Saltar al contenido principal
Previsión de la demanda

Forecast Value Added (FVA): cómo medir qué aporta valor a tu previsión de demanda

Tiempo de lectura
12 min
Che cos’è il Forecast Value Added (FVA) e come calcolarlo.
Volver al blog

El Forecast Value Added (FVA) permite comprobar si las distintas etapas de elaboración de una previsión mejoran o empeoran su resultado respecto a una referencia. Un forecast puede pasar por el modelo estadístico, la revisión del planificador, los ajustes de Ventas y una reunión de consenso. Sin embargo, aprobar una versión final no significa que sea más precisa que la inicial.

En muchas empresas se mide el error del forecast aprobado, pero no se conserva suficiente información para saber qué ocurrió durante esas revisiones. Si la previsión falla, resulta difícil distinguir si el problema estaba en el modelo, en un ajuste comercial o en una decisión tomada durante el consenso.

Analizar el FVA ayuda a responder una pregunta concreta: ¿qué pasos del proceso mejoran realmente la previsión de demanda y cuáles conviene revisar?

Qué es el Forecast Value Added y para qué sirve

El Forecast Value Added (FVA) es el cambio en una métrica de rendimiento de la previsión al comparar una etapa del proceso con una referencia definida. Sirve para evaluar si el trabajo realizado sobre el forecast aporta una mejora observable. La metodología permite examinar tanto los modelos como las intervenciones posteriores, tal como plantea el análisis de Forecast Value Added de SAS.

Qué mide el FVA en el proceso de previsión

El FVA mide la diferencia entre el resultado de dos versiones comparables. Puede utilizarse para comprobar si un modelo estadístico supera una previsión sencilla, si la revisión del planificador mejora ese modelo o si las aportaciones comerciales reducen el error de la versión anterior.

La referencia elegida determina qué estamos evaluando. Comparar el forecast consensuado con el estadístico muestra el efecto conjunto de las revisiones posteriores. Compararlo únicamente con la última versión comercial permite analizar el cambio introducido durante el consenso.

Por eso, decir que una previsión tiene un FVA positivo aporta poca información si no se identifica respecto a qué versión, con qué métrica y sobre qué conjunto de datos se ha calculado.

Diferencias entre FVA, forecast accuracy y BIAS

El forecast accuracy expresa la precisión de una previsión según la métrica utilizada. El forecast BIAS permite detectar una tendencia sistemática a prever por encima o por debajo de la demanda observada. El FVA analiza cómo cambia ese rendimiento entre versiones.

Una previsión puede tener un error relativamente bajo y, aun así, empeorar una referencia más sencilla. También puede mejorar mucho respecto al punto de partida y seguir siendo insuficiente para determinadas decisiones de compra o producción.

El Forecast Value Added necesita apoyarse en métricas de rendimiento; no las sustituye. Conviene evaluar la magnitud del error y su dirección, porque reducir el sesgo no garantiza reducir también el error absoluto.

Qué datos necesitas para analizar el Forecast Value Added

Para analizar el FVA necesitas conservar las versiones del forecast, conocer cuándo se generaron y disponer del resultado observado con el que se evaluarán. El registro debe permitir reconstruir las comparaciones sin utilizar información que todavía no estaba disponible cuando se tomó cada decisión.

Registrar la previsión de referencia y las versiones posteriores

Una secuencia de análisis puede incluir:

  • Previsión ingenua o naïve: una referencia sencilla, como repetir el último valor conocido o el del mismo periodo del año anterior.
  • Forecast estadístico: la previsión generada por el modelo antes de los ajustes humanos.
  • Forecast revisado por el planificador: la versión que incorpora cambios derivados de su análisis.
  • Forecast comercial: la previsión enriquecida con información de clientes, promociones u otros eventos.
  • Forecast consensuado: la versión aprobada que alimentará la planificación.

El método naïve debe ser razonable para la serie. Repetir el último mes puede ser una referencia poco informativa si existe una estacionalidad marcada.

