Se ha escrito mucho sobre pronósticos y la necesidad de mejorar su precisión. A pesar de nuestros mejores esfuerzos, el hecho es que mejorar la precisión del pronóstico sigue siendo un objetivo difícil de alcanzar y lograr niveles de precisión del 80% en la combinación granular de producto y geografía, sigue siendo el santo grial.

Los avances recientes en modelos estadísticos sofisticados, Big Data y aprendizaje automático (Machine Learning) definitivamente ayudarán a hacer mejores pronósticos en el futuro en un entorno prístino. Al mismo tiempo, es igualmente importante investigar por qué los pronósticos eventualmente resultan ser sustancialmente diferentes de la demanda real a pesar de nuestros mejores esfuerzos e intenciones.

Si bien las acciones de los competidores continuarán siendo impredecibles, lo que dificultará el pronóstico de la demanda real, este factor permanece fuera del control de la organización. Lo más importante es controlar los otros factores internos que nos impiden hacer pronósticos más precisos.

Razones principales que alejan los pronósticos de la realidad

En mi opinión, hay tres razones principales dentro del control de una organización que alejan los pronósticos de la realidad. Comprender estos factores nos llevará a la dirección correcta de la solución.

Si los equipos de la cadena de suministro deben utilizar los pronósticos para mover las existencias a varias ubicaciones, es imperativo que eliminemos estas tres deficiencias.

Las últimas señales de demanda deben procesarse para actualizar el pronóstico diariamente, mejorando así la frecuencia de los pronósticos. Tener en cuenta las últimas señales significaría que las señales de hoy cambiarán el pronóstico de mañana, lo que soluciona el problema de pronosticar con demasiada anticipación. Mi recomendación final sería eliminar el toque humano de la previsión y procesar las señales de demanda de una manera prístina sin ningún sesgo subjetivo. Deje que el patrón de señales de demanda decida cuál debería ser el pronóstico.

El proceso de reabastecimiento basado en la teoría de restricciones tiene estas tres recomendaciones firmemente integradas. Si la heurística diseñada adecuadamente pudiera convertir las señales de demanda en áreas de acción para los equipos de la cadena de suministro, ¿Deberíamos incluso dedicar nuestros esfuerzos a pronosticar la demanda a un nivel tan granular?

Por: Dr. Rakesh Sinha – Global Head – Supply Chain, Manufacturing & IT at Godrej Consumer Products Limited.

Traducción Libre de Javier Arévalo – Goldratt Consulting Partner Latin America

Para conocer más acerca de los casos de aplicación de teoría de restricciones lideradas por Goldratt Consulting:

Javier Arevalo

Me apasiona trabajar con empresas y clientes para ayudarles a desbloquear su productividad mediante el aprendizaje y la aplicación de la teoría de restricciones y el enfoque de sistemas. He desarrollado mi experiencia trabajando en estrecha colaboración con el Dr. Goldratt en el pasado y mis colegas del grupo Goldratt durante más de quince años. Soy socio y miembro fundador de Goldratt Consulting, donde he desarrollado mis habilidades en TOC Estrategia & Tácticas, Procesos de Negocio, Planeación, Gerencia de Operaciones, Cadena de Suministros, Retail, Gerencia de Proyectos y Ambientes complejos.

Goldratt Consulting América Latina

La entrada ¿Por qué salen mal los pronósticos? se publicó primero en Ingenieria Industrial Online.

¿Qué es un método de control de pronósticos?

Un método, indicador o medida de control de pronósticos corresponde a la forma de supervisar un modelo de previsión para asegurarse de que su precisión continúe siendo efectiva. La base de cualquier método de control tiene que ser el comportamiento real, por ende cualquiera que sea el indicador, éste pretende representar lo cerca que está el pronóstico de la demanda real.

