En este blog, exploraremos cómo las organizaciones pueden lograr una eficiencia y precisión excepcionales con la optimización del inventario impulsada por la IA. Los métodos tradicionales de gestión de inventario a menudo resultan insuficientes debido a su naturaleza reactiva y su dependencia de procesos manuales. Mantener niveles óptimos de inventario es fundamental para satisfacer la demanda de los clientes y minimizar los costos. La introducción de la optimización del inventario impulsada por la IA puede reducir significativamente la carga de los procesos manuales, brindando alivio a los gerentes de la cadena de suministro de tareas tediosas. Con la IA, podemos predecir la demanda con mayor precisión, reducir el exceso de existencias, evitar desabastecimientos y, en última instancia, mejorar los resultados de nuestra organización. Exploremos cómo este enfoque no solo aumenta las ventas y la eficiencia operativa, sino que también eleva la satisfacción del cliente al garantizar que los productos estén siempre disponibles cuando sea necesario.

 

Información para mejorar la toma de decisiones en la gestión de inventarios

1. Precisión de pronóstico mejorada Los algoritmos avanzados de aprendizaje automático analizan datos históricos para identificar patrones que los humanos podrían pasar por alto. Técnicas como la agrupación, la detección de cambios de régimen, la detección de anomalías y el análisis de regresión proporcionan información profunda sobre los datos. Medir el error de pronóstico es esencial para perfeccionar los modelos de pronóstico; por ejemplo, técnicas como el error absoluto medio (MAE) y el error cuadrático medio (RMSE) ayudan a cuantificar la precisión de los pronósticos. Las empresas pueden mejorar la precisión monitoreando y ajustando continuamente los pronósticos en función de estas métricas de error. como el Planificador de demanda en un minorista de hardware declarado, "Con las mejoras en nuestros pronósticos y planificación de inventario que permitió Smart Software, hemos podido reducir el stock de seguridad en 20% y al mismo tiempo reducir los desabastecimientos en 35%".

2. Análisis de datos en tiempo real Los sistemas de última generación pueden procesar grandes cantidades de datos en tiempo real, lo que permite a las empresas ajustar sus niveles de inventario de forma dinámica en función de las tendencias actuales de la demanda y las condiciones del mercado. Los algoritmos de detección de anomalías pueden identificar y corregir automáticamente picos o caídas repentinas en la demanda, garantizando que los pronósticos sigan siendo precisos. Una historia de éxito notable proviene de Smart IP&O, que permitió a una empresa reducir el inventario en 20% mientras mantenía los niveles de servicio mediante el análisis continuo de datos en tiempo real y el ajuste de los pronósticos en consecuencia. Destacado Gerente de Materiales de FedEx Tech, "Cualquiera que sea la solicitud, debemos cumplir con nuestro compromiso de servicio al día siguiente: Smart nos permite ajustar el riesgo de nuestro inventario para asegurarnos de que tenemos los productos y piezas disponibles para lograr los niveles de servicio que nuestros clientes requieren".

3. Mejora de la eficiencia de la cadena de suministro Las plataformas tecnológicas inteligentes pueden optimizar toda la cadena de suministro, desde la adquisición hasta la distribución, prediciendo los plazos de entrega y optimizando las cantidades de los pedidos. Esto reduce el riesgo de exceso y falta de existencias. Por ejemplo, al utilizar la gestión de inventario basada en pronósticos, Smart Software ayudó a un fabricante a optimizar su cadena de suministro, reduciendo los tiempos de entrega en 15% y mejorando la eficiencia general. El vicepresidente de operaciones de Procon Pump declaró: "Una de las cosas que me gusta de esta nueva herramienta... es que puedo evaluar las consecuencias de las decisiones sobre el almacenamiento del inventario antes de implementarlas".

