"Billones de registros de millones de personas... Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas".

El vicepresidente sénior de investigación de Smart Software, Tom Willemain, tuvo recientemente la oportunidad de hablar con el Dr. Mohsen Hamoudia, presidente de la Instituto Internacional de Pronosticadores (IIF), para discutir problemas actuales y oportunidades para el análisis de big data. El IIF informa a los profesionales sobre tendencias y desarrollos de investigación en pronósticos a través de publicaciones impresas y en línea y la celebración de conferencias profesionales.

El Dr. Hamoudia comienza, a modo de introducción:

En todas las industrias, la disponibilidad de datos se está disparando en volumen, variedad y velocidad. El análisis de big data está jugando un papel importante en la identificación de los datos que son más importantes para el negocio.

Permítanme tomar el ejemplo del sector de las Tecnologías de la Información y la Comunicación (TIC). Estamos viendo un crecimiento literalmente exponencial en la cantidad de datos disponibles para las telecomunicaciones, los distribuidores de contenido independientes Over-the-top (OTT), el gobierno, los reguladores y otras organizaciones.

En todo el mundo, somos testigos de petabytes de datos: billones de registros de millones de personas, todos provenientes de múltiples fuentes. Entre estas fuentes: conexiones a Internet, ventas, centros de atención al cliente, redes sociales, datos de teléfonos fijos y móviles. Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas. Las empresas de TIC buscan cada vez más información procesable en sus datos. ¿Cómo pueden aumentar su base de clientes y sus programas de fidelización? ¿Cómo pueden mejorar la calidad del servicio (QoS) y reducir la rotación de clientes? Con las plataformas de análisis de big data adecuadas, pueden ser más competitivos y eficientes, mejorando las operaciones, el servicio al cliente y la gestión de riesgos. Pronosticar y predecir las tendencias y direcciones de los clientes es clave para las telecomunicaciones.

Las habilidades de pronóstico, incluidas las matemáticas, las estadísticas y la econometría, forman uno de los "bloques" más importantes de habilidades requeridas en la gestión de Big Data. Algunas actividades de pronóstico forman naturalmente parte del debate de los grandes datos.

En las industrias minoristas, las direcciones de previsión diarias pedir a través de miles de productos. La previsión financiera, ya sea considerando el comportamiento del cliente o series de datos financieros, genera conjuntos masivos de datos en línea. Como señaló Robert Fildes, profesor distinguido de la Universidad de Lancaster, hasta el momento la comunidad académica de pronósticos no está completamente involucrada, con solo unas pocas excepciones. Hal Varian de Google analizó parte del trabajo que David Hendry y Jennifer Castle, en la Universidad de Oxford, han realizado en la búsqueda de grandes conjuntos de datos para modelos significativos congruentes con los datos. Stock y Watson también han desarrollado sus propios enfoques para grandes conjuntos de macrodatos. Pero a pesar del intento, en el simposio del año pasado sobre pronóstico en Seúl, de explorar el tema de los grandes datos y sus aplicaciones de pronóstico, quedan pocas aplicaciones convincentes del uso de datos en línea en problemas reales de pronóstico.

P. En la actualidad, se habla mucho de "análisis predictivo", pero la frase rara vez se relaciona con la previsión. ¿Está de acuerdo en que la previsión se encuentra en el corazón del análisis predictivo? ¿Tiene alguna explicación de por qué se ha roto el enlace? ¿Tiene ideas sobre cómo reinyectar pronósticos en la conversación?

Los resultados de la previsión (el “qué”) quizás ahora se perciban como menos importantes que el “cómo”. En consecuencia, la confianza que los usuarios otorgan a la previsión tradicional ha disminuido. ¿Quién de hecho cuestiona la precisión o la relevancia de los pronósticos al comparar, a posteriori, la realidad con el pronóstico, defendiendo la efectividad de los metododiges y, por lo tanto, generando credibilidad?

Con la percepción actual de "análisis predictivo", probablemente haya más espacio en la imaginación del público asignado al lado "cómo" de las cosas y, por lo tanto, una historia más creíble para contar a los socios, inversores o clientes.

