Hay un viejo chiste rancio: "Hay dos tipos de personas: los que creen que hay dos tipos de personas y los que no". Podemos modificar ese chiste: "Hay dos tipos de personas: los que saben que hay tres tipos de análisis de la cadena de suministro y los que aún no han leído este blog".

Los tres tipos de análisis de la cadena de suministro son "descriptivos", "predictivos" y "prescriptivos". Cada uno juega un papel diferente para ayudarlo a administrar su inventario. El software moderno de la cadena de suministro le permite aprovechar los tres.

Analítica descriptiva

Los análisis descriptivos son el material de los tableros. Te dicen "lo que está pasando ahora". En esta categoría se incluyen cifras resumidas como el dinero invertido actualmente en inventario, el nivel actual de servicio al cliente y la tasa de llenado, y los plazos de entrega promedio de los proveedores. Estas estadísticas son útiles para realizar un seguimiento de sus operaciones, especialmente cuando realiza un seguimiento de los cambios en ellas de un mes a otro. Confiarás en ellos todos los días. Requieren bases de datos corporativas precisas, procesadas estadísticamente.

Análisis predictivo

El análisis predictivo se manifiesta más comúnmente como pronósticos de demanda, a menudo desglosados por producto y ubicación y, a veces, también por cliente. Estas estadísticas proporcionan una alerta temprana para que pueda preparar la producción, el personal y la adquisición de materias primas para satisfacer la demanda. También proporcionan predicciones del efecto de los cambios en las políticas operativas, por ejemplo, ¿qué sucede si aumentamos la cantidad de nuestro pedido del Producto X de 20 a 25 unidades? Puede confiar en Predictive Analytics periódicamente, tal vez semanal o mensualmente, cuando busca lo que está sucediendo ahora para ver qué sucederá a continuación. Predictive Analytics utiliza Descriptive Analytics como base, pero agrega más capacidad. El análisis predictivo para la previsión de la demanda requiere un procesamiento estadístico avanzado para detectar y estimar características de la demanda de productos como tendencia, estacionalidad y Cambio de regimén. El análisis predictivo para la gestión de inventario utiliza pronósticos de demanda como entradas en los modelos de funcionamiento de las políticas de inventario, que a su vez proporcionan estimaciones de métricas de rendimiento clave, como niveles de servicio, tasas de llenadoy costos de operación.

Analítica prescriptiva

Los análisis prescriptivos no tratan sobre lo que está sucediendo ahora o lo que sucederá a continuación, sino sobre lo que debe hacer a continuación, es decir, recomiendan decisiones destinadas a maximizar el rendimiento del sistema de inventario. Puede confiar en Prescriptive Analytics para posicionar mejor toda su política de inventario. Prescriptive Analytics utiliza Predictive Analytics como base y luego agrega capacidad de optimización. Por ejemplo, el software Prescriptive Analytics puede calcular automáticamente las mejores opciones para los valores futuros de Min's y Max's para miles de artículos de inventario. Aquí, "mejor" podría significar los valores de Min y Max para cada artículo que minimizan el costo operativo (la suma de los costos de mantenimiento, pedido y escasez) mientras se mantiene un piso 90% en la tasa de cumplimiento de artículos.

Ejemplo

La siguiente figura muestra cómo el análisis de la cadena de suministro puede ayudar al administrador de inventario. Las columnas muestran tres indicadores clave de rendimiento (KPI) previstos: nivel de servicio, inversión en inventario y costos operativos (costos de mantenimiento + costos de pedido + costos de escasez).

 Figura 1: Los tres tipos de análisis utilizados para evaluar escenarios de planificación

Las filas muestran cuatro políticas de inventario alternativas, expresadas como escenarios. El escenario "En vivo" informa sobre los valores de los KPI el 1 de julio de 2018. El escenario "99% All" cambia la política actual al elevar el nivel de servicio de todos los elementos a 99%. El escenario de “75 piso/99 techo” eleva los niveles de servicio que son demasiado bajos hasta 75% y reduce los niveles de servicio muy altos (es decir, caros) hasta 95%. El escenario de "Optimización" prescribe niveles de servicio específicos del artículo que minimizan los costos operativos totales.

