Uno de los principales retos para las cadenas de abastecimiento en las organizaciones es lograr controlar e identificar los patrones de comportamiento de la demanda, por lo que es importante tener claro y definido cual es el comportamiento del mercado y el ciclo de vida del producto para determinar dichos patrones.
Un patrón de comportamiento suele conocerse cuando la serie histórica de ventas (serie de tiempo) presenta de manera repetida una o varias características o cualidades similares a lo largo de un intervalo de tiempo, por lo general se supone (al menos los más conocidos) que son cuatro (4) los componentes que se combinan para dar forma a una serie de tiempo, estos son: tendencial, cíclico, estacional y errático.
La habilidad que tenga un profesional de planeación en la interpretación de patrones de comportamiento en las series de tiempo le permitirá (en teoría) primero, ahorrar tiempo en la elección del modelo de pronóstico más adecuado, segundo, ser más asertivo en los resultados de la estimación, recordemos, que el uso adecuado de herramientas de estimación brindará una ventaja competitiva a las organizaciones comprendiendo la mejor manera de anticiparse a las necesidades de abastecimiento de materiales, materias primas o suministros.
En una manera secuencial pero sencilla iremos avanzando en el conocimiento de los diferentes patrones de comportamiento existentes en una serie histórica de ventas (series de tiempo) .
SERIE DE TIEMPO
Es una secuencia de observaciones que describen la evolución de un fenómeno o variable sobre intervalos de tiempo regulares (diario, semanal, quincenal, mensual, bimensual, semestral, anual, entre otras), por ejemplo:
- La producción mensual de una planta de manufactura
- La demanda diaria de un producto
- Las tasas mensuales de desempleo
- La población anual de un país, entre otras
Una serie de tiempo se puede dividir en dos familias, en continuas e intermitentes, estas dos familias serán nuestros primeros patrones de comportamiento.
CONTINUA: Se presenta cuando se obtiene la demanda de manera ininterrumpida periodo a periodo, puede sonar un poco obvio y en ocasiones algunos autores omiten este patron (porque se asume que una serie de tiempo debe ser continua, mas adelante veremos que no), pero que en la realidad permite identificar en procesos de estimación que en periodos futuros se presentarán eventos de demanda.
Supongamos que contamos con un almacén que comercializa productos de papelería y se encuentra ubicado cerca a las oficinas de abogados de la localidad, el producto principal del almacén son las libretas de apuntes donde mensualmente (sin falta) se presenta demanda de este producto, este patrón ininterrumpido nos da una alerta como profesionales de planeación que debemos garantizar inventario todos los meses o que debamos generar órdenes de compra todos los meses dado el caso.
INTERMITENTE: Algunos autores la nombran como patrón irregular, se presenta cuando la demanda se obtiene de manera interrumpida, con valores de cero (0) o valores nulos en algunos periodos de tiempo y no es por falta de datos o error en la captura de los datos sino por la naturaleza propia de la demanda. En este caso a diferencia del patrón continuo, se torna un poco mas complejo los resultados de estimación debido a que el profesional de planeación debera analizar dos tipos de variables, la primera que consta en estimar si se presentará o no el evento de demanda y la segunda en que cantidad se presentará la demanda.
Un claro ejemplo de este patrón se presenta en la demanda de algunos productos propios de industrias del sector militar, aviación, aeroespacial, automotriz, alta tecnología, electronica, clinicas y hospitales de alta complejidad.
Ahora, nos detendremos a analizar los patrones de comportamiento en las series de tiempoCONTINUAS, en esta familia nos podemos encontrar el siguiente conjunto de patrones:
- Constante (Constant)
- Tendencia (Trend)
- Cíclico (Cyclic)
- Estacional (Seasonal)
- Estacional con tendencia (Seasonal trend)
- Errático (Erratic)
PATRÓN CONSTANTE (CONSTANT): También conocido por algunos autores como patrón regular, en algunos países de América Latina se le suele llamar patrón estacionario (diferente a estacional), se presenta cuando las observaciones se encuentran en equilibrio alrededor de la media, tanto la media como la varianza son constantes, las variaciones en las observaciones son pocas a lo largo del tiempo, el análisis visual de la serie de tiempo es con frecuencia suficiente para evaluar lo constante o regular de la serie de tiempo, en econometría se conoce como I(0) cointegración de orden cero, aplicando algunos elementos del EDA (Exploratory Data Analysis) se logra identificar este tipo de patrón. https://www.joserosas.com.co/analisis-exploratorio-de-datos-en-planeacion-de-demanda/
A continuación, veremos una serie de tiempo con patrón de comportamiento constante, regular o estacionaria. Se comparten los datos del consumo de combustible de un vehículo que realiza la ruta empresarial de trabajadores de una empresa de la localidad.