P. Parece que casi no hay vínculo entre el pronóstico tradicional y la tecnología móvil (teléfonos inteligentes, tabletas). ¿Es esto cierto o algunas empresas están migrando la previsión a dispositivos móviles? ¿Ve un camino a seguir en el que los algoritmos de pronóstico tradicionales residirían de forma rutinaria en los dispositivos móviles?

En primer lugar, estoy realmente encantado de invitar a sus lectores a echar un vistazo a nuestro último número de Foresight. Un excelente artículo sobre el tema, "Pronósticos en el bolsillo: los dispositivos móviles pueden mejorar la colaboración", explica que "la creciente popularidad de las PDA, los teléfonos inteligentes, las tabletas y otros dispositivos móviles abre nuevas oportunidades para la comunicación y la colaboración en los pronósticos comerciales". Los autores nos dicen que "las aplicaciones móviles de pronóstico (m-forecasting) pueden simplificar los enfoques de colaboración entre minoristas y proveedores, contribuyendo así al suministro e intercambio de información sobre productos, especialmente porque los pronósticos están fuertemente vinculados al conocimiento del contexto local".

Por ejemplo, en el lado de las TIC y OTT, una gran cantidad de proyectos predictivos, como los de Google+ y Facebook, están sucediendo gracias a la inclusión de los datos de "ubicación del usuario" en los sistemas de TI de OTT. En mi opinión, y lo que veo en algunos sectores como retail y logística, es que la previsión tradicional y la previsión móvil (m-forecasting) son complementarias. Este último podría verse como un enfoque de pronóstico de abajo hacia arriba que confirmará o no los resultados del pronóstico de arriba hacia abajo.

P. Algunas personas argumentan que los macrodatos facilitarán el reemplazo de los pronósticos por sistemas de “detectar y reaccionar”. Hablando en términos prácticos, ¿cómo explicaría "sentir y reaccionar"? ¿Hay áreas de aplicación en las que cree que es probable que se afiance o no?

Me parece que “sentir y reaccionar” está completamente orientado a la perspectiva de corto plazo. El pronóstico amplía esto al abordar las necesidades para un horizonte variable: corto y mediano plazo.

Como efecto colateral de ATAWAD (Anytime, Anywhere, Any Device), los criterios de toma de decisiones son, más que nunca, “a corto plazo”. Big data es un sistema de detección de "señales débiles", que permite la detección casi en tiempo real de oportunidades comerciales que pasarían desapercibidas con los sistemas de TI tradicionales. Realmente no hay aplicaciones preferidas o no prioritarias para esto, la pregunta está más en el lado de "cuándo".

Big data es relevante cuando se mira debajo de la superficie en tiempos económicos difíciles, pero no estoy tan seguro de si vale la pena el esfuerzo en un período económico "normal". Para concluir sobre este punto: me complacerá ver un ejemplo de cuán precisos son los pronósticos que se basan en "sentir y reaccionar" frente a los pronósticos basados en modelos tradicionales.

P. Estoy haciendo algunas preguntas importantes. ¿Hasta qué punto ve que la comunidad de IIF da forma a estas discusiones y resultados? ¿Cómo pueden los lectores unirse al diálogo?

Esperamos una mayor disponibilidad y un mayor uso de una gran cantidad de datos en muchas industrias, como la energía, el transporte, la atención médica, las finanzas, las telecomunicaciones y el turismo.

Muchos de los miembros del IIF están involucrados en diferentes aspectos del “movimiento” de big data. El IIF está trabajando en las actividades de pronóstico que, naturalmente, forman parte del debate sobre los grandes datos. En términos más generales, el IIF está participando activamente y brindando un foro para la discusión de pronósticos en el resto del mundo.

El tema de nuestro último Simposio Internacional sobre Pronósticos (ISF) celebrado en Seúl fue "Pronósticos con Big Data" y algunas presentaciones estuvieron relacionadas con la atención médica y las telecomunicaciones. El Banco Central Europeo (BCE) acaba de organizar un taller relevante. Si estos modelos se capitalizan, tienen el potencial de impactar la política económica de Europa con bastante rapidez.