4. Toma de decisiones mejorada La IA proporciona información y recomendaciones prácticas, lo que permite a los gerentes tomar decisiones informadas. Esto incluye identificar artículos de baja rotación, pronosticar la demanda futura y optimizar los niveles de existencias. El análisis de regresión, por ejemplo, puede relacionar las ventas con variables externas como la estacionalidad o indicadores económicos, proporcionando una comprensión más profunda de los impulsores de la demanda. Uno de los clientes de Smart Software informó una mejora significativa en los procesos de toma de decisiones, lo que resultó en un aumento de 30% en los niveles de servicio y al mismo tiempo redujo el exceso de inventario en 15%. "Smart IP&O nos permitió modelar la demanda en cada ubicación de almacenamiento y, utilizando una planificación basada en el nivel de servicio, determinar cuánto almacenar para lograr el nivel de servicio que requerimos", señaló el Responsable de Compras en Empresas Seneca.

5. Reducción de costo Al optimizar los niveles de inventario, las empresas pueden reducir los costos de mantenimiento y minimizar las pérdidas por productos obsoletos o caducados. Los sistemas impulsados por IA también reducen la necesidad de realizar comprobaciones manuales de inventario, lo que ahorra tiempo y costes laborales. Un estudio de caso reciente muestra cómo se logró la implementación de la planificación y optimización del inventario (IP&O) dentro de los 90 días posteriores al inicio del proyecto. Durante los seis meses siguientes, IP&O permitió ajustar los parámetros de almacenamiento de varios miles de artículos, lo que resultó en reducciones de inventario de $9,0 millones y al mismo tiempo mantuvo los niveles de servicio objetivo.

 

Al aprovechar algoritmos avanzados y análisis de datos en tiempo real, las empresas pueden mantener niveles óptimos de inventario y mejorar el rendimiento general de su cadena de suministro. La planificación y optimización del inventario (IP&O) es una herramienta poderosa que puede ayudar a su organización a alcanzar estos objetivos. La incorporación de optimización de inventario de última generación en su organización puede generar mejoras significativas en la eficiencia, la reducción de costos y la satisfacción del cliente.

 

 

En este Videoblog explicaremos cómo la previsión de series temporales se ha convertido en una herramienta fundamental, especialmente a nivel diario, en la que Smart Software ha sido pionero desde sus inicios hace más de cuarenta años. La evolución de las prácticas comerciales de incrementos temporales anuales a incrementos temporales más refinados, como el análisis de datos mensual y ahora diario, ilustra un cambio significativo en las estrategias operativas.

Inicialmente, durante la década de 1980, la práctica habitual de utilizar datos anuales para realizar pronósticos y la introducción de datos mensuales se consideró innovadora. Este período marcó el comienzo de una tendencia hacia el aumento de la resolución del análisis de datos, lo que permitió a las empresas capturar y reaccionar ante cambios más rápidos en la dinámica del mercado. A medida que avanzamos hacia la década de 2000, la norma del análisis de datos mensual estaba bien establecida, pero los "chicos geniales" (innovadores en el borde de la analítica empresarial) comenzaron a experimentar con datos semanales. Este cambio fue impulsado por la necesidad de sincronizar las operaciones comerciales con condiciones de mercado cada vez más volátiles y comportamientos de los consumidores que exigían respuestas más rápidas que las que podían proporcionar los ciclos mensuales. Hoy, en la década de 2020, si bien el análisis de datos mensuales sigue siendo común, la frontera se ha desplazado nuevamente, esta vez hacia el análisis de datos diario, y algunos pioneros incluso se han aventurado en el análisis por horas.

El verdadero poder del análisis de datos diario radica en su capacidad de proporcionar una vista detallada de las operaciones comerciales, capturando las fluctuaciones diarias que podrían pasar desapercibidas en los datos mensuales o semanales. Sin embargo, las complejidades de los datos diarios requieren enfoques analíticos avanzados para extraer información significativa. En este nivel, comprender la demanda requiere lidiar con conceptos como intermitencia, estacionalidad, tendencia y volatilidad. La intermitencia, o la aparición de días sin demanda, se vuelve más pronunciada en una granularidad diaria y exige técnicas de pronóstico especializadas como el método de Croston para predicciones precisas. La estacionalidad a nivel diario puede revelar múltiples patrones (como mayores ventas los fines de semana o días festivos) que los datos mensuales enmascararían. Las tendencias se pueden observar como aumentos o disminuciones de la demanda a corto plazo, lo que exige estrategias de ajuste ágiles. Finalmente, la volatilidad a nivel diario se acentúa, mostrando oscilaciones de la demanda más significativas que las observadas en los análisis mensuales o semanales, lo que puede afectar las estrategias de gestión de inventarios y la necesidad de existencias de reserva. Este nivel de complejidad subraya la necesidad de herramientas analíticas sofisticadas y experiencia en el análisis de datos diario.

