Ya sea que esté utilizando 'Mín./Máx.' o 'punto de pedido' y 'cantidad de pedido' para determinar cuándo y cuánto reabastecer, su enfoque puede generar o negar grandes eficiencias. Errores clave a evitar:

1. No recalibrar regularmente
2. Si se revisa solo el Min/Max, hay un problema
3. El uso de métodos de pronóstico no está a la altura de la tarea
4. Asumir que los datos son demasiado lentos o impredecibles

“Tenemos más de 150.000 combinaciones SKU x Ubicación. Nuestra demanda es intermitente. Dado que se mueve lentamente, no necesitamos volver a calcular nuestros puntos de pedido con frecuencia. Lo hacemos tal vez una vez al año, pero revisamos los puntos de pedido cada vez que hay un problema”. – Gerente de Materiales.

Este enfoque reactivo conducirá a millones en exceso de existencias, roturas de existencias y mucho tiempo perdido revisando datos cuando "algo sale mal". Sin embargo, he escuchado este mismo estribillo a muchos profesionales de inventario a lo largo de los años. Claramente, necesitamos compartir porqué este pensamiento es totalmente erróneo.

Es cierto que para muchas partes, un recálculo de los puntos de pedido con datos históricos actualizados y plazos de entrega podría no cambiar mucho, especialmente si hay patrones como la tendencia o la estacionalidad. Sin embargo, muchas partes se beneficiarán de un recálculo, especialmente si los plazos de entrega o la demanda reciente han cambiado. Además, la probabilidad de un cambio significativo que requiera un nuevo cálculo aumenta cuanto más espere. Finalmente, esos meses con nula demanda también influyen en las probabilidades y no deben ser ignorados. Sin embargo, el punto clave es que es imposible saber qué cambiará o no cambiará en su pronóstico, por lo que es mejor recalibrar regularmente.

Este caso de datos real ilustra un escenario donde brilla la recalibración regular y automatizada: los beneficios de las respuestas rápidas a patrones de demanda cambiantes y como estos se suman rápidamente. En el ejemplo anterior, el eje X representa los días y el eje Y representa la demanda. Si tuviera que esperar varios meses entre recalibrar sus puntos de pedido, sin duda haría el pedido demasiado pronto. Al recalibrar su punto de reorden con mucha más frecuencia, captará el cambio en la demanda y permitirá pedidos mucho más precisos.

En lugar de esperar hasta que tenga un problema, vuelva a recalibrar todas las piezas en cada ciclo de planificación al menos una vez al mes. Al hacerlo, aprovecha los datos más recientes y ajusta proactivamente la política de almacenamiento, evitando así problemas que causarían revisiones manuales y escasez o exceso de inventario.

La naturaleza de sus datos (potencialmente variados) también debe combinarse con las herramientas de pronóstico adecuadas. Si los registros de algunas partes muestran tendencias o patrones estacionales, el uso de métodos de pronóstico de objetivos para adaptarse a estos patrones puede marcar una gran diferencia. De manera similar, si los datos muestran valores cero frecuentes (demanda intermitente), los métodos de pronóstico que no se basan en este caso especial pueden arrojar fácilmente resultados poco confiables.

Automatice, recalibre y revise las excepciones. El software especialmente diseñado lo hará automáticamente. Piénselo de otra manera: ¿es mejor depositar una gran cantidad de dinero en el inversiones una vez al año o en el "costo promedio en euros" depositando cantidades más pequeñas en que sector en el que decida invertir en fracciones mensuales? Recalibrar las políticas con regularidad generará rendimientos máximos con el tiempo, tal como lo hará el promedio del costo en euros para su cartera de inversiones.

¿Con qué frecuencia recalibra sus políticas de almacenamiento? ¿Por qué?

