Quienes producen pronósticos se lo deben a quienes consumen pronósticos, y a ellos mismos, ser conscientes de la incertidumbre en sus pronósticos. Esta nota trata sobre cómo estimar la incertidumbre del pronóstico y utilizar las estimaciones en su proceso de planificación de la demanda. Nos centramos en los pronósticos realizados en apoyo de la planificación de la demanda, así como los pronósticos inherentes a optimizar el inventario políticas que involucran puntos de pedido, existencias de seguridad y niveles mínimos/máximos.

Leyendo esto, aprenderás sobre:

-Criterios para evaluar las previsiones
-Fuentes de error de pronóstico
-Cálculo del error de pronóstico
-Convertir el error de pronóstico en intervalos de predicción
-La relación entre la previsión de la demanda y la optimización del inventario.
-Acciones que puede tomar para utilizar estos conceptos para mejorar los procesos de su empresa.

Criterios para evaluar pronósticos

El error de pronóstico por sí solo no es motivo suficiente para rechazar el pronóstico como herramienta de gestión. Para tergiversar un famoso aforismo de George Box, "Todos los pronósticos están equivocados, pero algunos son útiles". Por supuesto, los profesionales de negocios siempre buscarán formas de hacer que los pronósticos sean más útiles. Esto generalmente implica trabajar para reducir el error de pronóstico. Pero si bien la precisión del pronóstico es el criterio más obvio para juzgar los pronósticos, no es el único. Aquí hay una lista de criterios para evaluar los pronósticos:

Precisión: Los pronósticos de valores futuros deberían, en retrospectiva, estar muy cerca de los valores reales que finalmente se revelan. Pero puede haber rendimientos decrecientes al exprimir otro medio por ciento de precisión de los pronósticos que, de otro modo, serían lo suficientemente buenos como para usarlos en la toma de decisiones.

Oportunidad: Los pilotos de combate se refieren al Ciclo OODA (Observar, Orientar, Decidir y Actuar) y la “necesidad de entrar en el ciclo OODA del enemigo” para que puedan disparar primero. Las empresas también tienen ciclos de decisión. Entregar un pronóstico perfectamente preciso el día después de que se necesita no es útil. Mejor es un buen pronóstico que llega a tiempo para ser útil.

Costo: Los datos de previsión, los modelos, los procesos y las personas cuestan dinero. Un pronóstico menos costoso podría estar impulsado por datos que están fácilmente disponibles; más costoso sería un pronóstico que se ejecuta en datos que deben recopilarse en un proceso especial fuera del alcance de la infraestructura de información de una empresa. Una técnica de pronóstico clásica lista para usar será menos costosa de adquirir, alimentar y explotar que un método complejo, personalizado y proporcionado por un consultor. Los pronósticos pueden ser producidos en masa por un software supervisado por un solo analista, o pueden surgir de un proceso de colaboración que requiere tiempo y esfuerzo de grandes grupos de personas, como gerentes de ventas de distrito, equipos de producción y otros. Las técnicas de pronóstico técnicamente avanzadas a menudo requieren la contratación de personal con experiencia técnica especializada, como una maestría en estadística, que tiende a costar más que el personal con una capacitación menos avanzada.

Credibilidad: En última instancia, algún ejecutivo tiene que aceptar y actuar sobre cada pronóstico. Los ejecutivos tienden a desconfiar o ignorar recomendaciones que no pueden entender ni explicar a la siguiente persona por encima de ellos en la jerarquía. Para muchos, creer en una “caja negra” es una prueba de fe demasiado severa, y rechazan los pronósticos de la caja negra en favor de algo más transparente.

Dicho todo esto, nos centraremos ahora en la precisión del pronóstico y su gemelo malvado, el error de pronóstico.

Fuentes de error de pronóstico

Aquellos que buscan reducir el error pueden buscar en tres lugares para encontrar problemas:
1. Los datos que entran en un modelo de pronóstico
2. El modelo en sí
3. El contexto del ejercicio de pronóstico

Hay varias formas en que los problemas de datos pueden conducir a un error de pronóstico.

