Con el avance de la tecnología y el aumento de la capacidad de procesamiento de datos, se ha vuelto posible aplicar modelos estadísticos avanzados para pronosticar ventas de manera rápida y práctica. Los científicos de datos de todo el mundo utilizan modelos sofisticados que requieren el análisis de muchas variables al mismo tiempo, la optimización de parámetros y las regresiones multivariadas para mejorar la precisión de los pronósticos. Hay una enorme variedad de bibliotecas en lenguajes de programación de código abierto (Open Source) destinados a aplicar estos modelos y hacer predicciones.
Basta con hacer una simple búsqueda sobre los modelos y aparecerán miles de referencias y materiales sobre el tema. En este escenario, parece complejo definir qué modelos se deben utilizar y qué parámetros se deben definir. ¿Cuándo se debe realizar la amortiguación del método de Winter? ¿Tiene sentido un modelo autorregresivo para el horizonte y granularidad de datos que tiene la serie?
Sin embargo, antes de llegar a esta etapa, tan importante como la selección de modelos es la preparación de la base de datos.
¿Alguna vez has escuchado la frase “eres lo que comes”? En general, está relacionado con la idea de que debemos tener una alimentación equilibrada y saludable. Si no aportamos a nuestro organismo los nutrientes necesarios para su correcto funcionamiento, empezará a presentar problemas y rendirá por debajo del nivel deseado. Este concepto es exactamente el mismo que debe tener dentro del proceso de previsión de la demanda.
Si su base de datos no tiene la información más actualizada, tiene datos faltantes o contiene información discrepante, puede tener el modelo de pronóstico más asertivo del mundo y con el mayor poder de procesamiento posible, pero probablemente tendrá un pronóstico más grande. error de lo que a uno le gustaría (después de todo, fue "alimentado" con una base problemática).
El paso de preparación y ajuste de datos es fundamental para un proceso de pronóstico de ventas exitoso. En esta etapa se organiza la información (nivel de granularidad), el ajuste de los base y la definición del horizonte de planificación.
Organización de la información
En la etapa de organización de la información se debe definir el nivel de granularidad de la serie a analizar. La definición del nivel ideal de granularidad debe basarse en el equilibrio entre la precisión, la utilidad y el esfuerzo del trípode. En este punto, la discusión sobre el enfoque de arriba hacia abajo ou de abajo hacia arriba (discutido en publicaciones anteriores) y cuál traerá mejores resultados a mi proceso.
Ajuste de línea de base
En el paso de ajuste de base, se debe evaluar: existencia de valores atípicos, identificar eventos únicos que ocurrieron en la serie y las acciones comerciales que impactaron las ventas. Existen varias técnicas estadísticas para identificar y tratar outliers (puntos muy alejados del comportamiento normal de la serie), como diagrama de caja y análisis gráfico.
Los eventos únicos, como un desastre natural o una huelga, deben identificarse y tratarse como excepciones, es decir, puntos que ocurrieron una o varias veces y no volverán a suceder. De esta forma, se evita que el modelo “aprenda” un patrón no regular de la serie e intente reproducirlo en el futuro.
Las acciones comerciales que pueden impactar son grandes promociones, lanzamientos o campañas de marketing que pueden traer resultados temporales y artificiales al comportamiento estándar de la serie. Es imperativo que estas acciones estén documentadas para que el equipo de pronóstico pueda hacer los ajustes necesarios.
Definición del Horizonte de Planificación
En esta etapa no se procesan los datos per se, sino que se define el horizonte que tendrá el pronóstico y qué historial de datos se debe tener disponible para este fin. El horizonte de planificación depende del ciclo de decisión de la empresa. Si quieres tomar una decisión de compra de materia prima que tarda 6 meses en llegar, ajustar los datos a una previsión para los próximos 3 meses tiene poco valor. El horizonte que se utilizará para pronosticar la demanda debe definirse a priori, ya que esto puede afectar la selección del modelo además de estar directamente relacionado con la utilidad del proceso de pronóstico.
La etapa de ajuste de la base y preparación de los datos es fundamental para que el modelo adoptado reciba los “nutrientes” que necesita para su mejor desempeño. Una historia que sea fiel a la realidad permitirá que su modelo identifique los patrones correctos y haga las proyecciones más asertivas posibles. En el escenario actual de amplia disponibilidad de información, asegurar la calidad de los datos que se utilizarán se vuelve crítico.
Jéssica Silva
5 años de experiencia en proyectos de capacitación, consultoría e investigación de mercado en Supply Chain para empresas de diferentes sectores como Coca-Cola, LASA, Silimed, O Boticário, Monsanto, entre otras. Trabajé en proyectos de planificación de inventarios, plan maestro logístico, transporte y gestión de indicadores. También participó en el desarrollo de los cursos en línea de ILOS sobre Logística y Cadena de Suministro, Procesos de Compra y Gestión Industrial, además de investigaciones en el sector farmacéutico.
