.png?height=120&name=Nextail-logo-rojo%20(5).png){kind=logo}
La previsión de demanda se construye a partir de los datos de ventas de las semanas anteriores.
- Ventas históricas
- Plazo de ejecución de producción
- Planeando el horizonte
- Perímetro de compra/venta
- Desabastecimientos
- Estacionalidad
- Curvas de tamaño
El cronograma del cálculo del Pronóstico de la Demanda está definido por las Semanas Históricas, el Plazo de Entrega y el Horizonte de Planificación.
Se pueden considerar diferentes perímetros de tienda a la hora de calcular la previsión de cada escenario.
La falta de existencias, tanto en el almacén como en las tiendas, también influye a la hora de estimar la propuesta de recompra.
Los algoritmos de Nextail tienen en cuenta automáticamente el efecto en las ventas de eventos recurrentes
Las curvas de tamaño se recalculan en cada escenario para desglosar a nivel de SKU el Forecast obtenido para cada producto.
Una vez calculada la previsión de demanda a nivel de producto, se utilizan las curvas de tamaño para desglosarla y obtener una previsión por SKU.
Promociones
Las promociones son eventos especiales que tienen un efecto cambiante temporal en la demanda de un producto durante el tiempo que están activos. En este momento, las promociones pueden ser rebajas u otro tipo de eventos.
Dentro del marco de Nextail, las Promociones se expresan como un factor multiplicativo de la demanda llamado Coeficiente de Promociones. P.ej. si hay un coeficiente de promociones x2 entre dos fechas, algunas tiendas y productos concretos, significa que la demanda (eventualmente ventas) será el doble de la habitual.
El pipeline de Promociones se encarga de recuperar y calcular los coeficientes de promoción de un grupo de productos en una red de tiendas, a nivel producto-tienda-fecha.
Los clientes son responsables de definir estos coeficientes para las próximas promociones que saben que tendrán un impacto en la demanda. Estos son los coeficientes de promoción futura. Una vez finalizado el periodo de promoción, los coeficientes definidos se recalculan utilizando datos reales de ventas para obtener cuál fue el impacto real en la demanda. Estos son los coeficientes de promoción anteriores. Las promociones tienen por tanto dos efectos en nuestra previsión:
1. Multiplicar la demanda futura que los clientes estiman por los coeficientes de promoción futura. Ilustrémoslo:
- El cliente estima una demanda x2 en el producto Random Sweater 101 dentro de la segunda semana del año debido a una rebaja especial.
- La previsión una vez aplicada la estacionalidad es de 200 SKU dentro de esta semana.
- Se aplica un coeficiente de promoción futura de 2, por lo que ahora el resultado de nuestra previsión son 400 SKU.
2. Corregir (normalizar) los datos de ventas en los que se basa nuestra previsión, dividiéndolos por coeficientes de promoción pasada.
- Durante la segunda semana del año, el cliente finalmente vendió 300 SKU.
- El coeficiente real obtenido es 300/200 = 0,5 (50%).
- Para pronósticos futuros tomaremos este coeficiente de promoción pasada de 0,5 para normalizar las ventas durante el período de ventas en lugar de utilizar el coeficiente de promoción futura original (que era del 100%).
Existe la posibilidad de que varias promociones afecten al mismo producto en las mismas tiendas y período de tiempo. En estos casos sólo se tiene en cuenta el coeficiente máximo.
Disponibilidad pasada
La información de disponibilidad pasada proporciona un archivo con las combinaciones de tienda diaria y producto donde un producto está disponible en los datos históricos utilizados para el pronóstico. La importancia de informar correctamente la disponibilidad de un producto nos permite estimar la demanda en lugar de las ventas.
¿Cuál es la diferencia?
- La demanda es la cantidad que venderíamos si la tienda estuviera abierta y abastecida todos los días.
- Las ventas son lo que realmente sucedió y siempre son menores o iguales a la demanda.
Supondremos que la Demanda es igual a las Ventas cuando el producto esté disponible.