En conclusión, la evolución de pronósticos de series temporales menos frecuentes a pronósticos diarios marca un cambio sustancial en la forma en que las empresas abordan el análisis de datos. Esta transición no solo refleja el ritmo acelerado de los negocios, sino que también resalta la necesidad de herramientas que puedan manejar una mayor granularidad de los datos. La dedicación de Smart Software para perfeccionar sus capacidades analíticas para gestionar los datos diarios destaca el movimiento más amplio de la industria hacia una toma de decisiones más dinámica, receptiva y basada en datos. Este cambio no se trata simplemente de mantener el ritmo del tiempo, sino de aprovechar conocimientos detallados para forjar ventajas competitivas en un entorno empresarial en constante cambio.

​

Aquellos de ustedes que siguen temas candentes estarán familiarizados con el término "gemelo digital". Aquellos que han estado demasiado ocupados con el trabajo tal vez quieran seguir leyendo y ponerse al día.

¿Qué es un gemelo digital?

Si bien existen varias definiciones de gemelo digital, aquí hay una que funciona bien:

Un gemelo digital es una dinámica copia virtual de un activo físico, proceso, sistema o entorno que se parece y se comporta de manera idéntica a su contraparte del mundo real. Un gemelo digital ingiere datos y replica procesos así que puedes predecir posibles resultados de rendimiento y problemas que podría sufrir el producto del mundo real. [Fuente: unidad.com]. Para obtener información adicional, puede visitar Mckinsey.com.

¿Cuál es la diferencia entre un gemelo digital (en adelante DT) y un modelo? Principalmente, un DT se conecta a datos en tiempo real para mantener el modelo como una representación actualizada del sistema con el que está trabajando.

Nuestros productos actuales podrían denominarse “DT en cámara lenta” porque generalmente se usan con datos que no están en tiempo real (aunque no con datos obsoletos, ya que se actualizan durante la noche) y se aplican a problemas como planificar las compras de materias primas del próximo trimestre o establecer parámetros de inventario durante un mes o más.

¿La gente utiliza gemelos digitales en mi industria?

Mi impresión es que la penetración de los DT puede ser mayor en las industrias aeroespacial y nuclear. La mayoría de nuestros clientes están en otros lugares: en la fabricación, la distribución y los servicios públicos como el transporte y la energía. Pronto ofreceremos nuevos productos que se acercarán más a la definición estricta de un DT que está íntimamente conectado con el sistema que representa.

Vista previa de DT

La mayoría de los usuarios de Smart Inventory Optimization™ (SIO) ejecuta la aplicación periódicamente, normalmente mensualmente. SIO analiza la demanda actual de artículos de inventario y los plazos de entrega recientes de los proveedores, convirtiéndolos en escenarios de oferta y demanda, respectivamente. Luego, los usuarios, ya sea de forma interactiva (para artículos individuales) o automáticamente (a escala), establecen parámetros de control de inventario que proporcionarán el rendimiento promedio a largo plazo que desean, equilibrando los objetivos competitivos de minimizar el inventario y al mismo tiempo garantizar un nivel suficiente de disponibilidad de artículos.

