Integration of human factors in forecasting software

Abstract

La actividad básica y decisiva de las empresas es la planificación. Las predicciones matemáticas son necesarias para la toma de decisiones en las empresas. Gracias a las predicciones se limita la dependencia de la incertidumbre, estableciendo así diversos pronósticos que se usan para tomar decisiones en diferentes áreas. Las empresas podrán beneficiarse de la más exitosa planificación de sus proyectos cuanto más fiables sean las predicciones realizadas en demanda, ventas, costes y duración de procesos. El objetivo de este proyecto ha sido una propuesta para solucionar el problema de la integración de factores humanos en los modelos matemáticos en una versión general y desarrollar un nuevo método capaz de resolver esta integración de la manera más simple posible. Este trabajo presenta una metodología que combina modelos matemáticos junto con técnicas de valoración por expertos para obtener predicciones muy precisas y con errores mínimos. Este proyecto comienza con un análisis y comparación exhaustiva de los modelos existentes. Paralelamente se ha desarrollado con una base de datos real un escenario de una empresa productora de bolsas de plástico. Este escenario propuesto se presenta además como un caso práctico o instrucciones a seguir para los expertos de las distintas empresas que tengan que hacer este mismo trabajo de valoración de información cualitativa en los modelos matemáticos. A lo largo de la historia, se han propuesto y estudiado una gran variedad de métodos de predicción, tal como los modelos matemáticos, econométricos y estadísticos, y otros métodos más cualitativos como las predicciones establecidas por expertos. Las series temporales, son datos pasados que se usan para hacer las predicciones matemáticas. Las predicciones de la demanda consisten en usar dichos datos históricos para obtener una aproximación de la demanda del futuro. Se han propuesto y estudiado distintos métodos estadísticos y matemáticos para obtener predicciones fiables. Sin embargo, dichos modelos matemáticos pueden conseguir buenas aproximaciones en un escenario determinista, extrapolando los hechos pasados. En la realidad, existen distintos eventos imprevisibles que dejan estas previsiones obsoletas. La mayoría de las veces, estos hechos se conocen con anterioridad y un experto del sector donde se esté haciendo el análisis puede añadir información que el modelo matemático no puede. Actualmente, se ha reconocido la necesidad de añadir juicios de expertos a las predicciones matemáticas. Basándose en este hecho, este proyecto presenta un método de juicio basado en las predicciones matemáticas. Para ello, se han definido cuatro factores que determinan la reacción de la demanda frente a distintas situaciones. Estos factores se usan basándose en el método de razonamiento del experto. Los cuatro factores definidos son: factor de transferencia de demanda, factor transitorio, factor de cambio de tendencia y factor de salto cuantitativo. Estos factores se dan por distintas razones: cambio de las necesidades del cliente, ofertas especiales, disponibilidad de almacenes, huelgas, incorporación de nuevos clientes, cese de pedidos de clientes, cambio del precio de las materias primas, etc. Tras la definición de los factores, el experto debe ponderar las variables de dichos factores. Así el experto conseguirá estructurar y comunicar sus conocimientos al modelo matemático. El modelo general consiste en tres pasos estructurados: Filtrar la serie temporal y las predicciones matemáticas, formalizar los factores y ajustar los datos para conseguir el modelo final. Se han conseguido resultados muy satisfactorios con este método que ha sido aplicado a Bison Bag, una empresa productora de bolsas de plástico. Para ello se ha hecho un análisis del sector de bolsas de polietileno. La serie de datos usada es la demanda agregada mensual de dicha empresa a lo largo de los últimos tres años (2004-2006). Después de limpiar la serie temporal y eliminar la tendencia, se ha aplicado un modelo ARIMA para calcular la demanda. Tras esto, se ha aplicado el modelo propuesto de identificación de factores por distintas razones definidas por un experto. Los resultados conseguidos han sido muy satisfactorios en comparación con los resultados matemáticos sin integración de información contextual. Este proyecto forma parte de otro gran proyecto que se está realizando en École Polytéchnique Fédérale de Lausanne (EPFL), en el Laboratorio de Gestión y Procesos de Producción (LGPP), llamado 'Logiplan' que resume la concepción, desarrollo e integración de módulos innovadores en softwares de previsión de la demanda de mercados industriales. Los modelos (matemáticos y contextuales) desarrollados formarán parte de soluciones propuestas para módulos concretos de softwares comerciales de dos empresas asociadas a dicho proyecto y permitirán el desarrollo de una herramienta de Supply Chain Forecasting and Planning en el módulo de previsión de estas empresas. La metodología presentada está además dirigida a todas las empresas que trabajan bajo pedido o que dependan de las predicciones de la demanda. Todas estas empresas son susceptibles de la significativa competitividad a nivel mundial, cuyas características de demanda cambian rápidamente. Estas empresas controlan un alto volumen de artículos y productos generalmente basados en un sistema MRP. Para este tipo de empresas es necesario conseguir un alto nivel de servicio y optimización de la cadena de aprovisionamiento; y esto se puede conseguir gracias a la obtención de predicciones muy precisas.

