Por Karen Joslyn – Gerente General de SAS Argentina.

Muchas personas están trabajando en el problema de la previsión desde hace años y aún no han descubierto la “fórmula mágica”, o sea, ningún método estadístico puede garantizar que nuestras estimaciones serán exactas, tal como lo deseamos. Un progreso aún mayor está ocurriendo en las áreas de automatización, escalabilidad y en la incorporación de evaluación estructurada.

Puntos destacados
La variedad de aspectos relacionados a la previsión de negocios continúa creciendo. La visión de futuro ya no se refiere apenas al planeamiento de demanda o de provisión. Los elementos de la previsión están incorporados en una amplia gama de desafíos de negocios, incluyendo todas las industrias. Los fabricantes del sector automotriz y las compañías de productos para consumidores se preocupan por las devoluciones de mercaderías y reclamos sobre la garantía de los productos. Las operadoras de telefonía y las emisoras de tarjetas de crédito están atentas a la “agitación” de su base de clientes. Las compañías financieras observan con cautela los riesgos y el incumplimiento de pagos. Las compañías aéreas se preocupan con cada central de reservas y con los miembros de la tripulación. Los fabricantes se enfocan en la previsión de mantenimiento en sus fábricas. La buena estimación permite que todos estos tipos de organizaciones operen más eficientemente, aumentando la satisfacción de los clientes y ampliando las ganancias.

La escala de los desafíos relacionados a la previsión de negocios ha aumentado. Un ejemplo de eso es el sector minorista (retail o supermercadismo), en el cual procesos estadísticos más rigurosos de planeamiento están comenzando a sustituir al “arte” de la comercialización (o por lo menos a ampliarlo). Los retailers desean saber qué venderán y a qué precio, cuáles serán las promociones más efectivas y la mejor estrategia para hacer una liquidación cuando un producto estuviera fuera de su época de venta. Todas esas preguntas tienen base en la previsión. Sumemos a esos aspectos de optimización de recursos el punto más fundamental sobre cómo los minoristas deben abastecer y reabastecer los stocks de sus tiendas, y el desafío es enorme. Grandes supermercadismos y canales trabajan con decenas de millares de artículos, que son vendidos en centenas o millares de tiendas. La necesidad de millones de previsiones no es algo extraño.

Es crucial distinguir las previsiones de “mayor valor” para que reciban atención especial, mientras son automatizadas aquellas que “no son tan valiosas”. Ninguna organización puede darse el lujo de contratar centenas o incluso miles de analistas para, individualmente, modelar y hacer previsiones de cada serie. Es importante distinguir las estimaciones de mayor valor (como un TV de plasma cuesta USD 5.000 en un fabricante de productos electrónicos) de la gran mayoría de ítems de menor importancia y aplicar el abordaje adecuado a cada una de ellas. La automatización en gran escala puede ser utilizada para indicar cuáles son los productos y locales de menor importancia, mientras que los analistas aún tienen acceso a sofisticadas soluciones para realizar evaluaciones de mayor valor. Esas soluciones deben ser capaces de lidiar con ambas necesidades, proveyendo previsiones de calidad de forma automatizada, al mismo tiempo que atiende las exigencias de analistas con experiencia en estadística.

Es necesario lidiar con “productos en continua evolución”. Con la proliferación de nuevas mercaderías y menores ciclos de vida, puede ser imposible obtener toda la información que un analista de previsiones precisa para la creación de un buen modelo. En los sectores de computadoras personales y de productos electrónicos para consumidores, por ejemplo, los ciclos de vida de los productos generalmente varían de tres a dieciocho meses. La ropa de moda será vendida apenas en una temporada. Las soluciones deberán proveer recursos para que los analistas puedan “encadenar” la historia de los ítems actuales con los anteriores, a fin de mejorar la demanda de productos similares a partir del historial.

La previsión con base en un sólo modelo ya no existe. En lugar de una selección rudimentaria, para “escoger lo mejor” a partir de una serie de modelos previamente especificados por el analista, la solución de análisis debe tener condiciones para considerar miles de modelos a partir de una variedad de familias. Las soluciones actuales cuentan con esta facultad. Para que la automatización de previsiones a gran escala tenga éxito, el sistema precisa considerar los modelos más apropiados a los patrones de demanda que serán encontrados.

La cantidad y calidad de los datos continúan en aumento. Tal vez, más importante que perfeccionar los modelos de previsión estadística sea aumentar los tipos y cantidad de datos disponibles. Actualmente la información de puntos de venta en el negocio minorista está a disposición, permitiendo a los fabricantes acompañar el comportamiento del consumo. Internet es otra fuente para la obtención de datos. Hoy es posible encontrar información relacionada a la previsión de tiempo, indicadores económicos y otros tipos de datos que pueden ser analizados. Mientras tanto, considerando todas las nuevas fuentes, aún es necesario que la solución consiga distinguir automáticamente las variables útiles de aquellas que no son tan importantes.

