Una previsión no solo puede ser más o menos precisa. También puede ser más o menos incierta dependiendo del horizonte temporal, del modelo utilizado, de los escenarios que contemplemos o del nivel de detalle en el que analicemos la demanda.
En el primer artículo vimos cómo los intervalos de predicción, los percentiles y las distribuciones probabilísticas permiten representar lo que puede ocurrir alrededor de una previsión. Pero entender la incertidumbre exige ir un paso más allá: necesitamos saber cuándo aumenta, dónde se concentra y qué consecuencias tiene para el negocio.
Estas son otras cuatro formas de analizarla.
Error histórico por horizonte: saber cuánto empeora la previsión cuando miramos más lejos
Otra forma sencilla y muy útil de entender la incertidumbre consiste en analizar cómo se comporta el error histórico según la distancia entre el momento en que hacemos la previsión y el momento que queremos anticipar.
No deberíamos asumir que un modelo tiene una precisión determinada en términos absolutos. Su comportamiento a siete días puede ser excelente y degradarse considerablemente a treinta, sesenta o noventa.
Esta diferencia es especialmente importante cuando una misma previsión alimenta decisiones con tiempos de reacción distintos.
Un responsable de compras con un lead time de tres meses no obtiene demasiado valor de saber que el modelo funciona muy bien a una semana. Lo que necesita conocer es la incertidumbre que existe precisamente en el horizonte en el que debe comprometer el pedido.
Este análisis obliga además a evaluar los modelos respetando el orden temporal. En la campaña sobre métricas insistimos en la evaluación rolling-origin, precisamente porque permite comprobar cómo habría funcionado realmente el sistema si se hubiese utilizado en distintos momentos del pasado.
La pregunta deja entonces de ser «¿cuál es el error del modelo?» y pasa a ser mucho más útil: ¿Qué nivel de incertidumbre tengo cuando todavía estoy a tiempo de tomar esta decisión?
Dispersión entre modelos: medir cuánto consenso existe
En forecasting es habitual trabajar con varios modelos candidatos o combinar diferentes aproximaciones. Esa diversidad no solo puede mejorar la predicción; también proporciona información sobre su estabilidad.
Si distintos modelos razonables, entrenados sobre los mismos datos, convergen alrededor de valores similares, tenemos una señal de consenso. Si sus estimaciones divergen considerablemente, conviene entender por qué antes de tratar la previsión como una cifra robusta.
Esa dispersión no equivale automáticamente a una medida completa de incertidumbre, pero sí puede actuar como una señal útil.
Una referencia en la que prácticamente todos los modelos anticipan un comportamiento parecido merece un tratamiento diferente de otra en la que pequeñas variaciones metodológicas producen resultados muy distintos.
Esto resulta especialmente interesante cuando trabajamos con grandes catálogos. No todas las series requieren la misma atención.
La divergencia entre modelos puede contribuir a identificar aquellos casos en los que merece la pena revisar drivers, cambios recientes, calidad del dato o posibles rupturas estructurales antes de convertir el forecast en una decisión operativa.
Análisis de escenarios: incorporar aquello que el histórico todavía no conoce
Los modelos aprenden principalmente de lo que ha ocurrido. Las empresas, sin embargo, tienen que decidir también sobre cosas que todavía no han ocurrido.
Una subida de precios, una promoción extraordinaria, la entrada en un nuevo canal, la pérdida de un cliente relevante, un cambio regulatorio o una campaña comercial pueden alterar la demanda futura sin que exista necesariamente un precedente idéntico en los datos.
En estas situaciones resulta útil complementar la previsión probabilística con escenarios.
En lugar de preguntar únicamente qué creemos que sucederá, podemos analizar qué ocurriría bajo diferentes hipótesis relevantes para el negocio: escenario base, escenario de mayor demanda, escenario adverso o cualquier combinación que tenga sentido en ese contexto.
No se trata de inventar tres cifras para presentar una horquilla más cómoda. Un escenario útil debe responder a supuestos explícitos y, cuando sea posible, cuantificables.
Si cambia el precio, ¿qué elasticidad estamos suponiendo?
Si aumenta la promoción, ¿qué efecto histórico hemos observado?
Si desaparece un cliente, ¿qué porcentaje de la demanda representa?
Los drivers son precisamente una pieza central de un sistema de previsión: precio, promociones, calendario y contexto ayudan a explicar la demanda y no deberían tratarse como simples variables añadidas al modelo.
