El Blog de Smart

Recomendaciones para la planificación de la demanda,

previsión y optimización de inventario

En mi publicación anterior de esta serie sobre conceptos esenciales, “¿Qué es 'Un buen pronóstico'”, discutí el esfuerzo básico para descubrir el futuro más probable en un escenario de planificación de la demanda. Definí un buen pronóstico como aquel que es imparcial y lo más preciso posible. Pero también advertí que, dependiendo de la estabilidad o volatilidad de los datos con los que tenemos que trabajar, aún puede haber alguna inexactitud incluso en un buen pronóstico. La clave es tener una comprensión de cuánto.

Este tema, la gestión de la incertidumbre, es el tema de la publicación de mi colega Tom Willemain, “El promedio no es la respuesta”. Su publicación establece la teoría para enfrentar responsablemente los límites de nuestra capacidad predictiva. Es importante entender cómo funciona esto realmente.

Como mencioné brevemente al final de mi publicación anterior, nuestro enfoque comienza con algo llamado "simulación deslizante". Estimamos con qué precisión predecimos el futuro utilizando nuestras técnicas de pronóstico en una parte más antigua de la historia, excluyendo los datos más recientes. Luego podemos comparar lo que hubiéramos predicho para el pasado reciente con nuestra información real del mundo real sobre lo que sucedió. Este es un método confiable para estimar qué tan cerca estamos prediciendo la demanda futura.

El inventario de seguridad, un amortiguador cuidadosamente medido en el nivel de inventario que almacenamos por encima de nuestra predicción de la demanda más probable, se deriva de la estimación del error de pronóstico que surge de la "simulación deslizante". Este enfoque para lidiar con la precisión de nuestros pronósticos se equilibra de manera eficiente entre ignorar la amenaza de la sobrecompensación impredecible y costosa.

En detalles más técnicos: los errores de pronóstico que se estiman mediante este proceso de simulación deslizante indican el nivel de incertidumbre. Usamos estos errores para estimar la desviación estándar de los pronósticos. Ahora, con una demanda regular, podemos suponer que los pronósticos (que son estimaciones del comportamiento futuro) están mejor representados por una distribución de probabilidad en forma de campana, lo que los estadísticos llaman la "distribución normal". El centro de esa distribución es nuestro pronóstico puntual. El ancho de esa distribución es la desviación estándar del pronóstico de "simulación deslizante" de los valores reales conocidos; lo obtenemos directamente de nuestras estimaciones de error de pronóstico.

Una vez que conocemos la curva específica en forma de campana asociada con el pronóstico, podemos estimar fácilmente la reserva de existencias de seguridad que se necesita. La única entrada nuestra es el "nivel de servicio" que se desea, y se puede determinar el stock de seguridad en ese nivel de servicio. (El nivel de servicio es esencialmente una medida de la confianza que debemos tener en nuestros niveles de existencias de inventario, con una confianza cada vez mayor que requiere los gastos correspondientes en inventario adicional). Tenga en cuenta que estamos asumiendo que la distribución correcta a usar es la distribución normal. Esto es correcto para la mayoría de las series de demanda en las que tiene una demanda regular por período. Falla cuando la demanda es esporádica o intermitente.

En el próximo artículo de esta serie, analizaré cómo Smart Forecasts trata la estimación del stock de seguridad en aquellos casos de demanda intermitente, cuando la suposición de normalidad es incorrecta.

Nelson Hartunian, PhD, cofundó Smart Software, anteriormente se desempeñó como presidente y actualmente lo supervisa como presidente de la junta. Ha dirigido, en varias ocasiones, el desarrollo de software, las ventas y el servicio al cliente.

Deja un comentario

Artículos Relacionados

Correlation vs Causation: Is This Relevant to Your Job?

Correlation vs Causation: Is This Relevant to Your Job?

Outside of work, you may have heard the famous dictum “Correlation is not causation.” It may sound like a piece of theoretical fluff that, though involved in a recent Noble Prize in economics, isn’t relevant to your work as a demand planner. Is so, you may be only partially correct.

Tipos de problemas de pronóstico que ayudamos a resolver

Tipos de problemas de pronóstico que ayudamos a resolver

Generar pronósticos estadísticos precisos no es una tarea fácil. Los planificadores deben mantener los datos históricos continuamente actualizados, crear y administrar una base de datos de modelos de pronóstico, saber qué métodos de pronóstico usar, realizar un seguimiento de las anulaciones de pronóstico e informar sobre la precisión del pronóstico. Estos son ejemplos de problemas de pronóstico que SmartForecasts puede resolver, junto con los tipos de datos comerciales representativos de cada uno.

