Uso de modelos de incertidumbre para predecir mejor la demanda

La pandemia de la COVID-19 ha provocado interrupciones generalizadas en la cadena de suministro en todo el mundo: escasez de patatas están obligando a los fabricantes de automóviles y equipos médicos a reducir la producción, mientras que el bloqueo de el Canal de Suez y la falta de contenedores de transporte han inflado los plazos de entrega y los precios de envío. Sus efectos se han visto exacerbados por prácticas de gestión como fabricación justo a tiempo que tienen como objetivo reducir los despidos en las operaciones: con los despidos se han ido los amortiguadores de seguridad que antes estaban disponibles para las cadenas de suministro empresariales.

Por supuesto, las empresas entendieron los riesgos que implicaba eliminar las reservas en la cadena de suministro, que era mientras invertían cada vez más en análisis de datos sofisticados. Si podían entender mejor los cuellos de botella en sus cadenas de suministro, se pensaba que las empresas, en teoría, podrían operar con menos redundancia sin correr un riesgo adicional. Pero las interrupciones persistir.

Nuestra investigación al otro lado múltiple las industrias, incluida la farmacéutica y la de bienes de consumo, que se mueven rápidamente, muestran que el motivo de esta persistencia se debe menos a las deficiencias del software y más a su implementación. Para empezar, los gerentes tienden a basar sus análisis en las unidades departamentales. Aunque los equipos de ventas y marketing pueden aportar información y datos importantes, los responsables de la toma de decisiones operativas suelen no solicitar sus opiniones.

Además, las soluciones analíticas se centran estrictamente en la propia cadena de suministro de la empresa. Las mejores prácticas siguen siendo específicos de cada caso y los modelos de análisis con demasiada frecuencia permanecen desconectados de las tendencias del ecosistema en general. Como ilustran los ejemplos citados anteriormente, una perturbación aparentemente local puede convertirse en una bola de nieve en todo el mundo.

¿Cuál es la mejor manera de que las empresas eviten estas trampas? Empecemos por analizar con más detalle lo que implica el análisis de datos.

¿Qué es el análisis de datos?

Los métodos analíticos basados en datos se pueden clasificar en tres tipos:

Análisis descriptivo.

Abordan las preguntas de «qué pasó» y «qué está pasando» y son ricas en herramientas visuales, como gráficos circulares, diagramas de dispersión, histogramas, tablas resumidas estadísticas y tablas de correlación. Cadena de artículos deportivos La tienda Gamma, por ejemplo, utiliza gráficos estadísticos de control de procesos para identificar los problemas de participación de los clientes en la tienda.

Análisis predictivo.

Se trata de algoritmos estadísticos avanzados para pronosticar la futuro valores de las variables de las que dependen los responsables de la toma de decisiones. Abordan la cuestión de «qué pasará en el futuro». Las predicciones generadas suelen basarse en datos históricos observados sobre la respuesta de la decisión a los cambios externos (por ejemplo, los cambios en los tipos de interés o las condiciones meteorológicas). A los minoristas les gusta Amazon confíe en los datos predictivos sobre la demanda de los clientes al hacer los pedidos de los proveedores, mientras que los productores de bienes de consumo que se mueven rápidamente, como Procter & Gamble y Unilever han estado invirtiendo en análisis predictivos para anticipar mejor la demanda de sus productos por parte de los minoristas.

Análisis prescriptivo.

Esto apoya a los responsables de la toma de decisiones informándoles sobre las posibles consecuencias de sus decisiones y prescriben estrategias viables destinadas a mejorar el rendimiento empresarial. Se basan en modelos matemáticos que estipulan una función objetiva y un conjunto de restricciones para colocar los problemas del mundo real en un marco algorítmico. Las compañías aéreas han estado aprovechando la analítica prescriptiva para optimizar de forma dinámica los precios de los billetes a lo largo del tiempo. Empresas de logística, como SUBIDAS, aplique también el análisis prescriptivo para encontrar las rutas de entrega más eficaces.

Las empresas suelen utilizar todos estos métodos y reflejan las etapas de la toma de decisiones: desde el análisis de una situación hasta la predicción de los principales factores de rendimiento y, luego, el análisis de optimización que da como resultado una decisión. El eslabón débil de esta secuencia es la predicción. Fue la incapacidad de su famoso análisis predictivo de datos para pronosticar con precisión la demanda y la oferta lo que obligó Amazon destruir aproximadamente 130 000 artículos sin vender o devueltos cada semana en solo uno de sus almacenes del Reino Unido.

La razón por la que los análisis predictivos fallan es, en la mayoría de los casos, por suposiciones y elecciones en torno a la generación de datos analizados. El estudio de Abraham Wald sobre los aviones después de la misión en la Segunda Guerra Mundial ofrece el ejemplo clásico. El grupo de investigación al que pertenecía intentaba predecir qué áreas del avión serían atacadas por los enemigos y sugirieron reforzar las áreas atacadas con frecuencia. Pero Wald impugnó esta recomendación y aconsejó reforzar las áreas intactas, ya que los aviones dañados, era más probable que se perdieran y no figuraran en los datos observados. Fue viendo cómo se generaron datos que los oficiales militares pudieron corregir la decisión sobre qué áreas de aviones reforzar.