Smart Supply Planner (SSP) opera de forma más inmediata para reaccionar ante contingencias. Cualquier día podría generar un pedido anómalo que aumente la demanda, como cuando un nuevo cliente realiza un pedido de almacenamiento inicial sorprendente. O un proveedor clave podría experimentar un problema en su fábrica y verse obligado a retrasar el envío de sus pedidos de reabastecimiento planificados. A largo plazo, estas contingencias se promedian y justifican las recomendaciones que surgen de SIO. Sin embargo, SSP le brindará una forma de reaccionar a corto plazo para aprovechar oportunidades o esquivar balas.

En esencia, SSP opera como SIO en el sentido de que está impulsado por escenarios. Las diferencias son que utiliza horizontes de planificación cortos y condiciones iniciales en tiempo real como base para sus simulaciones del desempeño del sistema de inventario. Luego brindará recomendaciones en tiempo real para intervenciones que compensen las perturbaciones causadas por las contingencias. Estos incluirían cancelar o acelerar las órdenes de reabastecimiento.

Resumen

Los gemelos digitales le permiten probar planes "in silico" antes de implementarlos en la fábrica o el almacén. En esencia, se encuentran los modelos matemáticos de su operación, pero conectados a datos en tiempo real. Proporcionan una “zona de pruebas digital” en la que puedes probar ideas y obtener predicciones inmediatas sobre qué tan bien funcionarán. Mucho más que una hoja de cálculo, las DT pronto serán la herramienta clave en su caja de herramientas de planificación de inventario.

Empezaré con una confesión: soy un tipo de algoritmos. Mi corazón vive en la “sala de máquinas” de nuestro software, donde los cálculos ultrarrápidos van y vienen a través de la nube de AWS, generando escenarios de oferta y demanda que se utilizan para guiar decisiones importantes sobre el pronóstico de la demanda y la gestión de inventario.

Pero reconozco que el objetivo de todo ese hermoso y furioso cálculo es el cerebro del jefe, la persona responsable de garantizar que la demanda de los clientes se satisfaga de la manera más eficiente y rentable. Entonces, este blog trata sobre Analítica operativa inteligente (SOA), que crea informes para la gestión. O, como se les llama en el ejército, sit-reps.

Todos los cálculos guiados por los planificadores que utilizan nuestro software finalmente se resumen en los informes SOA para la gestión. Los informes se centran en cinco áreas: análisis de inventario, desempeño del inventario, tendencias del inventario, desempeño de los proveedores y anomalías de la demanda.

Análisis de inventario

Estos informes controlan los niveles actuales de inventario e identifican áreas que necesitan mejoras. La atención se centra en los recuentos de inventario actuales y su estado (disponible, en tránsito, en cuarentena), rotación de inventario y excesos frente a escasez.

Rendimiento del inventario

Estos informes rastrean indicadores clave de rendimiento (KPI), como tasas de cumplimiento, niveles de servicio y costos de inventario. Los cálculos analíticos en otras partes del software lo guían hacia el logro de sus objetivos de KPI mediante el cálculo de predicciones clave de rendimiento (KPP) basadas en configuraciones recomendadas para, por ejemplo, puntos de reorden y cantidades de pedidos. Pero a veces ocurren sorpresas o las políticas operativas no se ejecutan según lo recomendado, por lo que siempre habrá algún desfase entre los KPP y los KPI.

Tendencias del inventario

Saber dónde están las cosas hoy es importante, pero también es valioso ver dónde están las tendencias. Estos informes revelan tendencias en la demanda de artículos, eventos de desabastecimiento, días promedio disponibles, tiempo promedio de envío y más.

Rendimiento de los proveedores

Su empresa no puede rendir al máximo si sus proveedores la están hundiendo. Estos informes monitorean el desempeño de los proveedores en términos de la precisión y rapidez en el cumplimiento de los pedidos de reabastecimiento. Cuando tienes varios proveedores para el mismo artículo, te permiten compararlos.

Anomalías de la demanda

Todo su sistema de inventario está impulsado por la demanda y todos los parámetros de control de inventario se calculan después de modelar la demanda de los artículos. Entonces, si sucede algo extraño en el lado de la demanda, debe estar atento y prepararse para volver a calcular cosas como mínimos y máximos para elementos que comienzan a actuar de manera extraña.

