Si las previsiones de demanda están mal, ¿qué sentido tiene hacerlas?
El tema de las previsiones ha estado de actualidad en la comunidad de la cadena de suministro durante años. Hemos invertido mucho, y continuamos haciéndolo, pero ahora ayudados por la era de la inteligencia artificial, el machine learning y el big data. Mantengamos los dedos cruzados: ¿quizás estas tecnologías nos ayuden a mejorar la fiabilidad de las previsiones?
A menudo nos decepcionan: por mucho que nos esforcemos en predecir, las ventas reales son significativamente diferentes, especialmente a nivel de SKU (código de artículo).
Nuestras carteras de productos se diversifican cada vez más, se introducen nuevos productos a un ritmo frenético, cada vez hay más actores compitiendo en el mercado, las incertidumbres geopolíticas son omnipresentes, por no hablar de la pandemia.
Por lo tanto, no hay ningún secreto: la precisión de las previsiones se está deteriorando y seguirá deteriorándose, porque el entorno en el que operamos es cada vez menos predecible.
Cuando DDMRP surgió, hubo mucho debate: como las previsiones son incorrectas, rompamos nuestra bola de cristal, establezcamos buffers basados en el consumo medio diario de las últimas semanas, y todo estará bien. El debate se desató en Francia en 2014. Curiosamente, todavía reaparece de vez en cuando, lo que muestra múltiples malentendidos.
Nunca he estado de acuerdo con el discurso sobre el abandono de las previsiones. Simplemente porque tengo 35 años de experiencia en la cadena de suministro, y he visto de primera mano el valor de los procesos pragmáticos de previsión. También he vivido situaciones extremas en una dirección o en otra, y he aprendido a desconfiar de ellas…
La palabra P**** o la ilusión de la “demanda real”
Trabajé hace años en un grupo estadounidense de dispositivos médicos que estaban experimentando una transformación Lean, basada en ese momento en los principios de Demand Flow Technology. Los líderes de esta transformación en la empresa fueron firmes opositores de cualquier pronóstico – «Pronóstico» fue considerado en la empresa como «La palabra P****», para ser prohibido. Todo tenía que hacerse en base a la «demanda real».
Uno de los directores de proyecto de los Estados Unidos había implantado un sistema de gestión Pull-Flow para una planta clave en Europa. Su obsesión no era utilizar las previsiones, por lo que basó el consumo medio diario en el historial de ventas de los últimos tres meses, que se suponía representaba una «demanda real». Cuando las ventas se dispararon en octubre -como todos los años- mientras que la «demanda real» se calculó en julio-septiembre, un período débil debido a las vacaciones en Europa, ¿qué cree usted que pasó? La fábrica tardó 5 meses, a pleno rendimiento, en recuperase, y un año en recuperar la confianza de sus clientes.
El ejemplo parece caricaturesco, pero es muy real. ¿Qué le faltaba a esta compañía? Un poco menos dogmatismo y un poco más de sentido común, para alimentar un proceso de S&OP con previsiones agregadas relevantes, y ajustar los Kanban de acuerdo con estas previsiones en los artículos estratégicos.
La ilusión de las previsiones detalladas
En el otro extremo, muchas empresas hacen increíbles esfuerzos en hacer previsiones muy detalladas: por código de artículo (SKU), por cliente, por semana o incluso por día.
Asistí a una conferencia de la presentación de una empresa del sector de la confección que había implementado algoritmos en una gran base de datos (hablamos en terabytes), para determinar las previsiones por día y artículo a nivel de tienda. Pero una vez que obtengo que deberíamos vender 0.00001 unidades de esta camiseta del tamaño S el lunes en mi tienda, ¿qué hago?
Una vez más, el ejemplo es extremo, pero si nos fijamos en el proceso de previsión de la demanda de la mayoría de las empresas, se hace a un nivel demasiado detallado para ser útil. Cuanto más detallada sea una previsión, más errónea es. Además, cuanto más detallada sea una previsión, más esfuerzo requiere de los equipos de planificación de la demanda.
Una gran cantidad de energía para un resultado inexacto del que no se puede tomar una decisión relevante, evitemos estos desperdicios.
