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.