1. Culpar de la escasez a la variabilidad del tiempo de entrega
   Los proveedores a menudo llegan tarde, a veces por mucho. Los retrasos en el tiempo de entrega y la variabilidad del suministro son hechos de la vida de la cadena de suministro, sin embargo, las organizaciones que llevan inventario a menudo se sorprenden cuando un proveedor llega tarde. Un proceso de planificación de inventario efectivo abarca estos hechos de la vida y desarrolla políticas que dan cuenta de manera efectiva de esta incertidumbre. Claro, habrá momentos en que los retrasos en el tiempo de entrega surjan de la nada. Pero la mayoría de las veces, las políticas de almacenamiento, como los puntos de pedido, las existencias de seguridad y los niveles mínimos y máximos, no se recalibran con la frecuencia suficiente para detectar cambios en el tiempo de entrega a lo largo del tiempo. Muchas empresas solo revisan el punto de pedido después de que se haya incumplido, en lugar de volver a calibrar después de cada nuevo recibo de tiempo de entrega. Hemos observado situaciones en las que los ajustes Mín./Máx. solo se recalibran anualmente o incluso son completamente manuales. Si tiene una montaña de piezas que usan niveles mínimos/máximos antiguos y plazos de entrega asociados que eran relevantes hace un año, no debería sorprender que no tenga suficiente inventario para esperar hasta que llegue el próximo pedido. 

1. Culpar del exceso a las malas previsiones de ventas/clientes
   Los pronósticos de sus clientes o su equipo de ventas a menudo se sobreestiman intencionalmente para garantizar el suministro, en respuesta a la escasez de inventario en el pasado donde se quedaron de vacio. O bien, los pronósticos de demanda son inexactos simplemente porque el equipo de ventas no sabe realmente cuál será la demanda de sus clientes, pero se ve obligado a dar un número. La variabilidad de la demanda es otro hecho de la vida de la cadena de suministro, por lo tanto, los procesos de planificación deben hacer un mejor trabajo para tenerlo en cuenta. ¿Por qué confiar en los equipos de ventas para pronosticar cuándo sirven mejor a la empresa vendiendo? ¿Por qué molestarse en jugar el juego de fingir aceptación de los pronósticos de los clientes cuando ambas partes saben que a menudo son falsos? Una mejor manera es aceptar la incertidumbre y acordar un grado de riesgo de desabastecimiento que sea aceptable para todos los grupos de artículos. Una vez que se acuerda el riesgo de desabastecimiento, puede generar una estimación precisa del stock de seguridad necesario para contrarrestar la variabilidad de la demanda. El problema es conseguir que se acepte, ya que es posible que no pueda ofrecer niveles de servicio muy altos en todos los artículos. Los clientes deben estar dispuestos a pagar un precio más alto por unidad para que usted brinde niveles de servicio extremadamente altos. El personal de ventas debe aceptar que es más probable que ciertos artículos tengan pedidos pendientes si priorizan la inversión en inventario en otros artículos. El uso de un proceso de inventario de seguridad consensuado garantiza que esté almacenando en búfer adecuadamente y estableciendo las expectativas correctas. Cuando haces esto, liberas a todas las partes de tener que jugar el juego de predicción para el que no estaban equipados en primer lugar. 

1. Culpar de los problemas a los datos incorrectos
   “Basura entra/basura sale” es una excusa común de por qué ahora no es el momento adecuado para invertir en software de planificación. Por supuesto, es cierto que si ingresa datos incorrectos en un modelo, no obtendrá buenos resultados, pero aquí está la cuestión: alguien, en algún lugar de la organización, está planificando el inventario, creando un pronóstico y tomando decisiones sobre qué comprar con los datos que hay. ¿Están haciendo esto a ciegas o están usando datos que han seleccionado en una hoja de cálculo para ayudarlos a tomar decisiones de planificación de inventario? Con suerte, esto último. Combine ese conocimiento interno con el software, la automatización de la importación de datos desde el ERP y la limpieza de datos. Una vez armonizado, su software de planificación proporcionará señales de tiempo de entrega y demanda bien estructuradas y continuamente actualizadas que ahora hacen posible una previsión eficaz de la demanda y la optimización del inventario. El cofundador de Smart Software, Tom Willemain, escribió en un boletín de la IBF que “muchos problemas de datos se derivan de que los datos se descuidaron hasta que un proyecto de pronóstico los hizo importantes”. Entonces, comience ese proyecto de pronóstico, porque el primer paso es asegurarse de que "lo que ingresa" sea una señal de demanda impecable, documentada y precisa.

