¿Qué es la previsión de la demanda?

La previsión de la demanda representa el núcleo del éxito en el desarrollo de cualquier negocio. Su principal objetivo es asegurar que las empresas puedan satisfacer la demanda esperada de los clientes, pero va mucho más allá. La planificación de la demanda es fundamental para asignar recursos, evaluar la robustez de una empresa y diseñar estrategias para aprovechar oportunidades y aumentar la cuota de mercado.

Este proceso representa un componente clave en la gestión de la cadena de suministro, ya que también informa sobre otros aspectos planificados en la cadena de suministro, como la adquisición, compras, logística y distribución de materiales.

En este artículo, exploraremos la importancia de la previsión de la demanda, los métodos utilizados y las medidas esenciales para evaluar la precisión del pronóstico.

¿Por qué realizar previsiones de la demanda?

La previsión de la demanda es esencial para anticipar las necesidades del mercado. Al analizar datos internos y externos, como historiales de ventas, tendencias del mercado y restricciones de la cadena de suministro, las empresas pueden determinar cuánto deben producir para satisfacer la demanda. Cuando se realiza correctamente, puede ayudar a las empresas a tomar decisiones informadas que les ayuden a crear suficiente oferta para satisfacer la demanda de los clientes, obtener información para eludir posibles restricciones de la cadena de suministro y potencialmente obtener una ventaja sobre sus competidores.

Plazos de entrega y niveles de servicio

La previsión de la demanda se basa en los plazos de entrega de las diversas etapas de la cadena de suministro, que engloban actividades de compra, producción y distribución. Además, se tiene en cuenta el nivel de servicio al cliente, evaluado a través del porcentaje de pedidos entregados a tiempo en relación con el total de pedidos. Este equilibrio es esencial, ya que representa la diferencia crucial entre el tiempo que una empresa tarda en entregar su producto y el tiempo que un cliente está dispuesto a esperar para recibirlo.

Por ende, las organizaciones deben realizar una previsión de la demanda cuando los plazos de entrega de las actividades de la cadena de suministro exceden las expectativas de entrega del cliente.

Los tiempos de espera varían según las diferentes demografías; mientras algunos clientes desean disponibilidad inmediata, otros están dispuestos a esperar más, especialmente si implica personalización. La calidad del servicio al cliente juega un papel fundamental, ya que niveles bajos pueden resultar en pérdida de pedidos y clientes.

Para ilustrar este punto, imaginemos que el tiempo de espera ideal para un cliente es de un mes, mientras que el proceso de compra, producción y distribución del producto lleva tres meses en total. En esta situación, es crucial prever la demanda al menos dos meses antes y planificar las actividades de la cadena de suministro en consecuencia.

¿Cómo funciona la previsión de la demanda?

El proceso de previsión de la demanda se lleva a cabo de la siguiente manera: los planificadores utilizan métodos estadísticos o cálculos para crear un pronóstico inicial. Este pronóstico base se enriquece mediante la incorporación de otros pronósticos provenientes de los departamentos de Ventas y Marketing, así como información de Gestión de Productos y Finanzas. Los planificadores evalúan la precisión y el sesgo del pronóstico mediante indicadores clave de rendimiento (KPI), realizan escenarios hipotéticos y, finalmente, desarrollan un pronóstico de consenso más completo.

Para garantizar la precisión en el pronóstico de demanda, el planificador debe recopilar datos transaccionales y organizarlos en medidas, asignándolos a dimensiones, jerarquías, niveles y atributos que representen la estructura empresarial. Estos datos, a menudo voluminosos, se gestionan a través de programas de software que emplean cálculos, modelos de series temporales y tecnologías de aprendizaje automático (ML) para generar la previsión de la demanda. A partir de aquí, el planificador visualiza el pronóstico y utiliza la gestión de excepciones para identificar problemas que requieren atención.

El pronóstico de demanda refinado se evalúa en revisiones conjuntas con los equipos de Ventas y Marketing. Durante estas revisiones, se consideran estrategias para cerrar cualquier brecha en el pronóstico, así como para aprovechar oportunidades de mercado mediante eventos, promociones y estrategias de precios. Finalmente, se crea un pronóstico de consenso, se autoriza y se utiliza como entrada clave en la reunión mensual de planificación de operaciones y ventas. Además, se publica para que el equipo de planificación de suministros lo utilice en la planificación de compras, producción y entrega.

Tipos de previsión de la demanda

Existen varios enfoques para la previsión de la demanda, cada uno adaptado a diferentes situaciones comerciales:

• Pronóstico de Demanda Manual: Los planificadores ingresan pronósticos manualmente, útil para productos impredecibles o difíciles de pronosticar estadísticamente.
• Pronóstico Pasivo de la Demanda: Se basa en datos históricos para predecir la demanda futura y es adecuado para empresas con sólidos registros de ventas.
• Pronóstico Colaborativo de la Demanda: Combina el uso de una demanda base con métodos pasivos, con la incorporación de conocimiento de tendencias y movimientos del mercado por parte de expertos.
• Pronóstico de la Demanda a Nivel Macro: Se basa en condiciones externas que podrían afectar el negocio y ayuda a capitalizar tendencias del mercado.

