Modelos de Demanda para Revenue Management

Autores:

Daniel Herl, M.Sc., Semi-Sr Data Scientist, PRICINGURU

Oscar Maureira, Semi-Sr Revenue Management Consultant, PRICINGURU

Sergio Mendoza, Ph.D., CEO & Cofounder Airnguru, Senior Advisor PRICINGURU

Introducción

La disciplina del Revenue Management busca maximizar el margen de contribución esperado del negocio, optimizando las variables precio e inventarios o capacidades (ref: ¿Qué es el Revenue Management?). Para lograr este objetivo se hace fundamental contar con modelos analíticos que permitan pronosticar la demanda por producto o servicio, en función de sus variables explicativas. Entre las variables explicativas deben considerarse los precios de dichos productos y de sus sustitutos y complementarios, la temporalidad, y otras variables internas del negocio o externas que sean significativas. A esto llamamos un “modelo de demanda”. Existe un amplio espectro de modelos de demanda, desde los muy simples como series de tiempo (que típicamente no dependen de los precios, por lo que las consideramos algo más básico que un modelo de demanda propiamente tal) hasta modelos de Deep Learning. La problemática particular de cada industria y el objetivo deseado nos permiten determinar cuáles son los mejores candidatos. Finalmente, serán los resultados de las pruebas de calibración y performance de dichos modelos con data histórica real las que nos dirán cuál de ellos es el de mejor comportamiento para el objetivo planteado.

En esta columna queremos compartir una somera revisión comparativa de algunos modelos de demanda que hemos utilizado en nuestro trabajo de Revenue Management con clientes de múltiples industrias. Estaremos muy entusiasmados de leer y responder a tus comentarios, sugerencias o preguntas.

Algunos Modelos de Demanda de uso común en Revenue Management

A continuación presentaremos tres tipos de modelos ordenados de menor a mayor grado de complejidad / precisión:

1.- ETS (Error-Trend-Seasonality)

Como su nombre lo indica, éstos son modelos que consideran error, tendencia y estacionalidad para pronosticar la demanda, idealmente a corto plazo.

Entre sus ventajas destacan su flexibilidad de modelado, su simpleza, y sus rápidos resultados.

El trade-off asociado a esta simpleza de modelado es principalmente su baja precisión, ya que no considera ninguna otra variable para generar los pronósticos. La otra desventaja de estos modelos es que exigen que se trabaje con data estrictamente positiva y no con valores muy cercanos a cero, lo que deja fuera por ejemplo a modelos de elección discreta (probabilidad), o ratios en general(1).

Debido a estas características, es ideal usar estos modelos en casos donde no se prevén cambios drásticos de comportamiento, en productos de estación, o en proyecciones rápidas de variables de apoyo. Algunos ejemplos, desde menos a más elaborados, de configuraciones son (2):

• Media móvil y suavizado exponencial simples

• Modelo arima

• Holt Winters

2.- Modelos de Ensamblaje para Pronóstico

Este tipo de modelos utilizan Machine Learning para generar diversas estimaciones de un mismo fenómeno, que luego serán combinados (ensamblados) para obtener una predicción única. De este modo, la principal ventaja obtenida es que como cada modelo funciona de forma diferente, sus errores tienden a compensarse. En estos modelos ya se puede incluir una mayor cantidad de variables explicativas, y poseen una alta flexibilidad: sirven para modelar una gran variedad de fenómenos (series de tiempo, binarias, modelos de clasificación multiclase, etc.).

Dentro de las desventajas principales de estos modelos está el alto costo computacional asociado, el hecho de que no es directamente interpretable el efecto de cada variable ("caja negra"), la necesidad de calibración de múltiples parámetros, y su susceptibilidad al overfitting.

Su uso es ideal para modelar probabilidad (de compra, fuga, conversión, etc.), o en pronósticos diarios de series con patrones regulares. A diferencia de los modelos anteriormente discutidos, estos modelos podrían usarse para extraer sensibilidad al precio, sin embargo, ésta sería aproximada y agregada, puesto que vendría de un proceso de simulación de escenarios con cambios en la variable precio.

Algunos ejemplos de configuraciones son:

• XGBoost (3)

• Random Forest (4)

• AdaBoost

3.- Modelos Multivariados Explicativos de Demanda

En este caso nos referimos a modelos más complejos que consideran diversas variables y toman en cuenta el conocimiento experto de la industria particular que se desea modelar.

Mediante su uso se obtienen pronósticos de alta precisión que permiten una interpretación directa de los efectos que produce cada variable, y que son de alta utilidad en los casos donde se puedan hacer simulaciones. Dado que son explicativos y son de forma funcional explícita, es posible aislar fácilmente el efecto específico de cada variable explicativa, es decir, son ideales para obtener elasticidades-precio de la demanda.

Entre los aspectos negativos de este tipo de modelos destacamos el alto consumo de recursos analíticos dado que requieren un proceso iterativo de ajustes y calibraciones, su susceptibilidad a sesgos de selección y de variables omitidas, y el hecho de que requieren de un sólido conocimiento tanto econométrico como del negocio detrás de los datos.

Es recomendable usarlos por ejemplo en el caso de pronósticos de demanda precisos, en el cálculo de probabilidades de compra o de elasticidades cruzadas, en modelos de fuga (interpretables), modelos de Market Share o modelos de adopción.

Algunos ejemplos de configuraciones son:

- Regresión Lineal (MCO,Lasso, Adaptive Lasso (5) , ElasticNet, etc.)

- GLMs (Poisson, Binomial, Beta, Gamma) (6)

Referencias:

(1) https://openforecast.org/adam/ets-basic-assumptions-and-principles.html

(2) Gardner, E.S., 2006. Exponential smoothing: The state of the art-Part II. International Journal of Forecasting. 22, 637–666

(3) Chen Tianqi y Guestrin Carlos. 2016. XGBoost: A scalable tree boosting system. En Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.

(4) Breiman, L. Random Forests. Machine Learning 45, 5–32 (2001)

(5) Hui Zou (2006) The Adaptive Lasso and Its Oracle Properties, Journal of the American Statistical Association, 101:476, 1418-1429

(6) Rufibach, K. (2011), Introduction to General and Generalized Linear Models. Madsen, H. and Thyregod, (P. 2011). Boca Raton, FL, USA: Chapman and Hall. ISBN: 978-1-4200-9155-7. Biom. J., 53: 705-706.

Próximos pasos

Si te interesa saber más sobre Revenue Management aplicado a tu industria, y crees que hay oportunidades en tu negocio pero no sabes por dónde empezar, podemos proponerte un plan de trabajo a la medida de tu empresa.

PRICINGURU acumula décadas de experiencia impulsando a empresas de diversos sectores, ayudándolas a adaptarse mejor a las necesidades de sus clientes y a los cambios en el contexto de mercado, apuntando a generar ventajas competitivas estructurales y maximizando sus márgenes de contribución.

Déjanos tu información de contacto para coordinar una conversación (¡sin compromiso!) aquí:

https://www.pricinguru.com/contacto o escríbenos directamente aquí: contacto@pricinguru.com