Una de las mayores dificultades de negocio en el ámbito de la planificación en todas las áreas de la empresa: demanda, procesos operativos, recursos, compras… la encontramos en momentos de incertidumbre donde la generación de previsiones de negocio parece prácticamente imposible de gestionar.
Hemos sido testigos en el último año de dos grandes ejemplos de “momentos de incertidumbre” como la pandemia o la borrasca Filomena. Pero tampoco tienen que acaecer hechos tan excepcionales: la convocatoria de una huelga, por ejemplo, introduce estos factores de incertidumbre que nos dificulta la generación de previsiones de negocio.
Lo cierto es que vivimos en un mundo en el que es muy común encontrarnos ejemplos de previsiones con estos umbrales altos de incertidumbre y no tan lejanos de nuestra cotidianidad. Todos los días vemos la previsión del tiempo y la asumimos conocedores de los rangos de probabilidad que se da para cada uno de los valores de temperatura, lluvias, y viento.
Otro ejemplo claro al que estamos acostumbrados son la forma en la que se nos presenta, leemos e interpretamos los sondeos en época de elecciones. Este sistema se basa en diferentes metodologías de asignación de escaños, basados en encuestas, donde se extrapola la distribución de los mismos, siempre con intervalos de confianza, identificando normalmente mínimos y máximos escaños estimados para cada partido.
Fuente: El País
Si bien esto es cierto, cuando es en el plano de los negocios, la dificultad sigue ahí. ¿Cómo gestionar momentos en el que el impacto ha sido tal que todo lo que teníamos aprendido de nuestros negocios deja de ser válido? Estamos frente a una circunstancia nunca vista. El impacto de la pandemia y del confinamiento ha sido muy relevante en muchos sectores.
Fuente: Elaboración propia
¿Qué estrategias podemos seguir?
Desde el punto de vista del tratamiento de datos, aplicación de modelos matemáticos y algorítmicos de machine learning, podemos aplicar ciertas estrategias que facilitan la gestión de las previsiones en estos episodios complejos de negocio:
1. Aplicar modelos predictivos a corto plazo, basados en datos más recientes. Se puede cambiar la parametrización o los modelos aplicados en las previsiones para que, en lugar de darle peso a los años de historia, sean mucho más reactivos a los datos de corto plazo: la semana anterior, el mismo día de la semana anterior o la media de los datos de la semana anterior.
2. Introducir datos externos que ayuden a los modelos a rectificar previsiones debido al impacto en el negocio de los mismos. Estos datos pueden ayudar a reducir la incertidumbre. Un par de ejemplos:
- Conociendo el impacto que el confinamiento supuso en los negocios entre el mes de marzo y junio de 2020, este mismo impacto se podría haber previsto para el confinamiento que meses después se daría en Portugal.
- Con las previsiones meteorológicas (aunque se vieran desbordadas en algunos puntos del país) de la borrasca Filomena, conociendo el impacto previo de borrascas anteriores, podría haberse inferido un impacto en las previsiones.
Si no es posible conocer el evento con antelación, siempre podemos “explicárselo” al modelo. Se le entrena con datos históricos para que interprete que, en un rango específico de fechas, ocurrieron ciertas circunstancias excepcionales. De esta manera, las predicciones futuras no quedan distorsionadas por ellas.
3. Entendiendo bien los elementos que componen una previsión, se puede descomponer la serie en los mismos, de forma que se pueda simular su evolución. Se puede así aplicar el impacto en aquellos elementos que se entiendan más afectados por un evento extraordinario concreto. Ejemplo de un modelo epidemiológico:
Fuente: Our World in Data
4. Por último, y en la misma línea de las previsiones meteorológicas o sondeos electorales, puede ser de ayuda estimar la incertidumbre de cara a la interpretación de las previsiones para la toma de decisiones. Algunas técnicas predictivas permiten generar bandas de confianza junto a las predicciones.
Fuente: Elaboración propia
En cualquiera de los casos, el mensaje que subyace es que es siempre mejor tener una base de previsiones en la que apoyarse y poder tomar acción, que carecer de ella.
En palabras de George E.P. Box, “All models are wrong, but some are useful”.
