Generalmente, las empresas se pueden dividir en dos categorías; en aquellas que no realizan pronósticos y en las que lo hacen de manera equivocada. Las que no pronostican observan a los que lo hacen mal y piensan que lograr un buen pronóstico es simplemente imposible. La razón principal por la que se obtiene un mal pronóstico es que se cree que se puede lograr a través del uso de un un software, presionar el botón de inicio y recibir buenos pronósticos como resultado.
La explicación es simple. Generalmente, los productos de una empresa se dividen en: productos con ventas estables, productos con ventas estacionales, nuevos productos, productos con alto volumen, otros de menor volumen, etc. Los diferentes productos requerirán estrategias diferentes, es decir, diferentes modelos de pronóstico y métodos algorítmicos personalizados.
Sin embargo, estos softwares han ganado algo de popularidad, esto se debe a que las organizaciones carecían de mejores alternativas al momento de realizar predicciones confiables. El modelado simple de series temporales elaboradas por inteligencia artificial son mucho mejor alternativa que realizar simples conjeturas en Excel.
En los últimos años, gracias a la evolución del modelado estadístico, hoy existe la posibilidad de pronosticar mejor. Las empresas están subcontratando a agencias analíticas servicios de previsión avanzada y están obteniendo mejores pronósticos, esto era imposible de imaginar hace una década.
La previsión de la demanda afecta a casi todos los departamentos de una compañía, incluyendo la planificación financiera, la gestión del inventario, la planificación de la producción, la distribución, el marketing y la gestión de clientes, por lo tanto, una buena previsión tendrá importantes consecuencias financieras. La incertidumbre económica a la que se enfrentan las organizaciones en la actualidad está obligando a los líderes empresariales a tomar medidas para controlar los costes y la rentabilidad, y así reducir los posibles riesgos. En la parte superior de la lista encontramos “mejores previsiones de la demanda”, obviamente, que, con mayor precisión de ventas, se tendrá un impacto directo en los resultados finales. Pero, ¿cuánto dinero pueden ahorrar (ganar) las empresas gracias a una mejor previsión?
Este es un ejemplo real de una importante empresa productora de bebidas en España, se producía aproximadamente un 9% más de lo que vendía, es decir, existencias de inventario que supuestamente compensarían el riesgo de quedarse sin el mismo. Obviamente, este tipo de práctica resultó ser una conjetura muy costosa a largo plazo. Después de analizar cuidadosamente el problema, identificaron tres áreas de mejora:
Su pronóstico de demanda era acertado para los productos de gran volumen, pero estaba considerablemente erróneo para la mayor parte de sus productos vendidos.
Los diferentes cálculos entre la gestión y la planificación de ventas no fueron muy útiles, lo que creó una tendencia a redondear el tamaño de los pedidos entrantes.
Cuando fueron entrevistados, los representantes de ventas admitieron que el software de pronóstico actual que estaban utilizando no era confiable, lo que los hizo acudir a su intuición para planificar las ventas.
Estos desafíos se habían pasado por alto fácilmente durante años, a pesar de que estaban teniendo un impacto negativo en los resultados finales. Sin embargo, la solución era bastante sencilla: mejorar las previsiones de ventas.
Al abordar el problema directamente con modelos de pronóstico de demanda personalizados para sus productos, mejoraron la precisión del pronóstico en más de un 35 por ciento. Los pronósticos se introdujeron directamente en sus sistemas ERP actuales y una nueva interfaz permitió a los representantes de ventas visualizar sus productos pronosticados con más detalle que nunca.
Mejores pronósticos monetizados
A medida que la empresa mejoró considerablemente su previsión, se esforzó por estimar la conexión entre la precisión de su pronóstico y el resultado final; es decir, cuánto impacto tiene el error de pronóstico sobre el costo operativo, el costo de ventas y el de marketing. Lograron identificar el costo operativo en las siguientes situaciones:
Acelerar la adquisición de materia prima genera un mayor costo de final de la misma
Perdieron oportunidades de adquirir materias primas en un momento favorable
La planificación de la producción a largo plazo es imposible y buscar soluciones rápidas a corto plazo son una práctica habitual
Los cambios en los programas de producción aumentan los costos debido a la preparación de la maquinaria y a la planificación del personal
Producir el producto en cantidades incorrectas conduce a un aumento en los costos y niveles de inventario
El envío a la ubicación incorrecta implica mayores costos de logística para almacenar el producto en la ubicación incorrecta y enviar el producto de vuelta a la ubicación correcta
Tener que establecer descuentos para vender productos que están por encima del nivel adecuado de inventario
Y para el costo de ventas y de marketing en estas situaciones:
Uso ineficiente de los recursos de marketing y ventas de la empresa
Asignación incorrecta de recursos entre productos
Ingresos reducidos o incluso perdidos
Oportunidades de ventas perdidas
Cuando se trata de errores de pronóstico, el impacto es ligeramente diferente si la empresa está sobre-pronosticando o sub-pronosticando. El supuesto general es que la previsión insuficiente es más cara que la previsión excesiva, de ahí el 9% de sobreproducción.
