Revista internacional de pronósticos xxx (xxxx) xxx

Listas de contenidos disponibles en ScienceDirect

Revista Internacional de Pronósticos

revista Página de inicio: www.elsevier.com/locate/ijforecast

Pronósticos minoristas: investigación y práctica

Robert Fildes un , ∗ , Shaohui Ma si , ∗ , Stephan Kolassa C

un Centro de Lancaster para Análisis de Mercadeo y Pronósticos, Departamento de Ciencias Administrativas, Universidad de Lancaster, LA1 4YX, Reino Unido de Gran

Bretaña e Irlanda del Norte

si Escuela de Negocios, Universidad de Auditoría de Nanjing, Nanjing, 211815, China
C SAP Suiza, Bahnstrasse 1, 8274 Tägerwilen, Suiza

información del artículo resumen

Palabras clave: Este artículo revisa la literatura de investigación sobre el pronóstico de la demanda minorista. Comenzamos presentando los
Previsiones minoristas problemas de pronóstico que enfrentan los minoristas, desde lo estratégico a lo operativo, a medida que las ventas se agregan
Jerarquías de productos
sobre los productos a las tiendas y a la empresa en general. El pronóstico agregado respalda las decisiones estratégicas sobre la
Análisis de marketing Nuevos
ubicación. Los pronósticos a nivel de producto generalmente se relacionan con decisiones operativas a nivel de tienda. Los factores
productos
que influyen en la demanda y, en particular, la promoción.
Exactitud comparativa Práctica
información, agregue considerable complejidad, entonces
de pronóstico Datos de redes
sociales que los pronosticadores enfrentan potencialmente el problema de dimensionalidad de demasiadas variables y muy pocos datos.
El documento continúa para evaluar la evidencia sobre la precisión del pronóstico comparativo. Aunque los modelos causales
superan a los puntos de referencia simples, todavía no se ha acumulado evidencia adecuada sobre los métodos de aprendizaje
automático. Los métodos para pronosticar nuevos productos se examinan por separado, y se encuentra poca evidencia sobre la
efectividad de los diversos enfoques. El documento concluye describiendo las prácticas de pronóstico de la compañía, ofreciendo
conclusiones en cuanto a las brechas de investigación y las barreras para mejorar la práctica.

© © 2019 Instituto Internacional de Pronosticadores. Publicado por Elsevier BV Todos los derechos reservados.

1. Introducción procesos a lo largo de la cadena de suministro minorista. En el comercio

La industria minorista está experimentando rápidos desarrollos en ambas
estructuras, con el crecimiento del negocio en línea y el entorno competitivo que
enfrentan las empresas. No existe una historia simple que trascienda las fronteras
nacionales, ya que los consumidores de diferentes países se comportan de
maneras muy diferentes. Por ejemplo, en 2017, el comercio minorista en línea
representó el 14.8% de las ventas minoristas en los EE. UU. Y el 17.6% en el Reino
Unido, pero solo el 3.4% en Italia, en contraste con Alemania, que mostró un
aumento del 3.5% al ​15.1% desde 2015 ( Figura 1 ) La planificación futura de los
minoristas depende en parte de los pronósticos de demanda, entregados a través
de métodos y procesos que están integrados en un sistema de soporte de
pronósticos (FSS). El pronóstico de demanda de alta precisión tiene un impacto en
el rendimiento de la organización porque mejora muchos
∗ Autores correspondientes.
Correos electrónicos: R.Fildes@lancaster.ac.uk (R. Fildes),
shaohui.ma@nau.edu.cn (S. Ma) stephan.kolassa@sap.com (S. Kolassa).
minorista de alto margen y bajo margen, existe una mejora grande y directa en
la rentabilidad ( Fisher y Raman , 2018 ) A nivel organizacional, los pronósticos
son insumos esenciales para muchas actividades de decisión en áreas
funcionales tales como mercadeo, ventas y producción / compras, así como
finanzas y contabilidad. Los pronósticos también proporcionan la base para la
distribución nacional, regional y local y los planes de reposición.
Se ha dedicado una cantidad considerable de esfuerzo al desarrollo y la
mejora de los modelos de pronóstico en las últimas décadas, y el comercio
minorista ha visto un cambio de la intuición a la toma de decisiones basada en
datos que puede capitalizar esto ( Fisher y Raman , 2018 ) Este artículo revisa la
investigación según se aplica a la previsión minorista, trazando límites alrededor
del campo para enfocarse en alimentos y no alimentos, incluidos los productos
eléctricos (pero excluyendo, por ejemplo, automóviles, gasolina o telefonía). Esto
coincide ampliamente con las definiciones y categorías adoptadas en las
estadísticas minoristas del gobierno de Reino Unido y Estados Unidos, por
ejemplo. Damos especial

https://doi.org/10.1016/j.ijforecast.2019.06.004
0169-2070 / © © 2019 Instituto Internacional de Pronosticadores. Publicado por Elsevier BV Todos los derechos reservados.

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx

consideración a las ventas por internet, ya que cada vez hay menos distinción 2. Necesidades de pronóstico de los minoristas

entre las ventas por internet y el comercio minorista físico. Excluimos pedidos
por correo y ventas por catálogo, aunque los minoristas en línea pueden
Los minoristas confían en los pronósticos para respaldar decisiones
aprender de este campo de estudio, las diferencias son fundamentales (los
estratégicas, tácticas y operativas. Cada nivel tiene un enfoque diferente; Sin
minoristas en línea pueden usar promociones dinámicas, recomendaciones de
embargo, existe la necesidad de compatibilidad entre los tres niveles. Los métodos
productos adaptadas a la historia de búsqueda y compra de un cliente y
disponibilidad para prometer, incluyendo recomendaciones de sustitutos) y el para asegurar esto se consideran en la Sección 4.1 .

negocio de los catálogos independientes obviamente está desapareciendo.

Nuestro objetivo es reunir y evaluar críticamente una literatura de
investigación diversa en el contexto de las decisiones prácticas que los
2.1. Nivel estratégico
minoristas deben tomar que dependen de pronósticos cuantitativos.

Los minoristas, como todas las organizaciones, deben tomar decisiones

Nos basamos principalmente en Scopus para la búsqueda de literatura. Como la
previsión minorista es un tema extenso y se refiere a una amplia gama de campos de
investigación, muchos artículos no usan 'minorista *' como palabra clave, sino que
utilizan otros más específicos, como 'promoción', 'cadena de suministro', 'tienda' ,
'moda', 'producto' o 'demanda / ventas'. Esto hace que la recopilación de documentos
de pronósticos minoristas para su revisión sea una tarea difícil. Para garantizar una
revisión exhaustiva, creamos una serie de composiciones de palabras clave, por
ejemplo, '' (venta minorista o demanda o ventas) y (pronóstico o predicción) '', para la
búsqueda de literatura, luego examinamos cada uno de los documentos identificados
para juzgar el alcance de su relevancia para la previsión minorista.
La siguiente sección considera las decisiones que toman los minoristas, desde
lo estratégico a lo operativo, y los diferentes niveles de agregación, desde la tienda
hasta la cadena minorista. Sección 3 considera el pronóstico agregado del mercado
en su conjunto, donde, como hemos señalado, se están produciendo cambios
rápidos, hasta la tienda individual, donde nuevamente la cuestión de dónde
con respecto a su desarrollo estratégico dentro de entornos tecnológicos y
competitivos cambiantes. Los elementos estándar que definen una estrategia
minorista, abarcando el mercado y los factores competitivos dentro de los
entornos tecnológicos y regulatorios en desarrollo (ver por ejemplo Levy, Weitz
y Grewal , 2012 ), normalmente dependen de las previsiones. Figura 1 ilustra
estos problemas, mostrando el crecimiento reciente y previsto de las compras
en línea en los Estados Unidos y Europa, con claras diferencias entre países y
culturas. Figura 2 muestra la proporción cambiante de minoristas de bajo
precio en el Reino Unido de 1994 a 2017, con pronósticos para
2020.
Los pronósticos extrapolativos simples en Figs. 1 y 2
mostrar los rápidos cambios en el entorno minorista que requieren que las
empresas respondan. Por ejemplo, una decisión del canal para desarrollar una
presencia en línea dependerá de un horizonte de tiempo de pronóstico que mira
hacia el futuro, pero se requiere cierta precisión cuantitativa sobre horizontes
más cortos, tal vez tan pronto como sea posible una implementación dentro de
un año o más. La estrategia elegida por la cadena minorista requerirá decisiones
que respondan a los cambios anteriores, decidiendo ubicaciones que incluyan

deberían ubicarse las tiendas ha cobrado importancia con los cambios que se han canales, posición de precio / calidad y segmento (s) de mercado objetivo, tipo de
observado en el comportamiento de compra. Luego pasamos a un pronóstico más tienda (en la ciudad frente a megastores) y red de distribución. Un punto clave
detallado de la unidad de mantenimiento de existencias (SKU), y las jerarquías en es que, por lo general, todas esas decisiones tendrán consecuencias a largo
las que estos SKU naturalmente caen, discutido en la Sección 4 4 . Los problemas plazo, con altos costos incurridos si se necesitan cambios posteriores y la
de datos que se enfrentan al pronosticar incluyen desabastecimientos, flexibilidad es baja (por ejemplo, la ubicación del sitio y el traslado a compras
estacionalidad y eventos de calendario, mientras que los principales impulsores de locales más frecuentes en el REINO UNIDO, lejos de las grandes tiendas fuera
la demanda son la combinación de marketing y las promociones. Las revisiones de
de la ciudad, lo que llevó a Tesco en 2015 a vender 14 de sus sitios asignados
productos en línea y las redes sociales son dos nuevas fuentes de información que
en el Reino Unido y cerrar otros y Marks & Spencer Group en 2018 para
requieren un cuidado considerable para que resulten valiosas para el pronóstico.
proponer cerrar más del 10% de sus tiendas). Por lo tanto, se requieren
Sección 5 5 proporciona una evaluación de los diferentes métodos que se utilizan
pronósticos estratégicos tanto a nivel agregado como a nivel geográficamente
en el pronóstico de la demanda a nivel de producto en un intento de proporcionar
específico a lo largo de horizontes de pronóstico largos.
evidencia sobre las circunstancias en las que los métodos más complejos agregan
valor, incluida una breve discusión de los desafíos específicos para la evaluación
de la precisión del pronóstico a un nivel bajo - ularidad. La previsión de nuevos
productos requiere diferentes enfoques, que se consideran en la Sección 6 6 . La
práctica de pronóstico varía dramáticamente en todo el sector minorista, en parte
debido a su diversidad, y Sección 7 7 proporciona varias viñetas basadas en El pequeño minorista local se enfrenta a un entorno igualmente volátil, con
observaciones de casos, que capturan algunos de los problemas que enfrentan los incertidumbre en cuanto a la ubicación y el mercado objetivo (y la combinación de
minoristas y sus soluciones operativas. Finalmente, la sección 8 contiene nuestras
productos). Sin embargo, aunque muchas de las preguntas que enfrentan los
conclusiones en cuanto a aquellas áreas en las que la evidencia en cuanto a las
minoristas nacionales siguen siendo relevantes (por ejemplo, la oferta en línea), hay
mejores prácticas es sólida y aquellas en las que la investigación es más
poca información en la literatura de investigación que incluso describa los resultados de
necesaria.
las muchas decisiones de ubicación de tiendas pequeñas. Las excepciones incluyen
tiendas de caridad ( Alexander, Cryer y Wood , 2008 ) y tiendas de conveniencia ( Wood &
Browne , 2007 ), mientras que varios estudios también han examinado restaurantes, que
están fuera de nuestro alcance.

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 2
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx 3

Figura 1. Acciones en línea de comercio minorista: varios países. Fuente de los datos de 2014–2017: Centro de Investigación Minorista, www.retailresearch.org/ onlineretailing.php . Las previsiones para 2018-2020 se
calcularon utilizando un ajuste exponencial con tendencias y errores aditivos.

Figura 2. Acciones de minoristas de comestibles en comparación con minoristas de bajo precio (Aldi y Lidl) en el Reino Unido. Fuente de los datos de 1995-2017: http: //www.fooddeserts. org / images / supshare.htm . Las
previsiones para 2018-2020 se calcularon utilizando un suavizado exponencial con tendencias y errores aditivos.

2.2. Nivel táctico
Las decisiones tácticas necesariamente se ajustan al marco estratégico
desarrollado anteriormente. Sin embargo, estas decisiones estratégicas no
determinan las comunicaciones y el plan de publicidad de la cadena, las
categorías de productos que se ofrecerán o la variedad (gama) de productos
dentro de cada categoría. A nivel de cadena, el objetivo es maximizar la
rentabilidad general mediante el uso de herramientas publicitarias (a nivel de
cadena y tienda) y promocionales para lograr el éxito.
A nivel de categoría, el objetivo nuevamente es maximizar las ganancias de
la categoría (en lugar de la marca), lo que requerirá un plan de precios /
promoción que determine aspectos como el tipo y la frecuencia de las
promociones en el horizonte de planificación (de quizás un año), y si hay
campañas publicitarias de display y funciones asociadas. En principio, estos
planes están vinculados a las decisiones de precios promocionales operativos
que se analizan a continuación. La disponibilidad de productos en el estante
también es una métrica clave del servicio minorista y depende de manera crucial
del establecimiento de una relación

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx

entre las previsiones de demanda del producto, la inversión en inventario y el 3. Previsión de ventas minoristas agregadas
sistema de distribución. La gama de productos enumerados plantea la cuestión de
la introducción de nuevos productos en una categoría, las ventas esperadas y su Todo pronóstico en el comercio minorista depende de un grado de agregación sobre

efecto en las ventas en general (particularmente dentro de la categoría). las unidades de producto, ubicaciones o segmentos de tiempo, de acuerdo con el
objetivo de la actividad de pronóstico.

Las demandas puestas en el almacén y el sistema de distribución por la Esta sección utiliza el término 'pronóstico agregado de ventas minoristas' para

tienda × La demanda de productos también necesita previsión. Esto es referirse a las ventas minoristas totales en un mercado, cadena, tipo de tienda (por

necesario para planificar no solo la reposición, sino también la fuerza laboral, ejemplo, en la ciudad) o tienda individual, en oposición al producto (SKU / marca /

donde el número y el tamaño de los productos determinan la tasa de categoría) específico pronósticos; es decir, agregamos implícitamente productos y

selección, que a su vez determina la fuerza laboral y su horario. La promociones y hasta una granularidad específica (por ejemplo, semanal o mensual)
durante un período de tiempo específico, consulte Fig. 3 . Por lo general, las ventas
constitución de la flota de entrega y las rutas planificadas dependen de
minoristas agregadas se miden en ingresos en lugar de unidades de producto. Sin
manera similar de los pronósticos de demanda de la tienda (algo
embargo, los aumentos de precios por inflación generalmente tienen poco impacto en la
desagregados), ya que los patrones estacionales de compra varían según la
demanda, por lo que el efecto sobre los ingresos totales puede capturarse más
región. Esto es cierto tanto si el minorista gestiona su propia red de
fácilmente pronosticando en unidades y multiplicando por el precio. A continuación,
distribución como si lo ha subcontratado a un proveedor de servicios, o, lo que
revisamos la investigación existente en tres niveles separados: las ventas minoristas
es más común, utiliza una mezcla, con muchos productos que se suministran
agregadas en un mercado, una cadena y una tienda. Aunque el pronóstico de las ventas
desde los propios centros de distribución (DC) del minorista, pero otros son
agregadas en estos tres niveles comparte muchos problemas comunes, por ejemplo,
suplidos - enviado directamente a las tiendas por los fabricantes (entrega
estacionalidad y tendencia, plantean diferentes preguntas de pronóstico y tienen
directa en la tienda). Los minoristas en línea, especialmente los
diferentes objetivos, características de datos y soluciones.
supermercados, deben decidir qué modo de cumplimiento ofrecer: Glaeser,
Fisher y Su , 2019 ; Hübner, Kuhn y Wollenburg , 2016 ), cada uno de los cuales
requiere pronósticos específicos para los requisitos de demanda y mano de
obra.

3.1. Previsión de ventas agregadas a nivel de mercado

El pronóstico de ventas agregadas a nivel de mercado se refiere a las ventas

totales de una categoría minorista, un canal o toda la industria en un país o región.
2.3. Nivel operacional El intervalo de tiempo para los pronósticos a nivel de mercado puede ser mensual,
trimestral o anual. Las previsiones de ventas minoristas a nivel de mercado son

Para tener éxito en las decisiones estratégicas y tácticas, la empresa necesarias para permitir que los minoristas (grandes) comprendan las condiciones

minorista debe gestionar sus procesos de planificación de la demanda y el cambiantes del mercado y el efecto que pueden tener en sus propias ventas

suministro para evitar simultáneamente problemas de servicio al cliente, un totales ( Alon, Qi y Sadowski , 2001 ) También son fundamentales para la
planificación y operación de un negocio minorista a nivel de cadena estratégica, ya
inventario innecesariamente alto y costos de cancelación sustanciales debido a
que ayudan a identificar el potencial de crecimiento de diferentes modelos de
productos obsoletos. Estos son temas delicados en las empresas minoristas
negocios y estimulan el desarrollo de nuevas estrategias para mantener su
debido a la complejidad en los datos de la demanda, con fluctuaciones
posición en el mercado.
considerables, la presencia de muchos intermediarios en el proceso, la
diversidad de productos y la calidad del servicio requerida por el consumidor. De
manera general, el pronóstico preciso de la demanda es crucial para organizar y
Los datos agregados de ventas minoristas a nivel de mercado a menudo exhiben
planificar las compras, la distribución y la fuerza laboral, así como los servicios
fuertes tendencias, variaciones estacionales, correlaciones seriales y cambios de régimen,
postventa. Por lo tanto, la capacidad de los gerentes minoristas para estimar la
porque cualquier período largo en los datos puede incluir crecimiento económico, inflación y
cantidad de ventas esperada en el SKU × El nivel de tienda en el corto plazo
eventos inesperados ( Fig. 4 ) Los modelos de series de tiempo han proporcionado
debería conducir a una mejor satisfacción del cliente, menos desperdicio,
soluciones para capturar estas características y, por lo tanto, se han estado aplicando
mayores ingresos por ventas y una distribución más efectiva y eficiente. Sin
durante mucho tiempo para el pronóstico agregado de ventas minoristas a nivel de mercado
embargo, los pronósticos puntuales deben combinarse con estimaciones de
(por ejemplo, Alon y col. , 2001 ; Bechter y Rutner , 1978 ;
cuantiles (o la desviación estándar del error de pronóstico sobre el horizonte de
pronóstico) para que sean efectivos.
Schmidt , 1979 ; Zhang y Qi , 2005 ) El suavizado exponencial simple y sus
extensiones, junto con los modelos ARIMA, han sido los modelos de series de
tiempo empleados con mayor frecuencia para el pronóstico de ventas a nivel de
mercado. Incluso en las primeras referencias, que reflejan controversias en la
Como resultado de estas diversas decisiones operativas y sus respectivas literatura macroeconómica, los investigadores plantearon la cuestión de cuál de los
consecuencias financieras, el efectivo que generan los minoristas (dado que a distintos modelos de series de tiempo funcionó mejor y cómo se compararon con
los proveedores generalmente se les paga atrasados) conduce a un problema los modelos econométricos simples. 1 Los primeros estudios sufrieron una debilidad
de inversión en la gestión del efectivo. Por lo tanto, el efectivo que estará común: la incapacidad de comparar modelos de manera convincente debido a la
disponible para la inversión, que depende de los arreglos de pago del cliente, dependencia de
debe pronosticarse.

Finalmente, las operaciones diarias de la tienda también dependen del pronóstico. 1 Típicamente, los modelos macroeconométricos no incluyen las ventas minoristas como una
En particular, los horarios de personal dependen de la actividad anticipada del cliente y variable endógena, sino que usan una variable como el consumo; sin embargo, ver Bechter y Rutner ( 1978

la ingesta de productos. )

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 4 4
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx 55

Fig. 3. Ventas minoristas jerárquicas de SKU a Store a Chain to Market.

Fig.4. Series mensuales de ventas minoristas en millones de dólares.

Fuente: Oficina del Censo de EE.UU.

datos limitados o el uso de métricas de evaluación inapropiadas, como el ajuste de sobreajuste, ya que solo se pronosticaba una única serie de tiempo y los
en la muestra. autores presumiblemente ajustaron sus modelos para mejorar la precisión del
Algunos investigadores han encontrado que los modelos de series de tiempo pronóstico. La evidencia de los beneficios de pronóstico de los modelos no
estándar a veces son inadecuados para aproximar las ventas minoristas agregadas, lineales parece débil (ver más abajo).
identificando evidencia de no linealidad y volatilidad en las series temporales de
ventas minoristas a nivel de mercado (por ejemplo, Alon y col. , 2001 ; Chu y Zhang , 2003
A diferencia de los modelos de series temporales, los modelos econométricos
; Kuvulmaz, Usanmaz y Engin , 2005 ; Zhang y Qi , 2005 ) Por lo tanto, recurrieron a
dependen de la identificación exitosa de variables explicativas predecibles. Bechter
modelos no lineales, especialmente redes neuronales artificiales. Los resultados
y Rutner ( 1978 ) compararon las previsiones de rendimiento de ARIMA y los
indican que los modelos de series temporales tradicionales con una tendencia
modelos econométricos diseñados para las ventas minoristas en los Estados
estocástica, como el suavizado exponencial y ARIMA, tuvieron un buen desempeño
Unidos. Utilizaron dos variables explicativas en el modelo económico: ingreso
cuando las condiciones macroeconómicas son relativamente estables. Sin embargo,
personal y riqueza personal no financiera, medido por un índice del precio de las
cuando las condiciones económicas son volátiles (con cambios rápidos en las
condiciones económicas), se ha afirmado que las redes neuronales artificiales acciones comunes. Los valores pasados ​de las ventas minoristas también se

(ANN) superan a los métodos lineales ( Alon y col. , 2001 ), aunque debe haber una incluyeron en modelos alternativos que combinaban componentes autorregresivos

sospecha y económicos. Descubrieron que los pronósticos ARIMA generalmente no eran

