Pronóstico de demanda para fabricantes bajo pedido mediante aprendizaje automático

Los fabricantes bajo pedido tienen un problema de pronóstico fundamentalmente diferente al de las empresas de bienes de consumo. No tienen miles de SKUs con curvas de demanda suaves. Tienen cientos de clientes que piden configuraciones personalizadas en horarios irregulares, y su trabajo es tener la capacidad, los materiales y la mano de obra adecuados disponibles cuando llegan esos pedidos. Un taller mecánico en Wisconsin compartió sus números conmigo: implementar pronóstico de demanda basado en ML mejoró su entrega a tiempo del 82% al 94% en un año, principalmente al proporcionarles mejor anticipación en la adquisición de materiales y la asignación de capacidad.

Por qué los métodos tradicionales de pronóstico se quedan cortos

Los métodos tradicionales de pronóstico de demanda (promedios móviles, suavizado exponencial, descomposición estacional) fueron diseñados para entornos con patrones de demanda consistentes y repetibles. Una empresa de bienes de consumo que vende detergente para ropa puede pronosticar la demanda del próximo mes con una precisión razonable porque la demanda está impulsada por un gran número de clientes independientes con patrones de consumo estables.

Los fabricantes bajo pedido enfrentan dinámicas diferentes. Un solo cliente grande puede representar el 15% de los ingresos. El patrón de pedidos de ese cliente está impulsado por su propio programa de producción, sus niveles de inventario y la demanda de su mercado final, nada de lo cual es visible para el fabricante sin un intercambio deliberado de datos. Cuando ese cliente acelera sus pedidos, el fabricante necesita responder en días, no en meses.

El resultado es que muchos talleres de fabricación bajo pedido operan en un estado perpetuo de caos semicontrolado. Mantienen inventario extra de materia prima "por si acaso", mantienen exceso de capacidad laboral que no pueden utilizar completamente, y aun así incumplen fechas de entrega cuando múltiples pedidos grandes llegan simultáneamente.

Qué utilizan los modelos de ML como entrada

El pronóstico mediante aprendizaje automático para fabricantes bajo pedido funciona encontrando patrones en múltiples fuentes de datos que los métodos tradicionales no pueden sintetizar. El conjunto de datos principal es el historial de pedidos: cada pedido de los últimos 3 a 5 años, con cliente, configuración del producto, cantidad, fecha de pedido, fecha de entrega solicitada y fecha de entrega real.

Sobre eso se superponen señales externas. Los indicadores a nivel de cliente incluyen sus datos financieros disponibles públicamente (empresas públicas), los indicadores económicos adelantados de su industria (datos PMI, inicios de construcción de viviendas, pronósticos de producción automotriz) y cualquier señal de demanda compartida (pedidos abiertos, acuerdos a largo plazo, datos de inventario gestionado por el proveedor). Los patrones estacionales a nivel de cliente e industria también alimentan el modelo.

El modelo de ML (típicamente árboles de gradiente potenciado como XGBoost o LightGBM, a veces combinados con redes LSTM para capturar patrones temporales) aprende la relación entre estas señales de entrada y el volumen futuro de pedidos. Genera pronósticos probabilísticos: no un solo número ("recibirás 47 pedidos el próximo mes") sino una distribución ("hay un 70% de probabilidad de 40 a 55 pedidos, un 15% de probabilidad de menos de 40 y un 15% de probabilidad de más de 55").

Precisión en la práctica

La precisión del pronóstico para fabricantes bajo pedido se mide de manera diferente que para bienes de consumo. En lugar de MAPE (error porcentual absoluto medio) en SKUs individuales, la métrica relevante es la precisión de capacidad agregada: ¿qué tan bien predijo el pronóstico las horas de mano de obra totales, las horas máquina y los requisitos de materiales para el período siguiente?

En el horizonte de 30 días, los modelos de ML bien implementados logran una precisión del 85% al 92% en la demanda agregada (medida como la demanda real cayendo dentro del intervalo de confianza del 80% del modelo). A 60 días, la precisión baja al 75% al 85%. A 90 días, es del 65% al 78%. Estos números son significativamente mejores que el enfoque típico de pronóstico manual (intuición del equipo de ventas complementada con los números del año anterior), que típicamente logra una precisión del 60% al 70% en el horizonte de 30 días.

La mejora es más dramática para los patrones estacionales. Una empresa manufacturera con fuerte demanda estacional (piezas de equipos de construcción, componentes HVAC, equipos agrícolas) se beneficia más del pronóstico con ML que una con demanda plana durante todo el año, porque el modelo puede aprender el momento y la amplitud estacional a partir de datos históricos e indicadores externos.

Convertir los pronósticos en acción

Un pronóstico solo es útil si impulsa decisiones. Las aplicaciones prácticas se dividen en tres categorías: adquisición de materiales, planificación de capacidad y comunicación con el cliente.

Para la adquisición de materiales, el pronóstico probabilístico alimenta un modelo de inventario mín-máx. En lugar de mantener un stock de seguridad fijo basado en la demanda histórica, los objetivos de inventario se ajustan dinámicamente según el pronóstico. Cuando el modelo predice un aumento de demanda en 6 semanas, las compras se activan antes. Cuando se espera que la demanda sea baja, los objetivos de inventario disminuyen, liberando capital de trabajo.

La planificación de capacidad utiliza el pronóstico para programar horas extra, autorizar mano de obra temporal o ajustar patrones de turnos. El horizonte de pronóstico de 60 a 90 días proporciona suficiente anticipación para contratar y capacitar trabajadores temporales (típicamente un proceso de 4 a 6 semanas en un entorno de manufactura especializada).

La comunicación con el cliente es el beneficio menos valorado. Cuando llega una solicitud de pedido grande y el fabricante ya tiene los materiales y la capacidad asignados porque el modelo lo predijo, el tiempo de entrega cotizado es más corto y más confiable. Los clientes lo notan, y se convierte en una ventaja competitiva difícil de replicar para los competidores sin su propia capacidad de pronóstico.

Costos de implementación y cronograma

Construir un sistema de pronóstico de demanda con ML para un fabricante bajo pedido típicamente cuesta entre $40,000 y $120,000 en desarrollo inicial (ingeniería de datos, desarrollo del modelo, integración con ERP), más $15,000 a $30,000 por año para mantenimiento y reentrenamiento del modelo. El cronograma desde el inicio del proyecto hasta el primer pronóstico en producción es generalmente de 3 a 5 meses, con los primeros 2 meses dedicados a la limpieza de datos e ingeniería de características.

La preparación de datos es a menudo la parte más difícil. La mayoría de los sistemas ERP almacenan el historial de pedidos en un formato que es técnicamente accesible pero prácticamente desordenado: códigos de cliente inconsistentes, configuraciones de productos que cambiaron de nombre a lo largo de los años, fechas de pedido que no distinguen entre la fecha en que el cliente llamó y la fecha en que se ingresó el pedido. Limpiar estos datos en un conjunto de entrenamiento utilizable es un trabajo poco glamoroso que consume del 50% al 60% del cronograma del proyecto pero determina la precisión final del modelo.

Los talleres que han invertido en prácticas de datos limpios a lo largo de los años tienen una ventaja significativa. Aquellos que aún operan con hojas de cálculo y conocimiento tribal enfrentan un camino más largo y costoso hacia un pronóstico útil, pero la mejora desde su punto de partida también es típicamente mayor.