El Blog de Smart

Recomendaciones para la planificación de la demanda,

previsión y optimización de inventario

Para aprovechar los beneficios de eficiencia de la previsión, necesita las previsiones más precisas: previsiones basadas en los datos históricos más apropiados. La mayoría de las discusiones sobre este tema tienden a centrarse en los méritos de usar la demanda frente al historial de envíos, y comentaré esto más adelante. Pero primero, hablemos sobre el uso de datos netos frente a datos brutos.

Historial neto vs. bruto

Muchos planificadores se inclinan por usar datos de ventas netas para crear sus pronósticos. Los sistemas que rastrean las ventas capturan las transacciones a medida que ocurren y agregan los resultados en totales periódicos semanales o mensuales. En algunos casos, los registros de ventas contabilizan las compras devueltas como ventas negativas y calculan un total neto. Estas cifras netas, que a menudo enmascaran patrones de ventas reales, se introducen en el sistema de previsión. Los datos históricos utilizados en realidad presentan una falsa sensación de lo que quería el cliente y cuándo lo quería. Esto se trasladará al pronóstico, con resultados menos que óptimos.

Suponga que sus datos de ventas se agregan en totales mensuales. Si se utilizan cifras netas mensuales, y las devoluciones se producen en el mismo mes que se compran, no hay problema. La actividad neta del mes refleja la demanda real. Pero, ¿y si el producto se devuelve tres o cuatro meses después de haberlo comprado, como suele ocurrir? Las cifras netas subestiman el interés en el producto para el mes en que se cuenta la devolución y (al parecer) sobrestiman la demanda para el mes de la venta inicial. Reflejar la demanda del producto en el momento equivocado de esta manera interfiere con la capacidad del sistema de pronóstico para identificar adecuadamente el patrón (o la falta del mismo) en los datos.

Dado que completa los pedidos a medida que los recibe, difícilmente se negará a realizar el envío porque cree que podrían devolver el producto en unos pocos meses. Los clientes no soportarían eso. Entonces, por supuesto, desea saber que es probable que ocurra tal demanda. Si van a llegar los pedidos, necesitas stock en tu inventario para satisfacer la demanda, independientemente de las devoluciones posteriores. El uso de cifras netas no es la mejor práctica en estas situaciones.

En la mayoría de los casos, los datos utilizados para preparar pronósticos deben basarse en cifras brutas. Los rendimientos pueden pronosticarse como una variable separada y utilizarse como fuente de suministro entrante. Esto dará como resultado menos pedidos innecesarios de nuevo inventario. En última instancia, este enfoque captura mejor los verdaderos patrones en los datos: el corazón de la previsión.

Datos de envío frente a demanda

Una segunda distinción importante con respecto a los datos históricos puede parecer contraria a la intuición. Casi siempre se alienta a los pronosticadores a usar datos de demanda porque se supone que reflejan mejor lo que el cliente quería y cuándo. Sin embargo, cuando tiene la opción, a veces puede ser más inteligente utilizar los datos de envío.

Un principio rector es considerar la precisión de los datos. En la mayoría de las empresas, los datos de envío reflejan exactamente lo que se envió, mientras que los datos de demanda a menudo están plagados de imprecisiones. Aquí están algunos ejemplos:

Los clientes pueden saber, por ejemplo, que no podrá completar su pedido. En ese caso, es posible que se abstengan de realizar el pedido y esperen hasta que crean que tiene existencias disponibles para satisfacer sus necesidades. Por otro lado, los clientes ansiosos pueden presentar múltiples pedidos electrónicos, preocupados de que alguna falta de comunicación pueda impedir que se procese un pedido vital. Cuando estén seguros de que se ha aceptado un pedido, podrán cancelar los pedidos adicionales. Luego está el caso de un cliente que ha experimentado desabastecimientos contigo en el pasado. Pueden aumentar el tamaño de sus pedidos para maximizar la posibilidad de que se les asigne inventario.

Si tales prácticas plagan su historial de pedidos, puede ser más prudente utilizar los datos de envío. A continuación, puede utilizar la función "ajustar historial" de SmartForecasts para afinar los datos de envío, de modo que refleje mejor la demanda. Sin duda, puede hacer lo mismo con los datos de demanda inexactos, pero a menudo esto requerirá mucho más esfuerzo que simplemente corregir los casos obvios en los que los envíos son bajos un mes y altos al siguiente debido a una situación de falta de existencias.

Antes de tomar una decisión sobre si usar datos de envío o de demanda, es importante comprender cómo se contabilizan los pedidos y las devoluciones en su sistema. Hable con sus representantes de servicio al cliente y pregúnteles cómo darían cuenta de estas situaciones. No confíe en la palabra de su departamento de TI. Ejerza su juicio para obtener los mejores resultados.

Tomar las decisiones de datos correctas contribuirá en gran medida a lograr valiosas eficiencias en la cadena de suministro. Tómese el tiempo para leer Publicación de Michael Gilliland sobre este tema en el blog del Institute of Business Forecasting and Planning, en demand-planning.com.

