Previsión de demanda: cuando la hoja de cálculo ya no basta

En casi todas las empresas de distribución, industria o comercio minorista hay una hoja de cálculo de previsión. La construyó alguien competente a lo largo de los años, y funciona razonablemente bien. Hasta el día en que la demanda cambia de patrón y nadie entiende por qué a tiempo. La pregunta es si hoy existen métodos claramente mejores, y la investigación tiene una respuesta.

La competición M5

Las competiciones M, organizadas desde 1982 por Spyros Makridakis, son la referencia mundial en métodos de previsión. La quinta edición, en 2020, usó datos reales de Walmart: 42.840 series de ventas organizadas en jerarquía, desde el total hasta cada producto en cada tienda, con previsiones solicitadas para 30.490 combinaciones de producto y tienda. Participaron 5.507 equipos de 101 países (Makridakis, Spiliotis y Assimakopoulos, 2022).

El resultado marcó un punto de inflexión. Fue la primera competición M en la que todos los métodos de cabeza fueron de aprendizaje automático puro y claramente mejores que todos los métodos estadísticos de referencia.

El método ganador fue un 22,4 % más preciso que el mejor método estadístico de referencia. Los cinco primeros superaron todos la barrera del 20 %.

Qué hicieron distinto los ganadores

Tres ingredientes se repiten en los métodos de cabeza:

1. Aprender de muchas series a la vez. En lugar de un modelo por producto, un modelo entrenado con todos los productos y tiendas. Los autores lo llaman cross-learning (aprendizaje cruzado), y prácticamente los 50 mejores métodos lo usaron.
2. Información externa. Precios, promociones y eventos del calendario. Incluso en los métodos estadísticos clásicos, añadir estas variables mejoró la precisión entre un 6 % y un 13 %.
3. Árboles de decisión con gradient boosting. La mayoría de los métodos de cabeza usó LightGBM, una técnica de aprendizaje automático rápida y robusta que combina muchos árboles de decisión sencillos y que hoy está ampliamente disponible.

Dónde están los límites

La competición también muestra lo que el aprendizaje automático no resuelve. La mejora fue grande en los niveles agregados, en torno al 40 % en el total de ventas, pero pequeña al nivel de cada producto en cada tienda, donde rondó el 3 %. La demanda de un artículo concreto, en un día, en una tienda, sigue siendo en buena medida impredecible. Solo el 7,5 % de los equipos batió al método de referencia. Y los autores recuerdan que los resultados proceden de un único minorista y de un único sector.

Lo que esto significa para tu operación

• Prevé al nivel al que decides: si la decisión es el pedido semanal al proveedor por familia de artículos, ahí es donde la mejora es mayor.
• Usa la información que ya tienes. Precios, promociones y calendario están casi siempre en algún sistema, y la M5 muestra que valen más que un algoritmo sofisticado sin ellos.
• Planifica el stock en función de la incertidumbre. Un buen modelo devuelve una estimación con su incertidumbre: los artículos con una previsión estable necesitan menos stock de seguridad, y los inciertos, más.
• Antes de cambiar, ejecuta el modelo en paralelo con el método actual durante unas semanas y mide los errores de ambos, para decidir con cifras de tu propia operación.