El Blog de Smart

 Recomendaciones para la planificación de la demanda,

previsión y optimización de inventario

Si sigues las noticias sobre análisis de la cadena de suministro, se encontrará con más frecuencia con la frase “pronóstico probabilístico”. Si esta frase es desconcertante, sigue leyendo.

Probablemente ya sepa lo que significa "pronóstico". Y probablemente también sepa que parece haber muchas maneras diferentes de hacerlo. Y probablemente haya escuchado pequeñas frases picantes como "todo pronóstico es incorrecto". Así que sabes que algún tipo de matemágica podría calcular que "el pronóstico es que venderá 100 unidades el próximo mes", y luego podría vender 110 unidades, en cuyo caso tiene un error de pronóstico 10%.

Es posible que no sepa que lo que acabo de describir es un tipo particular de pronóstico llamado "pronóstico puntual". Un pronóstico puntual se llama así porque consta de un solo número (es decir, un punto en la recta numérica, si recuerda la recta numérica de su juventud).

Pronósticos puntuales tienen una virtud: Son simples. También tienen un defecto: dan lugar a afirmaciones sarcásticas como “todas las previsiones están equivocadas”. Es decir, en la mayoría de los casos realistas, es poco probable que el valor real sea exactamente igual al pronóstico. (Lo cual no es gran cosa si el pronóstico es lo suficientemente cercano).

Esto nos lleva al "pronóstico probabilístico". Este enfoque es un paso adelante, porque en lugar de producir un pronóstico de un solo número (punto), produce una distribución de probabilidad para el pronóstico. Y a diferencia de los modelos extrapolativos tradicionales que se basan únicamente en los datos históricos, los pronósticos probabilísticos tienen la capacidad de simular valores futuros que no están anclados al pasado.

“Distribución de probabilidad” es una frase prohibitiva, que evoca algunas matemáticas arcanas de las que quizás hayas oído hablar pero que nunca hayas estudiado. Afortunadamente, la mayoría de los adultos tienen suficiente experiencia de vida para tener una comprensión intuitiva del concepto. Cuando se desglosa, es bastante sencillo de entender.

Imagina el simple acto de lanzar dos monedas. Puede llamar a esto diversión inofensiva, pero yo lo llamo un "experimento probabilístico". El número total de caras que salgan en las dos monedas será cero, uno o dos. Lanzar dos monedas es un "experimento aleatorio". El número resultante de cabezas es una "variable aleatoria". Tiene una “distribución de probabilidad”, que no es más que una tabla de la probabilidad de que la variable aleatoria tenga alguno de sus posibles valores. La probabilidad de obtener dos caras cuando las monedas son justas resulta ser ¼, al igual que la probabilidad de que no salga cara. La probabilidad de una cara es ½.

El mismo enfoque puede describir una variable aleatoria más interesante, como la demanda diaria de una pieza de repuesto. La Figura 2 muestra tal distribución de probabilidad. Se calculó mediante la compilación de tres años de datos de demanda diaria de una determinada parte utilizada en un instrumento científico vendido a hospitales.

 

Pronóstico probabilístico de demanda 1

Figura 1: La distribución de probabilidad de la demanda diaria de una determinada pieza de repuesto

 

La distribución de la Figura 1 se puede considerar como un pronóstico probabilístico de la demanda en un solo día. Para esta parte en particular, vemos que es muy probable que el pronóstico sea cero (probabilidad 97%), pero a veces será para un puñado de unidades, y una vez cada tres años será para veinte unidades. Aunque el pronóstico más probable es cero, querrás tener algunos a mano si esta parte fuera crítica ("... por falta de un clavo...")

Ahora usemos esta información para hacer un pronóstico probabilístico más complicado. Suponga que tiene tres unidades a mano. ¿Cuántos días tardará en no tener ninguno? Hay muchas respuestas posibles, que van desde un solo día (si obtiene inmediatamente una demanda de tres o más) hasta un número muy grande (ya que 97% de días no ven demanda). El análisis de esta pregunta es un poco complicado debido a todas las formas en que esta situación puede desarrollarse, pero la respuesta final que es más informativa será una distribución de probabilidad. Resulta que el número de días hasta que no quedan unidades en stock tiene la distribución que se muestra en la Figura 2.

Pronóstico probabilístico de demanda 2

Figura 2: Distribución del número de días hasta que se acaban las tres unidades

 

El promedio de días es 74, lo que sería un pronóstico puntual, pero hay mucha variación alrededor del promedio. Desde la perspectiva de la gestión de inventario, cabe destacar que existe una posibilidad de 25% de que todas las unidades se hayan ido después de 32 días. Entonces, si decidió pedir más cuando solo tenía tres en el estante, sería bueno que el proveedor se los entregue antes de que haya pasado un mes. Si no pudieran, tendría la posibilidad de agotarse el 75%, lo que no es bueno para una pieza crítica.

