Doxa 1336

Uso de modelos de incertidumbre para predecir mejor la demanda.

Por Işık Biçer, Murat Tarakci, y Ayhan Kuzu

Analítica y ciencia de datos

Harvard Business Review

#Doxa #modelos #incertidumbre #demanda #predecir #analítica #ciencia #datos #riesgos #desperdicios #inversión #gestión

Resumen. En el esfuerzo por reducir el desperdicio y eliminar la redundancia, muchas empresas se han expuesto a mayores riesgos de interrupción de la cadena de suministro, a pesar de la fuerte inversión en análisis de datos en torno a la predicción de la demanda que, en principio, debería eliminar la incertidumbre. Este artículo sostiene que el fracaso de los modelos de predicción de la demanda tiene su origen en el hecho de que no tienen en cuenta cómo se generan los datos, sino que simplemente exploran las relaciones aparentes en los datos agregados que se han transferido desde otras funciones de la organización. Al descomponer la agregación a través de un proceso que los autores denominan modelado de incertidumbre, los científicos de datos pueden identificar nuevos parámetros para conectarlos a los modelos de predicción, lo que aporta más información a las predicciones y las hace más precisas.

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

Por supuesto, las empresas entendieron los riesgos que implica la eliminación de búferes en la cadena de suministro, lo que sucedió mientras invirtieron cada vez más en análisis de datos sofisticados . Si pudieran comprender mejor los cuellos de botella en sus cadenas de suministro, se pensaba, las empresas podrían, en teoría, operar con menos redundancia sin incurrir en riesgos adicionales. Pero las interrupciones persisten .

Nuestra investigación en múltiples industrias, incluida la farmacéutica y los bienes de consumo de rápido movimiento, muestra que la razón de esta persistencia se debe menos a las deficiencias del software y más a su implementación. Para empezar, los gerentes tienden a basar su análisis en unidades departamentales. Aunque los equipos de ventas y marketing pueden aportar información y datos importantes, los responsables de la toma de decisiones operativas a menudo no solicitan sus aportaciones.

Además, las soluciones analíticas se centran estrechamente en la propia cadena de suministro de la empresa. Las mejores prácticas siguen siendo específicas de cada caso, y los modelos analíticos con demasiada frecuencia permanecen desconectados de las tendencias en el ecosistema más amplio. Como ilustran los ejemplos citados anteriormente, una interrupción aparentemente local puede crecer como una bola de nieve en todo el mundo.

¿Cómo pueden las empresas evitar estas trampas de la mejor manera? Comencemos por analizar con más detalle lo que implica el análisis de datos.

¿Qué son los análisis de datos?

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

Analítica descriptiva.

Estos manejan las preguntas de “qué sucedió” y “qué está sucediendo” y son ricas en herramientas visuales como gráficos circulares, diagramas de dispersión, histogramas, tablas de resumen estadístico y tablas de correlación. Cadena de artículos deportivos The Gamma Store , por ejemplo, utiliza gráficos de control de procesos estadísticos para identificar los inconvenientes de la participación del cliente en la tienda.

Analítica predictiva.

Se trata de algoritmos estadísticos avanzados para pronosticar los valores futuros 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 generalmente se basan en datos históricos observados sobre la respuesta de la decisión a cambios externos (por ejemplo, cambios en las tasas de interés o el clima). Los minoristas como Amazon confían en los datos predictivos sobre la demanda de los clientes al realizar pedidos de los proveedores, mientras que los productores de bienes de consumo de rápido movimiento como Procter & Gamble y Unilever han estado invirtiendo en análisis predictivo para anticipar mejor la demanda minorista de sus productos.

Analítica prescriptiva.

Estos apoyan a los responsables de la toma de decisiones informándoles sobre las posibles consecuencias de sus decisiones y prescribiendo estrategias viables destinadas a mejorar el rendimiento empresarial. Se basan en modelos matemáticos que estipulan una función objetivo y un conjunto de restricciones para colocar problemas del mundo real en un marco algorítmico. Las aerolíneas han estado explotando el análisis prescriptivo para optimizar dinámicamente los precios de los boletos a lo largo del tiempo. Las empresas de logística, como UPS , también aplican análisis prescriptivos para encontrar las rutas de entrega más eficientes.

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 impulsores clave del 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 de datos predictivos para pronosticar con precisión la demanda y la oferta lo que obligó a Amazon a destruir aproximadamente 130.000 artículos no vendidos o devueltos cada semana en solo uno de sus almacenes del Reino Unido.

