Hace un par de semanas hablábamos con un cliente sobre los problemas en el forecasting de nuevos productos, y cómo esto estaba afectando su cadena de suministro. Aunque el efecto era evidente para ellos, la causa raíz aún no era clara. El problema se manifestaba en dos frentes: algunos SKUs estaban sobreabastecidos, mientras que otros presentaban quiebres de inventario. A partir de nuestro análisis, identificamos como causa principal la baja precisión en los Lanzamientos de Nuevos Productos, conocidos como New Product Launches (NPLs). Durante el último año, estos explicaban cerca del 70 % del error total. Aunque este valor es considerable, desde la experiencia de Signeo AI no resultaba sorprendente, especialmente en sectores con portafolios altamente dinámicos como el retail, el consumo masivo o la industria química.
Lo realmente revelador, al profundizar en el tema, es cómo esta situación se ha ido normalizando y convirtiéndose en el estatus quo para muchos sectores más allá de los mencionados.
Portafolios cada vez más grandes
Se sabe que, además de estos sectores puntuales (R.M. van Steenbergen, 2020), en la era de la Economía de la Atención, donde se busca incrementar los ingresos captando la atención del consumidor en intervalos más cortos, los productos tienden a tener una vida de venta más corta y, por tanto, exige a las empresas estar renovando su portafolio constantemente (Basallo-Triana et al., 2017; Baardman et al., 2018). Y aunque se persigue mayores utilidades, el impacto positivo esperado a veces es esquivo. Según una encuesta intersectorial (Cooper y Edgett, 2012), los nuevos productos contribuyen en promedio al 27% de los ingresos de las empresas, sin embargo, las ganancias de estos productos están rezagadas en comparación con los ingresos.
Esto se debe a los altos costos asociados con la introducción de productos, en parte causados por la dificultad de prever las ventas de NPLs en comparación con los más estables que se han vendido regularmente en el mercado (Cecere, 2013). Para aumentar las ganancias de los nuevos productos, es crucial generar pronósticos post-lanzamiento más precisos.
Pronóstico de nuevos productos
Adentrémonos en más detalle en el contexto general: cuál es el impacto de los NPL, los procesos de forecasting y sugerencias para abordar este tipo de casos, para que el nuevo producto a lanzar no se convierta en un dolor de cabeza para la cadena de suministro.
En medio de la actual era del big data, la ciencia de datos y la potencia computacional, el forecasting de nuevos productos sigue siendo una tarea problemática y propensa a errores. Un estudio de investigación realizado hace más de dos décadas reveló que la exactitud promedio alcanzada para los forecasts de nuevos productos era del 52% un año después del lanzamiento (Kahn, 2002). Informes posteriores de la industria indicaron que la cifra había cambiado poco (Jain, 2007), lo que resalta que los problemas con el forecasting de nuevos productos persistían.
Para reforzar la naturaleza particular de los NPL, es importante mencionar otro estudio de referencia sobre las mejores prácticas de forecasting. En este se encuestaron a más de 400 empresas y se realizaron 23 visitas a sitios de empresas (Mentzer, Kahn y Bienstock, 1999). Los hallazgos mostraron claramente que el forecast de nuevos productos era un punto de dolor para las empresas. Y como lo vimos al principio en nuestra experiencia, varios años después sigue siendo un punto de dolor.
El reto
A diferencia de un producto de línea, el cual cuenta con datos históricos suficientes, el principal problema de los NPL reside justamente en la falta de estos. Aparte, existen factores del producto como tal que influyen en cuál puede ser el camino a tomar, por lo que se sugiere de entrada, perfilar el producto para saber con qué métodos abordarlo. Por ejemplo, ¿se trata de un producto versionado o «nueva versión», es decir, que reemplaza a un producto predecesor? El caso más obvio es el de la salida de nuevos iPhones cada año. O, por el contrario, ¿se trata de un producto extensión que complementa la categoría? ¿Estamos hablando de ediciones limitadas? ¿Es un producto completamente nuevo?
Algunos Métodos Utilizados
A lo largo del proceso, se han sugerido métodos basados en modelos de difusión, como el modelo de Bass, pero este no aplica para todos los casos. Los modelos de difusión se utilizan principalmente para modelar tecnologías emergentes o productos nuevos en el mundo, como la adopción de coches eléctricos en Europa. Aplicar estos modelos para predecir la demanda de nuevos productos a nivel de SKU podría llevar a errores significativos.
Por otro lado, en el ámbito de los métodos cuantitativos para el forecasting de nuevos productos se basan principalmente en el forecasting por analogía para superar la falta de historia de demanda. Esto significa que estos modelos utilizan datos de productos similares para generar pronósticos de nuevos productos. El racional por analogía es que la similitud entre productos se traduce en patrones de demanda similares.
Sin embargo, no hay garantías de que la demanda histórica de productos análogos corresponda a la demanda futura de los nuevos productos (K.B. Kahn, Solving the problems of new product forecasting, Business Horizons 57, 2014) y esto debe manejarse con precaución. A pesar de esto, este método puede llegar a ser lo suficientemente preciso si se tiene la paciencia para identificar manualmente los NPL, los históricos suficientes de los SKUs correlacionados y los recursos de machine learning adecuados. Pues para el pipeline estándar de ML no es fácil reconocer un NPL.
Métodos cualitativos
En contravía al hype de la IA, otra opción son los métodos cualitativos. Kahn (2014) señaló que el forecasting de nuevos productos debe centrarse en crear estimaciones bien hechas para anticipar riesgos. El juicio humano, las encuestas, la experiencia y la intuición pueden ser más útiles para anticipar los riesgos. Cuando la incertidumbre aumenta, los pronósticos cuantitativos puntuales pueden no ser lo suficientemente confiables para su uso en decisiones operativas.
Pero en este proceso, al ser subjetivo, puede estar influenciado por los dos factores usuales del forecasting a estima: inflar el pronóstico, para que se garantice que los recursos sean los suficientes o subestimar (sandbagging) o bajar las expectativas, para que el resultado parezca que sobrepasa el objetivo con creces y poder verse mejor.
Recomendaciones
En nuestra experiencia, la combinación de ambos ejercicios puede rendir el mayor fruto. La empresa puede identificar más fácilmente sus NPL y sugerir productos con posible correlación; esta última debe validarse con cualquier método de ciencia de datos a partir de atributos conocidos, pues la demanda es todavía incierta. Para el modelamiento, se sugiere un modelo de deep learning especializado, diferente al comúnmente utilizado para el resto de SKUs. Un ejercicio cualitativo final es recomendable, cuidando de los dos factores antes mencionados. Una vez en venta, es recomendable hacer un sobremuestreo llevando los datos a una frecuencia más alta que permita ajustar el pronóstico de demanda rápidamente. Así, por ejemplo, si se busca hacer un forecast mensual, preparar el modelo a una frecuencia más alta, como días, que permita reconfigurar pronósticos a medida que se va teniendo datos para hacer el forecasting.
Al final, lo que se busca es maximizar la venta y la utilidad neta, esta última dado por la eficiencia o no del lanzamiento del producto.