Analítica Avanzada

CPG | Planificación de demanda basada en el consumo en el punto de venta (POS)

Para lograr una planificación de demanda ágil y eficiente se requieren nuevos procesos y cambios organizacionales con el fin de lograr una planificación de demanda basada en el consumo en el punto de venta que se adapte rápidamente a los cambios y se anticipe a la demanda.

El enfoque que mostramos a continuación está basado en la metodología propuesta por Charles W. Chase (Reconocido experto en planificación de demanda) en su libro “Consumption-Based Forecasting and Planning”. Puede aplicarse a empresas fabricantes y distribuidoras de productos de consumo masivo (CPG) que venden sus productos a través de tiendas minoristas (Retail). Se puede resumir en los siguientes pasos:

1. Recopilar y actualizar datos:

La tecnología de ingesta de datos y la Analítica Avanzada permiten recopilar y procesar datos de diversas fuentes, como datos de mercado, actividades de marketing en tiendas, calendarios de eventos, envíos, precios mayoristas, inventario y datos de interacciones con consumidores a través de múltiples canales y redes sociales.

2. Desarrollar modelos de pronósticos de consumo avanzados (“Demand Sensing”)

El Analista de demanda utiliza modelos de pronósticos con herramientas de Analítica Avanzada que incorporan técnicas estadísticas y algoritmos de Machine Learning para predecir la demanda futura. Estos modelos consideran tendencias, estacionalidad, eventos repetitivos y diversos factores causales, como categoría de productos y promociones.

Para entrenar el modelo, se utilizan datos recopilados y procesados previamente, corrigiendo valores atípicos y faltantes. Luego, se generan modelos de pronóstico alternativos de los cuales se seleccionan automáticamente los más precisos para diferentes niveles de demanda. Los pronósticos con alto error se revisan para identificar si existen patrones no detectados por la herramienta o eventos no previstos que se pueden incorporar manualmente.

Estos pronósticos se basan en información histórica y no consideran restricciones en la disponibilidad del producto ni eventos futuros no contemplados en el desarrollo del modelo original, como como cambios imprevistos de precio, nuevas promociones o interrupciones no planificadas en la producción. En tales casos, se requieren ajustes manuales en los pronósticos.

3. Revisar y ajustar manualmente los modelos de pronósticos de consumo:

El analista de demanda, planificador de demanda o data scientist ajusta los modelos de pronóstico obtenidos, especialmente aquellos con mayores errores, mediante ajustes manuales o con la incorporación de mayor información. Estos ajustes se recomiendan monitorear mediante el enfoque del FVA (Forecast Value Added) que consiste en la aplicación de una métrica para determinar si los ajustes mejoran o no los pronósticos automáticos obtenidos con la herramienta. Este enfoque promueve ajustes basados en análisis objetivos y sólidos fundamentos, evitando intereses personales o sesgos. Se puede también aplicar modelos de Machine Learning para detectar aquellos casos donde es recomendable realizar ajustes manuales, evitando ajustes innecesarios que podrían reducir la precisión del pronóstico.

Si le interesa conocer con mayor amplitud sobre el enfoque de FVA y otras prácticas recomendadas para la generación y revisión de pronósticos de demanda recomiendo el libro “The Business Forecasting Deal” de Michael Gilliland.

4. Reconciliar los modelos de pronósticos de consumo:

Luego de revisar y ajustar los pronósticos con información adicional, estos se deben reconciliar con un proceso automático, desglosando los pronósticos para todos los niveles jerárquicos de productos que se requieran considerar para el proceso de S&OP. La reconciliación consiste en mantener la coherencia en las cantidades predichas por los pronósticos a lo largo de todos los niveles jerárquicos considerados para el proceso de planificación, que podrían ser a nivel de categoría, región, producto, SKU, tienda, etc. Por ejemplo, se debe asegurar que la cantidad total pronosticada de un producto sea igual a la suma de las cantidades pronosticadas para cada una de las tiendas donde se vende el producto.

Una vez completadas las reconciliaciones, se generan los pronósticos base (sin considerar efectos promocionales) y los pronósticos totales para cada nivel jerárquico.

5. Realizar análisis de escenarios para dar forma a la demanda (“Demand Shaping”):

Los modelos de pronósticos avanzados también permiten identificar y analizar cuáles son las variables que más impactan en el consumo mediante lo cual se pueden cuantificar posibles impactos de acuerdo a cómo se modifiquen estas variables. Esta información facilita la discusión sobre qué tácticas aplicar para dar forma a la demanda, lo que se conoce como “Demand Shaping”. Esto consiste en simular escenarios hipotéticos para modelar la demanda futura con el objetivo de incrementar ventas y/o mejorar márgenes de acuerdo a las estrategias de la empresa. Por ejemplo, el Planificador de Marketing puede simular la demanda futura y el rendimiento de la compañía y de la cadena de suministros, para el supuesto que se realicen cambios en las diferentes variables como promociones, descuentos y precios. Este proceso se puede facilitar grandemente con la ayuda de una herramienta de analítica avanzada que permita vincular los modelos de pronósticos de demanda con los planes de demanda, planes de suministro, y los principales indicadores de negocio que maneje la empresa.

6. Vincular el pronóstico de la demanda en el punto de venta con los pronósticos de envíos:

Los pronósticos de demanda considerados hasta el momento son pronóstico de demanda en el punto de venta (pronósticos de consumo). Estos se pueden usar como variables de entrada para desarrollar modelos de pronóstico de envíos considerando un desfase por los tiempos de entrega a las tiendas.

Para su desarrollo se utilizan datos como pronóstico de consumo revisados y reconciliados, demanda histórica en el punto de venta, promociones para las tiendas, incentivos de precios, eventos repetitivos o únicos atribuibles a alguna actividad comercial, inventario disponible, ubicaciones de tiendas, etc.

Los modelos de pronósticos de envíos se desarrollan con una metodología similar a la mencionada para los modelos de pronósticos de demanda en el punto de venta. Los pronósticos generados por estos modelos se comparten con el equipo de planificación de suministros y participantes del proceso S&OP.

El proceso de planificación de demanda implica la colaboración de roles clave, como el Planificador de Marketing, Analista de Demanda o Científico de Datos y Planificador de Demanda, y sirve como base y variable de entrada para el proceso de Planificación de Ventas y Operaciones (S&OP).

El enfoque propuesto por Charles W. Chase ayuda a sincronizar la demanda y el suministro, lo que resulta en una mejora en la gestión de la cadena de suministro. La combinación de tecnología de analítica avanzada y la participación de profesionales clave facilita la toma de decisiones informadas y la adaptación ágil a las necesidades del mercado.

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

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 *

three × three =

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