¿Cómo Utiliza Usted la Estadística en un Pronóstico de Ventas?

Los planeadores de ventas y demanda cuentan con una variedad de técnicas para predecir el futuro. Si bien la mayoría examinan las ventas históricas u otros tipos de datos como una guía, muchos planeadores se basan en gran medida en su conocimiento del mercado. No cabe duda de que este conocimiento del mercado puede (¡y probablemente debería!) desempeñar un papel importante para llegar a su pronóstico final y consensuado. Sin embargo, el pronóstico estadístico puede ofrecer un nivel de automatización y conocimiento que puede mejorar sustancialmente la precisión de su pronóstico, particularmente cuando se cuenta con un portafolio de productos considerable, que crece continuamente.

Este artículo cubre dos enfoques para pronosticar ventas usando métodos estadísticos: modelos de series de tiempo y modelos de regresión. La ventaja de estos enfoques es que ofrecen grandes beneficios. Por un lado, son métodos robustos que pueden detectar y extrapolar patrones en sus datos, como estacionalidad, ciclos de ventas, tendencias, respuestas a promociones, etc. Por otro lado, son enfoques de fácil acceso, especialmente con las herramientas adecuadas.

 

Modelos de Series de Tiempo

Los métodos de series de tiempo son técnicas de pronóstico que se basan únicamente en la demanda histórica de la variable que se está pronosticando. Trabajan capturando patrones en los datos históricos y extrapolando esos patrones en el futuro. Los métodos de series de tiempo son adecuados cuando se presenta una fuerte continuidad entre el pasado y el futuro. Son los más adecuados para la predicción a corto plazo (por ejemplo, horizontes de 18 meses o menos). Esto se debe a su suposición de que los patrones y tendencias futuras se parecerán a los patrones y tendencias actuales. Esta es una suposición razonable a corto plazo, pero se vuelve más tenue en el largo plazo.


Imagen 1.jpg

 

 

Modelos de series temporales para pronosticar las ventas de miles de piezas de automóviles en un SKU por nivel de almacén.


Modelos de Series de Tiempo más comunes

Modelos muy Simples: promedios móviles, Igual que el año anterior, incrementos en porcentaje unidades o valores fijos son los métodos de predicción más simples. Se pueden desarrollar en una hoja de cálculo y no requieren un conocimiento estadístico profundo, sin embargo, actualmente muchas compañías los utilizan y son válidos para su proceso de pronóstico.

Modelos de suavización exponencial: Es el método de pronóstico por excelencia de la mayoría de planeadores en las empresas. Son de buen desempeño y exactitud, fáciles de aplicar y es posible automatizarlos de manera que permitan la predicción a gran escala. Suavización exponencial captura y pronostica el nivel de los datos a lo largo del tiempo con diferentes tipos de tendencias y patrones estacionales. Son de carácter adaptativo y el pronóstico le da bastante importancia a la historia más reciente en comparación con la historia más lejana.

Modelos de Box Jenkins (ARIMA): Al igual que los modelos de suavización exponencial, son modelos de carácter adaptativo pueden capturar patrones de tendencia y estacionalidad y pueden ser automatizados, A diferencia de suavización estacional no se basan únicamente en el principio de descomposición (nivel, tendencia y estacionalidad), sino que le dan más relevancia a la dependencia que existe entre los datos (auto correlación). Los modelos de Box-Jenkins tienden a tener un mejor desempeño que los modelos suavización exponencial en conjuntos de datos históricos largos y estables y no tan bien en conjuntos de datos ruidosos y con alta volatilidad

Modelo de Demanda intermitente de Croston: Este modelo esta específicamente diseñado para series de datos donde la demanda es usualmente cero y donde la ocurrencia de la demanda no es identificable, es muy común que este tipo de escenario se identifique en niveles de detalle como SKU cliente o en industrias del sector automotriz. Este modelo funciona combinando dos suavizaciones, una para las demandas diferentes de cero y otra para el intervalo de tiempo entre cada demanda diferente de cero. El modelo de demanda intermitente no es mágico (no le dirá cuándo ocurrirá la próxima orden) sin embargo, en ocasiones tiene un mejor desempeño que otros modelos de series de tiempo.

 

Construir un modelo de series de tiempo.