El escenario "Live 07-01-2018" es un ejemplo de análisis descriptivo. Muestra el rendimiento de referencia actual. Luego, el software le permite al usuario probar cambios en la política de inventario mediante la creación de nuevos escenarios "Qué pasaría si" que luego podrían convertirse en escenarios con nombre para una mayor consideración. Los siguientes dos escenarios son ejemplos de Predictive Analytics. Ambos evalúan las consecuencias de sus políticas de control de inventario recomendadas, es decir, los valores mínimos y máximos recomendados para todos los artículos. El escenario de "Optimización" es un ejemplo de Prescriptive Analytics porque recomienda la mejor política de compromiso.

Considere cómo se comparan los tres escenarios alternativos con el escenario de referencia "en vivo". El escenario “99% All” eleva las métricas de disponibilidad de artículos, aumentando el nivel de servicio de 88% a 99%. Sin embargo, hacerlo aumenta la inversión total en inventario de $3 millones a alrededor de $4 millones. Por el contrario, el escenario de “75 piso/99 techo” aumenta tanto el nivel de servicio como reduce el efectivo inmovilizado en el inventario en alrededor de $300,000. Finalmente, el escenario de “Optimización” logra un nivel de servicio 80%, una reducción del 88% actual, pero recorta más de $2 millones del valor del inventario y reduce los costos operativos en más de $400,000 anualmente. A partir de aquí, los gerentes podrían probar otras opciones, como devolver parte de los ahorros de $2 millones para lograr un nivel de servicio promedio más alto.

Resumen

Los paquetes de software modernos para la planificación y la optimización del inventario deben ofrecer tres tipos de análisis de la cadena de suministro: descriptivo, predictivo y prescriptivo. Su combinación permite a los administradores de inventario realizar un seguimiento de sus operaciones (descriptivo), pronosticar dónde estarán sus operaciones en el futuro (predictivo) y optimizar sus políticas de inventario en respuesta a la anticipación de condiciones futuras (prescriptivo).

Una nueva métrica que llamamos "Índice de atención" ayudará a los pronosticadores a identificar situaciones en las que "los datos se comportan mal" pueden distorsionar los pronósticos estadísticos automáticos (ver el poema adyacente). Identifica rápidamente aquellos elementos que probablemente requieran anulaciones de pronósticos, lo que proporciona una forma más eficiente de poner a trabajar la experiencia comercial y otra inteligencia humana para maximizar la precisión de los pronósticos. ¿Como funciona?

Clásico métodos de pronóstico, como los diversos sabores de suavizado exponencial y promedios móviles, insisten en un acto de fe. Requieren que confiemos en que las condiciones presentes persistirán en el futuro. Si las condiciones actuales persisten, entonces es sensato utilizar estos métodos extrapolativos, métodos que cuantifican el nivel actual, la tendencia, la estacionalidad y el “ruido” de una serie temporal y los proyectan hacia el futuro.

Pero si no persisten, los métodos de extrapolación pueden causarnos problemas. Lo que había estado subiendo podría estar bajando de repente. Lo que solía estar centrado en un nivel puede saltar repentinamente a otro. O podría suceder algo realmente extraño que está completamente fuera de patrón. En estas circunstancias sorprendentes, la precisión de los pronósticos se deteriora, los cálculos de inventario fallan y se produce un descontento general.

Una forma de hacer frente a este problema es confiar en modelos de pronóstico más complejos que tengan en cuenta los factores externos que impulsan la variable que se pronostica. Por ejemplo, las promociones de ventas intentan interrumpir los patrones de compra y moverlos en una dirección positiva, por lo que incluir la actividad de promoción en el proceso de pronóstico puede mejorar el pronóstico de ventas. A veces, los indicadores macroeconómicos, como la construcción de viviendas o las tasas de inflación, se pueden utilizar para mejorar la precisión de los pronósticos. Pero los modelos más complejos requieren más datos y más experiencia, y es posible que no sean útiles para algunos problemas, como la gestión de piezas o subsistemas, en lugar de productos terminados.

