Planificación y previsión probabilísticas, sin misterios

Este artículo se publicó originalmente en https://www.linkedin.com/pulse/primer-probabilistic-planning-forecasting-stefan-de-kok/ Llevo 15 años escribiendo y defendiendo los enfoques probabilísticos de planificación y previsión, y me alegra ver que en los últimos años por fin están ganando terreno y atención. Pero aún abundan las dudas y los malentendidos sobre qué son y qué requieren. Podría llenar un extenso manual para explicarlo todo en detalle (y en ello estoy), pero aquí abordaré algunos aspectos clave.

¿Qué hace que algo sea probabilístico?

El criterio clave para que un plan o una previsión sean «probabilísticos» es que sus cálculos internos trabajen con distribuciones de probabilidad en lugar de con números exactos para cualquier valor que represente algo incierto. En general, esto incluye todo lo que pertenece al futuro: cantidades, plazos de entrega, ritmos de producción, rendimientos, etc. Lo contrario de probabilístico es «determinista», que usa números exactos para aproximar cantidades inciertas, a menudo una media histórica. Un indicio de que un plan o una previsión son probabilísticos es que sus resultados también suelen expresarse como distribuciones de probabilidad. Mientras que un plan o una previsión deterministas se expresan como un conjunto de series temporales de números exactos, uno probabilístico se expresa como un conjunto de series temporales de distribuciones de probabilidad. Es importante entender que incluso los resultados de planes deterministas pueden expresarse como distribuciones, pero eso no los convierte en probabilísticos. Por ejemplo, el error de ajuste de las previsiones estadísticas puede expresarse como una distribución, suponiendo que sigue una distribución normal centrada en el valor previsto. El resultado puede presentarse entonces como una «previsión por rangos». Pero no hay que confundirla con una previsión probabilística. Una previsión por rangos determinada estadísticamente suele tener un error elevado debido a la suposición ingenua de que la distribución es independiente e idénticamente distribuida (i.i.d.) y gaussiana (es decir, normal), algo que rara vez ocurre en el mundo real. Por ejemplo, imagina que lanzas dos dados repetidamente. Una previsión estadística sin sesgo dirá que sacarás un siete cada vez, ya que es la media esperada. Una previsión probabilística expresará las distintas probabilidades de obtener cada resultado posible: Figura 1: previsión estadística del lanzamiento de 2 dados (izquierda) y su equivalente probabilístico (derecha) El «error» del lado estadístico no es en realidad un error de la previsión. Es la incapacidad de distinguir entre el error real y la variabilidad natural. Si lo mostramos como series temporales, ambas serían planas (estacionarias), ya que el resultado se distribuye igual en cada lanzamiento. Con datos más típicos de supply chain, se parecerían a esto: Figura 2: previsión estadística (izquierda) y probabilística (derecha) con datos semanales. El tiempo está en el eje horizontal y la cantidad prevista en el vertical. Los tonos de azul más claros indican una menor probabilidad de que ocurra (una simplificación visual para facilitar la interpretación). Las líneas discontinuas rojas son los típicos intervalos de confianza o la previsión por rangos.

El valor de los métodos probabilísticos

El valor de el enfoque probabilístico reside en que distingue correctamente entre error y variabilidad natural, y entre señal y ruido, algo imposible desde la perspectiva determinista. Esto tiene tres consecuencias principales:

1. Es imposible determinar con precisión riesgos y oportunidades a partir de planes y previsiones deterministas.
2. Es imposible juzgar correctamente, de forma determinista, lo bueno o malo que es un plan o una previsión.
3. Es imposible determinar con cierto grado de exactitud dónde centrar los esfuerzos de mejora a partir de planes o previsiones deterministas.

Un reflejo de estas limitaciones son las distintas métricas utilizadas. Si tienes un MAPE del 60% , ¿es bueno o malo? Y si crees que es malo, ¿cuánto podrías mejorarlo? Sinceramente, es imposible saberlo. Los enfoques de probabilistic forecasting aportan información muy completa para identificar riesgos y oportunidades en todos los niveles de detalle, lo que permite tomar decisiones de negocio fundamentadas. También permiten separar perfectamente lo que puedes controlar y mejorar de lo que no. Es posible crear métricas (¡métricas probabilísticas!) que cuantifiquen con exactitud la señal frente al ruido, el error frente a la variabilidad y la precisión frente a la exactitud.

Precisión frente a exactitud

Esto nos lleva a la cuestión de la precisión y la exactitud. Estos términos se usan en el ámbito de la previsión desde hace más de medio siglo, a menudo como sinónimos. Y, francamente, se han usado mal. En previsión tienen significados distintos a los de cualquier otro ámbito, porque la perspectiva determinista no es capaz de distinguirlos. Así, históricamente se asignaron a combinaciones arbitrarias de ambos conceptos nombres que en otros ámbitos tienen significados puros y claros. La perspectiva probabilística permite recuperar estos términos y usarlos de la forma correcta: Figura 3: precisión frente a exactitud En sentido estricto, la precisión y la exactitud son ortogonales: dicen algo completamente distinto sobre lo mismo.

