🤖 AI

Bridging Forecast Accuracy and Inventory KPIs: A Simulation-Based Software Framework

Este artículo presenta un marco de simulación centrado en la decisión que cierra la brecha entre la precisión estadística de los pronósticos y los KPI operativos de inventario en el mercado de posventa automotriz, demostrando que las mejoras en las métricas de error tradicionales no necesariamente se traducen en mejores resultados de costos y servicio, y proporcionando una herramienta para evaluar modelos basándose en su impacto real en el negocio.

Autores originales: So Fukuhara, Abdallah Alabdallah, Nuwan Gunasekara, Slawomir Nowaczyk

Publicado 2026-02-03

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: So Fukuhara, Abdallah Alabdallah, Nuwan Gunasekara, Slawomir Nowaczyk

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el gerente de una flota masiva de camiones de reparto. Tu trabajo es asegurarte de que cada camión tenga las piezas de repuesto adecuadas (como neumáticos, motores o filtros) listas cuando se averíe. Si tienes demasiadas piezas acumuladas en tu almacén, desperdicias dinero en almacenamiento y corres el riesgo de que queden obsoletas. Si tienes muy pocas, los camiones se quedan parados, los clientes se enfadan y tienes que pagar envíos de emergencia costosos.

La gran pregunta es: ¿Cómo sabes cuántas piezas mantener?

Normalmente, las empresas intentan responder a esto utilizando programas informáticos para predecir cuándo se romperá una pieza. Durante décadas, los expertos han juzgado estos programas de predicción basándose en qué tan "estadísticamente precisos" son. Es como calificar a un pronosticador del tiempo basándose únicamente en si dijo "20% de probabilidad de lluvia" cuando en realidad llovió el 15% de las veces. Utilizan puntuaciones matemáticas complejas (como MAE o RMSE) para decir: "Este modelo es el mejor porque sus números son los más cercanos a la verdad".

El Problema:
Los autores de este artículo argumentan que este enfoque es engañoso. El hecho de que un modelo de predicción sea matemáticamente "perfecto" no significa que ahorre dinero en el mundo real. Un modelo puede ser excelente adivinando el número exacto de piezas rotas, pero pésimo ayudándote a decidir cuánto stock mantener, lo que genera costos enormes.

La Solución: Un "Simulador de Vuelo" para Piezas de Repuesto
Para solucionar esto, los investigadores construyeron un marco de software especial. Piensa en esto como un simulador de vuelo para la gestión de inventarios.

El Motor (Generador de Datos Sintéticos): En lugar de usar datos reales y secretos de una empresa, construyeron un motor digital que crea flotas de camiones falsas pero realistas. Simulan cómo envejecen los camiones, cómo el clima (como el frío del invierno o el calor del verano) afecta a las piezas, y cómo un concesionario podría crecer repentinamente de 50 camiones a 100. Esto crea un "campo de entrenamiento" donde pueden probar diferentes escenarios sin arriesgar dinero real.
El Piloto (Modelos de Pronóstico): Dejaron que diferentes modelos informáticos (algunos de IA moderna, otros de matemáticas tradicionales) intenten predecir cuándo se romperán las piezas en este mundo falso.
El Aterrizaje (Simulador de Inventario): Esta es la parte más importante. El software toma las predicciones y pregunta: "Muy bien, basándonos en estas predicciones, ¿cuánto dinero gastamos en almacenamiento, envío de emergencia y pérdida de clientes?".

La Gran Sorpresa
Cuando ejecutaron la simulación, encontraron un resultado contraintuitivo: los "mejores" modelos matemáticos suelen ser los que más dinero cuestan.

Los Modelos "Inteligentes": Los modelos de IA modernos (como XGBoost) fueron muy buenos acertando los números estadísticamente. Tuvieron las puntuaciones de "error" más bajas.
Los Modelos "De la Vieja Escuela": Los métodos simples y más antiguos (como el método de Croston) tuvieron puntuaciones de error más altas. Eran "peores" prediciendo los números exactos.

Sin embargo, cuando miraron la factura final:
Los modelos simples y "peores" en realidad ahorraron más dinero a la empresa. Los modelos de IA "inteligentes", a pesar de su alta precisión, llevaron a decisiones que resultaron en costos más altos.

