Para demasiadas empresas, una pieza fundamental de la investigación de datos –la medición de la incertidumbre de la demanda– se maneja mediante reglas generales simples pero inexactas. Por ejemplo, los planificadores de la demanda a menudo calculan el stock de seguridad mediante un múltiplo definido por el usuario del pronóstico o promedio histórico. O pueden configurar su ERP para pedir más cuando el inventario disponible llegue a 2 veces la demanda promedio durante el tiempo de entrega para artículos importantes y 1,5 veces para los menos importantes. Este es un gran error con costosas consecuencias.

La elección de varios acaba siendo un juego de adivinanzas. Esto se debe a que ningún ser humano puede calcular exactamente cuánto inventario almacenar considerando todas las incertidumbres. Los múltiplos de la demanda promedio del tiempo de entrega son fáciles de usar, pero nunca se puede saber si el múltiplo utilizado es demasiado grande o demasiado pequeño hasta que es demasiado tarde. Y una vez que lo sabes, toda la información ha cambiado, por lo que debes adivinar nuevamente y luego esperar y ver cómo resulta la última suposición. Con cada nuevo día, tiene una nueva demanda, nuevos detalles sobre los plazos de entrega y es posible que los costos hayan cambiado. La suposición de ayer, por muy educada que sea, ya no es relevante hoy. Una planificación adecuada del inventario debe estar libre de conjeturas sobre el inventario y las previsiones. Las decisiones deben tomarse con información incompleta, pero adivinar no es el camino a seguir.

Saber cuánto amortiguar requiere un análisis estadístico basado en hechos que pueda responder con precisión preguntas como:

• ¿Cuánto stock adicional se necesita para mejorar los niveles de servicio en 5%?
• Cuál será el impacto en la entrega a tiempo si el inventario se reduce en 5%
• Qué nivel de servicio objetivo es más rentable.
• ¿Cómo se verá afectado el riesgo de desabastecimiento por los plazos de entrega aleatorios que enfrentamos?

La intuición no puede responder a estas preguntas, no abarca miles de partes y, a menudo, se equivoca. Los datos, las matemáticas de probabilidad y el software moderno son mucho más eficaces. Impulsarse no es el camino hacia la excelencia sostenida.

¿Las empresas de MRO realmente priorizan la reducción del exceso de inventario de repuestos? Desde un punto de vista organizativo, nuestra experiencia sugiere que no necesariamente. Las discusiones en las salas de juntas generalmente giran en torno a la expansión de flotas, la adquisición de nuevos clientes, el cumplimiento de acuerdos de nivel de servicio (SLA), la modernización de la infraestructura y la maximización del tiempo de actividad. En industrias donde los activos respaldados por repuestos cuestan cientos de millones o generan ingresos significativos (por ejemplo, minería o petróleo y gas), el valor del inventario simplemente no sorprende y las organizaciones tienden a pasar por alto cantidades masivas de inventario excesivo.

Considere una agencia de transporte público. En la mayoría de las ciudades importantes, los presupuestos operativos anuales superarán los $3 mil millones. Los gastos de capital para trenes, vagones de metro e infraestructura pueden alcanzar cientos de millones al año. En consecuencia, un inventario de repuestos valorado en $150 millones podría no captar la atención del director financiero o del director general, ya que representa un pequeño porcentaje del balance. Además, en las industrias basadas en MRO, muchas piezas necesitan soportar flotas de equipos durante una década o más, lo que hace que el stock adicional sea un activo necesario. En algunos sectores, como el de los servicios públicos, incluso se puede incentivar la tenencia de existencias adicionales para garantizar que los equipos se mantengan en buen estado.

