El Blog de Smart

 Siguiendo las mejores prácticas en la planificación de la demanda,

previsión y optimización de inventario

Demand planners have to cope with multiple problems to get their job done. One is the Irritation of Intermittency. The “now you see it, now you don’t” character of intermittent demand, with its heavy mix of zero values, forces the use of advanced statistical methods, such as Smart Software’s patented Markov Bootstrap algorithm. But even within the dark realm of intermittent demand, there are degrees of difficulty: planners must further cope with the potentially costly Scourge of Skewness.

Skewness is a statistical term describing the degree to which a demand distribution is not symmetrical. The classic (and largely mythic) “bell-shaped” curve is symmetric, with equal chances of demand in any time period falling below or above the average. In contrast, a skewed distribution is lopsided, with most values falling either above or below the average. In most cases, demand data are positively skewed, with a long tail of values extending toward the higher end of the demand scale.

Bar graphs of two time series
Figure 1: Two intermittent demand series with different levels of skewness
Figure 1 shows two time series of 60 months of intermittent demand. Both are positively skewed, but the data in the bottom panel are more skewed. Both series have nearly the same average demand, but the one on top is a mix of 0’s, 1’s and 2’s, while the one on the bottom is a mix of 0’s, 1’s and 4’s.

What makes positive skewness a problem is that it reduces an item’s fill rate. Fill rate is an important inventory management performance metric. It measures the percentage of demand that is satisfied immediately from on-hand inventory. Any backorders or lost sales reduce the fill rate (besides squandering customer good will).

Fill rate is a companion to the other key performance metric: Service level. Service level measures the chance that an item will stock out during the replenishment lead time. Lead time is measured from the moment when inventory drops to or below an item’s reorder point, triggering a replenishment order, until the arrival of the replacement inventory.

Inventory management software, such as Smart Software’s SmartForecasts, can analyze demand patterns to calculate the reorder point required to achieve a specified service level target. To hit a 95% service level for the item in the top panel of Figure 1, assuming a lead time of 1 month, the required reorder point is 3; for the bottom item, the reorder point is 1. (The first reorder point is 3 to allow for the distinct possibility that future demand values will exceed the largest values, 2, observed so far. In fact, values as large as 8 are possible.) See Figure 2.

Histograms of two time series
Figure 2: Distributions of total demand during a replenishment lead time of 1 month
(Figure 2 plots the predicted distribution of demand over the lead time. The green bars represent the probability that any particular level of demand will materialize.)

Using the required reorder point of 3 units, the fill rate for the less skewed item is a healthy 93%. However, the fill rate for the more skewed item is a troubling 44%, even though this item too achieves a service level of 95%. This is the scourge of skewness.

The explanation for the difference in fill rates is the degree of skewness. The reorder point for the more skewed item is 1 unit. Having 1 unit on hand at the start of the lead time will be sufficient to handle 95% of the demands arriving during a 1 month lead time. However, the monthly demand could reach above 15 units, so when the more skewed unit stocks out, it will “stock out big time”, losing a much larger number of units.

Most demand planners would be proud to achieve a 95% service level and a 93% fill rate. Most would be troubled, and puzzled, by achieving the 95% service level but only a 44% fill rate. This partial failure would not be their fault: it can be traced directly to the nasty skewness in the distribution of monthly demand values.

There is no painless fix to this problem. The only way to boost the fill rate in this situation is to raise the service level target, which will in turn boost the reorder point, which finally will reduce both the frequency of stockouts and their size whenever they occur. In this example, raising the reorder point from 1 unit to 3 units will achieve a 99% service level and boost fill rate to a respectable, but not outstanding, 84%. This improvement would come at the cost of essentially tripling the dollars tied up in managing this more skewed item.

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Deja un comentario

Artículos Relacionados

Mensajes recientes

  • Supply Chain Math large-scale decision-making analyticsSupply Chain Math: Don’t Bring a Knife to a Gunfight
    Math and the supply chain go hand and hand. As supply chains grow, increasing complexity will drive companies to look for ways to manage large-scale decision-making. Math is a fact of life for anyone in inventory management and demand forecasting who is hoping to remain competitive in the modern world. Read our article to learn more. […]
  • 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. […]

    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. […]