Resumen

El punto final de todos los cálculos masivos de nuestro software es el panel que muestra a la administración qué está pasando, qué sigue y dónde centrar la atención. Smart Inventory Analytics es la parte de nuestro ecosistema de software dirigido al C-Suite de su empresa.

 

Figura 1: Algunos informes de muestra en forma gráfica

 

Lidiar con el día a día de la gestión de inventario puede mantenerle ocupado. Existe el ritmo habitual de realizar pedidos, recibir, pronosticar y planificar, y mover cosas en el almacén. Luego están los tiempos frenéticos: escasez, trámites urgentes, llamadas de último momento para encontrar nuevos proveedores.

Toda esta actividad va en contra de tomarte un momento para ver cómo te va. 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.

Múltiples métricas

Dependiendo de su rol en su organización, diferentes métricas tendrán diferente importancia. Si usted está en el lado financiero de la casa, la inversión en inventario puede ser una prioridad: ¿cuánto efectivo está invertido en el inventario? Si está del lado de las ventas, la disponibilidad del artículo puede ser lo más importante: ¿cuál es la probabilidad de que pueda decir “sí” a un pedido? Si usted es responsable del reabastecimiento, ¿cuántas órdenes de compra tendrá que recortar su gente en el próximo trimestre?

Métricas de disponibilidad

Volvamos a la disponibilidad de artículos. ¿Cómo se le pone un número a eso? Las dos métricas de disponibilidad más utilizadas son el "nivel de servicio" y la "tasa de cumplimiento". ¿Cual es la diferencia? Es la diferencia entre decir “Ayer tuvimos un terremoto” y decir “Ayer tuvimos un terremoto y fue de 6,4 en la escala de Richter”. El nivel de servicio registra la frecuencia de los desabastecimientos sin importar su tamaño; la tasa de cumplimiento refleja su gravedad. Los dos pueden parecer apuntar en direcciones opuestas, lo que causa cierta confusión. Puede tener un buen nivel de servicio, digamos 90%, pero tener una tasa de cumplimiento vergonzosa, digamos 50%. O viceversa. Lo que los diferencia es la distribución del tamaño de la demanda. Por ejemplo, si la distribución está muy sesgada, por lo que la mayoría de las demandas son pequeñas pero algunas son enormes, es posible que obtenga la división 90%/50% mencionada anteriormente. Si su atención se centra en la frecuencia con la que debe realizar pedidos pendientes, el nivel de servicio es más relevante. Si su preocupación es qué tan grande puede llegar a ser un trámite urgente, la tasa de cumplimiento es más relevante.

Un gráfico para gobernarlos a todos

Un gráfico del inventario disponible puede proporcionar la base para calcular múltiples KPI. Considere la Figura 1, que muestra los datos disponibles cada día durante un año. Este gráfico tiene la información necesaria para calcular múltiples métricas: inversión en inventario, nivel de servicio, tasa de cumplimiento, tasa de reorden y otras métricas.

Inversión en inventario: la altura promedio del gráfico cuando es superior a cero, cuando se multiplica por el costo unitario del artículo del inventario, da el valor en dólares trimestral.

Nivel de servicio: la fracción de ciclos de inventario que terminan por encima de cero es el nivel de servicio. Los ciclos de inventario están marcados por los movimientos ascendentes ocasionados por la llegada de pedidos de reabastecimiento.

Tasa de cumplimiento: la cantidad en la que el inventario cae por debajo de cero y cuánto tiempo permanece allí se combinan para determinar la tasa de cumplimiento.

En este caso, el número promedio de unidades disponibles fue 10,74, el nivel de servicio fue 54% y la tasa de cumplimiento fue 91%.

 

KPI y KPP

En los más de cuarenta años transcurridos desde que fundamos Smart Software, nunca he visto a un cliente producir un gráfico como el de la Figura 1. Aquellos que están más avanzados en su desarrollo sí producen y prestan atención a informes que enumeran sus KPI en forma tabular, pero no No mires ese gráfico. Sin embargo, ese gráfico tiene valor para desarrollar información sobre los ritmos aleatorios del inventario a medida que sube y baja.

