Analítica Avanzada

Planificación de Demanda impulsada por la Analítica Avanzada y Machine Learning

El monitoreo y proyección continua y precisa de la demanda es fundamental en las empresas modernas, en particular en las empresas de Retail y consumo masivo (CPG). Planificar la demanda le permite a las empresas de comercio minorista maximizar sus márgenes, reducir costos, incrementar su eficiencia operacional y ser más sostenibles al reducir el desperdicio. Por el contrario, el no planificar adecuadamente la demanda puede provocar la pérdida rápida de ventas y clientes al presentar quiebres de stock que impactan negativamente el servicio y la experiencia del cliente, en especial de ecommerce.


Es así que uno de los principales objetivos de la planificación de la demanda es tener la cantidad justa de inventario para satisfacer la demanda del cliente sin incurrir en escasez ni sobrecostos en fabricación y exceso de inventario. También busca minimizar el efecto látigo, un fenómeno en el que pequeñas fluctuaciones de la demanda en el punto de venta amplifican la demanda del resto de participantes en la cadena de suministro, como son los proveedores y fabricantes. El tener pronósticos de demanda más precisos puede ayudar a minimizar el efecto látigo.


Según el IBF (Institute of Business Forecasting & Planning) la planificación de la demanda es el proceso y técnicas utilizadas para crear un plan o pronóstico de demanda que debe considerar la visión completa de la demanda: lo que puede suceder, lo que queremos que suceda y cómo podemos hacer para que suceda.
Según el IBF la planificación de demanda puede incluir:
• Detección de demanda (Demand Sensing): Consiste en detectar señales de demanda y luego predecir la demanda. Las señales incluyen quién está comprando el producto y cómo las actividades de ventas y marketing (precios, promociones, eventos, etc) influyen en la demanda.
• Dar forma a la demanda (Demand Shaping): Consiste en manipular la demanda de los productos para lograr un objetivo deseado. Si se espera que la demanda de un producto sea mayor que la oferta, el fabricante o minorista puede moldear la demanda aumentando su precio y/o reduciendo la promoción.
• Orquestación de la demanda: Se trata de determinar la mejor solución o resultado entre varias opciones, dados los parámetros conocidos. Es el proceso de crear demanda e influir en el comportamiento, pero también se refiere a hacer compensaciones para mejorar los pronósticos, reducir costos, minimizar riesgos y aumentar las ventas y las ganancias.


El pronóstico de demanda es una de las entradas más importantes del proceso S&OP (Planificación de Venta y Operaciones) que, como sabemos, está relacionado directamente al logro de los objetivos de la empresa. Como menciona el IBF el pronóstico de demanda es el resultado del proceso de planificación de demanda y debe dar información precisa no sólo de lo que podría suceder sino también sobre lo que podría ocurrir bajo diferentes escenarios (sensing), y dar alternativas para modificar la demanda (shaping). Para lograr esto con buena precisión el pronóstico de demanda debe basarse en Modelos Estadísticos Avanzados y de Machine Learning.


Con el avance de las tecnologías de información y procesamiento de datos, las empresas disponen en la actualidad de una gran cantidad y variedad de datos que pueden utilizarse para mejorar los pronósticos de demanda y tener un entendimiento más profundo de los principales factores que influyen en la misma.


En la actualidad, ya se utilizan modelos estadísticos avanzados y de Machine Learning que utilizan no sólo la data histórica de ventas, sino también otras variables como los precios, promociones, variables macroeconómicas, datos metereológicos y eventos repetitivos como las festividades y eventos deportivos. Además, se pueden incorporar a los modelos, los eventos imprevistos internos o externos a la compañía, como las promociones no programadas, actividades de la competencia, fenómeno del niño, epidemias o pandemias y eventos económico sociales de acuerdo al país y la zona geográfica. Todos estos factores se pueden incorporar en los modelos estadísticos avanzados como los de ARIMAX y Regresiones, y en los modelos de Machine Learning como Árboles de Decisiones, Random Forest, Gradient Boosting, XGBoost, Redes Neuronales y modelos combinados, que ya han demostrado ser muy efectivos en la práctica.


Estos modelos de pronósticos de demanda no sólo permiten predecir la demanda en un escenario determinado de precio, promociones programadas y otros eventos predecibles, sino también permiten evaluar diferentes escenarios what-If. Por ejemplo, si se modifica el precio de un producto se puede simular cuál podría ser el impacto en la demanda, o si se reactiva una promoción que se había realizado en meses o años anteriores. Esto permite que se tenga una mayor objetividad para el planteamiento de planes alternativos como parte del proceso de S&OP, evitando basarse sólo en la intuición o en preferencias sesgadas.


Por otro lado, estos modelos pueden mejorar en el tiempo conforme se vayan ajustando y comparando con la demanda real y se incorporen mayor cantidad y variedad de datos y eventos que influyan en la demanda. Además, se pueden detectar valores atípicos y marcarlos para que no afecten el pronóstico base de la demanda. Si se identifica la causa raíz de una demanda atípica en cierto periodo se puede agregar ésta a la data histórica como si fuera un evento para que la siguiente vez que ocurra un evento igual o similar pueda detectarse con precisión y cuantificar su impacto en la demanda. También se pueden incorporar eventos nunca antes vistos y de duración prolongada como por ejemplo la pandemia del COVID. Se ha constatado que los indicadores epidemiológicos tenían alta correlación con la demanda y que influían de manera diferente para diferentes productos, pudiendo de esta forma incrementar en gran medida la precisión de los pronósticos.


La tecnología actual en el desarrollo y despliegue de modelos avanzados permite que incluso usuarios con poco conocimiento de estadística y programación puedan desarrollar la mayoría de los modelos de pronósticos de demanda, pudiendo reducir enormemente la carga operativa en el desarrollo y uso de los pronósticos además de una mejora sustancial en la precisión. Según algunos estudios se sabe que cerca del 70% de los pronósticos de demanda generados automáticamente con modelos avanzados obtienen una precisión alta, que no requiere mayor revisión ni ajustes manuales. Incluso se puede reducir aún más la necesidad de realizar ajustes manuales con la ayuda de modelos de machine learning que detectan en qué casos los ajustes manuales son justificados y en qué casos pueden ser perjudiciales para la precisión del pronóstico en base al indicador FVA (Forecast Value Added) que mide el impacto de los ajustes manuales en la precisión del pronóstico.


Estos avances dan origen a nuevas formas de Planificación Demand-Driven basado en el consumo en el punto de venta que se se pueden implementar apoyados en software de manera efectiva. Con esto se busca acompañar y facilitar el proceso S&OP con la ayuda de pronósticos y análisis más precisos implementados con Analítica Avanzada y Machine Learning, que proporcionen mayor y mejor información, con capacidades para realizar análisis de escenarios de manera rápida y efectiva en una interfase amigable para los usuarios de negocios.

Contáctanos para asesorarte sobre la mejor aplicación de la analítica avanzada en la planificación de demanda de tu empresa.

+51 97500 500 | contacto@bctsconsulting.com

Colaboración de Gino Sedano | Consultor Senior en Analítica Avanzada | BCTS Consulting

Leave a comment

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

five × one =

Contáctanos
Scan the code
Atención al cliente
Hola
👋Gracias por contactar a BCTS Consulting
¿Cómo podemos ayudarte?