La gestión de la cadena de suministro depende de las previsiones, ya sean implícitas o explícitas.
Dimensionar el inventario basándose en el consumo promedio pasado asume que el consumo futuro se parecerá a este historial, por lo que es una previsión implícita.
Seamos honestos, nadie confía en las previsiones. Todo el mundo sabe que la demanda real diferirá de las previsiones.
El Instituto Demand Driven señala que:
- Los pronósticos están equivocados
- Cuanto más adelante estén, más inexactos serán.
- Cuanto más detallados son, más inexactos son
Pero, ¿cuándo son las predicciones más útiles?
La utilidad de una predicción se mide por su capacidad para informar una decisión.
¿A largo plazo?
Veamos el gráfico a continuación, que muestra, por un lado, en azul sólido, el historial de la demanda, en rojo, la previsión estadística basada en este historial, y en líneas discontinuas moradas, los requisitos del cliente comunicados para las próximas semanas.
Una imagen que contiene texto, fuente, diagrama, línea
El contenido generado por IA puede ser incorrecto.
¿Qué podemos deducir de este gráfico?
Por un lado, podemos ver que a corto plazo —en el caso de este flujo B2B, 16 semanas— tenemos una mejor señal de demanda que la previsión estadística. Es probable que sea mejor confiar en la línea discontinua morada que en la proyección roja.
Sin embargo, no es necesario creer ciegamente estas cifras. Es probable que un requisito del cliente compartido para las próximas 16 semanas cambie, y si vemos este gráfico semana tras semana, es probable que veamos que las sinusoidales moradas fluctúan de una semana a otra. La señal es sin duda mejor, pero tiene ruido. Sigue siendo una previsión, excepto por el principio del horizonte, donde la llamada de entrega del cliente es definitiva.
¿Más allá de las 16 semanas? Bueno, no hay opción: todo lo que tenemos es una previsión. Por lo tanto, si tiene que tomar decisiones más allá de las 16 semanas, la mejor información que tiene, o la menos mala, es la previsión, basada en un análisis de datos históricos y enriquecida con cualquier factor causal.
¿Necesita tomar decisiones más allá de las 16 semanas? Lo más probable es que sí, por ejemplo, invertir en nuevo equipo para aumentar la capacidad llevará más de 16 semanas.
Por lo tanto, podemos concluir de este ejemplo que, a largo plazo, la previsión es útil, especialmente para su proceso de S&OP. Es una pena, porque cuanto más lejos esté la previsión, más imprecisa será, ¿verdad?
La clave para que este pronóstico lejano, y por lo tanto muy impreciso, sea útil —es decir, para ayudarte a tomar buenas decisiones— es tratarlo en el nivel más agregado posible y evaluar varios supuestos y escenarios.
¿A corto plazo?
A corto plazo, dirá usted con razón, debemos considerar las demandas reales expresadas por el cliente y las previsiones no son relevantes. Probablemente tenga razón, basándose en el ejemplo anterior.
Pero imaginemos por un minuto que usted es un minorista físico o un minorista en línea. Usted no tiene ningún pedido en firme. Un visitante entrará en una de sus tiendas o se conectará a su sitio web y realizará una compra... siempre y cuando usted tenga el artículo en stock. De lo contrario, las ventas se perderán.
¿Cómo se puede garantizar la disponibilidad? Se necesita una señal relevante para reabastecer su tienda o almacén. La primera y más natural señal es la renovación del consumo. Este es el principio de flujo de arrastre en el corazón de Intuiflow. Programamos el reabastecimiento al ritmo del consumo real, posiblemente ajustado por factores causales como promociones.
En este contexto, un pronóstico a muy corto plazo también puede ser útil. Puede permitir una reposición más detallada de un punto de venta en particular, ya que el pronóstico del tiempo para este pueblo costero el sábado predice buen tiempo, es el primer sábado de vacaciones y hay una feria local que se espera que atraiga a muchos visitantes. Nuestros colegas expertos en retail de Algo han desarrollado algoritmos de IA y reposición muy convincentes en esta área.
De hecho, a muy corto plazo, un pronóstico muy detallado puede ser útil para la toma de decisiones, aunque cuanto más detallado sea, más probable es que se equivoque...
A largo o corto plazo, las previsiones deben utilizarse con prudencia.
Propongo las siguientes suposiciones:
A largo plazo, una previsión agregada y desglosada en escenarios puede ser útil para fundamentar decisiones y preparar a la empresa para adaptarse.
A corto plazo, los pedidos y el consumo reales son un mejor indicador, excepto en los casos de uso de venta minorista/comercio electrónico donde un algoritmo puede capturar información causal más relevante: un evento local, el feed de un influencer, etc. Esto requiere que haya diseñado adecuadamente su cadena de suministro con puntos de desacoplamiento para permitir un reabastecimiento frecuente y rápido.
A muy corto plazo, un pronóstico muy detallado puede ser útil. El pronóstico del tiempo para tu ciudad en las próximas horas es sin duda útil a la hora de decidir si llevas tu sudadera cuando salgas.
¿En medio? Tú defines tu modelo de adaptación pragmática…
¡No dude en contactarnos para que podamos ayudarle en este proceso!
Sobre el autor
Bernard Milian
Bernard Milian es un experto líder en DDMRP y ex ejecutivo de Demand Driven Technologies, ahora parte del equipo de Algo. Como Instructor Maestro certificado de DDP con más de 30 años de experiencia, se especializa en ayudar a organizaciones globales a aprovechar estrategias impulsadas por la demanda para optimizar el flujo de la cadena de suministro.
