En previsión de la demanda solemos dedicar mucho tiempo a discutir si un modelo acierta más o menos. Necesitamos saber si las predicciones son fiables antes de utilizarlas para decidir cuánto comprar, producir, almacenar o transportar. Centrarse exclusivamente en la precisión deja fuera una parte importante del problema. Una previsión no es una certeza sobre lo que va a ocurrir, sino una estimación realizada con la información disponible en un momento determinado.
Saber que la demanda prevista para el próximo mes es de 10.000 unidades es útil. Saber, además, que existe una probabilidad razonable de que termine entre 8.500 y 12.000 permite tomar una decisión distinta. Y saber qué productos, mercados o periodos concentran esa incertidumbre permite decidir dónde necesitamos stock de seguridad, capacidad adicional o simplemente una mayor vigilancia.
Un sistema de forecasting maduro no debería limitarse a producir una cifra. También debería ayudarnos a entender cuánta confianza podemos depositar en ella y qué riesgo asumimos cuando tomamos una decisión basándonos en esa previsión.
Aquí abordamos tres formas de medir y representar esa incertidumbre: los intervalos de predicción, los percentiles y las distribuciones probabilísticas.
1. Intervalos de predicción: sustituir el número único por un rango
La manera más directa de representar la incertidumbre es acompañar la previsión puntual de un intervalo. En lugar de afirmar que esperamos vender 10.000 unidades, el modelo puede indicar que, con un determinado nivel de confianza, la demanda se encontrará dentro de un rango.
El cambio parece pequeño, pero desde el punto de vista de negocio es importante. Dos referencias pueden tener exactamente la misma previsión (por ejemplo, 500 unidades) y requerir decisiones de inventario completamente distintas si una presenta un comportamiento muy estable y la otra fluctúa habitualmente entre 300 y 800.
Además, los intervalos permiten observar cómo aumenta la incertidumbre a medida que ampliamos el horizonte. Es razonable tener una estimación relativamente acotada de lo que sucederá la próxima semana y un rango considerablemente mayor cuando intentamos anticipar el próximo trimestre.
La cuestión importante es no interpretar estos intervalos como una garantía. Su utilidad depende de que estén correctamente calibrados: si utilizamos, por ejemplo, un intervalo diseñado para contener la demanda real el 90% de las veces, deberíamos comprobar posteriormente si ese comportamiento se produce realmente.
Un rango excesivamente estrecho transmite una seguridad que el modelo no tiene; uno demasiado amplio puede ser estadísticamente prudente, pero resultar poco útil para decidir.
2. Percentiles: cuando el coste de quedarse corto no es igual al de pasarse
En muchas operaciones no necesitamos conocer únicamente el escenario más probable. Necesitamos saber qué nivel de demanda deberíamos cubrir en función del riesgo que estamos dispuestos a asumir.
Aquí resultan especialmente útiles las previsiones por percentiles. Un percentil 50 puede utilizarse como estimación central, mientras que percentiles superiores permiten trabajar con escenarios de demanda más exigentes. No estamos diciendo que uno sea más correcto que otro; estamos eligiendo una posición diferente frente al riesgo.
Esto es especialmente relevante porque el error de previsión rara vez tiene un coste simétrico. No disponer de una pieza crítica que paraliza una línea de producción puede ser mucho más caro que mantener una unidad adicional en almacén. En un producto perecedero ocurre lo contrario: sobreestimar sistemáticamente puede generar caducidad, merma y costes de almacenamiento.
Por eso, el objetivo no siempre debe ser apuntar al centro de la distribución. En determinados contextos tiene sentido planificar contra un percentil más alto y asumir cierto exceso de inventario para reducir el riesgo de rotura. En otros, una posición más conservadora puede proteger mejor el margen.
Este principio conecta directamente la incertidumbre estadística con la decisión económica. Como planteábamos al analizar las métricas de forecasting, no cuesta lo mismo quedarse corto que pasarse, y el sistema debería reflejar esa realidad.
3. Distribuciones probabilísticas: entender qué hay alrededor del forecast
Los intervalos y los percentiles son dos formas de resumir algo más amplio: la distribución de posibles valores futuros.
En determinados problemas resulta útil modelar directamente esa distribución. En vez de producir exclusivamente una estimación central, el sistema asigna probabilidades a distintos niveles de demanda. Esto permite distinguir situaciones que una previsión puntual trataría como equivalentes.
Imaginemos dos productos para los que esperamos vender 1.000 unidades. En el primero, prácticamente todos los escenarios razonables están concentrados entre 950 y 1.050. En el segundo, existe una dispersión mucho mayor y una probabilidad relevante de superar las 1.400 unidades.
La previsión central es idéntica, pero la exposición operativa no lo es.
Trabajar con distribuciones resulta especialmente interesante cuando la previsión alimenta decisiones posteriores de optimización. Inventario, capacidad, aprovisionamiento o planificación de recursos pueden diseñarse teniendo en cuenta varios escenarios y su probabilidad, en lugar de optimizar toda la operación contra un único futuro que sabemos que difícilmente se producirá exactamente como lo hemos previsto.
Medir la incertidumbre cambia la forma de utilizar una previsión
Estas tres aproximaciones permiten dar un paso más allá de la previsión puntual. Ya no se trata únicamente de saber qué cifra espera el modelo, sino de entender qué posibilidades existen alrededor de ella y qué posición queremos adoptar frente al riesgo.
Dos forecasts con una previsión central idéntica pueden requerir decisiones completamente diferentes. Y esa diferencia puede ser determinante cuando la previsión se utiliza para gestionar inventario, capacidad, aprovisionamiento o producción.
La incertidumbre, por tanto, no debe interpretarse como una debilidad del forecasting. Es una característica inherente a cualquier previsión sobre el futuro y, cuando se mide correctamente, puede convertirse en información útil para decidir.
Estas no son las únicas formas de analizarla. También podemos observar cómo cambia el error cuando ampliamos el horizonte temporal, cuánto consenso existe entre distintos modelos, qué ocurre bajo escenarios alternativos y dónde se concentra realmente el riesgo dentro del negocio.
¿Sabes realmente cuánta incertidumbre hay detrás de tus previsiones?
En DECIDE Linkroad podemos ayudarte a analizar tu sistema de forecasting, identificar dónde se concentra el riesgo y establecer una línea base sobre la que mejorar.
