© 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)

¿Preguntas?

E-mail: juanramon.trapero@uclm.es

www.ingeniumgroup.eu