Pronóstico de demanda desagregada para una empresa de productos de consumo masivo

Abstract

Un problema crítico al que se ven enfrentadas las empresas en la actualidad es mejorar el nivel de servicio entregado a sus clientes, ya que en mercados altamente competitivos este puede ser un factor diferenciador. Luego, es crucial contar con una estrategia óptima de gestión de inventario que permita satisfacer la demanda al mínimo costo. En este contexto, uno de los desafíos es contar con un adecuado sistema de pronóstico de demanda. El presente trabajo se desarrollará en una empresa proveedora de productos de consumo masivo, en particular, aceites, pastas galletas y otros. Es la segunda empresa de consumo masivo más grande en la región Andina, con exportaciones a Estados Unidos y a toda Latinoamérica. La empresa en cuestión cuenta con más de 1000 SKU´s pertenecientes a distintas categorías y 41 centros propios de distribución, por lo que existe una gran cantidad de demandas distintas a nivel distribuidor-SKU. Dada la complejidad de realizar esta cantidad de pronósticos, la empresa ha optado por un sistema simple de estimación de demanda, que consiste en calcular la media móvil de las ventas de los últimos 6 meses a nivel de categoría y repartir esta estimación según la participación de cada SKU dentro de la categoría. El problema de esta estimación es que no considera estacionalidad ni otros factores externos que pudieran ayudar a precisar el modelo. El propósito de esta memoria consiste en estimar la demanda a nivel SKU-distribuidor de los productos pertenecientes a la categoría más importante para la empresa (Aceites), creando una metodología que permita realizar estimaciones de grandes volúmenes de series de tiempo al mismo tiempo que utilice de manera inteligente la información contenida en la data transaccional utilizando técnicas de minería de datos. Se propone la utilización de modelos ARIMA para estimar el volumen de ventas de cada distribuidor. Luego, para desagregar a nivel de SKU, se modelan las participaciones de mercado utilizando regresiones y modelos de media móvil. El beneficio del modelo anterior es que permite comprender el mercado, ya que introduce variables dependientes tales como presencia de feriados y fechas especiales, además de la detección de estacionalidad. Utilizando ARIMA se logró disminuir el WMAPE desde un 17% a un 12%, con una reducción de error de 34% en promedio y un incremento de 44 puntos porcentuales en la varianza explicada. Al desagregar a nivel de SKU, se logra una reducción de 38% del error a nivel global. El beneficio económico obtenido al contar con un pronóstico más preciso es una reducción del 42% de los costos actuales.