Además del valor previsto, interesa registrar la fecha, el responsable, la etapa y el motivo de cada modificación. Así se podrá relacionar el resultado con el tipo de intervención. La documentación de Arkieva sobre evaluación del forecast recoge este enfoque de comparación entre el forecast inicial y sus modificaciones.

Comparar el mismo horizonte, referencias y nivel de detalle

Las versiones deben evaluarse sobre los mismos productos, ubicaciones, periodos y unidades de medida. Comparar un forecast mensual por familia con otro semanal por SKU introduce diferencias que impiden interpretar directamente el Forecast Value Added.

También hay que controlar el momento de generación. Una revisión realizada justo antes de cerrar el mes puede disponer de pedidos que no existían cuando se calculó el forecast inicial. Su ventaja no debe atribuirse automáticamente a un mejor criterio.

Si el proceso incorpora información nueva entre etapas, conviene dejarlo explícito y, cuando sea posible, generar una referencia actualizada con la que contrastar el ajuste. La mejora observada debe interpretarse teniendo en cuenta qué sabía cada versión.

Utilizar una demanda real consistente

Antes de calcular el error hay que definir qué resultado se considera demanda observada: pedidos recibidos, ventas, unidades expedidas u otra variable adecuada al objetivo de la previsión.

Estas magnitudes no son intercambiables. Si hubo una rotura de stock, las ventas pueden quedar por debajo de la demanda no atendida. Evaluar contra esas ventas sin considerar la restricción puede favorecer previsiones demasiado bajas.

Las devoluciones, cancelaciones y correcciones del histórico también necesitan reglas estables. Si se estima demanda perdida, esa estimación debe identificarse como tal y aplicarse de forma consistente a todas las versiones comparadas.

Dos trabajadores revisando el forecast.

Cómo se calcula el Forecast Value Added

Cuando se utiliza una métrica de error en la que un valor menor representa un mejor resultado, el Forecast Value Added se obtiene restando el error de la versión evaluada al error de la referencia. Para que el cálculo tenga sentido, ambas mediciones deben utilizar la misma métrica y las mismas observaciones.

Elegir la métrica y definir el signo del resultado

La fórmula básica es:

FVA = error de la referencia − error de la versión evaluada

Con esta convención:

  • FVA positivo: la versión evaluada reduce el error.
  • FVA negativo: la versión evaluada aumenta el error.
  • FVA igual a cero: no cambia el rendimiento según esa métrica.

Si se utiliza MAE, el resultado conserva las unidades de la variable prevista. Si se restan errores porcentuales, la diferencia se expresa en puntos porcentuales: pasar del 20% al 15% supone una mejora de 5 puntos, no una reducción relativa del 5%.

La métrica debe encajar con los datos. Por ejemplo, el MAPE presenta problemas cuando la demanda real es cero y puede resultar poco adecuado para series con muchos periodos sin consumo. La elección y el tratamiento de esos casos deben mantenerse durante todo el análisis.

Calcular el FVA de cada etapa y del proceso completo

Conviene distinguir dos comparaciones:

El FVA incremental compara una etapa con la inmediatamente anterior. Permite localizar dónde mejora o empeora el forecast.

El FVA acumulado compara cada versión con una referencia común, como el naïve. Permite comprobar cuánto conserva el proceso de la mejora obtenida desde el inicio.

Una etapa puede tener FVA incremental negativo y seguir mostrando FVA acumulado positivo. Esto ocurre cuando empeora una previsión anterior que ya superaba ampliamente a la referencia inicial.

Ejemplo de FVA con un forecast estadístico y ajustes comerciales

El siguiente ejemplo muestra cómo cambia el error de una misma referencia a medida que avanza por el proceso. Todos los datos son hipotéticos y corresponden al mismo producto, ubicación y mes, con una demanda observada de 1.000 unidades.

Comparar la referencia, el modelo y la previsión ajustada

Supongamos que las versiones se registran antes del periodo previsto y que los ajustes posteriores al modelo se realizan sin incorporar pedidos nuevos entre etapas. El error absoluto es la distancia entre cada previsión y las 1.000 unidades observadas.

