La mayoría de los pronósticos de demanda son parciales o incompletos: proporcionan un solo número: el valor más probable de la demanda futura. Esto se llama pronóstico puntual. Por lo general, el pronóstico puntual estima el valor promedio de la demanda futura. Los pronósticos de intervalo brindan una estimación del posible rango futuro de demanda (es decir, la demanda tiene una probabilidad 90% de estar entre 50 y 100 unidades). Los pronósticos probabilísticos van un paso más allá y brindan información adicional. Saber más siempre es mejor que saber menos y el pronóstico probabilístico brinda esa información adicional tan crucial para la gestión de inventario. Este video blog del Dr. Thomas Willemain explica cada tipo de pronóstico y las ventajas del pronóstico probabilístico.

[inbound_button font_size=”20″ color=”#00a429″ text_color=”#ffffff” icon=”” url=”http://www.screencast.com/t/Ut4I5dOY8″ width=”” target=”_blank”]Ver ahora [/boton_de_entrada]
 

El pronóstico puntual (verde) muestra lo que es más probable que suceda. El pronóstico de intervalo muestra el rango (azul) de posibilidades.

Pronóstico de probabilidad muestra la probabilidad de que ocurra cada valor

El nivel de servicio es un indicador clave de rendimiento para las empresas que dan prioridad a la satisfacción de la demanda de los clientes. El nivel de servicio se define como la probabilidad de sobrevivir a un tiempo de espera de reabastecimiento sin desabastecerse.

La mejor práctica de administración de inventario comienza con el establecimiento de objetivos de nivel de servicio, luego calcula los puntos de pedido (también llamados Mins) para lograr esos objetivos. Estos cálculos deben tener en cuenta la variabilidad tanto en la demanda como en el tiempo de espera del reabastecimiento. Hay muchos sistemas de software disponibles para hacer estos cálculos. Si todo sale bien, el nivel de servicio alcanzado termina muy cerca del nivel de servicio objetivo. Desafortunadamente, a menudo hay una brecha dolorosa entre los dos.

Una de las razones de la brecha son los modelos de demanda poco realistas. En muchos casos, el software para calcular los puntos de pedido utiliza fórmulas de libros de texto basadas en suposiciones matemáticas que simplifican el análisis a expensas del realismo. Muchos libros de texto de "Inventario 101" usan fórmulas que asumen que la demanda tiene una distribución Normal (también conocida como la "curva en forma de campana") para productos terminados y la distribución de Poisson para repuestos. Afortunadamente, ahora existen sistemas de pronóstico y optimización de inventario que procesan los historiales de demanda reales de los artículos del inventario utilizando pronósticos probabilísticos. Estas soluciones calculan una estimación precisa de la distribución, no una versión idealizada. Para obtener más información, consulte este blog anterior sobre de pronóstico probabilístico:

Pero hay una segunda fuente de error en los libros de texto que opera de manera invisible en muchos paquetes de software de inventario: "insuficiencia".

Los cálculos de los puntos de reposición casi siempre asumen que los desabastecimientos surgen cuando la demanda total durante un intervalo de reposición excede el punto de reposición. Por ejemplo, suponga que la demanda promedia 1 unidad por día. Si el tiempo de entrega es de 5 días, entonces, en promedio, la demanda de tiempo de entrega es de 5 unidades. Establecer el punto de reorden en 5 unidades produciría un nivel de servicio irrisorio en algún lugar cercano a 50%. Agregar existencias de seguridad al cálculo podría dar como resultado un punto de pedido de, digamos, 11 unidades, lo que podría corresponder a un nivel de servicio de 95%. Otra forma de decir esto es que, a partir de un punto de pedido de 11 unidades, debería haber una posibilidad de que el 95% sobreviva el plazo de entrega de 5 días sin experimentar una demanda acumulada de más de 11 unidades. ¡Teóricamente!