El análisis detrás de la Figura 2 implicó hacer algunas suposiciones que eran convenientes pero no necesarias si no eran ciertas. Los resultados provinieron de un método llamado "simulación de Monte Carlo", en el que comenzamos con tres unidades, elegimos una demanda aleatoria de la distribución en la Figura 1, la restamos de las existencias actuales y continuamos hasta que se agoten las existencias, registrando cuántas Pasaron los días antes de que se acabara. Repitiendo este proceso 100.000 veces se produjo la Figura 2.

Las aplicaciones de la simulación de Monte Carlo se extienden a problemas de alcance aún mayor que el ejemplo anterior de "cuándo nos quedamos sin". Especialmente importantes son los pronósticos de Monte Carlo de la demanda futura. Si bien el resultado habitual de los pronósticos es un conjunto de pronósticos puntuales (por ejemplo, la demanda unitaria esperada durante los próximos doce meses), sabemos que la demanda real podría desarrollarse de varias maneras. La simulación podría usarse para producir, digamos, mil conjuntos posibles de 365 demandas diarias.

Este conjunto de escenarios de demanda expondría de manera más completa el rango de posibles situaciones con las que tendría que lidiar un sistema de inventario. Este uso de la simulación se denomina "prueba de estrés", porque expone un sistema a una variedad de escenarios variados pero realistas, incluidos algunos desagradables. Luego, esos escenarios se ingresan en modelos matemáticos del sistema para ver qué tan bien los manejará, como se refleja en los indicadores clave de rendimiento (KPI). Por ejemplo, en esos mil años simulados de operación, ¿cuántos desabastecimientos hay en el peor año? el año promedio? el mejor año? De hecho, ¿cuál es la distribución de probabilidad completa del número de desabastecimientos en un año y cuál es la distribución de su tamaño?

Las Figuras 3 y 4 ilustran el modelado probabilístico de un sistema de control de inventario que convierte los desabastecimientos en pedidos atrasados. El sistema simulado usa una política de control Min/Max con Min = 10 unidades y Max = 20 unidades.

La Figura 3 muestra un año simulado de operaciones diarias en cuatro parcelas. El primer gráfico muestra un patrón particular de demanda diaria aleatoria en el que la demanda promedio aumenta constantemente de lunes a viernes pero desaparece los fines de semana. La segunda gráfica muestra el número de unidades disponibles cada día. Tenga en cuenta que hay una docena de veces durante este año simulado cuando el inventario se vuelve negativo, lo que indica falta de existencias. El tercer gráfico muestra el tamaño y el momento de los pedidos de reabastecimiento. La cuarta gráfica muestra el tamaño y el tiempo de los pedidos pendientes. La información de estos gráficos se puede traducir en estimaciones de inversión en inventario, unidades promedio disponibles, costos de mantenimiento, costos de pedido y costos de escasez.

Pronóstico probabilístico de demanda 3

Figura 3: Un año simulado de operación del sistema de inventario

 

La figura 3 muestra uno de mil años simulados. Cada año tendrá diferentes demandas diarias, lo que dará como resultado diferentes valores de métricas como unidades disponibles y los diversos componentes del costo operativo. La figura 4 traza la distribución de 1000 valores simulados de cuatro KPI. La simulación de 1000 años de operación imaginada expone el rango de resultados posibles para que los planificadores puedan tener en cuenta no solo los resultados promedio, sino también ver los valores en el mejor y el peor de los casos.

Pronóstico probabilístico de demanda 4

Figura 4: Distribuciones de cuatro KPI basadas en 1000 simulaciones

 

La simulación de Monte Carlo es un enfoque de pronóstico probabilístico de pocas matemáticas y altos resultados: muy práctico y fácil de explicar. Los métodos avanzados de pronóstico probabilístico empleados por Smart Software amplían la simulación estándar de Monte Carlo y producen estimaciones extremadamente precisas de los niveles de inventario requeridos.

 

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.

¿Cómo vamos? KPI y KPP

¿Cómo vamos? KPI y KPP

Lidiar con el día a día de la gestión de inventario puede mantenerle ocupado. Pero sabes que tienes que levantar la cabeza de vez en cuando para ver hacia dónde te diriges. Para eso, su software de inventario debe mostrarle métricas (y no solo una, sino un conjunto completo de métricas o KPI): indicadores clave de rendimiento.

¿Confundido acerca de la IA y el aprendizaje automático?

¿Confundido acerca de la IA y el aprendizaje automático?

¿Está confundido acerca de qué es la IA y qué es el aprendizaje automático? ¿No está seguro de por qué saber más le ayudará con su trabajo de planificación de inventario? No te desesperes. Estarás bien y te mostraremos cómo algo de lo que sea puede ser útil.

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. […]