Técnicas de Predicción Cuantitativas Aplicadas a la Cadena de Suministro. Un caso de ... ·...
Transcript of Técnicas de Predicción Cuantitativas Aplicadas a la Cadena de Suministro. Un caso de ... ·...
© July 2013, Juan R. Trapero
Técnicas de Predicción Cuantitativas
Aplicadas a la Cadena de Suministro.
Un caso de estudio
J. R. Trapero en colaboración con:
R. Fildes, N. Kourentzes, D. Pedregal, F.P
García
Universidad de Castilla-La Mancha
Lancaster Centre for Forecasting
1. Introducción
2. Caso de estudio
3. Precisión de los expertos
4. Modelos econométricos
5. Conclusiones
Índice
• Promociones y otras campañas de marketing suelen estar
detrás de los ajustes de los expertos.
Previsión de demanda
Manager’s
judgment
Statistical
Forecast
Series temporales:
Suavizado exponencial,…
Eventos especiales:
promociones,
huelgas, eventos
deportivos,…
Objetivo
¿Pueden los modelos econométricos
mejorar las previsiones de los expertos?
1. Introducción
2. Caso de estudio
3. Precisión de los expertos
4. Modelos econométricos
5. Conclusiones
Índice
• Empresa fabricante de detergentes y otros productos de
limpieza (Reino Unido).
• Datos:
– Ventas.
– Predicciones del Sistema (SF).
– Predicciones de los Expertos (FF).
• 145 SKUs; 10,000 registros (10/2008-07/2010)
Caso de estudio
Caso de estudio
1. Introducción
2. Caso de estudio
3. Precisión de los expertos
4. Modelos econométricos
5. Conclusiones
Índice
• Ajustes de los expertos suelen estar sesgados.
• Variables explicativas:
– Tamaño
– Signo
• Diferentes SKUs, diferentes unidades (normalizar).
• Datos sección cruzada, reorganizar.
• Medida de error:
Judgmental forecasting
𝑒𝑡 = 𝑦𝑡 − 𝐹𝑡 , 𝑡 = 1, … ,𝑁
𝑀𝐴𝐸 =1
𝑁
𝑡=1
𝑁
𝑒𝑡
Ventas
Previsión
Judgmental forecasting
-2 0 2 4 6 8 10
0.65
0.7
0.75
0.8
0.85
Ajustes normalizados
MA
E
SF
FF
MAE vs. Ajustes normalizados
Judgmental forecasting
Con promoción
0 2 4 6 8
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
Ajustes normalizados
MA
E
SF
FF
-2 0 2 4 6 8
0.64
0.66
0.68
0.7
0.72
0.74
0.76
0.78
0.8
Ajustes normalizados
SF
FF
Sin promoción
1. Introducción
2. Caso de estudio
3. Precisión de los expertos
4. Modelos econométricos
5. Conclusiones
Índice
Modelos econométricos
• modelos causales en forma de regresión lineal
múltiple.
• variables exógenas: (descuento del precio, posición
en las estanterías, tipo de publicidad, etc.).
• Se han desarrollado varios tipos de software:
• SCAN*PRO (Leeflang et al, 2002),
• PromoCast (Cooper et al, 1999),
• CHAN4CAST (Divakar et al, 2005).
Modelos econométricos
• Se propone un modelo de predicción a nivel de
SKU:
• Uso de Análisis de Componentes Principales.
• Pool regression
• Introducción de retardos en las variables explicativas
• El término de error se modela mediante modelos ARIMA
automáticamente identificados (BIC)
Modelos econométricos
• Experimento:
• SKUs que dispongan de 20 semanas de observaciones con
al menos una promoción en la muestra.
• De los 145 SKUs pasamos a 60 SKUs
• Tamaño varía entre 53 y 148 observaciones
• Muestra de 7,790 observaciones totales
• Rollling origin
• Hold-out sample: 30 últimas semanas (21% de las
promociones)
Modelos econométricos
MAE calculado en la muestra de validación
SF FF Naïve SES LL RD
1.069 1.327 1.092 0.904 1.122 0.868
SF: Predicción del Sistema
FF: Predicción Final (con ajustes expertos)
Naïve: Última observación como predicción
SES: Suavizado Exponencial Simple
LL, Last-like: Se añade el incremento obtenido en la última
promoción similar
RD: Regresión Dinámica
1. Introducción
2. Caso de estudio
3. Precisión de los expertos
4. Modelos econométricos
5. Conclusiones
Índice
• Ajustes expertos para modelar promociones
• Modelos de regresiones disponibles en literatura, pero no
muy usados en la práctica
• Nadie los ha comparado (hasta ahora)
Conclusiones
La regresión dinámica obtiene los menores errores
de predicción en ventas (19% reducción con
respecto a los expertos)