Generalidades de los Pronósticos Automatizados

Generalmente la información suministrada por una herramienta de pronósticos es tomada y ajustada por un grupo de expertos o de funcionarios de la organización que poseen un conocimiento empírico, pero generalmente muy preciso, del comportamiento de algunos productos en el mercado y que suministran el componente cualitativo del pronóstico.

Queremos exponer a nuestros lectores algunos de los pros y los contras de los pronósticos de serie de tiempo automático y examinar modos para mejorar los pronósticos.

Una de las formas de poder formalizar el proceso de elaboración de los pronósticos dentro de la organización en establecer el rol o función de Pronosticador o Planeador y suministrarle a esta persona las herramientas adecuadas para la construcción del pronóstico. Usualmente la mayoría de herramientas de software ofrecen las dos opciones de pronóstico, tanto automática como especificada por el usuario. Por ejemplo, ForecastPro incluye un algoritmo de selección experto por el cual el programa automáticamente analiza sus datos, segmenta las familias de pronóstico apropiadas y dentro de la familia escoge el mejor modelo en base a parámetros estadísticos. Existe también la posibilidad que sea el usuario, basado en su experiencia y conocimiento, quien especifica el modelo de pronóstico específico a ser usado para el articulo o la serie que se esta analizando. Encuestas realizadas a usuarios de ForecastPro arrojan que el 43% de los usuarios usan la selección experta “siempre” y el 44 % manifestó que confían en los resultados arrojados por ella “la mayor parte del tiempo.”

No Todos los Algoritmos Automáticos son iguales ya que un sistema de pronóstico automático basado en series de tiempo puede ir desde una simple hoja de cálculo de Excel, que usa promedios y ajustes simples, hasta un sofisticado paquete de software diseñado exclusivamente para la generación de pronósticos, mucho más evolucionado que, automáticamente selecciona entre un gran numero de modelos de pronóstico diferentes estadísticos de forma desagregada, es decir artículo por articulo.

La exactitud de los pronósticos generados por sistemas automáticos puede variar ostensiblemente. Aplicativos desarrollados en hojas de calculo de Excel, raras veces ofrecen una alta exactitud, mientras sí lo hacen los sistemas de pronóstico especializados que utilizan métodos de serie de tiempo probados estadísticamente, los cuales utilizan modelos como suavización exponencial, Box-Jenkins , Croston y otros. Estudios empíricos han mostrado diferencias sustanciales de la exactitud entre herramientas de pronóstico comerciales que utilizan los mismos tipos de modelos. Estas diferencias son ocasionadas por varios motivos incluyendo el diseño y desarrollo de los algoritmos de selección, también por como se calculan los parámetros y como los modelos son optimizados e inicializados.

La mejor forma de evaluar un sistema de generación de pronósticos, es modelar los escenarios pasados, generar los resultados a través del sistema y compararlos con la realidad presentada. Esto le permitirá evaluar de mejor manera la confiabilidad que un sistema de pronósticos le puede brindar a su proceso de planeación.

Al implementar un sistema automatizado de pronósticos, el usuario debería tener presente que un algoritmo automático ve sus datos como una serie de números y selecciona un modelo con base a parámetros estadísticos. Es probable que en ocasiones el planeador tenga una experiencia muy grande con respecto al comportamiento de la demanda de los productos y del mercado, lo cual puede generar el aplicar ajustes a los pronósticos presentados en el sistema o incluso rechazar las proyecciones presentadas por el sistema. Hay muchos casos en los cuales definitivamente el juicio de expertos es la mejor opción, desvirtuando los resultados de un sistema automático.

Las series de tiempo trabajan capturando patrones dentro de los datos históricos y extrapolando el modelo en el futuro. Los métodos de serie de tiempo son apropiados cuando el usuario tiene una cantidad razonable de datos y hay una continuidad entre el pasado y el futuro (regularidad). Son métodos muy apropiados cuando pronosticamos en el corto plazo. Esto es debido a la suposición que indica que el modelo y las tendencias permanecerán constantes.

Hay muchas situaciones donde los métodos de series de tiempo podrían no ser la mejor opción. En estos escenarios se encuentran los productos nuevos (debido a su corta historia), el pronóstico de productos sujetos a eventos permanentes (promociones y/o interrupciones de negocio que generan desviaciones constantes en los volúmenes) y pronóstico de los productos cuyo comportamiento dependen de muchas variables además del tiempo como precios, variables del mercado, etc. Es importante tener presente que si estos eventos no son permanentes, la Serie de Tiempo se puede aplicar y el experto deberá modelar estos eventos en el sistema para generar la proyección correcta.

Es muy importante que el usuario del sistema este en armonía y concordancia con el modelo a utilizar en pocas palabras que haya “feeling” con el modelo seleccionado por el sistema. Puede haber situaciones en las cuales el sistema seleccione un modelo debido al análisis estadístico, sin embargo el usuario tiene el conocimiento suficiente para controvertir el modelo seleccionado. Estos casos son muy frecuentes cuando la serie tiene pocos datos o se ha presentado un cambio específico en las condiciones del mercado. ForecastPro tiene un elaborado algoritmo de “Selección Experta” el cual se basa en reglas y en la naturaleza de los datos para segmentar los posibles modelos a aplicar a la serie de datos dentro de los 96 diferentes modelos estadísticos que Forecast Pro trabaja. Una vez hecha esta segmentación, realiza una competencia entre los modelos seleccionados para escoger el mejor de acuerdo a parámetros estadísticos.

En otros casos el usuario puede tener el conocimiento de eventos futuros que no son capturados en el modelo de pronóstico. Por ejemplo, puede haber una promoción planificada, un competidor que entra en el mercado o una venta atípica programada. En estos casos, el usuario querrá tratar el modelo automatizado como base para aplicar su juicio y ajustar el pronóstico de tal manera que refleje el evento en el futuro. El nivel de certeza con el cual se pueda generar una proyección de la demanda es fundamental en todo el proceso de planeación de una organización. El desarrollo de pronósticos basados en herramientas no adecuadas para esta labor puede generar resultados erróneos que impactan todos los procesos de la organización. Es importante revisar en detalle el proceso de planeación de la demanda, la experiencia de los planeadores para el desarrollo de esta labor y las herramientas utilizadas que sirven de apoyo para la correcta exactitud del pronóstico.

Mind Andina ha implementado más de 25 proyectos de planeación de la demanda con base en el uso del sistema Forecast Pro en importantes compañías en la región andina. Usted puede ver una presentación y demostración de Forecast Pro en línea, haciendo clic AQUI