Pronosticar en supply chain es vital para lograr el servicio al cliente como lo reclama el mercado, y para poner en funcionamiento la logística que permita lograrlo en forma consistente no una vez, sino siempre. Y cada orden que se despacha y llega en forma perfecta tal como la espera el cliente aumenta la rentabilidad medida a través del cuadro de resultados. Cierra perfecto. Planificar la demanda o Demand Planning es un área en constante evolución. Y como todo en supply chain es cuestión de aprenderlo.

Pronósticos, una vez más

Un tema repetido al planificar la demanda es lograr exactitud. Después de todo, planificar la demanda es encontrar el equilibrio entre los pedidos que hay que atender y los recursos necesarios o con los que contamos dentro de los plazos tolerados por la paciencia de tal o cual cliente determinado.

Una cosa sí es cierta: no hay una forma única de pronosticar la demanda ni de decidir qué estrategia de cercanía al cliente es la más conveniente. Sí, es necesario, estar tan cerca como se pueda.

Los entornos más comúnmente utilizados en función de la cercanía al cliente y a la predisposición a personalizarle las respuestas viene dada por la velocidad y selectividad de la respuesta. En un entorno donde al cliente se lo atiende desde los inventarios preparados para darle una respuesta rápida, el pronóstico se hace a nivel de producto terminado. Mientras que si el cliente puede esperar la respuesta y a cambio recibirla personalizada, el entorno se caracteriza por esperar hasta contar con el pedido y recién entonces y con toda la información, comenzar a fabricar.

Los niveles de pronósticos son diferentes. En el entorno desde el stock, el pronóstico se hace para los productos terminados. En cambio, en el entorno que trabaja por pedido, los pronósticos se hacen para calcular los componentes que son los que luego darán la multiplicidad de una oferta mucho más ampliada.

¿Y  los pronósticos?

Clásicamente se distinguen dos grandes grupos de pronósticos. Son diferentes por los datos que los nutren y son diferentes en los métodos de cálculo que utilizan. También son diferentes las etapas de la vida del producto en las que se aplican: algunos son aptos para el lanzamiento, otros para la madurez y otros para el ocaso, cuando está cerrando su ciclo de vida.

En todos los casos, la medida de la bondad de un pronóstico se calcula con el Error:

La primera regla de todo pronóstico es que estará casi siempre mal. Por eso al final del día, es encontrar el método para hacerlo con el menor error posible.

  1. Métodos Cualitativos. Están basados en la intuición informada y educada de los expertos que a partir de la percepción que tienen del mercado y de los factores que lo condicionan, se animan a un pronóstico.Ese pronóstico se enriquece por ejemplo, con el método Delphi que consiste básicamente en reunir a un panel de expertos y lograr que puedan homogeneizar las respectivas bases de partida que les han servido para pronosticar y arribar a sus conclusiones. Si logran ponerse de acuerdo se llegará a un pronóstico por consenso. Si no se ponen de acuerdo, se logrará un menú de posibilidades como para conformar un árbol de decisiones.
  2. Métodos Cuantitativos, Tienen básicamente dos modelos. Uno es causal, y el otro es no causal.
    1. Método No Causal. Depende de series históricas de datos o series de tiempo. Esos datos encierran una serie de parámetros que se intentan desentrañar y así permitir extrapolarlos hacia el futuro. Entre esos datos están la tendencia, el ciclo y la estacionalidad. Las series cronológicas son uno de los modelos más conocidos.Dentro de estos suenan técnicas como promedios móviles, alisado exponencial, Holt Winters y Croston modificado.
    2. Modelos causales: busca determinar si existe correlación entre la variable a pronosticar y las otras variables que potencialmente servirían para predecir el comportamiento de la variable a pronosticar (variables explicativas). Si esa relación matemática existe, el paso siguiente es determinar qué tan buena es la correlación. El comportamiento de la variable a pronosticar puede explicarse con una, dos o más variables explicativas.
Los datos en la era de Data Analytics.

Cada vez más es necesario satisfacer a los clientes más que de una forma genérica, sino tratando de comprender y anticipar sus necesidades mejor que la competencia. Esto será más evidente en los próximos años cuando la cantidad de datos disponibles plantee la competencia entre aquellos que sí saben qué quieren sus clientes y los que aún adivinan y se mueven por aproximaciones.

Precisamente por estas razones, el área de Data Analytics recién está en pleno desarrollo. Capturar la atención y preferencia del cliente serán las áreas donde próximamente se concentrará el marketing y la estrategia de supply chain que lo acompañe.

Los datos abundan, las computadoras tienen inmenso poder de cálculo, los algoritmos se desarrollan a velocidades enormes y son cada vez más sofisticados y acertados y las máquinas hablan y aprenden entre sí acumulando conocimiento. ¿Por qué seguir ignorando el desarrollo de esta nueva especialidad?

El IEEC desarrolla estos conceptos en sus cursos:

Para más información sobre estos temas ver: www.logility.com

FacebooktwitterlinkedininstagramFacebooktwitterlinkedininstagram

About Author

Ing. Civil (UBA), M. Sc. (Universidad de Berkeley), CPIM y CSCP (APICS), SCOR-P, SCOR International Instructor.

Comments are closed.