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).

1. La configuración será sencilla.

Solo necesitamos alimentar nuestros historiales de demanda en nuestros nuevos métodos estadísticos, y podemos comenzar a planificar de manera más efectiva. No del todo: se trata de la tecnología y el proceso. Estás invirtiendo en un nuevo procesos de negocio para desarrollar pronósticos para impulsar la estrategia comercial y las decisiones de planificación de inventario. Tomará tiempo involucrar a todas las partes interesadas: ventas, marketing, compras, operaciones y mantenimiento/técnicos (para el inventario de repuestos). ¿Quién es el dueño del pronóstico? ¿Cómo será la jerarquía de previsión de sus artículos? ¿De dónde provendrá la mayor parte del conocimiento empresarial? ¿Existe un proceso de consenso que utilizará el conocimiento del negocio para personalizar los pronósticos a su situación particular? ¿Todos entienden los métodos estadísticos? ¿Hay acuerdo sobre los valores subyacentes que equilibran los costos de mantenimiento, pedido y (especialmente) escasez? ¿Está preparado para tomar decisiones a lo largo de la curva de compensación crucial que relaciona los costos de inventario con los niveles de servicio al cliente? ¿Cómo planea medir la precisión/error de pronóstico? ¿Entiende la gerencia el concepto de "valor agregado de pronóstico" mediante el cual rastrea el error con cada versión del pronóstico (error estadístico versus error de pronóstico de ventas versus error de consenso)? Sin este contexto y con la participación acordada de las partes interesadas clave, el sistema aún se implementará pero se utilizará en silo

2. Todo lo que necesito son datos históricos de demanda y luego puedo comenzar a hacer pronósticos.

Casi. Consiguiendo bueno Los datos no son fáciles. ¿Están completos y correctos los datos de su historial de demanda? ¿Los datos de su proveedor (p. ej., plazos de entrega) también están completos y son correctos? ¿Ha reconocido las necesidades especiales de los artículos nuevos y al final de su vida útil? Claro, TI podría exportar un archivo de datos de demanda agregada (semanal o mensual), pero ¿cómo sabe que es correcto? Cuando se registran pedidos y envíos, se incluyen en una variedad de códigos de transacciones diferentes. Tienes que saber cómo componer tu señal de demanda.  ¿Pedidos o envíos? ¿Incluir o excluir devoluciones? ¿Qué pasa con las transferencias de almacén? ¿Qué pasa con las devoluciones que ocurren muchos períodos después del envío inicial? ¿Cómo interpretará mi ERP el pronóstico? Pero espere... estamos usando una solución con un conector ERP que promete que los datos fluirán de un lado a otro sin problemas. Un conector ERP ciertamente cubrirá la transferencia de datos históricos y resultados de pronósticos entre sistemas, pero no mejorará la mala calidad de los datos. También debe asegurarse de que el conector ERP tenga la flexibilidad de determinar cómo componer su historial de demanda. Por ejemplo, si está codificado para extraer ciertos tipos de transacciones que quizás no desee o requiera transacciones diferentes que no incluye, necesitará personalizaciones. También existe el problema de la sustitución del producto y/o los cambios de ubicación, es decir, el Producto A se elimina gradualmente y se convierte en el Producto B, o ahora el Producto A se envía desde un almacén diferente. Suena simple, pero si esto sucede con frecuencia en miles de elementos, debe tenerse en cuenta como parte de un proceso de pronóstico automático. De lo contrario, sus usuarios deben administrar manualmente esta actualización constante. Entonces pierdes economías de escala. Más "disputas de datos" significa más problemas, más errores y plazos de decisión incumplidos. Las actualizaciones menos frecuentes pueden significar pronósticos menos precisos, lo que conduce a un exceso de inventario para algunos artículos e inventario insuficiente para otros.

3. Si obtenemos un mejor pronóstico, tendremos el inventario correcto, reduciremos los desabastecimientos y aumentaremos el servicio.