Evaluación de la precisión del pronóstico

Determinar la precisión del pronóstico es esencial para mejorar las estrategias. Aquí, las medidas de evaluación del pronóstico juegan un papel vital:

Medidas que dependen de la escala

• MAE (Error Absoluto Medio): Mide la desviación promedio del pronóstico en unidades.
• RMSE (Error Cuadrático Medio): Similar a MAE, pero más sensible a errores grandes.

Medida	Fórmula	Resumen
MAE	\(\frac{1}{n} \sum_{i=1}^{n} |Y_i - F_i|\)	Mide las unidades en las que se desvía nuestro pronóstico de la media en un período.
RMSE	\(\sqrt{\sum_{i=1}^{n} (F_i - Y_i)^2 / n}\)	Similar al MAE, pero más sensible a errores grandes.

Ventajas: Fácil de interpretar, incluso para personas sin experiencia técnica. Además, no se ve afectado por problemas comunes como valores faltantes o divisiones por cero, lo que garantiza resultados confiables y precisos.

Inconvenientes: Sensibilidad a la escala del producto. La metodología es sensible a las diferencias en la escala de cada producto evaluado. Por ende, comparar o calcular medias entre distintos productos puede carecer de relevancia, ya que los resultados estarían influenciados por estas variaciones.

Medidas porcentuales

• MAPE (Error Porcentual Absoluto Medio): Mide el error absoluto porcentual del pronóstico.
• sMAPE (Error Porcentual Absoluto Medio Escalado): Similar a MAPE, pero evita problemas con datos iguales a cero.
• BIAS (Error Porcentual): Mide el error porcentual del pronóstico.

Medida	Fórmula	Resumen
MAPE	\(\frac{1}{n} \sum_{i=1}^{n} |Y_i - F_i| / Y_i\)	Mide el error absoluto porcentual del forecast.
sMAPE	\(\frac{1}{n} \sum_{i=1}^{n} 2|Y_i - F_i| / (Y_i + F_i)\)	Igual a MAPE, pero evita problemas con datos iguales a 0.
BIAS	\(\frac{Y_i - F_i}{Y_i}\)	Mide el error porcentual del forecast.

Ventajas: Fácil de entender y aplicar a varios productos que se pueden analizar a diferentes niveles y jerarquías, ya que no se ve afectado por las diferencias en la escala de los productos, lo que permite comparaciones significativas.

Inconvenientes:
MAPE: Puede presentar problemas cuando el valor real \(Y_i\) es igual a cero o cuando tanto el valor real \(Y_i\) como el valor pronosticado \(F_i\) son cero.
BIAS: No se pueden calcular medias para varios productos, ya que las discrepancias negativas y positivas se compensan entre sí. Por esta razón, a menudo se prefiere utilizar sMAPE para evitar este problema y obtener evaluaciones más precisas.

Medidas comparativas

• RelMAE y MASE: Permiten comparar diferentes pronósticos y evaluar la precisión en series de tiempo complejas.

Medida	Fórmula	Resumen
ReIMAE	\(\frac{MAE}{MAE_b}\)	Comparar un forecast con el forecast de referencia.
MASE	|Y_i - F_i| / \(\left( \frac{1}{n - 1} \sum_{i=2} |Y_i - Y_{i-1}| \right)\)	Comparar un forecast con el método último valor.
MASE Estacional	|Y_i - F_i| / \(\left( \frac{1}{n - 1} \sum_{i=2} |Y_i - Y_{i-j}| \right)\)	Comparar un forecast con el valor del período anterior.

Ventajas: Facilita la comparación entre pronósticos, ya sea para fines comerciales o para evaluar otros métodos de predicción. Además, el indicador MASE es especialmente útil, ya que distingue con precisión entre la precisión en la predicción de series simples y las series más complejas.

Inconvenientes:
Puede resultar más difícil de entender, especialmente porque los resultados dependen del pronóstico con el que se comparen.
Para series temporales estacionales, se recomienda utilizar MASE estacional, ya que proporciona una aproximación más precisa, especialmente para la última temporada.

La elección de las medidas de evaluación depende del objetivo del pronóstico. Por ejemplo, para comparar diferentes métodos de pronóstico, MASE o MASE Estacional son opciones populares. Para evaluar el impacto del pronóstico en el negocio, sMAPE y MAE son útiles. Una estrategia efectiva implica seleccionar medidas apropiadas y establecer reglas claras para interpretar los resultados.

Podemos definir una regla específica: seleccionar las referencias con un error sMAPE superior al 15 %. Dentro de este conjunto, ordenamos los resultados de manera decreciente según el MAE. Esta metodología nos permite establecer un orden para revisar las referencias con mayores volúmenes de venta. Dado que, con un error porcentual igual, estas referencias tendrán un mayor error absoluto, se vuelven más críticas para el negocio. Este enfoque asegura que nos centramos en las áreas donde las discrepancias entre el pronóstico y las ventas reales tienen un impacto significativo, optimizando así nuestros esfuerzos de revisión y mejora.

En última instancia, la previsión de la demanda es una herramienta poderosa que permite a las empresas no solo prever la demanda futura, sino también desarrollar planes de capacidad y gestión de inventario efectivos. Al utilizar métodos precisos y medidas de evaluación adecuadas, las empresas pueden asegurar que haya suficiente oferta para satisfacer la demanda en cada región y canal, lo que es esencial para el crecimiento y el éxito continuo en el mercado actual.