Los lectores pueden unirse al diálogo contribuyendo con artículos para las publicaciones del IIF (The International Journal of Forecasting, Foresight and El oráculo). La previsión, por su parte, es una voz invaluable para reunir a académicos y profesionales en una discusión en curso.

Los lectores también pueden presentar trabajos en la conferencia anual (la mencionada ISF). También pueden sugerir y organizar talleres específicos para aplicaciones específicas de big data, como el que acaba de organizar el BCE en Frankfurt. Otra oportunidad es invitar a los miembros de IIF a asistir a cualquier reunión relacionada con el pronóstico con big data. Todas estas oportunidades forman buenas plataformas para establecer contactos y trabajar juntos.

Mohsen Hamoudia, PhD, es el presidente del Instituto Internacional de Pronosticadores. También se desempeña como Jefe de Estrategia para Grandes Proyectos (París) para Orange Business Services (la antigua France Telecom).

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear, y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

La planificación de la demanda requiere tiempo y esfuerzo. Vale la pena el esfuerzo en la medida en que realmente lo ayuda a hacer lo que necesita cuando lo necesita.

Pero el trabajo se puede hacer bien o mal. Vemos a muchos fabricantes detenerse en el primer nivel cuando fácilmente podrían pasar al segundo nivel. Y con un poco más de esfuerzo, podrían llegar al tercer nivel, utilizando modelos probabilísticos para convertir los resultados de la planificación de la demanda en un proceso de optimización del inventario.

El primer nivel

El primer nivel es hacer un pronóstico de la demanda usando métodos estadísticos. La Figura 1 muestra un esfuerzo de primer nivel: el historial de demanda de un artículo (línea roja) y su pronóstico esperado de 12 meses (línea verde).

El pronóstico es básico. solo proyecta previsto demanda ignorando que la demanda es volátil e inevitablemente creará un error de pronóstico. (Este es otro ejemplo de una máxima importante: “El promedio no es la respuesta”). Es tan probable que el pronóstico sea demasiado alto como demasiado bajo, y no hay indicios de incertidumbre en el pronóstico que acompañe al pronóstico. Esto significa que el planificador no tiene una estimación del riesgo asociado con el compromiso con el pronóstico. Aun así, este pronóstico proporciona una base racional para la planificación de la producción, la programación personal y la compra de materias primas. Entonces, es mucho mejor que adivinar.

El segundo nivel

El segundo nivel tiene en cuenta explícitamente la incertidumbre del pronóstico. La figura 2 muestra un esfuerzo de segundo nivel, conocido como "pronóstico de percentiles".

Ahora vemos una indicación explícita de la incertidumbre del pronóstico. La línea cian sobre la línea de pronóstico verde representa el percentil 90 proyectado de la demanda mensual. Es decir, la demanda en cada mes futuro tiene una probabilidad de 90% de caer en o por debajo de la línea cian. Dicho de otra manera, existe una probabilidad de 10% de que la demanda exceda la línea cian en cada mes.

Este análisis es mucho más útil porque apoya la gestión de riesgos. Si es importante asegurar un suministro suficiente de este artículo, entonces tiene sentido producir hasta el percentil 90 en lugar del pronóstico esperado. Después de todo, es una moneda al aire si el pronóstico esperado resultará en suficiente producción para satisfacer la demanda mensual. Este pronóstico de segundo nivel es, en efecto, un sustituto aproximado de un cuidadoso proceso de gestión de inventario.

Figura 2. Pronóstico percentil, donde la línea cian estima los percentiles 90 de la demanda mensual.

Ir todo el camino hasta el tercer nivel

La mejor práctica es el tercer nivel, que utiliza la planificación de la demanda como base para completar una segunda tarea: la optimización explícita del inventario. La figura 3 muestra el gráfico fundamental para la gestión eficiente de nuestro producto terminado, suponiendo que tiene un plazo de entrega de producción de 1 mes.