Errores graves: Los datos erróneos producen pronósticos erróneos. ¡Hemos visto un caso en el que los registros informáticos de la demanda del producto estaban equivocados por un factor de dos! Los involucrados detectaron ese problema de inmediato, pero una situación menos grave puede colarse fácilmente y envenenar el proceso de pronóstico. De hecho, la simple organización, adquisición y verificación de datos suele ser la mayor fuente de retrasos en la implementación del software de pronóstico. Muchos problemas de datos parecen derivar de que los datos no eran importantes hasta que un proyecto de pronóstico los hizo importantes.

Anomalías: Incluso con bases de datos de pronóstico perfectamente seleccionadas, a menudo hay problemas de datos del tipo "aguja en un pajar". En estos casos, no son los errores de datos sino las anomalías de la demanda las que contribuyen al error de pronóstico. En un conjunto de, digamos, 50 000 productos, es probable que algunos artículos tengan detalles extraños que pueden distorsionar los pronósticos.

El análisis de exclusión es un método de análisis simple pero poderoso. Para ver qué tan bien pronostica un método, utilícelo con datos conocidos más antiguos para pronosticar datos más nuevos, ¡luego vea cómo habría resultado! Por ejemplo, suponga que tiene 36 meses de datos de demanda y necesita pronosticar con 3 meses de anticipación. Puede simular el proceso de pronóstico ocultando (es decir, ocultando) los datos de los 3 meses más recientes, pronosticando utilizando solo los datos de los meses 1 a 33 y luego comparando los pronósticos de los meses 34 a 36 con los valores reales de los meses 34 a 36. . La simulación deslizante simplemente repite el análisis de reserva, deslizándose a lo largo del historial de demanda. El ejemplo anterior usó los primeros 33 meses de datos para obtener 3 estimaciones de error de pronóstico. Supongamos que comenzamos el proceso usando los primeros 12 meses para pronosticar los próximos 3. Luego deslizamos hacia adelante y usamos los primeros 13 meses para pronosticar los siguientes 3. Continuamos hasta que finalmente usamos los primeros 35 meses para pronosticar el último mes, dando una estimación más del error que cometemos al pronosticar con un mes de anticipación. Resumir todos los errores de pronóstico de 1 paso adelante, 2 pasos adelante y 3 pasos adelante proporciona una forma de calcular los intervalos de predicción.

Cálculo de intervalos de predicción

El paso final para calcular los intervalos de predicción es convertir las estimaciones del error absoluto promedio en los límites superior e inferior del intervalo de predicción. El intervalo de predicción en cualquier tiempo futuro se calcula como

Intervalo de predicción = Pronóstico ± Multiplicador x Error absoluto promedio.

El paso final es la elección del multiplicador. El enfoque típico es imaginar alguna distribución de probabilidad de error alrededor del pronóstico, luego estimar los extremos del intervalo de predicción usando los percentiles apropiados de esa distribución. Por lo general, la distribución de error asumida es la distribución normal, también llamada distribución gaussiana o "curva en forma de campana".

Uso de intervalos de predicción
El uso informal más inmediato de los intervalos de predicción es transmitir una idea de cuán "blanda" es una previsión. Los intervalos de predicción que son amplios en comparación con el tamaño de los pronósticos indican una alta incertidumbre.

Hay dos usos más formales en el pronóstico de la demanda: cubrir sus apuestas sobre la demanda futura y guiar el ajuste del pronóstico.

Cobertura de sus apuestas: Los valores de pronóstico en sí mismos se aproximan a los valores más probables de la demanda futura. Una forma más ominosa de decir lo mismo es que existe una probabilidad de 50% de que el valor real esté por encima (o por debajo) del pronóstico. Si el pronóstico se utiliza para planificar la producción futura (o la compra o contratación de materias primas), es posible que desee crear un colchón para evitar quedarse corto si la demanda aumenta (suponiendo que la construcción insuficiente es peor que la construcción excesiva). Si el pronóstico se convierte de unidades a dólares para las proyecciones de ingresos, es posible que desee utilizar un valor por debajo del pronóstico para ser conservador al proyectar el flujo de caja. En cualquier caso, primero debe elegir la cobertura del intervalo de predicción. Un intervalo de predicción 90% es un rango de valores que cubre el 90% de las posibilidades. Esto implica que existe una probabilidad 5% de que un valor caiga por encima del límite superior del intervalo de predicción 90%. En otras palabras, el límite superior de un intervalo de predicción 90% marca el percentil 95 de la distribución de la demanda prevista en ese período de tiempo. De manera similar, existe una probabilidad de 5% de caer por debajo del límite inferior, que marca el percentil 5 de la distribución de la demanda.