La Analogía
Imagina que estás tratando de adivinar cuántos conos de helado venderás mañana.

El Modelo A predice que venderás 42.3 conos. Es matemáticamente muy preciso.
El Modelo B predice que venderás 40 conos. Es ligeramente menos preciso.

Si compras 42.3 conos (lo cual no puedes hacer, así que compras 43), podrías tirar 3 conos no vendidos. Si compras 40, podrías quedarte sin existencias, pero no desperdiciaste nada. En el mundo real, la predicción "peor" (Modelo B) podría de hecho conducir a un mejor resultado comercial porque se alinea mejor con la forma en que realmente abasteces tus estantes.

La Conclusión
El artículo concluye que debemos dejar de juzgar los modelos de pronóstico solo por sus "puntuaciones de examen" (precisión estadística). En su lugar, debemos juzgarlos por su impacto en el mundo real (cuánto dinero ahorran o pierden).

Han puesto su software de "simulador de vuelo" de código abierto, para que otros investigadores puedan usarlo para probar sus propias ideas. El objetivo es cambiar el enfoque de "¿Quién tiene la mejor matemática?" a "¿Quién nos ayuda a dirigir el negocio de la manera más eficiente?".

Resumen Técnico: Cerrando la brecha entre la precisión del pronóstico y los KPI de inventario

Planteamiento del problema
En el mercado de repuestos automotrices, particularmente para vehículos de carga pesada, la demanda se caracteriza por una alta intermitencia, dispersión e incertidumbre. Una gestión de inventarios eficiente es crítica para equilibrar los costos económicos y ambientales del exceso de existencias (capital inmovilzado, obsolescencia) frente al desabastecimiento (tiempo de inactividad, envíos de emergencia, insatisfacción del cliente). Si bien la Inteligencia Artificial y el Aprendizaje Automático (IA/ML) ofrecen capacidades predictivas avanzadas, la evaluación de los modelos de pronóstico en este dominio sigue dominada por métricas de precisión estadística (p. ej., MAE, RMSE, $R^2$ ). Existe una brecha significativa en la comprensión de cómo estas métricas estadísticas se traducen en Indicadores Clave de Desempeño (KPI) operativos, tales como el costo total de inventario y los niveles de servicio. En consecuencia, los modelos con una precisión estadística superior pueden no generar resultados operativos óptimos, y la relación entre el error de pronóstico y el desempeño del inventario se comprende deficientemente.

Metodología
Para abordar esta brecha, los autores proponen un marco de software de simulación de ciclo cerrado, centrado en la toma de decisiones, diseñado para evaluar modelos de pronóstico basándose en su impacto descendente en las decisiones de inventario. El marco consta de tres módulos integrados:

Generador de Demanda Sintética:
- Estructura: Un sistema de Simulación de Tiempo Discreto (DTS) modelado jerárquicamente (Concesionario $\to$ Camión $\to$ Pieza).
- Mecanismo: La demanda se genera simulando fallos de piezas mediante modelos de supervivencia. El tiempo hasta el fallo se trata como una variable aleatoria gobernada por funciones de riesgo (hazard functions).
- Modelos: Se implementan cuatro modelos de supervivencia paramétricos: Exponencial, Weibull, Log-logística y Gompertz. Estos permiten dinámicas de fallo heterogéneas (p. ej., componentes sin memoria vs. componentes con desgaste).
- Factores: El generador incorpora estacionalidad (modelada mediante Funciones de Base Radial para capturar variaciones regionales y específicas de cada componente), intensidad de uso (Normal vs. Severa) y deriva de concepto (cambios repentinos o lentos en el tamaño de la flota).
- Salida: Series temporales de demanda diaria para varios tipos de piezas a través de múltiples concesionarios, replicando la intermitencia del mundo real (medida por el Intervalo Promedio de Demanda y el Coeficiente de Variación).
Módulo de Pronóstico Flexible:
- Este módulo acepta los datos de demanda sintética y aloja diversos modelos predictivos.
- Modelos probados: El estudio evalúa tres modelos de aprendizaje automático (XGBoost, Random Forest, SVR) y cuatro métodos estadísticos de series temporales (ARIMA, método de Croston, TSB, SBA).
- Entrenamiento: Los modelos se entrenan con los dos primeros años de datos sintéticos para pronosticar el tercer año. Los hiperparámetros se ajustan para minimizar el Error Absoluto Medio (MAE).
Simulador de Control de Inventarios (Simulador de Costos):
- Mecanismo: Una Simulación de Eventos Discretos (DES) que procesa los pronósticos para impulsar las decisiones de inventario.
- Política: Emplea una política de inventario estándar (cálculo de stock de seguridad, puntos de pedido y cantidades de pedido) basada en fórmulas establecidas.
- Componentes de costo: El simulador calcula los costos operativos totales, incluyendo costos de mantenimiento, costos de pedido, costos de pedidos urgentes, costos de transporte y costos de "badwill" (penalizaciones por deficiencias en el nivel de servicio).
- Salida: KPIs operativos, específicamente el Costo Total y el Nivel de Servicio (tasa de cumplimiento o fill rate).

