Mi cliente está trabajando actualmente en la previsión de la demanda de sus productos. Me han pedido algunos consejos sobre la previsión de la demanda utilizando JMP. Creo que la plataforma de pronóstico de series temporales se adaptará a su caso porque tienen miles de elementos para pronosticar. Agradecería si alguien pudiera compartir conmigo algunos consejos al hacer pronósticos de demanda utilizando el Pronóstico de series temporales.
Su situación es la siguiente:
- Quieren pronosticar la demanda para los próximos meses de miles de artículos utilizando datos históricos de ventas mensuales (algunos años).
- Actualmente están utilizando un enfoque de media móvil simple para la previsión.
- Hay variedad de patrón de ventas. Algunos artículos tienen un patrón estacional. Algunos artículos se pueden pronosticar utilizando el enfoque de promedio móvil.
Aquí hay algunas preguntas:
- ¿Alguien conoce a un cliente que haga pronósticos de demanda usando JMP? Sería útil aprender de sus experiencias, comprender las lecciones que hayan aprendido y explorar las estrategias que han utilizado para mejorar la precisión de sus pronósticos de demanda.
- ¿Con qué frecuencia debemos actualizar nuestros pronósticos de demanda para garantizar la precisión? ¿Existen mejores prácticas para monitorear y ajustar nuestros pronósticos a medida que hay nuevos datos disponibles?
- ¿Existen posibles desafíos o dificultades que debamos tener en cuenta al realizar la previsión de la demanda?
Cualquier otra información o recomendación que pueda proporcionar con respecto a la previsión de la demanda sería muy apreciada.
Hola Yuichi San,
La única vez que me enfrenté a algo cercano fue un cliente que quería pronosticar el tiempo del proyecto y el plan de recursos necesarios (horas-hombre) en los diferentes pasos del proceso, desde la fase de planificación hasta el pedido, la producción y la entrega para predecir mejor el cronograma para el cliente y alinear mejor los recursos humanos internos. Todos clasificados por nivel de innovación, nivel de importancia y algunos otros factores.
Sin embargo, para proporcionar al menos alguna orientación, trato de responder algunas de sus preguntas:
1. Realmente necesitan analizar los patrones de comportamiento de venta de sus productos. Si hay una tendencia estacional, entonces debería incluirse. Si hay alguna otra tendencia regular involucrada, es posible que desee encontrar el modo AR que mejor se adapte a la serie temporal para tener un riesgo menor en el pronóstico. Esto es trabajo, sí, pero si quieren obtener algo más preciso que el promedio móvil de fuerza bruta, esto podría abrir el camino.A menudo, un gráfico de tendencias del generador de gráficos con un conmutador de columnas es suficiente para identificar los pocos productos que puede tener más sentido para volverse más específico.
2. La actualización del modelo a menudo depende de la frecuencia con la que observe cambios en el comportamiento de venta. Por lo general, para el modelado de series de tiempo, diría que una vez por trimestre es un buen punto de control. Si tengo un producto muy nuevo, realmente se vuelve más difícil ya que el modelo puede tener que ajustar varias etapas de compra. Lanzamiento inicial sin mucho conocimiento sobre el producto, luego la fase de exageración, luego la fase constante antes de la fase de enfriamiento y finalmente la fase constante nuevamente. Aquí recomendaría verificar más a menudo si el modelo necesita ser ajustado (también porque es posible que comience a notar las tendencias estacionales después de muchos meses o incluso años (a menos que esté claro en el producto en sí, como las botas de esquí;)) La madurez y el producto es regular, con menos frecuencia necesitará actualizar el modelo.
3. Las trampas son a menudo si hay eventos especiales que distraen sus datos y tendencias regulares. Solo un ejemplo que puede traducir a los productos de este cliente:
- una empresa de telecomunicaciones había hecho una previsión de sus ingresos por SMS (hace mucho tiempo
) y en algún momento vieron un pico muy alto en los datos durante un día. Fue entonces cuando WhatsApp tuvo una interrupción. Si deja esos puntos de datos en los datos del pronóstico, es posible que obtenga un pronóstico erróneo o menos preciso.
- Si tiene una estructura subyacente en los datos como productos que dependen, por ejemplo, del uso de fines de semana/días de semana, es posible que desee dividir los datos y crear un modelo para ambos por separado. De lo contrario, vuelve a ser menos preciso.
- Otra cosa es pensar en qué tan lejos en el pasado quiero mirar. Algunas tecnologías han sido importantes, pero después de un tiempo se volvieron menos importantes (solo piense en los rayos azules/dvd, se decía que los rayos azules eran la gran novedad, pero antes de que realmente despegaran, la transmisión era la gran novedad).
- También piense qué tan lejos en el futuro desea predecir y cuente con la predicción. Básicamente por razones similares a las indicadas anteriormente.
Espero que esto ayude un poco, aunque es posible que no responda todas sus preguntas con el detalle que necesitaría.
Puede @jiancao tiene algo que agregar como guía?
Hola @martindemel ,
Gracias por su respuesta.Su consejo es muy informativo para mí. Creo que ayudará a mi cliente.
Muchas gracias por tu amable ayuda.
Yuichi
