Uso de modelos de incertidumbre para predecir mejor la demanda

Muchos modelos de predicción de la demanda se quedan cortos porque no tienen en cuenta cómo se generan los datos.

Uso de modelos de incertidumbre para predecir mejor la demanda

Más de 50,000 líderes se mantienen al día con el futuro de los negocios.

Reportes radicalmente breves que ahorran 2,000+ horas de investigación

Estás aprendiendo en buena compañía

logo amazon
logo salesforce
logo mercadolibre
logo google
logo femsa
logo aeromexico
Resumen.

En un esfuerzo por reducir el desperdicio y eliminar la redundancia, muchas empresas se han expuesto a mayores riesgos de interrupción de la cadena de suministro, a pesar de la fuerte inversión en análisis de datos en torno a la predicción de la demanda que, en principio, debería eliminar la incertidumbre. Este artículo argumenta que el fracaso de los modelos de predicción de la demanda se debe al hecho de que no tienen en cuenta cómo se generan los datos, sino que simplemente exploran las relaciones aparentes en los datos agregados que se han transferido desde otras funciones de la organización. Al desempaquetar la agregación a través de un proceso que los autores llaman modelado de incertidumbre, los científicos de datos pueden identificar nuevos parámetros para insertarlos en los modelos de predicción, lo que aporta más información a las predicciones y las hace más precisas.


La pandemia de Covid-19 ha provocado interrupciones generalizadas en la cadena de suministro en todo el mundo: escasez de chips están obligando a los fabricantes de automóviles y equipos médicos a reducir la producción, mientras que el bloqueo de el canal de Suez y la falta de contenedores de envío han inflado los plazos de entrega y los precios de envío. Sus efectos se han visto agravados por prácticas de gestión tales como fabricación justo a tiempo que tienen como objetivo reducir las redundancias en las operaciones: con las redundancias se han ido los amortiguadores de seguridad que antes estaban disponibles para las cadenas de suministro de las empresas.

Por supuesto, las empresas entendieron los riesgos que implica la eliminación de los amortiguadores en la cadena de suministro, que fue mientras invirtieron cada vez más en análisis de datos sofisticados. Si pudieran entender mejor los cuellos de botella en sus cadenas de suministro, se pensaba, en teoría, las empresas podrían operar con menos redundancia sin incurrir en riesgos adicionales. Pero las interrupciones persisten.

Nuestro investigación atravesado múltiplo Las industrias, incluidas las farmacéuticas y los bienes de consumo de rápido movimiento, muestran que la razón de esta persistencia se debe menos a las deficiencias del software y más a su implementación. Para empezar, los gerentes tienden a fundamentar su análisis dentro de las unidades departamentales. Si bien los equipos de ventas y marketing pueden aportar información y datos importantes, los responsables de la toma de decisiones operativas a menudo no solicitan su opinión.

Además, las soluciones analíticas se centran en gran medida en la propia cadena de suministro de la empresa. Mejores prácticas siguen siendo específicos de cada caso, y los modelos analíticos con demasiada frecuencia permanecen desconectados de las tendencias en el ecosistema más amplio. Como ilustran los ejemplos citados anteriormente, una alteración aparentemente local puede convertirse en una bola de nieve en todo el mundo.

¿Cómo pueden las empresas evitar mejor estas trampas? Comencemos por analizar con más detalle lo que implica el análisis de datos.

¿Qué son los análisis de datos?

Los métodos analíticos impulsados por datos se pueden clasificar en tres tipos:

Análisis descriptivos.

Estos manejan las preguntas de «qué pasó» y «qué está sucediendo» y son ricas en herramientas visuales como gráficos circulares, gráficos de dispersión, histogramas, tablas de resumen estadístico y tablas de correlación. Cadena de artículos deportivos La tienda Gamma, por ejemplo, utiliza gráficos estadísticos de control de procesos para identificar los inconvenientes de la participación del cliente en la tienda.