Lo que falta en este análisis es el fenómeno del subimpulso. Undershoot significa que el tiempo de entrega comienza no a el punto de pedido pero abajo eso. El subimpulso ocurre cada vez que la demanda que superó el punto de pedido redujo el stock abajo (no abajo a) el punto de pedido. La siguiente figura muestra los ciclos de reabastecimiento con y sin rebasamiento. Undershoot te roba el bolsillo incluso antes de que comiences a tirar los dados. Engaña al profesional de inventario haciéndole creer que sus puntos de reorden son suficientes para lograr sus objetivos, mientras que el desempeño real no alcanzará la calificación.

Solo hay una situación en la que el rebasamiento no es una preocupación: cuando la demanda siempre es cero o una unidad. En ese caso, undershoot es imposible. Pero en todos los demás casos, es seguro que se producirá una subestimación hasta cierto punto, y puede socavar gravemente el nivel de servicio realmente alcanzado por una determinada elección de punto de pedido. Nuestros análisis muestran que las condiciones más vulnerables a la subestimación implican una demanda altamente intermitente y sesgada con plazos de entrega muy cortos; las mismas condiciones se vuelven más comunes debido a las tendencias del mercado.

¿Qué se puede hacer para protegerse del efecto de la falta de alcance en los cálculos del punto de pedido? Utilice un software de pronóstico y optimización de inventario que no esté vinculado a las suposiciones de los libros de texto antiguos y, en su lugar, tenga en cuenta automáticamente la insuficiencia al calcular el nivel de servicio producido por cualquier elección de punto de pedido.

Para ver la solución de optimización de inventario de Smart Software en acción, regístrese para ver una demostración grabada a continuación:

La mayoría de los pronósticos de demanda son parciales o incompletos: proporcionan un solo número: el valor más probable de la demanda futura. Esto se llama pronóstico puntual. Por lo general, el pronóstico puntual estima el valor promedio de la demanda futura.

Mucho más útil es un pronóstico de la distribución de probabilidad completa de la demanda en cualquier momento futuro. Esto se conoce más comúnmente como pronóstico de probabilidad y es mucho más útil.

El promedio no es la respuesta

La única ventaja de un pronóstico puntual es su simplicidad. Si su sistema ERP también es simple, el pronóstico de puntos completa el número que necesita el sistema ERP para programar la mano de obra o comprar materias primas.

La desventaja de un pronóstico puntual es que es demasiado simple. Ignora información adicional en el historial de demanda de un artículo que puede brindarle una imagen más completa de cómo podría desarrollarse la demanda: un pronóstico de probabilidad.

Más allá del promedio: Pronóstico de probabilidad

Mientras que el pronóstico puntual proporciona información limitada, por ejemplo, "La demanda más probable el próximo mes es de 15 unidades", el pronóstico de probabilidad agrega información crucial, por ejemplo, "Existe una probabilidad de 20% de que la demanda supere las 28 unidades y una probabilidad de 10% de que lo haga". ser inferior a 5 unidades”.

Esta información le permite realizar la evaluación de riesgos y la planificación de contingencias. La planificación de contingencia es necesaria porque el pronóstico puntual generalmente tiene solo una pequeña posibilidad de ser correcto. Un pronóstico de probabilidad también puede decir: "La posibilidad de que la demanda sea de 15 unidades es solo 10%, aunque es el valor más probable". En otras palabras, existe una probabilidad 90% de que el pronóstico de puntos sea incorrecto. Este tipo de error no es un error en los cálculos de pronóstico: es la realidad de lidiar con la volatilidad de la demanda. Sería mejor llamarlo una "incertidumbre" que un "error".

Un gerente de operaciones puede usar la información adicional en un pronóstico de probabilidad tanto de manera informal como formal. Informalmente, incluso si un sistema ERP requiere un pronóstico de un solo número como entrada, un administrador inteligente querrá tener alguna pista sobre los riesgos asociados con ese pronóstico puntual, es decir, su margen de error. Entonces, un pronóstico de 15 ± 1 unidad es mucho más seguro que un pronóstico de 15 ± 10. La parte ± es una compresión de un pronóstico probabilístico. La figura 1 a continuación muestra el historial de demanda de un artículo (línea roja), las previsiones puntuales para los próximos 12 meses (línea verde) y sus márgenes de error (líneas cian). El pronóstico más bajo de alrededor de 3.300 unidades ocurre en junio, pero la demanda real podría ser tanto como 800 unidades más o menos.