Configuración Experimental
Los autores generaron 48 escenarios sintéticos sobre un horizonte de tres años ( $T=1095$ días) con un paso de tiempo diario. Los escenarios variaron por:

Deriva de Concepto (Concept Drift): Ninguna, súbita, lenta o combinada.
Tamaño de Flota: Cuatro rangos de camiones por concesionario ( $N_t \in [5, 100]$ ).
Vida útil de la pieza: Tres rangos de tiempo de falla mediana ( $t_m \in [100, 730]$ días).
Configuración: Cuatro concesionarios, con parámetros fijos para el precio de la pieza, tiempo de entrega (lead time) y capacidad del proveedor.

Resultados Clave
Los experimentos revelaron una desconexión significativa entre la precisión estadística y el desempeño operativo:

Precisión vs. Costo: Los modelos que lograron la mejor precisión estadística (XGBoost y Random Forest, que minimizaron el MAE y el RMSE) resultaron en costos de inventario total mayores en comparación con los métodos clásicos de demanda intermitente.
Hallazgos Contraintuitivos: El método de Croston, que tuvo un peor desempeño en las métricas estadísticas (mayor MAE/RMSE), logró el menor costo de inventario total. Random Forest fue el segundo mejor en costo, mientras que SVR y XGBoost incurrieron en los costos más altos.
Paradoja de Simpson: El análisis de la relación entre las métricas de error (MAE, RMSE) y el costo total reveló una correlación débil o negativa dentro de escenarios específicos. Un menor error estadístico no garantizó menores costos operativos.
Ranking de Modelos: El ranking de los modelos cambió drásticamente al desplazar el criterio de evaluación de la precisión predictiva hacia el costo operativo. Los métodos clásicos diseñados para demanda intermitente (Croston, SBA, TSB) demostraron ser más robustos para la optimización de inventarios que los modelos complejos de ML en este contexto específico.

Significancia y Contribuciones
El artículo reclama dos contribuciones primarias:

Un Marco Modular y de Código Abierto: Los autores proporcionan un marco de software reutilizable y transparente que une el pronóstico de la demanda con la gestión de inventarios. Al acoplar un generador de demanda sintética con un simulador de costos de inventario, reduce la barrera para que los investigadores realicen experimentos rigurosos y reproducibles que evalúen los modelos basándose en la relevancia operativa en lugar de solo en el error estadístico.
Cuantificación Empírica de la Brecha Precisión-Desempeño: El estudio demuestra empíricamente que las mejoras en las métricas de precisión convencionales no se traducen necesariamente en mejores compromisos entre costo y servicio. Destaca el riesgo de depender únicamente de las medidas de error estadístico para la selección de modelos en la logística de repuestos.

Conclusión
Los autores concluyen que la evaluación de los modelos de pronóstico en el mercado de repuestos automotrices debe cambiar de un enfoque puramente predictivo a uno centrado en la toma de decisiones. El marco propuesto operacionaliza el vínculo entre el pronóstico y el inventario, sugiriendo que el desarrollo metodológico futuro debe priorizar la relevancia operativa. El software y los resultados experimentales se liberan como código abierto para facilitar la investigación adicional en este dominio.

Resumen Técnico: Cerrando la brecha entre la precisión del pronóstico y los KPI de inventario

Más como este