prueba1

Automatización de la predicción de la demanda

Predicción automatizada de la demanda

¿Cuánto material necesitamos comprar las próximas semanas? ¿Cuándo vamos a necesitar producir un determinado producto? ¿Tenemos suficientes capacidades para cubrir la demanda? Estas son algunas de las preguntas que tratan de dar respuesta las empresas diariamente. La predicción de la demanda de sus productos es esencial para una planificación eficiente dentro de las empresas y puede dar la solución óptima a esas preguntas. Es común tener cientos de productos de los cuáles se necesita conocer la demanda al menos mensualmente. Incluso cuando se requiere un número menor de pronósticos, puede que no haya nadie lo suficientemente capacitado en el uso de modelos predictivos. En estas circunstancias, un algoritmo de pronóstico automático puede ser una herramienta muy valiosa.

Los algoritmos predictivos

En general existen dos tipos de métodos para hacer predicciones: los métodos cualitativos y los métodos cuantitativos. Mientras que los métodos cualitativos, como puede ser el método Delphi, están basados en el conocimiento y la opinión de expertos, los métodos cuantitativos utilizan datos del pasado dentro de modelos matemáticos para hacer las predicciones. En el caso de tener un producto nuevo sobre el que no existen datos o en proyectos estratégicos en los que muchos factores son de importancia, los métodos cualitativos pueden mostrar un mejor desempeño. No obstante, con la disponibilidad de más datos y el aumento de las capacidades computacionales los métodos cuantitativos son cada vez más habituales. Además, estos métodos pueden ser automatizados y no dependen del conocimiento de expertos. Por lo tanto, vamos a describir algunos métodos cuantitativos en detalle.

Las predicciones son un área de investigación con mucha tradición y se han desarrollado gran cantidad de modelos y algoritmos. Aun así, al haber muchas diferencias entre la demanda de un producto y la demanda de otro, no hay ningún modelo que sea perfecto para la predicción de todos los productos. Por eso en LIS-Solutions utilizamos diferentes algoritmos predictivos para asegurar así la calidad predictiva. Los métodos se pueden agrupar en las siguientes familias: 

  • Métodos Ingenuos.
  • Métodos de Exponential Smoothing.
  • Métodos de ARIMA.
  • Otros métodos.

Todos ellos se basan únicamente en el histórico de la demanda para calcular la predicción. Su ajuste para cada producto puede ser automatizado y por lo tanto son ideales para la automatización de las predicciones.

Los métodos Ingenuos son muy simples y utilizan valores del histórico para la predicción. Uno de estos métodos es el método Ingenuo básico, en el que, la predicción corresponde al último valor observado. Otro método, es el método Ingenuo estacional, éste utiliza el valor durante la misma época de año anterior como predicción. Aunque muchas veces estos métodos no son muy precisos hay situaciones en las que su uso puede ser adecuado. Por ejemplo, se usan frecuentemente en el sector financiero. 

Los métodos Exponential Smoothing están basados en el modelo de componentes de las series temporales. En este modelo, la serie temporal se divide en la tendencia, las estaciones y un componente de error, los cuales son extrapolados para crear la predicción. Mediante fórmulas de recursión en las que el último valor es combinado con una media móvil de los valores históricos se calculan los valores futuros. Estos métodos son muy frecuentes y se adecuan sobre todo para la predicción de la demanda regida por tendencias y estaciones claras. 

Prophet es un algoritmo basado en las mismas ideas. Fue desarrollado por ingenieros de Facebook. Igual que en los métodos de Exponential Smoothing la serie temporal es dividida en componentes permitiendo adicionalmente incluir la influencia de vacaciones y estaciones en múltiples niveles temporales. Las diferentes componentes son modelados mediante diferentes funciones (crecimiento logístico, series de Fourier, auto-regresiones). Este algoritmo consigue predecir demandas con patrones estacionales superpuestos, es decir, patrones que se integran entre sí y tendencias a nivel de horas (predicción de visitas a página web), de días o semanas. 

Igual que los métodos de Exponential Smoothing los modelos de ARIMA tienen una larga tradición en la predicción de series temporales y la demanda. Estos modelos combinan modelos de auto-regresiones (AR) y medias móviles (MA) con datos integrados (I). Los modelos de auto-regresiones representan una combinación lineal de los valores pasados a corto plazo. En los modelos de medias móviles se combinan factores aleatorios pasados. Para funcionar correctamente los datos deben ser estacionarios. Para eliminar posibles tendencias o estaciones los datos se integran. Estos factores son agregados de nuevo al final del cálculo. Los modelos de ARIMA se adecuan para series temporales en las que la influencia de valores pasados a corto plazo es significativa.

Con estos diferentes tipos de métodos es posible predecir todo tipo de demandas a nivel diario, mensual o anual. Automatizando los algoritmos estas predicciones pueden ser calculadas regularmente sin ninguna interacción manual.

Elección del método óptimo

Todos estos métodos tienen sus fortalezas y debilidades. Usar solo uno de estos algoritmos no llevaría a un resultado satisfactorio. Entonces: ¿Cuándo debemos usar que método? Esta pregunta a veces se puede responder observando la serie temporal de la demanda y sus características. No obstante, esto es imposible si se necesitan miles de predicciones. Para estos casos podemos generar un modelo de clasificación creado con algoritmos de Machine Learning. Los algoritmos de Machine Learning (ejemplo: Support Vector Machine o Árboles de Clasificación) son alimentados con metadatos del histórico que incluyen por un lado las características de la serie temporal (fuerza de la tendencia, estaciones, autocorrelación, entropía, etc.) y por otro lado el método óptimo para cada serie temporal. Los algoritmos de Machine Learning reconocen relaciones entre las características de la serie temporal y el método óptimo y así crean un modelo de clasificación. Este modelo de clasificación puede ser aplicado a cualquier serie temporal y sus características para obtener el método a aplicar para la predicción.

Evaluación de las predicciones

Usando múltiples métodos de predicción y eligiendo siempre el más adecuado conseguimos optimizar las predicciones y minimizar su error. No obstante, no es posible eliminar el error completamente. Por ese motivo, es esencial calcular el error de la predicción para que el usuario pueda evaluar la predicción y su fiabilidad. Con la ayuda de una validación cruzada del método de predicción elegido conseguimos estimar el error de la predicción en el futuro. Para calcular el error de la predicción se calculan predicciones de prueba dentro de los datos históricos. Estas predicciones de prueba son comparadas con los datos disponibles calculando el error estimado de la predicción real.

Definiendo límites para el error de la predicción se puede evaluar si la predicción es fiable o no. Adicionalmente, los algoritmos predictivos calculan rangos de confianza que igualmente transmiten la fiabilidad de la predicción. 

En LIS-Solutions desarrollamos sistemas automatizados con diferentes métodos de predicción que pueden predecir la demanda de miles de productos regularmente reduciendo a un mínimo el error de predicción y comunicando transparentemente su fiabilidad. Con esta información podemos saber cuándo debemos de producir, qué producto o cuánto material deberemos comprar. Finalmente optimizamos la planificación aumentando su eficiencia y reduciendo los costes. 

Para más información contáctenos en  info@lis-solutions.es

COMPARTE ESTE POST

Deja un comentario