Análisis predictivos.

Se trata de algoritmos estadísticos avanzados para pronosticar futuro valores de las variables de las que dependen los tomadores de decisiones. Abordan la pregunta de «qué pasará en el futuro». Las predicciones generadas generalmente se basan en datos históricos observados sobre la respuesta de la decisión varios a los cambios externos (desde, por ejemplo, cambios en las tasas de interés o el clima). Los minoristas como Amazon se basan en datos predictivos sobre la demanda de los clientes para realizar pedidos a los proveedores, mientras que los productores de bienes de consumo de rápido movimiento como Procter & Gamble y Unilever han estado invirtiendo en análisis predictivos para anticipar mejor la demanda de sus productos por parte de los minoristas.

Análisis prescriptivos.

Esto apoya a los tomadores de decisiones informándoles sobre las posibles consecuencias de sus decisiones y prescribiendo estrategias prácticas destinadas a mejorar el rendimiento empresarial. Se basan en modelos matemáticos que estipulan una función objetiva y un conjunto de restricciones para colocar los problemas del mundo real en un marco algorítmico. Las aerolíneas han estado explotando los análisis prescriptivos para optimizar dinámicamente los precios de los billetes a lo largo del tiempo Las empresas de logística, como UPS, también aplique análisis prescriptivos para encontrar las rutas de entrega más eficientes.

Las empresas suelen utilizar todos estos métodos y reflejan las etapas de la toma de decisiones: desde el análisis de una situación hasta la predicción de los impulsores clave del rendimiento y, luego, el análisis de optimización que resulta en una decisión. El eslabón débil de esta secuencia es la predicción. Fue la incapacidad de su afamado análisis de datos predictivos para pronosticar con precisión la demanda y la oferta lo que obligó Amazon para destruir un estimado de 130,000 artículos no vendidos o devueltos cada semana en solo uno de sus almacenes del Reino Unido.

La razón por la que los análisis predictivos fallan está en la mayoría de los casos relacionada con suposiciones y elecciones la generación de datos analizados. Estudio de Abraham Wald sobre los aviones posteriores a la misión en la Segunda Guerra Mundial proporciona el ejemplo clásico. El grupo de investigación al que pertenecía estaba tratando de predecir qué áreas de la aeronave serían blanco de los enemigos, y sugirieron fortalecer las áreas golpeadas con frecuencia. Pero Wald desafió esta recomendación y aconsejó reforzar las áreas intactas, ya que las aeronaves dañadas allí probablemente se perdieron y ausentes de los datos observados. Fue al observar cómo el se generaron datos que los oficiales militares pudieron corregir la decisión sobre qué áreas de aeronaves reforzar.

La solución radica en un enfoque de análisis conocido como modelado de incertidumbre, que aborda explícitamente la cuestión de la generación de datos.

¿Qué hace el modelado de incertidumbre?

El modelado de incertidumbre es un enfoque estadístico sofisticado para el análisis de datos que permite a los gerentes identificar parámetros clave asociados con la generación de datos para reducir la incertidumbre en torno al valor predictivo de esos datos. En un contexto empresarial, lo que está haciendo es crear más información sobre los datos en un modelo predictivo.

Para entender lo que está sucediendo, imagine que es una empresa de empresa a empresa que recibe un pedido cada tres semanas de un cliente para uno de sus productos. Cada pedido debe entregarse de inmediato, lo que hace que el tiempo de entrega de la demanda sea insignificante. Ahora supongamos que el primer pedido del cliente es de 500 unidades y que planea aumentar esa cantidad en otras 500 unidades por cada nuevo pedido, pero no informa a la empresa de que este es su plan.