Puede que recuerdes la historia de Goldilocks de tu juventud hace mucho tiempo. A veces la papilla estaba demasiado caliente, a veces demasiado fría, pero solo una vez estaba bien. Ahora que somos adultos, podemos traducir ese cuento de hadas en un principio profesional para la planificación del inventario: puede haber muy poco o demasiado inventario, y hay un nivel de Ricitos de Oro que es “perfecto”. Este blog trata de encontrar ese punto dulce.

Para ilustrar nuestra fábula de la cadena de suministro, considere este ejemplo. Imagine que vende repuestos para mantener los sistemas de sus clientes en funcionamiento. Usted ofrece una parte de servicio en particular que le cuesta $100 pero se vende por un margen de beneficio de 20%. Puede hacer $20 en cada unidad que vende, pero no puede quedarse con el $20 completo debido a los costos operativos de inventario que soporta para poder vender la pieza. Hay costos de mantenimiento para mantener la pieza en buen estado mientras está en stock y costos de pedido para reabastecer las unidades que vende. Finalmente, a veces se pierden ingresos por ventas perdidas debido a desabastecimientos.  

Estos costos operativos pueden estar directamente relacionados con la forma en que administra la pieza en el inventario. Para nuestro ejemplo, suponga que utiliza una política de inventario (Q,R), donde Q es la cantidad del pedido de reposición y R es el punto de pedido. Suponga además que la razón por la que no está fabricando $30 por unidad es que tiene competidores, y los clientes obtendrán la pieza de ellos si no pueden obtenerla de usted.

Tanto sus ingresos como sus costes dependen de formas complejas de sus elecciones de Q y R. Estas determinarán cuánto pide, cuándo y, por tanto, con qué frecuencia pide, con qué frecuencia se agota y, por tanto, cuántas ventas pierde y cuánto dinero en efectivo que atas en el inventario. Es imposible calcular el costo de estas relaciones con conjeturas, pero el software moderno puede hacer que las relaciones sean visibles y calcular las cifras en dólares que necesita para guiar su elección de valores para Q y R. Lo hace ejecutando simulaciones probabilísticas detalladas y basadas en hechos. que predicen los costes y el rendimiento promediando un gran número de escenarios de demanda realistas.  

Con estos resultados en la mano, puede calcular el margen asociado con los valores (Q,R) usando la fórmula simple

Margen = (Demanda - Ventas perdidas) x Beneficio por unidad vendida - Costos de pedido - Costos de mantenimiento.

En esta fórmula, las ventas perdidas, los costos de pedido y los costos de mantenimiento dependen del punto de pedido R y la cantidad de pedido Q.

La Figura 1 muestra el resultado de las simulaciones que fijaron Q en 25 unidades y variaron R de 10 a 30 en pasos de 5. Si bien la curva es bastante plana en la parte superior, ganaría más dinero manteniendo un inventario disponible de alrededor de 25 unidades ( que corresponde al ajuste R = 20). Más inventario, a pesar de un mayor nivel de servicio y menos ventas perdidas, generaría un poco menos de dinero (y vincularía mucho más efectivo), y menos inventario generaría mucho menos.

Figura 1: Mostrando que puede haber muy poco o demasiado inventario disponible

Sin confiar en el software de simulación de inventario, no podríamos descubrir

• a) que es posible llevar muy poco y demasiado inventario
• b) cuál es el mejor nivel de inventario
• c) cómo llegar allí mediante las elecciones adecuadas del punto de pedido R y la cantidad de pedido Q.