El modelo de disponibilidad pasada cubre los siguientes casos:
- Desabastecimiento de almacén (Ver más abajo en la sección de desabastecimiento de almacén)
- Primera fecha de disponibilidad. La Primera Fecha de Disponible del Producto se define como la mediana de las primeras fechas en que el producto está disponible en cada tienda, por lo que el producto se considerará no disponible para todas las fechas anteriores a la Fecha de Primera Disponible del Producto. Usamos la mediana (que es similar a un promedio) ya que se considera un enfoque más sólido que un mínimo o un máximo.
- Fechas de cierre de tiendas. Se considera que una tienda ha tenido un período de cierre si no realiza ventas durante dos o más días consecutivos. Todos los productos se consideran no disponibles en una tienda cuando esa tienda se encuentra en un período de cierre.
Estos tres casos son los casos en los que los datos históricos se consideran no buenos para pronosticar el futuro, por lo que serán excluidos. Si estas restricciones dejan un producto con menos del 50% de días de disponibilidad (frente al número de semanas utilizadas como histórico), los días de desabastecimiento que comienzan desde el inicio del período se utilizarán en el pronóstico hasta que haya suficientes días disponibles.
Desabastecimiento del almacén
En el pronóstico a largo plazo (LTF) Stockout no significa exactamente 0 stock, ya que muchas veces los clientes gradualmente se vuelven más conservadores en los reabastecimientos por lo que no llegan a 0 stock en WH en la mayoría de los casos.
Cuando un producto se considera agotado en el almacén, la solución de reorden evitará utilizar los datos de ventas de esas fechas.
Para evaluar si un producto está desabastecido de WH aplicamos varias lógicas.
Umbral de cantidad mínima: Es la cantidad de unidades de cada producto que deben estar en el WH para que el producto no se considere desabastecido. Se mide como la relación entre las unidades disponibles de un producto en el WH con la cantidad de tiendas que se necesitan cubrir. Este porcentaje es un parámetro y actualmente está establecido en 10%.
Por ejemplo, si un producto tiene 20 unidades en WH y debería cubrir 300 tiendas (10% son 30), entonces estas unidades no se consideran suficientes y el producto está agotado.
Curvas de tamaño para desabastecimiento: Las tallas de un producto no tienen todas el mismo peso e importancia dentro del volumen de ventas del producto, utilizamos datos de curvas de tamaño para determinar un buen criterio para el desabastecimiento del almacén y evitar tamaños residuales como una XXXL que puede determinar el desabastecimiento de todo el producto.
Para determinar qué tamaños se considerarán en los criterios de desabastecimiento, seleccionamos los tamaños más vendidos que en conjunto suman más del 80% del volumen total de ventas (a nivel de producto, no a nivel de tienda). El resto de tamaños se consideran “irrelevantes” y no se utilizarán para calcular el desabastecimiento.
Fechas de desabastecimiento corregidas
Un producto deberá estar agotado en WH durante al menos 10 días para que se considere no disponible. Luego de esto, necesitará tener 5 días de stock para que se considere disponible nuevamente.
Si estas restricciones dejan un producto con menos del 50% de días de disponibilidad (frente al número de semanas utilizadas como histórico), los días de desabastecimiento que comienzan desde el inicio del período se utilizarán en el pronóstico hasta que haya suficientes días disponibles.
Nuevas tiendas/cierre de tiendas
A veces, el perímetro de ventas cambia durante el tiempo de entrega o el período de cobertura, y debemos tener en cuenta esos cambios para la sugerencia de reorden. Estas son las principales causas de los cambios y cómo el algoritmo las tiene en cuenta:
Apertura de nuevas tiendas (sin historial previo): Para poder asignar un peso correcto a una nueva tienda y los productos que tiene disponibles, se asigna una relación con una tienda espejo. La demanda, el perímetro de venta y el stock mínimo se copian de esta tienda espejo desde la fecha de apertura hasta el final. El día de su apertura se inicializa la tienda para mantener el stock mínimo de todos los skus de su perímetro de venta (siempre que haya stock en el almacén).
