Ocho KPIs que los Demand Planners deben conocer - Artículo


Demand Planning: 8 KPIs.

Articulo muy didáctico y efectivo del Institute of Business Forecasting sobre los kpis que deben manejar los demand planners. 

Esto es básico y fácil, la parte más jugosa y transformacional es "qué es lo que hacemos con ellos".

Antes de que lean el artículo me gustaria compartirles mis pensamientos y aprendizajes:

  • 1) Debemos lograr acción con los KPI's, no sirve solo "tenerlo" 
  • 2) Tenemos que evaluar los extremos y liquidarlos! (afinar la curva de Gauss).
  • 3) Tenemos que matar los problemas crónicos.

Busquen estos otros cursos donde encontrarán más secretos, herramientas y fórmulas para trabajar con kpis.


El siguiente artículo fue extraído desde "8 KPIS EVERY DEMAND PLANNER SHOULD KNOW" desde demand-planning.com


Sin KPI's, es imposible mejorar la precisión del pronóstico. Aquí hay 8 métricas altamente efectivas que le permiten realizar un seguimiento del rendimiento de su pronóstico, junto con sus fórmulas.

Precisión de pronóstico

Este KPI es absolutamente crítico porque cuanto más precisos sean sus pronósticos, más ganancias obtendrá la empresa y menores serán sus costos operativos. Elegimos un método de pronóstico en particular porque creemos que funcionará razonablemente bien y generará pronósticos prometedores, pero debemos esperar que haya errores en nuestros pronósticos. Este error es una función de la diferencia de tiempo entre el valor real (Dt) y el valor de pronóstico (Ft) para ese período. Se mide como:


1 - [ABS (Dt - Ft) / Dt]


Dónde:
Dt: La observación o las ventas reales para el período t
Ft: El pronóstico para el período t


Nuestro enfoque en este KPI es proporcionar información sobre los puntos de referencia de precisión de la previsión para grupos de SKU en lugar de identificar los métodos de previsión más apropiados. Por ejemplo, lograr una precisión de pronóstico del 70-80% para un producto recientemente lanzado y orientado a la promoción sería bueno considerando que no tenemos un historial de ventas para trabajar.


Los SKU con previsibilidad media (SKU volátiles, estacionales y de rápido movimiento) no son fáciles de pronosticar debido a factores estacionales como vacaciones y factores incontrolables como el clima y las promociones de la competencia, etc., no se recomienda que su punto de referencia sea inferior a 90-95 %.


Señales de seguimiento

Las señales de seguimiento (TS) cuantifican el sesgo en un pronóstico y ayudan a los planificadores de la demanda a comprender si el modelo de pronóstico funciona bien o no. Se calcula TS en cada período:


(Dt- Ft) / ABS (Dt - Ft)


Dónde:
Dt: La observación o las ventas reales para el período t
Ft: El pronóstico para el período t


Una vez que se calcula, para cada período, se suman los números para calcular el TS general. Cuando un pronóstico, por ejemplo, se genera considerando las últimas 24 observaciones, un historial de pronóstico totalmente libre de sesgo devolverá un valor de cero. El peor resultado posible devolvería +24 (sub-pronóstico) o -24 (sobre-pronóstico). En términos generales, un historial de pronóstico de este tipo que arroje un valor mayor que (+ 4.5) o menor que (-4.5) se consideraría fuera de control. Por lo tanto, sin considerar la previsibilidad de los SKU, el punto de referencia de TS debe estar entre (-4,5) y (4,5).


Parcialidad

El sesgo, también conocido como error de pronóstico medio, es la tendencia a que el error de pronóstico sea persistente en una dirección. La forma más rápida de mejorar la precisión del pronóstico es rastrear el sesgo. Si el sesgo del método de pronóstico es cero, significa que no hay sesgo. Los valores de sesgo negativo revelan una tendencia a pronosticar en exceso, mientras que los valores positivos indican una tendencia a pronosticar menos. Durante el período de 24 observaciones, si el sesgo es mayor de cuatro (+4), se considera que el pronóstico está sesgado hacia un pronóstico insuficiente. Del mismo modo, si el sesgo es inferior a menos cuatro (-4), se puede decir que el pronóstico está sesgado hacia un pronóstico excesivo. Al final, el objetivo del planificador es minimizar el sesgo. La fórmula es la siguiente:


[∑ (Dt - Ft)] / n


Dónde:
Dt: La observación o las ventas reales para el período t
Ft: El pronóstico para el período t
n: el número de errores de pronóstico


El sesgo del pronosticador aparece cuando el error de pronóstico es en una dirección para todos los elementos, es decir, se pronostican constantemente por encima o por debajo del valor esperado. Es un sesgo subjetivo debido a que las personas crean protecciones de pronóstico innecesarias, como aumentar el pronóstico para que coincida con los objetivos de ventas o de la división.


Al considerar el nivel de previsibilidad de los SKU, el sesgo del sesgo de SKU de previsibilidad baja puede estar entre (-30) y (30). Cuando se trata de SKU de previsibilidad media, dado que se espera que su precisión esté entre 90-95%, el sesgo no debe ser menor que (-10) ni mayor que (+10). Con respecto a los SKU de alta previsibilidad, debido a su contribución moderada al total, no se espera que el sesgo sea menor que (-20) o mayor que (20). Cuanto menos sesgo haya en un pronóstico, mejor será la precisión del pronóstico, lo que nos permite reducir los niveles de inventario.


Desviación absoluta media (MAD)

MAD es un KPI que mide la precisión del pronóstico promediando las magnitudes de los errores de pronóstico. Utiliza los valores absolutos de los errores de pronóstico para evitar que los valores positivos y negativos se cancelen cuando se suman. Su fórmula es la siguiente:


∑ | Et | / n


Dónde:
Et: el error de pronóstico para el período t
n: el número de errores de pronóstico


MAD no tiene criterios de referencia específicos para verificar la precisión, pero cuanto menor sea el valor de MAD, mayor será la precisión del pronóstico. La comparación de los valores de MAD de diferentes métodos de pronóstico revela cuál es el método más preciso.


Error cuadrático medio (MSE)

MSE evalúa el desempeño del pronóstico promediando los cuadrados de los errores de pronóstico, eliminando todos los términos negativos antes de sumar los valores. Los cuadrados de los errores logran el mismo resultado porque usamos los valores absolutos de los errores, ya que el cuadrado de un número siempre dará como resultado un valor no negativo. Su fórmula es la siguiente:


∑ (Et) ² / n


Dónde:
Et: error de pronóstico para el período t
n: el número de errores de pronóstico


Similar a MAD, MSE no tiene un punto de referencia específico para verificar la precisión, pero el valor más pequeño de MSE, el mejor modelo de pronóstico, lo que significa pronósticos más precisos. La ventaja de MSE es que cuadra los errores de pronóstico, dando más peso a los grandes errores de pronóstico.


Error de porcentaje absoluto medio (MAPE)

MAPE se expresa como porcentaje de error relativo. MAPE expresa cada valor de error de pronóstico (Et) como un% de la observación real correspondiente (Dt). Su fórmula es la siguiente:


∑ | Et / Dt | / n * 100


Dónde:
Dt: Observación o ventas reales para el período t
Et: el error de pronóstico para el período t
n: el número de errores de pronóstico


Dado que el resultado de MAPE se expresa como un porcentaje, se entiende mucho más fácilmente en comparación con otras técnicas. La ventaja de MAPE es que relaciona cada error de pronóstico con su observación real. Sin embargo, las series que tienen un MAPE muy alto pueden distorsionar el MAPE promedio. Para evitar este problema, se ofrece SMAPE que se aborda a continuación.


Error de porcentaje absoluto simétrico medio (SMAPE)

SMAPE es una alternativa a MAPE cuando tiene observaciones cero o cercanas a cero. Las observaciones de bajo volumen causan principalmente tasas de error altas y sesgan la tasa de error general, lo que puede ser engañoso. Para abordar este problema, SMAPE resulta útil. SMAPE tiene un límite inferior del 0% y un límite superior del 200%. No trata el pronóstico excesivo y el pronóstico insuficiente por igual. Su fórmula es la siguiente:


SMAPE: 2 / n * ∑ | (Ft - Dt) / (Ft + Dt) |


Dónde:
Dt: Observación o ventas reales para el período t
Ft: el pronóstico para el período t
n: el número de errores de pronóstico


Al igual que en otros modelos, no hay criterios de referencia específicos para SMAPE. Cuanto menor sea el valor SMAPE, más precisa será la previsión.


Error de porcentaje absoluto medio ponderado (WMAPE)

WMAPE es la versión mejorada de MAPE. Mientras que MAPE es una técnica ponderada por volumen, WMAPE tiene más ponderación por valor. Al generar pronósticos para artículos de alto valor a nivel de categoría, marca o negocio, MAPE cancela los valores más y menos. Sin embargo, WMAPE pondera tanto los errores de pronóstico como las observaciones reales (ventas). Cuando se consideran a nivel de marca, los artículos de alto valor influirán en el error general porque están altamente correlacionados con los requisitos de existencias de seguridad y el desarrollo de estrategias de existencias de seguridad. Su fórmula es la siguiente:


∑ (| Dt-Ft |) / ∑ (Dt)


Dónde:
Dt: La observación real para el período t
Ft: el pronóstico para el período t


Como otras técnicas, WMAPE no tiene ningún punto de referencia específico. Cuanto menor sea el valor de WMAPE, más confiable será el pronóstico.

Completar y continuar