Hemos visto surgir preocupaciones sobre el exceso de existencias cuando el espacio del almacén es limitado. Recuerdo que, al principio de mi carrera, fui testigo del patio ferroviario de una agencia de transporte público lleno de ejes oxidados valorados en más de $100.000 cada uno. Me dijeron que los ejes se vieron obligados a quedar expuestos a los elementos debido a la falta de espacio en el almacén. El costo de oportunidad asociado con el espacio consumido por el stock adicional se convierte en una consideración cuando se agota la capacidad del almacén. La consideración principal que prevalece sobre todas las demás decisiones es cómo el stock garantiza altos niveles de servicio para los clientes internos y externos. Los planificadores de inventarios se preocupan mucho más por las consecuencias de los desabastecimientos que por las compras excesivas. Cuando una pieza faltante provoca un incumplimiento del SLA o una línea de producción caída, lo que genera multas millonarias y una producción irrecuperable, es comprensible.

A las empresas con uso intensivo de activos se les escapa un punto importante. Eso es el El stock adicional no protege contra el desabastecimiento; les contribuye. Cuanto más exceso tenga, menor será su nivel general de servicio porque el efectivo necesario para comprar piezas es finito y el efectivo gastado en exceso de existencias significa que no hay efectivo disponible para las piezas que lo necesitan.. Incluso las empresas MRO financiadas con fondos públicos, como las agencias de servicios públicos y de tránsito, reconocen la necesidad de optimizar el gasto, ahora más que nunca. Como compartió un gerente de materiales: “Ya no podemos solucionar los problemas con bolsas de dinero en efectivo de Washington”. Por lo tanto, deben hacer más con menos, asegurando una asignación óptima entre las decenas de miles de piezas que gestionan.

Aquí es donde entra en juego el software de optimización de inventario de última generación, que predice el inventario requerido para niveles de servicio específicos, identifica cuándo los niveles de existencias generan retornos negativos y recomienda reasignaciones para mejorar los niveles de servicio generales. Smart Software ha ayudado a las empresas basadas en MRO con uso intensivo de activos a optimizar los niveles de reorden en cada pieza durante décadas. Llámenos para obtener más información. 

No puedo imaginarme ser un planificador de inventarios en repuestos, distribución o fabricación y tener que crear niveles de stock de seguridad, puntos de reorden y sugerencias de pedidos sin utilizar predicciones clave de rendimiento de niveles de servicio, tasas de cumplimiento y costos de inventario:

La solución de optimización de inventario de Smart genera predicciones de rendimiento clave listas para usar que simulan dinámicamente cómo se desempeñarán sus políticas de almacenamiento actuales frente a posibles demandas futuras. Informa sobre la frecuencia con la que se agotará el stock, el tamaño de los desabastecimientos, el valor de su inventario, los costos de mantenimiento y más. Le permite identificar problemas de forma proactiva antes de que ocurran para poder tomar medidas correctivas en el corto plazo. Puede crear escenarios hipotéticos estableciendo niveles de servicio específicos y modificando los plazos de entrega para poder ver el impacto previsto de estos cambios antes de comprometerse con ellos.

Por ejemplo,

• Puede ver si una propuesta de cambio del nivel de servicio actual de 90% a un nivel de servicio específico de 97% es financieramente ventajoso.
• Puede identificar automáticamente si un objetivo de nivel de servicio diferente es aún más rentable para su negocio que el objetivo propuesto.
• Puede ver exactamente cuánto necesitará para aumentar sus puntos de reorden para adaptarse a un plazo de entrega más largo.

Si no equipa a los planificadores con las herramientas adecuadas, se verán obligados a establecer políticas de stock, niveles de stock de seguridad y crear pronósticos de demanda en Excel o con una funcionalidad ERP obsoleta. No saber cómo se prevé que funcionarán las políticas dejará a su empresa mal equipada para asignar adecuadamente el inventario. ¡Contáctenos hoy para saber cómo podemos ayudar!

​Cuándo se deben utilizar técnicas tradicionales de pronóstico extrapolativo.

Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente. 

