Investigadores han estado buscando distintas alternativas para encontrar variables en las cadenas de suministro que puedan predecir mejor la demanda y técnicas de modelado que proporcione pronósticos más confiables durante la pandemia.
Por ejemplo, en Europa e India se utilizaron datos de búsqueda en Internet proporcionados por Google Trends para ayudar a predecir la demanda de diferentes productos a nivel de país.
«En condiciones normales, la demanda de algunos de estos productos y servicios es relativamente no volátil y, como resultado, no muestra patrones complejos. Por lo tanto, no es muy difícil pronosticar. Esto es especialmente cierto para productos en mercados más maduros como pasta, arroz, artículos de tocador. Sin embargo, durante una pandemia, esperamos que los comportamientos de compra se vuelvan significativamente más volátiles debido a los sesgos de los consumidores», aseveró uno de los equipos en una investigación publicada en el European Journal of Operational Research.
Supply Chain Dive detalló al respecto que los investigadores utilizaron la regresión para observar la relación entre los números de casos y el índice de tendencias de Google de un término. Mientras que para observar el impacto de una cuarentena, agregaron una variable binaria que es 1 o 0, dependiendo de si una ubicación estaba cerrada o no. El resultado fue que los modelos predijeron correctamente el efecto de compra de pánico y el respectivo exceso de demanda de comestibles y productos electrónicos durante la actual ola de contagios.
Dan Mitchell, director de comercio minorista global y CPG en SAS, dijo que «la compañía de análisis también comenzó a agregar datos de Tendencias de Google a sus modelos junto con cifras sobre números de casos y cuarentenas de Covid-19. Desde el principio, la demanda se vio interrumpida radicalmente. Los datos que los minoristas tenían a mano como inventario, ventas o recibos, realmente no eran un buen monitor de lo que realmente estaba sucediendo en el terreno».
Por tanto agregó, «los analistas y los pronosticadores tuvieron que salir de su flujo de trabajo habitual, que tradicionalmente es muy estacional, y comenzar un enfoque más ágil para las pruebas de modelos, el desarrollo y la implementación, y tener en cuenta los aumentos inesperados de la demanda de su empresa».
El proceso de mejorar los pronósticos no se trata sólo de introducir nuevos datos a los modelos. Los analistas primero tienen que pasar por el proceso de determinar si las nuevas variables son significativas y si ayudan a proporcionar un pronóstico estable a lo largo del tiempo. Luego de eso, tienen que considerar posibles ajustes a la técnica de modelado.
En definitiva, el proceso de probar y entrenar modelos contra múltiples subconjuntos también puede ser beneficioso, ya que las empresas buscan mejorar los pronósticos. Los modeladores también buscaron acortar el período de tiempo durante el cual harían ajustes al modelo.
Relacionada: La cadena de suministros en la nube: los desafíos de la logística y el uso de la tecnología…