El uso de evaluación estructurada mejora la colaboración. Procesos de previsión elaborados, tales como Planeamiento, Previsión y Reabastecimiento Colaborativos (Collaborative Planning, Forecasting, and Replenishment – CPFR) han evolucionado en los últimos años. El CPFR facilita el ingreso de nuevos participantes – tanto internos (ventas, marketing, finanzas, operaciones, etc) como externos (clientes y proveedores). Actualmente, la solución lidia mejor con esas diversas inserciones, y varios proveedores ofrecen módulos especiales de planeamiento de ventas y operaciones. Con todo, las cuestiones fundamentales permanecen: esos participantes adicionales agregan algún valor al mejorar las previsiones? O ellos apenas posibilitan que más tendencias y opiniones se infiltren en lo que debería ser un proceso objetivo y científico? Las técnicas de evaluación estructurada mejorarán el patrón de colaboración, al proveer feedback sobre los participantes del proceso, identificando fuentes de tendencias crónicas y permitiendo correcciones. Simplemente incrementar las oportunidades para que las personas realicen una previsión puede tornar el proceso menos eficiente. La solución precisará incorporar el rastreo de las etapas y de los participantes del proceso, identificando el “valor agregado” de esas iniciativas, en perfeccionamiento de la precisión. El resultado será un proceso de previsión “limpio”, del cual fueron excluidas todas las actividades innecesarias, proporcionando un análisis tan bueno y eficiente como se puede esperar.

El significado de todo
A pesar de saber qué datos, tecnologías y métodos de previsión continuarán mejorando, aún no está claramente definido cuánto se reducirán los errores de las estimaciones en realidad. Por el momento, dos fuerzas contrarias son evidentes: soluciones de previsión están mejorando, pero los patrones de demanda están, frecuentemente, empeorando. Patrones simples, recurrentes y de larga duración pueden ser previstos muy bien, con técnicas simples. Pero los complejos, altamente volátiles y de corta duración, con tiempos de espera más largos, son, más difíciles de ser previstos – incluso con mejores técnicas. La tendencia es que los profesionales de inteligencia de negocios tengan que lidiar más frecuentemente con el último tipo mencionado. La “previsibilidad” de un patrón de demanda, entonces, pasa a ser una consideración más importante que los medios que utilizamos para preverlos. La demanda siempre tendrá un componente esencialmente aleatorio. Que la solución sea capaz de obtener el nivel, atención, estacionalidad y un componente cíclico de largo plazo, a partir del historial de demanda, algunos elementos de “ruido” (aleatoriedades) siempre permanecerán. Es la cantidad de ruido en la demanda lo que determina el límite superior de su previsibilidad. Resumiendo, tenemos mejores datos, computadoras, soluciones y métodos estadísticos que nunca, y continúan mejorando. Esas mejoras nos llevarán a desafíos de análisis incluso más difíciles, en una escala que nunca sería considerada sin el avance de las técnicas automatizadas en gran escala. Tal vez, el único medio cierto para eliminar los errores de previsión sea eliminar la necesidad de intentar ver el futuro, perfeccionando la flexibilidad y la capacidad de respuesta de nuestros recursos de atención de demanda. Hasta que eso acontezca, aquellos que estén en la “segunda profesión más antigua del mundo” deberán tener un futuro ocupado.

Acerca de SAS

SAS es la empresa líder en software y servicios de inteligencia analítica y de negocios. Los clientes de 40.000 centros usan el software de SAS para mejorar su desempeño mediante la perspicaz comprensión de vastas cantidades de datos, lo que produce decisiones comerciales más rápidas y exactas, relaciones más rentables con clientes y proveedores, conformidad con los reglamentos gubernamentales, logros revolucionarios en investigación y productos de mejor calidad. Sólo SAS ofrece integración puntera de datos, almacenamiento de inteligencia, analítica avanzada y aplicaciones de inteligencia empresarial en una exhaustiva plataforma de inteligencia empresarial. Desde 1976, SAS ha estado brindando The Power to Know® a los clientes de todo el mundo. www.sas.com/argentina

SAS y todo otro nombre de producto o servicio de SAS Institute Inc. es la marca comercial registrada o marca comercial de SAS Institute Inc. en Estados Unidos y en otros países. ® indica registro en Estados Unidos. Otros nombres de marca y producto son las marcas comerciales de sus empresas respectivas. © 2006