Ajuste de la previsión orientativa: Es bastante común que los pronósticos estadísticos sean revisados por algún tipo de proceso colaborativo. Estos ajustes se basan en información no registrada en el historial de demanda de un artículo, como inteligencia sobre las acciones de la competencia. A veces se basan en una fuente más vaporosa, como el optimismo de la fuerza de ventas. Cuando los ajustes se realizan en pantalla para que todos los vean, los intervalos de predicción brindan una referencia útil: si alguien quiere mover los pronósticos fuera de los intervalos de predicción, está cruzando una línea basada en hechos y debe tener una buena historia para justificar su decisión. argumento de que las cosas serán realmente diferentes en el futuro.

Intervalos de predicción y optimización de inventario

Finalmente, el concepto detrás de los intervalos de predicción juega un papel esencial en un problema relacionado con el pronóstico de la demanda: Optimización de inventario.
La tarea analítica principal al establecer los puntos de pedido (también llamados Mins) es pronosticar la demanda total durante un tiempo de espera de reabastecimiento. Este total se denomina demanda de tiempo de entrega. Cuando el inventario disponible cae por debajo del punto de pedido, se activa un pedido de reposición. Si el punto de reorden es lo suficientemente alto, habrá un riesgo aceptablemente pequeño de desabastecimiento, es decir, que la demanda del tiempo de entrega lleve el inventario a menos de cero y genere ventas perdidas o pedidos atrasados.

Nuevos métodos estadísticos, y podemos empezar a planificar con mayor eficacia.

La tarea de pronóstico es determinar todos los valores posibles de la demanda acumulada durante el tiempo de entrega y su probabilidades asociadas de ocurrir. En otras palabras, la tarea básica es determinar un intervalo de predicción para alguna variable aleatoria futura. Suponga que ha calculado un intervalo de predicción 90% para la demanda de tiempo de entrega. Luego, el extremo superior del intervalo representa el percentil 95 de la distribución. Establecer el punto de reorden en este nivel acomodará 95% de los posibles valores de demanda de tiempo de entrega, lo que significa que solo habrá una probabilidad de 5% de agotarse antes de que llegue el reabastecimiento para reabastecer los estantes. Por lo tanto, existe una relación íntima entre los intervalos de predicción en la previsión de la demanda y el cálculo de los puntos de pedido en la optimización del inventario.

5 recomendaciones para la práctica

1. Establezca expectativas sobre el error: a veces los gerentes tienen expectativas poco razonables sobre la reducción del error de pronóstico a cero. Puede señalar que el error es solo una de las dimensiones sobre las que debe juzgarse un proceso de previsión; es posible que le esté yendo bien tanto en la puntualidad como en el costo. También señale que el error cero no es un objetivo más realista que la conversión 100% de prospectos en clientes, el desempeño perfecto del proveedor o la volatilidad cero del precio de las acciones.

2. Rastree las fuentes de error: Vuelva a verificar la precisión de los historiales de demanda. Utilice métodos estadísticos para identificar valores atípicos en los historiales de demanda y reaccione adecuadamente, reemplazando anomalías verificadas con valores más típicos y omitiendo datos anteriores a cambios importantes en el carácter de la demanda. Si utiliza un proceso de previsión colaborativo, compare su precisión con un enfoque puramente estadístico para identificar los elementos en los que la colaboración no reduce el error.