Si uno está atascado usando métodos extrapolativos simples, es útil tener una forma de marcar elementos que serán difíciles de pronosticar. Este es el índice de atención. Como sugiere el nombre, los elementos que se van a pronosticar con un índice de atención alto requieren un manejo especial, al menos una revisión y, por lo general, algún tipo de ajuste de pronóstico.

El Índice de Atención detecta tres tipos de problemas:

Un valor atípico en el historial de demanda de un artículo.
Un cambio abrupto en el nivel de un elemento.
Un cambio abrupto en la tendencia de un artículo.
Usando software como SmartForecasts™, el pronosticador puede lidiar con un valor atípico reemplazándolo con un valor más típico.

Un cambio abrupto en el nivel o la tendencia se puede abordar omitiendo, de los cálculos de pronóstico, todos los datos anteriores a la "ruptura" en el patrón de demanda, suponiendo que el artículo haya cambiado a un nuevo régimen que hace que los datos anteriores sean irrelevantes.

Si bien ningún índice es perfecto, el Índice de atención hace un buen trabajo al centrar la atención en los historiales de demanda más problemáticos. Esto se demuestra en las dos figuras a continuación, que se produjeron con datos de la competencia M3, muy conocida en el mundo de los pronósticos. La Figura 1 muestra los 20 ítems (de los 3.003 del concurso) con las puntuaciones más altas en el Índice de Atención; todos estos tienen grotescos valores atípicos y rupturas. La Figura 2 muestra los 20 ítems con las puntuaciones más bajas del Índice de Atención; la mayoría (pero no todos) de los ítems con puntajes bajos tienen patrones relativamente benignos.

Si tiene miles de elementos para pronosticar, el nuevo índice de atención será muy útil para centrar su atención en aquellos elementos que probablemente sean problemáticos.

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 Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Un libro de texto legible y bien organizado podría ser invaluable para "ayudar a los pronosticadores corporativos en formación a comprender los conceptos básicos del pronóstico de series de tiempo", como señala Tom Willemain en la conclusión de esta revisión, publicada originalmente en Prospectiva: la revista internacional de pronóstico aplicado. Escrita principalmente para una audiencia académica, la revisión también sirve a los profesionales sin experiencia en planificación de la demanda al indicarles un recurso detallado.

Este librito pulcro tiene como objetivo "introducir al lector a la predicción cuantitativa de series de tiempo de una manera práctica". Para cierto tipo de lector, sin duda tendrá éxito, y lo hará con estilo.

El autor, el Dr. Galit Shmueli, es profesor presidido por SRITNE de análisis de datos y profesor asociado de estadísticas y sistemas de información en la Escuela de Negocios de la India, Hyderabad. Es autora o coautora de varios otros libros sobre estadística aplicada y análisis empresarial.

El libro está destinado a ser un texto para un curso de "mini-semestre" para estudiantes de posgrado o de nivel superior. Creo que sería una exageración creer que aquí hay suficiente material técnico para servir como base para un curso de posgrado, pero puedo verlo funcionando bien para los estudiantes universitarios en ingeniería industrial o administración que hayan tenido un curso previo de estadística (y por lo tanto lo harán). de hecho ser capaz de "recordar que un intervalo de predicción 95% para errores normalmente distribuidos es...").

Hay ejercicios de fin de capítulo de tamaño apropiado e incluso configuraciones para tres proyectos semestrales del mundo real, de modo que los instructores puedan usar el libro como lo imaginó el autor. El libro ilustra sus puntos usando XLMiner, un complemento de Excel, y los estudiantes pueden usar la versión de demostración gratuita para casi todos los ejercicios. Los conjuntos de datos de texto están disponibles en el sitio web del libro, que también proporciona una aplicación gratuita de "panel de control" de análisis de series de tiempo. El autor señala que se puede usar otro software en lugar de XLMiner y menciona Minitab, JMP y la biblioteca de pronósticos de Rob Hyndman en R.