Cierre de Tienda: Las fechas de cierre de tiendas se toman en cuenta al momento de definir la información de disponibilidad pasada, como se mencionó, el cierre de una tienda se marca cuando tiene más de dos días consecutivos sin ventas e influye en la disponibilidad de los productos durante esas fechas.
Para este caso, la demanda de cierre de tienda ya está establecida en 0 para el día en que cierran según el pronóstico. Además, no habrá consideraciones de stock mínimo para estas tiendas. Una última cosa a considerar es que el stock de esas tiendas se mantiene "congelado" en esas tiendas en la versión actual, es decir, no vuelve a estar disponible en la red de tiendas desde la perspectiva de la proyección de stock.
Cambios en el diseño
Hay dos conceptos principales que describen la situación de disponibilidad para una combinación de producto y tienda:
- Disposición interior de la tienda:
Cuando un producto está presente en una tienda y está disponible para la venta (lo que a veces mencionamos como dentro del perímetro de venta).
- Diseño de tienda exterior pero aún disponible para ventas extraordinarias:
Hay tres estados posibles para una combinación tienda-producto para una fecha determinada:
- El producto está presente en la tienda y se puede comprar en la tienda. El producto está en el diseño.
- El producto no está presente en la tienda, pero a veces se puede pedir de todos modos. Seguimos considerando que en este caso las ventas podrían ocurrir, generalmente con menos frecuencia que dentro del diseño. El producto se considera disponible pero fuera del diseño.
- El producto no está disponible en la tienda (o no se vende globalmente o la tienda está cerrada). Esta combinación nunca está disponible en nuestro pronóstico.
Estructura de máscara de disponibilidad. Ejemplo
Una tienda de productos podría cambiar su estado de disponibilidad por uno de estos posibles cambios:
- Cambios en el diseño de la tienda
(layout Management), pasando combinaciones tienda-producto de estar presentes en la tienda a no estar presentes y viceversa (entre los casos 1 y 2).
- Apertura de nuevas tiendas
, replicando la demanda de una tienda existente para todos los productos (incluidos los 2 cambios anteriores).
- Cierre de tiendas existentes
establecer todas las combinaciones tienda-producto en las fechas en las que una tienda está cerrada como no disponibles (no disponibles en absoluto, caso 3).
Todos los cambios realizados en el estado de disponibilidad se reflejarán en la información de Disponibilidad para cada combinación de producto, tienda y fecha. De esta forma, nuestro algoritmo de previsión de la demanda irá teniendo en cuenta las variaciones en la disponibilidad de los productos-tiendas.
Los cambios futuros en el diseño se pueden cargar durante la configuración del escenario.
Estos cambios, por supuesto, tienen un impacto en el pronóstico. En cada escenario de reorden calculamos un peso promedio de la tienda (para todos los productos) tanto dentro de las ventas que ocurren dentro como fuera del diseño. Luego, para cada cambio, la previsión aumentará/disminuirá en porcentaje utilizando el peso de la tienda afectada.
Imaginemos un ejemplo. El cliente está lanzando un escenario de reorden con 50 productos y 100 tiendas. Dentro de todas las tiendas, la tienda A no tenía la referencia 1 en el diseño.
El cliente ha parametrizado que a partir del inicio del horizonte de planificación, la tienda A tendrá la referencia 1 en el diseño.
La solución calcula el peso que tiene la tienda en las ventas tanto dentro del diseño como fuera del diseño (considerando las ventas totales de esa tienda dentro de los 50 productos del escenario).El pronóstico se ajusta considerando que habrá un incremento en las ventas de las tiendas con el producto dentro del diseño (proporcional al peso de esa tienda) y una disminución en las ventas de las tiendas con ese producto fuera del diseño.
