El Blog de Smart

  Recomendaciones para la planificación de la demanda,

previsión y optimización de inventario

La demanda intermitente, irregular o desigual, en particular para artículos de baja demanda como servicio y repuestos, es especialmente difícil de predecir con precisión. El pronóstico probabilístico patentado de Smart Software mejora drásticamente precisión del nivel de servicio. Si alguno de estos escenarios se aplica a su empresa, la previsión probabilística le ayudará a mejorar sus resultados.

  • ¿Tiene una demanda intermitente o irregular con picos grandes e infrecuentes que superan muchas veces la demanda promedio?
  • ¿Es difícil obtener información comercial sobre cuándo es probable que la demanda vuelva a aumentar?
  • ¿Pierde oportunidades comerciales porque no puede pronosticar con precisión la demanda y estimar los requisitos de inventario para ciertos productos impredecibles?
  • ¿Está obligado a mantener un inventario de muchos artículos, incluso si se demandan con poca frecuencia, para diferenciarse de la competencia al proporcionar altos niveles de servicio?
  • ¿Tiene que hacer inversiones innecesariamente grandes en inventario para cubrir pedidos inesperados y requisitos de materiales?
  • ¿Tiene que entregar a los clientes de inmediato a pesar de los largos plazos de entrega del proveedor?

Si ha respondido afirmativamente a algunas o todas las preguntas anteriores, no está solo. La demanda intermitente, también conocida como demanda irregular, esporádica, irregular o de movimiento lento, afecta a industrias de todos los tipos y tamaños: sectores de bienes de capital y equipos, automotriz, aviación, transporte público, herramientas industriales, productos químicos especiales, servicios públicos y alta tecnología. por nombrar unos cuantos. Y hace que la previsión y la planificación de la demanda sean extremadamente difíciles. Puede ser mucho más que un dolor de cabeza; puede ser un problema multimillonario, especialmente para las empresas de MRO y otras que administran y distribuyen piezas de repuesto y de servicio.

Identificar datos de demanda intermitente no es difícil. Por lo general, contiene un gran porcentaje de valores cero, con valores distintos de cero mezclados al azar. Pero pocas soluciones de pronóstico han arrojado resultados satisfactorios, incluso en esta era de análisis de Big Data, análisis predictivo, aprendizaje automático e inteligencia artificial.

 

DESCARGAR EL ARTÍCULO

Enfoques tradicionales y su dependencia de una distribución de demanda asumida

Los métodos tradicionales de pronóstico estadístico, como el suavizado exponencial y los promedios móviles, funcionan bien cuando los datos de demanda del producto son normales o uniformes, pero no brindan resultados precisos con datos intermitentes. Muchas herramientas de previsión automatizadas fallan porque funcionan mediante la identificación de patrones en los datos del historial de demanda, como la tendencia y la estacionalidad. Pero con datos de demanda intermitentes, los patrones son especialmente difíciles de reconocer. Estos métodos también tienden a ignorar el papel especial de los valores cero en el análisis y pronóstico de la demanda. Aun así, algunos métodos de pronóstico estadísticos convencionales pueden producir pronósticos creíbles de la demanda. promedio demanda por período. Sin embargo, cuando la demanda es intermitente, un pronóstico de la demanda promedio no es suficiente para la planificación del inventario. Se necesitan estimaciones precisas de toda la distribución (es decir, el conjunto completo) de todos los posibles valores de demanda en el tiempo de entrega. Sin esto, estos métodos producen entradas engañosas para los modelos de control de inventario, con consecuencias costosas.

Collague con engranajes y modelado de pronóstico estadístico

 

Para producir puntos de pedido, niveles de pedido y existencias de seguridad para la planificación del inventario, muchos enfoques de pronóstico se basan en suposiciones sobre la distribución de la demanda y el tiempo de entrega. Algunos suponen que la distribución de probabilidad de la demanda total de un artículo de producto en particular durante un tiempo de entrega (demanda de tiempo de entrega) se parecerá a una curva clásica normal en forma de campana. Otros enfoques pueden basarse en una distribución de Poisson o alguna otra distribución de libro de texto. Con una demanda intermitente, un enfoque único para todos es problemático porque la distribución real a menudo no coincidirá con la distribución supuesta. Cuando esto ocurre, las estimaciones de la reserva de estabilización serán incorrectas. Este es especialmente el caso cuando se gestionan repuestos (Tabla 1).