El pronóstico de la demanda es un componente de un proceso más grande. Si tiene otro departamento que aplica reservas incorrectas (demasiado o muy poco stock de seguridad), entonces gran parte del beneficio de un pronóstico más preciso se pierde. Tiene que mirar holísticamente la previsión dentro del contexto de la gestión de inventario. No puede obtener el beneficio máximo (y en algunos casos, ningún beneficio) a menos que tenga en cuenta todos componentes que incluyen niveles de reserva, como existencias de seguridad y puntos de pedido, reglas de pedido y gestión de plazos de entrega internos/de proveedores. No es raro que los compradores implementen Reglas de juego políticas de inventario, como ordenar con anticipación o inflar el pronóstico para reducir el riesgo de agotamiento. El comportamiento opuesto en el que una señal de pedido desencadenada por el pronóstico se difiere a una fecha posterior para evitar que se realice un pedido "demasiado pronto" es igualmente frecuente. Este tipo de comportamiento se basa en una respuesta de evitación del dolor eso ocurre dentro de las empresas que tienen un proceso de planificación de inventario ad-hoc que no conecta holísticamente el pronóstico con la estrategia de inventario.  

4. Cuantos más modelos de pronóstico, mejor.

 Esto es cierto en algunos casos. En un giro irónico, cuantos más modelos para elegir a veces significa que tendrá más posibilidades de elegir el equivocado. Esto ocurre incluso cuando hay un sistema automatizado que selecciona el método correcto. Esto se debe a que la mayoría de los sistemas de pronóstico automatizados aún cometen el error de seleccionar métodos basados en el mejor ajuste a la demanda pasada. Este enfoque retrospectivo generalmente da como resultado un rendimiento deficiente cuando se mira hacia adelante en el tiempo; esto se puede probar esperando un poco y luego comparando la demanda pronosticada con la real (o, si no quiere esperar, ocultando algunos de los datos recientes y pronosticándolos, en cuyo caso los reales ya están disponibles). En principio, tener más modelos podría ser útil, pero lo importante es comprender el enfoque para la selección de modelos. Además, la mayoría de los modelos de pronóstico producen un pronóstico de un solo número ("La demanda del producto A será de 17 unidades el próximo mes") sin ninguna indicación de la incertidumbre del pronóstico o el margen de error. Sin conocer el margen de error, no puede apreciar y administrar racionalmente el riesgo de pronóstico.

En nuestro software, ofrecemos una selección automatizada de series de tiempo que elige entre docenas de técnicas probadas sobre la base del rendimiento futuro estimado, no ajustado a datos pasados. También vamos más allá del pronóstico de un solo número utilizando métodos probabilísticos para generar miles de escenarios de pronóstico para evaluar la incertidumbre del pronóstico. Descubrimos que este enfoque es considerablemente más preciso para ciertos tipos de datos que la selección de torneo tradicional. Entonces, en estas situaciones, la cantidad de modelos que recomendamos usar es "¡Uno!" ¿Eso lo hace inferior? Por supuesto que no. Tómese el tiempo para ajustar sus modelos para ver qué funciona mejor para su negocio.

5. Con el software adecuado, cualquiera puede hacer bien el trabajo.

Ojalá fuera así. Sin embargo, después de nuestra participación en décadas de implementaciones, está claro que no todos deberían estar en el teclado de planificación de la demanda. El trabajo no necesita un superhéroe, pero ciertos rasgos contribuyen al éxito:

• Tener una perspectiva de toda la empresa. Tantos problemas en la planificación de la demanda se derivan del pensamiento convencional. Un proceso de planificación adecuado pone de manifiesto la necesidad de la participación de todas las partes interesadas, por lo que un usuario incapaz de pensar más allá de su feudo anterior puede ser una responsabilidad.
• Ser innumerable. Un usuario que no se sienta cómodo con los números tendrá dificultades.
• Apreciando la aleatoriedad. Esto es similar a la aritmética pero va más allá. La mayor parte de la fricción en la planificación de la demanda y la optimización del inventario se deriva de la aleatoriedad: en la demanda del producto, en el tiempo de entrega del proveedor, etc. Sin una buena idea de cómo la aleatoriedad causa problemas, un usuario a menudo se sorprenderá de lo mal que resultan sus decisiones.
• Ser indiferente. El software de primer nivel alienta a los usuarios a jugar "¿qué pasaría si?" escenarios para ver cómo modificar las soluciones calculadas automáticamente para obtener resultados aún mejores. Si el usuario nunca entra en un "¿qué pasaría si?" mentalidad, ellos tendrán un bajo rendimiento. Además, jugar con escenarios alternativos es una de las mejores maneras de crear una sensación instintiva de la aleatoriedad en el sistema.