mejores y

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
a menudo peor que los generados por un modelo económico de ecuación simple,
mientras que el modelo mixto tuvo un mejor registro durante el período de
pronóstico de 30 meses que cualquiera de los otros tres modelos. Sin embargo,
tenga en cuenta que utilizaron los valores reales de los predictores
macroeconómicos para el último mes observado para pronosticar un mes, mientras
que en una situación de pronóstico práctica, estas variables tendrían que
pronosticarse (consulte la discusión sobre predictores de pronóstico en la Sección 4.3
4.3 en los impulsores de demanda a nivel de producto). No ex ante se han
encontrado comparaciones de pronósticos incondicionales. Recientemente, Sí,
Balcilar, Gupta y Majumdar. ( 2015 ) realizaron un estudio comparativo exhaustivo
sobre 26 modelos de series temporales (23 individuales y 3 combinados) para
pronosticar las ventas minoristas agregadas de Sudáfrica. A diferencia de la
literatura anterior sobre pronósticos de ventas minoristas, no solo analizaron una
amplia gama de modelos lineales y no lineales, sino que también generaron
pronósticos de varios pasos por delante utilizando un esquema de estimación
recursiva en tiempo real durante el período fuera de la muestra . Además,
consideraron las funciones de pérdida que sobreponían el error pronosticado en
auges y recesiones. Descubrieron que ningún modelo único funcionó mejor en
todos los escenarios. Sin embargo, los modelos de pronóstico combinados, que
ponderan la información actual más que el pasado, no solo produjeron mejores
pronósticos, sino que tampoco se vieron afectados en gran medida por los ciclos
comerciales y los horizontes temporales.
En resumen, no se ha encontrado ninguna investigación reciente que utilice los
métodos econométricos actuales para vincular las ventas minoristas a variables
macroeconómicas como el PIB y evalúa sus rendimientos condicionales e
incondicionales en relación con los enfoques de series temporales. La evidencia
sobre el rendimiento de los modelos no lineales es limitada, con muy pocas series
de muy pocos países, y no se ha hecho ninguna comparación con los modelos
econométricos.
3.2. Previsión de ventas agregadas a nivel de cadena y canal
La investigación a nivel de la cadena minorista se ha centrado principalmente en las
previsiones de ventas un año antes ( Curtis, Lundholm y McVay , 2014 ; Kesavan, Gaur y
Raman , 2010 ; Osadchiy, Gaur y Seshadri , 2013 ) Se necesitan pronósticos precisos de las
ventas minoristas a nivel de cadena (en términos monetarios) para la gestión financiera de
la empresa y también para ayudar a las decisiones de inversión financiera en las
existencias de las cadenas minoristas.
En general, la mayoría de los modelos que se utilizan para la predicción a nivel
de cadena son similares a los utilizados para la predicción a nivel de mercado (es
decir, modelos de extrapolación univariada). Sin embargo, hay algunos modelos
especialmente diseñados que han demostrado tener mejores prestaciones. Kesavan
y col. ( 2010 ) encontraron que los datos de inventario y margen bruto pueden mejorar
la previsión de ventas anuales a nivel de cadena en el contexto de minoristas
estadounidenses que cotizan en bolsa. Incorporaron el costo de los bienes vendidos,
el inventario y el margen bruto (la relación entre los ingresos por ventas y el costo de
los bienes vendidos) como variables endógenas en un modelo de ecuaciones
simultáneas, y encontraron que las previsiones de ventas de este modelo son más
precisas que las previsiones de consenso de analistas de renta variable. Osadchiy y
col. ( 2013 ) presentó un modelo (altamente estructurado) para incorporar retornos
rezagados del mercado financiero y pronósticos de analistas financieros al
pronosticar ventas a nivel de empresa para minoristas. Su método mejorado
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 6 6
según la precisión de las previsiones generadas por los analistas de renta variable y los
métodos de series temporales. Sin embargo, su uso de métodos de referencia (en
particular, una formulación econométrica más estándar) fue limitado. Curtis y col. ( 2014 )
pronosticaron las ventas de la cadena minorista utilizando datos disponibles
públicamente sobre la combinación de edades de las tiendas en una cadena minorista.
Al distinguir entre el crecimiento de las unidades generadoras de ventas (es decir,
nuevas tiendas) y el crecimiento de las ventas por unidad (es decir, tasas de crecimiento
de tiendas comparables), sus pronósticos resultaron significativamente más precisos que
los de los modelos basados ​en tasas estimadas de media reversión en ventas totales o
pronósticos de analistas. Los modelos internos de pronósticos de ventas en cadena
deberían beneficiarse de la inclusión de variables confidenciales adicionales, pero no se
ha encontrado evidencia.
Una pregunta relacionada al pronosticar la potencial demanda en línea es
decidir si agregar un canal en línea a las tiendas físicas existentes o cerrar
una presencia en línea existente. Este análisis debe permitir la canibalización
de ubicaciones existentes mediante ventas en línea. Hernant y Rosengren ( 2017
) estudió los efectos sobre el comportamiento del cliente, tanto en la tienda
como en línea, del lanzamiento de un canal en línea, y concluyó que `` para
los clientes existentes, la interacción entre la transacción promedio, la
frecuencia de compra y la regularidad resultó ser cero- juego de suma ''. Sin
embargo, más positivamente, la adición de un servicio en línea ofreció la
oportunidad de ganar nuevos clientes que no habían comprado en la tienda.
Se sabe que los resultados sobre cómo penetra en línea el comercio
minorista tradicional son específicos de cada categoría y región ( Brynjolfsson
y Rahman , 2009 ; Wang, Song y Yang , 2013 ) Críticamente, la penetración final
en línea en cada categoría es desconocida, y nuevamente, la pregunta no ha
sido investigada. Para un minorista que contempla el desarrollo de un servicio
en línea, se necesitaría un enfoque jerárquico. Sin embargo, la evidencia
anecdótica (incluida una de nuestras viñetas de casos en el Apéndice B)
sugiere que los dos canales pueden pronosticarse por separado.
3.3. Previsión de ventas agregadas a nivel de tienda
Los minoristas suelen tener múltiples tiendas de diferentes formatos que sirven a
diferentes segmentos de clientes en diferentes ubicaciones. Las ventas en las tiendas
se ven impactadas dramáticamente por la ubicación, la economía local y los minoristas
competitivos, la demografía del consumidor, las promociones propias y de la
competencia, el clima, las estaciones y los eventos locales como festivales. El
pronóstico de las ventas en la tienda se puede dividir en dos categorías: (1) el
pronóstico de las ventas en la tienda existentes para distribución, establecimiento de
objetivos y viabilidad, control financiero y planificación de la fuerza laboral; y (2) el
pronóstico de ventas potenciales de nuevas tiendas para el análisis de selección del
sitio.
Tanto los modelos de series de tiempo univariantes como los modelos de regresión se
utilizan para pronosticar las ventas en tiendas existentes. Davies
( 1973 ) utilizaron el análisis factorial en un estudio de cadenas de ropa y demostraron
cómo los puntajes factoriales de las tiendas individuales explicaban sus niveles de
rendimiento de ventas. Sin embargo, este estudio fue limitado por el uso de datos en
la muestra solamente.
Geurts y Kelly ( 1986 ) presentó un estudio de caso de previsión de las ventas
mensuales de una tienda por departamentos. Consideraron varios factores,
incluyendo la estacionalidad, las vacaciones, el número de días de fin de semana,
el precio al consumidor local.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
índice, ingresos semanales promedio, la tasa de desempleo, etc., y concluyó
que los métodos de series de tiempo univariadas eran mejores para pronosticar
las ventas en la tienda que el juicio o los modelos econométricos. En un nivel
más operativo de gestión de los niveles de personal, Lam, Vandenbosch y
Pearce
( 1998 ) construyeron un modelo de regresión basado en datos diarios que establecen el
potencial de ventas de la tienda en función del volumen de tráfico de la tienda, el tipo
de cliente y la respuesta del cliente a la disponibilidad de la fuerza de ventas, donde
los errores se modelaron como procesos ARMA. Sin embargo, no se presentaron
pruebas convincentes sobre su precisión comparativa.
Un problema relacionado con la tienda es el de pronosticar actividades o
pisadas en un centro comercial o tienda individual, para las cuales la
recopilación de datos ha sido problemática ( Abrishami, Kumar y Nienaber , 2017
), pero ahora las nuevas tecnologías proporcionan datos. Por ejemplo, el
pronóstico a corto plazo de la actividad de la tienda puede utilizar datos
'grandes' disponibles recientemente en forma de transacciones de pago móvil
de terceros para producir pronósticos de ventas diarias para 2000 tiendas en
varias ubicaciones ( Ma y Fildes ,
2018 ) Los resultados de tal ejercicio mostraron que los pronósticos que tomaron
en cuenta la actividad general en una plataforma de pago móvil de terceros (es
decir, un enfoque multivariado combinado), producidos usando un algoritmo de
aprendizaje automático, superaron los métodos univariados, incluidos los
estándares puntos de referencia, tanto en conjunto como para la mayoría de las
tiendas individuales.
La previsión del potencial de ventas de una nueva tienda es una tarea
difícil, pero crucial para el éxito de cada empresa minorista. Tradicionalmente,
los nuevos enfoques de pronóstico de ventas en tiendas pueden clasificarse en
tres categorías: modelos de juicio, regresión analógica e interacción espacial
(también llamados modelos gravitacionales). El éxito de los enfoques de juicio
depende de la experiencia del analista de ubicación ( Reynolds y Wood , 2010 ) y,
como con todos los enfoques de juicio, la medida en que pueden evitar una
gama de sesgos cognitivos y motivacionales bien documentados. Los
minoristas a menudo usan una lista de verificación para evaluar
sistemáticamente el valor relativo de un sitio determinado en comparación con
otros sitios potenciales en el área. Esto implica una evaluación de varios
factores que pueden tener un impacto en las ventas y los costos en un sitio ( Craig,
Ghosh y Mclafferty , 1984 ; Hernández y Bennison , 2000 ), y puede tratar
problemas que no pueden medirse fácilmente cuantitativamente (por ejemplo,
acceso y visibilidad). En su forma más simple, la lista de verificación puede
actuar como una buena herramienta de detección, pero no puede predecir la
rotación directamente.
La regresión analógica genera pronósticos de rotación para una nueva tienda
al comparar el sitio propuesto con sitios análogos existentes, en función de la
medición de características como la competencia (número de competidores,
distancia con el competidor clave, etc.), la composición del área de comercio
(población tamaño, ingreso promedio, número de hogares, patrones de viaje,
propiedad del automóvil, etc.), accesibilidad a la tienda (costo del estacionamiento,
distancia al estacionamiento, distancia a la estación de autobuses, etc.) y
características de la tienda (tamaño, formato , imagen de marca, gama de
productos, horarios de atención, etc.). En comparación con el enfoque de juicio, los
modelos de regresión analógica proporcionan una base más objetiva para la toma
de decisiones del gerente, destacando las opciones más probables para nuevas
ubicaciones. Simkin ( 1989 ) informaron la aplicación exitosa de una evaluación de
ubicación de tienda basada en regresión
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
77
modelo (SLAM) en varios de los principales minoristas del Reino Unido. El
modelo pudo representar aproximadamente el 80% de la rotación de la tienda
en la muestra, pero no se informaron las precisiones de predicción para las
ventas de nuevas tiendas. Morphet ( 1991 ) aplicaron una regresión a un
análisis del desempeño comercial de una cadena de tiendas de comestibles
en Inglaterra, incorporando cinco factores competitivos y demográficos
(incluida la población, la participación del espacio en el piso, la distancia
desde el centro de pedidos superior, la atracción, el porcentaje de mujeres
casadas , etc.) Aunque los modelos lograron un alto grado de "explicación" de
la variación en el rendimiento de la tienda, los resultados sobre la rotación
prevista sugirieron que el uso de ecuaciones de regresión no era suficiente
para predecir el rendimiento potencial de las tiendas en nuevas ubicaciones.
Las trampas en tales regresiones pueden provenir del sobreajuste estadístico
debido a datos limitados, descuidar las percepciones de los consumidores,
una cobertura inadecuada de la competencia y la incertidumbre inducida por
tener que pronosticar variables explicativas.
El modelo de interacción espacial (SIM) (o modelo de gravedad) se utiliza
ampliamente como una herramienta sofisticada de análisis de ubicación minorista,
y tiene una larga y distinguida historia en los campos de la geografía y la ciencia
regional. Residencia en Reynolds y Wood ( 2010 ) encuesta de los departamentos de
planificación de ubicación corporativa, alrededor de dos tercios de los equipos de
planificación de ubicación minorista (en todos los sectores) habían utilizado SIM
para la planificación de ubicación. A diferencia de las regresiones análogas, que se
basan principalmente en datos de tiendas existentes en la misma cadena, SIM
utiliza datos de varias fuentes para mejorar la precisión de la predicción: tiendas
análogas, encuestas de hogares, sistemas de información geográfica y datos de
competencia y censos. Una SIM se basa en la teoría de que los flujos de gastos y
los ingresos posteriores de la tienda están impulsados ​por el atractivo comparativo
de la tienda y están limitados por la distancia, y los consumidores exhiben una
mayor probabilidad de comprar en tiendas que son geográficamente próximas ( Newing,
Clarke y Clarke , 2014 ) El ejemplo más básico de este tipo de modelo es el modelo
de área comercial de Huff ( Suspiro ,
1963 ) El atractivo comparativo en un SIM dependerá de factores como la
accesibilidad, el estacionamiento, otras características de la tienda, etc. La
popularidad y la longevidad de SIM se pueden atribuir a su atractivo conceptual,
relativa facilidad de uso y aplicabilidad a una amplia gama de problemas, de los
cuales la predicción del comportamiento espacial del consumidor es el más
conocido ( Li y Liu , 2012 ) El modelo original de Huff se ha ampliado para hacerlo
más realista al agregar componentes adicionales; Estos incluyen modelos que
pueden tener en cuenta la imagen de la cadena minorista ( Stanley y Sewall , 1976 ),
competencia asimétrica en formatos de tiendas minoristas ( Benito, Gallego y
Kopalle ,
2004 ), almacenar efectos de aglomeración ( Li y Liu , 2012 ; Picone, Ridley y
Zandbergen , 2009 ; Cajero y reutorista , 2008 ), reduzca la canibalización interna
de la cadena ( Beule, Poel y Weghe ,
2014 ) y la heterogeneidad del consumidor ( Newing y col. , 2014 ) Recientemente, Glaeser
y col. ( 2019 ) proporcionó una solución al problema de seleccionar ubicaciones de
manera óptima para la recolección de compras realizadas en línea, utilizando un
bosque aleatorio que incluye predictores geográficos y otros; esto incluyó el uso
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
de variables de servicio para capturar el atractivo de diferentes ubicaciones.
Las SIM generalmente se validan en los datos de la muestra. Sin embargo, Birkin,
Clarke y Clarke ( 2010 ) criticaron este enfoque, enfatizando la importancia de
una muestra reservada (una referencia no reconocida a la literatura sobre
pronósticos) y mostraron, utilizando datos de la cadena de tiendas de bricolaje,
que su modelo podría operacionalizarse con una precisión de pronóstico de
alrededor del 10%, que fue mejor que el desempeño de la compañía. Una
omisión importante es el horizonte temporal sobre el cual se supone que se
aplica el modelo, presumiblemente el horizonte temporal de la inversión. Birkin y
col. ( 2010 ) comentan que la práctica de la industria es actualizar los modelos
regularmente, al menos una vez al año, lo que sugiere una visión implícita sobre
la falta de estabilidad a largo plazo en los modelos, debido a un entorno
minorista cambiante. Las extensiones al modelo adolecen de problemas de
insuficiencia de datos, pero
Newing y col. ( 2014 ) sostienen que se pueden superar para incluir términos de
demanda más sofisticados, como la fluctuación estacional y las variables de
segmentación del consumidor.
Los modelos predictivos de rendimiento de la tienda son solo un elemento
para respaldar la decisión de ubicación. Wood y Reynolds ( 2013 ) discuten cómo
se combinan los modelos con el conocimiento específico del contexto, los juicios
de los analistas de ubicación y la información análoga para producir
recomendaciones finales. No hay evidencia disponible sobre la importancia
relativa de los aportes de juicio y la información basada en el modelo, ni hay
mucha evidencia sobre la precisión de los modelos más allá de las afirmaciones
no probadas de que los pronósticos basados ​en el modelo son altamente
precisos ( Wood & Reynolds , 2013 ), aparte de Birkin y col. 's ( 2010 ) análisis de
una cadena de bricolaje. En el actual entorno minorista que cambia rápidamente,
especulamos que el juicio volverá a convertirse en el enfoque dominante para la
evaluación del potencial de la tienda y el cierre de las tiendas. La pregunta de
investigación ahora se convierte en: ¿qué papel, si es que hay alguno, pueden
jugar los modelos útilmente, y cómo deberían asignarse los pesos de las
contribuciones modelo y de juicio?
Con los rápidos cambios en la calle principal en muchos países que
muestran tasas crecientes de vacantes, estos modelos de predicción tendrán
cada vez más un nuevo uso: para identificar las tiendas que se cerrarán.
Especulamos que los modelos de series de tiempo multivariadas que incluyen
variables indicadoras (para el tipo de tienda), complementadas por el
conocimiento local, deberían ser útiles. Sin embargo, esta investigación queda
por hacer.
Tenga en cuenta que cualquier evaluación de los pronósticos de nuevas tiendas
(o de los pronósticos que podrían usarse para determinar qué tiendas cerrar) debe
tener en cuenta un posible sesgo de selección: es más probable que se desarrollen
nuevas tiendas candidatas con pronósticos más altos que los candidatos con
pronósticos más bajos . El análogo se mantiene para las tiendas que están cerradas.
Por lo tanto, los candidatos seleccionados para el desarrollo pueden ver ventas
sistemáticamente más bajas de lo previsto, debido a la regresión a la media. Es
importante destacar que este efecto ya puede sesgar las muestras que están
disponibles para la investigación de pronósticos de nuevas tiendas: por lo general, un
investigador podrá confiar solo en los datos de las tiendas que realmente estaban
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 8
desarrollado (lo que significa que alguien ya había previsto sus ventas, y el
pronóstico salió lo suficientemente alto como para seguir adelante con el
desarrollo); uno rara vez tendrá datos para candidatos que fueron no desarrollado.
Por supuesto, el análogo también es cierto para pronosticar nuevos productos,
predecir la planificación de surtidos o pronosticar ventas promocionales: en cada
caso, se decidió el conjunto de datos de productos o promociones recién
introducidos que se pusieron en marcha en el punto de venta. basado en algún
pronóstico que fue lo suficientemente alto como para eliminar un obstáculo interno
de ir / no ir. Este sesgo de selección potencial rara vez se discute en la literatura.
4. Previsión de demanda a nivel de producto en el comercio minorista
El pronóstico de la demanda a nivel de producto en el comercio minorista
generalmente tiene como objetivo generar pronósticos para una gran cantidad de series
de tiempo en un horizonte de pronóstico corto, en contraste con el pronóstico a largo
plazo para solo una o unas pocas series de tiempo a un nivel más agregado. La
capacidad de pronosticar la demanda de cada artículo en cada tienda o DC con la mayor
precisión que se puede lograr es fundamental para la supervivencia y el crecimiento de
una cadena de distribución, ya que muchas decisiones operativas, como la fijación de
precios, la asignación de espacio, la inclusión / exclusión en la lista, Los pedidos y la
gestión de inventario de un artículo están directamente relacionados con su pronóstico de
demanda. Los errores de pronóstico conducen directamente a un servicio más deficiente
y costos más altos. Las decisiones de pedido deben garantizar que el nivel de inventario
no sea demasiado alto para evitar altos costos de inventario (incluido el deterioro y la
obsolescencia), ni demasiado bajo, para evitar desabastecimientos y pérdidas de ventas.
Como consecuencia, la predicción para el control de inventario debería poner más énfasis
en las predicciones cuantiles, las densidades predictivas o los intervalos de predicción,
aunque la mayor parte de la investigación publicada en este campo todavía se enfoca en
las predicciones de expectativas no sesgadas o la minimización de MAPEs (ver Sección 5.1
)
4.1. La estructura jerárquica de la previsión de demanda a nivel de producto
En general, cuando se nos formula una pregunta para la toma de decisiones,
debemos caracterizar la pregunta de pronóstico de la demanda del producto en
tres dimensiones: el nivel en la jerarquía del producto, la posición en la cadena de
suministro minorista y la granularidad del tiempo ( Fig. 5 ); a veces se denominan
"cubos de datos".
4.1.1 Dimensión de tiempo
Se necesitan pronósticos de demanda en diferentes momentos de granularidad para
diferentes decisiones gerenciales. En general, cuanto mayor sea el nivel de decisión, desde
lo operativo a lo estratégico, menor será la granularidad del tiempo de pronóstico. Por
ejemplo, es posible que necesitemos pronósticos a una granularidad diaria para el
reabastecimiento de la tienda y a un nivel semanal para el reabastecimiento de DC, la
planificación de la promoción y la planificación de asignación (inicial), mientras que las
ventas de moda en línea pueden depender de una estimación inicial de las ventas
estacionales totales que se actualiza solo una vez a mitad de temporada.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Fig.5. Jerarquías multidimensionales en previsión minorista.
Fuente: Adaptado de Syntetos, Babai, Boylan, Kolassa y Nikolopoulos ( 2016 )
4.1.2. Dimensión del producto
Los minoristas suelen utilizar tres niveles de la jerarquía de productos para la
planificación: nivel de SKU, nivel de marca y nivel de categoría.
El SKU es la unidad más pequeña para pronosticar en el comercio minorista,
siendo la unidad operativa básica para planificar la reposición y distribución diaria
de existencias. Los pronósticos a nivel de SKU generalmente se llevan a cabo
dentro o a través de las tiendas hasta la cadena como un todo y en pasos de
tiempo diarios / semanales. El número de SKU en una cadena minorista puede ser
enorme. Por ejemplo, un supermercado, una farmacia o un minorista de mejoras
para el hogar / bricolaje (DIY) tiene hoy decenas de miles de artículos que
necesitan pronósticos semanales o incluso diarios. Walmart enfrenta el problema
de lidiar con más de mil millones de SKU × Almacenar combinaciones ( Marinero , 2018
) En una cadena de moda como Zara, la cantidad de artículos en la tienda por
diseño, color y tamaño también puede ser del orden de decenas de miles, aunque
el pronóstico puede realizarse al nivel de "estilo" o diseño, agregando datos
históricos. datos a través de tamaños y colores y desagregación utilizando curvas
de tamaño y proporciones para llegar a los pronósticos finales de SKU. Los surtidos
en línea suelen ser mucho más grandes que los de las tiendas físicas,
especialmente en los negocios de moda, bricolaje y medios (libros, música,
películas).
Una marca en una categoría de producto a menudo incluye muchas SKU
variantes con diferentes tipos de paquetes, tamaños, colores o sabores. Además de
la planificación promocional, los pronósticos a nivel de marca también son
importantes cuando hay efectos cruzados de marca, y las promociones y pedidos
pueden organizarse por marca.
Sin embargo, para muchas decisiones minoristas, los pronósticos iniciales
que se requieren son más agregados, con un plan promocional táctico que se
está desarrollando en toda la cadena que bien puede tener en cuenta las
restricciones entre categorías (aunque si, en la práctica, los pronósticos tienen
un papel activo en tal plan es una pregunta abierta). Una categoría de producto
generalmente contiene decenas de marcas y / o cientos de SKU que tienen
ciertos atributos en común, por ejemplo, enlatados
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
99
sopa, champú o uñas. Las categorías pueden segmentarse en subcategorías, que
pueden estar anidadas o divididas entre marcas. El pronóstico de ventas a nivel de
categoría se centra principalmente en pronósticos semanales o mensuales en una
tienda, en una cadena o en un mercado. Dichos pronósticos se usan principalmente
para la planificación del presupuesto por los llamados gerentes de categoría, que
toman decisiones de presupuesto, planificación y compra a gran escala, que
nuevamente necesitan armonizarse con los recursos que se requieren para ejecutar
esas decisiones, p. ej., espacio de estantería, planogramas o infraestructura
especializada como espacio disponible en el congelador. La agregación de ventas
de SKU a semanas o meses requiere una consideración de días de negociación.
La gestión de categoría y la decisión de surtido comienzan con un pronóstico
de categoría, que Kök, Fisher y Vaidyanathan ( 2015 ) sugerido debe basarse en
un análisis de tendencias complementado por un juicio. La decisión del surtido
sobre qué marcas (o SKU) excluir y qué nuevos productos agregar depende de
las previsiones de demanda a nivel de SKU: los efectos en las ventas de
categoría agregada de la mezcla de productos dependen de las elasticidades
cruzadas de los productos internos. categoría pronósticos de demanda a nivel de
SKU, con un horizonte de tiempo largo (12 meses). Borin y Farris ( 1995 ) afirmaron
que la asignación de estantería asociada es insensible a los errores de pronóstico
de demanda de SKU.
En resumen, sea cual sea el enfoque, se necesitan pronósticos a nivel de SKU y
sus elasticidades propias y de precios cruzados asociados para respaldar las
decisiones tanto operativas como tácticas.
4.1.3. Dimensión de la cadena de suministro
Una cadena de suministro minorista típica consiste en fabricantes, posiblemente
mayoristas u otros intermediarios, CD de minoristas y tiendas en diferentes formatos.
Los minoristas necesitan pronósticos de las demandas que enfrenta cada nivel en la
cadena de suministro. SKU × el pronóstico a nivel de tienda se utiliza para el
reabastecimiento, a veces impulsado por un pronóstico de nivel DC de arriba hacia
abajo que se asigna a las tiendas sobre una base histórica. SKU ×
El pronóstico del nivel de DC impulsa la distribución / logística de DC
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
funciones, mientras que SKU × Se requiere un pronóstico de nivel de cadena para
preordenar. En la marca × A nivel de la cadena, se necesitan pronósticos para las
negociaciones con los proveedores, así como potencialmente para decisiones de fabricación
en minoristas integrados verticalmente, como muchas cadenas de moda.
Una pregunta clave en el pronóstico de la cadena de suministro minorista
es cómo colaborar e integrar los datos de diferentes niveles y actores de la
cadena de suministro, por ejemplo, proveedores. Desde la perspectiva del
minorista, dicha coordinación, aunque costosa, tiene el potencial de mejorar la
disponibilidad y reducir el inventario. Puede mejorar la precisión del pronóstico
minorista o los niveles de servicio ( Wang y Xu , 2014 ), aunque algunos
minoristas lo dudan, aparentemente solo venden en lugar de compartir sus
datos. Los modelos empíricos que analizan la relación entre los datos de POS
y la precisión del pronóstico de fabricación muestran que las mejoras son
posibles pero no inevitables ( Hartzel y madera , 2017 ; Trapero, Kourentzes y
Fildes , 2012 ; Williams, Waller, Ahire y Ferrier , 2014 ) Sin embargo, la evidencia
empírica sobre la implementación minorista exitosa es limitada Småros ( 2007 )
utilizaron estudios de casos para identificar algunas de las barreras y cómo
podrían superarse, y Kaipia, Holmström, Småros y Rajala ( 2017 ) investigaron
más a fondo los mecanismos que determinan el valor de introducir el
intercambio de información en la planificación colaborativa de ventas y
operaciones.
4.2. Predicción dentro de una jerarquía de productos
Dada una pregunta específica de toma de decisiones de venta minorista,
primero debemos determinar el nivel de agregación para el resultado del
proceso de pronóstico de ventas. Una opción común es elegir un nivel
consistente de agregación tanto para datos como para análisis. Por ejemplo, si
uno necesita producir pronósticos de demanda en el SKU × semanal × Nivel
DC, puede parecer "natural" agregar datos de ventas al SKU
× semanal × DC nivel y pronosticarlos al mismo nivel. Sin embargo, los
pronósticos también se pueden hacer utilizando procesos de pronóstico
alternativos dentro de la jerarquía de datos: combinación ascendente,
descendente, intermedia o jerárquica.
La elección del nivel apropiado de agregación depende del proceso
subyacente de generación de demanda. La investigación existente ha encontrado
que el enfoque de abajo hacia arriba es necesario cuando hay grandes
diferencias en la estructura entre las series temporales de demanda y los
impulsores subyacentes ( Orcutt y Edwards , 2010 ; Zellner y Tobias , 2000 ; Zotteri
y Kalchschmidt , 2007 ; Zotteri, Kalchschmidt y Caniato , 2005 ), especialmente
cuando las series de tiempo de demanda son impulsadas por promociones de
tiempo variable específicas del artículo. Foekens, Leeflang y Wittink ( 1994 )
encontraron que los modelos desagregados producían más
frecuencias relativas de
efectos de promoción estadísticamente significativos, con magnitudes en los
rangos esperados. Sin embargo, el enfoque de arriba hacia abajo puede
generar pronósticos más precisos en el caso de muchas series de demanda
homogéneas y pequeñas muestras ( Jin, Williams, Tokar y Waller , 2015 ; Zotteri
y Kalch- Schmidt , 2007 ; Zotteri y col. , 2005 ) Por ejemplo, diferentes marcas de
helados tendrán estacionalidades similares, con un pico de verano. Si bien
esto puede no ser fácil de detectar
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 10
sabores de bajo volumen, puede estimarse a nivel de grupo y aplicarse a nivel
de producto ( Syntetos y col. , 2016 )
Canción ( 2015 ) sugirió que es beneficioso modelar y pronosticar a nivel de
datos en los que se pueda recopilar información más fuerte y más estacional.
Se ha encontrado que el análisis de conglomerados es útil para resolver la
compensación, al mejorar el rendimiento del pronóstico Boylan, Chen,
Mohammadipour y Syntetos , 2014 ) Por ejemplo, al agregar la demanda de nivel
de categoría de producto sobre las tiendas, se pueden agrupar las tiendas en
función de si tienen patrones de demanda similares en lugar de según su
proximidad geográfica. La agrupación a priori basada en las características de la
tienda, como el tamaño, el rango y la ubicación, es común. La agrupación
implementada adecuadamente puede capturar las diferencias entre las tiendas
(por ejemplo, en términos de sensibilidad al precio), ya que el procedimiento de
agrupación agrupa las tiendas con patrones de demanda similares (por ejemplo,
con reacciones similares a los cambios de precios). En estos términos, la
agrupación es capaz de resolver el equilibrio entre la parametrización agregada y
la heterogeneidad, lo que lleva a soluciones más eficientes. Hasta ahora, sin
embargo, la mayoría de las contribuciones sobre este tema se han centrado solo
en el uso de la agregación para estimar los factores de estacionalidad (p. Ej. Chen
y Boylan , 2007 ) Estos trabajos han proporcionado evidencia de que puede ser
útil agregar series de tiempo correlacionadas para estimar mejor la
estacionalidad, ya que puede reducir la variabilidad.
Hyndman, Ahmed, Athanasopoulos y Shang ( 2011 )
propuso un método para conciliar los pronósticos de todas las series en una
jerarquía de manera óptima para garantizar que se sumen consistentemente
sobre los niveles de la jerarquía, y también se han propuesto métodos prácticos
de estimación ( Wickra- masuriya, Athanasopoulos y Hyndman , 2018 ) Los
pronósticos de todas las series de tiempo en la jerarquía se generan primero por
separado, luego estos pronósticos separados se combinan mediante una
transformación lineal. Una aplicación minorista de Oliveira y Ramos ( 2019 ) ha
examinado las ganancias obtenidas al conciliar las previsiones en toda la
jerarquía de productos y ha encontrado que son sustanciales, particularmente
para plazos de entrega más largos y niveles más altos de agregación.
En general, el pronóstico jerárquico ha recibido una atención significativa, pero
la mayoría de los investigadores solo consideran el problema de agregación para
series de tiempo generales, sin considerar las características específicas de los
datos de ventas minoristas, que se ven afectados dramáticamente por muchos
factores comunes, como los eventos, Promociones y condiciones climáticas.
Investigar por Jin y col. ( 2015 ) sugirió que los métodos basados ​en regresión,
incluidos muchos de los factores discutidos anteriormente, producen pronósticos
sustancialmente más precisos para la tienda ×
Demanda de SKU en categorías de promoción intensiva. A niveles más altos de
agregación, tanto en tiempo como en espacio, los métodos de series de tiempo
pueden ser adecuados ( Weller, Crone y Fildes ,
2016 ), aunque la investigación de los datos minoristas aún no se ha realizado. Sin
embargo, todavía no hay una respuesta directa sobre cómo se pueden generar
previsiones de demanda consistentes de manera factible en múltiples jerarquías
