Previsión de la demanda

La previsión de la demanda , también conocida como planificación de la demanda y previsión de ventas (PD&V), ^{[ 1 ]} implica la predicción de la cantidad de bienes y servicios que demandarán los consumidores o clientes empresariales en un momento futuro, condicionada a un horizonte de previsión y un conjunto de información específicos. ^{[ 2 ]} Más específicamente, los métodos de previsión de la demanda implican el uso de análisis predictivos para estimar la demanda del cliente considerando las condiciones económicas clave. Esta es una herramienta importante para optimizar la rentabilidad empresarial mediante una gestión eficiente de la cadena de suministro. Los métodos de previsión de la demanda se dividen en dos categorías principales: métodos cualitativos y cuantitativos.

• Los métodos cualitativos se basan en la opinión de expertos y en la información recopilada sobre el terreno. Este método se utiliza principalmente en situaciones donde se dispone de muy pocos datos para el análisis, como cuando una empresa o producto se ha introducido recientemente en el mercado.
• Los métodos cuantitativos utilizan los datos disponibles y las herramientas analíticas para generar predicciones.

La previsión de la demanda puede utilizarse en la asignación de recursos , la gestión de inventarios , la evaluación de los requisitos de capacidad futuros o la toma de decisiones sobre si entrar o no en un nuevo mercado . ^{[ 3 ]}

La planificación de la demanda del cliente (CDP) es un proceso de planificación empresarial que permite a los equipos de ventas desarrollar pronósticos de demanda. ^{[ 4 ]}

La previsión de la demanda desempeña un papel importante para las empresas de diversos sectores, especialmente en lo que respecta a la mitigación de los riesgos asociados a determinadas actividades comerciales. Sin embargo, se sabe que la previsión de la demanda es una tarea compleja para las empresas debido a la complejidad del análisis, en particular del análisis cuantitativo. ^{[ 5 ]} No obstante, comprender las necesidades del cliente es fundamental para cualquier sector, a fin de que las actividades comerciales se implementen de manera eficiente y respondan de forma más adecuada a las necesidades del mercado. Si las empresas logran prever la demanda de manera efectiva, pueden obtener diversos beneficios. Estos incluyen, entre otros, la reducción de desperdicios, la optimización de la asignación de recursos y un posible aumento significativo de las ventas y los ingresos.

Algunas de las razones por las que las empresas necesitan realizar pronósticos de la demanda incluyen:

1. Cumplimiento de objetivos : Las organizaciones más exitosas cuentan con trayectorias de crecimiento predefinidas y planes a largo plazo para garantizar que el negocio opere con un rendimiento óptimo. Al comprender la demanda futura del mercado, las empresas pueden ser proactivas y asegurar el cumplimiento de sus objetivos en este entorno empresarial.
2. Decisiones empresariales : En lo que respecta al cumplimiento de objetivos, un profundo conocimiento de la demanda futura del sector permite a la dirección y a los miembros clave del consejo de administración tomar decisiones estratégicas que fomenten una mayor rentabilidad y crecimiento. Estas decisiones suelen estar relacionadas con conceptos como la capacidad, la segmentación del mercado, la adquisición de materias primas y la comprensión de las condiciones contractuales con los proveedores.
3. Crecimiento : Al comprender con precisión las previsiones futuras, las empresas pueden evaluar la necesidad de expansión dentro de un plazo que les permita hacerlo de manera rentable. ^{[ 6 ]}
4. Gestión del capital humano : Si se produce un rápido aumento de la demanda en un sector, pero una empresa no cuenta con suficientes empleados para satisfacer los pedidos, la fidelidad del consumidor puede verse afectada negativamente, ya que los clientes se ven obligados a comprar a la competencia. ^{[ 7 ]}
5. Planificación financiera : Es fundamental comprender las previsiones de demanda para presupuestar de manera eficiente las operaciones futuras en términos de factores como el flujo de caja, la contabilidad de inventarios y los costos operativos generales. ^{[ 8 ]} El uso de un modelo preciso de previsión de la demanda puede resultar en reducciones significativas de los costos operativos para las empresas, ya quese requiere mantener un menor nivel de existencias de seguridad . ^{[ 9 ]}

Existen diversos análisis estadísticos y econométricos que se utilizan para pronosticar la demanda. ^{[ 10 ]} El pronóstico de la demanda se puede dividir en un proceso de siete etapas, que se describen de la siguiente manera:

El primer paso para pronosticar la demanda consiste en determinar un conjunto de objetivos o información para derivar diferentes estrategias comerciales. Estos objetivos se basan en un conjunto de hipótesis que generalmente provienen de una combinación de teoría económica o estudios empíricos previos. Por ejemplo, un gerente podría querer determinar cuál sería el precio y la cantidad de producción óptimos para un nuevo producto, basándose en cómo la elasticidad de la demanda afectó las ventas pasadas de la empresa.

