¿Qué es la previsión?

El forecasting empresarial tiene como objetivo estimar la demanda de los clientes de productos o servicios, ventas de proyectos o estimar el crecimiento y la expansión. Puede facilitar la asignación de presupuestos, capital, recursos humanos y más. En resumen, el forecasting empresarial ayuda a fundamentar el proceso de toma de decisiones.

forecasting se asocia a menudo con analytics de big data y análisis predictivos. Hoy en día, muchas técnicas de forecasting se basan en la inteligencia artificial (IA) y en métodos de machine learning para elaborar previsiones con mayor rapidez y precisión. Según un estudio de la consultora de gestión McKinsey, las herramientas impulsadas por IA pueden reducir los errores de forecasting hasta en un 50 %, lo que se traduce en un descenso de la escasez de existencias y la pérdida de ventas de hasta un 65 %¹

Las previsiones son predicciones, lo que significa que a menudo no serán 100 % precisas. Y el horizonte temporal de una previsión es importante: las predicciones a corto plazo pueden ser más precisas que las de a largo plazo. También podría ser útil agregar datos o combinar técnicas para una mayor precisión, y pensar en la previsión como una guía y no como el determinante final de las decisiones.

El proceso de forecasting puede parecer diferente para cada organización, pero generalmente implica estos pasos:

Definir qué predecir: las empresas identifican un caso de negocio o métrica específica que quieren predecir y tienen en cuenta los supuestos relevantes y las variables aplicables.

Recopilar datos: este paso incluye la recopilación de los datos necesarios. Si ya existen datos históricos, se trata de determinar los conjuntos de datos más adecuados.

Seleccionar un método de previsión: elija la técnica de forecasting que mejor se adapte no solo al caso de negocio o la métrica, sino también a las variables, suposiciones y conjuntos de datos asociados.

Generar un pronóstico: los datos se analizan empleando el método elegido y se crea una previsión a partir de este análisis.

Verificar el pronóstico: compruebe las predicciones y vea si se puede realizar alguna optimización para crear una previsión más precisa.

Presentar el pronóstico: La visualización de datos se puede utilizar para representar la previsión en un formato más visual, lo que facilita a los stakeholders su comprensión y aplicación en el proceso de toma de decisiones.

El forecasting se puede realizar de varias maneras, pero cada enfoque suele clasificarse en una de dos técnicas principales: forecasting cualitativo y forecasting cuantitativo.

El forecasting cualitativo se basa en el juicio humano, como las opiniones de los consumidores, los insights de expertos y los puntos de vista de ejecutivos de alto nivel. Este método de forecasting aplica un mecanismo de calificación como un medio sistemático para convertir información cualitativa en datos cuantitativos.

Estos son algunos enfoques de forecasting cualitativo empleados con frecuencia:

En el método Delphi, se invita a varios expertos a responder una serie de cuestionarios para conocer sus perspectivas sobre el caso de negocio o la métrica a pronosticar. Las respuestas son anónimas, lo que permite que los puntos de vista se consideren por igual. Las respuestas del cuestionario anterior se emplean para elaborar el siguiente cuestionario, y este proceso continúa hasta que se llega a un consenso sobre una previsión.

Las empresas recurren a la ayuda de firmas de investigación de mercado para realizar encuestas a clientes y pedirles su opinión sobre productos o servicios. Los datos recopilados a partir de estas encuestas se emplean para fundamentar las previsiones de ventas y las iniciativas de mejora de productos o servicios.

El forecasting cualitativo tiene los siguientes beneficios:

• Se puede emplear cuando los datos son limitados, como al evaluar la tasa de aceptación del mercado o la tasa de penetración en el mercado de nuevos productos o tecnologías.

• Integra información de expertos y personas con amplios conocimientos sobre la empresa y sus ofertas, que es poco probable que los datos cuantitativos capturen.

• A menudo puede considerar incidentes únicos o escenarios atípicos, como una crisis o un desastre. Esto significa que el forecasting cualitativo podría ser una buena opción para situaciones en las que las condiciones evolucionan constantemente.

Pero este tipo de forecasting también tiene sus inconvenientes:

• Debido a que se basa en el juicio humano, el forecasting cualitativo puede ser subjetivo, incorporando sesgos que conducen a factores y suposiciones exagerados o pasados por alto.

• A veces, la información cualitativa puede considerar solo los eventos más recientes o las experiencias de primera mano, por lo que es posible que se pasen por alto las tendencias o patrones a largo plazo de los datos pasados.

El forecasting cuantitativo se basa en datos numéricos, empleando modelos matemáticos y métodos estadísticos para llegar a una predicción. Muchas técnicas de forecasting cuantitativo aprovechan la ciencia de datos, la IA y el machine learning para impulsar el proceso.

Estas son algunas estrategias comunes de forecasting cuantitativo:

Este método cuantitativo emplea datos históricos modelados como series temporales para proyectar resultados futuros. Una serie temporal es una serie de puntos de datos trazados en orden cronológico.

Los modelos de forecasting de series temporales pueden ayudar a revelar tendencias previsibles en los datos influenciados por ciclos, fluctuaciones irregulares, estacionalidad y otras variaciones.

