Los objetivos de suministro diarios no funcionan al calcular las existencias de seguridad

Los objetivos de suministro diarios no funcionan al calcular las existencias de seguridad

Los CFO nos dicen que necesitan gastar menos en inventario y sin que afecte a las ventas. Una forma de hacerlo es dejar de usar los objetivos diarios de suministro para determinar los puntos de pedido y las reservas de existencias de seguridad. Así es como funciona un modelo de suministro diario:

  1. Calcule el promedioa de la demanda diaria y multiplique la demanda diaria por el tiempo de entrega del proveedor por días para obtener la demanda de tiempo de entrega
  2. Elija un búfer de suministro por días (es decir, 15, 30, 45 días, etc.). Use búferes más grandes para elementos más importantes y búferes más pequeños para elementos menos importantes.
  3. Agregue los días de reserva deseados del suministro a la demanda durante el tiempo de entrega para obtener el punto de reorden. Pida más cuando el inventario disponible esté por debajo del punto de reorden.

Este enfoque es erroneo por las siguientes razones:

  1. El promedio no tiene en cuenta la estacionalidad ni la tendencia: no verá patrones obvios a menos que pase mucho tiempo ajustándolos manualmente.
  2. El promedio no tiene en cuenta cuán predecible es un artículo: tendrá un exceso de existencias de artículos predecibles y una escasez de artículos menos predecibles. Esto se debe a que los mismos días de suministro para diferentes artículos generan un riesgo de agotamiento de existencias muy diferente.
  3. El promedio no le dice a un planificador cómo el nivel de inventario afecta el riesgo de falta de existencias: no tendrá idea de si tiene existencias insuficientes, excesivas o si tiene suficiente.

Hay muchos otros enfoques de "regla general" que son igualmente problemáticos. Puedes aprender más sobre ellos en este blog

Una mejor manera de planificar la cantidad correcta del inventario de seguridad es aprovechar los modelos de probabilidad que identifican exactamente cuánto inventario se necesita contando el riesgo de desabastecimiento que está dispuesto a aceptar. A continuación se muestra una captura de pantalla de Smart Inventory Optimization que hace exactamente eso. En primer lugar, detalla los niveles de servicio previstos (probabilidad de no agotarse) asociados con la lógica de suministro de los días actuales. El planificador ahora puede ver las partes en las que el nivel de servicio previsto es demasiado bajo o demasiado costoso. Luego pueden hacer correcciones inmediatas enfocándose en los niveles de servicio deseados y el nivel de inversión en inventario. Sin esta información, un planificador no sabrá si los días previstos de existencias de seguridad son demasiado, demasiado poco o simplemente correctos, lo que resulta en excesos y escasez que cuestan participación de mercado e ingresos. 

Informática de existencias de seguridad 2

 

Matemáticas en la cadena de suministro: no lleve un cuchillo a un tiroteo

Ya sea que usted mismo las entienda en detalle o confíe en un buen software, las matemáticas son un hecho de la vida para cualquier persona en la gestión del inventario y previsión de la demanda que pretende seguir siendo competitivo en el mundo moderno.

Recientemente, en una conferencia, el presentador principal de un taller de administración de inventario proclamó con orgullo que no necesitaba "matemáticas de alto nivel", lo que interpretó como algo más allá de las matemáticas de primaria.

Las matemáticas no son el primer amor de todos. Pero si realmente te preocupas por hacer bien tu trabajo, no puedes abordar el trabajo con una mentalidad de escuela primaria. Las tareas de la cadena de suministro, como la previsión de la demanda y la gestión del inventario, son inherentemente matemáticos. Un blog asociado con edX, un sitio reconocido de cursos universitarios en línea, tiene una excelente publicación sobre este tema, en https://www.mooc.org/blog/how-is-math-used-in-supply-chain. Permítanme citar la introducción de dicho curso:

Las matemáticas y la cadena de suministro van de la mano. A medida que crecen las cadenas de suministro, la creciente complejidad impulsará a las empresas a buscar formas de gestionar la toma de decisiones a gran escala. No pueden volver a cómo eran hace 100 años, o incluso hace dos años antes de la pandemia. En cambio, las nuevas tecnologías ayudarán a optimizar y administrar las muchas partes móviles. Las habilidades logísticas, las tecnologías de optimización y las habilidades organizativas utilizadas en la cadena de suministro requieren matemáticas.