Hay muchos modelos econométricos diferentes que difieren según el análisis que los gerentes deseen realizar. El tipo de modelo que se elige para pronosticar la demanda depende de muchos aspectos diferentes, como el tipo de datos obtenidos o el número de observaciones, etc. ^{[ 11 ]} En esta etapa es importante definir el tipo de variables que se utilizarán para pronosticar la demanda. El análisis de regresión es el principal método estadístico para el pronóstico. Hay muchos tipos diferentes de análisis de regresión, pero fundamentalmente proporcionan un análisis de cómo una o varias variables afectan la variable dependiente que se está midiendo. Un ejemplo de un modelo para pronosticar la demanda es el modelo de regresión de pronóstico de demanda de M. Roodman (1986) para medir los efectos de la estacionalidad en un punto de datos que se está midiendo. ^{[ 12 ]} El modelo se basó en un modelo de regresión lineal y se utiliza para medir tendencias lineales basadas en ciclos estacionales y sus efectos en la demanda, es decir, la demanda estacional de un producto basada en las ventas en verano e invierno.

El modelo de regresión lineal se describe de la siguiente manera:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

Donde es la variable dependiente, es la intersección , es el coeficiente de pendiente, es la variable independiente y e es el término de error. ${\displaystyle Y_{i}}$${\displaystyle \beta _{0}}$${\displaystyle \beta _{1}}$${\displaystyle X_{i}}$

El modelo de previsión de la demanda de M. Roodman se basa en la regresión lineal y se describe de la siguiente manera:

${\displaystyle \lambda _{q}=\{t\mid t=1,\dots ,n{\text{ y }}t{\bmod {Q}}=q\}\qquad q=1,\dots ,Q}$

${\displaystyle \lambda _{q}}$se define como el conjunto de todos los índices t  para el trimestre q . El proceso que genera los datos para todos los períodos t  que caen en el trimestre q  viene dado por:

${\displaystyle Y_{t}=(\beta +\tau \times t)\times \sigma _{q}+e}$

• ${\displaystyle Y_{t}}$= el dato para el período
• β = demanda base al inicio del horizonte de la serie temporal
• τ = la tendencia lineal por trimestre
• ${\displaystyle \sigma _{q}}$= el factor estacional multiplicativo para el trimestre
• e = un término de perturbación

Una vez especificado el tipo de modelo en la etapa 2, se deben especificar los datos y el método de recopilación de datos. El modelo debe especificarse primero para determinar las variables que deben recopilarse. Por el contrario, al decidir el modelo de pronóstico deseado, se deben considerar los datos disponibles o los métodos de recopilación de datos para formular el modelo correcto. Recopilación de datos de series temporales y datos de corte transversal son los diferentes métodos de recopilación que se pueden utilizar. Los datos de series temporales se basan en observaciones históricas tomadas secuencialmente en el tiempo. Estas observaciones se utilizan para derivar estadísticas, características e información relevantes de los datos. ^{[ 13 ]} Los puntos de datos que se pueden recopilar utilizando datos de series temporales pueden ser ventas, precios, costos de fabricación y sus intervalos de tiempo correspondientes, es decir, semanales, mensuales, trimestrales, anuales o cualquier otro intervalo regular. Los datos de corte transversal se refieren a datos recopilados sobre una sola entidad en diferentes períodos de tiempo. Los datos de corte transversal utilizados en el pronóstico de la demanda generalmente muestran un punto de datos recopilado de un individuo, empresa, industria o área. Por ejemplo, las ventas de la empresa A durante el primer trimestre. Este tipo de datos engloba diversos puntos de datos que dieron como resultado el dato final. El subconjunto de puntos de datos puede no ser observable ni factible de determinar, pero puede ser un método práctico para añadir precisión al modelo de previsión de la demanda. ^{[ 14 ]} La fuente de los datos puede encontrarse en los registros de la empresa, agencias comerciales o privadas, o fuentes oficiales.