La figura 3 muestra la utilización del pronóstico probabilístico y la cantidad de reducción en el inventario de bienes terminados que podría tener lugar durante un tiempo de espera de producción de un mes. La incertidumbre en la demanda es evidente en la dispersión de la posible demanda, desde un mínimo de 0 hasta un máximo de 35, siendo 15 unidades el valor más probable. La línea roja vertical en 22 indica el "punto de pedido" (o "mínimo" o "valor de activación") correspondiente a mantener la posibilidad de agotarse mientras se espera el reabastecimiento a un nivel bajo de 5%. Cuando el inventario cae a 22 o menos, es hora de ordenar más. El Tercer Nivel utiliza el pronóstico probabilístico de la demanda con exposición total de la incertidumbre del pronóstico para administrar eficientemente el stock del producto terminado.

Para resumir

Pronosticar la demanda más probable de un artículo es un primer paso útil. Te lleva a la mitad del camino hacia donde quieres estar. Pero proporciona una guía incompleta para la planificación porque ignora la volatilidad de la demanda y la incertidumbre de pronóstico que crea. Agregar un colchón al pronóstico de la demanda lo lleva más lejos, porque reduce el riesgo de que un salto en la demanda lo deje sin producto. Este colchón se puede calcular mediante enfoques de pronóstico probabilístico que pronostican un percentil alto de la distribución de la demanda futura. Y si quiere ir un paso más allá, puede alimentar pronósticos de la distribución de la demanda durante un tiempo de espera para calcular los puntos de pedido (min) para asegurarse de tener un nivel aceptablemente bajo de riesgo de agotamiento de existencias.

Teniendo en cuenta lo que la tecnología de pronóstico moderna puede hacer por usted, ¿por qué querría detenerse a la mitad de su objetivo?

La gestión del inventario requiere que los ejecutivos equilibren los objetivos contrapuestos: alta disponibilidad de productos frente a una baja inversión en inventario. Los ejecutivos logran este equilibrio estableciendo objetivos de disponibilidad y restricciones presupuestarias. Luego, los profesionales de la cadena de suministro traducen estas "intenciones del comandante" en especificaciones detalladas sobre reordenar puntos y cantidades de pedido.

Una carrera de alto riesgo entre la oferta y la demanda

Centrémonos en los puntos de reordenación (también conocidos como minutos). Funcionan de la siguiente manera. A medida que el inventario disponible disminuye en respuesta a la demanda, eventualmente cae hasta o por debajo de un valor de activación, el punto de reorden o min. En ese momento, es como si se disparara un arma para iniciar una carrera entre la oferta y la demanda. Se envía una orden de reposición para reabastecer el artículo, pero hay una reposición tiempo de espera, por lo que la reposición no es instantánea. Mientras su sistema espera el reabastecimiento, la demanda continúa reduciendo las existencias disponibles. Es una mala noticia si la demanda gana la carrera, porque entonces no estará en condiciones de proporcionar lo que alguien está demandando. Luego, o bien lo obtienen de un competidor o se quedan con pedidos atrasados y no están contentos: de cualquier manera, quedarse sin existencias es un mal resultado para usted y su cliente.

El riesgo de almacenamiento está controlado por la elección de puntos de pedido de su personal. Si se establecen demasiado altos, los desabastecimientos son raros pero el inventario se infla. Si los establece demasiado bajos, abundarán los desabastecimientos. Entonces, ¿cómo se deben establecer los puntos de reordenamiento?

Evitar el seguimiento tonto

Varios factores gobiernan el riesgo de desabastecimiento. Cada artículo en su inventario tiene su propio historial de demanda y tiempo de entrega. Junto con los objetivos de disponibilidad elegidos, estos factores determinan la mejor opción de punto de pedido. Pero las relaciones son estadísticas y requieren un buen análisis para funcionar. Software de optimización de inventario puede calcular el punto de pedido adecuado para cada una de las decenas de miles de artículos. Pero en lugar de confiar en un análisis adecuado, muchas empresas recurren a reglas generales simples o simplemente a "hacer lo que siempre hacemos".