PATRÓN CON TENDENCIA (TREND): Representada por el crecimiento o decrecimiento consistente de los datos en la serie de tiempo. Al igual que el patrón constante el análisis visual de la serie de tiempo es con frecuencia suficiente para evaluar el grado de inclinación y la dirección de la tendencia, de igual manera podemos evaluar la ecuación de la recta y = ax + b donde “a” representa la pendiente de la recta, la cual puede tomar valores negativos, positivos o cero según dado el caso.
A continuación, como ejemplo, se comparten los datos de los ingresos operacionales de un almacén que comercializa repuestos de motocicletas.
La linea de tendencia (color rojo) muestra como los datos crecen en el tiempo, para reforzar la hipótesis nos apoyamos en el valor de la pendiente “a” que es igual a 3356,2 (positivo) lo que indica un crecimiento.
PATRÓN CÍCLICO (CYCLIC): Cuando la serie de tiempo presenta un patrón con tendencia, es posible encontrar un patrón adicional que consiste en secuencias de datos que se presentan de manera alternante por encima y por debajo de la linea de tendencia de manera constante durante un intervalo prolongado de tiempo (superior a 6 periodos con el fin de reafirmar la hipótesis del ciclo).
A continuación, presentamos un ejemplo con el número de motocicletas vendidas en Colombia durante el año 2022, en el grafico se puede observar explícitamente una tendencia creciente en la demanda de motocicletas y como en un lapso de 12 periodos se presentan dos ciclos.
PATRÓN ESTACIONAL (SEASONAL): Una serie de tiempo es estacional cuando podemos observar en ella un patrón sistemático repetido en intervalos de tiempo iguales (cada año, cada mes, etc). El análisis visual de la serie de tiempo es con frecuencia suficiente para evaluar la estacionalidad de la serie de tiempo, adicional al grafico visual, se encuentra elementos del EDA como la función de autocorrelación (ACF) que nos permite encontrar el nivel de autocorrelación de los datos y en qué retardos denominados periodos (k) se produce.
Existen muchos ejemplos de series de tiempo con comportamiento estacional. El hecho de que las vacaciones laborales se concentren en los meses de verano condiciona los valores de muchas series. Un claro ejemplo es el de las series relacionadas con el turismo, tales como la cantidad mensual de reservas hoteleras, número de pasajeros que viajan en avión por mes, etc.
La pauta sistemática que caracteriza la estacionalidad no tiene por qué ser anual, algunas series tienen una estacionalidad cuyo periodo es mensual, semanal o incluso un diario. Un ejemplo de una serie de tiempo estacional diaria podría ser el de las ventas por horas de un producto en una tienda minorista, es altamente probable que cada día se repita un patrón de comportamiento muy similar; habrá horas pico con gran número de ventas y otras horas valle en las que apenas hay gente y por lo tanto se registran un número menor de ventas.
A continuación, observaremos una serie de tiempo que involucra datos de los pasajeros movilizados por la compañía aérea United Airlines durante los años 2009 al 2013, en esta serie se observa claramente que hay un patrón similar que se repite año tras año, con evidentes aumentos en el número de pasajeros en los meses de verano (julio – agosto) y decrementos más moderados en los meses correspondientes a enero y febrero.
PATRÓN ESTACIONAL CON TENDENCIA (SEASONAL TREND): Cuando la serie de tiempo presenta un patrón estacional, es posible encontrar un patrón tendencial en las observaciones que consiste en secuencias de datos que se presentan de manera creciente o decreciente de manera constante. A continuación, podemos observar el ejemplo de la empresa UNITED AIRLINES cuando aperturó nuevas rutas hacia destinos en el mar caribe, se puede evidenciar que existe el patrón estacional pero han ido creciendo en pasajeros movilizados en los 5 años siguientes.