Uno de los puntos clave del desarrollo del proceso de pronósticos consiste en monitorear el modelo, por ende se debe acudir casi a indicadores en tiempo real respecto a las desviaciones de la previsión, es decir, el control del pronóstico es un trabajo tan dinámico como lo es el comportamiento de la demanda. También debe efectuarse al momento de selección del mismo, comparando los indicadores de desviación de varias metodologías de previsión en la etapa de evaluación de alternativas del proceso de desarrollo del modelo.

Recomendaciones al efectuar control del pronóstico

Los métodos de control de pronósticos buscan evaluar la exactitud de los modelos, pero al mismo tiempo estos deben ser precisos en cuanto a sus mediciones, es decir, cerciorarse de que se estén pronosticando las cantidades correctas, en el SKU correcto, puesto que pueden darse casos como el siguiente:

	SKU A	SKU B	Total
Pronóstico	75	25	100
Demanda	25	75	100
Exactitud	0%	0%	100 %

Es decir, se recomienda evaluar previamente sí el pronóstico se aplica sobre SKU’s, para de esta manera aplicar las medidas de control sobre las previsiones de SKU’s y no sobre los valores totales, para reflejar realmente la efectividad del modelo.

Otra recomendación consiste en pre-establecer los límites de control del pronóstico, es decir, el rango dentro del cual se asume que el modelo está bajo control, de esta forma se podrá identificar con mayor facilidad las desviaciones representativas.

---

Métodos de control de pronósticos

Existe un gran número de indicadores de error del pronóstico, dentro de los que se destacan:

• Desviación estándar
• Error cuadrático
• Error porcentual
• Desviación absoluta media
• Señales de rastreo

Y muchos otros, sin embargo muchos expertos prefieren considerar las señales de rastreo como el indicador por excelencia para un adecuado control del pronóstico. Una señal de rastreo es un indicador de cuán bien se ajustan las predicciones de un pronóstico al comportamiento real de la demanda. La señal de rastreo se calcula como la suma de la desviación acumulada (suma corriente de errores del pronóstico), dividida entre la desviación media absoluta (DMA):

Donde

Una vez calculadas las señales de rastreo debemos saber que éstas están dadas en desviaciones medias absolutas. No siempre una señal de rastreo positiva indica que la demanda es superior que el pronóstico, y viceversa, dado que su cálculo emplea desviaciones acumuladas. Una señal de rastreo favorable, es decir con un error del pronóstico bajo, deberá tener aproximadamente el mismo error absoluto positivo que negativo.

Para que una señal de rastreo sea un indicador eficiente de error en el pronóstico debe compararse con límites preestablecidos de control. Sí la señal de rastreo excede los límites de control será un indicador de que algo anda mal con el pronóstico. El siguiente interrogante que surge consiste en la determinación de límites de control, para ello acudiremos a límites dados en DMA, para lograr una congruencia con las señales de rastreo.

Según fundamentos estadísticos, la equivalencia entre DMA y Desviaciones estándar es aproximadamente así:

1 D.M.A = 0,8 desviaciones estándar

Esto nos indica que siempre y cuando los errores se comporten siguiendo una distribución normal, para considerar que el pronóstico esté controlado deberá:

• El 89% de los errores estar ubicados entre ± 2 DMA
• El 98% de los errores estar ubicados entre ± 3 DMA
• El 99% de los errores estar ubicados entre ± 4 DMA

Ejemplo del cálculo de la señal de rastreo

En el siguiente ejemplo se mostrará el pronóstico efectuado para los 6 primeros meses del 2014 en un negocio dedicado a la venta de hamburguesas, junto con las ventas reales en dichos períodos, además se muestra el resultado del cálculo de los errores:

Esta señal de rastreo se encuentra dentro de los límites aceptables de control del pronóstico, su rango de comportamiento se desplaza desde – 2,25 hasta + 1,00.

---

En el siguiente formato desarrollado por el equipo de ingenieriaindustrialonline, podrán calcular la señal de rastreo y la desviación media absoluta de una previsión de máximo 10 períodos, tan sólo deberán llenarse las celdas de color gris y obtendrán los indicadores de control del pronóstico.

 

La entrada Control del pronóstico se publicó primero en Ingenieria Industrial Online.