En lugar de usar las matemáticas correctas, las empresas a menudo confían en reglas generales que les resultan deficientes. Aquí hay algunos ejemplos en orden de más común a menos común.

1) Múltiplos de Demanda Media

Establecer puntos de reorden en algún múltiplo (arbitrario) de demanda media empieza a confiar en hechos reales. Pero ignora el atributo clave de la demanda que impulsa el riesgo de desabastecimiento: la variabilidad de la demanda. Dos artículos con la misma demanda promedio pero niveles muy diferentes de variabilidad requerirán puntos de reposición muy diferentes para asegurar el mismo bajo riesgo de agotamiento de existencias. (Ver Figura 1)

2) Sensación de tripa

Algunas empresas tienen un estilo propio gurús de la cadena de suministro. Incluso si en realidad son maestros Jedi, es imposible mantenerse al día con decenas de miles de artículos cuyos puntos de pedido deben revisarse con frecuencia. Y si la lógica que impulsa la toma de decisiones está enterrada en una hoja de cálculo difícil de usar que solo ellos saben cómo usar, la empresa corre el riesgo de no poder ejecutar el plan de inventario sin ese individuo, una propuesta arriesgada.

3) Demanda promedio + algún múltiplo de Variabilidad de la demanda

Este enfoque se enseña en muchos cursos de "Inventario 101". Pero asume implícitamente algunos hechos sobre la demanda que muy a menudo no son ciertos: que la demanda tiene una distribución Normal ("en forma de campana") y que la demanda en un período no se relaciona con la demanda en el período anterior. Las suposiciones de independencia y la confianza en los modelos de distribución normal simplemente no son suficientes.

4) Canciones infantiles

No es la norma en absoluto, por lo que es el último en la lista, pero escuchamos de una empresa que usaba una regla simple para todos los artículos: "Si son cuatro, ordene más". Es una locura creer que una regla se aplica a todos los elementos en todo momento. Pero al menos rima.

Su gente puede hacer algo mejor que confiar en cualquiera de estos enfoques. ¿Sabes si tu empresa está utilizando alguno de ellos?

Entendiéndolo

La forma correcta de establecer puntos de reorden utiliza las herramientas de la teoría de la probabilidad. Los detalles dependen de si está vendiendo productos terminados o repuestos. Las piezas de repuesto suelen ser más difíciles de gestionar porque tienen patrones de demanda peculiares: alta intermitencia (muchas demandas cero), alto oblicuidad (un montón de pequeñas demandas pero con algunos whoppers también), y auto-correlación (comportamiento de “festín o hambre”). Moderno Software de punto de pedido tiene en cuenta estas peculiaridades para establecer puntos de pedido que aseguren el nivel deseado de disponibilidad de artículos. Es importante destacar que también le permiten a su gente ver curvas de compensación explícitas, para que puedan lograr el equilibrio que desea, en el nivel de artículo por ubicación, entre el riesgo de agotamiento de existencias y la inversión en inventario.

El inventario es un elemento importante en el balance general y necesita atención de alto nivel. En muchos fabricantes, las piezas de servicio pueden representar hasta la mitad de los ingresos. El software moderno permite que C-Suite vaya más allá de las matemáticas incompletas y otros enfoques inadecuados para administrar el inventario.

Figura 1: A dos artículos igualmente importantes con la misma demanda promedio se les asigna la misma política de almacenamiento que determina el Mín. (punto de reorden) como 2 veces la demanda promedio del tiempo de entrega. A pesar de la "misma" política de existencias, el rendimiento del servicio varía significativamente con el Artículo A estable que experimenta exceso de existencias y el Artículo B volátil que experimenta roturas de existencias.

En nuestros viajes por la escena industrial, notamos que muchas empresas prestan más atención a los giros de inventario de lo que deberían. Nos gustaría desviar parte de esta atención hacia métricas de rendimiento más importantes.

