La predicción de la demanda a nivel referencia/SKU es una necesidad fundamental en cualquier organización a nivel de planificación y ejecución de operaciones, por su enorme impacto económico derivado de la disponibilidad de producto y en general en el nivel de eficiencia de las operaciones.
Las metodologías de predicción de demanda se basan en el análisis de series históricas de ventas, a las que se aplican procesos de ciencia de datos para la detección de patrones ocultos.
Un enfoque riguroso de analítica avanzada puede afrontar con garantías la complejidad de la problemática de predicción, sobre todo en aquellos entornos con mucha granularidad de productos/referencias.
Hay múltiples algoritmos y modelos predictivos posibles para la realización de predicciones de demanda, desde modelos más estadísticos a modelos basados en Machine Learning e Inteligencia Artificial.
En este artículo veremos como el uso combinado de distintos modelos puede ser una solución adecuada en entornos de negocio complejos.
¿Por qué la predicción de demanda no es una tarea sencilla?
Predecir la demanda es una tarea compleja debido a múltiples factores influyentes en el nivel de demanda:
- acciones propias (comunicación, distribución, …)
- macroeconómicos
- competencia
- hábitos/necesidades de cliente final
- … etc
Por otra parte, en algunas compañías, el volumen de nº de referencias (por ejemplo, en empresas del sector retail, moda y complementos, etc.) puede añadir una complejidad adicional.
El rol de la Analítica avanzada, el ML y la IA en la predicción de demanda
La analítica avanzada, a través de aplicaciones de ML e IA, profundiza en el análisis de patrones de datos, lo que permite obtener buenos índices de precisión en las predicciones de demanda de las organizaciones.
La metodología de predicción de demanda es aplicable muy transversalmente a multitud de industrias y sectores de actividad.
Ejemplos de casos concretos aplicados en Kraz
En Kraz, como consultora analítica, hemos trabajado ya en numerosas ocasiones con este tipo de modelos para resolver casos como los que presentamos a continuación.
Caso 1: Empresa farmacéutica
Proyecto: Predicción de demanda a nivel producto y farmacia
Objetivos:
- Ofrecer al equipo comercial de visitadores de farmacia una información predictiva sobre próximos pedidos potenciales de cada producto en cada farmacia.
- Optimización de la actividad comercial (mejora en la selección de farmacias a visitar)
- Engagement equipo comercial (disponibilidad de mejores herramientas de gestión)
Caso 2: Empresa Sector Retail
Proyecto: Predicción de demanda a nivel SKU
Objetivos:
- Mejorar los procesos de aprovisionamiento de referencias y ajustar los niveles de stock a sus niveles óptimos de forma recurrente
- Mejora en servicio al cliente (entregas más fluidas, evitando problemas por falta de stock)
- Evaluación de potenciales promociones por referencia (impacto predictivo en ventas)
Análisis de series temporales previo a la modelización
Previamente a cualquier modelización, es importante realizar un análisis exhaustivo de las series temporales para comprender su comportamiento a lo largo del tiempo.
Entre los análisis a realizar, destacamos la observación de distintos patrones previos:
1. Tendencia
Dirección general en la que los datos cambian a lo largo del tiempo (creciente, decreciente, plana).
Fuente: https://towardsdatascience.com/removing-non-linear-trends-from-timeseries-data-b21f7567ed51
2. Granularidad
Posibles niveles de detalle de corte temporal de los datos: minuto a minuto, diario, semanal, mensual, etc.
3. Estacionalidad
Patrones que se repiten a lo largo del tiempo, influenciados por factores como las estaciones del año, días de la semana o eventos recurrentes.
Fuente: https://a-little-book-of-r-for-time-series.readthedocs.io/en/latest/src/timeseries.html
4. Estacionariedad
Estabilidad o variabilidad de la media y la varianza a lo largo del tiempo.
5. Autocorrelación
Correlación entre observaciones de una serie temporal con sus observaciones anteriores.
6. Otros
Detección de outliers, datos faltantes, correlación entre distintas series (distintos productos), etc.
Fuente: https://neptune.ai/blog/anomaly-detection-in-time-series
Tests de validación de modelos
1. Conjuntos de train y test
En todo proyecto de predicción de la demanda, los datos históricos se deben separar en conjuntos de entrenamiento (train dataset) y conjuntos de test (test dataset).
La proporción de los datasets de train y test puede variar en función de las necesidades y naturaleza del problema.
2. Conjuntos de train, validación y test
En la mayoría de los casos se va a probar la predicción con más de un modelo y uno de ellos será el seleccionado como “mejor modelo”. Para ello, es recomendable separar nuestros datos en tres conjuntos:
En la validación se van a evaluar los distintos modelos aplicados (de la misma manera que se ha visto en el dataset de test al aplicar un solo modelo) y se va a seleccionar el “mejor modelo”.
Se evalúa el rendimiento solamente de ese modelo seleccionado, entrenado ahora con los datasets train + validation.
Webinar Predicción de demanda, by Kraz
Hasta aquí ya hemos analizado las series temporales y los tests de validación. Una vez hecho esto, utilizaremos métricas de error que nos ayudarán a evaluar la precisión y el rendimiento de los modelos, cuantificando la diferencia entre las predicciones y los valores reales.
Pero… todo esto te lo contamos en el siguiente artículo del blog, donde hablaremos también sobre la predicción aislada vs las múltiples series temporales y los diferentes tipos de algoritmos aplicables a cada modelo, entre otros.
Y si quieres adelantarte el próximo artículo, en este vídeo de YouTube encontrarás la grabación de nuestro último webinar: El potencial de la Inteligencia Artificial en la predicción de la demanda. ¡No te lo pierdas! Pincha sobre la imagen y accede al webinar completo.