Curvas de tamaño
La curva de tallas de un producto son los pesos relativos que tiene cada una de sus tallas. Estas ponderaciones se utilizan para desagregar nuestro pronóstico desde el nivel de fecha de tienda del producto hasta el nivel de fecha de tienda de sku. El peso de cada tamaño se basa en la participación en el volumen de ventas de las ventas de todo el producto. Por ejemplo, en un jersey, una talla M tiene más probabilidades de tener un mayor volumen de ventas y por tanto mayor peso que una talla XXL.
El canal utilizará por defecto el último año de ventas para calcular estos pesos y generar curvas de tamaño para los productos determinados. Ilustremos con un ejemplo sencillo:
Producto: Jersey Aleatorio 101
Siguiendo el ejemplo, si hemos calculado una previsión de 700 artículos para un mismo producto y un periodo de tiempo determinado, distribuiremos los artículos en tamaños utilizando pesos previamente calculados:
Ventas previstas: 700 SKU
Para garantizar la solidez de la curva de tamaño, existe un respaldo que depende del volumen de ventas de cada producto.
Cuando las ventas de un producto están por debajo de un umbral (200 de forma predeterminada) durante el último período definido (1 año de forma predeterminada), las ventas agregadas a nivel familiar se tienen en cuenta para el cálculo de las ponderaciones. Este respaldo actúa como una corrección de los pesos en lugar de una sustitución. Por lo tanto, el peso final será una proporción del peso del producto y el peso de la categoría de producto como una relación lineal (ventas_producto/umbral). Ilustrémoslo:
Producto: Jersey mal vendido 102
Ventas totales (nivel de producto): 80 SKU
Umbral: 200 SKU
Regreso a la categoría familiar: suéteres aleatorios
Relación de peso = Ventas totales / Umbral = 80/200 = 0,4 (40%)
Pesos finales para el suéter Mal vendido 102
peso final = peso de reserva * (1-Relación de peso) + peso del producto * Relación de peso
Este respaldo se aplicará de forma recursiva hasta que se cumpla el umbral. Otorgándose así robustez.
Todas las explicaciones anteriores se aplican a SizeCurveAutocomparablesPipeline que se está utilizando actualmente.
Las alternativas utilizadas en el reordenamiento son el nivel de producto, el nivel de familia y la distribución normal.
Pesos tienda-producto
Se estiman las ponderaciones de cada combinación de tiendas de productos para desagregar nuestra demanda prevista desde el nivel de producto hasta el nivel de producto-tienda. Esto luego se utiliza para calcular la proyección de existencias a nivel de tienda y, por lo tanto, podría tener un impacto en la propuesta final de reorden. El peso de cada producto-tienda se basa en el volumen y la disponibilidad de ventas del producto en todas las tiendas.
Ilustremos con un ejemplo sencillo:
A partir de los datos de Ventas agrupamos la cantidad de ventas por tienda-producto.
Estimamos la media de ventas por tienda y estimamos el peso de cada tienda respecto a todos los datos de tiendas disponibles.
Asignamos los pesos estimados anteriores por tienda a todos los productos disponibles en cada tienda y multiplicamos la disponibilidad de producto, significa que cuando un producto no esté disponible en una tienda su peso será 0.
Para estimar el peso real de cada producto-tienda ponderamos el peso asignado (Peso Disponible) por el peso total disponible de cada producto en todas las tiendas. Por ejemplo para el producto 1 el peso total disponible es 0,636, ya que no estaba disponible en la tienda 2.
Entonces en este ejemplo el 100% de las ventas del producto 1 corresponde a las ventas en la tienda 1 porque es en la única tienda donde está disponible.
Estacionalidad
La estacionalidad se utiliza en el pronóstico a largo plazo de la misma manera que se utiliza en el pronóstico a corto plazo. Esto significa que se utiliza para desestacionalizar las ventas históricas y luego se aplica en el periodo del horizonte de planificación.
La configuración de estacionalidad es diferente de la utilizada en el pronóstico a corto plazo, ya que en el caso de pedidos, no necesitamos estrictamente tener una granularidad a nivel de tienda (ya que estamos interesados en el pronóstico general del producto) y, por lo tanto, el nivel de reserva podría diferir. .