La previsión en las cadenas de suministro es notoriamente compleja y nunca será precisa, como lo son inherentemente las predicciones. No existe una solución única para todos los casos de uso, ya que ningún modelo ofrece de manera uniforme los mejores resultados en todos los productos, ubicaciones y horizontes temporales. Algunos modelos se destacan con la estacionalidad, otros manejan mejor los datos ruidosos y los modelos avanzados de aprendizaje profundo descubren patrones no lineales, pero solo si los datos son estables. Entonces, ¿cómo pueden las compañías elegir el modelo adecuado sin tener que hacer ajustes manuales interminables? La respuesta está en un método de pronóstico que combine factores.
Entendiendo el concepto
La previsión combinada permite a los planificadores ajustar la selección de modelos y, en algunos casos, automatizarla evaluando múltiples algoritmos y asignando el de mejor desempeño a cada ejecución/ciclo de previsión. Piense en ello como si estuviera construyendo un equipo de campeonato: diferentes jugadores aportan diferentes fortalezas y la combinación correcta gana. De manera similar, Mix-and-Match es un repositorio de modelos diseñados específicamente para que usted pueda seleccionar el más adecuado para el trabajo, dadas las prioridades del negocio y los horizontes temporales.
Por qué y cómo funciona la combinación
Nunca fue tan importante realizar pronósticos precisos. Con el aceleramiento de la inteligencia artificial (IA) y el aprendizaje automático (ML), la implementación de un modelo inadecuado manejará rápidamente a una precisión de pronóstico deficiente; un pronóstico deficiente puede tener consecuencias como escasez de inventario, planeación de capacidad desalineada y clientes insatisfechos. La combinación y combinación soluciona este problema automatizando la evaluación del modelo, reduciendo la carga de trabajo del planificador y mejorando la precisión, sin necesidad de habilidades especializadas en ciencia de datos.
En esencia, Mix and Match emplea una arquitectura de red semántica inteligente y omnipresente. Aquí es donde se define la configuración de pronóstico (entradas, salidas y horizontes), además de las evaluaciones centrales de los modelos empleando KPI como el error cuadrático medio (MSE). Para cada ejecución, se emplea un modelo por nodo y horizonte de planeación. Luego, en ejecuciones de pronóstico posteriores, los modelos pueden reevaluarse y elegir de manera diferente a medida que evolucionan las condiciones de los datos.
