La fiabilidad de las previsiones es un tema interminable en la comunidad de la cadena de suministro. Se le dedica mucha investigación académica. Se utiliza big data y un sofisticado machine learning. Hay debates en las redes sociales sobre la mejor forma de medir esta fiabilidad (el MAPE no es bueno, el WMAPE es mejor, el FVA permite medir la eficiencia del proceso, etc.). Los defensores de la previsión estadística se enfrentan a los defensores de la previsión probabilística. La inteligencia artificial está de moda: si pudiéramos meter en una caja los factores exógenos y endógenos -los precios de los competidores, el tiempo, las distintas promociones en curso, el estado de ánimo de los consumidores, el de Putin y el último capricho de los principales influencers-, ¡bingo! sabríamos lo que vamos a vender mañana.
La imagen de la ilustración de este post me parece que describe bien de qué se trata. La «ciencia» de la clarividencia siempre ha sido muy seductora. ¿Quién no sueña con conocer el futuro? Pero si lo miramos más de cerca, todo este barniz científico y estos medios desplegados para encontrar predicciones con la bola de cristal, huele a una charlatanería pseudocientífica muy del siglo XIX, ¿no?
El hecho es que la industria se centra en la búsqueda del santo grial de la previsión fiable. Si se busca en Google «precisión de las previsiones», se obtienen unos 88 millones de resultados; si se busca «software de previsión», ¡se obtienen 258 millones!
En comparación, una búsqueda de «software DDMRP» devolverá unas modestas 43.000 entradas… Umm.
Recientemente se puso en contacto con nosotros una consultora que está ayudando a una empresa multinacional a mejorar su proceso de gestión de la demanda. El problema expresado por esta empresa es: «tenemos más de 100 personas implicadas en la generación mensual de previsiones de ventas, pero la fiabilidad no es buena; ¿cómo podemos mejorar la fiabilidad y la productividad de este proceso? La pregunta es legítima. ¿Por qué invertir tantos recursos para un resultado tan decepcionante?
No es un caso aislado: muchas empresas cuentan con grandes equipos de “responsables de la demanda”, pero la fiabilidad de las previsiones -medida con los indicadores tradicionales- tiene un tope del 70 o 75% a nivel de SKU dentro del plazo de reposición.
Por ello, la consultora en cuestión nos planteó la siguiente pregunta: «¿Cómo permite su software obtener una mayor fiabilidad en las previsiones, con un aumento de la productividad del equipo?
Ah, bueno, qué pena: El SW Intuiflow no aumenta la fiabilidad de las previsiones. Nuestra suite de soluciones permite mejorar la disponibilidad de los productos, en el momento y lugar adecuados, en función de la demanda real. También mejora la productividad de los equipos implicados, al centrar la atención en las prioridades correctas… y gastar menos energía en la búsqueda inútil de previsiones fiables.
Por lo tanto, la consultora en cuestión buscará una solución milagrosa de otros proveedores, ya que lo que busca es una solución para mejorar la fiabilidad de las previsiones, un enfoque predictivo, y no una solución para mejorar la disponibilidad de los productos…
No sé ustedes, pero a veces me da la impresión de que parte del ecosistema de la gestión de la cadena de suministro anda un poco de cabeza, ¿no creen?
