Estabilidad de la demanda

Cuanto mayor estabilidad tiene la demanda, más fiabilidad presentará el pronóstico. La estabilidad es sinónimo de variabilidad, por lo tanto, cuanto menor es su variación, mayor estabilidad presentará nuestro pronóstico. Por ejemplo, los productos de gran consumo o primera necesidad- commodity – con precios bajos suelen ser referencias con mayor estabilidad en la demanda que productos con elevado precio y dirigidos a un sector con un mayor nivel de renta.

Los ciclos también juegan un papel importante en la estabilidad de la demanda. Por ejemplo, los productos dirigidos a un mercado de mayor lujo son más sensibles a los cambios de ciclo, ya que el consumidor prioriza sus compras durante épocas de contracción económica, dejando de compra productos que no son necesarios. Estos productos que son menos estables en épocas de recesión, es más complicado de predecir la demanda.

Cuanto mayor es la variación de la demanda, la demanda futura es menos predecible.

La competitividad del entorno

Existe una mayor dificultad para predecir la demanda en entornos altamente competitivos debido a la influencia de la competencia en los patrones de comportamiento. Factores externos como pueden ser los precios, campañas de promoción o lanzamiento de nuevos productos por parte de los competidores añade factores de incertidumbre difíciles de cuantificar que van a afectar a nuestro pronóstico.

En entornos de mayor competencia, la variabilidad de la demanda es mayor frente a entornos de baja competencia, que suelen presentar mayor estabilidad en la demanda.

Conclusiones

Siempre debemos partir de la premisa que la demanda real nunca coincide con la demanda prevista. Pero ello no implica que no debamos disminuir el error del pronóstico que se comete al realizar este cálculo. Según lo expuesto anteriormente, podemos concluir la existencia de un conjunto de buenas prácticas que nos conducirán a mejorar el resultado de nuestros pronósticos.

  • Disponer de herramientas adecuadas que nos ayuden a seleccionar el método más adecuado según los patrones de comportamiento de la demanda.
  • Incorporar el Point of Sale (POS) como base de cálculo.
  • Disminuir el peso de la intervención humana en el dato pronosticado.
  • Determinar los factores que influyen en la serie histórica, como son tendencias y estacionalidad mejora la calidad del pronóstico.
  • Determinar factores externos (causales) que puedan afectar a nuestra demanda para que formen parte del cálculo del pronóstico, siempre que se haya validado la relación causa-efecto mediante métodos analíticos.
  • Acomodar la previsión dentro del S&OP, como modelo superior e integrador dentro de la empresa.
  • Construir el grupo de personas que validen las previsiones incorporando análisis del mercado y acciones comerciales a los resultados que proporciona nuestra herramienta de previsiones.
  • No dejar las previsiones solamente en mano de una persona o departamento. Produce sesgo y a largo plazo aumenta el error de previsión.

Aún cuando el ser humano posea un conocimiento único e información interior que no está disponible en los métodos cuantitativos, sus pronósticos no son más precisos que dichos métodos. En la mayoría de ellos tendemos a ser optimistas y subestimamos la incertidumbre del futuro (Marcelo Rocha).

Víctor Felipe
Mi experiencia profesional de veinte años dentro del sector de la Logística me ha permitido adquirir un profundo conocimiento técnico del sector, en particular, en las áreas de cadena de suministro: Planificación de la Demanda, Aprovisionamientos, Transporte nacional e internacional, Gestión de Inventarios, Dirección de Proyectos Logísticos y de productividad, Subcontratación de Operaciones Logísticas mediante modelos 3PL. Certified Supply Chain Professional (APICS), Diplomado en Sistemas, Máster Dirección Logística y Producción, Dirección de Comercio Internacional, Six Sigma Project Lead y muchos proyectos logísticos detrás de mí. Logistics & Customer Service Manager en Praxair España, Imparto cursos y seminarios sobre Demand Planning & Inventory Compartir mi experiencia profesional y enriquecerme con la de otros es un gran objetivo.

1 comentario

  1. Saludos Victor,

    Hace algunos años (nov. 2014) ( publicaste por youtube un video sobre planificación de la demanda con excel, será posible que me envíes la plantilla de excel, nunca pude encontrarla en la web de meetlogistics…

    Cordialmente,

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *