Previsión de la demanda: La guía que te ayudará a transformar tu empresa

¿Cómo es una buena previsión de la demanda?

La cruda realidad es que las previsiones, por su propia naturaleza, son, en el mejor de los casos, conjeturas. Naturalmente, cuantos más datos tengas, mejores serán esas conjeturas.

Pero aún hay muchos factores que pueden cambiar el panorama inicial.

Si no tienes en cuenta estos factores, tu previsión se desbaratará rápidamente.

Entonces, ¿Cómo lo hacen las mejores empresas para prever la demanda? ¿Cómo evalúan continuamente lo que quieren sus clientes y orientan sus esfuerzos en ese sentido?

He aquí algunos consejos sobre demand forecasting:

1.Valida continuamente tus datos

Pongamos que vendes material de oficina y vendiste una cantidad ingente de soportes para portátiles durante el confinamiento, ¿Significa eso que seguirás haciéndolo ahora?

¿O el hecho de que la gente vuelva a la vida de oficina significa que las ventas se ralentizarán?

Los datos históricos de ventas pueden ofrecer una instantánea, pero a menudo no ofrecen una imagen completa. Las empresas con más éxito fundamentan sus previsiones en datos del mercado.

Al hacerlo, llevan a cabo un proceso de validación. Si se hace bien, implicará a varios equipos y el consenso de todos los implicados será sinónimo de buenas prácticas.

2. Es comprensible y fácilmente explicable

Una previsión de la demanda no debe ser tan compleja que nadie la entienda. Todo lo contrario. Debe ser fácil de entender por cualquiera de las partes interesadas.

Además, tiene que ser fácilmente explicable. Tanto las ideas que contiene como las acciones deseadas que se derivan de ella.

3. Debe poder registrarse y medirse

Si no registras la precisión (o más bien el error) de la previsión de la demanda, nunca sabrás si te has equivocado en un 0,5% o en un 50%.

Y eso es importante: el 0,5% es un éxito rotundo. El 50% es un fracaso total.

Saber a cuál te acercaste más te ayudará la próxima vez que tengas que crear un forecast. Que debería ser pronto.

Cuantos más midas tus previsiones, mejor podrás ajustarlas y modificarlas.

Los errores que no sepas que estás cometiendo se repetirán una y otra vez.

4. Cada previsión de la demanda debe tener un propietario

Cada previsión que se cree debe tener un propietario. Alguien que sea responsable de su éxito y precisión.

Recuerde que las decisiones que tomes basándote en estas previsiones pueden marcar la diferencia entre el éxito y el fracaso. Si eres tú quien toma esas decisiones, asumirás la responsabilidad última si son erróneas.

Cómo elaborar tu propia previsión de la demanda

Hay muchos modelos de previsión de la demanda diferentes que puedes valorar utilizar cuando pienses en diseñar tu propio demand forecasting. Naturalmente, cada uno tiene sus pros y sus contras. En algunos casos, combinarlos puede ser la mejor opción.

En la siguiente sección, exploraremos algunos de los enfoques más comunes de previsión de la demanda.

¿Qué modelos de previsión de la demanda debes aplicar?

1. Análisis de series temporales

¿Qué pueden predecir las ventas de los últimos 12 meses para el año siguiente? Esa es la premisa del análisis de series temporales.

Se trata de uno de los métodos más habituales de previsión estadística de la demanda.

Busca patrones en los datos que puedan reproducirse en el futuro. También permite ver qué puede haber influido en estos patrones y hacer previsiones más precisas.

También hay más de una variante en esta función de análisis. Hay medias móviles, alisamiento exponencial y modelos de medias móviles autorregresivas integradas (ARIMA).

Cada modelo utiliza un método diferente para analizar los datos, por lo que hay que prestar mucha atención a cuál es el que más conviene.

2. Previsión de la demanda basada en juicios

¿Qué probabilidades tiene el personal de tu empresa de hacer una buena predicción sobre la demanda futura? La respuesta dependerá de tus capacidades y variará según la empresa, el equipo o incluso del individuo.

Uno de los mayores retos de la previsión eficaz de la demanda es que los datos sólo son útiles hasta cierto punto.

Si tu empresa es nueva o lanza un nuevo producto en un mercado nuevo, es casi seguro que no dispondrás de datos suficientes en los que basarse. Por eso, en ocasiones, merece la pena plantearse una previsión basada en juicios.

Lo mismo puede decirse de los mercados con altos niveles de perturbación debido a la limitada capacidad del aprendizaje automático y la modelización estadística en entornos desconocidos y poco previsibles.

Si tu enfoque de previsión de la demanda garantiza la recopilación activa de información sobre el mercado, estarás mejor informado y, por tanto, tendrás más posibilidades de elaborar una previsión precisa.

Para tener las máximas posibilidades de éxito con este modelo, tendrás que consultar un gran número de fuentes. Por ejemplo, estudios de mercado, análisis de la competencia, conversaciones con clientes, con el equipo de ventas e incluso con expertos en mercados exteriores.

Considerar este enfoque puede ayudarte a analizar factores que otros modelos no recogen.

Pero, como ocurre con cualquier otro modelo, hay que tener en cuenta sus inconvenientes.

¿Son totalmente imparciales las personas que emiten estos juicios? ¿Toman las decisiones basándose únicamente en datos o con prejuicios derivados de sus propios sentimientos sobre los productos o los mercados?

¿Puedes repetir este proceso? A menudo es muy difícil obtener las mismas cifras con diferentes partes interesadas, lo que hace que las previsiones basadas en juicios sean difíciles de repetir a largo plazo.

3. Análisis causal

El análisis causal identifica las relaciones causa-efecto que influyen en la demanda. Consiste en analizar los datos para mostrar cómo cambios como el precio, las promociones o los indicadores económicos pueden modificar la demanda.

El análisis causal puede utilizarse para hacer previsiones tanto a corto como a largo plazo y a menudo implica el uso de experimentos para probar las relaciones causales entre variables.

4. Análisis de regresión

El análisis de regresión explora el vínculo entre la demanda y otras múltiples variables. Ya sea el precio, la cuota de mercado o las condiciones medioambientales o de mercado.

Este tipo de análisis permite evaluar cómo puede afectar a la demanda el cambio de una de las variables. Y, por tanto, optimizarlas. Lo que ayudará a la planificación de tu cadena de suministro.

¿Cuál es la diferencia entre el análisis causal y el análisis de regresión?

Una diferencia clave entre el análisis causal y el análisis de regresión es que el primero tiende a centrarse en variables específicas, mientras que el segundo adopta un enfoque más global y tiene en cuenta múltiples variables.

Otra diferencia es que el análisis causal suele implicar la experimentación para probar tus suposiciones. El análisis de regresión suele basarse en datos históricos y modelos estadísticos.

5. Machine learning

Las capacidades del machine learning y la Inteligencia Artificial son bastante impresionantes. Utilizar estas técnicas avanzadas –el demand forecasting ai como se conoce en inglés- para analizar datos pasados y tomar decisiones informadas sobre la demanda futura puede ahorrarte tiempo y dinero.

Proporcionar datos históricos a una plataforma de aprendizaje automático puede ayudarte a identificar patrones y facilitar la estimación de la demanda futura. Especialmente cuando los métodos tradicionales no son suficientes.

Si te dedicas a un negocio en el que el sector cambia bruscamente y sin previo aviso, apuntalar tus previsiones con aprendizaje automático podría ser increíblemente útil. La IA se define como tal porque sigue aprendiendo.

Y así, en teoría, la precisión de tus previsiones con el aprendizaje automático debería mejorar con el tiempo.

Por supuesto, hay escollos. No disponer de suficientes datos para analizar puede dar lugar a una previsión limitada. Confiar demasiado en datos incompletos o imprecisos, por lo tanto, puede llevar al fracaso.

Previsión de la demanda y optimización de inventarios

Por definición, la optimización del inventario es la respuesta al equilibrio entre el nivel de servicio deseado y del valor del stock necesario para cumplir con este nivel de servicio. Una problemática común es que los equipos de ventas desean un nivel de servicio elevado en todos los artículos del surtido, para minimizar así la venta perdida. Sin embargo, si tomamos como definición de nivel de servicio el % de unidades que queremos servir directamente del stock o bien el número de veces que vamos a entregar una línea de pedido en fecha y cantidad cuando nos la solicitan, un valor cercano al 100% supondría en realidad un stock de seguridad muy elevado.