La solución está en un enfoque de la analítica conocido como modelización de incertidumbre, que aborda explícitamente la cuestión de la generación de datos.

¿Qué hacen los modelos de incertidumbre?

El modelado de incertidumbre es un enfoque estadístico sofisticado del análisis de datos que permite a los gerentes identificar los parámetros clave asociados a la generación de datos para reducir la incertidumbre en torno al valor predictivo de esos datos. En un contexto empresarial, lo que hace es convertir más información sobre los datos en un modelo predictivo.

Para entender lo que está pasando, imagine que es una empresa de empresa a empresa que recibe un pedido cada tres semanas de un cliente para uno de sus productos. Cada pedido debe entregarse inmediatamente, lo que hace que el plazo de entrega de la demanda sea insignificante. Supongamos ahora que el primer pedido del cliente es de 500 unidades y que tiene previsto aumentar esa cantidad en otras 500 unidades por cada nuevo pedido, pero no informa a la empresa de que ese es su plan.

¿Qué ve la empresa? El cliente pedirá 500 unidades en la tercera semana, 1000 unidades en la sexta, 1500 unidades en la novena semana, etc., lo que genera valores de demanda mensual de 500, 1000, 1500, 2500 y 3000 unidades durante los cinco primeros meses, una media de 2100 unidades al mes. Pero dado que los datos de la demanda real muestran desviaciones sustanciales con respecto a la media, esta última es una previsión muy incierta. Sin embargo, esa incertidumbre desaparece por completo cuando la empresa recibe la información de que el cliente aumenta sistemáticamente las compras en 500 unidades con cada pedido.

Para que los directores de producción detecten este tipo de información, tienen que ir más allá de los números de compra. En la mayoría de las empresas, la información de los pedidos de los clientes se almacena en un sistema de gestión de pedidos, que rastrea datos como cuándo se hacen los pedidos, las fechas de entrega solicitadas y qué productos se demandan en qué cantidades. Este sistema suele ser propiedad, gestionado y mantenido por el departamento de ventas. Una vez gestionados los pedidos de los clientes, la información agregada sobre los pedidos finalizados se transfiere al sistema de tramitación de la demanda, que normalmente es propiedad de producción y operaciones, que los gerentes de estas funciones analizan para predecir la demanda futura.

El problema es que el proceso de agregación suele implicar una pérdida de información. Sin embargo, con los modelos de incertidumbre, los gerentes pueden aplicar los parámetros clave identificados en el sistema de gestión de pedidos para restablecer la información en sus análisis prescriptivos.

Rescatando información en Kordsa

Kordsa, el proveedor turco de refuerzos para neumáticos, es un ejemplo concreto. La empresa recibe grandes pedidos de sus clientes (fabricantes de neumáticos), pero el número de pedidos, la cantidad y la fecha de entrega de cada uno son inciertos en cada período. Anteriormente, la empresa simplemente agregaba la información de los pedidos de los clientes para calcular los valores históricos de la demanda mensual que, a continuación, se analizaban. Como resultado, el número de parámetros inciertos pasó de tres a uno, lo que supuso una pérdida significativa de información.

Mediante modelos de incertidumbre, mostramos a Kordsa cómo evitar la pérdida de información y obtener importantes mejoras de rendimiento según los principales indicadores de rendimiento (como la rotación del inventario y la tasa de cumplimiento). Aplicando algoritmos avanzados como Transformación rápida de Fourier, pudimos integrar en el modelo de predicción de la demanda de la empresa los parámetros clave de los pedidos de los clientes que identificamos al estudiar los datos de CRM de la empresa.

Para aprovechar mejor el poder de los modelos de incertidumbre, Kordsa ha creado desde entonces un equipo de análisis avanzado compuesto por I+D, ventas, producción, planificación e TI. Los miembros del equipo interactúan regularmente con los diferentes departamentos para entender e identificar mejor los datos y las fuentes utilizados en los procesos de toma de decisiones fuera de sus propias funciones, lo que luego puede tenerse en cuenta en sus análisis predictivos.

Este tipo de superación de límites no debe terminar en las puertas de la empresa. No son solo las decisiones de sus clientes y proveedores las que pueden afectar a la incertidumbre de la demanda, sino que las decisiones de los actores de industrias adyacentes que producen productos complementarios o sustitutivos también pueden afectar a la demanda. Acercarse a los datos que generan estos jugadores solo puede ayudar a reducir la incertidumbre en torno a los factores de rendimiento que necesita para poder predecir.

. . .

Aunque los fabricantes y minoristas invierten en análisis de datos para mejorar la eficiencia operativa y el cumplimiento de la demanda, muchas de las ventajas de estas inversiones no se obtienen. La información se pierde a medida que los datos se agregan antes de su transformación en silos, lo que aumenta el nivel de incertidumbre en torno a las predicciones. Al aplicar los cálculos de los modelos de incertidumbre para incorporar información clave sobre cómo se generan los datos, los científicos de datos pueden captar los efectos de los parámetros ignorados anteriormente y reducir significativamente la incertidumbre en torno a las predicciones de la oferta y la demanda.