El hecho de que los modelos de series de tiempo estén basados en datos históricos los hace automatizables. Si bien muchos de estos modelos se pueden construir en hojas de cálculo, los datos pueden variar ampliamente y la implementación de estos modelos también varía; esta condición hace que la automatización a través de una hoja de cálculo sea demasiado compleja, y dispendiosa; por esta razón un software estadístico automatizado con un buen algoritmo de selección experta capaz de aplicar estos modelos a gran escala es de gran ayuda para determinar el mejor ajuste caso por caso.

Modelos de Regresión

Los modelos de regresión dinámica le permiten incorporar factores causales tales como precios, promociones e indicadores económicos en sus pronósticos. Los modelos combinan una regresión lineal simple (disponible en una hoja de cálculo) con la habilidad de usar términos dinámicos para capturar la tendencia, estacionalidad y las relaciones entre las fases del tiempo de diferentes variables, El resultado es un modelo que pronostica con mayor precisión que los modelos de series de tiempo, cuando los factores causales impulsan la demanda de sus productos o servicios y se cumplen otras condiciones.

Un modelo de regresión dinámica bien definido proporciona una comprensión más profunda de las relaciones entre variables que afectan la demanda y permite modelar escenarios de “¿qué pasa sí?". Por ejemplo, supongamos que su modelo de regresión dinámica incluye el precio como una variable explicativa. Al cuantificar la relación entre las ventas y el precio, el modelo le permite crear pronósticos en diferentes escenarios de precios. "¿Qué pasa si aumentamos el precio?" "¿Qué pasa si lo bajamos?" Generar estos pronósticos alternativos puede ayudarlo a determinar una estrategia de fijación de precios efectiva.

El análisis “¿qué pasa sí?" Descrito anteriormente sugiere el mayor inconveniente de usar la regresión dinámica. Un modelo de regresión dinámica bien definido captura la relación entre la variable dependiente (la que desea pronosticar) y una o más variables independientes. Para generar un pronóstico, debe proporcionar pronósticos para sus variables independientes. Si estas variables independientes están bajo su control (por ejemplo, precios, promociones, etc.) o si son indicadores principales, esto puede no ser un gran problema. Sin embargo, si sus variables independientes no están bajo su control (p. Ej., Clima, tasas de interés, precio de los materiales, ofertas competitivas, etc.), debe tener en cuenta que los pronósticos inexactos para las variables independientes generarán pronósticos inexactos para la variable dependiente


Imagen 2.jpg

 

 

Pronóstico de la demanda de electricidad utilizando datos sobre el clima
(por ejemplo, cuando las personas tienen probabilidades de utilizar su calefacción o aire acondicionado).


Construir un modelo de Regresión Dinámica.

Si bien existen herramientas de software que pueden automatizar el pronóstico de series de tiempo de manera muy efectiva, la regresión suele ser un poco diferente. Es un método donde el conocimiento del modelo y la experiencia de construcción de los modelos son indispensables. La creación de un modelo de regresión dinámica generalmente es un procedimiento iterativo, por el cual se comienza con un modelo inicial y se experimenta agregando o eliminando variables independientes y términos dinámicos hasta que se llega a un modelo aceptable. Herramientas como Forecast Pro brindan una gama completa de pruebas de hipótesis de auto interpretación y otros diagnósticos para guiarlo a través del proceso.


Conclusión

Los métodos estadísticos pueden proporcionar un nivel de automatización y precisión que los métodos puramente críticos simplemente no pueden proporcionar por sí solos. Estos modelos no solo le ayudan a identificar patrones y tendencias recurrentes en sus datos, sino que también le pueden ahorrar mucho tiempo y esfuerzo al pronosticar automáticamente grandes conjuntos de datos y, como resultado, puede dirigir su atención hacia donde su experiencia y juicio cuenta más.

 

Forecast Pro

Las capturas de pantalla del presente artículo muestran el pronóstico estadístico de ventas utilizando una aplicación llamada Forecast Pro. Este es un software de pronóstico de demanda flexible y de bajo costo que implementa tanto la metodología de pronóstico de series de tiempo como la de regresión dinámica, entre muchas otras características. Si está interesado en obtener más información, contáctenos para probar Forecast Pro en su escenario de negocio.

 

Articulo tomado de forecastpro.com: How do you use Statistical Models to Forecast Sales?