Comencemos este artículo con una estadística impactante: el 77% de las empresas están invirtiendo en tecnología para lograr una mejor visibilidad en su cadena de suministro. Y lo que es todavía más interesante: aquellos que ya han dado el paso aseguran que tienen la mitad de problemas en su cadena de suministro en comparación con los que todavía no se han puesto manos a la obra.
Por lo tanto, la visibilidad en la cadena de suministro es una prioridad para los líderes de esta función. No obstante, en un momento en el que las herramientas que utilizan tecnología de Inteligencia Artificial y Machine Learning están transformando el campo de la previsión de la demanda, no podemos ignorar que, a pesar de los avances, ningún pronóstico está exento de errores.
Afortunadamente, existen herramientas y técnicas estadísticas que pueden ayudarte a reducir la brecha entre la demanda prevista y la demanda real.
En este artículo hablaremos sobre la precisión de la previsión (forecast accuracy) y cómo puedes crear pronósticos más sólidos y lograr una mejor visibilidad en toda tu cadena de suministro.
Empecemos por los conceptos básicos.
¿Qué significa forecast accuracy o la precisión de la previsión?
El forecast accuracy es una medida que se utiliza para evaluar el grado de acierto de las previsiones de la demanda. Es decir, en el contexto de la planificación de la cadena de suministro, el forecast accuracy se refiere a cuán cerca se encuentra la demanda prevista de productos o servicios de la demanda real.
El resultado de este análisis contribuye a llevar a cabo una toma de decisiones más efectiva. Pero cuidado, porque incluso establecer qué margen de error es admisible puede no ser sencillo. Después de todo, ¿cómo puedes definir lo que es “preciso”?
El 100% de precisión sería una utopía, por lo que no es realista alcanzarlo. Del mismo modo, el 75% suena razonable, pero determinar si es alcanzable o útil como objetivo es muy difícil de responder.
Depende completamente de los objetivos de tu empresa, la naturaleza del comportamiento de compra de tus clientes y los datos que tienes a tu disposición.
Indicadores para medir la precisión de los pronósticos (forecast accuracy)
Si bien pronosticar el volumen de ventas por anticipado es valioso, todavía puede serlo más evaluar el forecast accuracy. Para lograr esto, es esencial establecer una forma de asignarle una puntuación de rendimiento a la previsión. En muchos casos, esta puntuación proporciona una perspectiva más significativa que el propio pronóstico.
Los fundamentos de la medición del forecast accuracy
Todos los modelos de medición del forecast accuracy se basan en el error del pronóstico, “e”. Este error es la diferencia entre el pronóstico, “f”, es decir, la demanda prevista, y la demanda real, “d”, dentro de un período de tiempo determinado:
Un pronóstico es bueno cuando la diferencia entre la realidad y la previsión es pequeña.
A veces, sin embargo, el rendimiento se centra en la precisión en lugar del grado de error. En este caso, un pronóstico es bueno cuando la precisión se acerca al 100%.
Existen varios métodos para evaluar la precisión en los pronósticos. Y cada uno tiene aspectos positivos y negativos asociados. A continuación, repasamos algunos de los modelos más utilizados:
Sesgo o error medio (ME)
El primer modelo de forecast accuracy, llamada sesgo o error medio (ME), es el promedio del error de pronóstico.
Esta medida es fácil de entender. Para un buen pronóstico, la diferencia entre las predicciones y la demanda real debe ser pequeña, por lo que su sesgo debe tender a cero.
Un sesgo positivo indica que estás pronosticando demasiada demanda, mientras que un sesgo negativo significa que estás subestimando la demanda.
Sin embargo, una desventaja de este modelo es que los errores positivos y negativos se anulan mutuamente. Un pronóstico con errores grandes aún puede tener un sesgo pequeño.
Por lo tanto, nunca debes considerar solo el sesgo, sino también cruzarlo con otras modelos de forecast accuracy.