Sin una comprensión explícita de lo anterior, las empresas tomarán decisiones de inventario diarias basándose en la intuición y los métodos de regla empírica basados en promedios. Las compensaciones descritas aquí no están expuestas y la combinación resultante de inventario produce un retorno mucho menor, perdiendo cientos de miles a millones por año en ganancias perdidas. Así que sé como Ricitos de Oro. Con los sistemas y las herramientas de software correctos, ¡usted también puede hacerlo bien!    

Administrar el inventario en una sola instalación es bastante difícil, pero el problema se vuelve mucho más complejo cuando hay múltiples instalaciones dispuestas en múltiples escalones. La complejidad surge de las interacciones entre los escalones, con demandas en los niveles más bajos que aumentan y cualquier escasez en los niveles más altos se reduce en cascada.

Si cada una de las instalaciones se administrara de forma aislada, se podrían usar métodos estándar, sin tener en cuenta las interacciones, para establecer parámetros de control de inventario, como puntos de pedido y cantidades de pedido. Sin embargo, ignorar las interacciones entre niveles puede conducir a fallas catastróficas. La experiencia y el ensayo y error permiten el diseño de sistemas estables, pero esa estabilidad puede verse afectada por cambios en los patrones de demanda o tiempos de entrega o por la adición de nuevas instalaciones. El análisis avanzado de la cadena de suministro ayuda en gran medida a hacer frente a tales cambios, lo que proporciona un "sandbox" seguro dentro del cual probar los cambios propuestos en el sistema antes de implementarlos. Este blog ilustra ese punto.

El escenario

Para tener alguna esperanza de discutir este problema de manera útil, este blog simplificará el problema al considerar la jerarquía de dos niveles que se muestra en la Figura 1. Imagine que las instalaciones en el nivel inferior son almacenes (WH) desde los cuales se pretende satisfacer las demandas de los clientes. , y que los artículos de inventario en cada WH son piezas de servicio que se venden a una amplia gama de clientes externos.

Figura 1: Estructura general de un tipo de sistema de inventario de dos niveles

Imagine que el nivel superior consiste en un único centro de distribución (DC) que no atiende a los clientes directamente pero sí reabastece los WH. Para simplificar, suponga que el centro de distribución en sí se reabastece desde una fuente que siempre tiene (o produce) existencias suficientes para enviar inmediatamente las piezas al centro de distribución, aunque con cierto retraso. (Alternativamente, podríamos considerar que el sistema tiene tiendas minoristas abastecidas por un almacén).

Cada nivel se puede describir en términos de niveles de demanda (tratados como aleatorios), plazos de entrega (aleatorios), parámetros de control de inventario (aquí, valores mínimos y máximos) y política de escasez (aquí, se permiten pedidos pendientes).

El método de análisis

La literatura académica ha avanzado en este problema, aunque generalmente a costa de simplificaciones necesarias para facilitar una solución puramente matemática. Nuestro enfoque aquí es más accesible y flexible: simulación Monte Carlo. Es decir, construimos un programa informático que incorpora la lógica de funcionamiento del sistema. El programa “crea” una demanda aleatoria en el nivel de WH, procesa la demanda de acuerdo con la lógica de una política de inventario elegida y crea demanda para el CD agrupando las solicitudes aleatorias de reposición realizadas por los WH. Este enfoque nos permite observar muchos días simulados de operación del sistema mientras observamos eventos significativos como desabastecimientos en cualquier nivel.

Un ejemplo

Para ilustrar un análisis, simulamos un sistema que consta de cuatro WH y un DC. La demanda promedio varió entre los WH. La reposición del CD a cualquier WH tomó de 4 a 7 días, con un promedio de 5,15 días. La reposición de la CC desde la Fuente tomó 7, 14, 21 o 28 días, pero 90% del tiempo fue 21 o 28 días, lo que hace un promedio de 21 días. Cada instalación tenía valores mínimos y máximos establecidos por el criterio del analista después de algunos cálculos aproximados.