El análisis de series temporales se menciona con frecuencia junto al forecasting de series temporales. Si bien el análisis de series temporales implica comprender los datos de las series temporales para extraer insights de ellas, el forecasting de series temporales va más allá del análisis para predecir valores futuros.

El forecasting de series temporales abarca varios métodos:

Naive

El método Naive emplea el punto de datos del periodo anterior como previsión para el próximo periodo. Esto lo convierte en el método de forecasting de series temporales más sencillo y, a menudo, se considera un punto de referencia preliminar.

Promedio móvil simple

La técnica de promedio móvil simple calcula el promedio de los puntos de datos de los últimos periodos T. Ese promedio sirve entonces como previsión para el próximo periodo.

Promedio móvil ponderado

Este método se basa en la técnica de promedio móvil simple, pero con una ponderación aplicada a cada punto de datos de los últimos periodos T.

Suavizado exponencial

El suavizado exponencial funciona aplicando un promedio ponderado exponencialmente a los datos de series temporales. Las ponderaciones disminuyen exponencialmente a medida que los datos se vuelven más antiguos: cuanto más recientes son los datos, mayor es su ponderación.

Un coeficiente de suavizado (también llamado factor o parámetro de suavizado) controla las ponderaciones asignadas a los datos pasados y actuales. Con estas ponderaciones, se calcula el promedio móvil ponderado y sirve como la previsión. Esta se convierte en una versión suavizada de una serie temporal, eliminando fluctuaciones, ruido, valores atípicos y variaciones aleatorias de los datos.

El suavizado exponencial no suele requerir un conjunto de datos enorme, lo que lo convierte en un buen método de forecasting para proyecciones a corto plazo. Y como da más peso a los datos actuales, el suavizado exponencial puede adaptarse rápidamente a tendencias nuevas o cambiantes.

Índice estacional

Un índice estacional puede ser valioso para las empresas cuya producción o demanda de bienes o servicios depende de las estaciones.

Para calcular el índice estacional, tome la demanda promedio para una temporada en particular y divídala entre la demanda promedio en todas las estaciones. Estos promedios generalmente se calculan utilizando una técnica de promedio móvil, pero el suavizado exponencial también se puede aplicar utilizando datos de series temporales solo para esa temporada. Un índice estacional resultante menor que 1 significa una demanda menor que el promedio, mientras que un valor mayor a 1 denota una demanda superior al promedio.

Para estimar la previsión para la próxima temporada, la demanda proyectada de esa temporada se multiplicará por el índice estacional correspondiente.

Los modelos causales son una expresión matemática de las relaciones causales en los datos. Estos modelos de forecasting pueden ser adecuados para previsiones con un horizonte temporal más largo.

Modelos de regresión

Los modelos basados en regresión analizan la relación entre una previsión o variable dependiente y una o más variables predictoras o independientes. Un ejemplo de un modelo de regresión es la regresión lineal, que representa una relación lineal entre una variable de previsión y una variable predictora.

Modelos econométricos

Los modelos econométricos son similares a los modelos de regresión, pero con un enfoque en variables económicas, como las tasas de interés y la inflación, y las relaciones económicas, como las condiciones del mercado y los precios de los activos.

El forecasting cuantitativo ofrece estos beneficios:

• Se basa en números y matemáticas, lo que puede dar como resultado predicciones más objetivas. 

• Proporciona resultados congruentes, replicables y estructurados que ayudan a agilizar el análisis en periodos específicos.

Pero este forecasting de previsión también tiene algunos inconvenientes:

• Es difícil fusionar insights de expertos, información de usuarios internos y otros datos cualitativos en las previsiones cuantitativas.

• Necesita suficientes datos históricos para producir predicciones confiables.

El forecasting con IA emplea IA y algoritmos de machine learning para métodos de forecasting cuantitativo, como la previsión de series temporales y los modelos de regresión. El forecasting con IA puede manejar enormes volúmenes de datos, ejecutar cálculos rápidos, abordar predicciones complejas y revelar correlaciones rápidamente.

Estos son algunos modelos y técnicas comunes de machine learning empleados en el forecasting con IA:

• Árboles de decisión
• Aprendizaje profundo
• Aprendizaje por conjuntos, que combina múltiples aprendices para mejorar el rendimiento predictivo
• Algoritmo KNN (k-vecinos más cercanos)
• Redes neuronales

Al emplear el forecasting con IA, es importante evaluar la alineación de un modelo con los objetivos de forecasting de una empresa. Monitoree el rendimiento del modelo con regularidad para determinar si es necesario volver a entrenarlo con nuevos datos o ajustarlo para optimizar su rendimiento. Considere también si un modelo es explicable, de modo que todos los stakeholders puedan comprender cómo se hicieron las predicciones y cómo interpretarlas.

El forecasting se puede implementar en varias áreas de negocio:

El software de forecasting ofrece funciones avanzadas, como la integración de datos de diferentes fuentes y el análisis de interacciones entre múltiples variables. Estos pueden ayudar a las empresas a desarrollar previsiones confiables, y actualizar y gestionar modelos de forecasting y simulaciones de manera eficiente. Otras herramientas de forecasting también tienen capacidades de IA integradas para automatizar los flujos de trabajo, mejorar la precisión y acelerar el proceso.