Ganancias:
- Capacidad para comprender los conceptos de series temporales, tendencia, estacionalidad e impacto de campañas y utilizar inteligencia artificial para pronosticar la demanda con las preguntas correctas y datos limpios.
- Capacidad para interpretar la precisión del pronóstico (MAPE, desviación) y la incertidumbre (intervalo de confianza, escenarios) y basar la planificación en un rango en lugar de un solo número.
- Pudiendo distinguir que la predicción de la inteligencia artificial se basa en datos históricos y que el juicio de expertos pasa a primer plano en casos de rupturas como nuevos productos, promociones o crisis de suministro.
Cada decisión en la cadena de suministro se basa en una pregunta: ¿cuánta demanda habrá? Cuanto más exactamente responda a esta pregunta, menos acciones tendrá, menos acciones quedará fuera y menos dinero inmovilizará. La previsión de la demanda es el motor de la cadena de suministro; Desde aquí se alimentan los planes de stock, compras, producción y transporte. La inteligencia artificial es extremadamente poderosa en este campo porque escanea el historial de miles de productos mucho más rápido que un humano y extrae patrones. Pero la fuente de su poder es también su límite: la IA aprende del pasado; Si el futuro no se parece al pasado, está mal. En esta unidad, aprenderemos el lenguaje de la predicción, la medición de la precisión, la gestión de la incertidumbre y dónde la IA debe rendirse ante usted.
Lenguaje de previsión: series temporales, tendencia, estacionalidad.
Los datos de demanda suelen ser una serie temporal: una serie de números ordenados por tiempo, como las ventas diarias de un producto. Dividir esta secuencia en tres partes es la base de la predicción:
Tendencia, dirección a largo plazo: ¿las ventas aumentan o disminuyen de año en año? Estacionalidad, fluctuación que se repite periódicamente: el helado se vende en verano, la calefacción se vende en invierno; El mercado está ocupado los viernes y sábados. Ruido, reproducción aleatoria inexplicable. Un buen pronóstico capta las tendencias y la estacionalidad y no se deja engañar por el ruido. A esto se suman los acontecimientos: campaña, promoción, día festivo, clima, movimiento de la competencia. Cuando haces que la IA prediga, tienes que contarle estos eventos; Si no se lo dices, pensará que saltar el día de la campaña es "normal" y se equivocará de cara al futuro.
Consejo: al proporcionar datos de ventas sin procesar a la IA, marque las campañas, los días festivos y los días sin existencias. El día sin stock es importante: las ventas parecen bajas ese día, pero la demanda real era alta, simplemente no había productos disponibles. Si no especifica esto, la IA subestimará la demanda real.
Precisión de medición: MAPE y sesgo
“¿Es bueno el pronóstico?” La respuesta a la pregunta proviene de la medición, no del sentimiento. El indicador más común es MAPE (Error porcentual absoluto medio: cuántos puntos porcentuales en promedio se desvían las predicciones de la realidad). Si MAPE es del 10%, significa que sus predicciones no alcanzan el valor real en un promedio del 10%; un MAPE más bajo es mejor. El segundo concepto importante es el sesgo: ¿su pronóstico está consistentemente por encima de la realidad (produciendo exceso de existencias) o de falta de existencias (dejando existencias insuficientes)? Incluso si un pronóstico tiene un MAPE bajo, si siempre se desvía en la misma dirección, existe un problema sistemático.
Puede darle a la IA parte de la historia como "entrenamiento" y parte como "prueba" y comparar su predicción con la realidad. Ésta es la forma honesta de generar confianza: probar el modelo con datos que no ha visto. Sólo vale la pena aplicar una predicción al futuro si ha demostrado ser consistente en el pasado.
Precaución: Ninguna predicción es 100% precisa; No se espera que suceda. El objetivo no es producir un número único perfecto sino un rango manejable, conociendo la desviación. La idea binaria de "la predicción se hizo realidad/no funcionó" es errónea; La pregunta correcta es "¿cuánto se desvió y cuánto buffer conservé en consecuencia?"