Decision makers need forecasts if there is uncertainty about the future. All companies seek to limit their dependence on uncertainty and m consequence establish many forecasts that they use for various decisions. The most predictions of cost and duration are reliable; the most successful planning the company will benefit from. The main objective of this project has been to solve the problem of integrating human factors in mathematical models in a general version and developing a new method that is capable of solving this integration in a simple way. This work presents a methodology that combines mathematical models and judgmental techniques in order to obtain quasi-real and precise forecasts. The Bison Bag scenario aims to be useful for future cases where experts have to do the same work in a different company. Many different ways of making predictions have been studied and proposed. Chronological series, also called time series correspond to series of event observations in the past. Demand planning and forecasting using time series consists of using historical data of the past demand to obtain an approximation of the future demand. Many different ways of making forecasts have been studied and proposed, like mathematical and statistical methods. Although mathematical approaches can lead to reliable forecasts in deterministic context, extrapolating regular pattems in series to random events can make the forecasts obsolete. On the other hand, forecasters have for asset partial knowledge of the context and of potential extemal stunner. This knowledge is not available within the statistical methods because it corresponds to special events, such as personnel strike or promotions on products. Nowadays, it has been recognized that judgment is an indispensable component of forecasting. On this base, this project presents a judgemental based approach in forecasting. Four principal types of approaches for the interaction of judgment with structured forecasting methods are defined: the model building is an approach in which the judgment is used to specify the model structure and the parameters, based on contextual factors. The combination approach is based on the combination of two forecasts: an objective one and a subjective one. With the judgmental decomposition, judgment and statistical approach can be applied at the different steps of the forecasting process. Finally, the judgmental adjustment adjusts statistical forecasts with contextual factors. It has been defined different judgmental factors to determine the reaction of the demand faced to different situations. These factors are used in a case based reasoning system which has the role of the forecasting expert. The four main ones are: the transient factor, the trend change factor, the transferred impact factor and the quantumjump factor. We propose a factor-based approach to assist the forecaster, structure its judgment when adjusting forecasts and enhance the accuracy of forecasts. Therefore, the forecaster will be able to structure and communicate his knowledge concerning the evolution of the markets (total volume, number of competitors, ... ), customers (their number, needs, potential demand, ... ) and contractors (development status, special offers, ... ) by representative factors. Afterwards, the expert has to weight the impact of the modelled events and to adjust the mathematical forecast (beforehand realized). The global approach consists of three steps: data filtering and mathematical forecasting, factors formalization and adjustment process. Accuracy is measured to evaluate how well the results of the forecasting model correspond to the real data. Results provided by mathematical forecast are compared to the ones provided by the judgmentally adjusted forecast. The Mean Absolute Error (MAE) and the Mean Absolute Percentage Error (MAPE) are considered as error measures. They take into account both positive and negative errors and measure the total magnitude of errors. This approach is applied to Bison Bag, a plastic bags manufacturer. The polyethylene bag market is analyzed and the demand is forecasted. The time series used are composed by the aggregated monthly demand collected over three years (2004- 2006). After cleaning the time series and removing the trend, an ARIMA (Autoregressive integrated moving average) model is applied to forecast the demand. Then, applying our approach with forecasters permits the identification of the different factors to be considered and modelled such as a special offer that the salespersons are preparing which will have for consequence that a major part of the demand of January will be transferred as sales to February and March. The forecasters model this event as a transferring factor and its impact is reflected on the mathematical forecast. The obtained forecast of the demand covers the year 2007. For this case study, the proposed approach has a substantial impact on the accuracy of the resulting forecasts. The methodology presented is addressed to make-to-orders compames, that are subjected to significant world competition and whose characteristics of demand change very quickly. They manage a very large volume of items and their production is generally based on the MRP concept. For this type of company, it is necessary to reach a high service level and optimisation of the supply chain; they can reach this by obtaining accurate forecasts.