PATRÓN ERRÁTICO (ERRATIC): Existen series de tiempo que siendo continuas no presentan algunos de los patrones anteriormente mencionados, los datos no tienen alguna logíca matematica o racional que permita entender lo sucedido, pero que despues de sucedida cada observación existe una explicacion para ello, explicaciones como ciertos sucesos a veces impredecibles como huelgas, pandemias, cambios de clima (sequías, inundaciones o terremotos), elecciones, conflictos armados o la aprobación de asuntos legislativos, pueden causar la irregularidad en una variable.
Estadísticamente se puede identificar este patrón cuando obtenemos el resultado de un elemento del EDA que es el coeficiente de variación (CV), algunos autores definen que un CV >= 1.0 la serie de tiempo se consideraría como errática.
Un ejemplo de este caso son las variaciones observadas en la serie histórica de la demanda de papel higieníco en una empresa Peruana, atribuidas a especulaciones debido a la pandemia ocurrida en el 2020, se pueden detallar periodo a periodo datos que no cumplen ningún patrón con picos pronunciados como el mes de marzo donde la población salió a abastecerse de inventario de papel, a partir de ese momento la serie de tiempo presenta valores erráticos con valores muy bajos que pudieron presentarse por el desabastecimiento de inventario.
En este segundo bloque hablaremos de aquellas demandas que en ciertos periodos se presentan y en otros periodos no se presentan, a esta demanda la denominaremos demanda INTERMITENTE, en esta familia se encuentran indentificados dos tipos de patrones:
- Grumosa (Lumpy)
- Agrupada (Clumpled)
PATRÓN GRUMOSO (LUMPY): Se considera un patrón de demanda grumoso cuando las observaciones presentan intermitencia, pero cuando ocurre una observación se presenta con gran variabilidad. A continuación veremos el ejemplo de las exportación de armas y municiones en miles de dolares de la industria Colombiana de enero 2021 a febrero del 2023. Debido a que Colombia no es un país altamente exportador de armas, con frecuencia se observaran periodos en la serie de tiempo donde el valor es cero (0) o nulo (9 periodos de 26), pero cuando ocurren observaciones los datos pueden variar entre 20 mil dolares hasta 4.1 millones de dolares.
PATRÓN AGRUPADO (CLUMPED): Se considera un patrón de demanda agrupado cuando las observaciones presentan intermitencia, pero cuando ocurre una observación se presenta de manera constante. A continuación, veremos un ejemplo del consumo de un dispositivo medico utilizado en un procedimiento de angiografía en una institución de salud en Colombia. El producto es un CATETER DE ANGIOGRAFIA CON BALÓN DE 5mm, el cual están diseñados para ayudar a reducir las complicaciones de los pacientes durante los procedimientos de angiografía pulmonar y la angiografía femoral, su consumo se comporta de una manera intermitente con 12 periodos sin consumo, pero cuando ocurre la observación se presenta un consumo de 1 o 2 unidades por periodo.
Resumén Visual
En el grafíco 9, podemos visualizar a manera de resumen como se dividien los diferentes patrones de demanda conocidos por el momento, seguramente con el uso de redes neuronales o de inteligencia artificial iremos conociendo otros tipo de patrones
Ampliación y extenciones
En un proximo artículo publicaremos cual modelo de pronóstico usar de acuerdo al patrón de comportamiento de la serie de tiempo (emparejamiento o match), analizaremos diferentes aspectos como los resultados del error de estimación durante la etapa de entrenamiento del modelo de pronóstico, con cuantos datos de la serie de tiempo se deben emplear al momento de estimar la demanda, identificación de valores atípicos “outliers” como desorientadores de patrones, entre otros temas.
Webgrafia y Bases de datos ejemplos
https://hopelchen.tecnm.mx/principal/sylabus/fpdb/recursos/r128023.PDF
http://www.editorialdigitaltecdemonterrey.com/materialadicional/id196/cap1/patrones_tiempo.pdf
https://m.riunet.upv.es/bitstream/handle/10251/8322/tesisUPV3050.pdf?sequence=1&isAllowed=y
https://www.dane.gov.co/index.php/estadisticas-por-tema/comercio-internacional/exportaciones
Acerca de JOSÉ ANDRÉS ROSAS
correo electroníco: joserosassoluciones@hotmail.com