Veamos a continuación la curva de relación entre el nivel de servicio y el valor del stock: el valor del stock crece exponencialmente según aumenta el nivel de servicio.

Consideremos el gráfico anterior: cualquier empresa que se encuentre por encima de la curva tiene un valor en stock por encima del necesario para cumplir con el nivel de servicio definido. Esto arroja dos realidades: por una parte, que con el nivel de inventario existente podemos dar un mejor nivel de servicio, y por otra, que si consideramos que el nivel de servicio es el adecuado, podemos cumplirlo con un menor nivel de inventario.

Siendo así de fácil y simple, ¿por qué las empresas encuentran dificultades en obtener estas mejoras? Esto se debe en gran medida a que las prácticas para calcular los niveles de servicio e inventario están basadas en la intuición y no en un enfoque numérico.

En la siguiente infografía sobre previsión de demanda, hacemos un recorrido, de forma simplificada, por los capítulos más relevantes de la previsión de la demanda y la optimización de inventarios:

• La importancia de una buena clasificación ABC
• Los principales métodos de cálculo de previsiones de venta
• La desviación de la demanda
• La estacionalidad
• La gestión de promociones
• Simulaciones What-If

¿Cómo puedes mejorar la precisión de tus previsiones de demanda?

Elegir el mejor modelo de previsión de la demanda te ayudará a hacer forecasts más precisos y, por tanto, a tomar decisiones empresariales sólidas y fundamentadas.

Pero incluso cuando ya has llegado a este punto, hay pasos adicionales que puedes dar para desbloquear nuevas perspectivas enriquecedoras y aportar mayor claridad a tu negocio.

Nuestra próxima sección se centrará en cómo puedes mejorar aún más tus previsiones de demanda.

Agregación frente a desagregación

El auge de los datos y su uso en las empresas es monumental. Pero, como te dirá cualquier científico de datos, tener los datos y utilizarlos correctamente son dos cosas muy distintas.

A menudo hablamos de la importancia de contar con estrategias de almacenamiento específicas para cada referencia. Es comprensible, pues, que pienses que el mismo razonamiento podría ayudarle a hacer previsiones.

Sólo que no siempre es así.

El gráfico siguiente explica por qué la agregación siempre es una buena aliada de tus previsiones.

 

 

El motivo por el que la agregación puede ayudar a mejorar tu modelo de previsión de la demanda es el poder de los conjuntos de datos más grandes. La ley de los grandes números dicta que cuanto mayor sea el tamaño de la muestra, más representativa será de la población en general.

Los datos de ventas de un pueblo nunca se podrán extrapolar a todo un país. Pero si tomamos los mismos datos de cinco ciudades de un mismo país es mucho más probable que los datos sean representativos.

Si utilizas más puntos de datos, eliminarás el ruido de las anomalías. Eso significa que encontrarás más patrones y tendrás una mayor capacidad para tener en cuenta todas las variables.

Del mismo modo, imagina que estás pronosticando la demanda de una referencia que se ha lanzado recientemente. Es poco probable que dispongas de un conjunto de datos completo. Sin embargo, si agregas la previsión del nivel de categoría, es probable que obtengas una mejor idea de cómo evolucionará la demanda de la referencia en cuestión.

He aquí algunos ejemplos comunes de cómo puedes agregar tus planes de demanda:

 

 

Una gran ventaja de la agregación es que los datos tienen menos probabilidades de verse influidos por irregularidades singulares.

Sin embargo, si no se presta atención a los valores atípicos que normalmente destacan, es posible que se pasen por alto datos importantes que podrían afectar a la empresa.

Analiza caso por caso si conviene utilizar la agregación para evitar errores.

¿Cómo puede ayudarte la desagregación?

Por supuesto, la agregación de datos puede ser muy útil. Sin embargo, seguirás necesitando información detallada para comprender los patrones de demanda de cada producto por separado.