Para cada artículo con demanda intermitente, no se puede exagerar la importancia de tener un pronóstico preciso de la distribución completa de todos los posibles valores de demanda de tiempo de entrega, no solo un número que represente la demanda promedio o más probable por período. Estos pronósticos son entradas clave para los modelos de control de inventario que recomiendan los procedimientos correctos para el momento y el tamaño de las órdenes de reposición (puntos de reposición y cantidades de órdenes). Son particularmente esenciales en entornos de piezas de repuesto, donde se necesitan para estimar con precisión los requisitos de inventario del nivel de servicio al cliente (por ejemplo, una probabilidad del 95 o 99 por ciento de no agotarse un artículo) para satisfacer la demanda total durante un tiempo de entrega. Los departamentos de planificación de inventario deben estar seguros de que cuando apunten a un nivel de servicio deseado, lo lograrán. Si el modelo de pronóstico produce consistentemente un nivel de servicio diferente al objetivo, el inventario se administrará de manera incorrecta y la confianza en el sistema se erosionará.

Ante este desafío, muchas organizaciones confían en aplicar regla de oro inventadas por el usuario, basados en enfoques para determinar los niveles de existencias o aplicarán ajustes de juicio a sus pronósticos estadísticos, que esperan predecir con mayor precisión la actividad futura en función de la experiencia comercial pasada. Pero también hay varios problemas con estos enfoques.

Los enfoques de regla general ignoran la variabilidad en la demanda y el tiempo de entrega. Tampoco se actualizan por cambios en los patrones de demanda y no brindan información crítica. información de compensación sobre la relación entre los niveles de servicio y los costos de inventario.

La previsión basada en juicios no es factible cuando se trata de grandes cantidades (miles y decenas de miles) de elementos. Además, la mayoría de los pronósticos de juicio proporcionan una estimación de un solo número en lugar de un pronóstico de la distribución completa de los valores de demanda de tiempo de entrega. Finalmente, es fácil predecir inadvertidamente pero incorrectamente una tendencia a la baja (o al alza) en la demanda, según las expectativas, lo que resulta en un inventario insuficiente (o excesivo).

 

¿Cómo funciona la previsión probabilística de la demanda en la práctica?

Aunque la arquitectura completa de esta tecnología incluye características patentadas adicionales, un ejemplo simple del enfoque demuestra la utilidad de la técnica. Consulte la Tabla 1.

hoja de cálculo de artículos de productos demandados intermitentemente

Tabla 1. Valores de demanda mensual para un artículo de pieza de servicio.

Los valores de demanda de 24 meses para un artículo de servicio son típicos de la demanda intermitente. Supongamos que necesita pronósticos de la demanda total de este artículo durante los próximos tres meses porque su proveedor de repuestos necesita tres meses para completar un pedido para reponer el inventario. El enfoque probabilístico es tomar muestras de los 24 valores mensuales, con reemplazo, tres veces, creando un escenario de demanda total durante el tiempo de anticipación de tres meses.

Cómo funciona el nuevo método de previsión de demanda intermitente

Figura 1. Los resultados de 25.000 escenarios.

 

Puede seleccionar al azar los meses 6, 12 y 4, lo que le da valores de demanda de 0, 6 y 3, respectivamente, para una demanda de tiempo de entrega total (en unidades) de 0 + 6 + 3 = 9. Luego repite este proceso , quizás seleccionando aleatoriamente los meses 19, 8 y 14, lo que da una demanda de tiempo de entrega de 0 + 32 + 0 = 32 unidades. Continuando con este proceso, puede crear una imagen estadísticamente rigurosa de la distribución completa de los posibles valores de demanda de tiempo de entrega para este artículo. La Figura 1 muestra los resultados de 25 000 escenarios de este tipo, lo que indica (en este ejemplo) que el valor más probable para la demanda en el tiempo de entrega es cero, pero que la demanda en el tiempo de entrega podría llegar a 70 o más unidades. También refleja la posibilidad de la vida real de que los valores de demanda distintos de cero para el artículo de la pieza que ocurran en el futuro puedan diferir de los que ocurrieron en el pasado.