Como muestra la figura anterior, las implicaciones básicas de una previsión excesiva son la inmovilización de recursos financieros en un inventario excesivo, mientras que las consecuencias de una previsión insuficiente son la pérdida potencial de ganancias resultante de un aumento en el costo y la pérdida de ventas.
Teniendo en cuenta las dos implicaciones básicas de la previsión excesiva y la previsión insuficiente, se puede desarrollar un método para monetizar el error de pronóstico. En primer lugar, es necesario identificar el volumen de unidad de mantenimiento de existencias total por mes, y luego este volumen se multiplica por 1% para sugerir el volumen unitario asociado con un error de pronóstico del 1%. Ahora, el volumen unitario asociado con un error de pronóstico del 1% se multiplica por el costo promedio del producto por unidad. Este cálculo básico le da el costo de inventario asociado con un error de pronóstico del 1% debido a un pronóstico excesivo, con la siguiente fórmula:
Se puede adoptar un enfoque similar para situaciones de pronóstico insuficiente en las que el volumen unitario asociado con un error de pronóstico del 1% se multiplica por el margen de beneficio por unidad. Esto sugiere una posible cifra de ventas perdidas asociada con un error de pronóstico del 1% con la siguiente fórmula:
Cada número estimado de sobreprevisión y subprevisión representa un rango de costo potencial para un error de pronóstico del 1%. Multiplicar este número con el error porcentual absoluto medio mensual respectivo (MAPE) puede proporcionar el costo total potencial del error de pronóstico incurrido por la organización por mes.
Una crítica válida a esta metodología es que lo anterior asume que el inventario excesivo se vuelve obsoleto. Este puede ser el caso o no, porque un inventario excesivo tendría algún valor, aunque un valor reducido. Esta reducción se puede incorporar en los cálculos del costo del error de pronóstico. También es un error común pensar únicamente en términos de MAPE, que es una evaluación común de la precisión del pronóstico, mientras que la desviación estándar de MAPE a lo largo del tiempo le diría cuánto fluctúa la precisión de su pronóstico.
Utilizando la metodología anterior, la empresa española de bebidas, que produce alrededor de 7,5 millones de latas de su bebida al mes, está perdiendo cerca de 4,0 millones de euros con SOLO un error de pronóstico del 1%. La mejora prevista de más del 35%, por tanto, puede traducirse en una cantidad importante que tiene un impacto significativo en la rentabilidad de la empresa.
Obviamente, puede haber más factores que incluir y los cálculos ciertamente pueden complicarse más. Por lo tanto, este enfoque ofrece un método sencillo para simplificar enormemente los esfuerzos de cálculo y proporcionar una estimación aproximada. Lo que muestra este método es que el costo del error de pronóstico se puede cuantificar y de manera relativamente sencilla. Los resultados que utilizan este método ejemplifican además que el costo del error de pronóstico en las organizaciones no es trivial.
Aunque claramente no es una panacea y podría decirse que es una simplificación excesiva de la estimación del vínculo entre la precisión del pronóstico y el resultado final, el método puede identificar rápidamente estimaciones aproximadas sobre las cuales discutir cuál podría ser el impacto "verdadero".
La empresa española de bebidas utilizó este método para destacar la importancia del esfuerzo de previsión de ventas debido al impacto financiero. La atención de la dirección en todos los departamentos de la organización se estimuló sin duda cuando el problema monetizado. Además, este ejercicio justificó el costo de contratar una agencia analítica para crear modelos de pronóstico avanzados personalizados para diferentes productos con el fin de lograr la mayor precisión de pronóstico posible.
El vínculo entre la previsión y el resultado final es un tema emergente y una cuestión primordial para la alta dirección de las empresas hoy en día. Utilizar un software para pronosticar con el único propósito de pronosticar, a pesar del alto grado de error de pronóstico, no es algo con lo que se deba jugar. Una mala previsión puede resultar muy costosa para las organizaciones, mientras que pronosticar mejor puede ahorrarle millones de euros.