Nuestros clientes no necesitan ser expertos en matemáticas de la cadena de suministro, solo necesitan poder manejar el software que contiene las matemáticas. El software combina la experiencia de los usuarios y la experiencia en la materia para producir resultados que marcan la diferencia entre el éxito y el fracaso. Para hacer su trabajo, el software no puede detenerse en matemáticas de sexto grado; necesita probabilidad, estadística y teoría de optimización.

Depende de nosotros, los proveedores de software, empaquetar las matemáticas de tal manera que lo que entra en los cálculos sea todo lo que sea relevante, incluso si es complicado; y que lo que sale sea claro, relevante para la toma de decisiones y defendible cuando deba justificar sus recomendaciones a la alta dirección.

Las matemáticas de sexto grado no pueden advertirle cuándo la forma en que propone administrar una pieza de repuesto crítica significará una probabilidad de 70% de no alcanzar su objetivo de disponibilidad. No puede decirle cuál es la mejor manera de ajustar sus puntos de pedido cuando un proveedor llama y dice: "Tenemos un problema de entrega". No puede salvar su pellejo cuando hay un pedido sorprendentemente grande y tiene que descubrir rápidamente la mejor manera de configurar algunos pedidos especiales acelerados sin romper el presupuesto operativo.

Por lo tanto, respete la sabiduría popular y no traiga un cuchillo a un tiroteo.

 

 

Gestión del inventario dentro de un cambio de régimen

Si escucha la frase "cambio de régimen" en las noticias, inmediatamente piensa en algún evento geopolítico tenso. Los estadísticos usan la frase de manera diferente, de una manera en la que adquiere gran relevancia para la planificación de la demanda y la optimización del inventario. Este blog trata sobre el "cambio de régimen" en el sentido estadístico, lo que significa un cambio importante en el carácter de la demanda de un artículo de inventario.

El historial de demanda de un artículo es el combustible que alimenta las máquinas de previsión de los planificadores de demanda. En general, cuanto más combustible, mejor, lo que nos brinda una mejor solución sobre el nivel promedio, la volatilidad, el tamaño y la frecuencia de los picos, la forma de cualquier patrón de estacionalidad y el tamaño y la dirección de cualquier tendencia.

Pero hay una gran excepción a la regla que predica “a más datos mejores resultados”. Si hay un cambio importante y la nueva demanda no se parece a la antigua, entonces los datos antiguos se vuelven peligrosos.

El software moderno puede hacer pronósticos precisos de la demanda de artículos y sugerir opciones inteligentes para los parámetros de inventario, como los puntos de pedido y las cantidades de los pedidos. Pero la validez de estos cálculos depende de la relevancia de los datos utilizados en su cálculo. Los datos desfasados de un antiguo régimen ya no reflejan la realidad actual, por lo que incluirlos en los cálculos crea un error de pronóstico para los planificadores de demanda y un exceso de existencias o de falta de existencias inaceptables para los planificadores de inventario.

Dicho esto, si tuviera que soportar un cambio de régimen reciente y desechar los datos obsoletos, tendría muchos menos datos con los que trabajar. Esto tiene sus propios costos, porque todas las estimaciones calculadas a partir de los datos tendrían una mayor incertidumbre estadística aunque estarían menos sesgadas. En este caso, sus cálculos tendrían que basarse más en una combinación de análisis estadístico y su propio juicio experto.

En este punto, puede preguntar "¿Cómo puedo saber si ha habido un cambio de régimen y cuándo?" Si ha estado en el trabajo por un tiempo y se siente cómodo mirando diagramas de tiempo de demanda de artículos, generalmente reconocerá el cambio de régimen cuando lo vea, al menos si no es demasiado sutil. La Figura 1 muestra algunos ejemplos reales que son obvios.

