És perfectament possible construir un forecast més precís i no millorar inventari, nivell de servei o capacitat. L’explicació obliga a separar dues preguntes que sovint es barregen: “el model prediu millor?” i “l’empresa decideix millor?”. La primera es respon amb error estadístic; la segona, amb impacte operatiu. Quan es tracten com si fossin equivalents, el projecte pot declarar una victòria tècnica i el resultat de negoci continuar igual. Un model pot reduir WAPE i alimentar exactament la mateixa política de reposició d’abans. Si el procés de decisió no absorbeix la millora, l’accuracy es queda dins del model.
On es trenca la cadena
La cadena típica té quatre passos: dades, forecast, decisió i execució. L’error pot baixar en el segon i el coll d’ampolla continuar al tercer. Un equip pot generar millors previsions setmanals, però compres seguir llançant comandes mensuals amb regles fixes. En aquest cas, gran part del nou senyal arriba tard o s’agrega abans de convertir-se en acció.
També pot passar el contrari. El forecast s’actualitza sovint, però l’operació no pot canviar. Un proveïdor pot exigir confirmar la comanda amb setmanes d’antelació, la plantilla es pot tancar abans del torn o la capacitat d’una màquina ja pot estar compromesa. La qualitat de la previsió depèn també de si arriba abans que la decisió deixi de ser reversible. La primera comprovació, per tant, no hauria de ser una altra mètrica. Hauria de ser el mapa entre forecast i acció: qui el rep, quan, amb quines restriccions i quina part de la decisió encara es pot modificar.
El cost no és simètric
Les mètriques habituals resumeixen magnitud d’error, però el negoci pot pagar costos molt diferents segons la direcció. Quedar curt en un producte crític pot provocar una venda perduda o una parada; passar-se pot generar estoc. En altres casos, l’excés és pitjor perquè el producte caduca o perd valor. Un error de +10 i un de -10 no necessàriament tenen el mateix cost. Això canvia l’avaluació. Quan els costos són asimètrics, optimitzar una mètrica simètrica pot premiar el comportament equivocat. MAE o RMSE continuen sent útils, però han de conviure amb una funció de cost que representi la decisió.
La mateixa lògica s’aplica als horitzons. L’error que importa és el que existeix quan s’ha de decidir. Un forecast a nou mesos pot ser menys precís que un de setmanal i continuar sent útil per planificar capacitat estratègica.
El problema de l’agregació
Els promitjos són una altra font de falses millores. El WAPE total pot baixar perquè milloren els productes de gran volum mentre empitjoren referències de baixa rotació però gran marge o criticitat. L’agregat descriu la cartera, però pot amagar just els segments on l’error és més car. La jerarquia crea un problema semblant. Un forecast pot ser excel·lent a nivell de categoria i poc útil per SKU, ubicació o client. Si compres actua per SKU i magatzem, una bona previsió nacional no elimina el problema.
La solució no és multiplicar mètriques sense criteri. És segmentar per decisió: criticitat, marge, lead time, volatilitat o nivell de servei. L’avaluació ha de tenir la mateixa granularitat que l’acció que vol millorar.
Dissenyar des de la decisió
L’enfocament més robust és començar per la decisió. Primer es defineix què cal decidir, amb quina freqüència i sota quines restriccions. Després s’identifica quina informació futura ajudaria. Només llavors es trien horitzó, granularitat, mètrica i model. Aquest ordre evita sobreoptimitzar el predictor. No sempre val la pena perseguir l’últim punt d’accuracy si la política de reposició, el lead time o la capacitat contractual dominen el resultat. A vegades la millora més rendible és canviar una regla.
Un bon sistema de forecasting hauria de respondre tres preguntes: quin error estadístic redueix, quina decisió modifica i quin cost operatiu millora? Si només respon la primera, encara és un projecte de predicció. La precisió és evidència útil; l’impacte és la prova final.