Previsiones más inteligentes, menos desabastecimientos, mejores márgenes

Resumen ejecutivo

El proyecto tenía como objetivo desarrollar soluciones de previsión basadas en datos que mejoraran la planificación del inventario, redujeran la falta de existencias y el exceso de existencias y permitieran una toma de decisiones más estratégica. Esta iniciativa fue crucial para optimizar las existencias de los almacenes, mejorar los modelos de previsión, ampliar la cobertura de los modelos a nuevos productos y mercados y perfeccionar las metodologías de evaluación del desempeño. A través de este proyecto, mejoramos la operación comercial en al menos un 10% al reducir significativamente los errores de previsión y mejorar la toma de decisiones.

Acerca de la empresa

Trafilea es una empresa global de comercio electrónico que se especializa en desarrollar y operar tiendas en línea centradas en nichos de mercado. Tiene su sede en Uruguay y se fundó en 2014. Trafilea posee y opera varias marcas de comercio electrónico directas al consumidor (DTC), principalmente en las industrias de la moda, las fajas y el bienestar. El objetivo de la empresa es ofrecer productos de alta calidad a clientes de todo el mundo, centrándose en un servicio de atención al cliente excepcional y en una experiencia de compra online perfecta. Sus principales marcas son Shapermint y Truekind, ambas minoristas líderes en línea de fajas y prendas íntimas.

El desafío

Trafilea sigue un modelo de cadena de suministro internacional, con una producción basada en China y una distribución gestionada a través de almacenes en todo el mundo. Uno de los principales desafíos de sus operaciones son los largos plazos de producción, con un mínimo de cinco meses desde la realización del pedido hasta que el inventario esté disponible para la venta. Esto, combinado con la alta volatilidad de la demanda y los cambios en el comportamiento de los clientes, hace que la previsión precisa de la demanda sea una necesidad fundamental. El objetivo del proyecto es desarrollar soluciones de previsión basadas en datos que mejoren la planificación del inventario, reduzcan la falta de existencias y el exceso de existencias y permitan una toma de decisiones más estratégica. Esta iniciativa es crucial para lograr la satisfacción de los clientes al reducir los pedidos parciales o pendientes y reducir los costos incurridos cuando los productos se agotan (lo que provoca pérdidas de ventas y gastos de reabastecimiento apresurados). También implica optimizar las existencias de los almacenes, mejorar los modelos de previsión, ampliar la cobertura de los modelos para incluir nuevos productos y mercados y perfeccionar las metodologías de evaluación del rendimiento.

Proceso y cronograma del proyecto

1. Alineación de partes

• El proyecto comenzó con una estrecha colaboración entre los equipos de operaciones y aprendizaje automático para comprender completamente el problema empresarial. Dados los largos plazos de producción y la volatilidad de la demanda, era fundamental identificar los principales puntos débiles, objetivos y limitaciones antes de diseñar una solución de previsión.

2. Recopilación de datos y evaluación comparativa

• Se recopilaron datos históricos de demanda, inventario y marketing.
• Evaluó la calidad de los datos e identificó los patrones de desempeño de ventas.
• Analizó el impacto de los factores externos en las fluctuaciones de la demanda.
• Se comparó el proceso de pronóstico actual midiendo los errores utilizando el error porcentual absoluto medio ponderado (wMAPe) y el error absoluto medio (MAE) + |bias|.

3. Desarrollo y validación de modelos

• Desarrollé modelos de series temporales con ajustes basados en la heurística.
• Aplicó modelos iniciales a los productos más vendidos (ACQ).
• Realicé pruebas retrospectivas simulando pronósticos anteriores y comparándolos con las ventas reales.
• Presentó los resultados de la validación a las partes interesadas para comparar el nuevo enfoque con el método de pronóstico existente.

4. Escalado y expansión

• Se amplió la cobertura de modelos para incluir tanto los productos más vendidos (ACQ) como los que no lo son (no ACQ).
• Clasificó los productos que no son de ACQ en los más vendidos y en el inventario de larga duración para estrategias de pronóstico específicas.
• Introdujo un modelo de nuevos lanzamientos para estilos sin ventas históricas, que aprovecha las tendencias del mercado y la información sobre las categorías.
• Modelos jerárquicos integrados para las variantes de productos, el estilo, el país y los niveles de almacén, lo que garantiza la alineación entre los diferentes niveles de previsión.

5. Refinamiento e integración

• Amplió la previsión a los canales de Amazon y Direct-to-Consumer (DTC), reconociendo los diferentes comportamientos de los consumidores en las plataformas de ventas.
• Modelos de series temporales mejorados para capturar las tendencias, la estacionalidad y los factores externos, como los eventos promocionales y los días festivos.

6. Supervisión y optimización del rendimiento

• Introdujo el informe de valor agregado de pronóstico para evaluar el impacto de cada enfoque de pronóstico.
• Optimizó el cronograma de ejecución de las previsiones (LAG4) para alinearlo con los plazos de producción e inventario.
• Implementé modelos de referencia, como los promedios móviles, para establecer una base de comparación simple pero efectiva.
• Modelos de aprendizaje automático de XGBoost integrados para refinar las predicciones mediante la captura de relaciones no lineales y patrones de demanda complejos.
• Amplió el marco de previsión a otros países y dominios de tiendas para respaldar las operaciones internacionales de la empresa.