Conclusión

Las cinco razones descritas aquí muestran por qué implementar un sistema de pronóstico, planificación de la demanda u optimización de inventario no es tan simple como encender el software, importar sus datos históricos y obtener capacitación de usuarios sobre cómo operar el software. Está implementando un nuevo proceso para planificar su negocio y determinar la política de almacenamiento que impulsará el gasto en inventario y afectará su capacidad para captar ventas. Sin embargo, el esfuerzo bien vale la pena. Según un Instituto de Previsión Empresarial (IBF) Blog, una reducción de 1% en el error por debajo del pronóstico en una empresa de $50 millones genera un ahorro de hasta $1,52M. Por el contrario, los beneficios de una reducción de 1% en el error de pronóstico excesivo fueron $1.28M, lo que arrojó un beneficio promedio de $1.4M. ¡Esto significa que puede ahorrarle a su negocio $260,000 anualmente por cada $10 millones en ingresos! 

Probar soluciones de software a través de una serie de competencias empíricas puede ser una opción considerable. Para la previsión/planificación de la demanda, una prueba tradicional de "retención" en la que los datos de 2014-2018 se proporcionan a los proveedores de software y los datos de 2019 se reservan para una comparación posterior con las previsiones proporcionadas por los proveedores de la competencia. Luego, la empresa mide el error de pronóstico y el sesgo. Este enfoque se recomienda casi universalmente para evaluar la precisión de los pronósticos. Es una buena manera de evaluar la precisión del pronóstico mensual o semanal, pero es mínimamente útil si tiene un objetivo diferente: optimizar el inventario.

En nuestro último blog, discutimos cómo elegir un nivel de servicio específico. Indicamos que el hecho de que establezca un objetivo (o un sistema recomiende un objetivo) no significa que realmente lo logrará. La forma correcta de medir la precisión si está interesado en optimizar los niveles de existencias es centrarse en la precisión de la proyección del nivel de servicio. Esto tendrá en cuenta tanto la demanda de tiempo de entrega como el stock de seguridad.

Establecer un nivel de servicio objetivo es una decisión estratégica sobre la gestión de riesgos de inventario. El software de inventario hace el trabajo táctico al calcular los puntos de reorden (también conocidos como minutos) destinados a lograr un objetivo definido por el usuario o que logrará un objetivo óptimo calculado por el sistema. Pero si el software usa el modelo de demanda incorrecto, el nivel de servicio alcanzado perderá el objetivo, a veces significativamente. El resultado de este error será escasez o aumento del inventario, según la dirección del error.

La previsión es un medio para un fin. El fin es optimizar los niveles de inventario. Debido a que la demanda es incierta, las empresas que necesitan proporcionar incluso niveles de servicio moderados deben almacenar más de lo previsto, a menudo mucho más. Pero, ¿un error de pronóstico bajo no significa un inventario de seguridad más bajo? ¿Cuanto mejores sean mis pronósticos, menor será mi inventario? Si verdad. Pero lo que importa al determinar el inventario requerido son los pronósticos precisos de la demanda más probable y las estimaciones precisas de la variabilidad en torno a la demanda más probable.

Especialmente con demanda intermitente de cola larga, las evaluaciones de precisión de pronóstico tradicionales sobre un horizonte de pronóstico convencional de 12 meses pierden el punto de tres maneras.

– En primer lugar, la escala de tiempo relevante para la optimización del inventario es el plazo de reposición, que suele ser mucho más corto que 12 meses. La demanda durante los plazos de entrega medidos en días o semanas tiene una volatilidad que se promedia en horizontes de previsión a largo plazo. Esto es malo porque tener en cuenta el efecto de la volatilidad es esencial para el cálculo de los puntos de pedido óptimos.

– Segundo, la precisión del pronóstico evaluada sobre un horizonte de pronóstico de varios meses se enfoca en el error típico en un mes típico dentro del horizonte. Por el contrario, la optimización del inventario requiere un enfoque en la demanda acumulada, no en la demanda período por período.

– En tercer lugar, y lo más importante, las métricas de error de pronóstico se centran en la mitad de la distribución de la demanda, con el objetivo de estimar la demanda más probable. Pero establecer puntos de reorden implica estimar percentiles altos de la distribución de la demanda acumulada durante un tiempo de entrega. Estimar el medio un poco mejor pero no tener idea de, digamos, el percentil 95, no es útil.