Gregory Hartunian se desempeña como presidente de Smart Software y como miembro de la junta directiva. Anteriormente ocupó el cargo de Vicepresidente de Ventas.

Deja un comentario

Artículos Relacionados

Qué hacer cuando un pronóstico estadístico no tiene sentido

Qué hacer cuando un pronóstico estadístico no tiene sentido

A veces, un pronóstico estadístico simplemente no tiene sentido. Todos los pronosticadores han estado allí. Pueden volver a verificar que los datos se ingresaron correctamente o revisar la configuración del modelo, pero todavía se quedan pensando por qué el pronóstico se ve muy diferente al historial de demanda. Cuando el pronóstico ocasional no tiene sentido, puede erosionar la confianza en todo el proceso de pronóstico estadístico.

Mensajes recientes

  • Empresario y empresaria leyendo y analizando hojas de cálculoLas 3 razones principales por las que su hoja de cálculo no funcionará para optimizar los puntos de pedido de piezas de repuesto
    A menudo nos encontramos con métodos de planificación de puntos de pedido basados en Excel. En esta publicación, detallamos un enfoque que utilizó un cliente antes de continuar con Smart. Describimos cómo funcionaba su hoja de cálculo, los enfoques estadísticos en los que se basaba, los pasos que los planificadores siguieron en cada ciclo de planificación y sus motivaciones declaradas para usar (y realmente gustarles) esta hoja de cálculo desarrollada internamente. […]
  • Grupo de negocios de estilo en trajes de negocios clásicos con binoculares y telescopios reproducen diferentes métodos de pronósticoCómo interpretar y manipular los resultados del pronóstico con diferentes métodos de pronóstico
    Este blog explica cómo funciona cada modelo de pronóstico utilizando gráficos de tiempo de datos históricos y de pronóstico. Describe cómo elegir qué modelo usar. Los ejemplos a continuación muestran el mismo historial, en rojo, pronosticado con cada método, en verde oscuro, en comparación con el método ganador elegido por Smart, en verde claro. […]
  • Ingeniero trabajador de fábrica que trabaja en la fábrica usando una tableta para verificar la tubería de agua de la caldera de mantenimiento en la fábrica.Por qué las curvas de compensación de piezas de repuesto son de misión crítica para la planificación de piezas
    Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]
  • Qué hacer cuando un pronóstico estadístico no tiene sentidoQué hacer cuando un pronóstico estadístico no tiene sentido
    A veces, un pronóstico estadístico simplemente no tiene sentido. Todos los pronosticadores han estado allí. Pueden volver a verificar que los datos se ingresaron correctamente o revisar la configuración del modelo, pero todavía se quedan pensando por qué el pronóstico se ve muy diferente al historial de demanda. Cuando el pronóstico ocasional no tiene sentido, puede erosionar la confianza en todo el proceso de pronóstico estadístico. […]
  • Retrato de una trabajadora de fábrica con casco azul sostiene una tableta y se para en el área de trabajo de repuestos. Concepto de confianza en trabajar con software de planificación de piezas de repuesto.La planificación de piezas de repuesto no es tan difícil como cree
    Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]

    Optimización de inventario para fabricantes, distribuidores y MRO

    • Empresario y empresaria leyendo y analizando hojas de cálculoLas 3 razones principales por las que su hoja de cálculo no funcionará para optimizar los puntos de pedido de piezas de repuesto
      A menudo nos encontramos con métodos de planificación de puntos de pedido basados en Excel. En esta publicación, detallamos un enfoque que utilizó un cliente antes de continuar con Smart. Describimos cómo funcionaba su hoja de cálculo, los enfoques estadísticos en los que se basaba, los pasos que los planificadores siguieron en cada ciclo de planificación y sus motivaciones declaradas para usar (y realmente gustarles) esta hoja de cálculo desarrollada internamente. […]
    • Ingeniero trabajador de fábrica que trabaja en la fábrica usando una tableta para verificar la tubería de agua de la caldera de mantenimiento en la fábrica.Por qué las curvas de compensación de piezas de repuesto son de misión crítica para la planificación de piezas
      Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]
    • Retrato de una trabajadora de fábrica con casco azul sostiene una tableta y se para en el área de trabajo de repuestos. Concepto de confianza en trabajar con software de planificación de piezas de repuesto.La planificación de piezas de repuesto no es tan difícil como cree
      Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]
    • Trabajador en un almacén de piezas de repuesto para automóviles que utiliza un software de planificación de inventarioPlanificación basada en el nivel de servicio para empresas de repuestos
      La planificación de piezas de servicio impulsada por el nivel de servicio es un proceso de cuatro pasos que se extiende más allá de la previsión simplificada y las existencias de seguridad de regla empírica. Proporciona a los planificadores de piezas de servicio un soporte de decisiones basado en datos y ajustado al riesgo. […]