Figura 1 Cuatro ejemplos de cambio de régimen en la demanda de artículos del mundo real

Figura 1: Cuatro ejemplos de cambio de régimen en la demanda de artículos del mundo real

 

Desafortunadamente, los cambios menos obvios aún pueden tener efectos significativos. Además, la mayoría de nuestros clientes están demasiado ocupados para revisar manualmente todos los artículos que administran, incluso una vez por trimestre. Cuando supera, digamos, los 100 elementos, la tarea de observar todas esas series temporales se vuelve onerosa. Afortunadamente, el software puede hacer un buen trabajo al monitorear continuamente la demanda de decenas de miles de artículos y alertarlo sobre cualquier artículo que pueda necesitar su atención. Además, puede hacer arreglos para que el software no solo detecte el cambio de régimen, sino que también excluya automáticamente de sus cálculos todos los datos recopilados antes del cambio de régimen más reciente, si corresponde. En otras palabras, puede obtener tanto una advertencia automática de cambio de régimen como una protección automática contra el cambio.

Para obtener más información sobre los conceptos básicos del cambio de régimen, consulte nuestro blog anterior sobre el tema: https://smartcorp.com/blog/demandplanningregimechange/  

 

Un ejemplo con números:

Si desea obtener más información, siga leyendo para ver un ejemplo numérico de cuánto cambio de régimen puede alterar el cálculo de un punto de pedido para una pieza de repuesto crítica. Aquí hay un escenario para ilustrar el punto.

Guión

  • Objetivo: calcular el punto de pedido necesario para controlar el riesgo de desabastecimiento mientras se espera la reposición. Suponga que el riesgo de desabastecimiento objetivo es de 5%.
  • Suponga que el artículo tiene demanda diaria intermitente, con muchos días de demanda cero.
  • Suponga que la demanda diaria tiene una distribución de Poisson con un promedio de 1,0 unidades por día.
  • Suponga que el plazo de reposición es siempre de 30 días.
  • La demanda del tiempo de entrega será aleatoria, por lo que tendrá una distribución de probabilidad y el punto de pedido será el 95º percentil de la distribución.
  • Suponga que el efecto del cambio de régimen es aumentar o disminuir la demanda diaria media.
  • Suponga que hay un año de datos diarios disponibles para estimar la demanda unitaria diaria media.

 

Figura 2 Ejemplo de cambio en la demanda media y muestra de la demanda diaria aleatoria

Figura 2 Ejemplo de cambio en la demanda media y muestra de la demanda diaria aleatoria

 

La Figura 2 muestra una forma de este escenario. El panel superior muestra que la demanda diaria promedio aumenta de 1,0 a 1,5 después de 270 días. El panel inferior muestra una forma en que podría aparecer el valor de la demanda diaria de un año. (En este punto, puede sentir que calcular todo esto es complicado, incluso para lo que resulta ser un escenario simplificado. ¡Es por eso que tenemos software!)

Análisis

El cálculo exitoso del punto de reorden adecuado dependerá de cuándo ocurra el cambio de régimen y cuán grande sea el cambio. Simulamos cambios de régimen de varios tamaños en varios momentos dentro de un período de 365 días. Alrededor de una demanda base de 1,0 unidades por día, estudiamos cambios en la demanda ("cambio") de ±25% y ±50%, así como un caso de referencia sin cambios. Ubicamos el tiempo del cambio ("t.break") en 90, 180 y 270 días. En cada caso, calculamos dos estimaciones del punto de reorden: el valor "ideal" dado un conocimiento perfecto de la demanda promedio en el nuevo régimen ("ROP.true"), y el valor estimado de la demanda media calculado ignorando el cambio de régimen y utilizando todos los datos de demanda del último año (“ROP.all”).

La Tabla 1 muestra las estimaciones del punto de pedido calculado en 100 simulaciones. El bloque central es el caso de referencia, en el que no hay cambio en la demanda diaria, que se mantiene fija en 1 unidad por día. El bloque de color en la parte inferior es el escenario de aumento más extremo, con una demanda que aumenta a 1,5 unidades/día ya sea en un tercio, la mitad o dos tercios del año.