Considere este ejemplo hipotético. Si el proveedor A pronostica 20 unidades con un error de 110% y el proveedor B pronostica 22 unidades con un error de 105%, entonces el proveedor B tiene una ventaja en el juego de pronóstico. Pero si quieres un alto nivel de servicio y la demanda es intermitente, tendrás que almacenar mucho más de 20 o 22 unidades. Supongamos que selecciona la tecnología del proveedor B para planificar los niveles de existencias. Entonces se da cuenta de que cuando planifica los puntos de reorden para lograr un nivel de servicio 95%, a menudo se queda corto, mucho más a menudo que el 5% esperado en ese momento. Se da cuenta de que el enfoque del proveedor B subestima por completo el stock de seguridad necesario para lograr el objetivo de servicio deseado. Centrarse en el error de previsión de los proveedores no va a ayudar. Llegará a desear haber verificado los proveedores A y B. precisión del nivel de servicio. Ahora está atascado ajustando arbitrariamente los objetivos de nivel de servicio del proveedor B para compensar el déficit.

Entonces, lo que se necesita en las competencias de proveedores es la evaluación de las capacidades de sus sistemas para pronosticar con precisión el inventario requerido para cumplir con un nivel de servicio determinado durante el tiempo de reabastecimiento de un artículo. Centrarse estrictamente en medir el error de pronóstico no es apropiado si la misión está administrando el inventario. Esto es especialmente cierto para artículos de cola larga con demanda intermitente o artículos que tienen un volumen medio a alto pero que no tienen una distribución de demanda que parezca la clásica "curva en forma de campana" (distribución normal).

El resto de este blog explica cómo probar la precisión de los cálculos del nivel de servicio del software, para que pueda monitorear el riesgo de perder sus objetivos de nivel de servicio. Recomendamos esta prueba de precisión sobre las pruebas tradicionales de "pronóstico versus datos reales" porque proporciona mucha más información sobre cómo las recomendaciones del punto de pedido influirán en los niveles de inventario y el servicio al cliente.

El personal de la oficina está analizando la métrica de precisión de pronóstico correcta para la planificación de inventario

Nivel de servicio definido

Considere un solo artículo de inventario. Cuando el inventario cae por debajo del punto de pedido, se genera un pedido de reposición. Esto inicia un período de riesgo que dura tanto como el tiempo de reabastecimiento. Durante el período de riesgo, puede haber suficientes demandas entrantes para crear pedidos pendientes o pérdida de ventas. El nivel de servicio es la probabilidad de que no haya pedidos atrasados ni desabastecimientos durante el tiempo de reabastecimiento. Los elementos críticos pueden recibir niveles de servicio objetivo muy altos, por ejemplo, 99%, mientras que otros elementos pueden tener objetivos más relajados, como 75%. Cualquiera que sea el nivel de servicio objetivo, lo mejor es alcanzar ese objetivo.

Cálculo del nivel de servicio

El nivel de servicio para un artículo individual solo se puede estimar mediante la comparación repetida de la demanda observada del tiempo de entrega contra el punto de reorden calculado. Estas estimaciones toman mucho tiempo: al menos decenas de plazos de entrega. Pero el nivel de servicio de la flota se puede estimar utilizando datos recopilados durante un tiempo de entrega único.

Hagamos un ejemplo. Suponga que tiene historiales de demanda de 1000 artículos durante 365 días y que (para simplificar) todos los artículos tienen plazos de entrega de 45 días. Para cada artículo, siga estos pasos para estimar el nivel de servicio logrado por flota:

Paso 1: Deje de lado ("retenga") los últimos 45 días de demanda (o la cantidad de días más cercana a sus plazos de entrega típicos). Calcule su suma, que es el valor más reciente de la demanda de tiempo de entrega real. Esta es la verdad básica que se utilizará para estimar el nivel de servicio alcanzado.

Paso 2: Utilice los 320 días anteriores del historial de demanda para pronosticar el inventario necesario para alcanzar una variedad de objetivos de nivel de servicio, digamos 90%, 95%, 97% y 99%.

Paso 3: Compruebe si la demanda del tiempo de entrega observada es menor o igual que el punto de reorden. Si es así, cuenta esto como una victoria; de lo contrario, cuéntelo como una pérdida. Por ejemplo, si el punto de reorden es de 15 unidades pero la demanda de tiempo de entrega más reciente es de 10 unidades, entonces esto es una victoria, ya que el punto de reorden es lo suficientemente alto para cubrir una demanda de tiempo de entrega de 10 sin escasez. Sin embargo, si la demanda de tiempo de entrega más reciente es de 18 unidades, habría un desabastecimiento y 3 unidades estarían en espera o se contarían como ventas perdidas.