Gestión de la incertidumbre: rango, no un número único
El hábito más peligroso del planificador es tratar el pronóstico como un número único y concreto. En realidad, cada pronóstico tiene un intervalo de confianza, como “la demanda del próximo mes probablemente esté entre 900 y 1100”. Cuanto más amplio sea este rango, mayor será la incertidumbre. Conocer el rango afecta directamente su decisión sobre stock: un rango estrecho requiere menos stock de seguridad, un rango amplio requiere más reserva.
Por lo tanto, pregunte siempre a la IA por escenarios: pesimista (si la demanda resulta baja), esperado y optimista (si la demanda resulta alta). Al considerar tres escenarios, el plan no se basa en un único supuesto sino en una gama de posibilidades posibles. Esta es la forma más práctica de salir de la trampa del "bloqueo de un solo número".
Paso a paso: Estudio de previsión de la demanda con IA
- Borrar datos. Marcar días faltantes, días sin existencias, abrir registros erróneos; Trabajar con código de producto anónimo.
- Etiquetar eventos. Agregue días de campaña, feriados y promociones a los datos.
- Resta el patrón. Pídale a la IA que resuma tendencias, estacionalidades y eventos notables.
- Pruébalo. Almacene la última parte del historial, deje que la IA prediga y compare con la realidad (MAPE y dirección del sesgo).
- Crea un escenario. Solicite tres predicciones, pesimista/esperada/optimista, y el intervalo de confianza para cada una.
- Filtro experto. La IA no tiene conocimiento de las próximas interrupciones conocidas (nuevos productos, crisis de suministro, legislación); agregarlos manualmente. El plan final es tuyo.
tres mini casos
Caso 1: Captura de la estacionalidad. Un distribuidor de bebidas se quejaba de que durante los meses de verano se quedaba sin existencias constantemente y en invierno se quedaba sin productos. El planificador proporcionó 3 años de ventas diarias anónimas a YZ y eliminó la estacionalidad: la demanda de junio a agosto fue 2,4 veces el promedio de invierno y el salto comenzó a mediados de mayo de cada año. Siguiendo este patrón, preparó su stock de verano con tres semanas de antelación; El stock muerto de verano disminuyó un 70%, el stock muerto de invierno disminuyó. La IA mostró el patrón; El planificador tomó la decisión sobre las acciones.
Caso 2: Ceder ante el nuevo producto. Una empresa iba a lanzar un producto nuevo; No hubo datos históricos de ventas. El planificador preguntó a la IA: "¿Cuál será la demanda durante los primeros 3 meses?" preguntó. La IA produjo una cifra que parecía razonable, pero el planificador sabía que era infundada: no había datos. En cambio, AI pregunta: "¿Cuál fue el primer patrón de 3 meses de productos lanzados en segmentos similares en el pasado?" análisis y configurarlo como un rango de pronóstico, con un stock inicial cauteloso. El juicio de los expertos anuló la confianza ficticia de la IA.
Caso 3: Stockless es la trampa del día. Un analista concluyó que la demanda de un producto había caído y recomendó reducir el inventario. Su colega principal notó que los días de bajas ventas en los datos eran en realidad días de falta de existencias: la demanda no había caído, no había bienes. Cuando se corrigieron los datos con esta nota y se volvieron a entregar a la IA, se vio que la demanda real aumentó. Los datos mal limpiados producen predicciones incorrectas.
Cuatro plantillas copiables
1) Extracción de patrones:
Su función: analista asistente de planificación de la demanda. A continuación se muestran los datos de ventas mensuales de un producto (código anónimo: PRODUCT-X) durante los últimos 36 meses. Meses de campaña [lista de meses], meses sin stock [lista de meses]. Tarea: Resuma (1) la tendencia, (2) el patrón estacional, (3) los eventos notables. Ten en cuenta que los meses sin stock ocultan la verdadera demanda. El mes del cual no proporcioné datos es inventado.
2) Prueba de precisión:
Predice los últimos 6 meses usando los primeros 30 de los 36 meses siguientes. Luego compare mi predicción con los últimos 6 meses reales; Calcule la desviación y el MAPE total para cada mes. Dígame si su estimación está constantemente sesgada. Mostrar fórmula.
