Análisis remove-one para KPI: desglose de contribuciones de eventos

Descomposición de las Contribuciones de Eventos Individuales a KPIs Agregados: Análisis de Eliminación de Uno

La métrica de Rendimiento Integrado del Proveedor (ISP) agrega la Tasa de Llenado, la Puntuación de Calidad, OTIF y el Tiempo de Entrega con pesos iguales de 0,25 cada uno. Las empresas no solo necesitan el valor del KPI, sino también identificar con precisión qué orden de compra lo redujo y en qué medida. Calcular las métricas por cada compra individual de forma ingenua es incorrecto: todas las métricas se construyen sobre valores agregados en una ventana de datos—la fecha actual menos 14 días más 30 días hacia atrás para tener en cuenta los retrasos.

El análisis de eliminación de uno resuelve esto: calcular la métrica con todos los datos (Metrica_todos), luego sin un registro (Metrica_sin_i), y la diferencia da la contribución del registro. Si la métrica aumenta después de la eliminación, esa compra la empeoró.

Ejemplo de Cálculo para la Tasa de Llenado

Considera tres órdenes de compra:

| Compra | Pedido | CancelacionesProveedor |

|--------|--------|------------------------|

| A | 100 | 5 |

| B | 200 | 0 |

| C | 50 | 15 |

Tasa de Llenado general = (1 - 20/350) × 100 = 94,29%.

Sin C: (1 - 5/300) × 100 = 98,33%. Contribución de C: 94,29 - 98,33 = -4,04 puntos porcentuales.

Fórmula de la Tasa de Llenado: (1 - ΣCancelacionesProveedor / ΣPedido) × 100. La eliminación cambia el agregado de forma no lineal debido al denominador.

Desafíos con la Puntuación de Calidad

Puntuación de Calidad = 100 - TasaDefectos. La TasaDefectos tiene dos ramas:

• TasaDefectos_piezas = ΣPiezasDefectuosas / ΣPiezasPedidas
• TasaDefectos_rub = ΣRubDefectuoso / ΣRubPedido

Lógica de selección:

• Si (100 - TasaDefectos_piezas) < 90, usar piezas.
• De lo contrario, si (100 - TasaDefectos_rub) < 90, usar rub.
• En caso contrario, usar piezas.

Problema: con la eliminación de uno, la rama podría cambiar. Por ejemplo, todos los datos usan piezas, pero sin i, usan rub. Comparar valores incomparables distorsiona la contribución.

Solución: fijar la rama al nivel de la métrica agregada. Algoritmo:

• Calcular PuntuacionCalidad_todos y modo_calculo.
• Para cada compra, calcular sin_i en el mismo modo.

Errores Comunes en la Implementación

• No linealidad: La contribución depende de todo el conjunto de datos; eliminar un elemento tiene un efecto desproporcionado.
• Cambio de fórmula: Requiere fijar el modo.
• Ventanas deslizantes: Los recálculos diarios cambian las contribuciones con el tiempo.

Una alternativa es el análisis de escenarios: reemplazar el estado de la compra con uno ideal y recalcular. Diferencia:

• Eliminación de uno: contribución real al KPI actual.
• Escenarios: mejora hipotética con una compra perfecta.

Elegimos la eliminación de uno para explicar con precisión las caídas reales.

Conclusiones Clave

• Las métricas agregadas requieren la eliminación de uno para una descomposición correcta de las contribuciones.
• Fijar el modo_calculo evita distorsiones por ramas no lineales.
• La ventana de datos (14+30 días) tiene en cuenta los retrasos en la entrega.
• El enfoque es similar a dejar-uno-fuera en ML y el valor de Shapley en economía.
• La implementación en backend combina matemáticas discretas y compromisos de ingeniería.

Aplicaciones en Otros Campos

El análisis de sensibilidad con eliminación de uno se utiliza en:

• Validación dejar-uno-fuera en aprendizaje automático.
• IA explicable para interpretación de modelos.
• Valor de Shapley para distribución de contribuciones en juegos cooperativos.
• Análisis de datos para atribución de eventos.

En backend, esto se convierte en una tarea de cálculo estable sobre grandes volúmenes de datos sin perder interpretabilidad.

— Editorial Team