Paso 4: Trabajando en todos los elementos y todos los objetivos de nivel de servicio, cuente el porcentaje de pruebas para cada objetivo de nivel de servicio que resultó en una victoria. Este es el nivel de servicio alcanzado. Si el objetivo era 90% y 853 de las 1000 unidades registran una victoria, entonces el nivel de servicio alcanzado es 85.3%.

Ejemplo

Considere un ejemplo del mundo real. Los datos son historiales de demanda diarios de 590 artículos de suministros médicos utilizados en una clínica de fama internacional. Para simplificar, asumimos que cada artículo tiene un plazo de entrega de 45 días. Evaluamos los niveles de servicio objetivo de 70%, 90%, 95% y 99%.
Comparamos dos modelos de demanda. El modelo "Normal" asume que la demanda diaria tiene una distribución Normal ("en forma de campana"). Esta es la suposición clásica utilizada en la mayoría de los libros de texto introductorios sobre el control de inventario y en muchos productos de software. Por clásico que sea, a menudo es un modelo inapropiado de demanda de repuestos o suministros. El modelo de “Pronóstico de probabilidad” tiene en cuenta explícitamente la naturaleza intermitente de la demanda.

El Anexo 1 muestra los resultados. La columna J muestra la demanda real sobre las últimas 45 observaciones. Los puntos de pedido calculados para el modelo avanzado se muestran en las columnas LO. Los puntos de reorden calculados para el modelo Normal no se muestran. Las columnas QT y VY contienen los resultados de las pruebas para determinar si los puntos de pedido fueron lo suficientemente altos para manejar las demandas de tiempo de entrega en la columna J.

Los resultados finales (celdas amarillas) muestran una clara diferencia entre los modelos de demanda Normal y Probabilidad (Avanzado). Ambos hicieron un buen trabajo al alcanzar el objetivo de nivel de servicio 70%, pero estimar niveles de servicio más altos es un cálculo más delicado y el modelo de probabilidad hace un trabajo mucho mejor. Por ejemplo, el supuesto nivel de servicio 99% del modelo Normal resultó ser solo 94.4%, mientras que el modelo de Probabilidad alcanzó el objetivo con un nivel de servicio alcanzado de 98.5%.

Trascendencia

La utilización del método más preciso logró el nivel de servicio objetivo, mientras que el método menos preciso no lo logró. Si se utiliza el método menos preciso, se tomarán decisiones comerciales reales y costosas bajo la suposición falsa de que se logrará un nivel de servicio más alto. Por ejemplo, si un acuerdo de nivel de servicio (SLA) se basa en estos resultados y se compromete a un nivel de servicio 99%, el proveedor tendría cinco veces más probabilidades de quedarse sin existencias de lo previsto (nivel de servicio prometido = 99% o 1% riesgo de falta de existencias frente a nivel de servicio alcanzado = 94,5% o 5,5% de riesgo de desabastecimiento)! Esto significa que se incurrirá en sanciones financieras cinco veces más a menudo de lo esperado.

Suponga que los planificadores sabían que no se alcanzaría el nivel de servicio objetivo, pero se quedaron atrapados usando un modelo inexacto. Todavía necesitarían una forma de aumentar el inventario y lograr el nivel de servicio deseado. ¿Qué podrían elegir hacer? Hemos observado situaciones en las que el planificador ingresa un objetivo de nivel de servicio más alto que el necesario para "engañar" al sistema para que entregue el nivel de servicio requerido. En el ejemplo anterior, el modelo Normal necesitaba tener un nivel de servicio 99.99% ingresado antes de que pudiera alcanzar un nivel de servicio objetivo de 99%. Este cambio resultó en lograr un servicio 99% pero duplicó con creces la inversión en inventario en comparación con el modelo Avanzado.

Implementación de una prueba de precisión del nivel de servicio

En Smart Software, animamos a muchos de nuestros clientes a realizar la prueba de precisión del nivel de servicio como una forma de evaluar nuestras afirmaciones y las de otros proveedores durante el proceso de selección de software. No cumplir con el objetivo de nivel de servicio tiene implicaciones extremadamente costosas que resultan en un exceso o falta de existencias sustanciales. Por lo tanto, pruebe la precisión del nivel de servicio antes de implementar una solución para identificar situaciones en las que falla el modelado. No asuma que alcanzará el nivel de servicio que decida alcanzar (o que el sistema recomiende). Para solicitar una hoja de cálculo de Excel que sirva como plantilla para una prueba de precisión del nivel de servicio, envíe su información de contacto por correo electrónico a info@smartcorp.com e ingrese "Plantilla de precisión" en la línea de asunto.