3) Previsión de escenarios:
Estime la demanda mensual de este producto para el próximo trimestre en 3 escenarios: pesimista/esperado/optimista. Proporcione un intervalo de confianza para cada escenario y escriba en qué supuesto se basa. Tenga en cuenta que esto no es definitivo sino un intervalo para la planificación.
4) Control de roturas:
Enumere cómo el pronóstico basado en datos históricos que le proporcioné podría verse invalidado por los siguientes eventos próximos: [nuevo producto / promoción / crisis de suministro / cambio regulatorio]. Sugerir cómo debo ajustar manualmente el pronóstico para cada uno.
Aviso débil / Aviso fuerte
Aviso débil:
¿Cuánto venderé el próximo mes?
Sin datos, sin producto, sin contexto. La IA rechaza o compensa; ninguno de los resultados funciona.
Potente mensaje:
Su función: asistente de planificación de la demanda. A continuación se muestran las ventas de PRODUCT-X durante los últimos 24 meses; Están marcados los meses de campaña y los meses sin stock. Proporcione un pronóstico pesimista/esperado/optimista para los próximos 3 meses, agregue un intervalo de confianza a cada uno, muestre MAPE en pruebas anteriores. Finge que tengo la decisión final sobre las acciones.
Enfoque
golpear
gestión de la incertidumbre
Riesgo
confiar en un solo número
engañoso
Ninguno
Alto: el plan colapsa
Escenario + rango
realista
bueno
bajo
solo intuición
variable
débil
medio-alto
Obedeciendo ciegamente a la IA
variable
Ninguno
alto
Errores comunes
- Confundir un día de desabastecimiento con una demanda realmente baja. Cuando los bienes no están disponibles, las ventas parecen bajas; Esto no significa que la demanda haya caído.
- Bloquear un solo número. Ver la predicción como una verdad absoluta es ignorar la incertidumbre; Pregunte siempre por alcance y escenario.
- No etiquetar la campaña. El modelo que piensa que el rebote promocional es "normal" distorsiona el futuro.
- Predicción de nuevo producto sin historia. La cantidad aparentemente segura de IA para productos sin datos es infundada.
- Dejando la ruptura a la IA. La IA no conoce rupturas estructurales como epidemias, crisis de suministro y legislación; Se debe realizar la intervención de expertos.
Precaución: No importa qué tan buena parezca una predicción, no puede ser mejor que la calidad de los datos en los que se basa. "Basura entra, basura sale". Dedique la mayor parte de su tiempo a limpiar datos; La parte del modelo hace el resto.
En resumen
La previsión de la demanda es el motor de la cadena de suministro y la IA es un poderoso asistente que acelera este motor. Pero la IA aprende del pasado; Se equivoca cuando el futuro no se parece al pasado. Capture tendencias y estacionalidades, etiquete eventos, mida la precisión con MAPE y la dirección de deriva, configure el pronóstico como escenario y rango, no como un número único. El juicio de los expertos es lo primero en nuevos productos y rupturas estructurales. La limpieza de datos es la base de todo; El plan final es tuyo.
Tarea de aplicación
Obtenga datos de ventas de los últimos 12-24 meses de uno de sus propios productos (o de un producto hipotético), marque los meses de campaña y de falta de stock. Pídale a la IA tres escenarios con la plantilla de “predicción de escenarios”. Luego almacene parte del historial con la plantilla "Prueba de precisión" y compare la predicción con la realidad. Escribe el MAPE que encontraste y el escenario que elegiste, junto con su motivo, en 5 ítems; También especifique qué búfer de seguridad agregará.
lista de verificación
- [ ] ¿He borrado los datos, marcado los días de falta de stock y de campaña?
- [] ¿He validado la predicción con MAPE y la dirección del sesgo mediante backtesting?
- [] ¿Pedí un escenario y un intervalo de confianza en lugar de un solo número?
- [ ] Si hay algún producto nuevo/rotura, ¿he priorizado el juicio de expertos?
- [ ] ¿He sometido el plan de stock final a mi propia aprobación?