Bonus: Aplicación a la Gestión de Inventarios

La gestión de inventario requiere que equilibre la disponibilidad del artículo con el costo del inventario. Resulta que conocer la distribución de probabilidad completa de la demanda durante un tiempo de espera de reabastecimiento es esencial para establecer puntos de reposición (también llamados minutos) sobre una base racional y científica. La Figura 2 muestra un pronóstico de probabilidad de la demanda total durante el plazo de entrega de reabastecimiento de 33 semanas para una determinada pieza de repuesto. Si bien la demanda de tiempo de entrega promedio es de 3 unidades, la demanda más probable es cero, y se necesita un punto de reorden de 14 para asegurar que la probabilidad de agotamiento sea de solo 1%. Una vez más, el promedio no es la respuesta.

Saber más siempre es mejor que saber menos y el pronóstico de probabilidad proporciona esa información crucial adicional. El software ha sido capaz de proporcionar un pronóstico puntual durante más de 40 años, pero el software moderno puede hacerlo mejor y proporcionar una imagen completa.

Figura 1: La línea roja muestra el historial de demanda de un bien terminado. La línea verde muestra las previsiones puntuales para los próximos 12 meses. Las líneas azules indican los márgenes de error en los pronósticos de 12 puntos.

Figura 2: Pronóstico probabilístico de la demanda de una pieza de repuesto durante un plazo de reposición de 33 semanas. La demanda más probable es cero, la demanda promedio es 3, pero se requiere un punto de pedido de 14 unidades para tener solo una probabilidad de 1% de que se agoten las existencias.

A menudo nos preguntan cuál es la diferencia entre estas dos métricas de rendimiento importantes para la planificación del inventario. Si bien ambos son importantes para medir qué tan exitosa es una empresa para satisfacer la demanda, su significado es muy diferente. Si no se comprende e incorpora en el proceso de planificación estratégica del inventario, el inventario se asignará de manera ineficiente, lo que dará como resultado un servicio al cliente más bajo y costos de mantenimiento más altos. Hemos ilustrado la diferencia en esta grabación de 4 minutos usando Microsoft Excel.

Smart Operational Analytics calcula automáticamente los niveles de servicio históricos y las tasas de llenado en cualquier artículo. Para ver cómo calcula estas y otras métricas operativas, incluidas las rotaciones de inventario, el rendimiento del proveedor y más, regístrese a continuación para ver una demostración de cinco minutos. La demostración mostrará cómo nuestra plataforma en la nube calcula e informa continuamente estas métricas en miles de artículos, lo que lo ayuda a identificar oportunidades para mejorar el nivel de servicio y reducir el inventario.

Al implementar la optimización del inventario, la presión está en obtener resultados. A medida que la temporada de las Grandes Ligas de Béisbol comienza su tramo final hacia los playoffs, pensamos que esta analogía podría ayudar a reforzar un punto importante sobre el ritmo de implementación de un nuevo proceso de optimización de inventario.

La situación

Es la parte baja de la novena y su equipo está abajo por una carrera. Te acercas al primer bate de home. Con el rugido de la multitud y la emoción en el aire, te sientes tentado a batear con fuerza para ese escurridizo jonrón. A medida que profundiza en la caja de bateo, sopesa las opciones y decide un mejor enfoque: sea paciente y haga todo lo posible para obtener una base. No tratas de conectar un jonrón y te enfocas en hacer un buen contacto con la pelota. Sabes que en esta situación, uno solo servirá. Al llegar a la base, ayuda a desarrollar la confianza del equipo. Lo más importante es que pones al equipo en una mejor posición para ganar el juego que hacer un swing agresivo pero arriesgado con el bate.