No, no ese tipo de cambio de régimen: nada aquí sobre misiles de crucero y bombarderos furtivos. Y no, no estamos hablando del otro tipo de cambio de régimen que golpea más cerca de casa: barajar el C-Suite en su empresa.

“Cambio de régimen” tiene un tercer significado que es relevante para su profesión como planificador de demanda o administrador de inventario. Para los investigadores en economía y finanzas, el cambio de régimen significa cambios repentinos en el carácter mismo de una serie temporal de observaciones aleatorias. La serie temporal aleatoria en cuestión aquí es la secuencia de conteos de demanda diarios (o semanales o mensuales) para sus productos y artículos de inventario.

La mayoría del software de pronóstico utiliza algoritmos estadísticos para procesar la demanda histórica. Puede agregar pasos adicionales, como incorporar inteligencia de campo del personal de ventas, pero todo comienza con el historial de demanda de cualquier artículo que deba administrar.

La pregunta que plantea el cambio de régimen es, ¿qué datos utiliza? La respuesta simple es "Todo", porque eso conduce a los pronósticos más precisos, pero solo si su mundo de datos es estable. Si su mundo de datos es turbulento, usar todos los datos significa que está basando los pronósticos en condiciones pasadas. A su vez, ingresar datos obsoletos en su algoritmos de pronóstico conduce inevitablemente a una reducción de la precisión del pronóstico.

Tenga en cuenta que lidiar con un cambio de régimen no es lo mismo que lidiar con valores atípicos. Los valores atípicos suelen ser excepciones únicas causadas por eventos transitorios, como una torcedura en su cadena de suministro causada por una gran tormenta de nieve que obstruye todas las rutas de tránsito. Por el contrario, el cambio de régimen persiste durante un período más largo y, por lo tanto, es capaz de causar más daño a sus pronósticos. He aquí una analogía: los valores atípicos tienen que ver con el clima y el cambio de régimen tiene que ver con el clima.

Las formas más drásticas de cambio de régimen son existenciales. La Figura 1 muestra un ejemplo de un cambio existencial: no hubo demanda durante mucho tiempo, y de repente hubo demanda. Si no tenía demanda de un artículo porque no existía pero retiene valores de demanda cero en su base de datos, y luego el artículo se activa y tiene ventas, la transición de nada a algo es un cambio de régimen extremo. Incluir todos esos valores de demanda cero desde antes del "Día Uno" seguramente sesgará los pronósticos estadísticos por debajo de donde deberían estar. Lo mismo sucede si elimina un producto pero sigue registrando una demanda cero: incluir todos esos ceros recientes degrada sus pronósticos de demanda.

En principio, el mantenimiento cuidadoso de registros debería eliminar estos problemas. Debe registrar solo valores cero significativos. Si tiene un elemento nuevo, comience a grabar cuando se publique. Si ya no tiene demanda de un artículo y no espera ninguna, elimínelo de su base de datos o al menos pronostique una demanda cero.

Desafortunadamente, hay una diferencia entre el principio y la práctica. Vemos muchos casos en los que los registros de datos de elementos nuevos e inactivos no se mantienen correctamente, con "ceros falsos" confundidos con "ceros reales". Este problema no es necesariamente el resultado de la incompetencia: por lo general, es un subproducto de la escala del problema, con muy pocas personas tratando de realizar un seguimiento de demasiados elementos.

Estos cambios de régimen existencial son relativamente fáciles de manejar en comparación con formas más sutiles, que parecen afectar a más elementos. La figura 2 muestra dos ejemplos de cambios de régimen en un patrón de ventas continuas. Hay una serie de factores que pueden cambiar la demanda de un artículo: el rendimiento de la fuerza de ventas, los esfuerzos de marketing y publicidad, las acciones de la competencia y del proveedor, la aparición de nuevos clientes o la desaparición de clientes antiguos, etc. 1 unidad por día pero de repente se duplica (o viceversa), eso es un cambio de régimen. En el nuevo orden mundial, la demanda es de 2 unidades/día y los pronósticos deberían reflejar eso. En cambio, los algoritmos de pronóstico estadístico pronosticarán muy poca demanda si se alimentan todos los datos, incluidos los anteriores al cambio de régimen.