Error absoluto medio (MAE)
Un modelo que es una indicación directa de la magnitud de los errores es el error absoluto medio (MAE):
La ventaja de este modelo es que utiliza errores de pronóstico absolutos, por lo que un MAE pequeño significa que todos los errores de pronóstico están cerca de cero. Por otra parte, también es una medida fácil de interpretar.
Sin embargo, no muestra como de grande es este error promedio en comparación con la demanda real. Un pronóstico que está desviado por 5 unidades es muy malo para un producto que vende un promedio de 10 unidades, pero es bueno para un producto que logra un promedio de 1,000 unidades de venta.
Error absoluto porcentual medio (MAPE)
El error absoluto porcentual medio (MAPE) refleja cómo de grandes son los errores en comparación con la demanda real.
Se define como la relación promedio entre el error de pronóstico y la demanda real.
Debido a esto, también es fácil de interpretar.
El MAPE indica la diferencia entre el pronóstico y la demanda real como un porcentaje.
Sin embargo, esta medición del forecast accuracy también tiene sus limitaciones. Penaliza más la sobreestimación de la demanda que las subestimaciones. Predecir 30 unidades cuando la demanda real fue solo de 10 unidades da como resultado un MAPE del 200%, pero las subestimaciones dan como máximo un MAPE del 100%.
Este es un problema para productos con poca demanda, donde es más difícil obtener un MAPE pequeño. Pero es un problema aún mayor para períodos de tiempo sin demanda, ya que estarías dividiendo entre cero.
Error cuadrático medio (RMSE)
El último modelo de forecast accuracy que analizaremos es el error cuadrático medio (RMSE).
Como su nombre sugiere, esta medida se basa en la raíz cuadrada de los errores de pronóstico.
Este modelo es similar al MAE y, por lo tanto, es comparable, pero castiga mucho más los errores grandes que los pequeños.
Es una buena medida para ver si las ventas pronosticadas y las ventas reales están siempre cerca la una de la otra. Sin embargo, esto hace que este modelo en particular sea más difícil de interpretar.
Si tus datos de demanda contienen una venta atípica ocasional que no esperas que un pronóstico capture, debes utilizar el método del MAE, ya que es mucho más robusto ante valores atípicos.
El error cuadrático medio (MSE) es casi igual que el RMSE, pero no utiliza la raíz cuadrada adicional. Por lo tanto, expresa el error en unidades cuadradas, lo que hace que el MSE sea más difícil de interpretar.
Existen muchas otras formas de medir el forecast accuracy. Cuál debes utilizar dependerá de los datos que tengas a tu disposición, y puede valer la pena explorar algunas de las alternativas menos comunes para ver si hay alguna que se adapta mejor a tus necesidades que las mencionadas anteriormente.
¿Qué aspecto tiene un “buen” forecast accuracy?
La gran cantidad de modelos para medir el forecast accuracy plantea preguntas de cuál es el más adecuado para utilizar en cada caso y qué objetivos deben plantearse al establecerlo.
Desafortunadamente, ninguna de estas preguntas es fácil de responder.
Digamos que gestionas la previsión de la demanda en tu empresa y descubres que, de promedio, el MAE es del 60%.
¿Eso es una puntuación buena o mala?
Una puntuación de precisión en los pronósticos por sí sola no significa mucho. Para evaluar la calidad de un pronóstico, necesitas una idea de cuán predecible es la demanda. Y eso depende de muchos factores.
La demanda de productos con grandes volúmenes suele ser más fácil de predecir que la de productos de baja rotación. También es más sencillo predecir la demanda de un producto en un grupo de tiendas que pronosticar con precisión la demanda en cada tienda aislada.
Además, las predicciones a largo plazo son mucho más difíciles que pronosticar la demanda a corto plazo. Además, el forecast accuracy también dependerá de la cantidad de datos relevantes que tengas disponibles.
Si falta información importante, tus modelos de pronóstico no funcionarán bien. Después de todo, solo puedes hacer pronósticos en función de lo que sabes.