La Figura 2 muestra los resultados de un año de operación diaria simulada de este sistema. La primera fila de la figura muestra la demanda diaria del artículo en cada WH, que se supuso que era "puramente aleatoria", lo que significa que tenía una distribución de Poisson. La segunda fila muestra el inventario disponible al final de cada día, con los valores mínimo y máximo indicados por líneas azules. La tercera fila describe las operaciones en el CD. Contrariamente a la suposición de gran parte de la teoría, la demanda en el DC no estaba cerca de ser Poisson, ni tampoco la demanda fuera del DC a la Fuente. En este escenario, los valores Mín. y Máx. fueron suficientes para mantener alta la disponibilidad de artículos en cada WH y en el CD, y no se observaron desabastecimientos en ninguna de las cinco instalaciones.

Click aquí para ampliar la imagen

Figura 2 – Año de operación simulado de un sistema con cuatro WHs y un DC.

Ahora vamos a variar el escenario. Cuando los desabastecimientos son extremadamente raros, como en la Figura 2, a menudo hay un exceso de inventario en el sistema. Supongamos que alguien sugiere que el nivel de inventario en el centro de distribución parece un poco alto y piensa que sería una buena idea ahorrar dinero allí. Su sugerencia para reducir las existencias en el CD es reducir el valor de Min en el CD de 100 a 50. ¿Qué sucede? Podrías adivinar, o podrías simular.

La figura 3 muestra la simulación: el resultado no es agradable. El sistema funciona bien durante gran parte del año, luego el centro de distribución se queda sin existencias y no puede ponerse al día a pesar de enviar órdenes de reposición cada vez mayores a la fuente. Tres de los cuatro WH descienden en espirales de muerte al final del año (y WH1 sigue a partir de entonces). La simulación ha puesto de relieve una sensibilidad que no se puede ignorar y ha marcado una mala decisión.

Haga click aquí para ampliar la imágen

Figura 3: efectos simulados de reducir el Min en el DC.

Ahora los gerentes de inventario pueden volver a la mesa de diseño y probar otras formas posibles de reducir la inversión en inventario a nivel de CD. Un movimiento que siempre ayuda, si usted y su proveedor pueden lograrlo juntos, es crear un sistema más ágil al reducir el tiempo de reabastecimiento. Trabajar con la fuente para garantizar que el centro de distribución siempre obtenga sus reabastecimientos en 7 o 14 días estabiliza el sistema, como se muestra en la Figura 4.

Haga click aquí para ampliar la imágen

Figura 4: efectos simulados de reducir el tiempo de espera para reponer el centro de distribución.

Desafortunadamente, no se ha logrado la intención de reducir el inventario en el DC. El recuento de inventario diario original era de unas 80 unidades y sigue siendo de unas 80 unidades después de reducir el mínimo del centro de distribución y mejorar drásticamente el tiempo de entrega de la fuente al centro de distribución. Pero con el modelo de simulación, el equipo de planificación puede probar otras ideas hasta llegar a un rediseño satisfactorio. O, dado que la Figura 4 muestra que el inventario de CD comienza a coquetear con cero, podrían pensar que es prudente aceptar la necesidad de un promedio de aproximadamente 80 unidades en el CD y buscar formas de recortar la inversión en inventario en los WH.

la comida para llevar

1. La optimización de inventario de varios niveles (MEIO) es compleja. Muchos factores interactúan para producir comportamientos del sistema que pueden resultar sorprendentes incluso en sistemas simples de dos niveles.
2. La simulación de Monte Carlo es una herramienta útil para los planificadores que necesitan diseñar nuevos sistemas o modificar los existentes.

Para la mayoría de los pequeños y medianos fabricantes y distribuidores, la optimización del inventario de un solo nivel o de un solo escalón está a la vanguardia de la práctica logística. La optimización de inventario de niveles múltiples ("MEIO") implica jugar el juego a un nivel aún más alto y, por lo tanto, es mucho menos común. Este blog es el primero de dos. Su objetivo es explicar qué es MEIO, por qué fallan las teorías estándar de MEIO y cómo el modelado probabilístico a través de la simulación de escenarios puede restaurar la realidad del proceso MEIO. El segundo blog mostrará un ejemplo particular.