¿Cómo te proteges del cambio de régimen? La respuesta es la misma para el dictador más cruel o el planificador de demanda más inocente: Inteligencia. Y debido a que las amenazas son muchas, la inteligencia se automatiza mejor. Los sistemas de software modernos tienen la capacidad de examinar decenas de miles de elementos en busca de signos de cambio de régimen. Luego, el software puede llamar su atención sobre los elementos problemáticos y pedirle que designe qué datos recientes usar en los cálculos. O el software puede detectar y corregir automáticamente el cambio de régimen, trabajando rápidamente a una escala que derrotaría fácilmente a cualquier persona ocupada que trabaja "a mano".

Quants y colapsos financieros

Dedico gran parte de mi tiempo a desarrollar nuevos métodos cuantitativos para la previsión estadística, la previsión de la demanda y la optimización del inventario. Para mí, esta es una forma atractiva de contribuir a la sociedad. Pero sé que la forma más prudente de desarrollar algoritmos es apartarme un poco y mirar con escepticismo mi propio trabajo.

La necesidad de este escepticismo me fue resaltada recientemente cuando leí el libro de Scott Patterson Los cuantos: cómo una nueva generación de expertos en matemáticas conquistó Wall Street y casi lo destruyó (Publicación de la corona, 2010). Este libro revisó los "quants" cuyos complejos modelos financieros fueron en gran parte responsables del colapso financiero en 2007. Mientras leía y pensaba "¿Qué les pasaba a estos tipos?" Empecé a preguntarme si nosotros, los cuantitativos de la cadena de suministro, éramos culpables de algunos de los mismos pecados.

Modelos versus Instintos

En general, el campo de la cadena de suministro se ha quedado atrás de las finanzas en términos del uso de modelos estadísticos. Mis colegas de la universidad y yo estamos trabajando en eso, pero tenemos un largo camino por recorrer. Algunas cadenas de suministro son bastante sofisticadas técnicamente, pero muchas, quizás más, se manejan esencialmente tanto por instinto como por números. ¿Es más seguro evitar los análisis que confiar en los modelos?

Lo que hace que el instinto visceral sea peligroso es que es muy amorfo. Todos los que trabajan mucho tiempo en un trabajo desarrollan instintos, pero la longevidad no es lo mismo que la sabiduría. Es posible aprender todas las lecciones equivocadas durante una larga carrera. También es posible perder la oportunidad de aprender las lecciones correctas porque es posible que nunca surjan ciertos escenarios informativos en la carrera de una persona. También es posible tener días buenos y días malos; incluso los gurús pueden equivocarse. El instinto visceral también es antiproductivo, ya que todas las decisiones tienen que pasar por ese instinto, lo que se convierte en un cuello de botella empresarial. Y Golden Guts finalmente alcanzan sus años dorados y toman su Golden Watch y se van a un Golden Sunset; en ese momento, cualquier experiencia que haya estado presente ha salido por la puerta.

Por el contrario, los modelos tienen ciertas ventajas. En relación con el instinto visceral, los modelos son:

• Explícito: La teoría de la operación de la cadena de suministro se expone para que todos la vean.
• Adaptativo: debido a que la teoría es visible, puede revisarse, criticarse, probarse con datos y evolucionar.
• Consistentes: los modelos pueden ser más o menos ciertos, pero no están sujetos a la variabilidad de un día a otro.
• Integral: al menos potencialmente, los modelos pueden acumular una amplia gama de experiencia empírica, incluidos escenarios nunca encontrados durante la carrera de una persona.
• Instructivo: Los modelos son colecciones de relaciones entre variables. Si se hacen visibles las “tripas” del modelo, los usuarios pueden aprender acerca de esas relaciones.

Error de modelo

Sin embargo, a pesar de todas sus virtudes, los modelos también pueden estar equivocados. De hecho, eso es un hecho. Una forma constructiva de vivir con esto está codificada en el famoso aforismo del Dr. George Box, uno de los mejores modeladores del último medio siglo: “Todos los modelos están equivocados. Algunos son útiles.

Los modelos financieros cuantitativos estaban equivocados al ser demasiado simplificados. Comenzaron con una creencia casi religiosa en la eficiencia de los mercados y desarrollaron modelos estadísticos que hacían ciertas suposiciones que tenían más probabilidades de ser ciertas en el mundo físico que en el mundo financiero. Entre estos estaban las distribuciones normales de los cambios en los precios de los activos y la independencia de los eventos en varios rincones del mercado. También asumieron la racionalidad humana.

Debería ser un poco alarmante que las suposiciones de independencia y distribución normal también sean la base de muchos de los modelos en el software de la cadena de suministro. De hecho, existen modelos alternativos de la dinámica de la cadena de suministro que no requieren estos supuestos simplificadores, por lo que este es un riesgo innecesario que corren muchos, quizás la mayoría, de los usuarios del software de la cadena de suministro.