Algunos artículos no merecen un esfuerzo de previsión. Tomemos el ejemplo del artículo cuya demanda es la siguiente:
¿Un pronóstico le ayudará a gestionar este artículo? O espera una venta de 0,02 por día o 0,6 por mes, o 1 cada x meses y es probable que posicione esta previsión en el mes equivocado – que nunca coincidirá con las ventas. Por lo tanto, está condenado a una fiabilidad de previsión del 0%. ¿Eso le impide proporcionar a sus clientes un servicio excelente mientras optimiza el uso de sus recursos? No. Dependiendo del tiempo de entrega del artículo, un mínimo/máximo con un máximo de 2 será suficiente. La verdadera pregunta que debe hacerse es: ¿qué proceso de planificación necesito poner en marcha para cumplir con los pedidos de este artículo? ¿Tengo que almacenar este artículo? ¿Cómo puedo lanzar su reposición?
Para un artículo de este tipo, no desperdicie la energía de sus equipos en desarrollar una previsión errónea: concentre sus esfuerzos en diseñar un modelo operativo ágil impulsado por los pedidos reales.
Previsiones, ¿para qué?
El propósito de la información es ayudar a tomar decisiones.
Las previsiones son útiles a las funciones de la empresa si les permitirle tomar decisiones.
El equipo directivo necesita escenarios de previsión para prever un posible futuro para la empresa, y anticipar la adaptación de los recursos e iniciativas estratégicas. Estamos en el corazón del proceso de S&OP, y necesitamos puntos de vista agregados por familias comerciales e industriales, con escenarios alternativos e identificación de los principales eventos.
Las previsiones también son muy útiles para los equipos de marketing y ventas. Les permiten entender las tendencias, correlacionar las acciones promocionales y los volúmenes, y dar feedback a la Red Comercial. Para ello es relevante trabajar por clientes principales, por mercado, línea de producto, geografía. Lo que prevalece es el proceso colaborativo y la captura de información relevante sobre la vida de los mercados, no los algoritmos estadísticos.
Pero cuidado: ¡una fuerza de ventas debe ser optimista! Los lanzamientos de nuevos productos se agotarán, esta promoción dejará atrás a los competidores – es humano, y saludable motivar a una fuerza de ventas. ¿Está seguro de que desea alinear su capacidad y su inventario con ese optimismo? …
Para los planificadores de un modelo Demand Driven, las previsiones son útiles para decidir a tiempo las adaptaciones del modelo operativo: Uso de turnos, planificación de inventario antes de una promoción o cierre de proveedores, etc. Se pueden utilizar para el ajuste dinámico de los buffers de inventario. Para algunos productos, el ajuste de los buffers, en función de un histórico de consumo reciente, funciona muy bien, en otros casos, en particular en productos sujetos a promociones, la previsión debe utilizarse para ajustar los buffers. A menudo, un mecanismo de tamaño de búfer que combina un 50% de historia reciente y un 50% de previsión da buenos resultados.
Tres diferentes audiencias con distintas necesidades, que ponen en perspectiva los elementos clave de un proceso de previsión :
- Ser capaz de agregar fácilmente las demandas por familias / agrupaciones en varias dimensiones. Una previsión agregada es más fiable que una previsión detallada y la toma de decisiones se realiza a nivel agregado.
- Ser capaz de generar escenarios optimistas y pesimistas, ¿qué pasa si ganamos esta licitación?
- Saber cómo captar información sobre eventos importantes del mercado.
- Ser capaz de generar buffers de inventario dinámicos, sólo para los artículos estratégicos que lo merecen.
Las previsiones están equivocadas, ¿y qué?
Ciertamente, las previsiones son erróneas. Sin embargo, necesitamos un esfuerzo justo de anticipación. Incluso usando Kanban hay un tiempo llamado «Takt Time” que no es más que una previsión.
Volvamos a la necesidad inicial de la previsión. ¡En sí mismo, lo que interesa no es la previsión! Lo que queremos es ser capaces de responder en poco tiempo a un pedido de cliente y de una manera rentable.
Para ello hay que adaptarse constantemente, para tener los recursos adecuados en el lugar correcto y en el momento preciso. La cuestión es lanzar ordenes de la manera correcta, no hacer previsiones, es decir, establecer un Demand Driven Operating Model.
Para obtener más información sobre cómo tener en cuenta las previsiones en nuestras soluciones Demand Driven, ¡no dude en pedirnos una demostración!