Definición de optimización de inventario

Un sistema de inventario se basa en un conjunto de opciones de diseño.

La primera opción es la política para responder a los desabastecimientos: ¿simplemente pierde la venta ante un competidor o puede convencer al cliente para que acepte un pedido pendiente? Lo primero es más común con los distribuidores que con los fabricantes, pero esto puede no ser una gran elección ya que los clientes pueden dictar la respuesta.

La segunda opción es la política de inventario. Estas se dividen en políticas de “revisión continua” y “revisión periódica”, con varias opciones dentro de cada tipo. Puede enlazar a un video tutorial que describe varias políticas de inventario comunes aquí. Quizás el más eficiente sea conocido por los profesionales como "Min/Max" y por los académicos como (s, s) o “pequeña S, gran S”. Utilizamos esta política en las siguientes simulaciones de escenarios. Funciona de la siguiente manera: cuando el inventario disponible cae por debajo del mínimo (s), se realiza un pedido de reposición. El tamaño del pedido es la brecha entre el inventario disponible y el Max (S), por lo que si Min es 10, Max es 25 y disponible es 8, es hora de hacer un pedido de 25-8 = 17 unidades.

La tercera opción es decidir sobre los mejores valores de los "parámetros" de la política de inventario, por ejemplo, los valores que se utilizarán para Min y Max. Antes de asignar números a Min y Max, necesita claridad sobre lo que significa "mejor" para usted. Por lo general, lo mejor significa opciones que minimizan los costos operativos de inventario sujetos a un piso en la disponibilidad del artículo, expresado como Nivel de servicio o Tasa de llenado. En términos matemáticos, este es un "problema de optimización de enteros con restricciones bidimensional". "Bidimensional" porque tienes que elegir dos números: Min y Max. "Entero" porque Min y Max tienen que ser números enteros. "Restringido" porque debe elegir valores mínimos y máximos que brinden un nivel lo suficientemente alto de disponibilidad de artículos, como niveles de servicio y tasas de llenado. “Optimización” porque desea llegar allí con el costo operativo más bajo (el costo operativo combina los costos de mantenimiento, pedido y escasez).

Sistemas de inventario de varios niveles

El problema de optimización se vuelve más difícil en sistemas de múltiples escalones. En un sistema de un solo escalón, cada elemento del inventario se puede analizar de forma aislada: un par de valores Mín./Máx. por SKU. Debido a que hay más partes en un sistema de varios niveles, existe un problema computacional mayor.

La Figura 1 muestra un sistema simple de dos niveles para administrar un solo SKU. En el nivel inferior, las demandas llegan a varios almacenes. Cuando están en peligro de agotarse, se reabastecen desde un centro de distribución (DC). Cuando el propio DC está en peligro de agotarse, lo suministra una fuente externa, como el fabricante del artículo.

El problema de diseño aquí es multidimensional: necesitamos valores mínimos y máximos para 4 almacenes y para el CD, por lo que la optimización ocurre en 4×2+1×2=10 dimensiones. El análisis debe tener en cuenta una multitud de factores contextuales:

• El nivel promedio y la volatilidad de la demanda que ingresa a cada almacén.
• El promedio y la variabilidad de los plazos de reabastecimiento del centro de distribución.
• El promedio y la variabilidad de los plazos de reabastecimiento desde la fuente.
• El nivel de servicio mínimo exigido en los almacenes.
• El nivel de servicio mínimo requerido en el CD.
• Los costos de mantenimiento, pedido y escasez en cada almacén.
• Los costos de mantenimiento, pedido y escasez en el centro de distribución.

Como era de esperar, las conjeturas en el asiento de los pantalones no funcionarán bien en esta situación. Tampoco intentar simplificar el problema analizando cada escalón por separado. Por ejemplo, los desabastecimientos en el centro de distribución aumentan el riesgo de desabastecimiento a nivel de almacén y viceversa.

