Las Navidades se acercan y llenan de productos las estanterías de los comercios. Es la época del año en que más aumenta el volumen de venta y su variabilidad. En el mes de agosto, una empresa fabricante de zapatos para grandes cadenas de distribución debe estar ya fabricando lo que venderá en Navidad. Al fin y al cabo, la capacidad de los procesos productivos es limitada. "La precisión de la previsión de la demanda futura cobra gran importancia para no llegar a la campaña de Navidad con exceso de stock de unos artículos y roturas de stock en otros", indican David Ciprés y Lorena Polo, responsables de proyectos de logística en Itainnova. Ante un problema tan común en las empresas de fabricación, "que trabajan con capacidad limitada y cuya venta está sometida a una gran estacionalidad, la previsión de la demanda es fundamental para la planificación de los procesos".

Con esta previsión en la mano, detalla Polo, es posible "planificar las órdenes de producción en las máquinas, los turnos de trabajo asociados a dichas máquinas y también los pedidos de materia prima o material auxiliar (envases, embalajes...)".Modelos

Desde Itainnova, se ofrecen soluciones de previsión de la demanda que recogen un amplio abanico de técnicas: desde las más habituales, basadas en modelos univariantes, a las más innovadoras, basadas en modelos multivariantes.

Los modelos univariantes, explica Polo, "solo se fijan en la demanda histórica para realizar previsiones"; son idóneos cuando no hay más información disponible. Sin embargo, "existen multitud de factores que pueden afectar a la demanda futura y que el histórico de venta no contempla".

Cuando entran en escena los métodos multivariantes se afina en las previsiones, pues "permiten incorporar otros factores en los modelos de estimación: presupuestos comerciales de la propia empresa, previsiones de sus clientes, calendarios, variables meteorológicas que pueden influir sobre la venta, fechas promocionales, información de otro agente de la cadena de suministro...".

La diversificación de los productos y la variedad de los sectores industriales hacen que las series de demanda sean muy diferentes. Por ejemplo, "muchos artículos del sector de recambio se demandan con poca frecuencia, mientras que los artículos de las grandes cadenas de distribución tienen una demanda más estable, pero mayor estacionalidad". Por lo tanto, asegura Polo, "no existe un modelo de previsión que sirva para todos los productos. Los modelos de previsión útiles para unos productos, no lo son para otros. Por ello es preciso ajustar diferentes modelos matemáticos para diferentes patrones de demanda".

La ventaja de la personalización de los modelos es que la precisión obtenida en la previsión es mayor. "La planificación que realizamos de los procesos se ajustará más a las necesidades reales de la demanda y, por tanto, se obtendrán mayores ingresos a un menor coste".

¿Y cómo se elige el mejor método para cada cliente? Polo señala que "en la mayor parte de las herramientas que hay en el mercado, los métodos de previsión se configuran una sola vez, seleccionando un método para cada producto y dejando esta asignación fija hasta que alguien decide configurarlos de nuevo". La herramienta Kajal, desarrollada por Itainnova, "asigna de forma automática el mejor método de previsión para cada producto por medio de un sofisticado procedimiento de benchmarking. Los métodos compiten y el más preciso en el histórico reciente es el ganador". La selección de método se lleva a cabo cada vez que se lanza el proceso de previsión.

Ciprés explica que "los datos nos cuentan el pasado y las decisiones que tomamos tienen impacto en el futuro; por eso construimos modelos de los procesos, para poder evaluar con precisión el impacto que tienen las posibles decisiones actuales en las próximas horas, días o meses y seleccionar el mejor plan". Así, mientras "los datos nos ayudan a ‘escuchar’ los procesos, los modelos nos permiten ‘hablar’ con los procesos".

En pleno camino hacia la industria 4.0, "estas tecnologías permiten trabajar con nuevas fuentes de información, por ejemplo añadiendo sensores a vehículos, máquinas o productos, y procesando estos datos de forma rápida para detectar desviaciones sobre el plan previsto y generar nuevos planes que se adapten a las nuevas condiciones del proceso".