Constantemente, las organizaciones buscan minimizar la incertidumbre de los mercados al utilizar pronósticos de la demanda, que conjuguen variables de tipo cuantitativo y cualitativo, las cuales se enriquecen a través de la información proporcionada por los participantes de la cadena de suministro.
- Desde pequeños siempre quisimos pronosticar el futuro y en la actualidad esa ilusión que teníamos se fortalece ante la necesidad de obtener mejores resultados.
El concepto de buenas prácticas determina el desarrollo de un conjunto de actividades y aptitudes (técnicas y de comunicación), las cuales permiten en la administración de la demanda, entender los comportamientos individuales y agregados de los materiales para extrapolarlos en el tiempo, así como determinar las cantidades que se acerquen a la demanda real.
La asertividad en los pronósticos permite crear un balance entre el abastecimiento y la demanda del mercado, además de anticiparse a variaciones y nuevos patrones de comportamiento. Esto asegura el flujo de operaciones en el almacenamiento y despacho, niveles de servicio y equilibrio en los rangos de inventario.
Para conseguir asertividad en los pronósticos se debe tener en cuenta las siguientes consideraciones:
1. Considerar la demanda y no las ventas.
Para el proceso de pronóstico, resulta necesario contar con herramientas que permitan registrar la demanda real de los artículos y no sólo las cantidades vendidas. De lo contrario, podríamos arrastrar errores para cubrir los requerimientos de mercancía.
2. Elegir la cantidad correcta de datos históricos y periodos a pronosticar.
Se puede encontrar diversas fuentes bibliográficas para determinar la cantidad precisa de información a seleccionar; unas recomiendan tomar el mayor número de datos para absorber las desviaciones que se presentan en las variables sistemáticas del pronóstico, mientras que algunos detractores resaltan la importancia de identificar la naturaleza de la demanda del artículo, ya que condiciona el resultado del margen de error de los métodos de pronóstico.
Por lo tanto, cuando la demanda por un producto no es constante, arrastra en su estructura distintos componentes aleatorios que no permiten determinar un patrón de comportamiento en el tiempo, por lo que se tiene que considerar la cantidad de datos más representativa sobre el periodo de pronóstico.
Respecto al periodo, se debe tener en cuenta que un pronóstico a largo plazo se encuentra expuesto a un mayor margen de error, por lo que será necesario establecer lapsos de medición y corrección. Con esto, estimar la demanda para el día de mañana tendrá mayor asertividad respecto a un tiempo más amplio.
3. Graficar los datos históricos.
Para comprenderlos, es imprescindible graficar la información para identificar si hay o no un patrón en la demanda que muestre factores cíclicos, estacionales, aleatorios, horizontales o de tendencia.
Además, es necesario describir si existe una exposición o correlación a variaciones de tipo cualitativo como consecuencia del dinamismo del mercado, precios y promociones. Éstas se encuentran inmersas en las tendencias que responden al proceso mecánico de división e identificación de variables aleatorias (se manifiestan generalmente por medio del error de pronóstico) y sistemáticas (representan la eficiencia del método de pronóstico).
4. Categorizar los artículos.
Predecir la demanda resulta un trabajo sencillo siempre que se agrupen los productos por categorías, lo cual facilita el entendimiento de los patrones de comportamiento y cómo responden a variaciones económicas, demográficas, ambientales y comerciales.
Cuando la empresa cuenta con una gran cantidad de mercancías, se debe trabajar con una muestra representativa al considerar a las de mayor rotación, margen o variabilidad en la demanda.
5. Considerar dos o más procedimientos.
Los métodos de pronóstico habitualmente están estructurados sobre la base de factores irregulares y parámetros para la elección de datos, los cuales suelen tener mejores resultados al momento de desarrollar un trabajo complementario que permita simplificar el proceso de selección de información.
Para predecir la demanda, se recomienda trabajar con dos o más procedimientos que se complementen o compartan las características de elección de datos y variables de comportamiento. Esto permitirá advertir y condensar los supuestos que giran en torno a la demanda.
6. Pronosticar la demanda de meses históricos.
Para validar la efectividad de los métodos elegidos, se sugiere pronosticar los meses anteriores, de los cuales se conoce la demanda real y permitirán dimensionar el error del pronóstico.
7. Definir el error de pronóstico.
Por lo general, cuando las proyecciones no reflejen la demanda real del mercado, estarán expuestas a cierto error de pronóstico que se mide al emplear herramientas estadísticas como la desviación estándar, varianza y desviación media absoluta (DMA). Estas soluciones permiten entender cuán dispersa es la predicción respecto a la demanda real, lo cual servirá en la práctica como instrumento de comparación de métodos para elegir aquel que se acerque al requerimiento verdadero.
Los errores de pronóstico pueden desencadenar efectos significativos en la asignación de recursos financieros, de infraestructura, tecnológicos, de personal y en el manejo de la información, al destinarse esfuerzos innecesarios.
Muchas actividades de la empresa dependen de un pronóstico exhaustivo y confiable, pues cumplen un rol preponderante en los resultados operativos y no están ajenos a la presencia de riesgo en su estructura.
Hacia el establecimiento del área de planeación de la demanda
Por lo general, en muchas organizaciones el pronóstico responde a un crecimiento porcentual esperado sobre las condiciones económicas del mercado y toma como referencia la variación del Producto Interno Bruto (PIB), lo que da como resultado un análisis frágil e inconsistente.
Actualmente, las empresas están optando por incluir dentro de sus estructuras un área de planeación de demanda e inventarios, al asumir que evitará el entusiasmo del área comercial o el afán conservador de compras al realizar este proceso. Además, agregará un análisis estadístico estructurado de datos que influyan sobre el resultado del periodo a pronosticar.
