Limpiar el historico de demanda es una disciplina clásica para cualquier planificador. Cuando se genera una previsión estadística, primero hay que asegurarse de que los datos históricos se han limpiado de valores atípicos. De lo contrario, ¡cuidado con GIGO! (basura dentro, basura fuera).
Esta limpieza histórica se lleva a cabo generalmente mensualmente, a veces cada semana. A menudo se utiliza para establecer previsiones, omitiendo otros efectos secundarios de un historial en bruto.
Por ejemplo, el historial se limpia para que el módulo de previsión estadística no se deje llevar, pero en un rincón oscuro del sistema ERP utilizamos una fórmula estadística de stock de seguridad, que utiliza todo el consumo histórico, incluidos los valores atípicos…
Datos limpios también son un requisito previo para ejecutar algoritmos de inteligencia artificial. Es lo que se conoce como «limpieza de datos».
Veamos el impacto de un historial sin limpiar en un ejemplo sencillo.
Seleccionamos un artículo en el que hemos detectado tres valores atípicos.
![Screenshot depicting three outliers in the demand history](https://demanddriventech.com/wp-content/uploads/image-113.png)
Este artículo se consume con mucha frecuencia: tuvimos 267 días de consumo en el último año. Echemos un vistazo más de cerca al historial de esta demanda… ¿ve estos tres valores atípicos?
![Screenshot of the application history showing three noticeable spikes](https://demanddriventech.com/wp-content/uploads/image-110.png)
¿Se ha dado cuenta también de que, en lugar de explorar una vista mensual o semanal, exploramos el consumo diario? Si quiere dimensionar correctamente un stock, por ejemplo, lo que cuenta son estas demandas diarias, en lugar de promedios que enmascaran la realidad de las señales de demanda reales.
Ajustaremos cada uno de estos valores atípicos hacia abajo con un simple arrastrar y soltar:
![Screenshot showing how to adjust the outliers using a drag and drop in the software](https://demanddriventech.com/wp-content/uploads/image-112.png)
Eso es más razonable:
![Screenshot showing a wider view of demand history showing only one noticeable large spike](https://demanddriventech.com/wp-content/uploads/image-111.png)
Escucho objeciones desde el fondo de la sala: ¡esto ya no es la demanda real!
Es cierto, es una demanda corregida para puntos que parecían estadísticamente atípicos. La pregunta es: ¿hay que dimensionar el stock de este artículo para satisfacer toda la demanda real con disponibilidad inmediata, o hay que satisfacer la demanda recurrente a partir del stock y adoptar otra táctica para las peticiones excepcionales, como «estimado cliente, se trata de una petición excepcional, le rogamos que nos avise con antelación, hay un ligero retraso…»?
Veamos el impacto en este artículo:
Antes de la corrección histórica, la zona roja era de 68,150 euros.
![Screenshot showing the red zone level was 68,153.02 before the historical correction](https://demanddriventech.com/wp-content/uploads/image-114.png)
Después de la corrección:
![Screenshot showing that there are no outliers after the correction](https://demanddriventech.com/wp-content/uploads/image-115.png)
- Ya no hay valores atípicos (se han corregido)
- El consumo medio diario bajó de 6.327 a 5.278 (-17%)
- El CoV – coeficiente de variabilidad (desviación típica / demanda media diaria) se ha desplomado de 167 a 51: ahora reconocemos que este artículo es en realidad muy estable.
- La zona roja ha caído a 42.600
![Screenshot showing that the red zone level has lowered to 42,595.64](https://demanddriventech.com/wp-content/uploads/image-116.png)
Un pequeño barrido del historial de datos y nuestra inversión en stock para lograr aproximadamente el mismo servicio cae en torno a un 35%, así que merece la pena hacer un poco de limpieza, ¿no?
Limpiar los datos históricos, detectar e interpretar los valores atípicos es una disciplina importante que merece estar dotada de herramientas adecuadas para:
- Detectar de elementos que requieren análisis.
- Determinar un proceso de limpieza adecuado: automático, o con la intervención de inteligencia humana para comprender la naturaleza de los valores atípicos, y las tácticas de respuesta apropiadas.
- Reflejar adecuadamente el impacto de la limpieza en el dimensionamiento del stock, las previsiones, el mecanismo de detección de picos, el proceso de compromiso de entrega, etc.
Si desea profundizar en el tema utilizando sus propios datos, no dude en ponerse en contacto con nosotros…