Lo prometido es deuda, y una vez pasada la fiebre futbolística que nos ha asolado durante estos días, volvemos a retomar el artículo que dedicábamos a obtener, utilizando herramientas estadísticas simples, una mayor precisión en el cálculo de previsiones.
Recapitulando, recordaremos que tenemos empresas en las que, a efectos de venta, se confía ciegamente en sistemas informáticos, otras que se basan más en el instinto comercial, y combinaciones de ambos casos.
Con este escenario previamente planteado, un gerente o director comercial se va a encontrar un, a priori, único resultado que establece una cantidad de negocio en movimiento (la bibliografía anglosajona lo suele denominar 'pipeline'), un porcentaje de consecución para un determinado período (mensual, trimestral, semestral, anual) y una combinación de ambos conceptos que es, finalmente, la cantidad de negocio que se espera conseguir (en facturación, en margen bruto, etc.).
El resultado será tanto más acertado cuanto más concienzuda sea nuestra definición informática del proceso comercial, o cuanto más experimentados y comprometidos estén nuestros profesionales dedicados a la venta. Lamentablemente, y a pesar de todo, se suele incurrir en desviaciones y errores.
Vamos a intentar mejorar esto un poco, aplicándole más ciencia, introduciendo parámetros muy sencillos, y enfocándonos a la toma de decisiones. Definiremos para ello el método FSO (forecast statistical optimization), en sus dos variantes principales: simple-FSO (sFSO), para sistemas de una única perspectiva, y extendend-FSO (xFSO), cuando contamos con dos o más sistemas.
El método FSO, de forma general, permite corregir los resultados de una previsión, aplicando factores de eficacia o credibilidad. En definitiva, introduce un porcentaje de acierto. Si nos centramos en el sFSO, se define la eficacia porcentual para un período concreto como:
,
siendo R el resultado económico expresado en los términos que cada empresa valore (facturación, margen bruto, margen neto,...).
A partir de esta fórmula, construiremos una matriz temporal, en la que almacenaremos todas las eficacias calculadas en los períodos que consideremos.
,
donde el subíndice indica el intervalo calculado (mes a mes, trimestralmente, etc.).
Finalmente, se establece el porcentaje de fiabilidad medio:
De esta manera, el resultado del forecast, para cualquier sistema, queda modulado de la siguiente forma:
,
,A partir de esta fórmula, construiremos una matriz temporal, en la que almacenaremos todas las eficacias calculadas en los períodos que consideremos.
,donde el subíndice indica el intervalo calculado (mes a mes, trimestralmente, etc.).
Finalmente, se establece el porcentaje de fiabilidad medio:
De esta manera, el resultado del forecast, para cualquier sistema, queda modulado de la siguiente forma:
,
donde Pi constituye el 'pipeline' para un determinado período y Es es la estimación previa proporcionada por el sistema elegido, para el mismo período.
El porcentaje de fiabilidad medio, proporciona, de cara al directivo o gerente, información estadística adicional muy interesante. Si dicho factor es bajo, en un sistema informático, probablemente estemos ante una mala definición del proceso de venta.
Si dicho factor se aplica a profesionales de la venta, permite incentivar, inclusive económicamente, la capacidad del equipo mediante la definición del factor medio de fiabilidades:
En este caso, el índice i nos señala el número de profesionales de venta, y n su número total.
De esta manera, no sólo estamos influyendo en la consecución de la cuota, sino también en la manera que tenemos de acercarnos a ella, en la competitividad del equipo y en su compromiso. Como parte negativa, este último indicador también nos informa de forma tácita, de lo contrario, evidenciando aquellos profesionales que están pasando por un bache y que requieren una ayuda adicional.
Finalmente, ¿qué ocurre si, siendo totalmente escrupulosos, tenemos dos o más sistemas de previsiones? Tendréis que esperar al final de la trilogía.
optimizar
- tr. Buscar la mejor manera de realizar una actividad.
© Real Academia Española
Forecast Statistical Optimization by Javier Pastor is licensed under a Creative Commons Attribution-NonCommercial 3.0 Unported License.
Pareceme a mi que, o bien lo he entendido mal o manejar el pasado para prever el futuro en los tiempos en que estamos es un poco inseguro.
ResponderEliminarEstablecer relacion entre máquina y humano es la mejor solución para llegar a la media y obtener la previsión.
Efectivamente, queda un segundo paso, la aplicación del mismo sistema, llamémosle de 'credibilidad', ponderando los resultados de ambas entradas (máquina y humano), y que trataré de publicar a lo largo de la semana.
ResponderEliminarRespecto a la 'mirada al pasado' para 'conocer el futuro', abre un debate interesante. La previsión trata de ser una mirada al futuro, al futuro inmediato, pero, y perdónenme la simplificación, la única forma de saber si un vidente es bueno, es evaluar su porcentaje de acierto. Aún así, seguirá siendo un vidente.
Nuestro objetivo es añadir una variable nueva que nos diga cuán 'confiable' es el vaticinio de una máquina o sistema, y que, además, añade una información operativa adicional.
Al fin y al cabo, este tipo de variables ya existía en el ámbito de consecución de operaciones, cuando usamos el 'ratio de WIN', o dicho de otra forma, cuántas operaciones, en porcentaje, gana un comercial o empresa.
En cualquier caso, amigo, el objetivo de este método es, como el de todo el blog, realizar una propuesta en la que todo el mundo pueda aportar y mejorar.
Agradezco mucho su comentario, y le invito a contribuir con un artículo con sus ideas, que publicaremos encantados, de forma que podamos evaluar el futuro añadiendo más variables: contexto socio-económico, política de precios, competencia, etc.