En la mayoría de los casos, la razón por la que fallan los análisis predictivos está relacionada con suposiciones y elecciones en torno a la generación de datos analizados. El estudio de Abraham Wald de los aviones posteriores a la misión en la Segunda Guerra Mundial proporciona el ejemplo clásico . El grupo de investigación al que pertenecía estaba tratando de predecir qué áreas de la aeronave serían atacadas por los enemigos, y sugirieron fortalecer las áreas golpeadas con frecuencia. Pero Wald desafió esta recomendación y recomendó reforzar las áreas vírgenes, ya que las aeronaves dañadas allí es más probable que se pierdan y estén ausentes de los datos observados. Al observar cómo se generaron los datos, los oficiales militares pudieron corregir la decisión sobre qué áreas de aviones reforzar.

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

¿Qué hace el modelado de incertidumbre?

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

Para comprender lo que está sucediendo, 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 de inmediato, lo que hace que el tiempo de entrega de la demanda sea insignificante. Ahora suponga que el primer pedido del cliente es de 500 unidades y que planea aumentar esa cantidad en otras 500 unidades por cada nuevo pedido, pero no informa a la empresa que ese es su plan.

¿Qué ve la empresa? El cliente ordenará 500 unidades en la semana tres, 1,000 unidades en la semana seis, 1,500 unidades en la semana nueve, y así sucesivamente, lo que genera valores de demanda mensuales de 500, 1,000, 1,500, 2,500 y 3,000 unidades durante los primeros cinco meses - un promedio de 2,100 unidades por mes. Pero debido a que los datos de la demanda real muestran desviaciones sustanciales del promedio, este último es un pronóstico muy incierto. Sin embargo, esa incertidumbre desaparece por completo una vez que la empresa obtiene la información de que el cliente está aumentando sistemáticamente las compras en 500 unidades con cada pedido.

Para que los gerentes de producción detecten este tipo de información, deben mirar más allá de las cifras 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 realizan los pedidos, las fechas de entrega solicitadas y qué productos se demandan en qué cantidades. Este sistema generalmente es propiedad, administrado y mantenido por el departamento de ventas. Una vez que se cumplen los pedidos de los clientes, la información agregada sobre los pedidos completados se transfiere al sistema de cumplimiento de la demanda, generalmente propiedad de producción y operaciones, que los gerentes en estas funciones luego analizan para predecir la demanda futura.

El problema es que el proceso de agregación a menudo conlleva una pérdida de información. Sin embargo, con el modelado de incertidumbre, los gerentes pueden aplicar parámetros clave identificados en el sistema de gestión de pedidos para restaurar la información a sus análisis prescriptivos.

Rescatando información en Kordsa

Kordsa, el proveedor turco de refuerzo de neumáticos, ofrece un ejemplo concreto. La empresa recibe grandes pedidos de sus clientes (fabricantes de neumáticos) pero el número de pedidos, así como la cantidad y la fecha de entrega de cada uno, es incierto 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 luego se analizaba. Como resultado, el número de parámetros inciertos se redujo de tres a uno, incurriendo en una pérdida significativa de información.

Mediante el uso de modelos de incertidumbre, le mostramos a Kordsa cómo evitar la pérdida de información y obtener mejoras de rendimiento significativas a lo largo de los indicadores clave de rendimiento (como la rotación de inventario y la tasa de cumplimiento). Al aplicar algoritmos avanzados como Fast Fourier Transformation , pudimos integrar los parámetros clave de los pedidos de los clientes que identificamos al estudiar los datos de CRM de la empresa en el modelo de predicción de la demanda de la empresa.

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

Este tipo de traspaso de fronteras no debería detenerse en las puertas de la empresa. No son solo las decisiones de sus clientes y proveedores las que pueden afectar las incertidumbres de la demanda; las decisiones de los actores de industrias adyacentes que producen productos complementarios o sustitutos también pueden afectar la demanda. Acercarse a los datos que generan estos reproductores 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, muchos de los beneficios de estas inversiones no se materializan. La información se pierde a medida que los datos se agregan antes de la transformación entre silos, lo que aumenta el nivel de incertidumbre en torno a las predicciones. Al aplicar la matemática del modelado de incertidumbre para incorporar información clave sobre cómo se generan los datos, los científicos de datos pueden capturar los efectos de parámetros previamente ignorados que pueden reducir significativamente la incertidumbre que rodea a las predicciones de oferta y demanda.

Işık Biçer es profesor en la Escuela de Negocios Schulich de la Universidad de York en Toronto, Canadá.

Murat Tarakci es profesor asociado de gestión de la innovación en la Rotterdam School of Management de la Universidad Erasmus. Su investigación investiga cómo crear organizaciones innovadoras. Examina qué motiva la búsqueda de los gerentes de nuevas iniciativas estratégicas y cómo el poder y el liderazgo gerenciales afectan la generación de ideas novedosas. Regularmente enseña y asesora a ejecutivos sobre transformación digital, implementación de estrategias e innovación.

Ayhan Kuzu es gerente de tecnología en Kordsa Inc., un proveedor turco de refuerzo de neumáticos y líder del equipo del proyecto de análisis de datos.