La gestión de la cadena de suministro se apoya en previsiones, ya sean implícitas o explícitas.
Dimensionar el inventario a partir de los consumos medios históricos supone asumir que el consumo futuro se parecerá al pasado, por lo que se trata de una previsión implícita.
No nos engañemos, nadie confía realmente en las previsiones. Todo el mundo sabe que la demanda real diferirá de lo previsto.
El Demand Driven Institute señala que:
Pero ¿cuándo son realmente útiles las previsiones?
La utilidad de una previsión se mide por su capacidad para ayudar a tomar decisiones.
Veamos el gráfico siguiente, que muestra, por un lado, en línea continua azul, el histórico de la demanda; en rojo, la previsión estadística basada en dicho histórico; y en línea discontinua morada, las necesidades comunicadas por el cliente para las próximas semanas.
¿Qué podemos deducir de este gráfico?
Por un lado, vemos que a corto plazo —en el caso de este flujo B2B, 16 semanas— disponemos de una señal de demanda mejor que la previsión estadística. Probablemente sea mejor confiar en los puntos morados que en la proyección roja.
Sin embargo, no debemos creer ciegamente estas cifras. Una necesidad del cliente compartida para las próximas 16 semanas es muy probable que cambie y, si observamos este gráfico semana a semana, lo más probable es que veamos cómo las sinusoides moradas fluctúan de una semana a otra. La señal es, sin duda, mejor, pero también es ruidosa. Sigue siendo una previsión, salvo en el inicio del horizonte, en el que la solicitud de entrega del cliente es definitiva.
¿Más allá de las 16 semanas? No hay alternativa: solo contamos con una previsión. Por tanto, si hay que tomar decisiones más allá de ese horizonte, la mejor información disponible —o la menos mala— es la previsión, basada en el análisis de datos históricos y enriquecida con factores causales.
¿Es necesario tomar decisiones más allá de las 16 semanas? Muy probablemente sí. Por ejemplo, una inversión en nuevos equipos para aumentar la capacidad suele requerir más de 16 semanas.
Podemos concluir, por tanto, que a largo plazo la previsión es útil, especialmente para los procesos de S&OP. Resulta paradójico, porque cuanto más lejana es la previsión, más inexacta resulta, ¿verdad?
La clave para que una previsión lejana, y por lo tanto muy imprecisa, sea útil, es decir, que ayude a tomar buenas decisiones, es que se trate al nivel más agregado posible y que se evalúen diferentes hipótesis y varios escenarios.
A corto plazo, con razón, dirás que debemos tener en cuenta la demanda real expresada por el cliente y que las previsiones no son relevantes. A la vista del ejemplo anterior, probablemente tengas razón.
Pero imaginemos por un momento que eres un tienda física (minorista) o virtual (comercio electrónico). No tienes pedidos en firme. Un cliente entrará en una de tus tiendas o accederá a tu web y realizará una compra… siempre que el producto esté disponible. Si no lo está, la venta se perderá.
¿Cómo garantizas la disponibilidad? Necesitas una señal relevante para reponer tu tienda o tu almacén. La primera y más natural es la reposición basada en el consumo. Este es el principio de flujo pull que está en el corazón de Intuiflow. Ajustamos la reposición al ritmo del consumo real, posiblemente corregido por factores adicionales como promociones.
En este contexto, una previsión a muy corto plazo también puede ser útil. Puede permitir una reposición más afinada de un punto de venta concreto porque la previsión meteorológica para este municipio costero el sábado anuncia buen tiempo, es el primer sábado de vacaciones y hay una feria local que atraerá a muchos visitantes. Nuestros compañeros expertos en retail de Algo han desarrollado algoritmos de IA y reposición muy convincentes en este ámbito.
De hecho, a muy corto plazo, una previsión muy detallada puede ser útil para tomar decisiones, aunque cuanto más detallada sea, más probabilidades hay de que se equivoque.
Proponemos las siguientes premisas:
A largo plazo, una previsión agregada y desglosada en escenarios puede ser útil para apoyar la toma de decisiones y preparar a la empresa para adaptarse.
A corto plazo, los pedidos reales y el consumo son los mejores indicadores, excepto en casos de uso minorista/comercio electrónico, en los que un algoritmo puede captar información adicional más relevante: un evento local, el impacto de un influencer, etc. Este artículo explica muy bien la importancia del demand sensing en aplicaciones de retail.
Para que esto sea eficaz, es imprescindible haber diseñado correctamente la cadena de suministro, incorporando puntos de desacoplamiento que permitan reposiciones frecuentes y rápidas.
A muy corto plazo, una previsión muy detallada puede ser útil. La previsión del tiempo para las próximas horas en tu ciudad es, sin duda, relevante cuando decides si llevarte una sudadera al salir de casa.
¿Y en el punto intermedio? Depende de ti definir tu modelo de adaptación pragmático.
No dudes en contactar con nosotros para ayudarte en este proceso.