Pero incluso con suposiciones de modelos más sólidas y realistas, no se puede negar que el error del modelo es un riesgo constante. Entonces, ¿puedes ser víctima de tus modelos? Por supuesto que puede.

Autoprotección: mire los datos

Cada profesional de la cadena de suministro que utiliza modelos, entonces, está sujeto al riesgo de modelo. Pero a diferencia de las decisiones basadas en la intuición, las decisiones basadas en cálculos de modelos pueden exponerse y compararse con los resultados del mundo real. La verificación repetida es la mejor manera de protegerse contra el error del modelo, porque no solo prueba si el modelo es realista, sino que también indica cuándo es el momento de actualizar el modelo.

Como se señaló anteriormente, un modelo es un conjunto de relaciones funcionales entre variables clave. Esas relaciones tienen parámetros que ajustan el modelo al contexto operativo actual. Por ejemplo, los modelos de la cadena de suministro a menudo se basan, en parte, en estimaciones de la volatilidad de la demanda. Los datos históricos de demanda se utilizan para calcular los valores numéricos de estos parámetros. Si cambia la volatilidad de la demanda, el modelo se vuelve obsoleto y es probable que produzca recomendaciones inapropiadas. Por lo tanto, la buena práctica exige actualizaciones frecuentes de los parámetros del modelo.

Incluso cuando los valores de los parámetros son actuales, todavía puede haber problemas debido a relaciones funcionales incorrectas. Por ejemplo, considere la relación entre la media y la desviación estándar de la demanda de repuestos. En términos generales, cuanto mayor sea la demanda promedio, mayor será la volatilidad de la demanda medida por la desviación estándar.

Ahora considere modelos simplificados de la “vieja escuela” que describen la demanda de repuestos como un proceso de Poisson. El proceso de Poisson es muy útil y relativamente simple, por lo que a menudo aparece en las clases de Estadística 101. Debido a su relativa simplicidad, los modelos de Poisson son las ratas blancas del análisis de la cadena de suministro de repuestos, es decir, las personas realizan experimentos informáticos y desarrollan teorías basadas en el comportamiento de los modelos de demanda de Poisson. Para los modelos de Poisson, la desviación estándar de la demanda es igual a la raíz cuadrada de la media. Sin embargo, cuando observamos los datos de demanda real de nuestros clientes, descubrimos que la relación real entre la media y la desviación estándar de la demanda se describe mejor mediante una relación de ley de potencia más general. Por lo tanto, el modelo simple puede usar estimaciones precisas de la media y la desviación estándar, pero aun así no reflejar con precisión su relación. Esto, a su vez, conduce a recomendaciones incorrectas sobre los puntos de pedido de piezas de repuesto. Verificar datos reales es el mejor antídoto contra las suposiciones arrogantes.

Qué hacer a continuación

No siento que los modelos actuales de la cadena de suministro estén al borde de crear el tipo de colapso que vimos al comienzo de la Gran Recesión. Pero aquellos de nosotros que somos expertos en la cadena de suministro debemos mostrar más madurez profesional que nuestros colegas financieros. Necesitamos no enamorarnos de nuestros modelos, y debemos alertar a nuestros clientes para corregir la higiene del modelo.

Por lo tanto, usuarios de modelos, lávense las manos con frecuencia a medida que comienza la temporada de gripe, y laven sus modelos minuciosamente a través de datos duros para asegurarse de que los modelos en los que confían estén actualizados y se basen en la realidad. Ambos pasos lo protegerán de ser víctima de sus modelos y le permitirán explotar sus ventajas sobre la administración por intuición.

Apéndice: Consejos técnicos

El análisis de la cadena de suministro proporciona varios tipos de resultados. En el ámbito de la previsión y la planificación de la demanda, la comprobación empírica obvia es comparar las previsiones con los valores reales de la demanda que finalmente se revelan. Este mismo “pronosticar y luego verificar” El enfoque también se puede utilizar en la generación de pronósticos. En el ámbito de la gestión de inventario, los modelos pueden basarse en pronósticos para recomendar opciones de políticas, como puntos de pedido y cantidades de pedidos o valores mínimos y máximos. Existe una forma inteligente de confirmar la precisión de las recomendaciones de puntos de reorden y Min's. ver nuestro blog La métrica de precisión de pronóstico correcta para la planificación de inventario