Una vez obtenidos el modelo y los datos, se pueden calcular los valores para determinar los efectos que las variables independientes tienen sobre la variable dependiente en cuestión. Tomando como ejemplo el modelo de regresión lineal para la estimación de parámetros, se siguen los siguientes pasos:

Fórmula de regresión lineal:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

El primer paso es encontrar la línea que minimiza la suma de los cuadrados de la diferencia entre los valores observados de la variable dependiente y los valores ajustados de la línea. ^{[ 10 ]} Esto se expresa como que minimiza y , el valor ajustado de la línea de regresión. ${\displaystyle {\hat {Y}}_{i}=\beta _{0}+\beta _{1}{X_{i}}}$${\displaystyle \Sigma (Y_{i}-{\hat {Y_{i}}})^{2}}$${\displaystyle {\sombrero {Y_ {i}}}=\beta _ {0}}$

${\displaystyle \beta _{0}}$y también deben representarse para hallar la intersección y la pendiente de la recta. El método para determinar y consiste en utilizar la diferenciación parcial con respecto a ambas variables , igualando ambas expresiones a cero y resolviéndolas simultáneamente. El método para omitir estas variables se describe a continuación: ${\displaystyle \beta _{1}}$${\displaystyle \beta _{0}}$${\displaystyle \beta _{1}}$${\displaystyle \beta _{0}}$${\displaystyle \beta _{1}}$

${\displaystyle {\begin{aligned}\beta _{1}&={\frac {n\Sigma XY-\Sigma X\Sigma y}{n\Sigma X^{2}-(\Sigma X)^{2}}}\\\beta _{0}&={\frac {\Sigma Y}{n}}-{\frac {\beta _{1}\Sigma X}{n}}\end{aligned}}}$

Calcular la precisión de la previsión de la demanda es el proceso de determinar la exactitud de las previsiones realizadas sobre la demanda de un producto por parte de los clientes. ^{[ 15 ] [ 16 ]} Comprender y predecir la demanda de los clientes es fundamental para que los fabricantes y distribuidores eviten la falta de existencias y mantengan niveles de inventario adecuados. Si bien las previsiones nunca son perfectas, son necesarias para prepararse para la demanda real. Para mantener un inventario optimizado y una cadena de suministro eficaz, las previsiones de demanda precisas son imprescindibles.

La precisión de las previsiones en la cadena de suministro se suele medir mediante el Error Porcentual Absoluto Medio (MAPE, por sus siglas en inglés). Estadísticamente, el MAPE se define como el promedio de los errores porcentuales.

La mayoría de los profesionales, sin embargo, definen y utilizan el MAPE como la desviación absoluta media dividida por las ventas promedio, que es simplemente un MAPE ponderado por volumen, también conocido como la relación MAD/Media. Esto equivale a dividir la suma de las desviaciones absolutas entre las ventas totales de todos los productos. Este cálculo , donde A es el valor real y F la previsión, también se conoce como WAPE o error porcentual absoluto ponderado. ${\displaystyle {\frac {\sum {|AF|}}{\sum {A}}}}$

Otra opción interesante es el . La ventaja de esta medida es que puede ponderar los errores. El único problema es que, para productos estacionales, se obtiene un resultado indefinido cuando las ventas son cero, y esto no es simétrico. Esto significa que la inexactitud puede ser mucho mayor si las ventas son superiores a la previsión que si son inferiores. Por lo tanto, se utiliza sMAPE, también conocido como Error Porcentual Absoluto Medio Simétrico, para corregir esto. ${\displaystyle {\text{MAPE}}={\frac {\sum (w\cdot |AF|)}{\sum (w\cdot A)}}}$

Finalmente, para patrones de demanda intermitentes, ninguno de los anteriores es particularmente útil. En esta situación, una empresa puede considerar MASE ( Error Escalado Absoluto Medio ) como un indicador clave de rendimiento para usar. Sin embargo, el uso de este cálculo es desafiante ya que no es tan intuitivo como el mencionado anteriormente. ^{[ 17 ]} Otra métrica a considerar, especialmente cuando hay patrones de demanda intermitentes o irregulares en el caso, es SPEC (Costos de Error de Predicción Orientados al Mantenimiento de Inventario). ^{[ 18 ]} La idea detrás de esta métrica es comparar la demanda prevista y la demanda real calculando los costos teóricos incurridos durante el horizonte de pronóstico. Asume que una demanda prevista mayor que la demanda real resulta en costos de mantenimiento de inventario, mientras que una demanda prevista menor que la demanda real resulta en costos de oportunidad . SPEC toma en cuenta los cambios temporales (predicción antes o después de la demanda real) o aspectos relacionados con los costos y permite comparaciones entre pronósticos de demanda basados ​​también en aspectos comerciales.

El error de pronóstico debe calcularse utilizando las ventas reales como base. Existen varios métodos para calcular el error de pronóstico, como el error porcentual medio , el error cuadrático medio , la señal de seguimiento y el sesgo de pronóstico .