Los métodos extrapolativos funcionan bien cuando la demanda tiene un gran volumen y no es demasiado granular (es decir, la demanda se clasifica mensual o trimestralmente). También son muy rápidos y no utilizan tantos recursos informáticos como los métodos probabilísticos y de ML. Esto los hace muy accesibles.

¿Son los métodos tradicionales tan precisos como los métodos de pronóstico más nuevos? Smart ha descubierto que los métodos de extrapolación funcionan muy mal cuando la demanda es intermitente. Sin embargo, cuando la demanda es de mayor volumen, solo funcionan ligeramente peor que nuestros nuevos métodos probabilísticos cuando la demanda se divide mensualmente. Dada su accesibilidad, velocidad y el hecho de que va a aplicar anulaciones de pronóstico basadas en el conocimiento empresarial, la diferencia de precisión de referencia aquí no será material.

La ventaja de los modelos más avanzados, como los métodos probabilísticos GEN2 de Smart, es cuando es necesario predecir patrones utilizando grupos más granulares, como datos diarios (o incluso semanales). Esto se debe a que los modelos probabilísticos pueden simular patrones de día de la semana, semana del mes y mes del año que se perderán con técnicas más simples. ¿Alguna vez ha intentado predecir la estacionalidad diaria con un modelo de Winter? Aquí hay una pista: no funcionará y requiere mucha ingeniería.

Los métodos probabilísticos también brindan valor más allá del pronóstico de referencia porque generan escenarios para usar en las pruebas de estrés de los modelos de control de inventario. Esto los hace más apropiados para evaluar, por ejemplo, cómo un cambio en el punto de reorden afectará las probabilidades de desabastecimiento, las tasas de cumplimiento y otros KPI. Al simular miles de posibles demandas durante muchos plazos de entrega (que a su vez se presentan en forma de escenario), tendrá una idea mucho mejor de cómo funcionarán sus políticas de almacenamiento actuales y propuestas. Puede tomar mejores decisiones sobre dónde realizar aumentos y disminuciones de existencias específicas.

Por lo tanto, no deseche lo viejo por lo nuevo todavía. Solo sepa cuándo necesita un martillo y cuándo necesita un martillo neumático.

Control del inventario se refiere a la gestión de bienes físicos, centrándose en un recuento preciso y actualizado de cada artículo en el inventario y dónde se encuentra, así como en la recuperación eficiente de los artículos. Las tecnologías relevantes incluyen bases de datos informáticas, códigos de barras, identificación por radiofrecuencia (RFID) y el uso de robots para la recuperación.

La gestión del inventario tiene como objetivo ejecutar la política de inventarios definida por la empresa. La gestión de inventario a menudo se logra utilizando sistemas de planificación de recursos empresariales (ERP), que generan órdenes de compra, órdenes de producción e informes que detallan el inventario actual disponible, entrante y listo para ordenar.

Planificación de inventario establece detalles de políticas operativas, como puntos de reorden específicos de artículos y cantidades de pedidos, y predice la demanda futura y los plazos de entrega de los proveedores. Los componentes importantes de un proceso de planificación de inventario incluyen escenarios hipotéticos para compensar el inventario disponible, analizar cómo los cambios en la demanda, los plazos de entrega y las políticas de almacenamiento afectarán los pedidos, así como la gestión de excepciones y contingencias.

Optimización del Inventario utiliza un proceso analítico que calcula valores para los parámetros de planificación de inventario (por ejemplo, puntos de reorden y cantidades de pedidos) que optimizan una meta numérica o “función objetivo” sin violar una restricción numérica. Por ejemplo, una función objetivo podría ser lograr el costo operativo de inventario más bajo posible (definido como la suma de los costos de mantener el inventario, los costos de ordenar y los costos de escasez), y la restricción podría ser lograr una tasa de cumplimiento de al menos 90%. Utilizando un modelo matemático del sistema de inventario y pronósticos de probabilidad de la demanda de artículos, la optimización del inventario puede sugerir rápida y automáticamente cómo administrar mejor miles de artículos de inventario.