Recuerde la definición: Turnos = Costo anual en dólares de los bienes vendidos / Valor promedio en dólares del inventario. Si vende $1 millones de cosas en un año y tiene un promedio de $100,000 de cosas en el estante cada día, está funcionando en 10 turnos impresionantes (Walmart funciona en alrededor de 8). Supuestamente, tener giros altos indica una gestión eficiente y mantener los giros más altos que los de la competencia es una señal de ventaja competitiva.

Pero como sucede con la mayoría de las métricas de rendimiento, hay más en la historia. Los turnos pueden ser muy importantes para el CFO, pero pueden ser una camisa de fuerza para el COO. Esto se debe a que los Turnos no están directamente relacionados con la atención al cliente; de hecho, un número elevado de Turns puede ser sinónimo de bajos niveles de servicio y tasas de ocupación. El consultor de S&OP, Darrin Oliver, llama a Turns su "métrica favorita" porque "al cliente no le importa Turns".

Suponga que no está satisfecho con su valor actual de Turnos. ¿Qué puedes hacer para aumentar el número? Dado que Turns es una proporción, puede aumentarla aumentando el numerador (bienes vendidos) o disminuyendo el denominador (inventario). Aumentar las ventas es más difícil porque requiere la cooperación del cliente. Decreciente inventario es más fácil porque está completamente bajo su control: simplemente haga pedidos de reabastecimiento más pequeños, lo que también ahorra dinero a corto plazo. De hecho, puede entusiasmarse mucho y reducir el inventario al mínimo. Usted termina con un número más atractivo para Turnos y un serio problema con desabastecimientos, pedidos atrasados, pérdida de ventas, pérdida de buena voluntad de los clientes y pérdida de participación de mercado. ¿Quién está arrepentido ahora?

Aquí hay una versión ligeramente editada de una historia sobre este tema contada por un practicante muy sabio. “En mi otra vida, todo se trataba de mejorar los giros. Por qué, no tengo idea. Así que le señalé los riesgos que corre. Y realmente no estaban interesados. Así que bajamos nuestros inventarios globales a [un nivel más bajo], y luego rompimos el stock a diestra y siniestra diariamente. Nuestros turnos fueron geniales, pero no estábamos ganando dinero, porque no podíamos sacar nada por la puerta, porque no lo teníamos. Cuanto mayores sean sus turnos, menor tendrá que ser su inventario, o simplemente tendrá un flujo realmente bueno. Y en nuestra industria eso es algo muy, muy difícil de lograr. Entonces, si podemos tener turnos razonables pero aún estar en stock, creo que eso es lo que queremos hacer. Puede ser muy frustrante en un mundo de operaciones tratar de explicar lo que hacemos todos los días y cuáles son los riesgos para el negocio cuando la gente financiera solo mira una o dos métricas. Básicamente, están tratando de planificar el negocio en el vacío, y es muy difícil y muy arriesgado hacerlo”.

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Los planificadores de demanda tienen que hacer frente a múltiples problemas para realizar su trabajo. La primera es la dificultad de la intermitencia. El carácter "ahora lo ves, ahora no" de la demanda intermitente, con su fuerte mezcla de valores cero, obliga al uso de métodos estadísticos avanzados, como el algoritmo Markov Bootstrap patentado de Smart Software. Pero incluso dentro del oscuro reino de la demanda intermitente, existen grados de dificultad: los planificadores deben hacer frente aún más al Azote de la asimetría, potencialmente costoso.

La asimetría es un término estadístico que describe el grado en que la distribución de la demanda no es simétrica. La clásica (y en gran medida mítica) curva "en forma de campana" es simétrica, con las mismas posibilidades de que la demanda en cualquier período de tiempo caiga por debajo o por encima del promedio. Por el contrario, una distribución sesgada está desequilibrada, con la mayoría de los valores por encima o por debajo del promedio. En la mayoría de los casos, los datos de demanda tienen un sesgo positivo, con una cola larga de valores que se extiende hacia el extremo superior de la escala de demanda.