grandes interrelacionadas en diferentes dimensiones.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
4.3. Características de datos de ventas minoristas a nivel de producto e impulsores de la demanda
A nivel de producto, muchos factores pueden afectar los datos de ventas
observados y las características de la demanda potencial. Algunos factores
son parte del plan mixto de comercialización del minorista (como los precios y
las promociones, así como los efectos "secundarios" como la interacción o los
efectos de canibalización de productos sustitutos o complementarios listados,
eliminados o promocionados), mientras que otros factores serían conocido de
antemano (como eventos deportivos, temporadas y días festivos). También
hay algunos factores que deben ser pronosticados para ser incluidos (como el
comportamiento competitivo, la economía local y nacional y el clima). Hay
muchos otros factores impredecibles que pueden influir en las ventas
minoristas, como eventos anómalos (por ejemplo, ataques terroristas o sustos
de salud) que se convertirán en perturbaciones aleatorias en las series de
tiempo de ventas;
Como resultado de estos diversos efectos, los datos de ventas a nivel de
producto se caracterizan por altos niveles de volatilidad y asimetría; múltiples
ciclos estacionales, especialmente cuando se combinan con 'días especiales' (por
ejemplo, feriados bancarios); a menudo grandes volúmenes aunque con
intermitencia, con cero ventas observadas con frecuencia a nivel de tienda; y alta
dimensionalidad en cualquier espacio variable explicativo. Además, los datos
también están contaminados por desabastecimientos en los que el consumidor no
puede comprar el producto deseado y, en cambio, puede cambiar a otra marca o
tamaño de paquete, o, en el extremo, irse a buscar un minorista de la
competencia.
4.3.1. Descatamientos: demanda vs. ventas
El pronóstico de la demanda a nivel de productos minoristas generalmente
depende de los datos de ventas de SKU capturados por las transacciones de
POS. Sin embargo, los datos de ventas de POS forman una observación
imperfecta de la verdadera demanda debido al efecto de censura de la
demanda, donde la demanda real excede el inventario disponible. Las
estimaciones de la demanda que utilizaron solo datos de ventas darían lugar a
un sesgo negativo en las estimaciones de la demanda del producto focal. Al
mismo tiempo, cuando se enfrentan a un desabastecimiento en el producto
objetivo primario, los clientes pueden optar por comprar sustitutos, lo que puede
aumentar las ventas de productos sustitutos y dar como resultado una
sobreestimación de la demanda de los mismos. Los investigadores académicos
han reconocido durante mucho tiempo la necesidad de tener en cuenta este
efecto de censura en la gestión del inventario. Este cuerpo de literatura se ha
centrado principalmente en metodologías para tratar las observaciones
imperfectas de la demanda. Kaplan y Meier , 1958 ) y modelos paramétricos que
utilizan técnicas de tasa de riesgo (por ejemplo, Agrawal y Smith , 1996 ; Nahmias
, 1994 ; Wecker , 1978 ) Para más detalles, ver Tan y Karabati ( 2004 ), quienes
proporcionaron una revisión sobre la estimación de distribuciones de demanda
con ventas perdidas no observables para el control de inventario. Sachs y
Minner ( 2014 ) compararon enfoques de modelado paramétrico y no paramétrico
para estimar diferentes niveles de censura utilizando datos de una gran cadena
minorista europea. Descubrieron que los enfoques no paramétricos son mejores
que los paramétricos,
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
11
con inventarios más bajos para los mismos niveles de servicio. La mayoría de los
métodos se basan en datos de eventos agotados, pero
Jain, Rudi y Wang ( 2014 ) encontraron que el tiempo de desabastecimiento podría
mejorar aún más la precisión de la estimación en relación con los métodos basados ​en
eventos de desabastecimiento. En la literatura de marketing y gestión de surtido, los
investigadores se han centrado en los comportamientos de sustitución de los
consumidores cuando su producto objetivo se está quedando sin existencias (p. Conlon
y Morimer , 2013 ; Kök y Fisher , 2007 ; Vulcano, van Ryzin y Ratliff , 2012 )
Por el contrario, existe evidencia de que, al menos para algunas categorías,
la demanda depende del inventario, con niveles de inventario más altos que
impulsan mayores ventas; Esto se ha llamado un "efecto de cartelera" ( Koschat , 2008
; Ton y Raman ,
2010 ) Como anécdota, nos hemos encontrado con minoristas que conocen este
supuesto efecto como "presión del producto". Sin embargo, ningún estudio hasta la
fecha parece haber utilizado inventarios como motor para mejorar los pronósticos.
En general, los modelos de pronóstico propuestos en esta área son
explicativos en lugar de predictivos, y a menudo requieren más información de la
que está fácilmente disponible, como auditorías periódicas de inventario, números
de clientes e información de surtido. Además, cualquier algoritmo de pronóstico
que aproveche la información del inventario del sistema debe tratar con el hecho
de que los inventarios del sistema son notoriamente inexactos (lo que se
denomina "inexactitud de registro de inventario" o IRI); DeHoratius y Raman , 2008 )
Como consecuencia, los modelos que se han publicado hasta ahora no son
adecuados para las aplicaciones de pronóstico. La investigación limitada que se
ha informado en la literatura sobre pronósticos puede deberse en parte a la falta
de observaciones de la demanda real, lo que significa que la precisión del
pronóstico es difícil de medir. Por otro lado, almacenar los cambios observados en
el inventario de estantería para cada producto puede ser muy costoso para los
minoristas y puede no ser adecuado para identificar cada instancia de
desabastecimiento. Las soluciones tecnológicas como RFID pueden volverse más
comunes ( Bottani, Bertolini, Rizzi y Romagnoli , 2017 ) En un estudio de la
demanda en línea en Amazon, la adopción de un modelo simple para reemplazar
los períodos de desabastecimiento condujo a cambios importantes en los
pronósticos cuantiles, lo que tuvo un efecto directo en los pedidos ( Seeger,
Salinas y Flunkert ,
2016 ) En un estudio de caso reciente de un minorista de comestibles electrónicos, el proceso
de pedido en línea de los clientes podría monitorear las preferencias de los clientes antes de
que la información de desabastecimiento estuviera disponible para el comprador, lo que
arrojaría datos de demanda sin censura ( Ulrich, Jahnke, Langrock, Pesch y Senge , 2019 )
4.3.2. Intermitencia
La intermitencia, ya sea impulsada por una baja demanda o por falta de
existencias, es otra característica común de los datos de ventas de POS de la tienda,
especialmente en el SKU × nivel diario Fig. 6
representa un SBC ( Syntetos, Boylan y Croston , 2005 ) categorización (ver también
Kostenko y Hyndman , 2006 ) sobre las ventas diarias de 1373 artículos de limpieza
para el hogar de un minorista del Reino Unido, clasificados de forma cruzada por
el coeficiente de variación de la demanda y el período medio entre ventas distintas
de cero. Un total de 861 artículos exhiben fuertes características intermitentes.
Las técnicas diseñadas específicamente para la demanda intermitente
incluyen el método de Croston ( Croston , 1972 ), la correa de arranque de Willemain,
Smart y Schwarz ( 2004 ), el
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Fig.6. Categorización SBC de 1373 artículos de limpieza del hogar por el coeficiente de variación y el
período medio entre las demandas diarias distintas de cero.
Fuente: Datos de supermercados del Reino Unido.
Método de aproximación Syntetos-Boylan (SBA) ( Syntetos y Boylan , 2005 ) y el
método TSB ( Teunter, Syntetos y Babai , 2011 ) Sin embargo, la mayoría de estos
modelos han sido probados a partir de datos de series de tiempo de demanda /
ventas de industrias distintas al comercio minorista (por ejemplo, servicio /
repuestos o bienes de capital de alto precio en electrónica, automotriz,
aeroespacial y alta tecnología), con la excepción de el estudio de Kolassa
( 2016 ), quienes encontraron que las predicciones de los puntos de método de
Croston con un supuesto distributivo binomial negativo arrojaron pronósticos de
densidad competitivos. El método de Croston es intuitivamente atractivo, tiene
alguna justificación teórica ( Hyndman, Koehler, Ord y Snyder , 2008 , pags. 282)
y se usa comúnmente en la práctica, al menos como punto de referencia. Sin
embargo, Shenstone y Hyndman ( 2005 ) y Snyder
( 2002 ) señalan ciertas inconsistencias; es decir, los modelos que podrían
considerarse como métodos subyacentes de Croston son inconsistentes con las
propiedades de los datos de demanda intermitente. Sin embargo, Shenstone y
Hyndman ( 2005 ) señaló que las predicciones puntuales de Croston y los intervalos
de predicción pueden seguir siendo útiles.
La demanda a nivel de producto en el comercio minorista también se ve perturbada por una
serie de factores exógenos, como promociones, eventos especiales,
Estacionalidades, clima, etc. (como será
discutido en lo que sigue), todos los cuales hacen que los modelos de demanda
intermitente sean difíciles de aplicar a los datos de ventas POS. Una posibilidad
es modelar estas influencias en demandas intermitentes a través de Poisson o
regresión binomial negativa, aunque Kolassa ( 2016 ) encontraron que los
mejores modelos solo incluían patrones del día de la semana. Un enfoque
alternativo es el uso de la agregación de series temporales en el algoritmo de
predicción de agregación múltiple (MAPA;
Kourentzes, Petropoulos y Trapero , 2014 ) para superar la intermitencia. Kourentzes evaluado solo los ajustes en la muestra o la importancia estadística de los
y Petropoulos ( 2016 ) aplicó el método a las ventas de sidra de un fabricante,
generalizándolo para incluir las promociones de múltiples minoristas como
variables explicativas, y descubrió que funcionaba mejor
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 12
que los puntos de referencia, como el suavizado exponencial con variables
explicativas. MAPA (X) aún no se ha aplicado a SKU × Serie de tiempo
minorista a nivel tienda. Li y Lim ( 2018 ) propuso un método codicioso de
agregación-descomposición, que utiliza pronósticos agregados y
desagregados para mejorar la precisión del pronóstico de la demanda de
SKU-día de la tienda.
4.3.3. Estacionalidad
Los datos de ventas de productos minoristas tienen una fuerte estacionalidad y
generalmente contienen múltiples ciclos estacionales de diferentes duraciones. Por ejemplo, los
datos de ventas de cerveza que se muestran en Fig. 7
exhiben ciclos semanales y anuales. Las ventas tienden a ser altas durante el fin
de semana y bajas entre semana, altas en verano y bajas en invierno, y altas en
Navidad. Algunos datos de ventas también pueden tener una periodicidad
quincenal o mensual (efectos de cheques de pago) o incluso estacionalidades
trimestrales, dependiendo de la naturaleza del negocio y de las ubicaciones
comerciales. Por esta razón, los modelos que se utilizan para pronosticar deben
poder manejar múltiples patrones estacionales. Huang, Fildes y Soopramanien ( 2019
) demostró este punto, utilizando modelos con suficiente flexibilidad pero
complejidad parsimoniosa para capturar la estacionalidad de los datos minoristas
semanales: las funciones trigonométricas demostraron ser suficientes.
Alternativamente, uno puede incluir muñecos booleanos durante semanas en el
año (por ejemplo, Huang, Fildes y Soopramanien ,
2014 ), aunque esto generalmente conduce a un problema de "grados de
libertad" e ignora la regularidad de un período a otro.
4.3.4 Calendario de eventos
Los datos de ventas minoristas se ven fuertemente afectados por algunos eventos del
calendario. Estos eventos pueden incluir días festivos ( Fig. 7 muestra un aumento
significativo en Navidad, es decir, en la semana 51), festivales y actividades especiales (por
ejemplo, partidos deportivos importantes o actividades locales). Por ejemplo, Divakar,
Ratchford y Shankar
( 2005 ) encontraron que la demanda de bebidas aumentó sustancialmente durante
las vacaciones, mientras que otros grupos de productos se vieron afectados
negativamente. Además, SKU × El consumo de la tienda puede cambiar debido a
cambios temporales en la demografía local. Ciertas vacaciones se repiten a
intervalos regulares y, por lo tanto, se pueden modelar como estacionalidad, por
ejemplo, Navidad o el cuatro de julio en los EE. UU. Otros días festivos se mueven
más o menos ampliamente en el calendario (estilo occidental) y, por lo tanto, no se
pueden capturar como estacionalidad, como la Pascua, el Día del Trabajo en los
EE. UU., O varios días festivos religiosos cuya fecha se determina en base a
eventos no occidentales calendarios, como los calendarios lunares judíos o
musulmanes. Esas vacaciones se pueden modelar con maniquíes ( Cooper, Baron,
Levy, Swisher y Gogos , 1999 )
4.3.5. Clima
La demanda de algunos productos minoristas también se ve fuertemente
afectada por la temperatura y otras condiciones climáticas. Por ejemplo,
generalmente existe un fuerte apoyo a la idea de que las ventas de refrescos
son más altas cuando el clima es cálido, aunque gran parte de la literatura ha
predictores meteorológicos ( Dubé , 2004 ; Murray, Di Muro, Finn y Pop-kowski
Leszczyc , 2010 ) Nikolopoulos y Fildes ( 2013 ) mostró cómo una empresa
cervecera exponencial simple
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Fig.7. Ventas diarias y semanales de cerveza: datos de supermercados del Reino Unido.
El método de suavizado para las ventas de SKU minoristas internas podría ajustarse
(fuera de los pronósticos estadísticos básicos) para tener en cuenta los efectos de la
temperatura. En un examen de los efectos del clima en las ventas en un minorista de
moda en línea,
Steinker, Hoberg y Thonemann ( 2017 ) encontraron que, incluso los conductores
climáticos, lograron mejoras de precisión sustanciales de alrededor del 10%, lo que
condujo a un ahorro de costos de
11.6% a través de una mejor planificación de la fuerza laboral.
Los efectos del clima pueden ser no lineales. Por ejemplo, las ventas de
refrescos en función de la temperatura generalmente serán planas para
temperaturas bajas a medias, y luego aumentarán con un clima más cálido; sin
embargo, el aumento puede disminuir nuevamente con el calor extremo, cuando
las personas cambian de refrescos azucarados a agua pura. En principio, tales
efectos podrían modelarse utilizando transformaciones spline de temperatura.
Uno de los desafíos de utilizar los datos meteorológicos para mejorar los
pronósticos de ventas minoristas es que hay una gran cantidad de variables
meteorológicas disponibles, aunque la evidencia disponible sugiere que la
temperatura es la más efectiva. Existe la posibilidad adicional de efectos
diferenciales a medida que avanza el año, donde '' el primer clima de barbacoa de
la temporada '' puede tener un impacto mayor que un clima similar más adelante
en el año.
Por supuesto, otro obstáculo es que las propias variables climáticas deben
ser pronosticadas, a diferencia de las variables de intervención, como los
precios o las promociones que el minorista establece, o los eventos del
calendario cuyas fechas se conocen con certeza. Esto significa que los datos
climáticos se pueden usar de manera significativa solo para producir
pronósticos de ventas a corto plazo, ya que los pronósticos climáticos son
mejores que la posibilidad solo para horizontes cortos o para limpiar pasado datos
de los impactos históricos de, por ejemplo, olas de calor o huracanes. Esto
implica que los ejercicios de pronóstico que usan el clima real en ex post las
evaluaciones de pronóstico exageran la certeza del pronóstico, ya que no
incluyen la incertidumbre inherente al pronóstico del tiempo. En principio, esta
incertidumbre puede superarse en los análisis; sin embargo, ha sido nuestra
experiencia que es mucho más
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
13
caro para obtener clima histórico pronósticos de proveedores de datos que histórico Datos
meteorológicos reales. Además, es necesario garantizar la correcta cosecha de pronósticos: al
calcular los pronósticos de ventas con dos días de anticipación, necesitamos pronósticos del
tiempo con dos días de anticipación, para los pronósticos de ventas con tres días de
anticipación, necesitamos un clima con tres días de anticipación. pronósticos, y así
sucesivamente.
4.3.6. Mix de marketing y promociones
El precio regular y el descuento del precio relativo son variables
importantes que deben incluirse en cualquier modelo de pronóstico. Cuando
los modelos se centran en pronósticos a corto plazo, el precio promocional es
importante. Además de los efectos sobre el precio, los efectos de la publicidad
destacada se han estudiado ampliamente en la literatura de marketing. Los
anuncios destacados se pueden dividir en anuncios en la tienda y otros
anuncios, como usar un periódico o un folleto de la tienda para aumentar el
tráfico de la tienda ( Gijsbrechts, Campo y Goossens , 2003 ) La publicidad en la
tienda se centra en atraer a los clientes a los artículos promocionados de
varias maneras, con los métodos más utilizados haciendo uso de anuncios y
pantallas ( Cooper y col. , 1999 ) Los efectos de las pantallas también se han
investigado intensamente en la literatura de marketing. Una conclusión
general es que las ventas pueden aumentar varias veces en presencia de
pantallas ( Ailawadi, Harlam, César y Trounce , 2006 )
Fig. 8 , que es el resultado de una exploración de datos de la
Datos minoristas de IRI ( Bronnenberg, Kruger y Mela , 2008 ; tenga en cuenta que '' IRI ''
aquí se refiere a la compañía homónima), muestra que los diferentes instrumentos de
marketing tienen diferentes magnitudes de efectos de elevación en diferentes categorías
de productos. Las categorías con una larga vida útil se prestan a la acumulación de
existencias o a la "carga de despensa", lo que da como resultado elevaciones
promocionales más fuertes y caídas posteriores a la promoción que las que se ven para
los productos con una vida útil más corta, como las categorías frescas y ultra frescas.
Además, los diferentes tipos de promoción (por ejemplo, compre uno y llévese otro
gratis (BOGOF) frente a una reducción del precio del 50%) tienen efectos que no se
capturan solo por el precio unitario o pequeño
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Fig.8. Efectos de elevación promocionales en el conjunto de datos IRI entre varias categorías. El eje vertical es la relación de las ventas durante los períodos con promociones a aquellos en los períodos sin promociones.
Fuente: Conjunto de datos IRI.
también se pueden usar en combinación números de diferentes tipos de
funciones e instrumentos de marketing, con efectos de interacción pronunciados.
Estos efectos no parecen haber sido abordados en la investigación de
pronósticos, aunque algunos productos de software de pronósticos minoristas
modelan tales interacciones y no linealidades. Fig. 9 muestra una situación típica
con diferentes tácticas interactuando.
La búsqueda de la novedad por parte de los vendedores minoristas
también asegura que será común que los productos necesiten ser
pronosticados con una mezcla de comercialización que no se haya observado
previamente para ese producto en particular. Esto requiere un tipo de
pronóstico de "nueva promoción" que es análogo en cierta medida al
pronóstico de una nueva tienda y de un nuevo producto. Esto no parece haber
sido abordado en la literatura hasta la fecha, y sería una vía interesante para
futuras investigaciones.
La mayor parte de la respuesta promocional proviene del cambio de
marca o la aceleración o el "avance" de futuras compras en la tienda ( Bucklin
y Siddarth ,
1998 ; Chiang , 1991 ; Chintagunta , 1993 ; Gupta , 1988 ) Eso significa que una
promoción en un artículo puede afectar las ventas de otro artículo o sus
propias ventas posteriores, llamada "canibalización". Una gran cantidad de
investigaciones respalda la opinión de que las marcas dentro de una categoría
de productos son sustitutos entre sí ( Kumar y Leona , 1988 ;
Moriarty , 1985 ; Mulhern y Leona , 1991 ; Walters , 1988 ,
1991 ), y la incorporación de los efectos de canibalización puede mejorar
sustancialmente las previsiones ( Srinivasan, Ramakr-ishnan y Grasman , 2005 ),
al menos a nivel agregado. Sin embargo, no está claro si la señal de
canibalización en el SKU × El nivel de tienda es lo suficientemente fuerte como
para mejorar las previsiones en este nivel granular y para mejorar realmente la
posición de stock en el estante. Además, el modelado de la canibalización
requiere un esfuerzo adicional significativo para identificar a los conductores y
las víctimas, aunque las jerarquías de productos pueden ayudar aquí, y por lo
tanto, un minorista podría restringir el modelado de la canibalización a
categorías importantes. Finalmente, casi la misma discusión
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 14
En cuanto a la canibalización se aplica a los efectos de interacción de los
productos complementarios. Por ejemplo, se puede hipotetizar que una
promoción de filetes aumentará las ventas de salsas de filete.
El análisis de estos dos tipos de interacción (canibalización y
complementariedad) difiere en dos aspectos clave. Primero, como se señaló
anteriormente, las categorías de productos generalmente agrupan productos
similares que probablemente sean sustitutos, lo que significa que la categoría de
productos se puede usar para identificar pares o grupos de productos que
posiblemente interactúen. Por el contrario, la jerarquía de productos generalmente
no agrupa los artículos complementarios, por lo que no es útil para identificar pares
o grupos de productos que pueden exhibir complementariedad. En segundo lugar,
el análisis de la cesta (es decir, el análisis de los datos del registro de
transacciones con el fin de examinar qué productos fueron comprados por el
mismo comprador al mismo tiempo) puede ser útil para detectar complementos,
utilizando análisis de afinidad; Sin embargo, es más difícil utilizar el análisis de
cesta para detectar sustitutos.
Sin embargo, las elasticidades de precios entre categorías parecen ser
pequeñas, lo que limita el alcance para mejorar las previsiones utilizando la
complementariedad ( Russell y Petersen , 2000 ) Ma, Fildes y Huang ( 2016 )
mostraron que las mejoras en la precisión del pronóstico del 12% (medido por el
error absoluto medio) se pueden capturar mediante la inclusión de efectos
competitivos, mientras que se puede obtener un 0.6% adicional con efectos de
categoría cruzada.
La gran variedad de tipos de promoción y los complejos efectos de interacción
de promoción hacen que las ventas de productos sean difíciles de pronosticar en
enfoques formales basados ​en modelos. Existen métodos para incorporar la gran
cantidad de variables relacionadas con la promoción (p. Ej. Ma y col. , 2016 ) en un
modelo de pronóstico operativo, como es necesario para la optimización de la
promoción minorista, y existen soluciones de software que implementan dichos
modelos, por ejemplo, la solución SAP Customer Activity Repository para
minoristas. Sin embargo, hay poca evidencia de un uso generalizado de tales
modelos. En cambio, muchos minoristas utilizan un modelo estadístico simple
complementado por
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Fig.9. Ventas diarias de un SKU en una tienda (diagrama de serie temporal negra en la parte superior, y- anotación de eje suprimida por razones de confidencialidad), precios promocionales (azul en el medio, con precios
no promocionales excluidos por claridad) e indicadores de cinco tácticas diferentes y un descuento (seis indicadores booleanos en la parte inferior). Tenga en cuenta el uso de muchas tácticas diferentes y elevaciones
promocionales extremadamente diferentes. (Para la interpretación de las referencias al color en esta leyenda de la figura, se remite al lector a la versión web de este artículo).
ajustes de juicio del equipo de planificación de la demanda. Una pregunta
importante de investigación es qué beneficios (si los hay) se obtienen de los
métodos alternativos cada vez más complejos y las formas en que los
planificadores de la demanda interpretan e interactúan con dichos modelos.
4.3.7. Revisiones de productos en línea y redes sociales
En los últimos años, se ha encontrado que las revisiones de productos en línea son
una fuente importante de información de investigación de mercado para los minoristas
en línea ( Floyd, Ling, Alhogail, Cho y Freling , 2014 ), y especulamos que esto se aplica a
todos los minoristas para los cuales el servicio es un componente importante. Dado que
tales revisiones son una expresión voluntaria de las experiencias y creencias de los
consumidores sobre la calidad de los productos y servicios, los consumidores a menudo
confían en las revisiones de productos en línea cuando toman sus propias decisiones de
compra ( Chen y Xie ,
2008 ; Zhao, Yang, Narayan y Zhao , 2013 ) Los investigadores han descubierto
que existe una fuerte relación entre el boca a boca en línea y las ventas de
productos, aunque el impacto del boca a boca varía con la categoría del
producto ( Archak, Ghose e Ipeirotis , 2010 ; Chen, Wang y Xie , 2011 ; Caballero
y Mayzlin , 2006 ; Hu, Koh y Reddy ,
2014 ; Zhu y Zhang , 2010 ) Por lo tanto, la incorporación de revisiones de productos en
línea, utilizando herramientas como la minería de texto y el análisis de sentimientos,
puede permitir a los minoristas en línea agregar una nueva capa a sus modelos
predictivos existentes y aumentar la precisión predictiva.
Las revisiones de productos son principalmente datos textuales, que no se pueden
usar directamente en un modelo de pronóstico de ventas, aunque los resúmenes
numéricos son comunes. La idea básica de utilizar las revisiones de productos como
variables explicativas es identificar el alcance de la polaridad de la revisión del
producto, por ejemplo, muy positivo, muy negativo o neutral. Las calificaciones son una
forma simple de revisión de productos, y los minoristas a menudo adoptan un
mecanismo de calificación de cinco estrellas, por ejemplo, el sistema de calificación de
productos de Amazon. Este método es simple y rápido. Otra forma de detectar la
polaridad de una revisión es examinar el contenido textual de la revisión ( Ku, Lo y Chen ,
2007 ) En este caso, se debe establecer un diccionario de palabras clave antes de
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
15
La polaridad de las revisiones se puede analizar mediante minería de texto y técnicas
de análisis de sentimientos ( Chern, Wei, Shen y Fan ,
2015 ; Lau, Zhang y Xu , 2018 ) Una forma alternativa de usar las revisiones de
productos es representar el texto en un modelo de bolsa de palabras, tratando con
el gran número resultante de predictores usando, por ejemplo, proyección aleatoria
( Schneider y Gupta ,
2016 ) Sin embargo, una vez medidos, las revisiones en línea no generan una
variable impulsora de importancia única al interactuar con cualquier promoción; a
pesar de esta limitación, tanto las revisiones en línea como sus interacciones con las
promociones han demostrado ser importantes para el pronóstico, como se demuestra
en una solicitud de ventas en línea de productos electrónicos de Amazon ( Chong, Li,
Ngai, Ch'Ng y Lee , 2016 ) Sin embargo, debe tenerse en cuenta que las revisiones
falsas y los llamados "títeres de calcetines" son una preocupación ( Zhuang, Cui y
Peng , 2018 ), y la detección automática de tales revisiones falsas es un campo de
estudio activo (por ejemplo, Kumar, Venugopal, Qiu y Kumar , 2018 ) Del mismo
modo, existe la preocupación de que las revisiones de productos pueden estar
sesgadas a través de los comportamientos de pastoreo, lo que afecta las medidas de
resumen resultantes ( Schaer, Kourentzes y Fildes , 2019 )
Desafíos similares surgen si intentamos mejorar los pronósticos de ventas
minoristas utilizando datos de redes sociales, como Facebook, Twitter, Weibo, blogs o
contenido similar generado por los usuarios. Aquí, una publicación en las redes
sociales primero debe coincidir con el producto correspondiente, a diferencia de las
reseñas de productos en línea en la página de un producto, donde está claro a qué
producto pertenece una reseña. Una vez que se ha dado este paso, se pueden aplicar
métodos similares de minería de texto sobre este tema como en el caso de las
revisiones de productos en línea. Por ejemplo,
Cui, Gallino, Moreno y Zhang ( 2018 ) encontraron que la inclusión de información en
las redes sociales mejoró los pronósticos de ventas diarias para un minorista de
moda masculina en línea, y que esta mejora fue sólida en varios métodos de
pronóstico causales diferentes, aunque los resultados se basan solo en tres series
de tiempo agregadas estrechamente relacionadas. Se debe tener cuidado para
distinguir los pronósticos que usan datos de redes sociales generados por el
usuario de los pronósticos que usan redes sociales
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
datos de medios que el minorista (o el fabricante) crearon como parte de la
realización de actividades de marketing en las redes sociales ( Kumar, Choi y
Greene , 2016 ) Dada la efímeraidad de las redes sociales y la dificultad de
pronosticar utilizando las opiniones de los clientes o las publicaciones en las
redes sociales, en contraste con las actividades de marketing y fijación de
precios de un minorista, estas variables probablemente solo ofrecen
posibilidades limitadas para mejorar las previsiones a corto plazo, no a más
largo plazo. unos. Kalampokis, Tambouris y Tarabanis ( 2013 ) y Schoen y col. ( 2013 disminuía la validez predictiva .
) revisó el pronóstico de ventas de productos (y otras variables de interés)
utilizando datos de redes sociales; sacaron conclusiones similares y
comentaron sobre las evaluaciones inadecuadas que se han llevado a cabo.
Una evaluación reciente y actualizada es proporcionada por Schaer y col. ( 2019 ),
que llegaron a las mismas conclusiones.
4.4. Agrupación de datos
Una vez que se ha seleccionado un nivel de agregación apropiado, otro
problema de modelado es decidir el grado apropiado para agrupar los
modelos y los datos en tiendas y SKU. Agrupar datos de ventas en muchos
artículos juntos mejora claramente los datos disponibles para el modelado y
tiene el potencial de capturar patrones comunes en las series de tiempo. Se
puede esperar que este enfoque conduzca a una mayor precisión de
pronóstico, con menos parámetros para ser estimados, permitiendo una
adaptación más rápida a cualquier cambio estructural en las series de tiempo,
y con robustez en presencia de observaciones atípicas (por ejemplo, Dekker,
van Donselaar y Ouwehand , 2004 ; Duncan, Gorr y Szczypula , 2001 ) Además,
la agrupación aumenta los rangos observados para las variables explicativas.
Generalmente, se supone que las elasticidades de mezcla de mercado y los
patrones de estacionalidad son homogéneos en un grupo de tiendas, pero las
ventas de referencia pueden ser heterogéneas para diferentes tiendas ( Ainscough
y Aronson , 1999 ; Baltas , 2005 ;
van Donselaar, Peters, de Jong y Broekmeulen , 2016 ) Sin embargo, la
decisión sobre qué variables deben suponerse homogéneas (o heterogéneas)
sigue siendo una cuestión de juicio. La desventaja de suponer
inadecuadamente la homogeneidad es que las ecuaciones de pronóstico
están mal especificadas, con un sesgo resultante.
En el famoso modelo PromoCast, Cooper y col. ( 1999 )
usó un análisis de regresión agrupada transversal de 67 variables de ventas
de SKU-store en una variedad de condiciones promocionales con información
de rendimiento histórico específico de la tienda y la cadena. Andrews, Currim,
Leeflang y Lim ( 2008 ) encontraron que acomodar la heterogeneidad a nivel de
tienda no mejoró la precisión de las elasticidades de la mezcla de marketing
en relación con el modelo homogéneo, y las mejoras en el ajuste y la precisión
del pronóstico también fueron modestas. Gür Ali, Sayin, van Woensel y
Fransoo
( 2009 ) compararon las precisiones de 30 métodos de predicción de ventas de SKU
que diferían en la riqueza de datos, la complejidad de la técnica y el alcance del
modelo utilizando una base de datos de ventas de comestibles europea de varias
tiendas y múltiples SKU. Descubrieron que la agrupación de observaciones entre
tiendas y subcategorías proporcionaba mejores predicciones que la agrupación entre
tiendas o solo subcategorías.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. dieciséis
En contraste con los hallazgos de Andrews y col. ( 2008 ) y
Gür Ali y col. ( 2009 ) que los modelos de tienda homogénea proporcionaron
mejores pronósticos, Lang, Steiner, Weber y Wech Selberger ( 2015 )
encontraron que permitir la heterogeneidad además de la flexibilidad funcional
(splines P en lugar de lineal) podría mejorar considerablemente el rendimiento
predictivo de un modelo de ventas en la tienda, pero que la incorporación de la
heterogeneidad solo solo mejoraba moderadamente o, a veces, incluso
Otro beneficio de la agrupación de datos es que puede usarse para
pronosticar la demanda de nuevas combinaciones SKU-tienda que no están
presentes en los datos de capacitación. Esto se puede utilizar para tomar
decisiones de asignación para tiendas existentes y nuevas. Por ejemplo, Gür
Ali ( 2013 ) propuso un método de "Moderador del conductor" que generó
pronósticos a corto plazo para las SKU nuevas y existentes al agrupar
información entre las SKU y las tiendas. Similar, Ferreira, Lee y Simchi-Levi ( 2015
) presentó un DSS de precios para un minorista en línea, Rue La La, que
ofrecía descuentos por tiempo extremadamente limitado ("ventas flash") en
indumentaria y accesorios de diseño. Utilizaron las características de los datos
históricos para construir un modelo de regresión para cada departamento de
productos, agrupando datos a partir de una SKU como zapatos deportivos
para mujeres hasta la parte superior de la jerarquía, el departamento
correspondiente, como el calzado. Luego, el modelo predijo las demandas de
estilos que se vendían por primera vez; estos dependían del precio y el nivel
de descuento, así como de las características de SKU. Si bien la evaluación
