El Blog de Smart

Siguiendo las mejores prácticas en la planificación de la demanda,

previsión y optimización de inventario

Tremendous cost-saving efficiencies can result from optimizing inventory stocking levels using the best predictions of future demand. Familiarity with forecasting basics is an important part of being effective with the software tools designed to exploit this efficiency. This concise introduction (the first in a short series of blog posts) offers the busy professional a primer in the basic ideas you need to bring to bear on forecasting. How do you evaluate your forecasting efforts, and how reliable are the results?

A good forecast is “unbiased.” It correctly captures predictable structure in the demand history, including: trend (a regular increase or decrease in demand); seasonality (cyclical variation); special events (e.g. sales promotions) that could impact demand or have a cannibalization effect on other items; and other, macroeconomic events.

By “unbiased,” we mean that the estimated forecast is not projecting too high or too low; the actual demand is equally likely to be above or below predicted demand. Think of the forecast as your best guess of what could happen in the future. If that forecast is “unbiased,” the overall picture will show that measures of actual future demand will “bracket” the forecasts—distributed in balance above and below predictions by the equal odds.

You can think of this as if you are an artillery officer and your job is to destroy a target with your cannon. You aim your cannon (“the forecast”) and then shoot and watch the shells fall. If you aimed the cannon correctly (producing an “unbiased” forecast), those shells will “bracket” the target; some shells will fall in front and some shells fall behind, but some shells will hit the target. The falling shells can be thought of as the “actual demand” that will occur in the future. If you forecasted well (aimed your cannon well), then those actuals will bracket the forecasts, falling equally above and below the forecast.

Once you have obtained an “unbiased” forecast (in other words, you aimed your cannon correctly), the question is: how accurate was your forecast? Using the artillery example, how wide is the range around the target in which your shells are falling? You want to have as narrow a range as possible. A good forecast will be one with the minimal possible “spread” around the target.

However, just because the actuals are falling widely around the forecast does not mean you have a bad forecast. It may merely indicate that you have very “volatile” demand history. Again, using the artillery example, if you are starting to shoot in a hurricane, you should expect the shells to fall around the target with a wide error.

Your goal is to obtain as accurate a forecast as is possible with the data you have. If that data is very volatile (you’re shooting in a hurricane), then you should expect a large error. If your data is stable, then you should expect a small error and your actuals will fall close to the forecast—you’re shooting on a clear day!

So that you can understand both the usefulness of your forecasts and the degree of caution appropriate when applying them, you need to be able to review and measure how well your forecast is doing. How well is it estimating what actually occurs? SmartForecasts does this automatically by running its “sliding simulation” through the history. It simulates “forecasts” that could have occurred in the past. An older part of the history, without the most recent numbers, is isolated and used to build forecasts. Because these forecasts then “predict” what might happen in the more recent past—a period for which you already have actual demand data—the forecasts can be compared to the real recent history.

In this manner, SmartForecasts can empirically compute the actual forecast error—and those errors are needed to properly estimate safety stock. Safety stock is the amount of extra stock you need to carry in order to account for the anticipated error in your forecasts. In a subsequent essay, I’ll discuss how we use our estimated forecasts error (via the SmartForecasts sliding simulation) to correctly estimate safety stocks.

Nelson Hartunian, PhD, co-founded Smart Software, formerly served as President, and currently oversees it as Chairman of the Board. He has, at various times, headed software development, sales and customer service.

