La mayoría de los pronósticos de demanda todavía se construyen en hojas de cálculo: los volúmenes del año anterior, ajustados por planeadores con experiencia según lo que saben de clientes, promociones y abasto. Cuando alguien propone usar en su lugar un modelo de aprendizaje automático, la discusión se convierte rápido en una competencia entre el equipo de ciencia de datos y los planeadores. Ambos lados suelen tener algo de razón, porque la respuesta honesta depende del artículo y de qué tan lejos se pronostica.
La pregunta útil no es si el modelo es mejor que la hoja de cálculo. Es dónde es mejor, por cuánto y qué deberían hacer los planeadores con el tiempo que libera. Usted puede responderla con su propia historia antes de cambiar nada en el proceso de planeación.
Dónde gana el modelo
Los pronósticos con aprendizaje automático se ganan su lugar bajo tres condiciones. La primera es suficiente historia: al menos dos ciclos estacionales completos al nivel en que usted planea, para que el modelo distinga la estacionalidad de la tendencia y del ruido. La segunda es la escala: cientos o miles de artículos y ubicaciones, más de los que cualquier equipo puede revisar uno por uno cada mes. La tercera son factores estables y medibles, como el precio, las promociones con un calendario conocido, la estacionalidad y los días hábiles, registrados de forma consistente en los datos.
En esas condiciones, el modelo tiene ventajas que ningún planeador puede igualar. Revisa cada artículo en cada ciclo con la misma disciplina, detecta pronto los pequeños cambios de tendencia y no está anclado al plan del año anterior ni a la cifra que se le prometió a ventas. También es consistente: los mismos datos siempre producen el mismo pronóstico, así que cada error puede rastrearse hasta su causa.
Dónde gana el criterio
Un modelo solo sabe lo que está en los datos. No tiene de dónde aprender cuando un producto es nuevo, cuando un evento no se repetirá o cuando la historia es demasiado escasa o está demasiado fragmentada para confiar en ella. Los lanzamientos, un cliente perdido o ganado, un desabasto de un competidor, una licitación única, el paro de una planta y un cambio de códigos de producto tras una migración de sistemas entran en esta categoría.
Los planeadores también tienen información que ningún conjunto de datos contiene: la llamada en la que un cliente dijo que cambiaría de proveedor, o la promoción que un minorista confirmó ayer. Para estos artículos y eventos, el criterio de un planeador le gana a cualquier modelo, y un buen diseño le da el tiempo y las herramientas para aplicarlo.
Cómo hacer una prueba justa
La mayoría de las comparaciones entre un modelo y el pronóstico actual son injustas para alguna de las partes. El modelo se evalúa con datos que ya vio, o a los planeadores se les juzga con un pronóstico final, reexpresado, en lugar del que guio las decisiones en su momento. Una prueba justa, que suele llamarse prueba retrospectiva, sigue cinco reglas:
- Reserve un periodo que el modelo nunca haya visto. Entrene con la historia hasta una fecha de corte y luego pronostique los meses siguientes como si fueran en tiempo real.
- Compare con el desfase que guía las decisiones. Si la producción se planea con tres meses de anticipación, compare los pronósticos hechos tres meses antes de cada mes, no la última revisión.
- Mida el sesgo además del error. Un pronóstico puede verse preciso en promedio y aun así quedar alto todos los meses, que es como se acumula el exceso de inventario.
- Pondere por volumen o valor. Un error grande en un artículo de baja rotación importa menos que un error pequeño en uno de los más vendidos.
- Reporte por segmento y por horizonte. Un solo promedio oculta la respuesta que usted necesita: dónde gana cada enfoque.
Agregue también una referencia simple, como el mismo mes del año anterior sin ajustes. Los artículos en los que ni el modelo ni los planeadores la superan necesitan un proceso más simple, no un mejor pronóstico.
Combine el modelo y el planeador
Las organizaciones que más aprovechan el aprendizaje automático no eligen entre el modelo y el planeador. El modelo produce un pronóstico base para cada artículo en cada ciclo. Los planeadores revisan las excepciones: artículos en los que el rango del modelo es amplio, artículos cuyo pronóstico se movió bruscamente, y los lanzamientos y eventos que el modelo no puede conocer. En el corto plazo, los planeadores suelen saber cosas que el modelo no, como un pedido ya confirmado; más adelante, la disciplina del modelo suele ganar. Cada cambio que hacen se registra con su motivo.
Registrar los ajustes permite medir lo que aporta cada paso, una práctica conocida como valor agregado del pronóstico. Después de algunos ciclos, el patrón suele ser claro: los ajustes por lanzamientos y promociones confirmadas mejoran el pronóstico, mientras que los pequeños cambios en artículos estables rara vez lo hacen. Así, los planeadores dedican su tiempo donde rinde y el modelo se encarga del resto. La precisión por horizonte, la medida que mantiene honesto un pronóstico continuo, cumple aquí la misma función.
Lo que debe estar en su lugar
El modelo es la parte menor del trabajo. La historia de ventas debe estar limpia y definida una sola vez: pedidos o embarques, brutos o netos de devoluciones, al nivel en que planea el negocio. Las promociones y los eventos necesitan un calendario dentro de los datos, no en la cabeza de alguien. La jerarquía de productos necesita fechas de lanzamiento y de descontinuación, y un vínculo entre los artículos anteriores y sus sustitutos; de lo contrario, el modelo trata cada reemplazo como un producto nuevo sin historia.
El ciclo de planeación también cambia. El modelo se actualiza antes de la revisión mensual de demanda, la revisión empieza por las excepciones y no por la lista completa de artículos, y la precisión por segmento y por horizonte se publica cada mes junto al pronóstico. Así es como el aprendizaje automático se vuelve parte de la planeación y no un proyecto aparte.
Empiece con una prueba retrospectiva
Antes de decidir, haga la prueba con su propia historia: un año completo reservado, los pronósticos que se hicieron en su momento y los del modelo para los mismos meses, comparados por segmento y por horizonte. Si el modelo gana en la mayor parte del volumen, déjele ese volumen y asigne a los planeadores los lanzamientos y los eventos. Si no, la prueba suele mostrar por qué, y la causa está más a menudo en los datos que en el algoritmo.
Comparta primero los resultados con los planeadores. Explicarán los errores más rápido que nadie, y confiarán mucho más en un modelo que ayudaron a probar que en uno que se les impuso.