1. Exactitud: cuánto se acerca de media el plan o la previsión al objetivo
2. Precisión: cuánto se parecen entre sí los valores del plan o la previsión

La exactitud puede expresarse en una escala conocida (por ejemplo, de 0% a 100%) en la que cada valor es realmente posible, pero no puede determinarse en el momento de la previsión. La precisión sí puede determinarse al prever o planificar, porque no depende de los valores reales, pero se mide en una escala desconocida. Las métricas deterministas nunca pueden determinarse antes de conocer los valores reales y la mayoría se miden en una escala desconocida. Las llamadas aproximaciones in-sample tienden a subestimar gravemente los valores reales. Lo peor de ambos mundos. Si aplicamos estos conceptos al ejemplo de la figura 1, queda claro que las previsiones estadísticas son precisas pero inexactas. Se expresan como cifras exactas que, por lo general, son erróneas. En cambio, las previsiones probabilísticas pueden ser perfectamente exactas, pero son imprecisas. Se expresan como rangos amplios, pero pueden representar fielmente la realidad. ¡Son enfoques diametralmente opuestos! No puedes ajustar uno para obtener el otro. Son fundamentalmente distintos.

Mitos sobre los métodos probabilísticos

Al hablar de métodos probabilísticos surgen a menudo algunos conceptos erróneos que quedan fuera del alcance de esta introducción. Probablemente dedicaré artículos a cada uno de ellos próximamente. Por ahora, los enumero aquí: Mito 1: Los métodos probabilísticos necesitan grandes cantidades de datos. Falso: la mayoría de los datos ya están en cualquier ERP y pueden complementarse igual que en los métodos deterministas (por ejemplo, con datos promocionales). Pueden incorporar muchos más datos, si se desea y están disponibles, para separar mejor la señal del ruido, pero es opcional. Mito 2: Los métodos probabilísticos necesitan una enorme capacidad de cálculo. Solo es cierto si se recurre a la fuerza bruta de la simulación con grandes volúmenes de datos. Es falso para los métodos de forma cerrada, que no consumen más que sus equivalentes deterministas, y a menudo menos. Mito 3: Los planes y previsiones probabilísticos son difíciles de interpretar y usar. Falso: suelen aportar información más rica, que permite tomar decisiones de negocio mejor fundamentadas. Mientras los planes deterministas ofrecen cantidades medias exactas con una incertidumbre conocida pero sin cuantificar, los métodos probabilísticos presentan la incertidumbre con exactitud. Las discusiones dejan de ser políticas y pasan a centrarse en decidir el equilibrio entre coste y riesgo. Mito 4: Los planes y previsiones probabilísticos no pueden ajustarse manualmente. Falso. De hecho, los ajustes pueden hacerse exactamente como se desee, aunque la incertidumbre se desvía cuando los ajustes históricos han tenido sesgo. Así es posible alinearse perfectamente con previsiones de ventas o presupuestos sesgados sin disparar los costes de la supply chain para cumplirlos. Mito 5: La inteligencia artificial (IA) y el machine learning (ML) son probabilísticos. Mayoritariamente falso. Algunos métodos de IA podrían considerarse probabilísticos, aunque la mayoría asume de forma ingenua una distribución normal. La gran mayoría son puramente deterministas. Dicho esto, la IA/ML puede complementar a los métodos probabilísticos donde estos flaquean, por ejemplo cuando hay pocos o ningún dato histórico.

Conclusión

Los métodos probabilísticos son el futuro. Son la base correcta para cualquier ámbito con incertidumbre, lo que incluye todo tipo de previsiones y de procesos de planificación. Los métodos deterministas tradicionales asumen erróneamente que los valores inciertos pueden aproximarse sin riesgo mediante un único número medio. Previsiones que siempre fallan, planes inviables en cuanto se publican porque todo ha cambiado y urgencias y apagafuegos constantes son consecuencias directas de esa única suposición. Son métodos con fallos de base que no tienen arreglo. Son precisos, cuando lo que se necesita es exactitud. Sin embargo, desarrollar el enfoque correcto, los métodos probabilísticos, es difícil. Exige mucha más sofisticación al software y a sus desarrolladores para que la solución resulte mucho menos compleja que los sistemas tradicionales para planificadores y analistas de previsión. También exigirá algunas revelaciones a todos los implicados. Sobre todo, que la exactitud y la precisión se han desvirtuado en el ámbito de la previsión y deben redefinirse para coincidir con el resto de disciplinas. Y también que todas las métricas deterministas se quedan cortas, porque no reflejan con claridad esta distinción. Muchas siguen siendo útiles desde una visión probabilística, pero no como se usan hoy. Hablaré de ello en próximos artículos.

¿Listo para implantar el probabilistic forecasting? Descubre el software de planificación de la demanda basado en IA de ToolsGroup, que utiliza métodos probabilísticos para mejorar la exactitud entre un 5 y un 10%.