Bien, vamos a hablar de 3 afirmaciones que resultan obvias y sobre simplificadas por encerrar una verdad evidente en cuanto a pronósticos de demanda en las cadenas de suministro.
Afirmación obvia #1 “Los pronósticos siempre son incorrectos”:
La primera afirmación obvia es que los pronósticos siempre son incorrectos. Esto lo escuchas frecuentemente, es difícil pronosticar algo que va a pasar en el futuro. ¿Y por qué se cree que los pronósticos siempre son incorrectos?
Bueno, podemos pensar en la demanda, esencialmente cómo una variable continua, es decir una variable que puede tomar un número infinito de valores entre dos números. Si tengo alguna distribución con una probabilidad de 90, entonces la probabilidad de que escoja un número y que tenga un valor de 89,62397 es esencialmente cero. Entonces, elegir un punto exacto de una distribución continua es muy difícil. Es casi cero. Así, la idea de tener un punto pronóstico correcto todo el tiempo, es improbable. Casi nunca sucede. Entonces sí, los pronósticos siempre son incorrectos.
Además, los pronósticos están muy desagregados. Por lo general, en las cadenas de suministro, no solo es necesario pronosticar, por ejemplo la cantidad de blazers azules que se venderá en todo el país; necesitas saber la cantidad de blazers azules que se venderán en Bogotá, y no solo en Bogotá, sino en cada tienda en específico, y en la fecha o rango de días (semana) que ocurrirá la compra. Entonces los pronósticos tienen un nivel altamente desagregado. Por lo general, en un pronóstico se hace una combinación de SKU, ubicación y tiempo. Y, a medida que se desagrega más, es cada vez más difícil pronosticar, lo que lleva a que el pronóstico siempre sea incorrecto.
Lo otro que debemos tener en cuenta es que cada estimación tiene una banda de error. Así, un pronóstico es solo una estimación. ¿Y qué estás haciendo con esta estimación? Estás dando un punto con un nivel de confianza o intervalo de pronóstico. Por ejemplo, un estimado de 89 más o menos 2, es decir nuestro pronóstico se ubica entre 87 y 91.
Pero y, ¿qué haces al respecto? Esencialmente, el gran punto es: no te concentres, ni te obsesiones con el valor del punto pronóstico. Piensa en él como una guía y ten en cuenta que cada estimación de un punto trae consigo una banda de error o un intervalo de pronóstico, lo que permite empezar a planear los porcentajes de stock de seguridad que debes usar en el inventario.
El principal objetivo de hacer pronósticos de demanda es disminuir la incertidumbre causada por la variabilidad de demanda, de suministro y de procesamiento. Hacer pronósticos permite cumplir objetivos estratégicos, tácticos u operativos, cómo por ejemplo planeación de capacidad, estrategias de inversión de capital de trabajo, planes de marca, presupuestos, planeación de equipo de trabajo, planeación de inventario, de transporte y de producción.
Afirmación obvia #2 Los pronósticos agregados son más precisos que los pronósticos desagregados”
Nuestra segunda afirmación obvia es que los pronósticos agregados son más precisos que los pronósticos desagregados. Y esto tiene sentido. Pero cuando hablamos de agregación, hablamos de agregar el pronóstico por SKU o mirar el pronóstico por un tipo de producto o por tiempo, es decir buscar cosas en cierto período de tiempo, una semana, un mes, un año, o hacerlo en una ubicación. Entonces la forma en que agrego estos factores juntos puede mejorar mi forecast accuracy. Para validar esto, usamos una métrica llamada coeficiente de variación (CV). La cual simplemente es la desviación estándar sobre la media. Esto permite tener una idea de la volatilidad o incertidumbre. Un coeficiente de variación más alto indica una mayor volatilidad. Y cuanto mayor sea el CV, más difícil es pronosticar la demanda y se tendrá menor precisión en el pronóstico.