Mientras leía este libro, me encantó su claridad. Habiendo pasado tiempo recientemente corrigiendo la prosa técnica de dos buenos estudiantes de posgrado, encontré que la escritura en este libro es un contraste refrescante, que hace que los conceptos técnicos sean comprensibles.

Otra virtud de este libro es su selección de temas. Los técnicos son razonablemente estándar (métodos de suavizado, regresión usando tendencias polinómicas y variables ficticias), pero también varían un poco hacia los más exóticos (regresión logística, redes neuronales, un poco de ARIMA). Más impresionante es la inclusión de lo que podría llamarse "meta-temas" relevantes para el pronóstico: evaluación del desempeño, una descripción general de enfoques técnicos alternativos y uno sobre el proceso de pronóstico, desde la definición de objetivos hasta formas de adaptar los informes de manera diferente para los gerentes y técnicos. audiencias Este es el tipo de sabiduría de pronóstico que encontramos en Libro de Chris Chatfield (2004), aunque presentado con menos acidez y con menos exposición matemática. Normalmente recomiendo el libro introductorio de Chatfield para lectores más técnicos interesados en entrar en series de tiempo; Recomendaría el libro de Shmueli para una audiencia más general.

Ninguna revisión está completa sin objeciones. Aquí hay algunos, demasiado pocos para deshacer mi opinión muy positiva de este librito impresionante:

• El texto es un buen caso para los gráficos “bien formateados y fáciles de leer” (p. 179). Pero encontré que muchas de las capturas de pantalla estaban mal impresas y eran difíciles de ver. Por lo demás, el libro es tan visualmente agradable que estos defectos parecen muy fuera de lugar. Utiliza lujosas cantidades de espacio en blanco y arte marginal caprichoso con gran efecto, produciendo una sensación muy "ligera" que seguramente debe ayudar a la comprensión.

• El autor afirma (p. 115) que los métodos de suavizado (p. ej., promedios móviles, suavizado exponencial) no pueden automatizarse por completo porque “el usuario debe especificar constantes de suavizado”. Por supuesto, esto no es así, ya que existen varios paquetes de software que hacen esto, y el texto posterior se contradice en este punto en la página 127.

• La discusión sobre la autocorrelación, por lo demás buena, induce a error cuando afirma (pág. 88) que la autocorrelación negativa de lag-1 significa que "los valores altos son seguidos inmediatamente por valores bajos y viceversa". Bueno, por lo general, pero no siempre.

Cuando terminé de leer este libro, me di cuenta inmediatamente de que hay otro público objetivo fuera del aula. Mi empresa a menudo realiza sesiones de capacitación sobre el uso de nuestro software, y estas incluyen algunos antecedentes generales sobre métodos y procesos de pronóstico. Si pudiéramos eliminar el material de XLMiner, e incluso si no pudiéramos, este texto sería un maravilloso "olvido" para ayudar a los pronosticadores corporativos en formación a comprender los conceptos básicos de la previsión de series de tiempo. El libro está tan bien escrito, bien organizado y bien diseñado que incluso podría leerse. Ciertamente podemos usarlo para ayudar a nuestros nuevos programadores a comprender las aplicaciones que están desarrollando. Y este libro podría incluso servir como lectura culpable para un estudiante de posgrado que realmente quiere “entender” lo que está pasando en Box, Jenkins y Reinsel (2008).

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 Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

La mayoría de los pronósticos estadísticos funcionan en un flujo directo desde los datos anteriores hasta el pronóstico. Pronosticar con indicadores adelantados funciona de manera diferente. Un indicador principal es una segunda variable que puede influir en el que se pronostica. La aplicación de conocimiento humano comprobable sobre el poder predictivo en la relación entre estos diferentes conjuntos de datos a veces proporcionará una precisión superior.

La mayoría de las veces, un pronóstico se basa únicamente en la historia pasada del artículo que se está pronosticando. Supongamos que el problema del pronosticador es predecir las ventas unitarias futuras de un producto importante. El proceso comienza con la recopilación de datos sobre las ventas anteriores del producto. (Gregory Hartunian comparte algunos consejos prácticos para elegir los mejores datos disponibles en una publicación anterior al Smart Forecaster.) Estos datos fluyen hacia el software de pronóstico, que analiza el registro de ventas para medir el nivel de variabilidad aleatoria y explotar cualquier aspecto predecible, como tendencias o patrones regulares de variabilidad estacional. El pronóstico se basa completamente en el comportamiento pasado del artículo que se pronostica. No se tiene en cuenta explícitamente nada que pudiera haber causado las oscilaciones y sacudidas en el gráfico de ventas del producto. Este enfoque es rápido, simple, autónomo y escalable, porque el software puede pasar por una gran cantidad de pronósticos automáticamente.

Pero a veces el pronosticador puede hacerlo mejor, a costa de más trabajo. Si el pronosticador puede mirar a través de la niebla de la aleatoriedad e identificar una segunda variable que influya en la que se está pronosticando, un indicador adelantado, serán posibles predicciones más precisas.

Por ejemplo, suponga que el producto es un vidrio de ventana para casas. Es muy posible que los aumentos o disminuciones en el número de permisos de construcción para casas nuevas se reflejen en los correspondientes aumentos o disminuciones en el número de láminas de vidrio ordenadas varios meses después. Si el pronosticador puede destilar esta relación "retrasada" o retrasada en una ecuación, esa ecuación se puede usar para pronosticar las ventas de vidrio dentro de varios meses usando valores conocidos del indicador principal. Esta ecuación se llama "ecuación de regresión" y tiene una forma similar a:

Ventas de vidrio en 3 meses = 210,9 + 26,7 × Número de viviendas iniciadas este mes.

El software de pronóstico puede tomar los datos de inicio de viviendas y ventas de vidrio y convertirlos en una ecuación de regresión de este tipo.

Gráfico que muestra una relación entre cifras de ejemplo para permisos de construcción diferidos y demanda de vidrio
Indicadores adelantados demostrados
Sin embargo, a diferencia de los pronósticos estadísticos automáticos basados en las ventas pasadas de un producto, los pronósticos con un indicador anticipado enfrentan el mismo problema que la receta proverbial del estofado de conejo: “Primero atrapa un conejo”. Aquí, la experiencia del pronosticador en la materia es fundamental para el éxito. El pronosticador debe poder nominar a uno o más candidatos para el puesto de indicador principal. Después de este paso crucial, basado en el conocimiento, la experiencia y la intuición del pronosticador, se puede usar el software para verificar que realmente existe una relación predictiva con retraso en el tiempo entre el indicador principal candidato y la variable que se va a pronosticar.

Este paso de verificación se realiza mediante un análisis de "correlación cruzada". El software esencialmente toma como entrada una secuencia de valores de la variable a pronosticar y otra secuencia de valores del supuesto indicador líder. A continuación, desplaza los datos de la variable de previsión por, sucesivamente, uno, dos, tres, etc. periodos de tiempo. En cada desliz en el tiempo (llamado "retraso", porque el indicador adelantado se está quedando cada vez más atrás de la variable de pronóstico), el software verifica un patrón de asociación entre las dos variables. Si encuentra un patrón que es demasiado fuerte para ser explicado como un accidente estadístico, se confirma la corazonada del pronosticador.