3 razones para un enfoque progresivo para la optimización del inventario

Cuando hay presión para optimizar el inventario, es posible que desee moverse rápido como el bateador que quiere conectar ese jonrón. Y en algunos casos, balancearse por las cercas podría ser el enfoque recomendado. La mayoría de las veces, un enfoque progresivo para la optimización del inventario es más efectivo. Aquí hay tres razones por las cuales:

1. Genera confianza en el usuario y genera impulso.
2. El éxito temprano gana el tiempo necesario para obtener la aceptación total de la gerencia
3. La implementación corporativa de un nuevo proceso requiere evidencia progresiva de éxito

Ejemplo de la industria

Un ejemplo de ello es una empresa multinacional que ofrece servicios de reparación de PC y dispositivos electrónicos al día siguiente. Nunca saben lo que vendrá a reparar, pero necesitan establecer una política de inventario para cumplir con su compromiso de servicio al día siguiente para miles de piezas, mientras mantienen el inventario al mínimo. Han elegido nuestro software de optimización de inventario para ayudar y están en proceso de implementación. El equipo de planificación ha adoptado este enfoque progresivo, trabajando marca por marca para establecer puntos de pedido y cantidades de pedido óptimos utilizando el motor de pronóstico de probabilidad de Smart. Seleccionaron una marca para ilustrar el proceso y mostrar los resultados: comenzando con 26 artículos, filtraron 14 partes con poco o ningún historial de demanda. Al evaluar los 12 restantes, mostraron cómo reducir el inventario en $51,000 mientras aumentaban los niveles de servicio. Si bien la reducción de $51,000 fue solo una pequeña proporción del beneficio general, se entendió fácilmente y presentarla ayudó a obtener apoyo para desarrollar su implementación de optimización de inventario, marca por marca en toda la empresa.

La confianza es clave

La confianza del usuario es clave y esto viene con el dominio del uso del software de optimización de inventario y poder presentar resultados. También lo es la confianza de la gerencia. Nos hemos encontrado con situaciones en las que los escenarios de optimización han mostrado claramente oportunidades para grandes ahorros de inventario, pero el personal se mostró reacio a aprovecharlas. ¿Por qué? Porque estarían reduciendo el inventario, y eso parecía arriesgado. Nuevamente, seleccionar un subconjunto de elementos, trabajar en el proceso de optimización y obtener el apoyo de la administración de arriba hacia abajo para hacer el cambio marcó la diferencia. Y como resultado, reducirán sustancialmente su inventario.

El éxito de Inventory Optimization se logra con un equipo motivado, la tecnología adecuada y la ejecución sólida de un buen plan. Un enfoque progresivo de la implementación reduce el riesgo, valida el plan y proporciona la base para un programa eficaz de planificación y optimización del inventario.

Descargue la hoja de producto de Smart Inventory Optimization aquí: https://smartcorp.com/inventory-optimization/

"Billones de registros de millones de personas... Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas".

El vicepresidente sénior de investigación de Smart Software, Tom Willemain, tuvo recientemente la oportunidad de hablar con el Dr. Mohsen Hamoudia, presidente de la Instituto Internacional de Pronosticadores (IIF), para discutir problemas actuales y oportunidades para el análisis de big data. El IIF informa a los profesionales sobre tendencias y desarrollos de investigación en pronósticos a través de publicaciones impresas y en línea y la celebración de conferencias profesionales.

El Dr. Hamoudia comienza, a modo de introducción:

En todas las industrias, la disponibilidad de datos se está disparando en volumen, variedad y velocidad. El análisis de big data está jugando un papel importante en la identificación de los datos que son más importantes para el negocio.

Permítanme tomar el ejemplo del sector de las Tecnologías de la Información y la Comunicación (TIC). Estamos viendo un crecimiento literalmente exponencial en la cantidad de datos disponibles para las telecomunicaciones, los distribuidores de contenido independientes Over-the-top (OTT), el gobierno, los reguladores y otras organizaciones.

