Métodos de estimación de la demanda: desde estadística tradicional a los sistemas predictivos

La principal incógnita de cualquier empresa es cuánto va a vender, que cantidad de producto le va a solicitar el mercado. Y el por qué está claro, la demanda marca las necesidades de producción, almacenamiento, distribución, compras, mantenimiento, recursos humanos, y un largo etcétera que afecta al conjunto de la organización, ya que los departamentos condicionados por las ventas se extienden más allá de la propia cadena de suministro.

En este sentido, hay productos estables, con demandas de baja fluctuación, que han permitido tradicionalmente pronósticos acertados basados en los históricos de actividad, pero, día a día, la demanda aumenta su volatilidad fruto, por un lado, de las tendencias de consumo rápido y de las modas, y por otro, de las cada vez más frecuentes fluctuaciones meteorológicas, que pueden hacer que en campaña de invierno no se vendan calefactores por la llegada de temperaturas más cálidas de lo habitual o la demanda se dispare en una ola de frío llegada fuera de sus habituales meses de acción.

Un ejemplo de demanda inesperada y masiva la tenemos muy reciente. La necesidad de frecuentar espacios abiertos, evitar las relaciones sociales y permanecer más tiempo en casa, provocada por la crisis del COVID-19, disparó los requerimientos de piscinas y bicicletas que han permanecido agotadas en los canales de venta, tanto físicos como on line, y han acumulado importantes listas de espera.

Acontecimientos como la pandemia que estamos viviendo son imposibles de prever, pero si es posible estimar las necesidades de la población a corto plazo y largo plazo, teniendo ya como referencia grandes acontecimientos inesperados como este. El confinamiento en China, al que siguió el decretado en Italia, daban muchas pistas al mundo de que ese, seguramente, sería el camino a seguir por el resto de estados, lo que iba a afectar inexorablemente a las tendencias de consumo.

Con sistemas de previsión o predicción de la demanda, no se habría logrado una precisión del 100% en las estimaciones, pero si la suficiente efectividad como para adecuar, en gran medida, la oferta de la industria a las necesidades de los consumidores. Como su propio nombre indica, estas herramientas realizan previsiones o predicciones futuras del comportamiento de las ventas, basándose en datos objetivos, de distinto tipo en función del sistema de estimación que se elija. Veamos las opciones que tenemos y su entorno óptimo de aplicación.

Previsión estadística tradicional

La previsión estadística se utiliza hace décadas para realizar estimaciones de ventas, en base a los históricos de actividad. Estos sistemas parten de la premisa de que lo acontecido en campañas precedentes será, con alta probabilidad, lo que suceda en las venideras. Se da por hecho que las campañas son estables, dejando al descubierto eventos o situaciones inesperadas que pueden hacer que las ventas se desplomen o la demanda experimente importantes incrementos, a los que no se va a poder dar respuesta.

No obstante, las previsiones tradicionales, con la automatización experimentada en los últimos años, continúan siendo las más utilizadas por su bajo coste y porque no requieren conocimientos añadidos al manejo de Excel o los planificadores de recursos empresariales (ERP) ya implantados en las organizaciones. Son eficaces en mercados muy estables, con poca rotación de referencias, por ejemplo el de recambios de piezas de fontanería, y ofrecen buenos resultados para la obtención de previsiones a medio o largo plazo.

Planificación de la demanda con machine learning

El uso del machine learning o aprendizaje automático para planificar la demanda parte de la explotación del dato a más alto nivel, es decir, requiere de fuentes de datos tanto internas como externas para poder realizar pronósticos acertados. A diferencia de la analítica estadística tradicional, el uso de inteligencia artificial permite extraer información de fuentes propias y contextuales, y trabajar con datos tanto estructurados (históricos de ventas, compras, financieros…) como no estructurados (previsiones meteorológicas, análisis de tendencias, acciones de marketing…).

Los sistemas de machine learning compilan todos los datos disponibles, y hablamos de miles de datos (big data), los tratan con algoritmos matemáticos y determinan patrones, a partir de los que transforman en información los ítems registrados. En cada una de estas acciones los modelos de aprendizaje automático aprenden comportamientos y adaptan sus previsiones ofreciendo una mayor eficacia. Si bien, este salto en la automatización y la precisión requiere de más recursos técnicos y la implantación por equipos técnicos de ciencia de datos.

Cada sistema está indicado para unas determinadas condiciones empresariales y de mercado, mostrando el machine learning más eficacia, en aquellas situaciones en las que el trabajo con históricos de actividad no es posible como:

• la planificación de demandas inestables y cambiantes
• el lanzamiento de nuevos productos
• y la previsión a corto y medio plazo.

Predicción de la demanda

La predicción de la demanda da un importante salto pasando de los modelos que prevén las ventas a aquellos que la predicen. El matiz puede parecer pequeño, pero es muy importante. Los modelos basado en la previsión de la demanda estiman la demanda que puede darse, lo que no implica una total certeza, mientras que los nuevos modelos predicen lo que acontecerá, cuál va a ser el comportamiento de los compradores en función de las circunstancia del mercado, la economía, sociedad… otorgando capacidad de reacción ante eventos sobrevenidos que cambian las condiciones del mercado. La previsión posibilita ganar esa certeza que no ofrece la previsión, puesto que no estima, muestra con altas cotas de eficiencia la demanda futura.

Para realizar las predicciones volvemos a necesitar datos, cuantos más se consigan y de mejor calidad sean, más acertadas será la información con las que podrán contar los equipos para guiar los procesos de negocio. Se trabaja, por tanto, con fuentes internas y externas: ERP, CRM, sensores, calendario laboral, indicadores económicos, meteorología, históricos de actividad, tendencias de mercado, campañas promocionales… que serán tratados con algoritmos predictivos para transformarlos en información de calidad sobre la demanda futura del mercado.

Los sistemas de predicción de la demanda muestran su máxima eficiencia y utilidad en estrategias a medio y largo plazo. Demuestran, además, grandes resultados para la realización de predicciones en entornos volátiles y cambiantes, y en el lanzamiento de nuevos productos de los que se carece de información previa, ya que tienen en cuenta multitud de variables endógenas y exógenas para predecir lo que sucederá, con altas cotas de correlación con la realidad futura.

Conclusión

Es indudable que la explotación del dato es indispensable en la gestión empresarial. Hoy en día, en la era del big data y la inteligencia artificial, las organizaciones que no se sumen a esta revolución dejarán de ser competitivas. No obstante, cada herramienta está indicada para un tipo de producto y una actividad determinada, por lo que antes de decidirse por sistemas de previsión, estimación o predicción es necesario estudiar las condiciones intrínsecas de la propia empresa, sus productos y mercados para elegir la opción más adecuada y eficaz para cada entorno productivo.