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 más efectivos para evaluar rápidamente la calidad de tus pronósticos.
Cuando se trata de analizar Indicadores Clave de Rendimiento (KPIs) agregados, existen dos métodos de cálculo disponibles para comparar los valores pronosticados con los valores de demanda real.
Para seleccionar la opción 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 Cálculo de KPI para elegir la opción que más te interese.
Ten en cuenta que el sesgo permanecerá sin cambios con ambos métodos cuando tus datos se agreguen. Sin embargo, el error, y por lo tanto la precisión, te proporcionarán resultados diferentes según el método seleccionado.
Cálculo de KPIs y luego agregación:
Con la primera opción, el error de cada agregación es igual a la suma de los errores de los pronósticos a nivel inferior.
Este es el método más conservador y generalmente es utilizado por profesionales para el análisis de pronósticos.
Cálculo de la agregación y luego de KPIs:
La segunda opción primero suma los pronósticos para cada agregación y luego compara los resultados con la demanda de cada agregación para determinar el error (y el sesgo).
Este método puede ser interesante por varias razones:
La primera razón es que tus pronósticos a nivel inferior están definidos con una granularidad más fina que el nivel de artículo.
Por ejemplo, si has definido tus pronósticos a nivel de artículo x cliente, o artículo x canal de distribución, o artículo x almacén, podrías estar interesado en visualizar la precisión a nivel de artículo, ya que, en última instancia, eso es lo que vas a producir o vender. Este método de cálculo te permite visualizar esta información relevante para tu negocio.
De manera similar, si deseas estudiar la precisión de tus pronósticos para una máquina de producción con el fin de optimizar tu planificación y mejorar tu capacidad de producción, puedes obtener esta información directamente. Usando este método, simplemente necesitas agregar tus datos por máquina de producción y obtendrás directamente los KPIs que te interesan.Calcular pronósticos usando un nivel agregado constituye una segunda razón para utilizar este método. Tus pronósticos a nivel inferior están definidos a nivel de artículo o a un nivel aún más fino, pero la plataforma calcula tus pronósticos a un nivel agregado para lograr una mayor precisión, como a nivel de familia de productos.
Este método te permite visualizar directamente la precisión al nivel elegido para tu cálculo.
Tomemos el último ejemplo para comparar los resultados de los dos métodos.
En nuestro caso, los pronósticos se calculan a nivel de familia y luego se asignan automáticamente a cada artículo.
Usando el primer método de cálculo:
Con el método 1, la suma de errores para cada artículo da como resultado un error promedio total del 17% o 607 unidades.
Usando el segundo método de cálculo:
Con el método 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 cálculo.
Es interesante notar, por ejemplo, que para la familia 2, la tasa de error es la más baja con un 11%. Esta es la familia donde la plataforma logra los mejores resultados antes de la asignación automática.
Al analizar el error para cada familia, puedes tener una idea de la precisión del modelo elegido por la plataforma para sus cálculos antes de distribuir los pronósticos a los niveles inferiores.
Conclusión:
Para acceder rápidamente a cualquiera de los métodos, simplemente ve a Reglas y cambia a la opción que te interese.
Regresando al análisis de KPI, obtendrás directamente los datos de tus pronósticos.