Podemos sacar varias conclusiones de estas simulaciones.

ROP.true: la elección correcta para el punto de pedido aumenta o disminuye según el cambio en la demanda media después del cambio de régimen. La relación no es lineal simple: la tabla abarca un rango del 600% mas del nivel de lademanda (0,25 a 1,50) pero un rango del 467% de lospuntos de pedido (de 12 a 56).

ROP.all: Ignorar el cambio de régimen puede conducir a sobreestimaciones brutas del punto de reorden cuando la demanda cae y subestimaciones brutas cuando la demanda aumenta. Como era de esperar, cuanto más tarde cambia el régimen, peor es el error. Por ejemplo, si la demanda aumenta de 1,0 a 1,5 unidades por día durante dos tercios del año sin que se dé cuenta, el punto de pedido calculado de 43 unidades se quedaría 13 unidades por debajo de lo que debería ser.

Una palabra de precaución: la Tabla 1 muestra que basar los cálculos de los puntos de reorden usando solo datos posteriores a un cambio de régimen generalmente obtendrá la respuesta correcta. Lo que no muestra es que las estimaciones pueden ser inestables si hay muy poco historial de demanda después del cambio. Por lo tanto, en la práctica, debe esperar para reaccionar al cambio de régimen hasta que se haya acumulado una cantidad decente de observaciones en el nuevo régimen. Esto podría significar utilizar todo el historial de demanda, tanto antes como después del cambio, hasta que, por ejemplo, se hayan acumulado 60 o 90 días de historial antes de ignorar los datos anteriores al cambio.

 

Tabla 1 Puntos de pedido correctos y estimados para diferentes escenarios de cambio de régimen

Tabla 1 Puntos de pedido correctos y estimados para diferentes escenarios de cambio de régimen

El juego de culpar a la cadena de suministro por todo: las 3 principales excusas para la escasez y el exceso de inventario
  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.

 

 

El cuento de Ricitos de Oro sobre los niveles de inventario

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.

 

Márgenes vs Nivel de Inventario Negocio

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!    

 

 

Deja un comentario
Artículos Relacionados
¿Sus pronósticos estadísticos sufren el efecto de oscilación?

¿Sus pronósticos estadísticos sufren el efecto de oscilación?

¿Qué es el efecto meneo? Es cuando su pronóstico estadístico predice incorrectamente los altibajos observados en su historial de demanda cuando realmente no hay un patrón. Es importante asegurarse de que sus pronósticos no cambien a menos que haya un patrón real. Aquí hay una transcripción de un cliente reciente donde se discutió este problema:

Cómo manejar pronósticos estadísticos de cero

Cómo manejar pronósticos estadísticos de cero

Un pronóstico estadístico de cero puede causar mucha confusión a los pronosticadores, especialmente cuando la demanda histórica no es cero. Claro, es obvio que la demanda tiene una tendencia a la baja, pero ¿debería tener una tendencia a cero?

Ejemplos de optimización en Inventarios multi-escalón, basados en simulación

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.

 

Realidad y fantasía en la optimización de Inventarios multi-escalón

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 simulado de operación de un sistema con cuatro WHs y un DC.

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.

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.

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.

 

 

 

Deja un comentario
Artículos Relacionados
¿Sus pronósticos estadísticos sufren el efecto de oscilación?

¿Sus pronósticos estadísticos sufren el efecto de oscilación?

¿Qué es el efecto meneo? Es cuando su pronóstico estadístico predice incorrectamente los altibajos observados en su historial de demanda cuando realmente no hay un patrón. Es importante asegurarse de que sus pronósticos no cambien a menos que haya un patrón real. Aquí hay una transcripción de un cliente reciente donde se discutió este problema:

Cómo manejar pronósticos estadísticos de cero

Cómo manejar pronósticos estadísticos de cero

Un pronóstico estadístico de cero puede causar mucha confusión a los pronosticadores, especialmente cuando la demanda histórica no es cero. Claro, es obvio que la demanda tiene una tendencia a la baja, pero ¿debería tener una tendencia a cero?