Incertidumbre por segmento: localizar dónde está realmente el riesgo
Una cifra global puede ofrecer una falsa sensación de estabilidad. El mismo problema que encontramos al evaluar la precisión aparece cuando analizamos la incertidumbre.
Un forecast agregado puede comportarse de forma relativamente predecible porque los errores de unas referencias compensan los de otras. Cuando descendemos a SKU, tienda, canal, cliente o región, la situación puede cambiar considerablemente.
El whitepaper distingue precisamente entre previsión operativa, donde necesitamos un alto nivel de detalle, y previsión estratégica, donde buscamos estabilidad para planificar recursos a horizontes mayores.
Por eso es importante medir la incertidumbre en la misma granularidad en la que se toma la decisión.
Una compañía puede tener una previsión nacional muy estable y, al mismo tiempo, sufrir problemas importantes de disponibilidad porque la incertidumbre se concentra en determinadas tiendas y referencias.
Segmentar también permite descubrir dónde merece la pena invertir en mejorar el modelo. Si una parte pequeña del catálogo concentra buena parte del riesgo económico, quizá sea más rentable trabajar específicamente sobre esas series que intentar reducir unas décimas el error medio de todo el sistema.
La incertidumbre deja así de ser una propiedad abstracta del modelo para convertirse en algo mucho más accionable: un mapa de dónde está expuesto el negocio.
Medir incertidumbre no significa aceptar peores previsiones
Existe cierta tendencia a interpretar la incertidumbre como una limitación del forecasting. En realidad, reconocerla hace que la previsión sea más útil.
Una cifra puntual responde a la pregunta de qué esperamos que ocurra. Un sistema que además cuantifica la incertidumbre permite responder a otras preguntas más cercanas a la gestión: cuánto stock necesitamos para alcanzar determinado nivel de servicio, qué capacidad deberíamos reservar, dónde necesitamos margen de seguridad, qué decisiones podemos automatizar y cuáles deberían pasar por revisión humana.
Esto también ayuda a evitar una de las trampas habituales de los proyectos de previsión: perseguir una cifra de precisión como objetivo en sí mismo.
Como hemos visto al analizar el MAPE y otras métricas, ningún indicador aislado describe completamente la calidad de una previsión. Es necesario observar la magnitud del error, su dirección, los fallos extremos y el valor que aporta el modelo frente a referencias más sencillas.
La incertidumbre añade una capa más a esa lectura. Dos forecasts con un error medio parecido pueden implicar riesgos muy diferentes para el negocio.
De la incertidumbre al coste de la decisión
El paso realmente interesante llega cuando dejamos de medir la incertidumbre únicamente para describirla y empezamos a utilizarla para decidir.
Supongamos que dos referencias tienen una demanda esperada de 100 unidades y exactamente el mismo nivel de incertidumbre. En una, quedarnos diez unidades por debajo implica perder algunas ventas. En la otra, puede detenerse una operación crítica.
Desde el punto de vista estadístico podríamos encontrarnos ante problemas similares. Desde el punto de vista económico son completamente distintos.
Por eso, un sistema de forecasting no debería optimizarse exclusivamente para producir el menor error posible. La pregunta relevante es qué decisión vamos a tomar con esa previsión y cuánto nos cuesta equivocarnos en cada dirección.
Es la misma razón por la que la elección de la métrica no es puramente técnica: implica decidir qué tipo de error tiene mayor importancia para el negocio.
Del forecast a mejores decisiones ¿Cómo lo hacemos en DECIDE?
Abordamos la previsión de demanda desde esa perspectiva. Primero entendemos la decisión, el histórico disponible, los drivers y el nivel de granularidad necesario; después determinamos cómo debe evaluarse el modelo y cómo integrar su resultado en la operación.
El objetivo no es construir el forecast estadísticamente más atractivo, sino conseguir que la información disponible permita tomar mejores decisiones.
Porque predecir la demanda nunca elimina la incertidumbre. La ventaja está en saber medirla y decidir qué hacer con ella.
¿Y si el siguiente paso no fuera mejorar el forecast, sino mejorar la decisión?
En DECIDE analizamos cómo encaja la previsión en tus procesos de negocio y qué impacto puede tener una mejor gestión de la incertidumbre sobre inventario, capacidad, aprovisionamiento o producción.