del pronóstico fue transversal, el exitoso experimento de optimización de
ingresos apoyó la efectividad del modelo de demanda.
Además de la agrupación de datos, los estudios también han encontrado
que los pronósticos podrían mejorarse aún más extrayendo los residuos de
muchas SKU agrupadas en subcategorías y tiendas. Basado en el modelo
PromoCast propuesto por
Cooper y col. ( 1999 ), Cooper y Giuffrida ( 2000 ) utilizaron técnicas de minería
de datos sobre los residuos para extraer información de variables nominales
de muchos valores, como el fabricante o la categoría de mercancías. El
resultado de su algoritmo de minería de datos era un conjunto de reglas que
especificaban qué ajustes deberían hacerse al pronóstico producido por el
modelo homogéneo de respuesta al mercado. Esta combinación significó que
se podría utilizar una gama más completa de información para el desarrollo de
pronósticos de planificación táctica. Trusov, Bodapati y Cooper ( 2006 ) mejoró
aún más la precisión de las previsiones y la interpretabilidad del sistema de
recomendación para las previsiones promocionales. Gür Ali y Pinar ( 2016 )
propuso un método de intercambio de información en dos etapas. Primero, las
regresiones de panel específicas del segmento con estacionalidad y variables
de marketing agruparon los datos, luego los residuos se extrapolaron de forma
no paramétrica utilizando características que se construyeron a partir de los
últimos doce meses de observaciones de la serie de tiempo focal y
relacionada categoría-tienda. El pronóstico combinó los residuos extrapolados
con los pronósticos de la primera etapa, mostrando mejoras de precisión fuera
de muestra (medidas por MAE, MAPE y MdAPE) de 15% a 30% en horizontes
de 1 a 12 meses en comparación con la de El modelo de una etapa. El
suavizado exponencial proporcionó el punto de referencia, donde las
ganancias nuevamente demostraron ser sustanciales (entre 25% y 40%).
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Cuando no hay suficientes datos a nivel de ítem disponibles para desarrollar un
modelo específico de ítem, la investigación resumida anteriormente ha demostrado
que la agrupación es una buena manera de mejorar los pronósticos. Sin embargo, si
hay suficientes datos históricos disponibles para un único SKU, surgen las
siguientes preguntas: ¿deberíamos usar un modelo individual para ese SKU o un
modelo agrupado que considere todos los demás SKU? ¿Y cuántos datos históricos
son suficientes? Aunque Trapero, Kourentzes y Fildes ( 2014 ) encontraron que los
modelos agrupados eran mejores para las SKU que tenían menos de cinco
observaciones sobre promociones, este hallazgo no necesariamente puede
generalizarse, ya que muchos tipos de promociones se utilizan en la práctica (cf. Fig.
9 ), y los resultados también pueden depender de los modelos empleados. Por lo
tanto, pedimos una investigación más sistemática para responder a estas
preguntas.
4.5. Tratar con alta dimensionalidad en el espacio variable explicativo
Cualquier especificación completa de los determinantes del nivel de producto
(SKU) de las ventas en la tienda tiene una alta dimensionalidad en el espacio
variable explicativo debido a las interacciones promocionales entre artículos, que
representan un gran desafío en el pronóstico de la demanda de productos. La alta
dimensionalidad proviene principalmente de productos de la competencia dentro de
la misma categoría ( Ma y col. , 2016 ) En tales situaciones, el modelo puede ajustarse
fácilmente, o tal vez ni siquiera puede estimarse.
Una solución simple es seleccionar el subconjunto más influyente de
artículos de la misma categoría de producto que el producto focal. Por
ejemplo, el modelo de pronóstico llamado CHAN4CAST, desarrollado por Divakar
y col. ( 2005 ), consideró solo las variables promocionales del competidor
principal;
es decir, considerar solo las promociones de Pepsi al pronosticar las ventas de
Coca-Cola. Similar, Lang y col. ( 2015 ) seleccionó el precio más bajo de una
marca nacional (premium) competidora en la tienda como representante de la
competencia. Ma y col.
( 2016 ) utilizó la información promocional de los cinco principales productos de
ventas en la misma categoría que el SKU focal, lo que resultó en una mejora del
6,7% en la precisión del pronóstico (medida por MAE) en comparación con los
modelos que usaban solo información sobre la variable focal.
Otra forma de superar el problema de dimensionalidad es construir
modelos predictivos basados ​en resúmenes de los efectos de promoción
cruzada. La idea básica de este método es crear índices que puedan resumir
la información de promoción cruzada. Por ejemplo, van Donselaar et al. ( 2016 )
simplemente utilizó el número de SKU en una promoción como resumen de la
intensidad promocional en la categoría. Otra forma directa de crear índices
promocionales es construir un promedio ponderado de los valores de
promoción (descuento, exhibición y características) entre los SKU en la
categoría (por ejemplo, Natter, Reutterer, Leve y Taudes , 2007 ) Voleti, Kopalle
y Ghosh ( 2015 ) propuso un enfoque más elaborado incorporando
simultáneamente efectos de jerarquía de marca y similitud entre productos.
La tercera forma es resumir la información promocional mediante la
extracción de algunos "factores" de difusión mediante el análisis de
componentes principales (PCA; Stock & Watson ,
2002 ) Una crítica de las regresiones aumentadas por factores es que los
factores se estiman sin tener en cuenta
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
17
La variable dependiente. Por lo tanto, cuando solo se retienen unos pocos
factores para representar las variaciones de todo el espacio variable
explicativo, podrían tener un poder predictivo limitado para la variable
dependiente, mientras que los factores descartados podrían ser más útiles.
Otra solución se basa en la selección de variables, especialmente mediante el uso
de métodos de probabilidad penalizados, donde las variables de promoción influyentes
se seleccionan automáticamente a través de la contracción continua ( Gür Ali , 2013 ; Gür
Ali y Yaman ,
2013 ; Huang y col. , 2014 ; Ma y col. , 2016 ) Los mejores procedimientos
tradicionales de selección de subconjuntos generalmente no son factibles para el
análisis de datos de alta dimensión debido al alto costo computacional. Los
métodos de probabilidad penalizada para hacer frente a la alta dimensionalidad se
han desarrollado con éxito en las últimas décadas ( Friedman , 2012 ; Tibshirani ,
2011 ) Varios estudios recientes sobre el pronóstico de la demanda de
productos se han basado en este método. Por ejemplo,
Gür Ali ( 2013 ) propuso un método de "moderador del conductor" que utiliza
información básica de SKU-store y datos históricos de ventas y promociones
para generar muchas características, y una regresión regularizada por la
norma L1 para seleccionar simultáneamente algunas características
relevantes y estimar sus parámetros. Similar, Huang y col. ( 2014 ) también
identificaron las variables explicativas más relevantes utilizando los métodos
regularizados de la norma L1. Ma y col. ( 2016 ) propuso un marco
metodológico de cuatro pasos que consiste en identificar categorías
potencialmente influyentes, construir el espacio variable explicativo, realizar la
selección de variables y la estimación del modelo por medio de una regresión
LASSO (operador de selección y contracción menos absoluta) y generar
pronósticos. El éxito de este método para lidiar con la alta dimensionalidad se
demostró mediante mejoras sustanciales en la precisión del pronóstico en
comparación con métodos alternativos para simplificar el espacio variable. El
procedimiento de etapas múltiples supera la limitación conocida de LASSO
cuando se trata con variables explicativas altamente correlacionadas.
Si bien el tema de la reducción de la dimensionalidad del espacio variable
explicativo puede parecer arcano, los métodos simples como la regresión
escalonada no funcionan, y los efectos tanto en la precisión del pronóstico como en
la rentabilidad general (a través de una optimización de promoción de precios
minoristas) son menores. - stantial ( Kunz & Crone , 2015 ) Se necesita investigación
práctica para lidiar con los datos desordenados típicos que se encuentran en las
operaciones minoristas donde las historias de series de tiempo son cortas, los tipos
de promociones múltiples son relevantes y los surtidos de productos cambian. Hay
beneficios potencialmente importantes que se obtienen al estimar la pérdida
simplemente usando métodos más simples.
4.6. Pronósticos de cuantiles y densidades para reposición
El uso principal para los pronósticos a nivel de SKU es la reposición. Como
consecuencia, los pronósticos cuantiles son potencialmente aún más importantes
que los pronósticos esperados. Esto se complica por el hecho de que la teoría de
inventario estándar presupone una demanda normalmente distribuida y
posiblemente incluso estacionaria, las cuales no son realistas cuando la demanda
es intermitente y está impulsada por la promoción.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Taylor ( 2007 ) desarrolló una ponderación exponencial
Método de regresión cuantil que genera predicciones de intervalo a partir de
predicciones cuantil. Sin embargo, estos métodos no tienen en cuenta
factores externos como los cambios de precios y las promociones. Beutel y
Minner ( 2012 ) proponen dos enfoques diferentes que incluyen información
predictiva: por un lado, un pronóstico de regresión que se incorporaría a un
sistema de control de inventario y, por otro, un modelo de programación lineal
que establece los stocks objetivo directamente sin pronósticos explícitos.
Una alternativa sería pronosticar densidades predictivas completas, de las
cuales se pueden extraer fácilmente los cuantiles. Kolassa ( 2016 ) lo hizo,
utilizando una variedad de métodos paramétricos y no paramétricos para modelar
la estacionalidad semanal y anual y los efectos de los precios. Sillanpää y Liesiö ( 2018
) predijeron la distribución completa de las demandas intermitentes de los
consumidores minoristas para pronosticar mejor los pedidos de la tienda
transmitidos al DC. Sus modelos lineales generalizados solo incluían el día de la
semana, pero también podían incluir promociones y otros controladores como
predictores. Los métodos de aprendizaje automático no entregan
automáticamente predicciones predictivas (en contraste con los métodos
estadísticos paramétricos); Las soluciones a esto se discuten en la Sección 5.5 .
5. Una evaluación de los métodos de pronóstico de demanda a nivel de producto.
En las últimas décadas, se ha dedicado una cantidad considerable de
esfuerzo al desarrollo y la mejora de los métodos de previsión de la demanda
en el comercio minorista. Más allá de los métodos extrapolativos univariados
bien establecidos, como el suavizado exponencial, las regresiones lineales (y
las variantes) que incluyen diversas variables impulsoras están mejor
establecidas que los métodos más complejos. Tales modelos lineales tienen la
ventaja práctica importante de ser fáciles de interpretar e implementar. Por
otro lado, se deben considerar modelos no lineales más complejos si los
modelos lineales no funcionan bien ( Chu y Zhang , 2003 ) De hecho, ya están
integrados en algún software comercial ( Fildes, Schaer y Svetunkov , 2018 )
Aquí revisamos estas diferentes clases de métodos, después de considerar
primero los problemas específicos que surgen con su evaluación cuando se
aplican a la demanda del producto.
5.1. Evaluación de pronósticos a nivel de producto.
Como es el caso en todas las subdisciplinas de pronóstico, se deben evaluar los
pronósticos en el comercio minorista. Las métricas de precisión de pronóstico estándar
son comúnmente empleadas; sin embargo, los desafíos específicos en el comercio
minorista, particularmente a nivel de producto, implican que algunas métricas pueden ser
engañosas o incluso inutilizables. Esto depende principalmente del nivel de agregación.
Una métrica de precisión comúnmente empleada, como vemos en nuestras
viñetas de venta minorista discutidas en la Sección 7 7 y el Apéndice B, es el
error porcentual absoluto medio (MAPE), debido principalmente a su facilidad de
interpretación y comparabilidad entre series en diferentes escalas. Esto es
especialmente importante para los profesionales que necesitan explicar un
pronóstico y su precisión a los no especialistas en pronósticos. Sin embargo, el
MAPE solo se puede utilizar en series de tiempo suficientemente agregadas, ya
que no está definido si hay cero
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 18 años
realizaciones Una medida libre de escala relacionada es el MAPE ponderado
(wMAPE), que también se puede expresar como la razón del error absoluto
medio (MAE) con respecto a la media de las observaciones reales ( Kolassa y
Schütz , 2007 ) Las medidas de precisión sin escala incluyen el error absoluto
medio (MAE) o la desviación absoluta media (MAD) y el error cuadrático medio
(MSE) o MSE raíz (RMSE). Por lo general, estos no son adecuados para su
uso en pronósticos minoristas, donde generalmente tenemos múltiples series
de tiempo en escalas muy diferentes. Un enfoque para hacer que el MAE o (R)
MSE esté libre de escalas es escalarlo por un factor apropiado, como la media
de los datos reales en el período de evaluación o la media general. Una
alternativa es escalarlos por el error correspondiente de un método de
pronóstico de referencia, lo que lleva a relativo errores con respecto a este
punto de referencia particular, por ejemplo, el MAE relativo (RelMAE) y el MSE
relativo (RelMSE) o el MASE ( Hyndman y Koehler , 2006 ) La medición de la
mejora del pronóstico de un método sobre otro es particularmente importante
cuando se considera el "valor agregado del pronóstico" cuando se usa el juicio
administrativo para ajustar el pronóstico estadístico (ver Davydenko y Fildes ,
2013 , y la discusión en la Sección 5.3 ) Sin embargo, un problema con casi
todas estas medidas de precisión se ha subestimado mucho.
Específicamente, dado que la predicción trata inherentemente con la
incertidumbre, "demos un paso atrás" y consideremos la densidad predictiva
que se considera, explícita o implícitamente, subyacente a cada método de
predicción. Dada esta densidad, cada medida de precisión de pronóstico
puntual se minimiza en la expectativa por una función específica de la
densidad predictiva ( Gneiting , 2011a ; Kolassa , 2019 ) Por lo tanto, si la
densidad predictiva es asimétrica, minimizar el MAE puede conducir a
pronósticos sesgados. Incluso para una demanda algo intermitente, se ha
encontrado que el MAE se minimiza con frecuencia por un pronóstico cero
inutilizable (inutilizable) Kolassa , 2016 ;
Morlidge , 2015 ) Este sesgo implícito también afecta a los derivados del MAE,
como el MAE relativo (RelMAE) y el MASE. El MAPE esperado a su vez se
minimiza con '( - 1) - mediana 'de la densidad predictiva ( Gneiting , 2011a , pags.
748), que suele ser inferior a la expectativa incluso para densidades
simétricas, especialmente en el caso de datos con altos coeficientes de
variación ( Kolassa , 2017 ) Por lo tanto, debemos tener en cuenta que las
medidas comunes de precisión de pronóstico puntual pueden parecer fáciles
de interpretar, pero que en realidad esto puede ser engañoso, especialmente
para datos de granularidad muy fina. Se aconseja a los pronosticadores que
informen medidas de sesgo junto con MAPE o KPI similares, o que usen
medidas directamente minimizadas en expectativa por un pronóstico
imparcial, como el MSE o RelMSE.
Una propuesta reciente para abordar estas deficiencias de los indicadores clave de
rendimiento de precisión de pronóstico de punto clásico, especialmente para demandas
intermitentes, es utilizar errores basados ​en tasas ( Kourentzes ,
2014 ), que evalúan si los pronósticos para una serie intermitente son correctos
acumulativamente a lo largo de horizontes temporales crecientes. Hasta ahora,
sin embargo, parece haber habido poca adopción de estas medidas.
Además, no solo son importantes los pronósticos de puntos de expectativa, sino
también los pronósticos de cuantiles altos, especialmente cuando los pronósticos se
utilizan para la reposición y para determinar las cantidades de existencias de seguridad. Gneiting
( 2011b ) discute
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
medidas de precisión apropiadas, que, hasta donde sabemos, no se han incluido
en la literatura de pronósticos minoristas hasta la fecha. Tenga en cuenta
también que los ciclos de reabastecimiento pueden cubrir múltiples períodos de
tiempo de pronóstico, lo que significa que el cálculo de las cantidades de
seguridad requiere cuantiles de pronósticos de suma, o de convoluciones de
densidades predictivas. Kolassa ( 2016 ) argumenta que, como consecuencia, los
pronosticadores deberían apuntar a pronosticar y evaluar toda la densidad
predictiva, sobre todo debido al uso potencial de tales densidades en la
reposición, como se discutió en la Sección 4.1 .
5.2. Métodos de pronóstico univariados
Los métodos básicos de pronóstico de la demanda a nivel de producto son
modelos de pronóstico univariados que utilizan solo el historial de ventas pasado.
Las técnicas utilizadas en la predicción de la demanda de productos minoristas
varían desde técnicas tradicionales de series de tiempo, como promedios móviles
simples, la familia de suavizado exponencial o ARIMA, y análisis de Fourier (p. Ej., Fumi,
Pepe, Scarabotti y Schiraldi , 2013 ), a los modelos de espacio de estados (por
ejemplo, Ramos, Santos y Rebelo , 2015 , que comparó estos modelos con ARIMA).
Investigadores como Gür Ali y col. ( 2009 ) y Ramos y Fildes ( 2017 ) han descubierto
que las técnicas simples de series temporales funcionan bien durante períodos sin
promociones focales de productos. Sin embargo, los métodos con controladores
promocionales mejoraron la precisión sustancialmente durante los períodos con
promociones. Por lo tanto, los métodos de pronóstico univariados deben adoptarse
solo para un pronóstico de demanda de mayor agregación (por ejemplo, demanda
de categoría de producto en una cadena) o para productos con baja intensidad
promocional o elasticidad de precio de la demanda.
5.3. Base-times-lift y ajustes de juicio
En la práctica, muchos minoristas utilizan un enfoque de elevación de tiempos base
para pronosticar la demanda de productos ( Cooper y col. ,
1999 ) El enfoque suele ser un procedimiento de dos pasos que comienza
generando un pronóstico de referencia a partir de un método de pronóstico de
series de tiempo simple en el que, en principio, los datos deberían haberse
limpiado de los impulsores de la demanda, como promociones pasadas, clima,
etc. el reparto se ajusta para los próximos eventos, con mayor frecuencia
promociones ( Fildes y Goodwin , 2007 ) Los ajustes para eventos a menudo se
estiman en función del efecto de elevación del evento similar más reciente
(por ejemplo, reducción de precios y / o promoción) y los juicios realizados por
los gerentes minoristas ( Cooper y col. , 1999 ) Conjeturamos que esto se debe
en parte a la base instalada de software comercial, más que a cualquier
evaluación de la efectividad de algoritmos más complejos. Un enfoque más
integral es estimar (quizás analíticamente) el perfil promocional y el impacto
esperado de cualquier evento especial, como el inicio de las vacaciones
escolares, y agregar estos ajustes a la línea de base.
El uso de promociones pasadas análogas que se consideran similares a la
próxima promoción es una base natural para un pronóstico ( Fildes y Goodwin , 2007 través de reuniones de planificación de la demanda, por ejemplo), para evitar
; Lee, Goodwin, Fildes, Nikolopoulos y Lawrence , 2007 ) McIn- tire, Achabal y
Miller ( 1993 ) propuso un sistema de razonamiento basado en casos para
facilitar los ajustes promocionales.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
19
El sistema seleccionó los análogos históricos que eran más similares a la
promoción planificada, luego ajustó las ventas de cada análogo para tener en
cuenta las diferencias entre el análogo y la promoción planificada. Los
pronósticos se derivaron de los múltiples análogos para llegar a una sola
proyección de ventas. Lee y col. ( 2007 ) realizó un experimento que demostró
que un sistema de soporte de pronósticos (FSS) podría diseñarse para
proporcionar a los usuarios orientación sobre juicios de similitud apropiados
basados ​en la evidencia de promociones pasadas; Los ajustes resultantes
condujeron a pronósticos más precisos de los efectos de las promociones de
ventas. Sin embargo, Fildes, Goodwin y Önkal ( 2019 ) mostraron en
experimentos que dichos ajustes de elevación de base no tienen en cuenta el
historial completo de promociones de productos similares, lo que resulta en un
aumento en los errores de pronóstico.
Los ajustes de juicio son comunes en la práctica, pero costosos para el
pronóstico de demanda a nivel de SKU donde el número de ajustes es grande
y su tamaño y dirección son propensos a sesgos e ineficiencias sistemáticas ( Fildes
y Goodwin , 2007 ; Fildes, Goodwin, Lawrence y Nikolopoulos , 2009 ) Existe
una gran cantidad de literatura sobre la creación y evaluación de pronósticos
críticos, pero se han realizado pocos estudios en un contexto relevante ( Lawrence,
Goodwin, O'Connor y Önkal ,
2006 ), aunque una de las cuatro empresas estudiadas por Fildes y col. ( 2009 ) era
una cadena minorista no alimentaria que ajustaba alrededor del 20% de sus
previsiones. En general, estos pronósticos minoristas ajustados fueron sesgados e
ineficientes, y el proceso de ajuste no agregó ningún valor. Una posible explicación
para esto puede ser que, a pesar de que la precisión es el objetivo declarado,
muchos de los ajustes fueron motivados por consideraciones de nivel de servicio /
almacenamiento. Algunos estudios han demostrado que los ajustes de juicio
pueden mejorar los pronósticos de referencia durante las promociones, pero no de
manera sistemática; en cambio, los modelos estadísticos más avanzados que
incluyen indicadores promocionales han demostrado ser mejores que los ajustes
expertos ( Lim y O'Connor , 1996 ; Trapero y col. , 2014 ;
Trapero, Pedregal, Fildes y Kourentzes , 2013 ), aunque la evidencia proviene
de la fabricación. Los ajustes críticos a menudo se aplican en el comercio
minorista, como discutimos en la Sección 7 7 ; no obstante, la escala de las
previsiones minoristas requiere un enfoque más selectivo que cuando se
consideran ajustes en la fabricación (para las viñetas descritas en el Apéndice
B, las cifras variaron del 0% en línea al 40%, en comparación con alrededor
del 70% para los fabricantes). Esto motiva naturalmente la búsqueda de
métodos de modelado que incluyan variables promocionales y de otro tipo. No
se ha recogido evidencia del campo sobre cómo la inclusión de tales variables
explicativas afecta el proceso de ajuste, pero la viñeta de caso 1 en el
Apéndice B demuestra que el uso de un enfoque de modelado econométrico
no impide el ajuste de juicio posterior. La evidencia experimental sugiere que
los ajustes pueden tener en cuenta parcialmente la información causal que ya
está incorporada en el modelo, aunque los ajustes continúan, lo cual, como se
esperaba, Lim y O'Connor , 1996 ; Sroginis, Fildes y Kourentzes ,
2018 ) La pregunta de investigación aquí es si el software puede diseñarse
para garantizar que la información experta se incorpore en el pronóstico (a
el doble conteo y excluir las señales irrelevantes que comúnmente forman
parte del sistema de soporte de pronóstico (FSS) y el proceso organizativo
asociado.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
5.4. Métodos causales lineales
Otra corriente de estudios utiliza un sistema basado en modelos para
pronosticar las ventas de productos teniendo en cuenta la información
promocional (y otra) directamente. Por lo general, estos métodos se basan en
modelos de regresión lineal múltiple o modelos causales más complejos, cuyas
entradas exógenas corresponden a los factores discutidos en la Sección 4.3 4.3 ,
especialmente la estacionalidad, los eventos del calendario, las condiciones
climáticas, el precio y las características de promoción.
El mérito de la regresión lineal es que es simple, fácil y rápido de ajustar, lo
que significa que es factible para problemas de pronóstico a nivel de producto a
gran escala. Una variedad de soluciones de pronóstico se han basado en
modelos de regresión con diferentes especificaciones; Las formas funcionales
multiplicativa (log-log), exponencial (semi-log) y log-recíproca son las
especificaciones paramétricas que se utilizan más ampliamente para representar
las no linealidades en la respuesta de ventas a los instrumentos promocionales.
Un ejemplo bien conocido es el modelo SCAN * PRO y sus extensiones, que
descompone las ventas de una marca en efectos de precios propios y cruzados
de la marca, publicidad característica, exhibiciones de pasillos, efectos
semanales y efectos de tienda ( Andrews y col. , 2008 ; Foekens y col. , 1994 ; Van
Heerde, Leeflang y Wittink , 2000 , 2001 ) PromoCast ( Cooper y col. , 1999 ) es otro
conocido modelo de pronóstico de eventos de promoción; utiliza un análisis de
regresión estática de sección transversal de SKU × ventas de la tienda bajo una
variedad de condiciones de promoción, con información histórica de desempeño
específica de la tienda y la cadena. Divakar y col.
( 2005 ) también emplean un modelo de regresión dinámica que captura los
efectos de variables como ventas pasadas, tendencias, precios propios y de la
competencia y variables promocionales, así como la estacionalidad, en un
análisis regional del mercado de cola.
Además de las regresiones lineales, también se han propuesto modelos
más sofisticados que incluyen estructuras complejas de correlación de
errores. Curry, Divakar, Mathur y Whiteman ( 1995 ) proponen un modelo
Bayesian VAR para pronosticar las ventas de productos de sopa enlatada a
nivel de marca. El modelo incluye las ventas, el precio y la publicidad de
cuatro marcas competidoras como variables endógenas.
Baltas ( 2005 ) propone un modelo de regresión de panel que admite
heterogeneidad de tienda, variación periódica de ventas, choques de ventas en
toda la cadena y dinámica de ventas. Recientemente, Huang y col. ( 2014 ) y Ma
y col. ( 2016 ) utilizó el conjunto de datos IRI ( Bronnenberg y col. , 2008 ) para
desarrollar modelos de retardo distribuido autorregresivo (ADL) y evaluarlos en
los datos de SKU para muchas categorías y varias tiendas, y el último estudio
muestra que un procedimiento Lasso podría tener en cuenta con éxito ambas
variables promocionales dentro de la categoría (12% de mejora en MAE) y
efectos de promoción entre categorías (por un valor adicional de 0.6%). Arunraj
y Ahrens ( 2015 ) desarrolló un modelo de promedio móvil integrado
autorregresivo estacional con variables externas (SARIMAX) para pronosticar
las ventas diarias de plátanos en una tienda minorista alemana. Michis ( 2015 )
propuso un método de suavizado wavelet para mejorar las predicciones
condicionales generadas a partir de modelos de respuesta de ventas de
regresión lineal.
Con tal variedad de modelos, la pregunta clave es: ¿qué se sabe sobre su
rendimiento relativo? Consideramos esto en la Sección 5.6 y la Tabla A.1.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 20
5.5. Métodos no lineales y de aprendizaje automático.
Los métodos no lineales incluyen regresiones no lineales tradicionales,
regresiones no paramétricas o semiparamétricas y algoritmos difusos y de
aprendizaje automático. A diferencia de los modelos de regresión lineal, los
métodos no lineales permiten el uso de funciones de aproximación no lineal
arbitrarias que se derivan (aprenden) de los datos directamente, y esta mayor
generalidad mejora el potencial para proporcionar pronósticos más precisos
(aunque con un mayor riesgo de sobreajuste). )
Para los productos comestibles, la mayoría de las investigaciones publicadas
han encontrado mejoras en la precisión de los pronósticos al usar modelos no
lineales en lugar de regresiones lineales. Los modelos utilizados incluyen redes
neuronales de propagación hacia atrás ( Aburto y Weber , 2007 ; Ainscough y
Aronson ,
1999 ), redes neuronales difusas ( Kuo , 2001 ), árboles de regresión ( Gür Ali y col. ,
2009 ), análisis de relación gris y redes de enlace funcional multicapa ( Chen y Ou ,
2009 , 2011 ), modelos de conmutación de dos niveles que seleccionan entre un
promedio móvil simple y un predictor no lineal (por ejemplo, k- vecino más
cercano, árboles de decisión) en función de las características de la serie
temporal ( Žliobait ˙
e, Bakker y Pechenizkiy , 2012 ),
soporte de máquinas de vectores ( Pillo, Latorre, Lucidi y Procacci , 2016 ),
wavelets ( Michis , 2015 ; da Veiga, da Veiga, Puchalski, dos Santos Coelho y
Tortato , 2016 ), un enfoque conjunto difuso ( da Veiga y col. , 2016 ) y splines P
bayesianos ( Lang y col. , 2015 ) Una excepción donde las no linealidades
condujeron a un bajo rendimiento es el estudio realizado por van Donselaar y col. (
2016 ), quienes analizaron los impactos de los descuentos de precios relativos en
las ventas de productos durante una promoción, pero no encontraron evidencia
concluyente de la presencia de umbrales y / o niveles de saturación para los
descuentos de precios de productos perecederos. A pesar del examen entusiasta
de esta amplia gama de enfoques de LD, si las no linealidades fueran comunes y
fáciles de identificar, esperaríamos ver que tales modelos se usen más en la
práctica. Sin embargo, vemos que los métodos de aprendizaje automático están
cada vez más integrados en el software comercial (véase, por ejemplo, la compra
de BlueYonder por parte de JDA en 2018).
Para los productos de indumentaria o moda, los estudios que utilizan
modelos no lineales se han encontrado consistentemente para proporcionar
mejores pronósticos. Choi, Hui, Liu, Ng y Yu ( 2014 ) sostuvieron que esto se
debe a que la demanda de prendas de vestir y productos de moda es muy
volátil, lo que dificulta la identificación del patrón subyacente. Por lo tanto, los
métodos estadísticos tradicionales y bien establecidos no logran hacer
predicciones sólidas. De estas técnicas, las redes neuronales (NN) son
probablemente las más estudiadas. Por ejemplo, al buscar la estructura de red
neuronal ideal para un sistema de pronóstico de ventas de indumentaria, Au,
Choi y Yu
( 2008 ) propusieron un enfoque computacional evolutivo que encontraron más
preciso que un modelo tradicional SARIMA. Sin embargo, la estimación del
algoritmo de aprendizaje de gradiente estándar, como la NP de
retropropagación, es relativamente más lenta. Las máquinas de aprendizaje
extremo (ELM), que proporcionan velocidades de aprendizaje mucho más
rápidas, se han adoptado en varios estudios de pronóstico de moda ( Wong y
Guo , 2010 ; Xia, Zhang, Weng y Ye , 2012 ;
Yu, Choi y Hui , 2011 ) Los resultados experimentales tienen
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
demostró que el rendimiento del ELM es más efectivo que el de los modelos
BPNN tradicionales para el pronóstico de ventas de moda, pero en la práctica, su
precisión en comparación con BPNN es discutible en el mejor de los casos.
Cuando los datos históricos son limitados, se afirma que los métodos basados ​en
modelos grises funcionan mejor ( Choi y col. , 2014 ; Xia y Wong , 2014 ); sin
embargo, los resultados deben validarse aún más en función de una muestra más
grande de series. Du, Leung y Kwong ( 2015 ) propuso un modelo de red neuronal
basado en la optimización de objetivos múltiples (MOONN) que, según ellos, era
superior a varios de los métodos mencionados anteriormente para el problema de
pronóstico de reabastecimiento a corto plazo.
La escalabilidad de los modelos no lineales suele ser deficiente, por lo que la
cantidad de tiempo de entrenamiento requerido para construir y mantener modelos de
pronóstico no lineales para decenas de miles de SKU en cientos de tiendas se
convierte en una seria preocupación (aunque la computación paralela con grandes
grupos de computadoras modernas podría ayudar , ver Seeger y col. , 2016 , como
ejemplo). Sin embargo, tenga en cuenta que, en primer lugar, utilizar un modelo
entrenado para producir pronósticos es mucho más rápido que entrenar el modelo. El
tamaño del conjunto de datos agrupados y las limitaciones de memoria también
plantean problemas de estimación. Por estas razones, los investigadores que han
intentado probar la superioridad de los modelos no lineales a nivel de producto
generalmente trabajan a una escala muy pequeña (es decir, decenas de artículos).
Una excepción a los estudios a pequeña escala es la de
Mukherjee, Shankar, Ghosh, Tathawadekar y Chaudhury ( 2018 ), quienes
desarrollaron un modelo de pronóstico de densidad de demanda con una red
neuronal profunda híbrida de varias capas para la gestión de inventario en
Flipkart.com. Modelaron la densidad de la demanda como una mezcla
aprendida de distribuciones gaussianas, que combinaba tanto series temporales
como factores asociativos. Experimentaron en un conjunto de datos de más de
diez mil productos de Flipkart y mostraron mejoras significativas en la precisión
del pronóstico sobre el Cubista (un híbrido de árboles de decisión y modelos de
regresión lineal).
Una limitación adicional de los métodos de ML es que no pueden producir
automáticamente intervalos de predicción: un requisito necesario para las
decisiones de inventario, como argumentamos en la Sección 5.1 . Sin embargo, Flunkert,
Salinas y Gasthaus
( 2017 ) propuso un modelo de red recurrente autorregresivo, denominado
DeepAR, que podría producir pronósticos probabilísticos precisos
directamente al generar los parámetros de un binomio negativo. Usando un
enfoque alternativo,
Wen, Torkkola, Narayanaswamy y Madeka ( 2017 ) propuso una red neuronal
secuencia a secuencia que genera pronósticos cuantiles de horizonte múltiple.
Ambos estudios aplicaron sus modelos para predecir la demanda futura de
artículos vendidos en Amazon.com, y mostraron resultados prometedores en
comparación con una serie de variantes; sin embargo, sus modelos no se
compararon con los puntos de referencia de última generación.
Llegamos a la conclusión de que la evidencia de no linealidad que generalmente