Deja un comentario

Artículos Relacionados

Mensajes recientes

  • Mecánico barbudo maduro en uniforme examinando la máquina y reparándola en fábricaPlanificación de consumibles frente a piezas reparables
    Al decidir los parámetros correctos de almacenamiento de repuestos y piezas de repuesto, es importante distinguir entre piezas consumibles y reparables. Estas diferencias a menudo se pasan por alto por el software de planificación de inventario y pueden dar lugar a estimaciones incorrectas de lo que hay que almacenar. Se requieren diferentes enfoques al planificar consumibles frente a reparables. […]
  • Cuatro errores comunes al planificar los objetivos de reposiciónCuatro errores comunes al planificar los objetivos de reposición
    ¿Con qué frecuencia recalibra sus políticas de almacenamiento? ¿Por qué? Aprenda a evitar errores clave al planificar objetivos de reabastecimiento mediante la automatización del proceso, la recalibración de piezas, el uso de métodos de previsión de objetivos y la revisión de excepciones. […]
  • Smart Software se complace en presentar nuestra serie de seminarios web, ofrecidos exclusivamente para usuarios de Epicor.Amplíe el pronóstico y la planificación mínima/máxima de Epicor Kinetic con Smart IP&O
    Epicor Kinetic puede administrar el reabastecimiento al sugerir qué ordenar y cuándo a través de políticas de inventario basadas en puntos de reorden. El problema es que el sistema ERP requiere que el usuario especifique manualmente estos puntos de pedido o use un enfoque rudimentario de "regla general" basado en promedios diarios. En este artículo, revisaremos la funcionalidad de pedido de inventario en Epicor Kinetic, explicaremos sus limitaciones y resumiremos cómo reducir el inventario y minimizar los desabastecimientos al proporcionar la sólida funcionalidad predictiva que falta en Epicor. […]
  • Pronóstico basado en escenarios vs EcuacionesPronóstico basado en escenarios versus ecuaciones
    Tradicionalmente, el software ha servido como vehículo de entrega de ecuaciones. Esto está bien, hasta donde llega. Pero en Smart Software creemos que le iría mejor cambiando sus ecuaciones por escenarios. Descubra por qué la planificación basada en escenarios ayuda a los planificadores a gestionar mejor el riesgo y crear mejores resultados. […]
  • Amplíe Microsoft 365 BC y NAV con Smart IP&OAmplíe Microsoft 365 BC y NAV con Smart IP&O
    Microsoft 365 BC y NAV pueden administrar el reabastecimiento al sugerir qué pedir y cuándo a través de políticas de inventario basadas en puntos de reorden. El problema es que el sistema ERP requiere que el usuario especifique manualmente estos puntos de pedido y/o pronósticos. En este artículo, revisaremos la funcionalidad de pedidos de inventario en Microsoft BC & NAV, explicaremos sus limitaciones y resumiremos cómo reducir el inventario y minimizar los desabastecimientos proporcionando la sólida funcionalidad predictiva que falta en Dynamics 365. […]

    Optimización de inventario para fabricantes, distribuidores y MRO

    • Pedidos generales Software inteligente Demanda y planificación de inventario HDÓrdenes generales
      Nuestros clientes son grandes maestros que siempre nos han ayudado a cerrar la brecha entre la teoría de los libros de texto y la aplicación práctica. Un excelente ejemplo sucedió hace más de veinte años, cuando nos presentaron el fenómeno de la demanda intermitente, que es común entre las piezas de repuesto pero poco común entre los productos terminados administrados por nuestros clientes originales que trabajan en ventas y marketing. Esta revelación pronto llevó a nuestra posición preeminente como proveedores de software para la gestión de inventarios de piezas de repuesto. Nuestra última parte de la educación se refiere a las "órdenes generales". […]
    • Mano colocando piezas para construir una flechaPronóstico Probabilístico para Demanda Intermitente
      La nueva tecnología de pronóstico se deriva del pronóstico probabilístico, un método estadístico que pronostica con precisión tanto la demanda promedio de productos por período como los requisitos de inventario del nivel de servicio al cliente. […]
    • Ingeniería bajo pedido en Kratos Space: hacer que la disponibilidad de piezas sea una ventaja estratégica
      El grupo Kratos Space dentro del innovador en tecnología de seguridad nacional Kratos Defense & Security Solutions, Inc., produce el software COTS y los productos de componentes para las comunicaciones espaciales: hacer de la disponibilidad de piezas una ventaja estratégica […]
    • figuras-de-madera-de-personas-y-un-iman-equipo-gestion-almacen inventarioGestión del inventario de artículos promocionados
      En una publicación anterior, analicé uno de los problemas más espinosos que a veces enfrentan los planificadores de demanda: trabajar con datos de demanda de productos caracterizados por lo que los estadísticos llaman asimetría, una situación que puede requerir costosas inversiones en inventario. Este tipo de datos problemáticos se encuentran en varios escenarios diferentes. En al menos uno, la combinación de demanda intermitente y promociones de ventas muy efectivas, el problema se presta a una solución efectiva. […]