Normalmente, el nivel más detallado que se alcanza en la previsión de la demanda es la desagregación por combinación de ubicaciones de SKU o incluso por cliente.

La primera desagregación puede ayudarte a optimizar tu asignación y reposición para garantizar que satisfaces la demanda prevista con el mínimo stock. La segunda, puede ayudarte a identificar qué clientes son los más rentables, cuáles tienen potencial de crecimiento y cuáles sólo representan una pequeña proporción de la demanda prevista.

¿Y por qué debería importarte esto? Esta valiosa información te ayudará a invertir tu tiempo, dinero y energía en las áreas del negocio o en los clientes que aportan más valor.

Los lapsos de tiempos más largos crean previsiones de demanda más fiables y sólidas

Otro método de agregar previsiones de demanda es por tiempo.

Las previsiones mensuales suelen ser más fiables que las diarias o semanales. La razón es que suelen ser mucho menos volátiles. Puede haber diferencias de una semana a otra, o incluso de un día a otro, en el número de productos vendidos, pero, a lo largo de un mes, estas desviaciones se van limando.

He aquí algunas razones por las que la previsión de la demanda en bloques mensuales es más fiable:

1. La previsión mensual absorbe mejor la volatilidad de los clientes.

Si alguien te hace un pedido normalmente en la primera semana del mes, pero en una determinada ocasión lo hace en la segunda semana, tus datos pueden alterarse si se modelizan por semanas. Mensualmente, esta desviación quedaría absorbida y tus datos seguirían siendo igual de útiles.

2. La previsión mensual puede ser más eficaz

La elaboración de previsiones semanales puede requerir mucho más tiempo y recursos que la elaboración de previsiones mensuales. En el caso de las previsiones mensuales, es posible que tengas que recopilar y analizar los datos una vez al mes, mientras que con las previsiones semanales puede que tengas que repetir el proceso cuatro o cinco veces al mes, en función del número de semanas del mes.

3. Los plazos mensuales gestionan mejor la estacionalidad

Todas las empresas tienen semanas “lentas”. Imagina que estás en un mercado que se ralentiza por Navidad, el Año Nuevo chino o incluso durante el verano. En los modelos de previsión semanales, estas semanas tranquilas pueden producir desfases que influyan más en la previsión de la demanda. En consecuencia, se obtiene una previsión menos exacxta.

¿Sirven para algo las previsiones semanales de la demanda? Sí, sirven. Pero hay que saber en qué casos pueden ser eficaces.

La previsión semanal requiere más esfuerzo que la mensual, pero cuando surgen patrones que dictan una actividad de ventas irregular, pero repetitiva, en función de la semana dentro del mes, merece la pena planteárselo.

He aquí un buen ejemplo:

Como puede ver en esta imagen, el 60% de las ventas se producen en la primera semana del mes.

Si utilizas datos que muestren resultados como estos en un modelo de previsión semanal, es probable que tengas más capacidad de respuesta y puedas tomar medidas más proactivas para alinear más estrechamente la oferta y la demanda. Esto significa que puedes optimizar los niveles de inventario, mejorar la gestión de los ingresos y, por tanto, los beneficios.

Otro uso igualmente importante de los modelos de previsión semanales puede ser si tienes un cliente que también utiliza un modelo semanal. Aumentar el vínculo entre tú y tus clientes puede ser inestimable para aumentar la precisión y alinear los esfuerzos de ambas empresas.

¿Cómo puede Slim4 ayudarte a prever la demanda de forma solvente?

Este artículo contiene mucha información que esperamos que te ayude a prever tu demanda. Pero hay mucha información a procesar. Y es aquí donde Slimstock, y Slim4 realmente podemos ayudarte.

¿Te parecen limitantes las hojas de cálculo de Excel para gestionar el inventario?

¿Intentas anticipar la demanda de cientos o miles de referencias? ¿Estás intentando planificar múltiples flujos de demanda y sólo cuentas con un pequeño equipo para ayudarte?

Slim4 puede ayudarte.

Descubre cómo solicitando una demo de nuestro software de demand forecasting