Mejorando sus Pronósticos con el Modelamiento de Eventos

La evolución de un proceso de Pronóstico exitoso involucra varios pasos.

Es muy común para una organización comenzar creando hojas de cálculos que contienen la demanda histórica de los artículos y calcular los pronósticos usando simples fórmulas ad hoc como ” lo mismo que el año pasado más un porcentaje “. La exactitud de los pronósticos generados por este camino es a menudo pobre, y generalmente se termina con hojas de cálculos grandes e inmanejables, con complejas formulas que son propensas al error involuntario y muy difíciles de mantener una vez hay cambios en el personal que genera el pronóstico dentro de la organización.

La mayoría de las veces el siguiente paso es comprar un software especializado como por ejemplo Forecast Pro y utilizar el algoritmo de selección experta, este algoritmo selecciona el modelo de pronostico mas adecuado para cada uno de los productos que se están pronosticando.

Aunque muchas organizaciones encuentran que selección experta trabaja bastante bien para la mayoría de sus productos, hay por lo general una cierta fracción de productos donde modelos personalizados pueden superar el desempeño de selección experta. Así el paso final debe ser mejorar los resultados personalizando el modelo. Una personalización común es el modelamiento con eventos objeto de este articulo.

Como se explico en la primera parte de la serie “Mas allá de la automatización del pronostico” Un método de pronostico de serie de tiempo es un método que se basa únicamente en la historia del articulo a ser pronosticado. Cuando la demanda del articulo es influenciada por factores como el nivel de ventas, patrones como la tendencia y la estacionalidad, los métodos de series de tiempo trabajan bien. Sin embargo, muchas veces las empresas tienen información que no es capturada por los componentes de nivel, tendencia o estacionalidad. Los ejemplos incluyen promociones de producto, festivos móviles, interrupciones del negocio y otros acontecimientos irregulares. Cuando los volúmenes en la demanda se están viendo influenciados por este tipo de eventos los métodos de series temporales no trabajan tan bien.

Un modelo con eventos es un modelo que esta diseñado para cuantificar el impacto de estos eventos y usar esta información para mejorar el pronostico. La entrada para un modelo de eventos es la demanda histórica del artículo a ser pronosticado y una tabulación del momento justo en el cual este sucede ya sea en la historia o en el futuro que se esta pronosticando.

Los modelos con eventos son una extensión de los modelos de suavización exponencial, ellos trabajan mediante la generación de índices para ajustar los diferentes tipos de eventos. Estos índices son estimados y utilizados para medir el impacto de cada tipo de evento casi exactamente de la misma forma en que los índices estacionales son estimados y usados para medir el impacto de cada periodo estacional.

La línea verde en la grafica representa mensualmente la demanda de un producto que es fuertemente promocionado durante el año y la distribución de los periodos en los cuales suceden estas promociones varía de año al año. Un método de serie de tiempo no trabaja bien para un producto como este debido al hecho de que las promociones influencian significativamente la demanda. El modelo de eventos es una respuesta satisfactoria a las promociones que sufre este producto y provee un pronostico mas exacto (en este ejemplo, se sabe el momento exacto en el que estas promociones sucederán en el futuro).

Construir un modelo con eventos es relativamente sencillo y no requiere un conocimiento estadístico profundo. Se requiere que exista la información de cuando han sucedido en la historia y si su impacto realmente amerita el modelarlo, también requiere tomar una decisión acerca de cuantos tipos de eventos se van a modelar y por ultimo requiere una programación a futuro de cuando van a suceder.

Obviamente el esfuerzo de construir un modelo con eventos es mayor que el que implica el pronostico automatizado, sin embargo para datos que son fuertemente influenciados por este tipo de escenarios bien vale la pena realizar este esfuerzo adicional ya que esto se vera reflejado en la rentabilidad y los costos.

En la tercera y ultima entrega de la serie examinaremos como los modelos top down (de forma agregada) pueden ser usados para mejorar el resultado del pronostico.

Artículos Relacionados: