Controlar La Previsión De La Demanda De Productos De Ciclo De Vida Corto

May 22, 2019 6 min.

La vida útil de una revista es de entre un par de días a una semana. Los libros, generalmente se mantienen en demanda durante unos meses antes de perder relevancia. La electrónica de consumo, como móviles y pantallas planas, se venden durante un par de años como máximo.

El rasgo común aquí es un ciclo de vida corto. El interés en estos productos normalmente alcanza el punto álgido durante su lanzamiento y poco después la demanda disminuye, a veces drásticamente, hasta desaparecer porque el producto pierde fuerza o porque se lanza un nuevo producto al mercado. Estos patrones de venta que cambian rápidamente hacen que la previsión de la demanda de los productos de ciclo de vida corto sea enormemente complicada.

En este documento, primero explicaremos porqué no es factible pronosticar la demanda para productos de ciclo de vida corto utilizando solo sus propios datos de ventas. Y lo que es más importante, luego mostraremos como es posible realizar un pronóstico preciso para este tipo de productos a través de un modelo estadístico inteligente que usa datos de lanzamientos de productos anteriores.

Ciclos de vida cortos son difíciles de pronosticar

Imaginemos que se anuncia un nuevo libro de Harry Potter y que se te asigna la tarea de pronosticar sus ventas. En la primera semana, tu tienda vende 1.000 copias. Usando solamente esta información, una previsión lógica para la demanda de la próxima semana sería otras 1.000, ¿correcto? En la práctica, esta previsión sería demasiado alta ya que muchos amantes de los libros compraron el libro durante la primera semana, con lo que en la siguiente, habrá menos compradores.

Pongamos que las ventas durante la segunda semana son de 500 copias. Basándonos ahora en dos semanas de ventas, la previsión lógica para la tercera semana, la cuarta y sucesivas debería sencillamente seguir la secuencia: 1000, 500….- ¡0 copias!. Este enfoque, sin embargo, nos lleva a un pronóstico demasiado bajo. (Consulte la Imagen 1 para ver estos dos enfoques de previsión en comparación con el patrón de ventas real).

Imagen 1: los perfiles de ciclo de vida corta no suelen ser lineales (curva verde). Consecuentemente, los enfoques lineales para el pronóstico de la demanda, como establecer el pronóstico igual a las ventas de la semana anterior (curva roja) o realizar una extrapolación lineal basada en las dos semanas anteriores (curva amarilla), dan como resultado, pronósticos pobres.

Queda claro que, pronosticar la demanda de los productos de ciclo de vida corto basándonos únicamente en los propios datos de ventas de los productos no es factible.

Se pueden obtener pronósticos mucho mejores al estimar el perfil de ventas, es decir, la distribución de ventas entre las semanas posteriores al lanzamiento del producto, a partir de los patrones del histórico de ventas de productos similares. Aplicando el ejemplo anterior, la caída de ventas de la Semana 1 a la Semana 2, o incluso las ventas a lo largo del ciclo de vida completo del libro, puede pronosticarse en función de los patrones de ventas de los libros anteriores de Harry Potter.

Previsión de la demanda óptima para los productos de ciclo de vida corto

Hay muchas maneras de estimar el perfil de ciclo de vida a partir de los datos históricos de ventas. De nuevo, empezamos con la solución más obvia: primero calcular el promedio de perfiles de ciclo corto de ventas pasadas de productos parecidos, luego aplicar este promedio al pronosticar la demanda de nuevos productos. Sin embargo, este enfoque sigue fallando cuando se aplica a productos en la vida real, ya que introduce un ruido aleatorio que afecta negativamente a la precisión del pronóstico (ver Imagen 2). Además, a los planificadores les puede resultar difícil confiar en pronósticos que parecen saltar al azar de arriba a abajo.

Imagen 2: el cálculo del perfil del ciclo de vida directamente a partir de datos de ventas pasadas, sin ningún modelo inteligente, conduce a pronósticos ruidosos. El ruido estadístico se enfatiza cuando los volúmenes de venta son bajos.

Los resultados óptimos se pueden conseguir solo a través de modelos inteligentes que hacen un buen uso de nuestro conocimiento de los perfiles de ventas.

Nuestra investigación muestra que podemos capturar la forma de un perfil de ciclo de vida corto mediante el uso de ecuaciones diferenciales. Empezamos con la premisa de que los productos de ciclo de vida corto tienen un potencial de mercado fijo. De ello se deduce que la cantidad de compradores, y consecuentemente, la ratio de ventas disminuirá hacia el final del ciclo de vida a medida que se consume ese potencial. Este pensamiento, cuando se expresa de forma matemática, da como resultado una ecuación diferencial, cuya solución es una función exponencial decreciente. Esta curva simple, en realidad, captura bastante bien la forma general de muchos perfiles de ciclo de vida.

El modelo gana flexibilidad y se convierte en un ajuste universal para las formas de ciclo de vida, suponiendo además que, aquellos compradores que ya han comprado el producto pueden recomendarlo a sus amigos o seguidores en las redes sociales – “los imitadores”. La curva de las ventas (ver Imagen 3) corresponde al modelo de difusión Bass.

Imagen 3: el modelo de difusión Bass es muy flexible y aplicable a la mayoría de patrones de ciclo de vida.

Avalado por la práctica

El modelo de pronóstico de perfil de ciclo de vida implementado por RELEX estima la forma del ciclo de vida de un nuevo producto, basándose en ciclos de vida completados de productos similares. Este perfil se utiliza para pronosticar la demanda del nuevo producto.

Este tipo de perfil de ciclo de vida ha sido validado en muchas categorías de productos, desde moda a libros, con excelentes resultados. La siguiente imagen muestra el modelo de pronóstico en acción. En este caso, se calculó un pronóstico del ciclo de vida completo antes del lanzamiento.

Imagen 4: un ejemplo de la aplicación del modelo de pronóstico de ciclo de vida de RELEX para pronosticar la demanda a lo largo del ciclo de vida completo de un producto. En este ejemplo, el nuevo producto se introduce a principios de abril. Las ventas de productos similares históricamente han alcanzado su máximo 6 semanas después de su lanzamiento, aproximadamente, y por lo tanto, las ventas más altas se pronostican para mediados de mayo.

Debido al modelado inteligente, este enfoque puede producir pronósticos fiables incluso cuando están basados en volúmenes bajos de datos históricos de ventas. Gracias a la base de datos in-memory de altísimas prestaciones, tanto el ajuste como la previsión del modelo se convierten en operaciones muy rápidas y eficientes.


Listado de referencias:

Towards a weather-proactive supply chain

Improve demand forecasts by considering cannibalization and halo effects

Decision Science and Pragmatic AI in Retail

Create meaningful forecasts for new products

Better promotion forecasting in 4 steps

Autor

Tuomas Viitanen

Tuomas Viitanen

Data Scientist