Tres formas de estimar la precisión del pronóstico

Tres formas de estimar la precisión del pronóstico

La precisión del pronóstico es una métrica clave para juzgar la calidad de su proceso de planificación de la demanda. Una vez que tenga pronósticos, hay varias formas de resumir su precisión, generalmente designadas por acrónimos oscuros de tres o cuatro letras como MAPE, RMSE y MAE.

Mensajes recientes

  • professional technician engineer planning spare parts in industrial manufacturing factory,Prepare your spare parts planning for unexpected shocks
    In today's unpredictable business climate, we do have to worry about supply chain disruptions, long lead times, rising interest rates, and volatile demand. With all these challenges, it's never been more vital for organizations to accurately forecast parts usage, stocking levels, and to optimize replenishment policies such as reorder points, safety stocks, and order quantities. In this blog, we'll explore how companies can leverage innovative solutions like inventory optimization and parts forecasting software that utilize machine learning algorithms, probabilistic forecasting, and analytics to stay ahead of the curve and protect their supply chains from unexpected shocks. […]
  • Uncover data facts and improve inventory performanceUncover data facts and improve inventory performance
    The best inventory planning processes rely on statistical analysis to uncover relevant facts about the data. When you have the facts and add your business knowledge, you can make more informed stocking decisions that will generate significant returns. You'll also set proper expectations with internal and external stakeholders, ensuring there are fewer unwelcome surprises. […]
  • Electricity problems. Repairman is working indoors with Software for spare partsElectric Utilities’ Problems with Spare Parts
    Every organization that runs equipment needs spare parts. All of them must cope with issues that are generic no matter what their business. Some of the problems, however, are industry specific. This post discusses one universal problem that manifested in a nuclear plant and one that is especially acute for any electric utility. […]
  • Correlation vs Causation Relevant to your demand planning businessCorrelation vs Causation: Is This Relevant to Your Job?
    Outside of work, you may have heard the famous dictum “Correlation is not causation.” It may sound like a piece of theoretical fluff that, though involved in a recent Noble Prize in economics, isn’t relevant to your work as a demand planner. Is so, you may be only partially correct. […]
  • Downtown Miami skyline panorama and with software guided lights on at duskSmart Software Customer, Arizona Public Service to Present at USMA 2023
    Smart Software CEO and APS Inventory & Logistics Manager to present USMA 2023 Session on APS supply chain transformation project and the role of inventory optimization technology in their new process. […]

    Optimización de inventario para fabricantes, distribuidores y MRO

    • professional technician engineer planning spare parts in industrial manufacturing factory,Prepare your spare parts planning for unexpected shocks
      In today's unpredictable business climate, we do have to worry about supply chain disruptions, long lead times, rising interest rates, and volatile demand. With all these challenges, it's never been more vital for organizations to accurately forecast parts usage, stocking levels, and to optimize replenishment policies such as reorder points, safety stocks, and order quantities. In this blog, we'll explore how companies can leverage innovative solutions like inventory optimization and parts forecasting software that utilize machine learning algorithms, probabilistic forecasting, and analytics to stay ahead of the curve and protect their supply chains from unexpected shocks. […]
    • Electricity problems. Repairman is working indoors with Software for spare partsElectric Utilities’ Problems with Spare Parts
      Every organization that runs equipment needs spare parts. All of them must cope with issues that are generic no matter what their business. Some of the problems, however, are industry specific. This post discusses one universal problem that manifested in a nuclear plant and one that is especially acute for any electric utility. […]
    • Mantenimiento de trabajadores máquina industrial robótica Pronóstico RepuestosCómo Pronosticar Repuestos con Bajo Uso
      ¿Qué hace cuando pronostica un artículo con demanda intermitente, como una pieza de repuesto, con una demanda promedio de menos de una unidad por mes? La mayor parte del tiempo, la demanda es cero, pero la parte es significativa en un sentido comercial; no se puede ignorar y se debe pronosticar para asegurarse de tener el stock adecuado. […]
    • Repuestos, repuestos OEM, rotables y repuestos inmediatosRepuestos, repuestos OEM, rotables y repuestos inmediatos
      Aquellos que son nuevos en el juego de planificación de piezas a menudo se confunden con las muchas variaciones en los nombres de las piezas. Este blog señala distinciones que tienen o no importancia operativa para alguien que administra una flota de piezas de repuesto y cómo esas diferencias afectan la planificación del inventario. […]