EtapaPrevisiónError absolutoError porcentual absolutoFVA frente a la etapa anteriorFVA frente al naïve
Referencia naïve80020020 %—0 puntos
Forecast estadístico950505 %+15 puntos+15 puntos
Revisión del planificador980202 %+3 puntos+18 puntos
Ajuste comercial1.15015015 %−13 puntos+5 puntos
Forecast consensuado1.10010010 %+5 puntos+10 puntos

Previsiones y errores absolutos expresados en unidades. FVA expresado en puntos porcentuales. Al tratarse de una única observación, se muestra el error porcentual absoluto, no un promedio de errores de varios periodos.

El cálculo del ajuste comercial es:

FVA incremental = 2% − 15% = −13 puntos porcentuales

El cálculo del proceso completo frente al naïve es:

FVA acumulado final = 20% − 10% = +10 puntos porcentuales

Interpretar qué intervención mejora o empeora el resultado

En este caso, el modelo estadístico mejora la referencia naïve y el planificador reduce todavía más el error. El ajuste comercial empeora el resultado, mientras que el consenso recupera una parte de esa pérdida.

La versión final supera al naïve, pero resulta menos precisa que el forecast estadístico y que la revisión del planificador. Mirar únicamente el resultado final habría ocultado esa diferencia.

Antes de cambiar el proceso habría que revisar por qué se elevó la previsión a 1.150 unidades. ¿Se esperaba una promoción? ¿Existía una oportunidad comercial sin confirmar? ¿Se trasladó un objetivo de ventas al forecast?

Un único resultado desfavorable no demuestra que todos los ajustes comerciales sean perjudiciales. Tampoco un acierto aislado confirma que la hipótesis utilizada fuese correcta. El ejemplo señala qué intervención investigar, no qué departamento debe dejar de participar.

Cómo utilizar el FVA para mejorar la planificación de la demanda

El Forecast Value Added (FVA) resulta útil cuando sus conclusiones se traducen en reglas de revisión: qué merece atención, qué información justifica un cambio y qué intervenciones deben comprobarse con más detalle. Su aplicación debe ayudar a distribuir mejor el esfuerzo dedicado a la previsión de la demanda.

Identificar cuándo merece la pena ajustar el forecast

Una modificación debería responder a información relevante que el modelo no haya incorporado: una promoción confirmada, la pérdida de un cliente o un cambio de surtido, por ejemplo. También conviene comprobar si ese efecto ya está incluido para no contarlo dos veces.

Para evaluar después el ajuste, puede registrarse qué evento lo motivó, cuánto se modificó la previsión y durante qué periodo se esperaba su impacto. Este enfoque coincide con la recomendación de documentar y evaluar sistemáticamente el juicio experto de Forecasting: Principles and Practice.

El FVA puede ayudar a detectar patrones, pero no existe una regla universal que haga buenos todos los ajustes grandes o innecesarios todos los pequeños. La investigación de Fildes, Goodwin y De Baets sobre FVA en demand planning muestra que el efecto de las intervenciones varía entre conjuntos de datos y tipos de ajuste.

Priorizar la revisión por producto, horizonte y tipo de evento

El promedio global puede ocultar que una intervención funciona en promociones y empeora productos estables. Por eso conviene separar resultados por segmentos con suficiente número de observaciones.

Una primera segmentación puede distinguir productos estables, estacionales, promocionales y lanzamientos. Después pueden analizarse horizontes, canales o motivos de ajuste.

La decisión podría ser mantener revisiones comerciales para promociones confirmadas y limitar las correcciones recurrentes de referencias estables cuando no exista nueva información. El forecast colaborativo gana utilidad cuando las aportaciones tienen un propósito claro y sus resultados se revisan.

Valorar la mejora frente al tiempo y el coste de revisión

Un Forecast Value Added positivo no equivale automáticamente a rentabilidad. Una mejora pequeña puede requerir muchas horas y apenas cambiar las decisiones posteriores. Otra puede resultar relevante si afecta a un material crítico o a un compromiso de servicio.