Gráficos de barras de dos series de tiempo
Figura 1: Dos series de demanda intermitente con diferentes niveles de asimetría
La figura 1 muestra dos series temporales de 60 meses de demanda intermitente. Ambos tienen un sesgo positivo, pero los datos del panel inferior están más sesgados. Ambas series tienen casi la misma demanda promedio, pero la de arriba es una mezcla de 0, 1 y 2, mientras que la de abajo es una mezcla de 0, 1 y 4.

Lo que hace que la asimetría positiva sea un problema es que reduce la tasa de llenado de un elemento. La tasa de llenado es importante la gestión del inventario métrica de rendimiento. Mide el porcentaje de la demanda que se satisface inmediatamente con el inventario disponible. Cualquier pedido pendiente o pérdida de ventas reduce la tasa de cumplimiento (además de desperdiciar la buena voluntad del cliente).

La tasa de relleno es un complemento de la otra métrica de rendimiento clave: el nivel de servicio. El nivel de servicio mide la posibilidad de que un artículo se agote durante el tiempo de reposición. El tiempo de entrega se mide desde el momento en que el inventario cae por debajo del punto de pedido de un artículo, lo que genera un pedido de reabastecimiento, hasta la llegada del inventario de reemplazo.

El software de gestión de inventario, como SmartForecasts de Smart Software, puede analizar los patrones de demanda para calcular el punto de pedido necesario para lograr un objetivo de nivel de servicio específico. Para alcanzar un nivel de servicio 95% para el artículo en el panel superior de la Figura 1, suponiendo un tiempo de entrega de 1 mes, el punto de reorden requerido es 3; para el artículo inferior, el punto de reorden es 1. (El primer punto de reorden es 3 para permitir la clara posibilidad de que los valores de la demanda futura excedan los valores más grandes, 2, observados hasta ahora. De hecho, son posibles valores tan grandes como 8 .) Consulte la figura 2.

Histogramas de dos series temporales
Figura 2: Distribuciones de la demanda total durante un plazo de reposición de 1 mes
(La Figura 2 traza la distribución prevista de la demanda durante el tiempo de entrega. Las barras verdes representan la probabilidad de que se materialice cualquier nivel particular de demanda).

Usando el punto de pedido requerido de 3 unidades, la tasa de llenado para el artículo menos sesgado es un 93% saludable. Sin embargo, la tasa de relleno para el artículo más sesgado es un 44% preocupante, aunque este artículo también alcanza un nivel de servicio de 95%. Este es el flagelo de la asimetría.

La explicación de la diferencia en las tasas de llenado es el grado de asimetría. El punto de reorden para el artículo más sesgado es 1 unidad. Tener 1 unidad disponible al comienzo del plazo de entrega será suficiente para manejar 95% de las demandas que lleguen durante un plazo de entrega de 1 mes. Sin embargo, la demanda mensual podría superar las 15 unidades, por lo que cuando se agote la unidad más sesgada, se "agotará a lo grande", perdiendo una cantidad mucho mayor de unidades.

La mayoría de los planificadores de demanda estarían orgullosos de lograr un nivel de servicio 95% y una tasa de llenado de 93%. La mayoría estaría preocupada y desconcertada al lograr el nivel de servicio 95% pero solo una tasa de llenado de 44%. Esta falla parcial no sería su culpa: se puede atribuir directamente a la desagradable asimetría en la distribución de los valores de la demanda mensual.

No existe una solución indolora para este problema. La única forma de aumentar la tasa de llenado en esta situación es elevar el objetivo de nivel de servicio, lo que a su vez impulsará el punto de pedido, lo que finalmente reducirá tanto la frecuencia de los desabastecimientos como su tamaño cada vez que ocurran. En este ejemplo, aumentar el punto de pedido de 1 unidad a 3 unidades logrará un nivel de servicio de 99% y aumentará la tasa de cumplimiento a un respetable, pero no sobresaliente, 84%. Esta mejora tendría el costo de esencialmente triplicar los dólares invertidos en la gestión de este elemento más sesgado.

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.