En todo el mundo, somos testigos de petabytes de datos: billones de registros de millones de personas, todos provenientes de múltiples fuentes. Entre estas fuentes: conexiones a Internet, ventas, centros de atención al cliente, redes sociales, datos de teléfonos fijos y móviles. Encontrar la información útil y correcta, comprender su calidad y producir datos analizados confiables de manera oportuna y rentable son cuestiones críticas. Las empresas de TIC buscan cada vez más información procesable en sus datos. ¿Cómo pueden aumentar su base de clientes y sus programas de fidelización? ¿Cómo pueden mejorar la calidad del servicio (QoS) y reducir la rotación de clientes? Con las plataformas de análisis de big data adecuadas, pueden ser más competitivos y eficientes, mejorando las operaciones, el servicio al cliente y la gestión de riesgos. Pronosticar y predecir las tendencias y direcciones de los clientes es clave para las telecomunicaciones.

Las habilidades de pronóstico, incluidas las matemáticas, las estadísticas y la econometría, forman uno de los "bloques" más importantes de habilidades requeridas en la gestión de Big Data. Algunas actividades de pronóstico forman naturalmente parte del debate de los grandes datos.

En las industrias minoristas, las direcciones de previsión diarias pedir a través de miles de productos. La previsión financiera, ya sea considerando el comportamiento del cliente o series de datos financieros, genera conjuntos masivos de datos en línea. Como señaló Robert Fildes, profesor distinguido de la Universidad de Lancaster, hasta el momento la comunidad académica de pronósticos no está completamente involucrada, con solo unas pocas excepciones. Hal Varian de Google analizó parte del trabajo que David Hendry y Jennifer Castle, en la Universidad de Oxford, han realizado en la búsqueda de grandes conjuntos de datos para modelos significativos congruentes con los datos. Stock y Watson también han desarrollado sus propios enfoques para grandes conjuntos de macrodatos. Pero a pesar del intento, en el simposio del año pasado sobre pronóstico en Seúl, de explorar el tema de los grandes datos y sus aplicaciones de pronóstico, quedan pocas aplicaciones convincentes del uso de datos en línea en problemas reales de pronóstico.

P. En la actualidad, se habla mucho de "análisis predictivo", pero la frase rara vez se relaciona con la previsión. ¿Está de acuerdo en que la previsión se encuentra en el corazón del análisis predictivo? ¿Tiene alguna explicación de por qué se ha roto el enlace? ¿Tiene ideas sobre cómo reinyectar pronósticos en la conversación?

Los resultados de la previsión (el “qué”) quizás ahora se perciban como menos importantes que el “cómo”. En consecuencia, la confianza que los usuarios otorgan a la previsión tradicional ha disminuido. ¿Quién de hecho cuestiona la precisión o la relevancia de los pronósticos al comparar, a posteriori, la realidad con el pronóstico, defendiendo la efectividad de los metododiges y, por lo tanto, generando credibilidad?

Con la percepción actual de "análisis predictivo", probablemente haya más espacio en la imaginación del público asignado al lado "cómo" de las cosas y, por lo tanto, una historia más creíble para contar a los socios, inversores o clientes.

P. Parece que casi no hay vínculo entre el pronóstico tradicional y la tecnología móvil (teléfonos inteligentes, tabletas). ¿Es esto cierto o algunas empresas están migrando la previsión a dispositivos móviles? ¿Ve un camino a seguir en el que los algoritmos de pronóstico tradicionales residirían de forma rutinaria en los dispositivos móviles?

En primer lugar, estoy realmente encantado de invitar a sus lectores a echar un vistazo a nuestro último número de Foresight. Un excelente artículo sobre el tema, "Pronósticos en el bolsillo: los dispositivos móviles pueden mejorar la colaboración", explica que "la creciente popularidad de las PDA, los teléfonos inteligentes, las tabletas y otros dispositivos móviles abre nuevas oportunidades para la comunicación y la colaboración en los pronósticos comerciales". Los autores nos dicen que "las aplicaciones móviles de pronóstico (m-forecasting) pueden simplificar los enfoques de colaboración entre minoristas y proveedores, contribuyendo así al suministro e intercambio de información sobre productos, especialmente porque los pronósticos están fuertemente vinculados al conocimiento del contexto local".