¿Qué ve la empresa? El cliente solicitará 500 unidades en la tercera semana, 1000 unidades en la semana seis, 1500 unidades en la semana nueve, etc., lo que genera valores de demanda mensual de 500, 1000, 1500, 2500 y 3000 unidades durante los primeros cinco meses, un promedio de 2100 unidades por mes. Sin embargo, dado que los datos reales de la demanda muestran desviaciones sustanciales del promedio, este último es un pronóstico muy incierto. Sin embargo, esa incertidumbre desaparece por completo una vez que la empresa recibe la información de que el cliente aumenta sistemáticamente las compras en 500 unidades con cada pedido.

Para que los gerentes de producción detecten este tipo de información, deben mirar más allá de los números de compra. En la mayoría de las empresas, la información de los pedidos de los clientes se almacena en un sistema de gestión de pedidos, que rastrea datos como cuándo se realizan los pedidos, las fechas de entrega solicitadas y qué productos se demandan en qué cantidades. Este sistema generalmente es propiedad, administrado y mantenido por el departamento de ventas. Una vez cumplidos los pedidos de los clientes, la información agregada sobre los pedidos completados se transfiere al sistema de cumplimiento de la demanda, que generalmente es propiedad de la producción y las operaciones, que los gerentes de estas funciones luego analizan para predecir la demanda futura.

El problema es que el proceso de agregación a menudo implica una pérdida de información. Sin embargo, con el modelado de incertidumbre, los gerentes pueden aplicar parámetros clave identificados en el sistema de gestión de pedidos para restaurar la información a sus análisis prescriptivos.

Rescatar información en Kordsa

Kordsa, el proveedor turco de refuerzos para neumáticos, ofrece un ejemplo concreto. La empresa recibe grandes pedidos de sus clientes (fabricantes de neumáticos), pero el número de pedidos, así como la cantidad y la fecha de entrega de cada uno, es incierto en cada período. Anteriormente, la empresa simplemente agregaba la información de pedidos de los clientes para calcular los valores históricos de demanda mensual que luego se analizaban. Como resultado, el número de parámetros inciertos disminuyó de tres a uno, lo que provocó una pérdida significativa de información.

Mediante el uso de modelos de incertidumbre, le mostramos a Kordsa cómo evitar la pérdida de información y obtener mejoras de rendimiento significativas a lo largo de los indicadores clave de rendimiento (como la rotación de inventario y la tasa de cumplimiento). Mediante la aplicación de algoritmos avanzados como Transformación rápida de Fourier, pudimos integrar en el modelo de predicción de la demanda de la empresa los parámetros clave de los pedidos de los clientes que identificamos al estudiar los datos de CRM de la empresa.

Para aprovechar mejor el poder del modelado de incertidumbre, Kordsa ha creado desde entonces un equipo de análisis avanzado basado en I+D, ventas, producción, planificación y IT. Los miembros del equipo interactúan regularmente con diferentes departamentos para comprender e identificar mejor los datos y las fuentes utilizados en los procesos de toma de decisiones fuera de sus propias funciones, que luego se pueden tener en cuenta en sus análisis predictivos.

Este tipo de traspaso de límites no debe detenerse en las puertas de la empresa. No son solo las decisiones de sus clientes y proveedores las que pueden afectar las incertidumbres de la demanda, sino que las decisiones de los actores de las industrias adyacentes que producen productos complementarios o sustitutos también pueden afectar la demanda. Acercarse a los datos que generan estos jugadores solo puede ayudar a reducir la incertidumbre en torno a los impulsores de rendimiento que necesita poder predecir.

. . .

Si bien los fabricantes y minoristas invierten en análisis de datos para mejorar la eficiencia operativa y el cumplimiento de la demanda, muchos de los beneficios de estas inversiones no se obtienen. La información se pierde a medida que los datos se agregan antes de la transformación en silos, lo que aumenta el nivel de incertidumbre en torno a las predicciones. Al aplicar las matemáticas del modelado de incertidumbre para incorporar información clave sobre cómo se generan los datos, los científicos de datos pueden capturar los efectos de parámetros previamente ignorados que pueden reducir significativamente la incertidumbre en torno a las predicciones de la oferta y la demanda.