Obviamente, este problema es demasiado complicado para tratar de resolverlo sin la ayuda de algún tipo de modelo informático.

Por qué la teoría del inventario estándar es mala matemática

Con un poco de búsqueda, puede encontrar modelos, artículos de revistas y libros sobre MEIO. Estas son fuentes valiosas de información y conocimiento, incluso números. Pero la mayoría de ellos confían en el recurso de simplificar demasiado el problema para que sea posible escribir y resolver ecuaciones. Esta es la “Fantasía” a la que se refiere el título.

Hacerlo es una maniobra clásica de modelado y no es necesariamente una mala idea. Cuando era estudiante de posgrado en el MIT, me enseñaron el valor de tener dos modelos: un modelo pequeño y aproximado para servir como una especie de visor y un modelo más grande y preciso para producir números confiables. El modelo más pequeño está basado en ecuaciones y teorías; el modelo más grande está basado en procedimientos y datos, es decir, una simulación detallada del sistema. Los modelos basados en teorías y ecuaciones simples pueden producir malas estimaciones numéricas e incluso pasar por alto fenómenos completos. Por el contrario, los modelos basados en procedimientos (p. ej., "pedir hasta el máximo cuando supere el mínimo") y hechos (p. ej., los últimos 3 años de demanda diaria de artículos) requerirán mucha más computación pero darán respuestas más realistas. Afortunadamente, gracias a la nube, tenemos mucha potencia informática al alcance de la mano.

Quizás el mayor "pecado" de modelado en la literatura de MEIO es la suposición de que las demandas en todos los escalones se pueden modelar como procesos de Poisson puramente aleatorios. Incluso si fuera cierto a nivel de almacén, estaría lejos de ser cierto a nivel de CD. El proceso de Poisson es la "rata blanca del modelado de demanda" porque es simple y permite una mayor manipulación de ecuaciones con lápiz y papel. Dado que no todas las demandas tienen forma de Poisson, esto da como resultado recomendaciones poco realistas.

Optimización de simulación basada en escenarios

Para obtener realismo, debemos profundizar en los detalles de cómo funcionan los sistemas de inventario en cada escalón. Con pocos límites, excepto los impuestos por el hardware, como el tamaño de la memoria, los programas de computadora pueden mantener cualquier nivel de complejidad. Por ejemplo, no hay necesidad de suponer que cada uno de los almacenes enfrenta flujos de demanda idénticos o tiene los mismos costos que todos los demás.

Una simulación por computadora funciona de la siguiente manera.

1. El historial de demanda del mundo real y el historial de tiempo de entrega se recopilan para cada SKU en cada ubicación.
2. Los valores de los parámetros de inventario (p. ej., Min y Max) se seleccionan para la prueba.
3. Los historiales de demanda y reposición se utilizan para crear escenarios que representan las entradas al programa de computadora que codifica las reglas de operación del sistema.
4. Las entradas se utilizan para impulsar la operación de un modelo informático del sistema con los valores de los parámetros elegidos durante un largo período, digamos un año.
5. Los indicadores clave de rendimiento (KPI) se calculan para el año simulado.
6. Los pasos 2 a 5 se repiten muchas veces y los resultados se promedian para vincular las opciones de parámetros con el rendimiento del sistema.
7.  

La optimización del inventario agrega otro "bucle externo" a los cálculos mediante la búsqueda sistemática de los posibles valores de Min y Max. Entre esos pares de parámetros que satisfacen la restricción de disponibilidad de artículos, la búsqueda adicional identifica los valores Mín. y Máx. que dan como resultado el costo operativo más bajo.

Figura 1: Estructura general de un tipo de sistema de inventario de dos niveles

Estén atentos a nuestro próximo blog

PRÓXIMAMENTE, EN BREVE, PRONTO. Para ver un ejemplo de una simulación del sistema en la Figura 1, lea el segundo blog sobre este tema