Con el recursos computacionales de alta velocidad disponibles en la nube hoy, los métodos de pronóstico probabilístico pueden proporcionar pronósticos rápidos y realistas de la demanda total de tiempo de entrega para miles o decenas de miles de artículos de productos con demanda intermitente. Estos pronósticos se pueden ingresar directamente en los modelos de control de inventario para garantizar que haya suficiente inventario disponible para satisfacer la demanda del cliente. Esto también garantiza que no se mantenga más inventario del necesario, lo que minimiza los costos.

 

Un método probado en el campo que funciona

Los clientes que han implementado la tecnología han descubierto que aumenta la precisión del nivel de servicio al cliente y reduce significativamente los costos de inventario.

Bodega o almacenamiento obteniendo optimización de inventario

La operación de almacenamiento de un minorista de hardware a nivel nacional pronosticó los requisitos de inventario para 12,000 SKU con demanda intermitente a niveles de servicio del 95 y 99 por ciento. Los resultados del pronóstico fueron casi 100 por ciento precisos. Con un nivel de servicio del 95 por ciento, el 95,23 por ciento de los artículos no se agotaron (el 95 por ciento hubiera sido perfecto). Con un nivel de servicio del 99 por ciento, el 98,66 por ciento de los artículos no se agotaron (el 99 por ciento hubiera sido perfecto).

La operación de mantenimiento de aeronaves de una empresa global obtuvo resultados de pronóstico de nivel de servicio similares con 6000 SKU. Los posibles ahorros anuales en costos de manejo de inventario se estimaron en $3 millones. La unidad de negocios de posventa de un proveedor de la industria automotriz, dos tercios de cuyos 7000 SKU muestran una demanda altamente intermitente, también proyectó $3 millones en ahorros de costos anuales.

Que el desafío de pronosticar la demanda intermitente de productos se haya cumplido es una buena noticia para los fabricantes, distribuidores y negocios de repuestos/MRO. Con la computación en la nube, el método probabilístico probado en el campo de Smart Software ahora es accesible para quienes no son estadísticos y se puede aplicar a escala a decenas de miles de piezas. Los datos de demanda que alguna vez fueron impredecibles ya no representan un obstáculo para lograr los más altos niveles de servicio al cliente con la menor inversión posible en inventario.

 

Mano colocando piezas para construir una flecha

DESCARGAR EL ARTÍCULO

Deja un comentario

Artículos Relacionados

Direct to the Brain of the Boss – Inventory Analytics and Reporting

Directo al cerebro del jefe: análisis e informes de inventario

In this blog, the spotlight is cast on the software that creates reports for management, the silent hero that translates the beauty of furious calculations into actionable reports. Watch as the calculations, intricately guided by planners utilizing our software, seamlessly converge into Smart Operational Analytics (SOA) reports, dividing five key areas: inventory analysis, inventory performance, inventory trending, supplier performance, and demand anomalies.

Necesitas formar equipo con los algoritmos

Necesitas formar equipo con los algoritmos

This article is about the real power that comes from the collaboration between you and our software that happens at your fingertips. We often write about the software itself and what goes on “under the hood”. This time, the subject is how you should best team up with the software.