Donde resulta especialmente útil es en la prospectiva. Dada la volatilidad del mercado, variables clave como los plazos de entrega de los proveedores, la demanda promedio y la variabilidad de la demanda cambian con el tiempo. Esto implica que los parámetros de control clave, como los puntos de reorden y las cantidades de los pedidos, deben ajustarse a estos cambios. Por ejemplo, si un proveedor dice que tendrá que aumentar su tiempo de entrega promedio en 2 días, esto afectará negativamente sus métricas y es posible que deba aumentar su punto de reorden para compensar. ¿Pero aumentarlo en cuánto?

Aquí es donde entra en juego el software de inventario moderno. Le permitirá proponer un ajuste y luego ver cómo se desarrollarán las cosas. Gráficos como el de la Figura 1 permiten ver y tener una idea del nuevo régimen. Y los gráficos se pueden analizar para calcular KPP (predicciones clave de rendimiento).

La ayuda del KPP elimina las conjeturas a la hora de realizar ajustes. Puede simular lo que sucederá con sus KPI si los cambia en respuesta a cambios en su entorno operativo y qué tan mal se pondrán las cosas si no realiza cambios.

 

 

 

 

¿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.

¿Qué es y qué no es?

¿Qué es la IA y en qué se diferencia del ML? Bueno, ¿qué hace alguien hoy en día cuando quiere saber algo? Lo buscan en Google. Y cuando lo hacen, comienza la confusión.

Una fuente dice que la metodología de la red neuronal llamada aprendizaje profundo es un subconjunto del aprendizaje automático, que es un subconjunto de la IA. Pero otra fuente dice que el aprendizaje profundo ya es parte de la IA porque en cierto modo imita la forma en que funciona la mente humana, mientras que el aprendizaje automático no intenta hacer eso.

Una fuente dice que hay dos tipos de aprendizaje automático: supervisado y no supervisado. Otro dice que hay cuatro: supervisada, no supervisada, semisupervisada y de refuerzo.

Algunos dicen que el aprendizaje por refuerzo es aprendizaje automático; otros lo llaman IA.

Algunos de nosotros, los tradicionalistas, llamamos a muchas de ellas “estadísticas”, aunque no todas lo son.

Al nombrar los métodos, hay mucho espacio tanto para la emoción como para el arte de vender. Si un proveedor de software cree que usted quiere escuchar la frase "IA", es posible que la diga por usted sólo para hacerlo feliz.

Mejor centrarse en lo que sale al final.

Puede evitar algunas exageraciones confusas si se concentra en el resultado final que obtiene de alguna tecnología analítica, independientemente de su etiqueta. Hay varias tareas analíticas que son relevantes para los planificadores de inventario y los planificadores de demanda. Estos incluyen agrupamiento, detección de anomalías, detección de cambios de régimen y análisis de regresión. Los cuatro métodos suelen, aunque no siempre, clasificarse como métodos de aprendizaje automático. Pero sus algoritmos pueden surgir directamente de la estadística clásica.

Agrupación

Agrupar significa agrupar cosas que son similares y distanciarlas de cosas que son diferentes. A veces, agrupar es fácil: para separar geográficamente a sus clientes, simplemente ordénelos por estado o región de ventas. Cuando el problema no es tan obvio, puede utilizar datos y algoritmos de agrupamiento para realizar el trabajo automáticamente, incluso cuando se trata de conjuntos de datos masivos.

Por ejemplo, la Figura 1 ilustra un grupo de “perfiles de demanda”, que en este caso divide todos los artículos de un cliente en nueve grupos según la forma de sus curvas de demanda acumuladas. El grupo 1.1 en la parte superior izquierda contiene artículos cuya demanda se ha ido agotando, mientras que el grupo 3.1 en la parte inferior izquierda contiene artículos cuya demanda se ha acelerado. La agrupación también se puede realizar con proveedores. La elección del número de clústeres normalmente se deja a criterio del usuario, pero ML puede guiar esa elección. Por ejemplo, un usuario puede indicarle al software que "divida mis partes en 4 grupos", pero el uso de ML puede revelar que en realidad hay 6 grupos distintos que el usuario debe analizar. 

