Previsión y Planificación de la Demanda

La mayoría de los sistemas de previsión de la demanda empiezan en un nivel demasiado alto —por categoría, por región, por semana— porque ahí es donde los datos son más limpios. Sin embargo, las decisiones que se benefician de la previsión ocurren a un nivel mucho más fino: qué SKU despachar a qué tienda en qué día, cuánto trabajo programar para qué turno, cuánta capacidad reservar en qué almacén el próximo mes. Construimos previsiones al nivel operativo de la decisión, no al nivel de los datos, y utilizamos la conciliación jerárquica para asegurar que las previsiones de nivel inferior se acumulen coherentemente a los niveles superiores sobre los que informa el negocio.

Trabajar a niveles finos como SKU-tienda-día, SKU-canal-semana o equivalentes presenta sus propios desafíos: demanda de cola larga, series intermitentes y series con historial muy corto. Utilizamos métodos especializados (previsores intermitentes estilo Croston, agrupación jerárquica, métodos de nuevos productos basados en incrustaciones) para mantener una precisión aceptable en la cola larga en lugar de abandonarla.

La conciliación jerárquica —utilizando métodos como MinT y minimización de trazas— nos permite producir previsiones que son coherentes en toda la jerarquía y casi siempre más precisas que las previsiones producidas independientemente en cualquier nivel. La disciplina es sencilla y la ganancia es consistente.

• SKU-tienda-día, SKU-canal-semana y granularidades similares
• Series intermitentes y de movimiento lento
• Previsión de nuevos productos y de historial corto
• Conciliación jerárquica (MinT, de arriba-abajo, de abajo-arriba)
• Calendario, promociones, clima, señales macro
• Previsiones probabilísticas para la política de stock de seguridad

La demanda está influenciada por mucho más que su propia historia. Promociones, cambios de precios, clima, días festivos, calendarios escolares, eventos deportivos, indicadores macroeconómicos y acciones de la competencia dejan huellas en los patrones de demanda. Incorporamos datos de impulsores al modelo de previsión cuando se ha demostrado, mediante una cuidadosa prueba fuera de la muestra, que mejoran la precisión más de lo que añaden complejidad operativa. Estamos igualmente contentos de omitir los impulsores cuando no dan resultados; el valor está en la disciplina de la medición, no en la inclusión en sí misma.

Los efectos promocionales reciben una atención particular. Los datos promocionales son notoriamente confusos, con mecánicas superpuestas, calidad de ejecución variable y medición post-evento inconsistente. Trabajamos con los equipos de marketing y comerciales para limpiar y estandarizar el historial promocional antes de alimentarlo al modelo, y modelamos explícitamente los incrementos, los efectos halo en productos relacionados, la canibalización de sustitutos y las caídas post-promoción. Las ganancias de precisión durante los períodos promocionales suelen ser sustanciales.

Los efectos del clima y el calendario se añaden con un cuidado similar, con una ponderación adecuada para las categorías y ubicaciones donde son importantes. Un minorista de alimentos congelados en un clima nórdico tiene una sensibilidad climática muy diferente a la de un negocio de bebidas en uno cálido; el modelo captura ambos.

“Una previsión que ignora el calendario promocional es una previsión que se ajusta principalmente al pasado.”

Una previsión de la demanda que reside en un dashboard separado rara vez cambia una decisión de planificación. Integramos las previsiones directamente en los sistemas de planificación donde se toman las decisiones —Anaplan, Kinaxis, o9, SAP IBP, Blue Yonder, JDA, herramientas de planificación personalizadas— para que la previsión se convierta en el punto de partida predeterminado que los planificadores refinan, no un artefacto paralelo que consultan e ignoran.

Los flujos de trabajo de anulación se construyen deliberadamente. Los planificadores poseen un contexto que el modelo no tiene, y un sistema que no puede aceptar su entrada será rápidamente marginado. Diseñamos anulaciones para capturar la razón junto con el valor, de modo que el patrón de anulación en sí mismo se convierta en una señal de aprendizaje: qué planificadores anulan el modelo en qué categorías, con qué justificación y con qué precisión posterior.

También prestamos mucha atención al proceso de consenso. El ciclo S&OP concilia las vistas de demanda, suministro y finanzas en un único plan acordado; un modelo que arroja nuevos números a ese proceso sin respetar su ritmo será más disruptivo que útil. Diseñamos la cadencia de la salida del modelo, el nivel en el que entra en la discusión de consenso y la comparación con el ciclo anterior, para que el modelo fortalezca el proceso en lugar de competir con él.

La precisión de la previsión es un medio; el nivel de servicio y el capital de trabajo son los fines. Nuestras implementaciones son explícitas sobre cómo una mejora en la precisión se convertirá en un beneficio operativo: políticas de stock de seguridad más ajustadas derivadas de previsiones probabilísticas, puntos de reordenación más tempranos, asignación más inteligente entre tiendas, programas de producción más fluidos. Sin esa traducción, las mejoras de precisión permanecen académicas.

La previsión probabilística es fundamental. Al producir la distribución predictiva completa en lugar de un solo punto, permitimos que la política de inventario se establezca explícitamente frente a un nivel de servicio objetivo: un objetivo de disponibilidad del 95% requiere más stock de seguridad que un objetivo del 90%, y la previsión probabilística le indica exactamente cuánto. El mismo principio impulsa la reserva de capacidad, los compromisos con proveedores y la programación de mano de obra.

Combinamos la previsión con un programa de medición claramente definido. Se establecen explícitamente líneas de base previas a la implementación en cuanto a servicio, tasa de rotura de stock, días de cobertura y obsolescencia; el rendimiento posterior a la implementación se rastrea con las mismas métricas, sobre una base comparable, por trimestre. La intención es que el valor del sistema pueda defenderse en una revisión financiera, no solo demostrarse en un dashboard de modelo.

Los compromisos suelen desarrollarse en tres fases. Un diagnóstico y prototipo de seis a ocho semanas establece la línea de base, caracteriza los datos, construye un modelo candidato y cuantifica el beneficio operativo esperado. Una fase de construcción de tres a seis meses industrializa el modelo, lo integra en el entorno de planificación y se ejecuta en paralelo con el proceso existente. Una fase operativa posterior cubre el monitoreo, reentrenamiento, mejora continua y la extensión gradual a categorías o geografías adicionales.

Estamos igualmente encantados de entregar esto con un equipo completamente integrado o de proporcionar un pequeño grupo especialista que apoye sus funciones de planificación y TI existentes. La forma del compromiso viene dictada por la forma en que desea operar el sistema después.