Mensajes recientes

  • Directo al cerebro del jefe: análisis de inventarioDirecto al cerebro del jefe: análisis e informes de inventario
    In this blog, the spotlight is cast on the software that creates reports for management, the silent hero that translates the beauty of furious calculations into actionable reports. Watch as the calculations, intricately guided by planners utilizing our software, seamlessly converge into Smart Operational Analytics (SOA) reports, dividing five key areas: inventory analysis, inventory performance, inventory trending, supplier performance, and demand anomalies. […]
  • Necesitas asociarte con los algoritmos para la gestión de inventario.Necesitas formar equipo con los algoritmos
    This article is about the real power that comes from the collaboration between you and our software that happens at your fingertips. We often write about the software itself and what goes on “under the hood”. This time, the subject is how you should best team up with the software. […]
  • Repensar la precisión del pronóstico: un cambio de la precisión a las métricas de errorRepensar la precisión del pronóstico: un cambio de la precisión a las métricas de error
    Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información. […]
  • Uso de predicciones clave de rendimiento para planificar políticas de almacenamiento
    No puedo imaginarme ser un planificador de inventarios en repuestos, distribución o fabricación y tener que crear niveles de stock de seguridad, puntos de reorden y sugerencias de pedidos sin utilizar predicciones clave de desempeño de niveles de servicio, tasas de cumplimiento y costos de inventario. […]
  • Cada modelo de pronóstico es bueno para aquello para lo que fue diseñado.Cada modelo de pronóstico es bueno para lo que está diseñado
    Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente. […]

    Optimización de inventario para fabricantes, distribuidores y MRO

    • Principales diferencias entre la planificación de inventario para productos terminados y para MRO y repuestosPrincipales diferencias entre la planificación de inventario para productos terminados y para MRO y repuestos
      En el competitivo panorama empresarial actual, las empresas buscan constantemente formas de mejorar su eficiencia operativa y generar mayores ingresos. La optimización de la gestión de repuestos es un aspecto que a menudo se pasa por alto y que puede tener un impacto financiero significativo. Las empresas pueden mejorar la eficiencia general y generar importantes rendimientos financieros mediante la gestión eficaz del inventario de piezas de repuesto. Este artículo explorará las implicaciones económicas de la gestión optimizada de repuestos y cómo invertir en software de optimización de inventario y planificación de la demanda puede proporcionar una ventaja competitiva. […]
    • Ley de centrado Piezas de repuesto Sincronización Precios y confiabilidadLey de centrado: sincronización, precio y confiabilidad de los repuestos
      En este artículo, lo guiaremos a través del proceso de elaboración de un plan de inventario de repuestos que priorice las métricas de disponibilidad, como los niveles de servicio y las tasas de cumplimiento, al tiempo que garantiza la rentabilidad. Nos centraremos en un enfoque para la planificación de inventario llamado Optimización de inventario basada en el nivel de servicio. A continuación, analizaremos cómo determinar qué piezas debe incluir en su inventario y cuáles podrían no ser necesarias. Por último, exploraremos formas de mejorar consistentemente su plan de inventario basado en el nivel de servicio. […]
    • 5 pasos para mejorar el impacto financiero de la planificación de repuestos5 pasos para mejorar el impacto financiero de la planificación de repuestos
      En el competitivo panorama empresarial actual, las empresas buscan constantemente formas de mejorar su eficiencia operativa y generar mayores ingresos. La optimización de la gestión de repuestos es un aspecto que a menudo se pasa por alto y que puede tener un impacto financiero significativo. Las empresas pueden mejorar la eficiencia general y generar importantes rendimientos financieros mediante la gestión eficaz del inventario de piezas de repuesto. Este artículo explorará las implicaciones económicas de la gestión optimizada de repuestos y cómo invertir en software de optimización de inventario y planificación de la demanda puede proporcionar una ventaja competitiva. […]
    • Estrategias de resultados para el software de planificación de piezas de repuestoEstrategias de resultados para la planificación de piezas de repuesto
      La gestión de piezas de repuesto presenta numerosos desafíos, como averías inesperadas, horarios cambiantes y patrones de demanda inconsistentes. Los métodos de pronóstico tradicionales y los enfoques manuales son ineficaces para hacer frente a estas complejidades. Para superar estos desafíos, este blog describe estrategias clave que priorizan los niveles de servicio, utilizan métodos probabilísticos para calcular los puntos de pedido, ajustan periódicamente las políticas de almacenamiento e implementan un proceso de planificación dedicado para evitar un inventario excesivo. Explore estas estrategias para optimizar el inventario de repuestos y mejorar la eficiencia operativa. […]