Indicadores de Error de Pronósticos 2 | Tipos de Error

En el articulo de Nicolás, el ERROR DE PRONOSTICO se define como el valor real menos el valor del pronóstico para cada periodo.

Aquí particularmente prefiero medirlo como el valor real menos el valor de pronostico; pueden ver que la diferencia está en el signo del error, por lo que conceptualmente será lo mismo.

Más allá de esta pequeña diferencia, todos los conceptos de error son iguales dado que en ultima instancia estaremos midiendo el Error Absoluto, o sea, mas allá del signo del error, el objetivo es ser conscientes del error cometido y tomar acciones para corregirlo.

Error de Pronostico = Valor Actual - Valor Pronosticado

Si tenemos una determinada cantidad de mediciones de este error, debido a varios periodos en los cuales se ha aplicado el pronóstico, el BIAS será el promedio de esos errores.

BIAS = Suma de los errores calculados Dividido la cantidad de errores

Ya podemos darnos cuenta que si el error es muy grande, ese valor castigará a los errores que se cometieran en otros periodos.

Esto se debe a que estamos manejando un promedio, haciendo que el BIAS no sea un buen predictor del error, pero podemos darnos cuenta en que dirección se encuentra y comenzar a tomar algunas decisiones respecto a los modelos utilizados.

Si el BIAS siempre es del mismo signo y tiene siempre una misma magnitud, deberemos ver cual es el periodo que mas impacto tiene.

En mi experiencia los mayores valores de Error y de BIAS se han producido cuando se quiere realizar un cambio de pronostico colocando información sin argumentos solidos.

Con esto quiero decir que la intervención de un pronostico calculado "es importante", pero siguiendo ciertos lineamientos adecuados para que no se salga de control.

Por ejemplo si el pronóstico de un articulo es 10, pero el área comercial tiene información fidedigna de que será 20 debido a información de ultimo momento del cliente, es correcto pensar en 20 unidades, pero en ocasiones los argumentos no son sólidos.

Así que en tus cálculos de Error trata de identificar hacia donde se dirige, por cuanto tiempo ha sido del mismo signo (positivo, negativo), cual es impacto que ha tenido en la realidad.

El objetivo es ser conscientes del impacto de cada decisión y tener una bitácora para que todas las personas que influyen en el pronóstico puedan mejorarlo periodo a periodo.

Indicadores de Error de Pronósticos 1 | Sesgo y Precisión

Uno de los autores que mas sigo en Linkedin es Nicolas Vandeput, mas que nada debido a la claridad en sus explicaciones de modelos estadísticos

Es el caso de modelos que al principio parecen complejos y que es necesario conocer al detalle para saber como impacta la dinámica de las decisiones.

En este caso, me he apoyado en un post que realizó en towardsdatascience.com respecto al error del pronostico de demanda y la interpretación de los KPI.

Pueden ver el articulo completo haciendo click aqui

A continuación me gustaría dar mi visión de como esto impacta en la realidad y como podemos mejorar continuamente las precisiones.

Medir la precisión de pronostico no esta supeditado a una metodología en particular, dicha medición será necesaria adaptarla en función del objetivo de la medición. Cada Indicador evitará algunos errores pero será propenso a otros.

Lo que primero debemos dejar claro es la diferencia entre precisión de pronostico (precision) y sesgo (accuracy)

El sesgo representa el error histórico promedio, dicho en otras palabras nos dice si el pronostico está demasiado alto o demasiado bajo. Esto nos permite saber la dirección general del error. Como se trata del error promedio, aquí entra en juego la variable tiempo.

Es el típico caso que se presenta cuando vemos periodo a periodo que el error está del mismo lado y en la misma cantidad promedio. 

La Precisión nos indica cuanto margen hay entre el pronostico y el valor real, pueden estar muy concentrados en un punto, o totalmente dispersos en un área mas grande.

La precisión de pronostico nos da una idea de la magnitud del error, pero no de su dirección.

Es por ello que los dos indicadores deben verse juntos y medirse de tal forma que veamos el efecto de uno sobre el otro.

En los próximos posts entraremos de lleno en el detalle de la medición de los errores y sus precisiones.

A lo que llamamos Supply Chain Intelligence

Es sabido que cuando un producto está en el universo de posibilidades en las cuales puede estar, comienzan a aparecer preguntas tales como las siguientes:

¿Es rentable dicho producto en donde se encuentra actualmente?

¿Puede estar en una lugar de la cadena de suministros donde aporte más valor?

¿El estado de producto es tal que cumple con las expectativas del mercado?

Si no es ese producto, ¿Qué otro producto puede reemplazarlo para maximizar las ganancias?

Estas y otras preguntas pueden responderse con analisis de cada producto y en cada posición en la cual se encuentre. Ahora, el problema se genera cuando la cantidad de productos aumenta enormemente, la posibilidades de suministros también, y el mercado cambia día a día, hora a hora, etc.

Es allí donde la ciencia de datos sumada a la administración de la cadena de suministros entran en acción para poder dar soluciones mas precisas.

Esto es básicamente lo que la Supply Chain Intelligence persigue.

Para analizar la performance de nuestros productos en forma global teniendo en cuentas todas las relaciones que impactan en él, deberemos tener el conocimiento, los datos y el flujo permanente de información para poder hacerlo en forma eficiente.