Blog, Estimación de Demanda

¿A quién le importa la proyección de la demanda?

Es muy difícil hacer proyecciones, especialmente sobre el futuro.

Yogi Berra

Seguramente has escuchado hablar de software, algoritmos, gurús, inteligencia artificial y otras técnicas esotéricas para predecir la demanda. ¿Es realmente taaaaaan importante? ¿Qué tanto beneficio real puedes obtener en tu negocio por mejorar un poco la puntería de una estimación de la demanda, que por lo demás nunca será exacta?

Para responder esto, vamos a hacer un ejercicio simple, y te vamos a entregar los cálculos para que los puedas ver tu mismo.

Imaginemos que vendes un producto, y que cada día tienes que decidir el nivel de inventario para el día siguiente.

Supongamos que para eso cuentas con dos modelos predictivos, uno más simple y menos preciso que el otro.

El modelo más simple tampoco es tan malo. De hecho, utiliza la venta esperada para el mes y distingue la estacionalidad entre los días de semana y los fines de semana. Basándonos en datos históricos, sabemos que los fines de semana concentran un 37,5% de la venta. Por otro lado, el modelo más preciso distingue la estacionalidad específica de cada día de la semana. Las estacionalidades que vamos a usar se muestran en la siguiente tabla:

Supongamos también que este producto, que puede ser un helado o un refresco, se comporta diferente según la temperatura del día, que podemos conocer el día antes. Por cada grado por sobre el promedio histórico, las ventas aumentan un 3%. Así, si un día de mucho calor en el que la temperatura está 5° por sobre el promedio del mes, las ventas aumentan en un 5×3% = 15%. El modelo más preciso considera este efecto de la temperatura media sobre las ventas.

Lógicamente, siempre existen efectos aleatorios que hacen que la demanda nunca sea predecible de forma exacta. Por ejemplo, acciones de precio y promociones de la competencia, o quiebres de inventario de productos sustitutos o complementarios. Vamos a suponer que cada día la venta puede variar de forma impredecible hasta en un 30% arriba o abajo, en torno al promedio.

Una simulación de la venta real para un mes y de las proyecciones de los dos modelos se ve así:

En el gráfico se ve como el modelo menos preciso tiene dos niveles de demanda ya que sólo distingue entre los días de la semana y los fines de semana. El modelo más preciso distingue el comportamiento para cada día de la semana.

Recordemos también hay dos efectos aleatorios que actúan sobre la demanda: la temperatura y una variación impredecible. El modelo más preciso toma en cuenta el primero de estos efectos, pero ninguno de los dos modelos es capaz de anticipar el segundo. Por eso, ninguno de los dos modelos es capaz de predecir exactamente la demanda. Aun así, se ve como el modelo más preciso está más cerca de la demanda real.

Veamos ahora el cálculo del inventario. Vamos a calcular el inventario del día siguiente considerando la proyección de demanda, más un 25% por seguridad. La reposición para ese día será ese inventario calculado, menos lo que sobró del día anterior.

Finalmente, la venta será el mínimo entre la demanda y el inventario disponible. Es decir, en caso de que la demanda sea superior al inventario, hay un quiebre y se pierde la venta. Si ese día sobra inventario, queda para el día siguiente.

Es un escenario muy simplificado, pero nos sirve para sobre pensar la pregunta que nos interesa: ¿vale realmente la pena darse el trabajo de modelar la demanda con precisión?

Veamos los resultados. Para eso, simulamos 500 casos distintos, y esto fue lo que obtuvimos:

Analicemos estos datos. El MAPE (“Mean Absolute Percentage Error”) nos muestra el error de las proyecciones con respecto a la realidad. Lógicamente el segundo modelo tiene un error menor. Eso lo sabíamos.

No hay diferencias importantes en los niveles de inventario. Nada muy interesante por el momento.

En los quiebres de inventario ya hay una diferencia importante: el modelo más preciso tiene un 10,2% menos de quiebres. Esto significa que en 100 días hubo 11 en los que ambos modelos se quedaron sin inventario, y 10 días en los que el modelo menos preciso se quedó sin inventario, mientras que el otro modelo predictivo si pudo generar ventas al anticipar mejor la demanda. Es una mejora importante.

Veamos ahora las ventas. Aquí sí que hay diferencias: ¡el modelo más preciso generó un 2,7% más de ventas! Al haber menos quiebres con una mejor proyección de la demanda, los clientes fueron capaces de encontrar y comprar los productos más veces.

Es interesante notar que este beneficio es “gratis”: se genera sólo por mejorar tu abastecimiento al predecir mejor la demanda. Sin mejoras en la red logística, calidad del producto, ahorros en costos, promociones, publicidad, reestructuraciones, gurúes estratégicos ni sacrificios a los dioses. Sólo por afinar la puntería.

Notar que este análisis sólo está considerando el efecto de los quiebres en la venta perdida. No estamos hablando de lo que les pasa a tus clientes cuando buscan tu producto y no lo encuentran. Estaremos de acuerdo en que no quedarán muy contentos, como lo confirman estudios internacionales[1]. Y tú tampoco, especialmente si terminan comprando productos de tu competencia.

Yo al menos si trataría de estimar bien la demanda.

Archivo Excel con los datos utilizados


[1] Un 55% de los compradores calificaron la experiencia de no encontrar un producto como, al menos, “más bien molesta”: “The impact of Out Of Stock on the shopper’s behavior, Barcellona”, Silvia Scalia – ECR Italy, 9th February 2017.

 

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *