La planificación de demanda es clave en la mayoría de industrias productivas o de distribución. Las soluciones avanzadas de planificación de demanda llevan décadas implantándose en estos sectores, y son el punto de partida sobre el que se toman todas las decisiones de planificación de producción, movimientos de almacenes y aprovisionamientos.
Con el boom del Big Data y del Data Science, la aplicación de algoritmos de aprendizaje automático, la planificación de demanda denominada analítica ha venido a desbancar a esta otra tradicional, pero ¿por qué esta revolución en la planificación de demanda basada en técnicas de Data Science?
De un modo simplista, parecería que no existen grandes diferencias entre una y otra, sin embargo, apuntamos aquí las principales.
Heurística o Datos
La heurística se puede entender como la elaboración de medios auxiliares, principios, reglas, estrategias y programas que faciliten la búsqueda de vías de solución a problemas. Esto quiere decir, en el caso de la planificación de demanda tradicional, que aplicamos nuestro conocimiento previo profundo de negocio sobre las previsiones.
En el caso de la planificación de demanda analítica, son los propios datos sobre los que aprenden los algoritmos (aprendizaje automático). Por supuesto, el conocimiento de negocio juega un papel importante, principalmente en el momento de la definición de las variables relevantes, que no serán simplemente el “histórico de ventas”.
En un ejemplo real, un planificador de demanda con más de 20 años de experiencia en el sector de la alimentación, obtenía, teniendo en cuenta la exigencia diaria de las promociones de la gran distribución y una gran variedad de referencias y ciclos de vida, una media de un 85% de accuarcy en sus previsiones de demanda. Dado el mismo problema, aplicando técnicas de Data Science, se obtuvieron resultados semejantes en sólo 6 semanas de trabajo, habiendo, además, automatizado el impacto de las promociones.
Selección de algoritmo óptimo
En las soluciones de planificación avanzada que llevan décadas implantándose, existe una selección finita de algoritmos que, según la complejidad a simple vista de la curva de los históricos de ventas, aplica uno u otro. La parametrización y el ajuste de estos algoritmos es compleja y normalmente no se llega a conocer en profundidad el comportamiento de los mismos.
Las librerías de algoritmos de software libre disponibles en el ecosistema del Data Science son extensas y en constante evolución. La aplicación del algoritmo óptimo a cada problema planteado es vital para los resultados de las previsiones. Esta selección y ajuste sólo puede ser llevado a cabo por expertos, por los denominados Data Scientists que, en muchas ocasiones, aplican algoritmos sencillos para poder entender el porqué de los resultados de los mismos y posteriormente, algoritmos más complejos, a veces de difícil entendimiento, pero con resultados óptimos.
Datos Externos
Los datos externos son vitales para entender el mundo en el que operan las empresas y los negocios. Son esos datos externos los que dan sentido a lo que pasó en un momento concreto del tiempo en un dato concreto de ventas.
La planificación de demanda tradicional generalmente ha tenido en cuenta básicamente datos externos como calendarios y festivos, ya que la combinación de otras fuentes de datos externos para su aplicación a modelos de previsión es compleja.
En el caso de la previsión de demanda analítica, los datos externos se convierten en los protagonistas.
En otro ejemplo real, una empresa de paquetería impactada por el auge del eCommerce. Sus previsiones de demanda tradicionales ya no les servían para poder prever la producción en sus grandes plazas con la anticipación suficiente para subcontratar tanto las furgonetas de reparto como los recursos de almacén, ya que con las desviaciones por encima del 15% perdían toda su flexibilidad. Planteado el problema desde la perspectiva analítica, se aplicaron fuentes de datos externas como calendarios, festivos (por supuesto), datos poblacionales, calendarios de eventos especiales (rebajas, black friday, promociones de los grandes players), información previsional de sus clientes principales y datos de tendencias del eCommerce.
Son estos datos, en concreto, los que explican cada uno de sus datos históricos de producciones. El resultado, han conseguido disminuir el error al 5% y, en consecuencia, poder optimizar su día a día en base a estas nuevas previsiones.
