Para mejorar el rendimiento, es esencial medirlo y hacer comparaciones. En SKU Science, hemos identificado el sesgo y el error absoluto como los indicadores de rendimiento m谩s efectivos para evaluar r谩pidamente la calidad de tus pron贸sticos.
Cuando se trata de analizar Indicadores Clave de Rendimiento (KPIs) agregados, existen dos m茅todos de c谩lculo disponibles para comparar los valores pronosticados con los valores de demanda real.
Para seleccionar la opci贸n preferida para tus KPIs agregados, simplemente haz clic en el icono de engranaje ubicado en la esquina superior derecha de la pantalla.
Selecciona Reglas y luego C谩lculo de KPI para elegir la opci贸n que m谩s te interese.
Ten en cuenta que el sesgo permanecer谩 sin cambios con ambos m茅todos cuando tus datos se agreguen. Sin embargo, el error, y por lo tanto la precisi贸n, te proporcionar谩n resultados diferentes seg煤n el m茅todo seleccionado.
C谩lculo de KPIs y luego agregaci贸n:
Con la primera opci贸n, el error de cada agregaci贸n es igual a la suma de los errores de los pron贸sticos a nivel inferior.
Este es el m茅todo m谩s conservador y generalmente es utilizado por profesionales para el an谩lisis de pron贸sticos.
C谩lculo de la agregaci贸n y luego de KPIs:
La segunda opci贸n primero suma los pron贸sticos para cada agregaci贸n y luego compara los resultados con la demanda de cada agregaci贸n para determinar el error (y el sesgo).
Este m茅todo puede ser interesante por varias razones:
La primera raz贸n es que tus pron贸sticos a nivel inferior est谩n definidos con una granularidad m谩s fina que el nivel de art铆culo.
Por ejemplo, si has definido tus pron贸sticos a nivel de art铆culo x cliente, o art铆culo x canal de distribuci贸n, o art铆culo x almac茅n, podr铆as estar interesado en visualizar la precisi贸n a nivel de art铆culo, ya que, en 煤ltima instancia, eso es lo que vas a producir o vender. Este m茅todo de c谩lculo te permite visualizar esta informaci贸n relevante para tu negocio.
De manera similar, si deseas estudiar la precisi贸n de tus pron贸sticos para una m谩quina de producci贸n con el fin de optimizar tu planificaci贸n y mejorar tu capacidad de producci贸n, puedes obtener esta informaci贸n directamente. Usando este m茅todo, simplemente necesitas agregar tus datos por m谩quina de producci贸n y obtendr谩s directamente los KPIs que te interesan.Calcular pron贸sticos usando un nivel agregado constituye una segunda raz贸n para utilizar este m茅todo. Tus pron贸sticos a nivel inferior est谩n definidos a nivel de art铆culo o a un nivel a煤n m谩s fino, pero la plataforma calcula tus pron贸sticos a un nivel agregado para lograr una mayor precisi贸n, como a nivel de familia de productos.
Este m茅todo te permite visualizar directamente la precisi贸n al nivel elegido para tu c谩lculo.
Tomemos el 煤ltimo ejemplo para comparar los resultados de los dos m茅todos.
En nuestro caso, los pron贸sticos se calculan a nivel de familia y luego se asignan autom谩ticamente a cada art铆culo.
Usando el primer m茅todo de c谩lculo:
Con el m茅todo 1, la suma de errores para cada art铆culo da como resultado un error promedio total del 17% o 607 unidades.
Usando el segundo m茅todo de c谩lculo:
Con el m茅todo 2, el error se minimiza, resultando en un error promedio total del 14% o 477 unidades.
Para cada familia, la plataforma muestra el error obtenido durante el c谩lculo.
Es interesante notar, por ejemplo, que para la familia 2, la tasa de error es la m谩s baja con un 11%. Esta es la familia donde la plataforma logra los mejores resultados antes de la asignaci贸n autom谩tica.
Al analizar el error para cada familia, puedes tener una idea de la precisi贸n del modelo elegido por la plataforma para sus c谩lculos antes de distribuir los pron贸sticos a los niveles inferiores.
Conclusi贸n:
Para acceder r谩pidamente a cualquiera de los m茅todos, simplemente ve a Reglas y cambia a la opci贸n que te interese.
Regresando al an谩lisis de KPI, obtendr谩s directamente los datos de tus pron贸sticos.