conduce a una mejor precisión de pronóstico es débil, con la evidencia positiva
probablemente derivada de un sesgo de publicación, que puede amplificarse por la
falta de conocimiento sobre buenas prácticas de evaluación de pronósticos en la
comunidad de aprendizaje automático, junto con una cierta cantidad de publicidad.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
21
Los estudios citados tienen muchas limitaciones, que se resumen en la
siguiente sección.
5.6. Evaluación comparativa
La Tabla A.1 en el Apéndice A resume los estudios descritos en las
secciones anteriores, concentrándose en cuán exhaustivamente han sido
evaluados. Comenzamos describiendo el enfoque de cada estudio y la gama
de productos que analizó (en las columnas 2 y 3). Existen pautas establecidas
para la evaluación rigurosa de los métodos de pronóstico ( Tashman , 2000 ), y
estos se consideran en la columna 4; en particular, la comparación del modelo
propuesto con puntos de referencia simples (columna 5). Las conclusiones de
los autores se resumen en la columna final. La tabla es necesariamente
selectiva e incluye solo estudios que usan datos de nivel de producto minorista
en sus pruebas empíricas y son lo suficientemente novedosos o implican
pruebas suficientemente extensas para justificar su discusión en las
subsecciones anteriores. Algunos documentos que no informaron sus
configuraciones experimentales (p. Ej., Horizonte, tiempo de entrega o
conjuntos de validación) claramente se han omitido.
Como deja en claro la Tabla A.1, enfrentamos evidencia limitada. Los
estudios resumidos allí tienen poco en común metodológicamente, y la mayoría
sufre de una falta de generalización. Muchos se aplican a muy pocos SKU y no
incluyen métodos de pronóstico estándar que utilizan un procedimiento de
prueba fuera de la muestra bien definido en un horizonte de pronóstico
específico. Sin embargo, hay algunos estudios que consideran una amplia
gama de SKU, a veces a nivel de tienda, y nos centramos principalmente en los
estudios que trascienden estas preocupaciones.
5.6.1. Puntos de referencia univariantes
Hay pocos exámenes comparativos de los métodos univariados aplicados a
los datos minoristas a nivel de producto donde los conjuntos de datos (como los
hemos descrito) muestran alta volatilidad y estacionalidad entre semanas, con
pocas series que muestren signos fuertes de una tendencia en un período
relativamente corto. pronostica horizontes. Taylor ( 2007 ) examinaron la
demanda diaria de SKU de 256 productos en un solo supermercado,
excluyendo todos los artículos lentos (intermitentes). Su método novedoso
propuesto de regresión cuantil ponderada exponencialmente superó tanto los
puntos de referencia de suavizado exponencial como el procedimiento
optimizado de la compañía. Ramos y col. ( 2015 ) compararon el espacio estatal y
los modelos ARIMA al pronosticar la demanda mensual de calzado de mujer
para plazos de 1 a 12, con poca diferencia en la precisión. Sin embargo, tales
pronósticos agregados son de poco valor para el minorista. Ramos y Fildes ( 2017
) extendió el análisis a 988 SKU en 203 categorías, considerando una amplia
gama de métodos univariados, excluyendo nuevamente los datos intermitentes,
con TBATS (trigonométrica, transformación de Box-Cox, errores ARMA,
tendencia y componentes estacionales) como los de mejor desempeño. Aquí,
las características de los datos fueron similares a las de Taylor 's ( 2007 ) datos:
altamente volátiles a nivel de tienda. Métodos univariados estándar como el
suavizado exponencial (ETS, es decir, la formulación del espacio de estado de
los métodos de suavizado exponencial; Hyndman et al. , 2008 ) no funcionan bien
(p. ej. Ma y col. , 2016 , quienes compararon ETS, la formulación de tendencia de
error-estacionalidad, con métodos causales).
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
El gran número de minoristas de series intermitentes (535k de Amazon
fueron utilizadas por Seeger y col. , 2016 ) requieren nuevos métodos que se
adapten a estas características de datos y restricciones computacionales ( Flunkert
y col. , 2017 ;
Seeger y col. , 2016 ) Mientras que los métodos bayesianos se desarrollaron
por Seeger y col. se demostró que superan a un método de espacio de estado
diseñado para datos intermitentes ( Snyder, Ord y Beaumont , 2012 ), no se han
comparado con los puntos de referencia intermitentes estándar, con Flunkert y
col. 's ( 2017 ) estudio de redes neuronales recurrentes autorregresivas que
evitan datos promocionales. Sin embargo, han mostrado una promesa
considerable.
La investigación de métodos comparativos univariados ahora necesita
concentrarse en las características estructurales de los datos minoristas:
estudios generales como la competencia M4 ( Makridakis, Spiliotis y
Assimakopoulos , 2018 ) cuéntanos poco que sea de relevancia directa para el
minorista. En cambio, lo que han hecho tales concursos y los diversos
comentarios es desarrollar una metodología para llevar a cabo tales
comparaciones ( Fildes y Ord , 2002 )
5.6.2. Métodos multivariados
Existen muchos estudios que informan el desarrollo de métodos de pronóstico
multivariados. Las cuestiones clave son las variables que se deben considerar para
su inclusión (por ejemplo, variables promocionales intra e intercategorías, Ma y col. ,
2016 ; o reseñas de consumidores en línea, Schneider y Gupta , 2016 ), y el nivel de
agrupación que se utilizará para estimar las elasticidades, con un compromiso
entre el tamaño de la muestra y la heterogeneidad en el modelo. Como acabamos
de comentar, los investigadores han propuesto varios métodos novedosos de
aprendizaje automático, como árboles de regresión y redes neuronales y sus
variantes, que afirman que tienen éxito; sin embargo, las evaluaciones realizadas
son demasiado limitadas. A diferencia de, Gür Ali y col. ( 2009 ) comparó varios
métodos de aprendizaje automático con el punto de referencia de elevación de
base y los evaluó en muchas tiendas
× Combinaciones de SKU. Huang y col. ( 2014 ) y Ma y col.
( 2016 ) comparó los pronósticos del modelo ADL para varios tiempos de entrega y
funciones de pérdida con modelos de suavizado simples actualizados para
períodos promocionales utilizando el último levantamiento promocional, y
descubrió que los modelos causales se desempeñaron mejor para un rango de
categorías. A menudo, los datos promocionales detallados no están disponibles y
se deben usar modelos más simples, por lo que Ramos y Fildes ( 2017 ) realizó una
evaluación exhaustiva (988 SKU en 203 categorías) y mostró que varios métodos
multivariados, extendidos al incluir información de precios exógenos, superan a los
métodos univariados, con ganancias típicas de más del 10%. Para los períodos
promocionales, las ganancias suelen ser mayores: de hecho, los modelos ADL
basados ​en Lasso de Ma y col. ( 2016 ) continuaron superando a ETS
sustancialmente incluso durante períodos no promocionales (para el producto
focal).
En general, los estudios multivariados muestran mejoras sustanciales en la
precisión de los pronósticos a nivel de SKU sobre los puntos de referencia
universales. Sin embargo, si bien los estudios recientes han incluido una amplia gama
de categorías, los estudios se han centrado principalmente en alimentos,
descuidando otros grupos de productos. La intermitencia y los efectos de la
inestabilidad del mercado aún no se han explorado por completo. Amplia evidencia de
la
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 22
Los beneficios de los algoritmos de aprendizaje automático son necesarios si creemos en la
exageración que tanto los investigadores como las compañías de software han generado.
6. Previsión de demanda de nuevos productos en el comercio minorista
Pronosticar la demanda de nuevos productos es una tarea más difícil que
pronosticar productos existentes, debido a la falta de datos históricos directos
del producto. Sin embargo, tal esfuerzo es esencial a pesar de la complejidad
de la tarea y su precisión relativamente baja ( Brown & Hunter ,
1967 ; Kahn , 2002 ), ya que impulsa una variedad de decisiones multifuncionales.
Estos incluyen compras, niveles de inventario, decisiones relacionadas con la
logística, el efecto sobre la rentabilidad general del surtido y las expectativas
financieras para el nuevo producto. La literatura general sobre este tema es amplia
e incluso a mediados de la década de 1980, Assmus ( 1984 ) encontró que la
cantidad de métodos era demasiado numerosa para incluirla en su artículo de
revisión. Desde entonces, se han desarrollado muchos métodos (y modelos) de
pronóstico de nuevos productos, y se han realizado una serie de revisiones
recientes sobre este tema desde diferentes perspectivas, aunque ninguna enfoca
ninguna atención en la decisión del nuevo producto minorista ( Chandrasekaran y
Tellis , 2007 ; Goodwin, Meeran y Dyussekeneva , 2014 ;
Machuca, Sainz y Costa , 2014 ; Meade e Islam , 2006 ) En general, los métodos
de pronóstico de ventas de nuevos productos se pueden agrupar en tres
grandes categorías: (i) el enfoque de juicio, que implica el juicio de la gerencia
basado en parte en la experiencia pasada; (ii) el enfoque de investigación de
mercado, donde los datos de la encuesta se utilizan para pronosticar el
potencial de compra de los clientes; y (iii) el enfoque analógico, donde el
pronosticador asume que el producto se comportará como se han comportado
los "productos comparables", una comparación que implica la identificación de
tales comparadores y en sí misma es a menudo muy crítica. Estas diversas
técnicas para el pronóstico de nuevos productos se describen en Ord, Fildes y
Kourentzes ( 2017 ), por ejemplo. La evidencia de encuestas anteriores
muestra que la investigación de clientes / mercado, seguida del juicio de la
gerencia, fueron los métodos más utilizados ( Gartner y Thomas , 1993 ; Kahn , 2002
; Kahn y Chase , 2018 ) El juicio era particularmente importante cuando se
preveían las ventas de productos de alta tecnología y la novedad del producto
se asociaba con una mayor incertidumbre en relación con las ventas ( Lynn,
Schnaars y Skov ,
1999 ) Sin embargo, tenga en cuenta que todas estas encuestas aparentemente
solo se dirigieron a fabricantes, y no necesariamente a fabricantes de productos
de consumo: no parece haber datos de encuestas sobre nuevas prácticas de
pronóstico de productos en minoristas o productos de consumo
específicamente, aunque las prácticas aquí son probables ser similar a los de
otras industrias.
La previsión de nuevos productos por parte de los minoristas tiene algunas de
las mismas características generales que el problema genérico, pero también
plantea algunos problemas específicos. Cuando el minorista también actúa como
diseñador y suscriptor, el problema de pronóstico que enfrenta es el mismo que en
cualquier otro fabricante, y no discutimos esto más a fondo. Sin embargo, cuando
hay que tomar una decisión sobre la adición de un producto a una categoría
existente, existe el requisito de pronosticar la demanda general en todas las tiendas
(para un horizonte temporal relevante para la decisión), la ruta de compra
acumulada-repetición de compra,
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
y los efectos de canibalización en otros productos en la categoría. Con toda
probabilidad, se espera que la adición de un nuevo producto también aumente
la categoría y, de hecho, aumente la probabilidad de que un producto sea
aceptado en la cartera del minorista ( van Everdingen, Sloot, van Nierop y
Verhoef , 2011 ) La decisión de adquirir el producto depende de las previsiones
de demanda del minorista (de SKU, categoría), las previsiones de beneficios
derivadas de las previsiones de demanda y el soporte ofrecido al minorista por
el fabricante (que a su vez influye en la demanda,
p.ej Ze & Bell , 2003 ) Fisher y Vaidyanathan ( 2014 ) propuso un método para
estimar los efectos de sustitución dentro del surtido y lo usó para pronosticar
un surtido completamente nuevo.
Sin datos históricos directos, el enfoque formal que se adopta con mayor
frecuencia (especulamos) es el uso de la analogía. Este enfoque implica
pronosticar nuevos productos haciendo uso de las historias pasadas de
productos similares ( Gilliland y Guseman , 2009 ) Hay dos variaciones: (1) Los
modelos pueden ajustarse a los datos históricos de los análogos y usarse para
producir pronósticos para el nuevo producto bajo el supuesto de que su
adopción seguirá un patrón similar de series de tiempo ( Bayus , 1993 ; Hu,
Acimovic, Erize, Thomas y Mieghem , 2019 ) En un marco bayesiano, esto se
puede formalizar de modo que el historial del predecesor se utilice para
proporcionar las prioridades iniciales para el nuevo producto y luego estas
actualizaciones se actualizan a medida que se observan las ventas del nuevo
producto (cf. Lenk y Rao , 1990 )
(2) Alternativamente, especialmente si el nuevo producto está reemplazando
a otro producto similar, se puede usar el historial del artículo anterior, que
generalmente se transfiere a la base de datos del minorista.
Si no hay un sustituto directo, entonces un enfoque que reconoce la
distinción es identificar un conjunto de características y atributos del producto
que sean similares a los de los productos existentes, como marca, sabor,
color, patrón, precio y su objetivo. segmentos de clientes, y luego agrupar las
características de demanda de esos artículos para pronosticar la demanda del
nuevo producto. Ferreira y col. ( 2015 ) aplicó este enfoque a un minorista de
moda en línea; Schneider y Gupta ( 2016 ) lo aplicó a las ventas en línea de
tabletas de Amazon; Tanaka ( 2010 ) lo aplicó a datos sobre ventas anticipadas
de libros y productos electrónicos de consumo para pronosticar ventas a más
largo plazo de 6 meses; y Wright y popa ( 2015 ) utilizaron análogos
combinados con datos de prueba para diversos productos de consumo.
Desafortunadamente, la evaluación de estos modelos generalmente no se ha
centrado en los requisitos de decisión del minorista, ya sea en existencia o no,
y cuánto pedir. La identificación de analogías apropiadas también es difícil, ya
que Goodwin, Dyussekeneva y Meeran ( 2013 ) mostró (aunque no en un
contexto minorista); sin embargo, puede ser que la gran cantidad de ejemplos
en el comercio minorista y la moda hayan hecho que los métodos sean más
exitosos, ya que
Thomassey ( 2014 ) reclamado y como Ferreira y col. ( 2015 ) ilustrado en un
estudio de un minorista de moda en línea.
En los últimos años, los investigadores han argumentado que los análisis
basados ​en la web son útiles para predecir el rendimiento potencial del lanzamiento
de un producto. Esto abre una nueva dirección para la previsión de nuevos
productos basada en estudios de mercado. Por ejemplo, Xiong y Bharadwaj ( 2014 )
descubrieron que la forma de la curva de la versión preliminar zumba la evolución
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
23
La trayectoria generada a partir de publicaciones en blogs y foros en línea agrega
poder para predecir el rendimiento del nuevo producto de las ventas de
videojuegos. Schneider y Gupta ( 2016 ) utilizaron la minería de texto de las reseñas
de los consumidores de los nuevos productos de Amazon, y su incorporación al
modelo mejoró la precisión una semana antes. Recientemente se ha publicado una
cantidad considerable de investigación sobre este tema, pero la mayoría descuida
una perspectiva minorista y, como Schaer y col.
( 2019 ) muestran en su revisión bibliográfica y trabajo empírico (en juegos de
computadora), el valor predictivo, si lo hay, es solo a corto plazo (por ejemplo,
hasta un mes).
Los minoristas a veces usan mercados de prueba antes de decidirse por un
lanzamiento nacional. Investigaciones anteriores se han centrado
principalmente en la selección óptima de los mercados de muestra ( Mostard,
Teunter y de Koster , 2011 ) y modelos de predicción basados ​en el mercado de
prueba. Por ejemplo, Fisher y Rajaram ( 2000 ) presentaron una metodología
basada en la agrupación y la programación lineal para seleccionar tiendas en
las que realizar la prueba y crear un pronóstico para la próxima temporada para
toda la cadena basado en los resultados de la prueba. En un enfoque
contrastante, Wright y popa
( 2015 ) mostró cómo un modelo simple de resultados de ensayos basado en
productos análogos de las primeras 13 semanas podría usarse para otros
productos nuevos y considerarse en la decisión de lanzamiento nacional.
Los productos de moda proporcionan un problema particular de pronóstico de
nuevos productos ( Gallien, Mersereau, Garro, Mora y Vidal , 2015 ) Antes de cada
temporada, existe la necesidad de un pronóstico de las ventas totales de productos,
ya sea distribuidas a través de la calle o en línea, y los plazos de entrega pueden ser
largos. Durante muchos años, surgió una variante del problema mediante el uso de
catálogos de pedidos por correo (véase, por ejemplo, Mostard y col. , 2011 ), aunque la
mayor prevalencia de en línea ha dejado el catálogo como un mero complemento del
marketing en línea.
Por lo general, se utilizan productos análogos, aunque los métodos más
avanzados pueden incorporar atributos del producto y sus ventas. Estos
atributos se utilizan para agrupar productos pasados ​con el fin de desarrollar
perfiles de ventas para nuevos productos ( Thomassey y Fiordaliso , 2006 ), con Baardman,
Levin, Perakis y Singhvi ( 2018 ) desarrollando un enfoque conjunto de
agrupamiento y pronóstico que muestran que proporcionan mejoras sobre el
enfoque secuencial. Un marco bayesiano puede incorporar varias fuentes de
datos antes del lanzamiento del producto, y esas predicciones se actualizan
más adelante a medida que se dispone de nuevos datos. Por ejemplo,
Yelland y Dong ( 2014 ) derivaron anteriores de productos pasados ​y utilizaron
los datos de ventas tempranas del nuevo producto para actualizar los
parámetros del modelo una vez que estuvieron disponibles. Sin embargo, las
ventas tempranas solo son potencialmente útiles para la temporada tardía.
Dado que el juicio es el enfoque predominante, surge la pregunta de qué tipo
de SFS podría mejorar con el juicio sin ayuda. En un estudio de las listas de
música pop, Seifert, Siemsen, Hadida y Eisingerich ( 2015 ) concluyeron que la
provisión de información contextual (como la campaña promocional y las
revisiones críticas) y la provisión de información histórica sobre éxitos
anteriores mejoraron la precisión, aunque el valor de cada uno dependía de la
información basada en el modelo que se proporcionó a través del FSS.
En resumen, los pronósticos de demanda de nuevos productos son un aspecto
importante de los pronósticos minoristas. Aparte de la moda
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
industria y, más recientemente, negocios en línea, la investigación ha sido
limitada. Se afirma que se aplican enfoques estándar, y las analogías son el
núcleo de los métodos formales que se utilizan. Se han recogido algunas
pruebas limitadas de la encuesta para examinar los métodos que están en
uso. Se consideró que el juicio influenciado por las analogías era el enfoque
preferido. Es poco probable que el efecto de introducir un nuevo producto en
una categoría se modele formalmente, se reconozca o no, aunque se ha
desarrollado un software que lo intenta (por ejemplo, SAS, que incluye minería
de texto y análisis de sentimientos). Finalmente, el sesgo de selección
observado en la Sección 3,3 debe tenerse en cuenta al usar datos de
introducciones históricas de nuevos productos.
7. Práctica de previsión minorista
No se han realizado encuestas recientes sobre la práctica de pronósticos en el
comercio minorista desde Peterson ( 1993 ), quienes encontraron un uso limitado de
los métodos econométricos (causales): el juicio gerencial fue el que más se usó,
seguido de métodos simples y variados. Aparentemente, los mercados de prueba y
las encuestas también fueron populares. McCarthy, Davis, Golicic y Mentzer
( 2006 ) llegó a la misma conclusión en una encuesta general que incluyó el comercio minorista. Un
enfoque más tangencial es examinar qué ofrecen los proveedores de software. Los proveedores de
software más grandes, como SAP y SAS, ofrecen una gama completa de métodos de pronóstico en sus
conjuntos de planificación de la demanda, comenzando con métodos univariados simples, pero también
hay modelos multivariados más avanzados disponibles en módulos que son adicionales a la base
popular suite (a un costo adicional) o requiere la adaptación a la base de datos de la compañía y no se
puede usar automáticamente. Por ejemplo, SAP ahora ofrece el repositorio de actividad del cliente
(CAR) específico para el comercio minorista, aunque APO u otro software que proporciona solo
procedimientos univariados permaneció común a partir de 2019. SAS Forecast Server y Visual
Forecasting (código abierto) usan automáticamente todas las categorías de modelado, incluyendo
métodos multivariados (p. ej. ARIMAX, regresión dinámica, modelos de componentes no observados) en
toda la cartera de productos de una empresa. Los proveedores especializados como Relex tal vez
proporcionen un indicador sobre cómo se espera que cambie la práctica minorista: agregan el
aprendizaje automático a la combinación de métodos basados ​en regresión, y su inclusión se está
convirtiendo en un estándar de la industria (aunque, como hemos señalado desde el comparaciones
empíricas, está lejos de ser claro lo que agrega al conjunto de métodos disponibles). Sin embargo,
típicamente los cambios en la práctica son lentos. Por ejemplo, la colaboración entre minoristas y
proveedores ha sido durante mucho tiempo un tema candente tanto para académicos como para
proveedores de software, pero Los proveedores especializados como Relex tal vez proporcionen un
indicador sobre cómo se espera que cambie la práctica minorista: agregan el aprendizaje automático a
la combinación de métodos basados ​en regresión, y su inclusión se está convirtiendo en un estándar de
la industria (aunque, como hemos señalado desde el comparaciones empíricas, está lejos de ser claro lo
que agrega al conjunto de métodos disponibles). Sin embargo, típicamente los cambios en la práctica
son lentos. Por ejemplo, la colaboración entre minoristas y proveedores ha sido durante mucho tiempo
un tema candente tanto para académicos como para proveedores de software, pero Los proveedores
especializados como Relex tal vez proporcionen un indicador sobre cómo se espera que cambie la
práctica minorista: agregan el aprendizaje automático a la combinación de métodos basados ​en
regresión, y su inclusión se está convirtiendo en un estándar de la industria (aunque, como hemos
señalado desde el comparaciones empíricas, está lejos de ser claro lo que agrega al conjunto de
métodos disponibles). Sin embargo, típicamente los cambios en la práctica son lentos. Por ejemplo, la
colaboración entre minoristas y proveedores ha sido durante mucho tiempo un tema candente tanto para
académicos como para proveedores de software, pero Weller y Crone ( 2012 ) mostraron, a través de una
encuesta rigurosa, cuán poco este intercambio innovador de datos y pronósticos de EPOS de los minoristas ha impactado en lase utilizade
Un segundo aspecto de la difusión de nuevas prácticas de modelado en la
industria es la necesidad de personal capacitado. Mientras que paquetes
como el CAR de SAP y métodos como los propuestos por Ma y col. ( 2016 )
intentan que el modelado sea automático, sigue habiendo dudas sustanciales
sobre
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 24
cuán aceptables son dichos pronósticos en la práctica organizacional. Sin personal
capacitado en métodos basados ​en regresión, lo más probable es que dichos
métodos no sean aceptados completamente como base para las decisiones que
deben tomarse: las anulaciones de juicio siguen siendo comunes desde los
pronósticos de demanda operacional hasta los tácticos y estratégicos ( como la
ubicación del sitio), donde la evidencia es que, aunque se utilizan modelos, el juicio
de expertos sigue siendo un componente importante ( Wood & Reynolds , 2013 ) Los
casos estilizados que presentamos en el Apéndice B que cubren las actividades de
planificación de la demanda muestran que el juicio sigue siendo una característica
clave, incluso cuando la base del modelo en el SFS incluye muchos factores
causales (por ejemplo, tipos promocionales, vacaciones). Con base en la evidencia
experimental, Sroginis y col. ( 2018 ) mostraron que los pronósticos causales basados
​en el modelo no se respondieron completamente y que el juicio seguía siendo una
característica importante y este hallazgo se reflejó en la práctica del minorista.
Con el fin de comprender más acerca de cómo se han implementado los
enfoques alternativos y los desafíos que enfrentamos, describimos brevemente
cinco organizaciones de predicción arquetípicas de cadenas de tiendas, basadas
en discusiones detalladas. También utilizamos el formato para discutir problemas
adicionales que hemos identificado en entrevistas con otras tres compañías. En el
Apéndice B se presenta un resumen. Se puede encontrar evidencia adicional en
las presentaciones de Marinero ( 2018 ) en relación con Walmart y por Januschowski
( 2017 ) para Amazon. Ambas presentaciones representan el soporte de
especialistas en ciencia de datos y, por lo tanto, se centran más en algoritmos.
Sin embargo, la escala de ambas operaciones es un factor limitante en los
algoritmos que se pueden adoptar (en Walmart, un modelo estacional lineal
dinámico local, en Amazon, esto incluye una red neuronal autorregresiva).
Estas prácticas de captura de viñetas demuestran una cantidad de puntos
clave:
(i) A pesar de la disponibilidad de software comercial
incluyendo modelos causales sofisticados y métodos no lineales (a
veces incluidos con el término mal definido, 'detección de demanda'),
la adopción de tales herramientas avanzadas ha sido desigual. No
está claro si estas herramientas ofrecen ventajas proporcionales al
mayor costo total de propiedad en una situación real de pronóstico
minorista y pocas empresas han rutinario el uso de estos
procedimientos más avanzados; modelado promocional en SKU o
SKU
× el nivel de tienda sigue siendo simplista con un uso limitado de retrasos,
definiciones promocionales y datos intracategoría.
(ii) La previsión de nuevos productos sigue siendo muy crítica
Tal e informal.
(iii) La demanda intermitente es un problema clave donde se establece
No se han adoptado soluciones de investigación analizadas. (iv) Los KPI y
la medición de precisión generalmente no son
si se presta suficiente atención a los datos que pueden estar fuertemente
influenciados por la intermitencia y los extremos. En la mayoría de nuestros casos,
práctica MAPE, que es
fabricación, particularmente
y tales propenso
colaboraciones a la llenas
pueden estar distorsión (como discutimos
de dificultades. Tampoco fue visto como u
en la Sección 5.1 ) La volatilidad en los pronósticos actualizados y los pedidos
consecuentes son potencialmente importantes para la planificación de la cadena
de suministro ( Marinero , 2018 ) pero esto rara vez forma parte de la evaluación.
Problemas de tiempo de entrega vinculados
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
a la cadena de suministro rara vez se consideran. Las densidades
predictivas y los cuantiles rara vez se consideran (¿nunca?), A pesar de
su importancia en el orden y las decisiones de inventario.
(v) La planificación de la demanda en el comercio minorista es mano de obra inten-
sive, y el personal puede tener un conocimiento estadístico demasiado
limitado. En un desarrollo reciente, algunas de las compañías han
introducido un grupo separado de ciencia de datos. Existe cierta variabilidad
en el rol, donde en algunos ejemplos se han establecido procesos
descendentes, mientras que otros toman un rol más de consultoría. En la
mayoría de los minoristas, el pronóstico de la demanda aún está demasiado
influenciado por las restricciones de TI, con muy poco énfasis en el
conocimiento del pronóstico.
(vi) Intervención de juicio superpuesta al modelo
Los pronósticos basados ​siguen siendo un elemento importante en el
pronóstico minorista más allá de los requisitos del pronóstico de nuevos
productos. Los ajustes son típicamente de arriba hacia abajo del equipo de
planificación de la demanda pero, sin embargo, las decisiones de pedido en
la tienda pueden anular implícitamente el SKU × almacenar pronósticos con
subóptimo
resultados ( Van Donselaar, Gaur,
Van Woensel, Broekmeulen y Fransoo , 2010 ) No se encontraron
ejemplos de minoristas tradicionales que dependieran del uso
completamente automático del software. (vii) Más tentativamente (basado
en nuestra muestra de conveniencia
de minoristas y proveedores de software), la difusión del modelado de
mejores prácticas sigue siendo lenta, tal vez debido a la base instalada de
software heredado y la rareza de los pronosticadores, estadísticos o
científicos de datos formados formalmente entre los minoristas.
8. Conclusiones e investigaciones futuras.
El sector minorista está experimentando un cambio sísmico. A nivel
estratégico, los minoristas existentes de ladrillo y mortero enfrentan decisiones
difíciles con respecto a sus tiendas y su aceptación de las actividades en
línea. Los pronósticos, por ingenuos que sean, se muestran en Figs. 1 y 2 subrayar
el potencial continuo de interrupción. La literatura de investigación no se ha
ocupado de las preguntas planteadas por un cambio estructural tan rápido en
el desarrollo de la competencia en línea, y la mayoría de las empresas,
aunque no todas, se mudaron de presentar principalmente una oferta física,
posiblemente complementada con un catálogo ventas (principalmente con un
enfoque en productos de moda), a uno en línea que ha reemplazado y
ampliado en la gama anterior de ofertas de catálogo. Amazon se cierne sobre
todo el sector, particularmente en los EE. UU., Donde su compra de Whole
Foods y su traslado a tiendas físicas ha generado ondas de choque. Esto ha
presentado una variedad de desafíos de pronóstico. En un nivel, cada
minorista en línea tiene un historial de series de tiempo en desarrollo de
productos que se pueden usar con métodos de pronóstico estándar. Sin
embargo, La adición de un canal alternativo en línea por parte de un minorista
establecido de ladrillo y mortero plantea nuevos problemas, y el intento de
hacer que el cliente vea las alternativas como perfectas (compras ''
Omnichannel '') plantea la cuestión de la complementariedad versus
sustitución. La decisión de lanzar un servicio en línea debe basarse en
pronósticos de ventas totales y beneficios para las dos alternativas en el
horizonte de planificación.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
25
Sin embargo, no se han encontrado estudios que examinen este problema.
Una cuestión adicional que se plantea por los cambios dramáticos en los hábitos
de compra minorista en algunos países es la combinación de ubicaciones de tiendas
(mega-tiendas fuera de la ciudad, supermercados y tiendas de conveniencia locales).
Los métodos establecidos del modelo de ubicación que anteriormente tenían una alta
credibilidad se han visto socavados por el cambio en el comportamiento del
consumidor, dejando una base de datos que carece de datos directamente relevantes
sobre la base de los cuales se puedan construir nuevos modelos.
Si bien los problemas estratégicos que enfrentan los minoristas han sido
descuidados en gran medida por los investigadores, las cuestiones operativas
que se relacionan con la identificación de métodos de pronóstico más
efectivos se han resuelto en parte. Primero, y lo más importante, la elección
del punto de referencia es importante incluso en períodos no promovidos, en
parte, por supuesto, porque las pequeñas mejoras en miles de SKU conducen
a importantes beneficios financieros y de servicio. Si bien gran parte de la
investigación anterior estaba limitada por su amplitud, el trabajo más reciente
ha considerado una variedad de tiendas y muchos SKU en diferentes
categorías, lo que ayuda a las generalizaciones: las conclusiones rara vez se
aplican a todas las categorías, mientras que especulamos que puede haber
mayor robustez en tiendas y SKU dentro de categorías. Huang y col. , 2019 )
Cuando se consideran los eventos promocionales, nuevamente la
investigación ha demostrado los beneficios de los enfoques de modelado más
complejos, como se discutió en la Sección 5.6 . El valor de estos modelos más
avanzados se puede demostrar mediante el valor agregado que proviene de
la inclusión de clases adicionales de variables (por ejemplo, la dinámica del
modelo valió un beneficio adicional de 3.42%, ver Ma y Fildes , 2017 ) También
se pueden utilizar para ayudar a comprender la importancia de las reglas de
fijación de precios comerciales, mientras que las empresas todavía parecen
confiar en procedimientos ad-hoc ( Watson, Wood y Fernie , 2015 ) Sin
embargo, un campo en el que se necesita más investigación con urgencia es
la gran variedad de promociones (ver
Fig. 9 ) Ya no es suficiente considerar '' Tipo de función 1 '' y '' Tipo de función 2 ''
como en el conjunto de datos IRI; en cambio, las promociones se caracterizan por
una multitud de tácticas diferentes (interactivas). Además, las promociones no se
ejecutan necesariamente durante exactamente una semana que coincide con la
semana de calendario. Por el contrario, los minoristas comienzan las promociones en
días con menos tráfico, generalmente a mediados de la semana
- para atraer clientes a sus tiendas. Por lo tanto, los conjuntos de datos más antiguos
de granularidad semanal son de dudosa utilidad. Los investigadores deben aspirar a
obtener conjuntos de datos más realistas, y los minoristas deben ser abiertos para
proporcionarlos.
El pronóstico de cuantiles, densidad o volatilidad es un aspecto poco
investigado de los pronósticos minoristas, incluso entre los estudios de
pronósticos a nivel de SKU. Sería deseable más investigación en esta
dirección, así como en la conexión al control de inventario. Puede ser posible
aplicar modelos para la determinación de existencias de seguridad de otras
industrias, o hacer uso de modelos de pronóstico de volatilidad tales como (G)
ARCH.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx

Sigue habiendo desafíos de pronóstico operacional para los minoristas ture, y (iv) el uso del juicio en muchas aplicaciones en las que se planifican las
minoristas, como la forma en que la combinación geográfica de las ventas en línea ventas minoristas y las operaciones (S&OP: ver Harwell , 2015 ) el proceso tiene
afecta la red óptima de almacenamiento y distribución. como objetivo combinar diferentes fuentes de información, lo que lleva a
intervenciones de juicio. El avance hacia los métodos de aprendizaje

Una oportunidad de desarrollo que, de hecho, los investigadores ya han

aprovechado en parte, es la disponibilidad inmediata de 'big data' ( Bradlow,
Gangwar, Kopalle y Voleti , 2017 ; Fisher y Raman , 2018 ) y su potencial para
mejorar la previsión de la demanda: todo tipo de comportamiento del cliente, ya
sea en la tienda o mediante la actividad en línea, puede integrarse en las
previsiones de demanda de SKU ( Boone, Ganeshan, Jain y Sanders ,
automático plantea otros dos problemas importantes: la necesidad de los
usuarios de comprender los impactos de los diferentes impulsores que se
incluyen en la implementación de ML y su capacidad para agregar valor al
realizar ajustes críticos (ver Sección 5.3 ) Finalmente, un tema adicional que fue
destacado por los expertos de la cadena de suministro minorista que
entrevistamos fue la creciente importancia de los nuevos productos con
historias cortas de por vida.

2019 ) Algunos han afirmado que esta ruta está configurada para socavar el
pronóstico de demanda más convencional al dirigir la atención al cliente
individual. Sin embargo, como Kolassa ( 2017 ) señalaron que los obstáculos
técnicos para traducir los historiales de demanda individuales (en lugar de
segmentados) en pronósticos agregados a nivel de SKU aún no se han
Para los investigadores, una serie de problemas importantes siguen siendo
poco investigados, además de los estratégicos, discutidos anteriormente. La
relación entre la demanda a nivel de SKU a través de los canales para diferentes
categorías es importante como un problema práctico, mientras que la búsqueda

superado con éxito. de explicaciones basadas en el mercado también la convierte en un área de

Un segundo problema de marketing surge con la compra en línea, donde
los hábitos web de los clientes, tanto reales como potenciales, pueden
analizarse y vincularse a la compra a través de diferentes patrones de
búsqueda ( Jayasankaraprasad y Kathyayani , 2014 ) Esto lleva a la pregunta
de cómo deberían diseñarse los sitios web para maximizar su efectividad.
La pregunta de si el valor de estos datos de comportamiento es una quimera o un
vacío de investigación que pronto se llenará de manera convincente queda por
responder. Los problemas relacionados con las opiniones de los clientes, las
investigación teórica interesante. El segundo problema operativo se relaciona con
el desarrollo de métodos para apoyar la introducción de nuevos productos y las
implicaciones para la cadena de suministro. Hasta el momento, no ha habido
trabajo para evaluar las precisiones comparativas de los diferentes enfoques.
Para los desarrolladores de software, el principal problema planteado por esta
revisión se relaciona con el desarrollo de modelos escalables automáticos que son
robustos a las limitaciones de datos que son comunes en las operaciones minoristas.
Los problemas de las jerarquías de datos donde existen soluciones de investigación
han tenido una implementación limitada. Una segunda área subdesarrollada es la
provisión de estadísticas de error y los cuantiles necesarios para la reposición: los datos

búsquedas de Google y otros foros en línea y sus impactos en las ventas son de error de pronóstico sobre los plazos de entrega rara vez son accesibles.

revisados ​por Schaer y col. ( 2019 ), quienes demostraron que gran parte de la
investigación existente ha transgredido los principios de una buena investigación de
Finalmente, con cantidades cada vez mayores de datos vinculados a los 'grandes
pronósticos al no enfocarse en evaluaciones comparativas fuera de la muestra en
datos' generados por el comportamiento observado del consumidor, esperamos que el
tiempos de entrega relevantes para la toma de decisiones.
pronóstico minorista proporcione un banco de pruebas para la integración de microdatos
en pronósticos de demanda más agregados.

Los comportamientos de compra en línea plantean problemas operativos

específicos para el pronosticador que no son relevantes en las alternativas físicas, en
Expresiones de gratitud
particular los retornos y los comportamientos de compra fraudulentos, los cuales
muestran una alta prevalencia y son específicos de la categoría. Los problemas se
pueden analizar utilizando técnicas de minería de datos donde se incluyen datos de Nos complace reconocer la ayuda sustancial brindada por muchos

comportamiento de series temporales.

Como parte de la investigación que sustenta este artículo, consultamos
con varios minoristas sobre cuáles consideran que son sus principales
desafíos de pronóstico. A pesar del contraste entre los métodos que se usan
con mayor frecuencia (suavizado exponencial con perfiles promocionales y
maniquíes de eventos) y aquellos que probablemente sean más precisos,
hubo poca insatisfacción con los métodos en uso. Se observaron varios
problemas metodológicos pendientes: (i) la necesidad de métodos que sean
adecuados para la demanda intermitente, y (ii) la escalabilidad (véase, por
ejemplo, Januschowski , 2017 ;
colegas y los árbitros formales del documento que ofrecieron comentarios, lo
que, esperamos, conduzca a un documento de revisión mejorado y más
valioso; también por aquellos minoristas que compartieron información sobre
sus prácticas y los problemas que enfrentan. Un tema que todos los
comentaristas y referencias tenían en común era que el documento era largo;
sin embargo, al final decidimos que había poco que hacer al respecto, ¡sobre
todo porque las críticas a menudo iban acompañadas de una solicitud para
ampliar un tema u otro!
El segundo autor reconoce el apoyo continuo de la Fundación Nacional de
Ciencias Naturales de China bajo la subvención no. 71571089, 71673122.

Marinero , 2018 ), donde los algoritmos a menudo necesitan ejecutarse durante

la noche para más de 40K SKU para Walmart, con muchos cientos de tiendas, Apéndice A
y más de 500 K SKU y múltiples DC para Amazon. Como consecuencia, los
recursos computacionales son una limitación. A estos comentarios
A.1 Documentos de previsión de ventas de productos
agregamos: (iii) el mayor uso de métodos de IA / aprendizaje automático y la
falta de validación en la literatura de investigación.
Ver Tabla A.1 .