La solución

El nuevo enfoque de planificación de la demanda formalizó y automatizó la previsión mediante el establecimiento de una metodología estructurada basada en datos, que sustituyó los ajustes manuales por series temporales automatizadas y modelos de aprendizaje automático. Las métricas de error estandarizadas (wMAPe, MAE + |bias|) y un informe de valor agregado previsto permitieron realizar un seguimiento continuo del rendimiento, lo que mejoró la precisión y la adaptabilidad. Los modelos avanzados, como XGBoost y la previsión jerárquica, capturaban las tendencias, la estacionalidad y los factores externos, garantizando la alineación entre los niveles de SKU, estilo, país y almacén. La escalabilidad se mejoró al integrar los canales de Amazon y DTC, adaptarlos a los estilos de adquisición (ACQ) y no adquisición (no ACQ) y permitir una expansión fluida a los mercados internacionales. La optimización del cronograma de ejecución de las previsiones (LAG4) mejoró la asignación del inventario, redujo las ineficiencias de la cadena de suministro y mejoró la toma de decisiones basada en los datos. Esta transformación aumentó significativamente la precisión de las previsiones, la eficiencia operativa y la escalabilidad en toda la empresa.

Figura 1: Serie temporal de ventas brutas mensuales de un producto con sus valores históricos, su pronóstico y su base de referencia de media móvil.

Los resultados

Los análisis realizados durante el proyecto revelaron que los déficits mensuales promedio podrían alcanzar los 500 000 dólares, principalmente para evitar la pérdida de ventas debido a problemas relacionados con el desabastecimiento.

Al automatizar y formalizar el proceso de previsión, el modelo implementado redujo estos gastos entre un 10 y un 40%. Suponiendo una reducción conservadora del 25% (125 000 dólares al mes), los ahorros anuales proyectados podrían superar los 1,5 millones de dólares.

Esta estimación considera un escenario en el que no hay existencias disponibles antes de un pedido de producción, y se basa completamente en decisiones basadas en pronósticos.

Desde un punto de vista tecnológico, el proyecto aprovechó la automatización y el aprendizaje automático para mejorar la precisión de las previsiones. La métrica del error porcentual absoluto medio ponderado (wMAPe) se utilizó para la evaluación en diferentes niveles, y mostró una mejora operativa del 10% gracias a la reducción de los errores de previsión y a la toma de decisiones más fundamentada. Con una previsión a 5 meses, se obtuvo un WMApe del 30%, lo que refleja una reducción del 10% en los errores en comparación con los métodos manuales. La implementación de modelos de aprendizaje automático no solo mejoró la precisión, sino que también introdujo paneles de rendimiento en tiempo real. Además, el enfoque de previsión jerárquica superó con creces a los modelos anteriores, lo que optimizó la estimación de la demanda y reforzó la toma de decisiones basada en los datos.

El impacto

La colaboración con Mutt Data en este proyecto proporcionó a Trafilea un sistema de previsión robusto y automatizado que mejoró significativamente la precisión de la planificación de la demanda. Al reemplazar la heurística manual por modelos avanzados de aprendizaje automático y previsiones jerárquicas, la solución redujo los errores de predicción mensuales en aproximadamente un 30%, lo que representa alrededor de 125 000, lo que contribuye a mejorar la gestión del inventario y a aumentar la eficiencia de los ciclos de producción. La integración en los servicios en la nube de Trafilea garantizó una ejecución perfecta, lo que permitió al equipo generar pronósticos precisos bajo demanda para el 93% de los productos de DTC y el 82% de los productos de los canales de Amazon. Trafilea cuenta ahora con una solución escalable basada en datos que mejora la toma de decisiones, minimiza los riesgos operativos y maximiza la eficiencia en su cadena de suministro internacional, gracias a la cual se cuenta con un proceso completamente desarrollado para la selección, la inferencia y el monitoreo de modelos.

Finalizando

Mutt Data proporcionó a Trafilea un sistema de previsión robusto y automatizado que mejoró significativamente la precisión de la planificación de la demanda. Al reemplazar la heurística manual por modelos avanzados de aprendizaje automático y previsiones jerárquicas, redujimos los errores de predicción en al menos un 10%, lo que nos permitió gestionar mejor el inventario y optimizar los ciclos de producción. La integración en los servicios en la nube de Trafilea garantizó una ejecución perfecta, lo que permitió al equipo generar pronósticos precisos bajo demanda. Con una cartera completamente desarrollada para la selección, la inferencia y el monitoreo de modelos, Trafilea ahora cuenta con una solución escalable y basada en datos que mejora la toma de decisiones, minimiza los riesgos operativos y maximiza la eficiencia en su cadena de suministro internacional.

Este proyecto no sería posible sin el compromiso y la colaboración de Juan Orjuela (líder de planificación de la demanda) y Lila Siebenrock (gerente de proyectos de Trafilea), quienes brindaron sugerencias y apoyo perspicaces a lo largo del camino que estuvimos trabajando juntos.

¿Está preparado para mejorar su negocio a través del aprendizaje automático, la inteligencia artificial y los datos? Póngase en contacto con nosotros ¡para empezar!

‍