Previsión de demanda
Cuánto se va a vender, y con cuánto margen de error
El problema
La previsión suele vivir en una hoja de cálculo que actualiza una persona. Toma la media de los últimos meses, le aplica un ajuste por lo que se sabe que viene, y sale un número por referencia. Funciona porque quien la hace conoce el negocio.
Los problemas son tres y todos son estructurales.
Conocimiento no registrado
Lo que sabe quien hace la previsión no está escrito en ningún lado. Cuando esa persona se va de vacaciones o cambia de puesto, la previsión pierde la mitad de su valor.
Una media no distingue
Trata igual una caída estacional y una caída real. El promedio pierde la información que separa una cosa de la otra.
Un número solo
Sin ninguna indicación de cuánto puede equivocarse. Con eso no se puede decidir cuánto stock de seguridad hace falta.
Después vienen las consecuencias conocidas. Rotura en lo que se vende y exceso en lo que no, capital inmovilizado, y una discusión mensual entre comercial y operaciones donde cada uno defiende su número.
La solución
Una previsión por referencia y por período, con un rango además del valor central.
El rango es lo que más se subestima. Un número solo obliga a decidir a ciegas cuánto margen dejarse. Con un intervalo, la política de stock se define contra el riesgo real de cada referencia, y las que son estables dejan de cargar el mismo colchón que las volátiles.
El modelo separa lo que una media mezcla: la tendencia de fondo, el ciclo estacional, el efecto de una promoción, el día de la semana o el festivo. Y lo hace por referencia, porque el patrón de un producto de rotación diaria no tiene nada que ver con el de uno que se vende por campañas.
Por qué un modelo y no una media mejor
Conviene ser preciso con qué reemplaza. El modelo sustituye el cálculo estadístico de base, no el criterio de quien planifica. Ese criterio sigue haciendo falta, porque hay cosas que solo sabe una persona, como un cliente que anunció un pedido grande o una campaña que todavía no está en ningún sistema.
Lo que cambia es el punto de partida de esa conversación. En vez de discutir un número que salió de una media, se discute sobre una previsión que ya incorporó la estacionalidad y el histórico de promociones, y el ajuste manual queda registrado como tal. Con el tiempo eso permite algo que hoy no existe: saber si los ajustes manuales mejoraban o empeoraban el resultado.
McKinsey estima que la previsión con aprendizaje automático reduce los errores entre un 20 y un 50%, y las ventas perdidas por falta de producto hasta un 65%. El salto real no está en el error medio sino en dejar de tratar todas las referencias igual: cuando el modelo separa las estables de las volátiles, el stock de seguridad se ajusta a cada caso.
Más en el blog: Monitoreo de modelos ML →
Cómo se integra
La previsión se entrega en el formato y la cadencia del ciclo de planificación que ya existe, no al revés. Y se entrega documentada, con el procedimiento escrito de cómo se ejecuta, qué se revisa y qué hacer cuando algo se sale de rango. Eso es lo que permite que el proceso siga funcionando sin nosotros, que es la única prueba real de que un modelo llegó a producción.
El mismo modelo, otras aplicaciones
Una previsión de demanda estima una cantidad futura a partir de su propio histórico y de lo que ocurre alrededor. Cambia qué se cuenta, no cómo.
Previsión de ingresos.
El mismo mecanismo sobre facturación, para planificación financiera y presupuesto.
Carga de trabajo.
Cuántas incidencias, pedidos o llamadas van a entrar, para dimensionar turnos.
Consumo de recursos.
Energía, materia prima, capacidad de servidor. Todo lo que se compra por adelantado.
Ocupación y aforo.
Reservas, plazas, asistencia, donde el coste de quedarse corto y el de pasarse son distintos.