¿Cuánto venderemos en México el próximo trimestre? o ¿Cumplirá mi línea de negocio con la cuota trimestral?.
De la predicción de series temporales a un enfoque de predicción modular
La predicción predictiva se considera tradicionalmente como un problema de predicción de series temporales. Es decir, se da una serie de valores pasados y se predicen los valores futuros de la serie en función de patrones como la estacionalidad, los días festivos y las tendencias. La suposición subyacente es que los valores históricos contienen suficiente información para predecir suficientemente los valores futuros. Esta suposición es válida para varios dominios.
Desafortunadamente, se ha descubierto que los procesos de ventas relativamente largos que los vendedores gestionan en los sistemas de gestión de relaciones con los clientes (CRM) generan ruido en los datos, y esos datos suelen estar escasamente poblados. Nuestros experimentos muestran que confiar únicamente en las ventas históricas no es suficiente para pronosticar con precisión las ventas. Esto es especialmente cierto cuando se va hacia abajo en una jerarquía, utilizando una granularidad de tiempo fina o para las pequeñas y medianas empresas (PYMES). Simplemente necesitamos más datos.
La buena noticia es que Dynamics 365 almacena una gran cantidad de datos relevantes de cada fase del ciclo de ventas. El sistema administra todos los clientes potenciales, oportunidades, contactos, cuentas y actividades del correo electrónico, las llamadas y las reuniones involucradas en el proceso de ventas, como se ve en la Figura 1. El seguimiento de los cambios para cada oportunidad y cliente potencial individual, conectándolo con actividades e información como entidades, intenciones, sentimientos, etc., extraídos de ellos, brinda una visión amplia del proceso de ventas y aumenta la precisión de las previsiones, especialmente a corto-mediano plazo.
Figura 1: Entidades del proceso de ventas.
Pronóstico modular
Cada previsión creada en Dynamics 365 Sales comienza a partir de la creación de una configuración de previsión. Los atributos principales de la configuración están relacionados con el tiempo, como T inicio, que es la fecha de inicio de la previsión, el horizonte T o el final de la previsión y el período de previsión, o la granularidad de tiempo. Una entrada adicional es la jerarquía para la que se requiere la predicción. A partir del inicio T hasta el horizonte T, el pronóstico se (re)calcula periódicamente, con el fin de incluir nuevas evidencias que fluyen hacia el sistema. Llamamos al tiempo de predicción T ahora.
Desde el punto de vista de la previsión, los ingresos se pueden asociar a oportunidades cerradas, oportunidades abiertas y oportunidades no nacidas. La figura 2 ilustra estos tres casos.
Figura 2: Oportunidades desde el punto de vista de la previsión.
La tarea de pronóstico se puede ver como compuesta por tres componentes correspondientes, como se ve en la Figura 3:
- Cerrado ganado: Ingresos ya generados por las oportunidades cerradas entre T start y T now. No hay nada especial aquí.
- Predicción de ingresos por gasoductos: Víaque potencialmente se generaría a partir de las oportunidades que están abiertas actualmente.
- Predicción de ingresos por nacer: Los ingresos que se generarían potencialmente a partir de oportunidades que aún no existen en el sistema y que se espera que se obtengan antes del horizonte T.
Figura 3: Componentes modulares de previsión.
El pronóstico total se calcula combinando los resultados de los componentes mencionados anteriormente durante el cronograma del pronóstico.
Predicción de ingresos por canalización
Con el fin de pronosticar los ingresos esperados de las oportunidades abiertas, predecimos la fecha de cierre esperada y la cantidad esperada para cada oportunidad. Si la fecha de cierre prevista cae antes del horizonte T, los ingresos se añaden a la previsión. La fecha de cierre esperada se estima como un punto o como una distribución, como se ve en la figura 4, utilizando varios modelos de aprendizaje automático. Los modelos se prueban con los datos anteriores de su empresa para determinar qué modelos se ajustan mejor al comportamiento de su organización. Algunos ejemplos de estos modelos son los árboles de decisión, los regresores basados en conjuntos, las redes neuronales profundas y los modelos probabilísticos.
Figura 4: Predicciones de la fecha de cierre esperada y el importe de la oportunidad individual. El gráfico de la izquierda es un ejemplo para la estimación de puntos y el de la derecha es para la distribución a lo largo del tiempo.
Predicción de ingresos por nacer
Los ingresos no nacidos se generan a partir de oportunidades que aún no existen en el sistema y que se prevé que se creen y ganen entre T ahora y el horizonte T. Los ingresos esperados de estas oportunidades se estiman mediante modelos estadísticos basados en la tasa de generación de valor observada factorizada por el tiempo restante hasta el horizonte T.
Selección de la estrategia de pronóstico
Cada componente de pronóstico hace uso de uno de varios algoritmos. Una estrategia de pronóstico predictivo es una combinación de un algoritmo por componente. Utilizando datos históricos, entrenamos cada componente individual y elegimos la estrategia como la combinación óptima. La motivación para la selección óptima de la estrategia proviene de observar que los diferentes algoritmos funcionan mejor para diferentes clientes, de manera consistente.
Jerarquía
Hay varios métodos disponibles para la creación de pronósticos jerárquicos. Se requiere que los pronósticos en diferentes niveles se enrollen en la jerarquía de manera consistente, ya sea de arriba hacia abajo o de abajo hacia arriba.
En Top-Down, la previsión se genera para la raíz de la jerarquía y, a continuación, se desagrega hacia abajo, en función de los ratios históricos. El inconveniente es la pérdida de información para los niveles jerárquicos inferiores.
En Bottom-Up, se genera una previsión para cada hoja de jerarquía y las previsiones de nivel superior son agregaciones de los niveles jerárquicos. Por lo general, es preferible Bottom-Up, debido a su simplicidad y a que no hay pérdida de información, pero necesita más datos. En Dynamics 365 Sales Insights, podemos aprovechar las ventajas de Bottom-Up para la previsión jerárquica, ya que tenemos acceso a datos enriquecidos sobre oportunidades pasadas y actuales en los niveles de hojas de la jerarquía.