 

Figura 1: Agrupación de artículos según las formas de su demanda acumulada

Detección de anomalías

La previsión de la demanda se realiza tradicionalmente mediante la extrapolación de series temporales. Por ejemplo, el suavizado exponencial simple funciona para encontrar el “medio” de la distribución de la demanda en cualquier momento y proyectar ese nivel hacia adelante. Sin embargo, si ha habido un aumento o disminución repentino y único en la demanda en el pasado reciente, ese valor anómalo puede tener un efecto significativo pero no deseado en el pronóstico a corto plazo. Igual de grave para la planificación de inventarios, la anomalía puede tener un efecto enorme en la estimación de la variabilidad de la demanda, que va directamente al cálculo de los requisitos de existencias de seguridad.

Es posible que los planificadores prefieran encontrar y eliminar dichas anomalías (y tal vez hacer un seguimiento fuera de línea para descubrir el motivo de la rareza). Pero nadie que tenga un gran trabajo que hacer querrá escanear visualmente miles de gráficos de demanda para detectar valores atípicos, eliminarlos del historial de demanda y luego volver a calcular todo. La inteligencia humana podría hacer eso, pero la paciencia humana pronto fallaría. Los algoritmos de detección de anomalías podrían hacer el trabajo automáticamente utilizando métodos estadísticos relativamente sencillos. Podrías llamar a esto “inteligencia artificial” si lo deseas.

Detección de cambio de régimen

La detección de cambios de régimen es como el hermano mayor de la detección de anomalías. El cambio de régimen es un cambio sostenido, más que temporal, en uno o más aspectos del carácter de una serie temporal. Si bien la detección de anomalías suele centrarse en cambios repentinos de la demanda media, el cambio de régimen podría implicar cambios en otras características de la demanda, como su volatilidad o su forma distributiva.  

La Figura 2 ilustra un ejemplo extremo de cambio de régimen. La demanda de este artículo tocó fondo alrededor del día 120. Las políticas de control de inventario y los pronósticos de demanda basados en datos más antiguos estarían tremendamente fuera de lugar al final del historial de demanda.

Figura 2: Un ejemplo de cambio de régimen extremo en un artículo con demanda intermitente

También en este caso se pueden desarrollar algoritmos estadísticos para resolver este problema, y sería justo llamarlos “aprendizaje automático” o “inteligencia artificial” si así estuviera motivado. El uso de ML o AI para identificar cambios de régimen en el historial de la demanda permite que el software de planificación de la demanda utilice automáticamente solo el historial relevante al realizar pronósticos en lugar de tener que seleccionar manualmente la cantidad de historial para introducirlo en el modelo. 

Análisis de regresión

El análisis de regresión relaciona una variable con otra mediante una ecuación. Por ejemplo, las ventas de marcos de ventanas en un mes pueden predecirse a partir de los permisos de construcción expedidos unos meses antes. El análisis de regresión se ha considerado parte de la estadística durante más de un siglo, pero podemos decir que es "aprendizaje automático", ya que un algoritmo encuentra la manera precisa de convertir el conocimiento de una variable en una predicción del valor de otra.

Resumen

Es razonable estar interesado en lo que sucede en las áreas de aprendizaje automático e inteligencia artificial. Si bien la atención prestada a ChatGPT y sus competidores es interesante, no es relevante para el aspecto numérico de la planificación de la demanda o la gestión de inventario. Los aspectos numéricos del ML y la IA son potencialmente relevantes, pero hay que intentar ver a través de la nube de publicidad que rodea a estos métodos y centrarse en lo que pueden hacer. Si puede hacer el trabajo con métodos estadísticos clásicos, puede hacerlo y luego ejercer su opción de pegar la etiqueta ML a cualquier cosa que se mueva.