Por ejemplo, en el lado de las TIC y OTT, una gran cantidad de proyectos predictivos, como los de Google+ y Facebook, están sucediendo gracias a la inclusión de los datos de "ubicación del usuario" en los sistemas de TI de OTT. En mi opinión, y lo que veo en algunos sectores como retail y logística, es que la previsión tradicional y la previsión móvil (m-forecasting) son complementarias. Este último podría verse como un enfoque de pronóstico de abajo hacia arriba que confirmará o no los resultados del pronóstico de arriba hacia abajo.

P. Algunas personas argumentan que los macrodatos facilitarán el reemplazo de los pronósticos por sistemas de “detectar y reaccionar”. Hablando en términos prácticos, ¿cómo explicaría "sentir y reaccionar"? ¿Hay áreas de aplicación en las que cree que es probable que se afiance o no?

Me parece que “sentir y reaccionar” está completamente orientado a la perspectiva de corto plazo. El pronóstico amplía esto al abordar las necesidades para un horizonte variable: corto y mediano plazo.

Como efecto colateral de ATAWAD (Anytime, Anywhere, Any Device), los criterios de toma de decisiones son, más que nunca, “a corto plazo”. Big data es un sistema de detección de "señales débiles", que permite la detección casi en tiempo real de oportunidades comerciales que pasarían desapercibidas con los sistemas de TI tradicionales. Realmente no hay aplicaciones preferidas o no prioritarias para esto, la pregunta está más en el lado de "cuándo".

Big data es relevante cuando se mira debajo de la superficie en tiempos económicos difíciles, pero no estoy tan seguro de si vale la pena el esfuerzo en un período económico "normal". Para concluir sobre este punto: me complacerá ver un ejemplo de cuán precisos son los pronósticos que se basan en "sentir y reaccionar" frente a los pronósticos basados en modelos tradicionales.

P. Estoy haciendo algunas preguntas importantes. ¿Hasta qué punto ve que la comunidad de IIF da forma a estas discusiones y resultados? ¿Cómo pueden los lectores unirse al diálogo?

Esperamos una mayor disponibilidad y un mayor uso de una gran cantidad de datos en muchas industrias, como la energía, el transporte, la atención médica, las finanzas, las telecomunicaciones y el turismo.

Muchos de los miembros del IIF están involucrados en diferentes aspectos del “movimiento” de big data. El IIF está trabajando en las actividades de pronóstico que, naturalmente, forman parte del debate sobre los grandes datos. En términos más generales, el IIF está participando activamente y brindando un foro para la discusión de pronósticos en el resto del mundo.

El tema de nuestro último Simposio Internacional sobre Pronósticos (ISF) celebrado en Seúl fue "Pronósticos con Big Data" y algunas presentaciones estuvieron relacionadas con la atención médica y las telecomunicaciones. El Banco Central Europeo (BCE) acaba de organizar un taller relevante. Si estos modelos se capitalizan, tienen el potencial de impactar la política económica de Europa con bastante rapidez.

Los lectores pueden unirse al diálogo contribuyendo con artículos para las publicaciones del IIF (The International Journal of Forecasting, Foresight and El oráculo). La previsión, por su parte, es una voz invaluable para reunir a académicos y profesionales en una discusión en curso.

Los lectores también pueden presentar trabajos en la conferencia anual (la mencionada ISF). También pueden sugerir y organizar talleres específicos para aplicaciones específicas de big data, como el que acaba de organizar el BCE en Frankfurt. Otra oportunidad es invitar a los miembros de IIF a asistir a cualquier reunión relacionada con el pronóstico con big data. Todas estas oportunidades forman buenas plataformas para establecer contactos y trabajar juntos.

Mohsen Hamoudia, PhD, es el presidente del Instituto Internacional de Pronosticadores. También se desempeña como Jefe de Estrategia para Grandes Proyectos (París) para Orange Business Services (la antigua France Telecom).

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.