Para ilustrar mejor este concepto imaginemos un café que tiene 3 tamaños de vasos de café: pequeño, mediano y grande. Del grande vendes 80 al día con una desviación estándar de 30. De los medianos vende 450 al día con una desviación de 210 y de los pequeños vendes 250 con una desviación estándar de 110. Esto da un CV de 0.38, 0.47, 0.44 respectivamente (ver tabla). Ahora imaginemos que la tapa para los tres tamaños de vaso es la misma. Entonces necesitas 780 tapas con una desviación estándar de 239. Esto da un CV de 0.31. Es decir que la volatilidad disminuyó. Es menor el de la agregación usando una tapa común que el coeficiente de variabilidad de cada tamaño de manera individual.
| Tamaño | Venta Diaria | Desviación Estándar | Coeficiente Variación |
|---|---|---|---|
|
Pequeño |
250 |
110 |
0.44 |
|
Mediano |
450 |
210 |
0.47 |
|
Grande |
80 |
30 |
0.38 |
|
Tapa Común |
780 |
239 |
0.31 |
¿Por qué es eso? Se está reduciendo la cantidad de variabilidad total porque asumimos que parte de la volatilidad de los vasos grandes se compensan con algunos de los cambios en la demanda en los vasos pequeños y medianos. Así estos picos y valles individuales se compensan entre sí. Esto se conoce cómo agrupación de riesgos. De esta manera se reduce la variabilidad, se facilita el pronóstico y ayuda a reducir el stock de seguridad.
También se podría agregar por tiempo. ¿Qué pasa con la demanda semanal? Pues el coeficiente de variación baja. También puedo hacerlo mensual. Lo importante es que los períodos de tiempo coincidan entre los diferentes actores de su cadena de suministro. Por ejemplo, si solo puedo pedir tapas al proveedor una vez al mes, entonces, ¿por qué quiero gestionarlo con una demanda diaria? Tal vez esté de acuerdo con administrarlo a nivel mensual. También puedo agregarlo por ubicación y tendría el mismo efecto. En resumen, al hacer agrupación de riesgo se reduce el coeficiente de variabilidad y cuando reduces el coeficiente de variabilidad se mejora la precisión del pronóstico, pero debes hacerlo teniendo en cuenta las agregaciones que realmente aporten a tu cadena de suministro y no hacerlo simplemente por tener menor variabilidad en tu demanda.
Sin embargo, hacer todas las combinaciones, granularidades y cálculos de variabilidad puede tomar bastante tiempo y aumenta la dificultad de hacer los pronósticos. Es posible que las hojas de cálculo empiecen a ser tan extensas que empiecen a congelarse o que sea difícil mantener la trazabilidad de forecast accuracy de cada uno. Es por esto que existen herramientas que te permiten hacer este tipo de pronósticos de forma automatizada y rápida, las cuales te permiten centrarte más en el análisis estratégico y menos en la carpintería de datos y fórmulas.
Afirmación obvia #3 Los pronósticos con horizontes de tiempo más cortos son más precisos”
La tercera afirmación obvia es que los pronósticos con horizonte de tiempo más corto son más precisos. Un ejemplo es que es más fácil predecir la temperatura de mañana que la de dentro de un año. Y tiene sentido, porque tienes más conocimiento sobre el corto plazo, lo que está sucediendo ahora mismo, de lo que podría estar sucediendo dentro de un año. También se aplica a horizontes temporales más cortos, digamos, media hora es más fácil que hacerlo con un día de anticipación. Pensemos de nuevo en el café, el cual también vende sándwiches y necesitan alistar los sándwiches para el día siguiente. Venden 8 tipos de sandwich, entonces, ¿Podrían calcular la demanda de cada uno de ellos, con la variabilidad que implica?. Y si hoy solo alistaran y cortarán la cantidad de jamón estimado que es común en todos los sándwiches y al día siguiente dos horas antes de la hora del almuerzo empiezan a hacer el sándwich? ¿Qué estaría haciendo aquí? Bueno, están posponiendo. Se está aplazando el consumo final en lugar de hacer una cantidad de cada uno de los 8 tipos de sandwich, esperando estimar bien la demanda de cada uno. Se está haciendo la personalización hasta el final. Y esto es otro ejemplo de agrupación de riesgos y aplazamiento. La idea es que se posponga la personalización final del ítem en la cadena de suministro lo más posible para disminuir variabilidad.
Estas tres afirmaciones simples, sí, son ciertas, y aunque muchas veces obvias, se deben tener en cuenta que estas conducen a acciones que debes manejar y mitigar en tu cadena de suministro. Asimismo, identificar cómo cada una de estas afecta el pronóstico, la planificación de inventarios, la logística y el transporte y valerse de tu expertise y herramientas para manejarlas de la mejor manera posible.