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 26
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx 27

Tabla A.1
Un breve resumen de trabajos de investigación representativos sobre pronósticos de ventas a nivel de producto. Los documentos, discutidos en el texto, han sido seleccionados como aquellos que contienen una gama más
amplia de comparaciones y evaluaciones más completas. ( Blattberg y George , 1991 ; Kumar y Patel , 2010 ; Lu , 2014 ; Ren, Choi y Liu , 2015 )

mi

( Continúa en la siguiente página)

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx

Tabla A.1 ( continuado).

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 28
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx 29

A.2 Viñetas de planificación de la demanda minorista

Ver Tabla A.2 .

Tabla A.2

( Continúa en la siguiente página)

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx

Tabla A.2 ( continuado).

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 30
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Referencias
Abrishami, S., Kumar, P. y Nienaber, W. (2017). Tiendas inteligentes: A
sistema escalable de predicción y recolección de tráfico peatonal. En Perner P. (Ed.), Apuntes de
clase en informática: vol. 10357, Avances en aplicaciones de minería de datos y aspectos teóricos.
ICDM 2017
(págs. 107-121). Cham: Springer.
Aburto, L. y Weber, R. (2007). Mejora de la gestión de la cadena de suministro.
basado en pronósticos de demanda híbridos. Computación suave aplicada, 7,
136-144.
Agrawal, N. y Smith, SA (1996). Estimación de binomio negativo
demanda de gestión de inventario minorista con ventas perdidas no observables. Logística de
Investigación Naval, 43, 839–861.
Ailawadi, KL, Harlam, BA, César, J. y Trounce, D. (2006). Promoción
rentabilidad para un minorista: el rol de promoción, marca, categoría y características de la tienda. Revista
de Investigación de Mercados, 43, 518-535. Ainscough, TL y Aronson, JE (1999). Una investigación
empírica
y comparación de redes neuronales y regresión para análisis de datos de escáner. Journal of
Retailing and Consumer Services, 6, 205-217. Alexander, A., Cryer, D. y Wood, S. (2008). Planeación
de ubicación en caridad
venta al por menor Revista Internacional de Gestión de Distribución y Distribución,
36, 536-550.
Alon, I., Qi, M. y Sadowski, RJ (2001). Previsión de venta minorista agregada
ventas: una comparación de redes neuronales artificiales y métodos tradicionales. Journal of
Retailing and Consumer Services, 8, 147-156. Andrews, RL, Currim, IS, Leeflang, PSH y Lim, J.
(2008).
Estimación del modelo de ventas de la tienda SCAN? PRO: HB, FM o simplemente OLS?
Revista Internacional de Investigación en Marketing, 25, 22-33. Archak, N., Ghose, A. e Ipeirotis, PG
(2010). Derivando el precio
El poder de las características del producto mediante la minería de comentarios de los consumidores
Ciencias de gestión, 57, 1485-1509.
Arunraj, NS y Ahrens, D. (2015). Un autorregresivo estacional híbrido
promedio móvil integrado y regresión cuantil para el pronóstico diario de ventas de alimentos. Revista
Internacional de Economía de la Producción, 170,
321-335.
Assmus, G. (1984). Previsión de nuevos productos. Diario de pronósticos, 3,
121-138.
Au, KF, Choi, TM y Yu, Y. (2008). Previsión de venta de moda por
Redes neuronales evolutivas. Revista Internacional de Economía de la Producción, 114, 615–630.
Aye, GC, Balcilar, M., Gupta, R. y Majumdar, A. (2015). Previsión
ventas minoristas agregadas: el caso de Sudáfrica. Revista Internacional de Economía de la
Producción, 160, 66-79.
Baardman, L., Levin, I., Perakis, G. y Singhvi, D. (2018). Apalancamiento
comparables para el pronóstico de ventas de nuevos productos. Producción y Gestión de
Operaciones, 27, 2340-2343.
Baltas, G. (2005). Modelado de la demanda de la categoría en cadenas minoristas. diario
de la Operational Research Society, 56, 1258-1264. Bayus, BL (1993). Televisión de alta definición:
evaluación de la demanda
moldes para un consumidor de próxima generación duradero. Ciencias de gestión,
39, 1319-1333.
Bechter, DM y Rutner, JL (1978). Pronosticar con modelos estadísticos
y un estudio de caso de ventas minoristas. Revisión económica, 63, 3–11. Benito, Ó. G., Gallego,
PAM y Kopalle, PK (2004). Com asimétrica
petición en formatos de tiendas minoristas: Evaluación de efectos espaciales entre formatos e
intraformatos. Journal of Retailing, 81, 59-73.
Beule, MD, Poel, DVD y Weghe, NVD (2014). Un Huff extendido
modelo para realizar evaluaciones comparativas sólidas y predecir el rendimiento de la red minorista. Geografía
Aplicada, 46, 80-89.
Beutel, A.-L. y Minner, S. (2012). Planificación de stock de seguridad bajo causal
previsión de la demanda. Revista Internacional de Economía de la Producción,
140, 637–645.
Birkin, M., Clarke, G. y Clarke, M. (2010). Refinación y operacionalización
Modelos de maximización de entropía para aplicaciones empresariales. Análisis geográfico, 42, 422-445.
Blattberg, RC y George, EI (1991). Estimación de contracción del precio y
Elasticidades promocionales: ecuaciones aparentemente no relacionadas. Revista de la Asociación
Americana de Estadística, 86, 304-315.
Boone, T., Ganeshan, R., Jain, A. y Sanders, NR (2019). Previsión
ventas en la cadena de suministro: análisis del consumidor en la era de los grandes datos.
Revista Internacional de Pronósticos, 35, 170-180.
Borin, N. y Farris, P. (1995). Un análisis de sensibilidad del estante minorista
Modelos de gestión. Journal of Retailing, 71, 153-171.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
31
Bottani, E., Bertolini, M., Rizzi, A. y Romagnoli, G. (2017). Supervisión
disponibilidad en el estante, falta de existencias y frescura del producto a través de RFID en la cadena
de suministro de alimentos frescos. Revista Internacional de Tecnologías de RF, 8, 33-55.
Boylan, JE, Chen, H., Mohammadipour, M. y Syntetos, A. (2014).
Formación de grupos estacionales y aplicación de índices estacionales.
El Diario de la Sociedad de Investigación Operativa, sesenta y cinco, 227–241. Bradlow, ET,
Gangwar, M., Kopalle, P. y Voleti, S. (2017). El papel
de big data y análisis predictivo en el comercio minorista. Journal of Retailing,
93, 79-95.
Bronnenberg, BJ, Kruger, MW y Mela, CF (2008). El marketing IRI
conjunto de datos Ciencia de marketing, 27, 745–748. Brown, F. y Hunter, RC (1967). La relación de
real y
Ventas y ganancias previstas en la introducción de nuevos productos. Diario de negocios, 40, 233.
Brynjolfsson, E. y Rahman, MS (2009). Batalla del canal minorista
nels: cómo la selección de productos y la geografía impulsan la competencia entre canales. Ciencias
de gestión, 55, 1755-1765. Bucklin, RE y Siddarth, S. (1998). Determinación de la segmentación en
ventas.
respuesta a través de los comportamientos de compra del consumidor. Revista de Investigación de Mercados, 35, 189-197.
Chandrasekaran, D. y Tellis, GJ (2007). Una revisión crítica de mar-
keting investigación sobre difusión de nuevos productos. Revisión de investigación de mercado, 3, 39-80.
Chen, H. y Boylan, JE (2007). Uso de la temporada estacional individual y grupal
dados en el pronóstico de la demanda agregada subaguda. Revista de la Sociedad de Investigación
Operativa, 58, 1660-1671.
Chen, FL y Ou, TY (2009). Análisis de relación gris y multicapa
modelo de pronóstico de ventas de red de enlaces funcionales para alimentos perecederos en tiendas
de conveniencia. Sistemas Expertos con Aplicaciones, 36,
7054–7063.
Chen, FL y Ou, TY (2011). Sistema de previsión de ventas basado en gris
Máquina de aprendizaje extremo con método Taguchi en la industria minorista.
Sistemas Expertos con Aplicaciones, 38, 1336-1345. Chen, Y., Wang, Q. y Xie, J. (2011).
Interacciones sociales en línea: una nat-
experimento ural de boca en boca versus aprendizaje observacional.
Revista de Investigación de Mercados, 48, 238-254. Chen, Y. y Xie, J. (2008). Revisión del
consumidor en línea: boca a boca
como un nuevo elemento de comunicación de marketing mix. Ciencias de gestión, 54, 477-491.
Chern, CC, Wei, CP, Shen, FY y Fan, YN (2015). Un pronóstico de ventas
Modelo de productos de consumo basado en la influencia del boca a boca en línea. Sistemas de
información y gestión de comercio electrónico,
13, 445–473.
Chevalier, JA y Mayzlin, D. (2006). El efecto del boca a boca
en ventas: reseñas de libros en línea. Revista de Investigación de Mercados, 43,
345–354.
Chiang, J. (1991). Un enfoque simultáneo a si, qué y
cuánto comprar preguntas. Ciencia de marketing, 10, 297-315. Chintagunta, PK (1993). Uso de
índices estacionales grupales en elementos múltiples
previsión a corto plazo. Ciencia de marketing, 12, 184-208. Choi, T.-M., Hui, C.-L., Liu, N., Ng, S.-F.,
y Yu, Y. (2014). Venta rápida de moda
pronóstico con datos y tiempo limitados. Sistemas de Soporte a la Decisión, 59,
84-92.
Chong, A., Li, B., Ngai, E., Ch'Ng, E. y Lee, F. (2016). Prediciendo
venta de productos en línea a través de revisiones en línea, sentimientos y estrategias de
promoción: una arquitectura de big data y un enfoque de red neuronal.
Revista Internacional de Operaciones y Gestión de Producción, 36,
358-383.
Chu, CW y Zhang, GP (2003). Un estudio comparativo de lineal y
modelos no lineales para el pronóstico agregado de ventas minoristas. Revista Internacional de
Economía de la Producción, 86, 217-231. Conlon, CT y Mortimer, JH (2013). Estimación de la
demanda
Der disponibilidad incompleta del producto. American Economic Journal Microeconomics, 5, 1–30.
Cooper, LG, Baron, P., Levy, W., Swisher, M. y Gogos, P. (1999).
Promocast (tm): un nuevo método de pronóstico para la planificación de promociones.
Ciencia de marketing, 18, 301–316.
Cooper, LG y Giuffrida, G. (2000). Convertir la minería de datos en un
herramienta de ciencia de gestión: nuevos algoritmos y resultados empíricos.
Ciencias de gestión, 46, 249-264.
Craig, CS, Ghosh, A. y Mclafferty, S. (1984). Modelos del comercio minorista
proceso de ubicación: una revisión. Journal of Retailing, 60, 5–36. Croston, JD (1972). Previsión y
control de existencias para intermitentes
demandas. Revista de la Sociedad de Investigación Operativa, 23, 289-303.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Cui, R., Gallino, S., Moreno, A. y Zhang, DJ (2018). La Opera-
Valor nacional de la información de las redes sociales. Producción y Gestión de Operaciones, 27, 1749-1769.
Curry, DJ, Divakar, S., Mathur, SK y Whiteman, CH (1995). BVAR
como herramienta de gestión de categorías: una ilustración y comparación con técnicas
alternativas. Diario de pronósticos, 14, 181-199. Curtis, AB, Lundholm, RJ y McVay, SE (2014).
Previsión de ventas:
Un modelo y alguna evidencia de la industria minorista. Investigación Contable Contemporánea, 31,
581–608.
Davies, RL (1973). Evaluación de los atributos y ventas de la tienda minorista.
actuación. European Journal of Marketing, 7, 89-102. Davydenko, A. y Fildes, R. (2013). Medición
de la precisión del pronóstico:
El caso de ajustes críticos a los pronósticos de demanda a nivel de SKU.
Revista Internacional de Pronósticos, 29, 510-522.
DeHoratius, N. y Raman, A. (2008). Inexactitud del registro de inventario: un
análisis empírico. Ciencias de gestión, 54, 627-641. Dekker, M., van Donselaar, K. y Ouwehand, P.
(2004). Cómo utilizar
agregación y pronóstico combinado para mejorar los pronósticos de demanda estacional. Revista
Internacional de Economía de la Producción, 90, 151-167. Divakar, S., Ratchford, BT y Shankar, V.
(2005). CHAN4CAST: A
modelo de pronóstico de ventas multicanal y multiregión y sistema de soporte de decisiones para
bienes de consumo envasados. Ciencia de marketing,
24, 334-350.
van Donselaar, KH, Gaur, V., Van Woensel, T., Broekmeulen, RA,
Y Fransoo, JC (2010). Comportamiento de pedidos en tiendas minoristas e implicaciones para el
reabastecimiento automatizado. Ciencias de la Gestión, 56 ( 5), 766–784.
van Donselaar, KH, Peters, J., de Jong, A. y Broekmeulen, RACM
(2016) Análisis y pronóstico de la demanda durante las promociones de artículos perecederos. Revista
Internacional de Economía de la Producción, 172,
65-75.
Du, W., Leung, SYS y Kwong, CK (2015). Un multiobjetivo
modelo de red neuronal basado en la optimización para pronósticos de reabastecimiento a corto
plazo en la industria de la moda. Neurocomputación, 151,
342–353.
Dubé, JP (2004). Múltiple discreción y diferenciación del producto:
Demanda de refrescos carbonatados. Ciencia de marketing, 23, 66-81. Duncan, GT, Gorr, WL y
Szczypula, J. (2001). Pronósticos análogos
series de tiempo. En JS Armstrong (Ed.), Principios de previsión ( pp. 195-213). Boston, MA:
Springer Estados Unidos.
van Everdingen, YM, Sloot, LM, van Nierop, E. y Verhoef, PC
(2011) Hacia una mayor comprensión de los antecedentes de la adopción de nuevos productos
por parte del minorista. Journal of Retailing, 87, 579–597. Ferreira, KJ, Lee, BHA y Simchi-Levi, D.
(2015). Analítica para
un minorista en línea: previsión de demanda y optimización de precios.
Gestión de operaciones de fabricación y servicio, 18, 69-88. Fildes, R. y Goodwin, P. (2007).
¿Contra tu mejor juicio? Cómo
Las organizaciones pueden mejorar su uso del criterio de gestión en la predicción. Interfaces, 37, 570–576.
Fildes, R., Goodwin, P., Lawrence, M. y Nikolopoulos, K. (2009).
Pronósticos efectivos y ajustes de juicio: una evaluación empírica y estrategias para mejorar la
planificación de la cadena de suministro. Revista Internacional de Pronósticos, 25, 3–23. Fildes, R.,
Goodwin, P. y Önkal, D. (2019). Uso y mal uso de la información.
ción en la predicción de la cadena de suministro de los efectos de promoción. Revista Internacional de
Pronósticos, 35, 144-156.
Fildes, R. y Ord, JK (2002). Concursos de pronósticos: su papel en
Mejorar la práctica de previsión y la investigación. En MP Clements, y
DF Hendry (Eds.), Un compañero para la previsión económica. Oxford: Blackwell.
Fildes, R., Schaer, O. y Svetunkov, I. (2018). Encuesta de software:
Previsiones 2018. O / MS hoy, 45
Fisher, M. y Rajaram, K. (2000). Pruebas precisas de venta minorista de moda
mercancía: metodología y aplicación. Ciencia de marketing, 19,
266–278.
Fisher, M. y Raman, A. (2018). Uso de datos y big data en el comercio minorista.
Producción y Gestión de Operaciones, 27, 1665-1669. Fisher, M. y Vaidyanathan, R. (2014). Un
programa de estimación de demanda
procedimiento para la optimización de surtido minorista con resultados de implementaciones. Ciencias
de gestión, 60, 2401–2415. Floyd, K., Ling, RF, Alhogail, S., Cho, HY y Freling, T. (2014). Cómo
Las revisiones de productos en línea afectan las ventas minoristas: un metaanálisis. Journal of Retailing, 90, 217–232.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 32
Flunkert, V., Salinas, D. y Gasthaus, J. (2017). DeepAR: Probabilistic
predicción con redes recurrentes autorregresivas. preimpresión arXiv
arXiv: 1704.04110 .
Foekens, EW, Leeflang, PSH y Wittink, DR (1994). Una comparación
y una exploración de la precisión del pronóstico de un modelo loglineal a diferentes niveles de
agregación. Revista Internacional de Pronósticos,
10, 245–261.
Friedman, JH (2012). Regresión escasa rápida y clasificación.
Revista Internacional de Pronósticos, 28, 722–738. Fumi, A., Pepe, A., Scarabotti, L. y Schiraldi, MM
(2013). Fourier
Análisis para la previsión de la demanda en una empresa de moda. Revista Internacional de
Ingeniería de Gestión Empresarial, 5, 5–30. Gallien, J., Mersereau, AJ, Garro, A., Mora, AD y Vidal,
MN (2015).
Decisiones iniciales de envío de nuevos productos en zara. La investigación de operaciones, 63, 269–286.
Gartner, WB y Thomas, RJ (1993). Factores que afectan el nuevo producto
Precisión de predicción en nuevas empresas. Revista de gestión de innovación de productos, 10, 35-52.
Geurts, MD, y Kelly, JP (1986). Previsión de ventas minoristas utilizando
Modelos alternativos. Revista Internacional de Pronósticos, 2, 261–272. Gijsbrechts, E., Campo, K.
y Goossens, T. (2003). El impacto de la tienda.
volantes sobre el tráfico de la tienda y las ventas de la tienda: un enfoque de geo-marketing.
Journal of Retailing, 79, 1–16.
Gilliland, M. y Guseman, S. (2009). Pronosticar nuevos productos por
analogía estructurada El Journal of Business Forecasting, 28, 12-15. Glaeser, C., Fisher, M. y Su, X.
(2019). Ubicación de venta óptima: empírica
metodología y aplicación a la práctica. Gestión de operaciones de fabricación y servicio, 21, 86-102.
Gneiting, T. (2011a). Realización y evaluación de pronósticos puntuales. Diario de
la Asociación Americana de Estadística, 106, 746–762. Gneiting, T. (2011b). Cuantiles como
pronósticos puntuales óptimos. Internacional
Diario de pronósticos, 27, 197-207. Goodwin, P., Dyussekeneva, K. y Meeran, S. (2013). El uso de
analo-
En el pronóstico de las ventas anuales de nuevos productos electrónicos.
Revista IMA de Matemáticas de Gestión, 24, 407-422. Goodwin, P., Meeran, S. y Dyussekeneva, K.
(2014). Los desafios
del pronóstico previo al lanzamiento de series temporales de adopción para nuevos productos
duraderos. Revista Internacional de Pronósticos, 30, 1082-1097. Gupta, S. (1988). Impacto de las
promociones de ventas sobre cuándo, qué y cómo
Mucho para comprar. Revista de Investigación de Mercados, 25, 342–355. Gür Ali, Ö. (2013) Método de
moderador de controlador para la predicción de ventas minoristas.
Revista Internacional de Tecnología de la Información y Toma de Decisiones,
12, 1261-1286.
Gür Ali, Ö., Y Pinar, E. (2016). Predicción de períodos múltiples con
extrapolación residual e intercambio de información, utilizando una gran cantidad de series
minoristas. Revista Internacional de Pronósticos, 32,
502-517.
Gür Ali, Ö., Sayin, S., van Woensel, T. y Fransoo, J. (2009). Demanda de SKU
previsión en presencia de promociones. Sistemas Expertos con Aplicaciones, 36, 12340–12348.
Gür Ali, Ö., Y Yaman, K. (2013). Seleccionar filas y columnas para
la capacitación admite modelos de regresión vectorial con grandes conjuntos de datos minoristas.
Revista Europea de Investigación Operativa, 226, 471-480. Hartzel, KS y Wood, CA (2017).
Factores que afectan la mejora
La precisión de la previsión de la demanda a través de informes en el punto de venta.
Revista Europea de Investigación Operativa, 260, 171-182. Harwell, J. (2015). Planificación de
ventas y operaciones en la industria minorista.
En M. Gilliland, L. Tashman y U. Sglavo (Eds.), Previsión empresarial: problemas prácticos y
soluciones ( pp. 363–372). Nueva Jersey: Wiley. Hernández, T. y Bennison, D. (2000). El arte y la
ciencia del comercio minorista
decisiones de ubicación. Revista Internacional de Gestión de Distribución y Distribución, 28, 357–367.
Hernant, M. y Rosengren, S. (2017). ¿Ahora que? evaluando las ventas
efectos de introducir una tienda en línea. Journal of Retailing and Consumer Services, 39, 305-313.
Hu, K., Acimovic, J., Erize, F., Thomas, D. y Mieghem, JAV (2019).
Pronosticar curvas del ciclo de vida del producto: enfoque práctico y análisis empírico. Gestión de
operaciones de fabricación y servicio,
21, 66-85.
Hu, N., Koh, NS y Reddy, SK (2014). Las calificaciones lo llevan al producto,
los comentarios te ayudan a cerrarlo? El papel mediador de los sentimientos de revisión en línea sobre las
ventas de productos. Sistemas de Soporte a la Decisión, 57, 42-53.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Huang, T., Fildes, R. y Soopramanien, D. (2014). El valor de la competencia
Información útil para pronosticar las ventas de productos minoristas de bienes de consumo y el problema de
selección variable. Revista Europea de Investigación Operativa,
237, 738–748.
Huang, T., Fildes, R. y Soopramanien, D. (2019). Minorista de pronósticos
venta de productos en presencia de roturas estructurales. Revista Europea de Investigación
Operativa, 279, 459-470.
Hübner, A., Kuhn, H. y Wollenburg, J. (2016). Cumplimiento de la última milla y
distribución en la venta minorista de alimentos omnicanal: un marco de planificación estratégica. Revista
Internacional de Gestión de Distribución Minorista,
44, 228–247.
Huff, DL (1963). Un análisis probabilístico del comercio en centros comerciales.
zonas Economía de la tierra, 39, 81-90.
Hyndman, RJ, Ahmed, RA, Athanasopoulos, G. y Shang, HL
(2011) Previsiones combinadas óptimas para series de tiempo jerárquicas.
Estadística computacional y análisis de datos, 55, 2579-2589. Hyndman, RJ y Koehler, AB (2006).
Otra mirada a las medidas de
Precisión de pronóstico. Revista Internacional de Pronósticos, 22, 679-688. Hyndman, RJ, Koehler,
AB, Ord, JK y Snyder, RD (2008).
Predicción con suavizado exponencial: el enfoque del espacio de estados.
Berlín: Springer-Verlag Berlín.
Jain, A., Rudi, N. y Wang, T. (2014). Estimación de demanda y orden
bajo censura: el tiempo de desabastecimiento es (casi) todo lo que necesita.
La investigación de operaciones, 63, 134-150.
Januschowski, T. (2017). Pronósticos en Amazon: problemas, métodos
y sistemas. En Simposio internacional sobre pronósticos. Cairns, Australia: Instituto Internacional de
Pronósticos.
Jayasankaraprasad, C. y Kathyayani, G. (2014). Compras de formato cruzado
motivos y tipologías de compra para la compra de comestibles: un enfoque multivariado. Revista
internacional de distribución minorista e investigación del consumidor, 24, 79-115.
Jin, Y., Williams, BD, Tokar, T. y Waller, MA (2015). Previsión
con señales de demanda agregadas temporalmente en una cadena de suministro minorista.
Revista de Logística Empresarial, 36, 199-211.
Kahn, KB (2002). Una investigación exploratoria del nuevo producto.
prácticas de pronóstico. Revista de gestión de innovación de productos, 19,
133-143.
Kahn, KB y Chase, CW (2018). El estado de la previsión de nuevos productos.
Previsión: The International Journal of Applied Forecasting, 51, 24-31. Kaipia, R., Holmström, J.,
Småros, J. y Rajala, R. (2017). Información
compartir para la planificación de ventas y operaciones: soluciones y mecanismos
contextualizados. Diario de Gestión de Operaciones, 52, 15-29. Kalampokis, E., Tambouris, E. y
Tarabanis, K. (2013). Entendiendo el
poder predictivo de las redes sociales. Búsqueda en Internet, 23, 544–559. Kaplan, EL y Meier, P.
(1958). Estimación no paramétrica de ingresos
observaciones completas Revista de la Asociación Americana de Estadística, 53,
457–481.
Kesavan, S., Gaur, V. y Raman, A. (2010). Hacer inventario y bruto
Los datos de margen mejoran las previsiones de ventas para los minoristas públicos de EE.
Ciencias de gestión, 56, 1519-1533.
Kök, AG y Fisher, ML (2007). Estimación de demanda y surtido
optimización bajo sustitución: metodología y aplicación.
La investigación de operaciones, 55, 1001-1021.
Kök, AG, Fisher, ML y Vaidyanathan, R. (2015). Surtido
planificación: Revisión de literatura y práctica industrial. En N. Agrawal, y SA Smith (Eds.), Gestión
de la cadena de suministro minorista: modelos cuantitativos y estudios empíricos ( pp. 175–236).
Boston, MA: Springer Estados Unidos.
Kolassa, S. (2016). Evaluación de las distribuciones de datos de conteo predictivo en
previsión de ventas minoristas. Revista Internacional de Pronósticos, 32,
788–803.
Kolassa, S. (2017). Comentario: ¿Big data o big hype? Previsión: El
Revista Internacional de Pronósticos Aplicados, 45, 22-23.
Kolassa, S. (2019). Por qué el "mejor" pronóstico del punto depende de
error o medida de precisión. Revista Internacional de Pronósticos, 94,
http://dx.doi.org/10.1016/j.ijforecast.2019.02.017 .
Kolassa, S. y Schütz, W. (2007). Ventajas de la MAD / Ra- media
tio sobre el MAPE. Previsión: The International Journal of Applied Forecasting, 6, 40-43.
Koschat, MA (2008). El inventario de la tienda puede afectar la demanda: empírica
evidencia de venta minorista de revistas. Journal of Retailing, 84, 165-179. Kostenko, AV y
Hyndman, RJ (2006). Una nota sobre la categorización.
de patrones de demanda. El Diario de la Sociedad de Investigación Operativa,
57, 1256-1257.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
33
Kourentzes, N. (2014). En la optimización del modelo de demanda intermitente
y selección. Revista Internacional de Economía de la Producción, 156,
180-190.
Kourentzes, N. y Petropoulos, F. (2016). Predicción con multivari-
comió agregación temporal: el caso del modelado promocional.
Revista Internacional de Economía de la Producción, 181 145-153. Kourentzes, N., Petropoulos, F.