Para valorar el esfuerzo interesa observar el tiempo dedicado, la frecuencia de intervención y las consecuencias operativas. ¿La mejora evita cambios de compra? ¿Reduce urgencias? ¿Afecta a referencias con impacto económico significativo?

El FVA aporta evidencia sobre el rendimiento predictivo. El beneficio económico exige comprobar también cómo se utiliza la previsión.

Directivos hablando del Forecast Value Added.

Errores que pueden llevar a interpretar mal el FVA

Los errores de interpretación aparecen cuando se comparan versiones distintas, se agregan resultados que deberían separarse o se atribuye demasiado significado a una muestra pequeña. El análisis necesita criterios estables y suficiente contexto para orientar decisiones.

Sacar conclusiones de un único ciclo o de un promedio agregado

Un mes excepcional puede favorecer una versión por motivos que no se repetirán. Conviene observar varios ciclos y comprobar si la mejora es consistente antes de modificar una regla de trabajo.

También hay que conservar el detalle suficiente para detectar resultados opuestos entre segmentos. Un FVA global positivo puede convivir con un deterioro persistente en una familia crítica.

No existe un número de periodos válido para todos los casos. La frecuencia de demanda, la estacionalidad y la cantidad de ajustes disponibles condicionan la evidencia necesaria.

Mezclar referencias ajustadas y no ajustadas sin distinguirlas

Si solo se modifica una pequeña parte del catálogo, calcular el FVA sobre todas las referencias puede diluir el efecto de esas intervenciones.

Imaginemos que se revisan 50 de 1.000 referencias. El análisis de los ajustes debe comparar el antes y el después de esas mismas 50 referencias. El resultado de las 1.000 sigue siendo útil para evaluar el proceso completo, pero responde a otra pregunta.

Además, las referencias ajustadas pueden ser precisamente las más difíciles. Comparar directamente su error con el de las no ajustadas penalizaría la intervención sin medir qué habría ocurrido al conservar el forecast original.

Convertir el FVA en una clasificación de personas

Dos planificadores pueden trabajar con carteras de dificultad muy diferente. Compararlos únicamente por su error final o su Forecast Value Added medio puede ocultar diferencias de horizonte, volatilidad, información disponible y responsabilidades.

El análisis debe centrarse en entender decisiones comparables: qué se cambió, con qué evidencia y qué ocurrió después. Una intervención con FVA negativo puede revelar un problema de información, una hipótesis equivocada o una regla de aprobación poco clara.

Utilizar el indicador como clasificación individual puede desincentivar ajustes necesarios y empobrecer la información que se comparte. Su utilidad está en mejorar el proceso y aprender de las decisiones.

Reunión de revisión de forecast sobre el FVA.

Del análisis del FVA a un proceso de previsión con más criterio

El Forecast Value Added ayuda a comprobar si el trabajo dedicado a revisar una previsión mejora su resultado. Para aprovecharlo hacen falta versiones conservadas, datos comparables y una explicación de los cambios. Con esa base, la empresa puede identificar intervenciones útiles, revisar hábitos que no aportan mejora y concentrar la atención donde existe información relevante.

Cuando el catálogo crece y participan varias áreas, mantener esa disciplina exige disponer de datos compartidos y un proceso de planificación bien organizado. Un software de planificación de la demanda puede facilitar la combinación de modelos, conocimiento de negocio y seguimiento del forecast.

SCP Studio permite construir previsiones combinando históricos, modelos avanzados y aportaciones del negocio mediante nuestro software de demand planning. Si quieres revisar cómo organizar ese proceso en tu empresa, puedes solicitar una demo con nuestros expertos y partir de una situación concreta: qué previsiones utilizáis, quién las modifica y cómo evaluáis hoy el resultado.

¡Suscríbete a nuestra newsletter y transforma tu gestión!

Recibe actualizaciones y recursos valiosos que te ayudarán a optimizar tu proceso de compras y aprovisionamiento.