Blog

En los últimos años, los consumidores de productos de consumo masivo han incrementado rápidamente
su necesidad por respuestas rápidas y entregas el mismo día, y la demanda es cada vez más sensible a
eventos recurrentes e inesperados, como ocurrió con la pandemia COVID-19. Es por ello, que se está
volviendo una necesidad cada vez más urgente que las empresas de Consumo Masivo (CPG) y Retail
desarrollen procesos de planificación de demanda ágiles y eficientes basados en pronósticos de
demanda en el punto de venta que sean más precisos, y se actualicen rápidamente de acuerdo a las
preferencias cambiantes del consumidor.

Para lograr una planificación de demanda ágil y eficiente se requiere pasar por una serie de etapas que
involucran cambios de procesos y organizacionales con el fin de lograr una planificación de demanda
basada en el consumo que se adapte rápidamente a los cambios y se anticipe a la demanda.

Modelo de madurez de planificación de demanda

Según el modelo de madurez de planificación de demanda recomendado por SAS Institute (empresa
líder en Soluciones Empresariales de Analítica Avanzada) las empresas de consumo masivo y Retail
pasan por cuatro etapas para lograr una planificación de demanda basada en el consumo:

Etapa 1: Proceso Intuitivo e informal: Los procesos de planificación de demanda son informales y los
pronósticos sólo se basan en la intuición y la experiencia. No hay un proceso formal para revisarlos y
actualizarlos. La data es fragmentada, limitada y procesada manualmente.

Etapa 2: Proceso formal pero manual y sólo basado en datos históricos de envíos: Los procesos de
planificación de demanda son formales, pero no integrados al proceso de planificación empresarial. Los
pronósticos se generan con modelos de pronósticos simples basados en datos históricos de envíos y no
están sincronizados con el consumo en el punto de venta, ni consideran factores externos ni eventos. Se
realizan ajustes manuales en la mayoría de los pronósticos de demanda.

Etapa 3: Proceso Estratégico e integrado: Los procesos de planificación de demanda son estratégicos e
integrados con los procesos de planificación empresarial. Se usan pronósticos con modelos de analítica
avanzada que utilizan como entradas una gran cantidad y variedad de datos históricos de consumo en el
punto de venta y de envíos para diferentes niveles jerárquicos como canal, categoría, tienda, producto y
SKU, y se consideran factores externos como eventos, promociones, precios e información del mercado.

Etapa 4: Proceso basado en el consumo: Los procesos de planificación son conducidos por el consumo
en el punto de venta y generados en una plataforma analítica única soportada en base a soluciones en
nube. Los pronósticos son automatizados y generados por modelos de Machine Learning vinculados a
los planes de producción, inventario y marketing. Se usan además de los datos históricos de la Etapa 3,
otros datos como data epidemiológica, tendencias de Google, interacciones con clientes y datos
económicos locales y regionales.

Aunque son dos conceptos muy relacionados, es bueno tomar en cuenta la diferencia entre pronóstico
de demanda y pronóstico del consumo. El pronóstico de demanda es una estimación de la cantidad de
productos o servicios que se venderán en un período de tiempo determinado y de forma agregada,
mientras que el pronóstico del consumo es un tipo de pronóstico de demanda pero referido a un punto
de venta específico (por ejm una tienda) y a periodos más cortos (por ejm, a una semana o a un día).

¿Por qué la analítica avanzada es crucial para lograr una planificación de demanda ágil y eficiente?

El pronóstico de demanda o consumo es el componente más importante de la planificación de demanda
según lo demuestran diferentes estudios de entidades prestigiosas especializadas en tecnología, y en
planificación de demanda y operaciones. Según la consultora Gartner, con un 1% de mejora en la
precisión del pronóstico se logra una reducción del 7% en el inventario de productos terminados (días),
del 2% (sobre las ventas) en costos de transporte, y del 9% (del valor del inventario) en la obsolescencia
del inventario. Según un estudio del IBF (Institute of Business Forecasting) se observó que un 1% de mejora en el pronóstico generó
ahorros de alrededor de 3% sobre el ingreso por ventas.

Un pronóstico de alta precisión y a una granularidad apropiada otorgará la capacidad de anticiparse y
comprender mejor las cadenas de suministro y los patrones de demanda de los clientes. Para esto se
requiere desarrollar modelos de pronósticos basados en datos mediante técnicas analíticas apropiadas.
De acuerdo a lo que se observa en la práctica empresarial, podemos clasificar estos modelos en dos
tipos: Modelos de pronósticos tradicionales y Modelos de pronósticos de Analítica Avanzada.

Los modelos de pronósticos tradicionales están ampliamente difundidos en las empresas y se basan en
técnicas analíticas básicas como promedio móvil, suavización exponencial y regresión lineal simple, que
consisten en proyecciones de la demanda histórica en base a patrones repetitivos como la
estacionalidad y tendencia. Sólo usan como datos de entrada a la demanda histórica y tienen muy poca
sensibilidad respecto a cambios en factores externos y eventos de cualquier tipo.

Por otro lado, los modelos de pronósticos de Analítica Avanzada usan técnicas estadísticas avanzadas
como ARIMA, modelos de regresión múltiple y modelos de demanda intermitente, y técnicas de
Machine Learning como Random Forest, Gradient Boosting, Redes Neuronales y Deep Learning. Estos
permiten anticipar comportamientos futuros de manera más rápida y precisa, y son más sensibles a
eventos disruptivos. Permiten además incorporar una gran cantidad de variables, y eventos internos
como promociones y precios, y eventos externos como proyecciones macroeconómicas, eventos
sociales, nuevos competidores, nuevos productos, variables climáticas y ubicación geográfica para
ofrecer una visión más completa de los posibles patrones futuros de la demanda.

La tecnología actual en el desarrollo y despliegue de modelos analíticos permite que usuarios con poco
conocimiento estadístico y de programación puedan generar la mayoría de pronósticos con modelos de
Analítica Avanzada de manera automatizada, reduciendo 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 80% de los pronósticos de demanda generados automáticamente
obtienen una precisión alta que no requiere mayor revisión ni ajustes manuales.

Estos avances dan origen a nuevas formas de planificación basada en modelos de pronósticos avanzados
y tecnologías de alta capacidad que permiten acompañar y facilitar el proceso S&OP, y proporcionar
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.

La creciente necesidad por respuestas instantáneas y entregas rápidas de productos de consumo masivo
ha impulsado a las empresas a adaptarse ágilmente a las cambiantes necesidades de los consumidores.
La Analítica Avanzada y el Machine Learning desempeñan un papel fundamental en la mejora de la
precisión de los pronósticos de demanda, permitiendo una planificación más efectiva.

Conoce más sobre cómo aplicar analítica avanzada para mejorar la planificación de demanda. Contáctanos para agendar una presentación personalizada

contacto@bctsconsulting.com | +51 997 500 500