y Trapero, JR (2014). Mejora
predicción mediante la estimación de componentes estructurales de series de tiempo a través de
múltiples frecuencias. Revista Internacional de Pronósticos, 30,
291-302.
Ku, LW, Lo, YS y Chen, HH (2007). Selección de colección de prueba
y generación de patrón oro para un corpus de opinión con múltiples anotaciones. En ACL 2007,
actas de la reunión de la Asociación de Lingüística Computacional. Praga, República Checa. Kumar,
V., Choi, JWB y Greene, M. (2016). Efectos sinérgicos de tan-
Medios de comunicación comerciales y marketing tradicional en ventas de marcas: captura de los efectos que
varían con el tiempo. Revista de la Academia de Ciencias de Marketing,
45, 1–21.
Kumar, V. y Leone, RP (1988). Medición del efecto de la tienda minorista
promociones en sustitución de marca y tienda. Revista de Investigación de Mercados, 25, 178-185.
Kumar, M. y Patel, NR (2010). Usando clustering para mejorar las ventas
previsiones en merchandising minorista. Anales de Investigación de Operaciones, 174,
33-46.
Kumar, N., Venugopal, D., Qiu, L., y Kumar, S. (2018). Detectando revisión
manipulación en plataformas en línea con aprendizaje jerárquico supervisado. Revista de Sistemas
de Información de Gestión, 35, 350-380. Kunz, TP y Crone, SF (2015). El impacto del negocio
profesional
reglas sobre la optimización de un sistema de gestión de ingresos minoristas estático. Diario de
ingresos y gestión de precios, 14, 198-210. Kuo, RJ (2001). Sistema de pronóstico de ventas basado
en red neural difusa
trabajar con pesos iniciales generados por algoritmo genético. Revista Europea de Investigación
Operativa, 129, 496-517. Kuvulmaz, J., Usanmaz, S. y Engin, SN (2005). Series temporales anteriores
fundición mediante modelos lineales y no lineales. En A. Gelbukh,
A. DeAlbornoz y H. TerashimaMarin (Eds.), MICAI 2005: Avances en inteligencia artificial, vol.
3789 ( pp. 504-513). Berlín: Springer-Verlag Berlín.
Lam, S., Vandenbosch, M. y Pearce, M. (1998). Fuerza de ventas al por menor
programación basada en el pronóstico del tráfico de la tienda. Journal of Retailing,
74, 61-88.
Lang, S., Steiner, WJ, Weber, A. y Wechselberger, P. (2015). C.A-
Comodidad de la heterogeneidad y la no linealidad en los efectos de los precios para predecir las
ventas y los beneficios de la marca. Revista Europea de Investigación Operativa, 246, 232-241.
Lau, RYK, Zhang, W. y Xu, W. (2018). Orientado a aspectos paralelos
análisis de sentimientos para el pronóstico de ventas con big data. Producción y Gestión de
Operaciones, 27, 1775-1794. Lawrence, M., Goodwin, P., O'Connor, M. y Önkal, D. (2006). Judg
pronóstico mental: una revisión del progreso en los últimos 25 años.
Revista Internacional de Pronósticos, 22, 493-518. Lee, WY, Goodwin, P., Fildes, R., Nikolopoulos,
K. y Lawrence, M.
(2007) Brindar soporte para el uso de analogías en las tareas de pronóstico de demanda. Revista
Internacional de Pronósticos, 23, 377–390. Lenk, PJ y Rao, AG (1990). Nuevos modelos de viejos:
productos de pronóstico
Adopción por procedimientos jerárquicos de Bayes. Ciencia de marketing, 9,
42-53.
Levy, M., Weitz, BA y Grewal, D. (2012). Gestión de venta minorista ( 8vo
ed.). Nueva York: Irwin.
Li, C. y Lim, A. (2018). Un método codicioso de agregación y descomposición para el pronóstico
intermitente de la demanda en la venta minorista de moda. Revista Europea de Investigación
Operativa, 269, 860–869.
Li, Y. y Liu, L. (2012). Evaluación del impacto de la ubicación de venta minorista en el rendimiento de la
tienda: una comparación de las tiendas Walmart y Kmart en Cincinnati. Geografía Aplicada, 32, 591–600.
Lim, JS y O'Connor, M. (1996). Pronóstico crítico con el tiempo
series e información causal. Revista Internacional de Pronósticos,
12, 139-153. Lu,
C.-J. (2014) Previsión de ventas de productos informáticos basada en un esquema de
selección variable y soporte de regresión vectorial.
Neurocomputación, 128, 491-499.
Lynn, GS, Schnaars, SP y Skov, RB (1999). Encuesta de nuevo
prácticas de pronóstico de productos en negocios industriales de alta tecnología y baja tecnología. Dirección
de marketing industrial, 28,
565–571.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Ma, S. y Fildes, R. (2017). Una tienda minorista SKU promociones de optimización
modelo para la categoría de maximización de beneficios de múltiples períodos. Revista Europea de
Investigación Operativa, 260, 680-692.
Ma, S. y Fildes, R. (2018). Previsión de flujo de clientes con terceros
datos de pago móvil del partido. documento de trabajo de la universidad de lancaster.
Revista Internacional de Pronósticos, Próximo.
Ma, S., Fildes, R. y Huang, T. (2016). Previsión de demanda con alta
datos dimensionales: el caso del pronóstico de ventas minoristas de SKU con información
promocional dentro y fuera de la categoría. Revista Europea de Investigación Operativa, 249, 245-257.
Machuca, MM, Sainz, M. y Costa, CM (2014). Una revisión de pronósticos
modelos para nuevos productos. Capital intangible, 10, 1–25. Makridakis, S., Spiliotis, E. y
Assimakopoulos, V. (2018). El M4
competencia: resultados, hallazgos, conclusión y camino a seguir.
Revista Internacional de Pronósticos, 34, 802–808.
McCarthy, TM, Davis, DF, Golicic, SL, y Mentzer, JT (2006). los
evolución de la gestión del pronóstico de ventas: un estudio longitudinal de 20 años de prácticas
de pronóstico. Diario de pronósticos, 25, 303–324. McIntyre, SH, Achabal, DD y Miller, CM (1993).
Aplicando caso-
razonamiento basado en pronosticar las ventas minoristas. Journal of Retailing, 69,
372-398.
Meade, N. e Islam, T. (2006). Modelando y pronosticando la difusión de
innovación: una revisión de 25 años. Revista Internacional de Pronósticos,
22, 519-545.
Michis, AA (2015). Un método de suavizado de ondas para mejorar las condiciones
Previsión de ventas nacionales. Revista de la Sociedad de Investigación Operativa,
66, 832–844.
Moriarty, MM (1985). Efectos promocionales minoristas en intra y
rendimiento de ventas entre marcas. Journal of Retailing, 61, 27-47. Morlidge, S. (2015). Medición
de la calidad de la demanda intermitente
yesos: ¡es peor de lo que pensamos! Previsión: The International Journal of Applied Forecasting, 37,
37-42.
Morphet, CS (1991). Aplicando análisis de regresión múltiple a la primera
fundición de ventas en supermercados: una aplicación y evaluación crítica.
Revista internacional de distribución minorista e investigación del consumidor, 1,
329–351.
Mostard, J., Teunter, R., y de Koster, R. (2011). Previsión de demanda
para productos de un solo período: un estudio de caso en la industria de la confección.
Revista Europea de Investigación Operativa, 211 139-147.
Mukherjee, S., Shankar, D., Ghosh, A., Tathawadekar, N. y Chaud-
Hury, K. (2018). ARMDN: redes de densidad de mezcla asociativas y recurrentes para la previsión de
demanda de comercio electrónico. arXiv: 1803.03800 .
Mulhern, FJ y Leone, RP (1991). Paquete de precios implícito de
productos minoristas: un enfoque multiproducto para maximizar la rentabilidad de la tienda. Revista
de marketing, 55, 63-76.
Murray, KB, Di Muro, F., Finn, A. y Popkowski Leszczyc, P. (2010).
El efecto del clima en el gasto del consumidor. Journal of Retailing and Consumer Services, 17, 512-520.
Nahmias, S. (1994). Estimación de la demanda en sistemas de inventario de ventas perdidas.
Logística de Investigación Naval, 41, 739-757.
Natter, M., Reutterer, T., Mild, A. y Taudes, A. (2007). Un surtido
Twide sistema de soporte de decisiones para la planificación dinámica de precios y promociones en el
comercio minorista de bricolaje. Ciencia de marketing, 26, 576–583. Newing, A., Clarke, GP y Clarke, M.
(2014). Desarrollando y aplicando
un modelo de ubicación minorista desglosado con estimaciones extendidas de la demanda
minorista. Análisis geográfico, 47, 219–239.
Nikolopoulos, K. y Fildes, R. (2013). Ajuste de las previsiones de la cadena de suministro
para estimaciones de temperatura a corto plazo: un estudio de caso en una empresa cervecera. Revista
IMA de Matemáticas de Gestión, 24, 79-88. Oliveira, MJ y Ramos, P. (2019). Evaluar el desempeño de
métodos de pronóstico jerárquico en el sector minorista. Entropía, 21 ( 436).
Orcutt, GH y Edwards, JB (2010). Agregación de datos e información
pérdida. American Economic Review, 58, 773–787. Ord, K., Fildes, R. y Kourentzes, N. (2017). Principios
de negocios
previsión ( 2da ed.). Nueva York: Wessex Press.
Osadchiy, N., Gaur, V. y Seshadri, S. (2013). Previsión de ventas con
indicadores financieros y aportes de expertos. Producción y Gestión de Operaciones, 22, 1056-1076.
Peterson, RT (1993). Prácticas de pronóstico en la industria minorista. diario
de previsión comercial, 12, 11-14.
Picone, GA, Ridley, DB y Zandbergen, PA (2009). Distancia
disminuye con la diferenciación: aglomeración estratégica por parte de los minoristas.
Revista Internacional de Organización Industrial, 27, 463–473.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 34
Pillo, GD, Latorre, V., Lucidi, S. y Procacci, E. (2016). Una aplicación
de máquinas de soporte de vectores para la previsión de ventas en promociones.
4OR-Quarterly Journal of Operations Research, 14, 309-325. Ramos, P. y Fildes, R. (2017).
Caracterizar la demanda minorista con pro-
efectos de movimiento. En Simposio internacional sobre pronósticos. Cairns, Australia: Instituto
Internacional de Pronosticadores. Ramos, P., Santos, N. y Rebelo, R. (2015). Rendimiento del
espacio de estado
y modelos ARIMA para pronósticos de ventas minoristas de consumo. Robótica y fabricación
integrada por computadora, 34, 151-163. Ren, S., Choi, T.-M. y Liu, N. (2015). Previsión de ventas de
moda con un
panel de modelo de filtro de partículas basado en datos. Transacciones IEEE en Sistemas Man
Cybernetics-Systems, 45, 411-421. Reynolds, J. y Wood, S. (2010). Ubicación de la toma de decisiones en el
comercio minorista
empresas: evolución y desafío. Revista Internacional de Gestión de Distribución y Distribución, 38, 828–845.
Russell, GJ y Petersen, A. (2000). Análisis de categorías cruzadas
pendencia en la selección de la cesta de la compra. Journal of Retailing, 76,
367–392.
Sachs, AL y Minner, S. (2014). El proveedor de noticias basado en datos con
observaciones censuradas de la demanda. Revista Internacional de Economía de la Producción, 149, 28-36.
Schaer, O., Kourentzes, N. y Fildes, R. (2019). Previsión de la demanda
con información en línea generada por el usuario. Revista Internacional de Pronósticos, 35, 197-212.
Schmidt, JR (1979). Pronóstico de ventas minoristas estatales - econométrico vs
modelos de series de tiempo. Los Anales de la Ciencia Regional, 13, 91-101. Schneider, MJ y
Gupta, S. (2016). Previsión de ventas de nuevos y
productos existentes que utilizan reseñas de consumidores: un enfoque de proyecciones
aleatorias. Revista Internacional de Pronósticos, 32, 243-256. Schoen, H., Gayo-Avello, D., Takis
Metaxas, P., Mustafaraj, E.,
Strohmaier, M. y Gloor, P. (2013). El poder de la predicción con las redes sociales. Búsqueda en
Internet, 23, 528-543. Marinero, B. (2018). Consideraciones de un profesional de pronósticos
minoristas.
Revista Internacional de Pronósticos, 34, 822–829. Seeger, MW, Salinas, D. y Flunkert, V. (2016).
Bayesiano intermitente
previsión de demanda para grandes inventarios. En 30a Conferencia sobre sistemas de
procesamiento de información neuronal (NIPS 2016) ( págs. 4646–4654). Barcelona, ​España.
Seifert, M., Siemsen, E., Hadida, AL y Eisingerich, AB (2015).
Previsiones de juicio efectivas en el contexto de los productos de moda.
Diario de Gestión de Operaciones, 36, 33-45. Shenstone, L. y Hyndman, RJ (2005). Modelos
estocásticos subyacentes
Método de Croston para el pronóstico intermitente de la demanda. Diario de pronósticos, 24, 389–402.
Sillanpää, V. y Liesiö, J. (2018). Previsión de pedidos de reabastecimiento en
minorista: valor de modelar la demanda baja e intermitente del consumidor con distribuciones. Revista
Internacional de Investigación de Producciones, 56,
4168–4185.
Simkin, LP (1989). SLAM: Modelo de evaluación de ubicación de la tienda: teoría
y practica. Omega, 17, 53-58.
Småros, J. (2007). Previsión de colaboración en el supermercado europeo
sector: Observaciones de un estudio de caso. Diario de Gestión de Operaciones, 25, 702–716.
Snyder, R. (2002). Previsión de ventas de inventarios lentos y rápidos.
Revista Europea de Investigación Operativa, 140, 684-689. Snyder, RD, Ord, JK y Beaumont, A.
(2012). Pronosticar el
demanda intermitente de inventarios de lento movimiento: un enfoque de modelado. Revista
Internacional de Pronósticos, 28, 485-496. Song, Q. (2015). Lecciones aprendidas y desafíos
encontrados en el comercio minorista
pronóstico de ventas. Ingeniería industrial y sistemas de gestión: una revista internacional, 14, 196–209.
Srinivasan, SR, Ramakrishnan, S. y Grasman, SE (2005). Incorpo-
calificar los modelos de canibalización en el pronóstico de la demanda. Inteligencia de marketing y
planificación, 23, 470–485. Sroginis, A., Fildes, R. y Kourentzes, N. (2018). Algoritmo de interpretación
Micrófono e información cualitativa al hacer ajustes de pronóstico críticos. En Simposio
internacional sobre pronósticos. Boulder, Colorado: Instituto Internacional de Pronósticos. Stanley, TJ
y Sewall, MA (1976). Entradas de imagen a un probabilístico
modelo: predicción del potencial minorista. Revista de marketing, 40, 48-53. Steinker, S., Hoberg, K.
y Thonemann, UW (2017). El valor de
información meteorológica para operaciones de comercio electrónico. Dirección de Producción y
Operaciones, 26 ( 10), 1854-1874.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx
Stock, JH y Watson, MW (2002). Pronosticar usando principal
componentes de una gran cantidad de predictores. Revista de la Asociación Americana de
Estadística, 97, 1167-1179.
Syntetos, AA, Babai, Z., Boylan, JE, Kolassa, S. y Nikolopoulos, K.
(2016) Previsión de la cadena de suministro: teoría, práctica, su brecha y el futuro. Revista Europea
de Investigación Operativa, 252, 1–26. Syntetos, AA y Boylan, JE (2005). La precisión de intermitente
estimaciones de demanda. Revista Internacional de Pronósticos, 21, 303–314. Syntetos, AA,
Boylan, JE y Croston, JD (2005). En la categoriza-
ción de patrones de demanda. Revista de la Sociedad de Investigación Operativa,
56, 495–503.
Tan, B. y Karabati, S. (2004). ¿Se puede lograr el nivel de servicio deseado?
cuando la demanda y las ventas perdidas no son observadas? Transacciones IIE,
36, 345–358.
Tanaka, K. (2010). Un modelo de pronóstico de ventas para nuevos lanzamientos y
productos de tendencia de ventas no lineales. Sistemas Expertos con Aplicaciones, 37,
7387–7393.
Tashman J. (2000). Pruebas de precisión de pronóstico fuera de muestra:
Un análisis y revisión. Revista Internacional de Pronósticos, dieciséis,
437-450.
Taylor, JW (2007). Pronosticar las ventas diarias de supermercados utilizando exponen-
regresión cuantil ponderada de manera parcial. Revista Europea de Investigación Operativa, 178, 154-167.
Teller, C. y Reutterer, T. (2008). El concepto en evolución del comercio minorista en
capacidad de tracción: ¿Qué hace que las aglomeraciones minoristas sean atractivas cuando los clientes
compran en ellas? Journal of Retailing and Consumer Services,
15, 127-143.
Teunter, RH, Syntetos, AA y Babai, MZ (2011). Intermitente
demanda: Vinculación de la previsión a la obsolescencia del inventario. Revista Europea de
Investigación Operativa, 214, 606–615.
Thomassey, S. (2014). Previsión de ventas en la industria de la confección y la moda:
Una revisión. En T.-M. Choi, C.-L. Hui, y Y. Yu (Eds.), Sistemas inteligentes de pronóstico de moda:
modelos y aplicaciones ( págs. 9–27). Heidelberg: Springer-Verlag Berlín.
Thomassey, S. y Fiordaliso, A. (2006). Un sistema híbrido de pronóstico de ventas
basado en agrupación y árboles de decisión. Sistemas de Soporte a la Decisión, 42,
408-421.
Tibshirani, R. (2011). Contracción y selección de la regresión a través del lazo:
Una retrospectiva. Revista de la Royal Statistical Society, 73, 273–282. Ton, Z. y Raman, A. (2010).
El efecto de la variedad de productos y el inventario.
niveles de ventas en tiendas minoristas: un estudio longitudinal. Producción y Gestión de
Operaciones, 19, 546–560.
Trapero, JR, Kourentzes, N. y Fildes, R. (2012). Impacto de la información
intercambio sobre el desempeño de pronóstico del proveedor. Omega, 40, 738–747. Trapero, JR,
Kourentzes, N. y Fildes, R. (2014). En la identificación
de modelos de pronóstico de ventas en presencia de promociones. Revista de la Sociedad de
Investigación Operativa, 66, 299-307.
Trapero, JR, Pedregal, DJ, Fildes, R. y Kourentzes, N. (2013).
Análisis de ajustes de juicio en presencia de promociones.
Revista Internacional de Pronósticos, 29, 234–243.
Trusov, M., Bodapati, AV y Cooper, LG (2006). Promoción minorista
planificación: Mejora de la precisión del pronóstico y la interpretabilidad. Revista de Marketing
Interactivo, 20, 71-81.
Ulrich, M., Jahnke, H., Langrock, R., Pesch, R., y Senge, R. (2019). Distri-
Regresión regional para la previsión de la demanda en el comercio electrónico. Universität
Bielefeld Documentos de trabajo en economía y gestión, 09-2018. Van Heerde, HJ, Leeflang, PSH y
Wittink, DR (2000). El esti-
combinación de inmersiones previas y posteriores a la promoción con datos de escáner a nivel de tienda. Revista de
Investigación de Mercados, 37, 383–395.
Van Heerde, HJ, Leeflang, PSH y Wittink, DR (2001). Semi-
Análisis paramétrico para estimar la curva de efecto del acuerdo. Revista de Investigación de
Mercados, 38, 197-215.
da Veiga, CP, da Veiga, CRP, Puchalski, W., dos Santos Coelho, L., y
Tortato, U. (2016). Previsión de la demanda basada en enfoques informáticos naturales aplicados
al segmento minorista de alimentos. Journal of Retailing and Consumer Services, 31, 174-181.
Voleti, S., Kopalle, PK y Ghosh, P. (2015). Una competencia interproduct
modelo que incorpora jerarquía de marca y similitudes de productos utilizando datos a nivel de
tienda. Ciencias de gestión, 61, 2720–2738. Vulcano, G., van Ryzin, G. y Ratliff, R. (2012). Estimación
primaria
demanda de productos sustituibles a partir de datos de transacciones de ventas.
La investigación de operaciones, 60, 313–334. Žliobait ˙
e, I., Bakker, J. y Pechenizkiy, M. (2012). Batir la línea de base
predicción en la venta de alimentos: ¿qué tan inteligente es un predictor inteligente?
Sistemas Expertos con Aplicaciones, 39, 806–815.
Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004.
35
Walters, RG (1988). Promociones minoristas y rendimiento de la tienda minorista:
Una prueba de algunas hipótesis clave. Journal of Retailing, 64, 153-180. Walters, RG (1991).
Evaluar el impacto de las promociones de precios minoristas
en sustitución de productos, compra complementaria y desplazamiento de ventas entre tiendas. Revista
de marketing, 55, 17-28. Wang, Q., Song, P. y Yang, X. (2013). Comprender el sub-
Efecto institucional entre los canales en línea y tradicionales: evidencia desde la perspectiva de los
atributos del producto. Mercados electrónicos, 23,
227–239.
Wang, WJ y Xu, Q. (2014). Un modelo de predicción combinada bayesiana
para la coordinación de la cadena de suministro minorista. Revista de Investigación Aplicada y Tecnología, 12, 315–324.
Watson, I., Wood, S. y Fernie, J. (2015). Pasividad: un modelo de abarrotes
práctica de toma de decisiones sobre precios minoristas. European Journal of Marketing,
49, 1040-1066.
Wecker, WE (1978). Predecir la demanda de los datos de ventas en el
presencia de desabastecimientos. Ciencias de gestión, 24, 1043-1054. Weller, M. y Crone, SF (2012). Previsión
de la cadena de suministro: mejores prácticas
y estudio de benchmarking. Lancaster Center for Marketing Analytics and Forecasting Universidad
de Lancaster. Weller, M., Crone, SF y Fildes, R. (2016). Agregación temporal y
Selección del modelo: una evaluación empírica con indicadores promocionales. En Simposio
internacional sobre pronósticos. Santander, España: Instituto Internacional de Pronosticadores.
Wen, R., Torkkola, K., Narayanaswamy, B. y Madeka, D. (2017). UN
pronosticador recurrente cuantil multi-horizonte. arXiv: 1711.11053 .
Wickramasuriya, SL, Athanasopoulos, G., y Hyndman, RJ (2018).
Óptima conciliación de pronósticos para series de tiempo jerárquicas y agrupadas a través de la
minimización de trazas. Revista de la Asociación Americana de Estadística, 114, 1–16.
Willemain, TR, Smart, CN y Schwarz, HF (2004). Un nuevo enfoque
para pronosticar la demanda intermitente de inventarios de piezas de servicio.
Revista Internacional de Pronósticos, 20, 375–387. Williams, BD, Waller, MA, Ahire, S. y Ferrier, GD
(2014).
Predicción de pedidos de minoristas con datos de pos y pedidos: el efecto de saldo de inventario. Revista
Europea de Investigación Operativa, 232,
593–600.
Wong, WK y Guo, ZX (2010). Un modelo inteligente híbrido para
pronóstico de ventas a mediano plazo en cadenas de suministro minoristas de moda utilizando una máquina
de aprendizaje extrema y un algoritmo de búsqueda de armonía.
Revista Internacional de Economía de la Producción, 128, 614–624. Wood, S. y Browne, S. (2007).
Planificación de ubicación de tiendas de conveniencia
y pronósticos: una agenda de investigación práctica. Revista Internacional de Gestión de
Distribución y Distribución, 35, 233–255. Wood, S. y Reynolds, J. (2013). Gestión del conocimiento,
organisa-
Aprendizaje y memoria nacional en la planificación de la red minorista del Reino Unido. Service Industries
Journal, 33, 150-170.
Wright, MJ y Stern, P. (2015). Pronóstico de prueba de nuevos productos con
series análogas SSRN Electronic Journal, 68, 1732-1738. Xia, M. y Wong, WK (2014). Un
pronóstico gris discreto estacional
modelo para venta de moda. Sistemas basados ​en el conocimiento, 57, 119-126. Xia, M., Zhang, Y.,
Weng, L. y Ye, X. (2012). Previsión de venta de moda
Se basa en una máquina de aprendizaje extrema con métricas adaptativas de entradas. Sistemas basados
​en el conocimiento, 36, 253-259. Xiong, G. y Bharadwaj, S. (2014). Presentación previa de los patrones de
evolución del zumbido
y rendimiento de nuevos productos. Ciencia de marketing, 33, 401-421. Yelland,. PM y Dong, X.
(2014). Pronosticar la demanda de moda
bienes: un enfoque jerárquico bayesiano. En T.-M. Choi, C.-L. Hui, y Y. Yu (Eds.), Sistemas
inteligentes de pronóstico de moda: modelos y aplicaciones ( pp. 71-94). Heidelberg, Berlín: Springer.
Yu, Y., Choi, T.-M. y Hui, C.-L. (2011) Un pronóstico de ventas rápido e inteligente.
Modelo ing para productos de moda. Sistemas Expertos con Aplicaciones, 38,
7373–7379.
Ze, X. y Bell, DR (2003). Creación de promociones comerciales win-win: teoría
y análisis empírico de acuerdos comerciales de retroceso. Ciencia de marketing,
22, 16-39.
Zellner, A. y Tobias, J. (2000). Una nota sobre agregación, desagregación
y predicción del rendimiento. Diario de pronósticos, 19, 457-465. Zhang, GP, y Qi, M. (2005).
Pronóstico de la red neuronal para estacional
y series temporales de tendencia. Revista Europea de Investigación Operativa, 160,
501–514.
Zhao, Y., Yang, S., Narayan, V. y Zhao, Y. (2013). Con modelado
sumer aprendiendo de las revisiones de productos en línea. Ciencia de marketing, 32,
153-169.
 R. Fildes, S. Ma y S. Kolassa / International Journal of Forecasting xxx (xxxx) xxx

Zhu, F. y Zhang, X. (2010). Impacto de las opiniones de los consumidores en línea sobre
Ventas: El papel moderador de las características del producto y del consumidor.
Revista de marketing, 74, 133-148.
Zhuang, M., Cui, G. y Peng, L. (2018). Opiniones fabricadas: El
efecto de manipular las revisiones de productos en línea. Revista de investigación empresarial, 87, 24-35.
Zotteri, G. y Kalchschmidt, M. (2007). Un modelo para seleccionar el
nivel adecuado de agregación en los procesos de pronóstico. Revista Internacional de Economía
de la Producción, 108, 74-83. Zotteri, G., Kalchschmidt, M. y Caniato, F. (2005). El impacto de
nivel de agregación en el desempeño del pronóstico. Revista Internacional de Economía de la
Producción, 93-, 94, 479-491.

Cite este artículo como: R. Fildes, S. Ma y S. Kolassa, Pronósticos minoristas: Investigación y práctica. International Journal of Forecasting (2019), https://doi.org/10.1016/j.ijforecast.2019.06.004. 36