Si bien las métricas estadísticas como MAPE y MSE miden la magnitud del error, generalmente tratan las sobreestimaciones y las subestimaciones de manera simétrica. Sin embargo, en contextos financieros y de cadena de suministro, el costo del error suele ser asimétrico . El impacto financiero de mantener un exceso de inventario (costos de almacenamiento, obsolescencia) rara vez equivale al impacto financiero de una falta de existencias (pérdida de margen, flete urgente, pérdida de la buena voluntad del cliente). ^{[ 19 ]}

Las investigaciones sobre entornos de planificación de recursos empresariales (ERP) han demostrado que los módulos de previsión estándar a menudo no tienen en cuenta estas asimetrías, lo que conlleva un rendimiento de inventario subóptimo a pesar de la precisión estadística. ^{[ 20 ]}

El Costo del Error de Pronóstico (CFE, por sus siglas en inglés) es una métrica diseñada para cuantificar explícitamente este impacto financiero. Aplica coeficientes de costo específicos a la dirección del error:

$${\displaystyle {\text{CFE}}=(C_{under}\times {\text{Error}}_{under})+(C_{over}\times {\text{Error}}_{over})}$$

Dónde:

• ${\displaystyle C_{under}}$es el costo por unidad de subestimación de la previsión (por ejemplo, pérdida de margen bruto ).
• ${\displaystyle C_{over}}$es el costo por unidad de sobreestimación (por ejemplo, costo de mantenimiento de inventario).

Al optimizar para obtener un CFE mínimo en lugar de un error estadístico mínimo, las organizaciones pueden tener en cuenta la "trampa de la simetría", una situación en la que un pronóstico estadísticamente preciso conduce a resultados financieros subóptimos. ^{[ 21 ]}

Una vez definido el modelo, este se utiliza para probar la teoría o hipótesis planteada en la primera etapa. Los resultados deben describir el objetivo propuesto y determinar si la teoría o hipótesis es verdadera o falsa. En relación con el ejemplo presentado en la primera etapa, el modelo debe mostrar la relación entre la elasticidad de la demanda del mercado y su correlación con las ventas anteriores de la empresa. Esto permitirá a los gerentes tomar decisiones informadas sobre el precio óptimo y los niveles de producción del nuevo producto.

El último paso consiste en pronosticar la demanda basándose en el conjunto de datos y el modelo creado. Para ello, se utilizan estimaciones de una variable elegida para determinar sus efectos sobre la demanda. En cuanto a la estimación de dicha variable, se puede emplear un modelo de regresión o bien realizar evaluaciones tanto cualitativas como cuantitativas. Algunos ejemplos de evaluaciones cualitativas y cuantitativas son:

• Juicio sin ayuda
• Investigación de mercado
• Técnica Delphi
• teoría de juegos
• Autoarranque basado en juicios
• Interacción simulada
• Encuesta sobre intenciones y expectativas
• jurado de método ejecutivo

• Simulación de eventos discretos
• Extrapolación
• Método de agrupamiento de datos (GMDH)
• Pronóstico de clase de referencia
• Analogías cuantitativas
• Pronóstico basado en reglas
• Difusión de la innovación
• Redes neuronales
• minería de datos
• Análisis conjunto
• Modelos causales
• Segmentación
• Modelos de suavizado exponencial
• Modelos Box-Jenkins
• Modelos híbridos

Otros incluyen:

En la práctica, los métodos de previsión de la demanda se implementan cada vez más a través de plataformas de software que utilizan aprendizaje automático para analizar datos históricos de ventas y factores externos. ^{[ 22 ]} Algunos ejemplos incluyen herramientas empresariales como SAP Integrated Business Planning y soluciones basadas en IA como Leafio AI, ^{[ 23 ]} que proporcionan análisis predictivos para la planificación de inventario y demanda en múltiples canales minoristas. ^{[ 22 ]}

• Oferta y demanda
• Cadena de demanda
• Detección de la demanda
• Elasticidad de la demanda
• Inventario § Principio de proporcionalidad del inventario
• Pronóstico de clase de referencia
• Pronósticos consensuados
• Sesgo optimista
• Presupuesto de producción
• Riesgo de volumen

• Milgate, Murray (marzo de 2008). «Bienes y productos básicos». En Steven N. Durlauf y Lawrence E. Blume. The New Palgrave Dictionary of Economics (2.ª ed.). Palgrave Macmillan. págs. 546-548. doi : 10.1057/9780230226203.0657 . Consultado el 24 de marzo de 2010.
• Montani, Guido (1987). "Escasez". En Eatwell, J., Millgate, M., Newman, P. The New Palgrave. A Dictionary of Economics 4. Palgrave, Houndsmill. pp. 253–54.