Obviamente, pronosticar con indicadores principales es más trabajo que pronosticar usando solo los valores pasados de un artículo. El pronosticador tiene que identificar un indicador principal, comenzando con una lista sugerida por la experiencia en la materia del pronosticador. Este es un proceso de “elaboración manual” que no es adecuado para la producción masiva de pronósticos. Pero puede ser un enfoque exitoso para una cantidad menor de elementos importantes que valen la pena el esfuerzo adicional. La función del software de pronóstico, como nuestro sistema SmartForecasts, es ayudar al pronosticador a autenticar el indicador principal y luego explotarlo.

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 Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Las fluctuaciones en una cadena de suministro de inventario son inevitables. La aleatoriedad, que puede ser fuente de confusión y frustración, lo garantiza. Un barco que transporta mercancías desde China puede retrasarse debido a una tormenta en el mar. Un aumento repentino en la demanda un día puede acabar con el inventario en un solo día, dejándolo incapaz de satisfacer la demanda del día siguiente. La aleatoriedad crea fricciones que dificultan el trabajo.

A primera vista, a veces parece mejor responder al azar con el enfoque del avestruz: la cabeza enterrada en la arena. Puede establecer una predicción y proceder suponiendo que la predicción siempre será acertada. La falla en ese enfoque es que ignora los métodos estadísticos que nos permiten hacer uso de una gran cantidad de conocimiento sobre nuestro conocimiento en sí mismo: cuán seguros podemos estar en nuestras predicciones y qué amplitud de posibilidades enfrentamos. El enfoque eficiente para abordar los problemas que surgen de la aleatoriedad no es ignorar la incertidumbre, sino aceptarla con los ojos abiertos.

Como principio fundamental del enfoque de Smart Software para pronóstico, siempre le proporcionaremos una evaluación del nivel de incertidumbre en los pronósticos. Si no espera nada más que una cifra absoluta (la demanda de dispositivos en febrero será de 120 unidades), puede descartar el elemento adicional de incertidumbre como algo negativo o perder la fe en un pronóstico que esperaba que fuera definitivo. Pero defendemos lo que consideramos el enfoque adulto; necesita saber lo que está arriesgando cuando se compromete con un pronóstico y basa su toma de decisiones en él.

Sus pronósticos pueden tener grandes consecuencias que van más allá de los niveles de existencias de inventario. Pueden determinar sus necesidades de materias primas o los niveles de personal: los pronósticos impulsan muchas decisiones importantes de asignación de recursos. Si tiene demasiada fe en el resultado más probable, sin considerar específicamente qué tan probable es, realmente no está comprendiendo los riesgos que enfrenta y puede colocarse en una posición precaria.

La necesidad de tomar decisiones plenamente informadas nos obliga a ver, en un pronóstico, el rango positivo/negativo de resultados con cierta probabilidad de ocurrencia. En el caso específico de los pronósticos que van a los sistemas de inventario, esta es una parte importante de la planificación deliberada para las contingencias. Así es como determina no solo el inventario que necesita mantener para satisfacer la demanda típica, sino también el inventario adicional que necesita para hacer frente a la mayoría de los resultados inesperados.

Esta importancia solo aumenta cuando intenta mantener un almacén confiable de repuestos críticos. Entre el costo de almacenar inventario adicional y tener en cuenta el grado de confiabilidad en sus pronósticos, existe un equilibrio que cristaliza cuando un avión que necesita en el aire queda en tierra, porque no tiene el reemplazo de una pieza dañada.

(Si bien el almacenamiento de inventario adicional se basa en el extremo superior del rango de incertidumbre, si el flujo de efectivo es limitado, es el extremo inferior del rango el que se vuelve importante. Los usuarios con mentalidad de tesorería encuentran valor en este otro lado de la incertidumbre en escenarios donde incluso el mínimo exceso de existencias puede ser un problema mayor que una oportunidad de venta perdida, por ejemplo. La información confiable sobre los resultados probables más bajos vale la pena en este momento).

La teoría del inventario dice que debe pensar en los extremos exteriores de las posibilidades probables y prepararse para hacer frente a más escenarios además de lo que es más probable. La aleatoriedad es una realidad que no se puede ignorar. El promedio no es la respuesta.

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 Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.