3. Evalúe el error de los métodos estadísticos alternativos: puede haber técnicas estándar que funcionen mejor que sus métodos actuales, o que funcionen mejor para algunos subconjuntos de sus elementos. La clave es ser empírico, utilizando la idea del análisis de exclusión. Reúna sus datos y haga un "bake off" entre diferentes métodos para ver cuál funciona mejor para usted. Si aún no está utilizando métodos estadísticos de pronóstico, compárelos con el “tripa de oro” de quien sea que sea su estándar actual. Utilice el pronóstico ingenuo como punto de referencia en las comparaciones.

4. Investigue el uso de nuevas fuentes de datos: especialmente si tiene artículos muy promocionados, pruebe métodos estadísticos que incorporen datos promocionales en el proceso de previsión. Compruebe también si la información de fuera de su empresa puede ser explotada; por ejemplo, vea si los indicadores macroeconómicos de su sector se pueden combinar con los datos de la empresa para mejorar la precisión de los pronósticos (esto generalmente se hace usando un método llamado análisis de regresión múltiple).

5. Use intervalos de predicción: Los gráficos de intervalos de predicción pueden mejorar su percepción de la incertidumbre en sus pronósticos, ayudándolo a seleccionar elementos para un escrutinio adicional. Si bien es cierto que lo que no sabes puede hacerte daño, también es cierto que saber lo que no sabes puede ayudarte.

Mejore la precisión de la prediccion, optimice el inventario y maximice los niveles de servicio

En este video, el Dr. Thomas Willemain, cofundador y vicepresidente senior de investigación, define y compara las técnicas de pronóstico más útiles: Suavizado exponencial, Suavizado exponencial único, Método de Holt y Método de Winter. Estos videos explican el pensamiento básico de cada técnica, así como las matemáticas detrás de ellas, cómo se usan en la práctica y las ventajas y desventajas de cada método.

en un Publicación anterior, analicé uno de los problemas más espinosos que a veces enfrentan los planificadores de demanda: trabajar con datos de demanda de productos caracterizados por lo que los estadísticos llaman sesgo, una situación que puede requerir costosas inversiones en inventario. Este tipo de datos problemáticos se encuentran en varios escenarios diferentes. En al menos uno, la combinación de demanda intermitente y promociones de ventas muy efectivas, el problema se presta a una solución efectiva.

Revisando los términos, recuerde que el “nivel de servicio” es la probabilidad de no agotarse mientras espera que llegue una orden de reposición, mientras que la “tasa de llenado” es el porcentaje de la demanda que se satisface inmediatamente con el stock. En mi publicación anterior, "El flagelo de la asimetría", señalé que cierto tipo de distribución de la demanda, que tiene una "cola larga a la derecha", conducirá a tasas de llenado que pueden ser mucho más bajas que los niveles de servicio. También señalé que, a veces, la única forma de mejorar la tasa de llenado es aumentar el nivel de servicio objetivo a un nivel inusualmente alto, lo que puede resultar costoso.

En esta publicación, analizaré la solución del problema en un caso especial: la asimetría resultante de promociones de ventas efectivas combinadas con "demanda intermitente". La demanda intermitente tiene una gran proporción de valores cero, con valores distintos de cero mezclados al azar. Las promociones de ventas exitosas, obviamente positivas, tienen un inconveniente: pueden confundir la "señal de demanda" con picos en su historial de demanda y pueden socavar los pronósticos y sesgar los cálculos de existencias de seguridad. Cuando la demanda intermitente y las promociones de ventas efectivas son la fuente de la asimetría de sus datos, existen métodos para solucionar el problema y lograr tasas de cumplimiento más altas y pronósticos de demanda más precisos.

Cómo las promociones aumentan la asimetría

Las promociones exitosas aumentan abruptamente la demanda de artículos. Esto crea anomalías, o "valores atípicos", que contribuyen a formar una distribución sesgada. Sabiendo cuándo ocurrieron promociones en el pasado, podemos ajustar el registro de demanda pasada de un artículo. Producimos un historial de demanda alternativo como si no hubiera habido promociones, reemplazando los valores atípicos con valores más representativos del nivel "natural" de demanda. Estos ajustes reducen la asimetría de la demanda. La reducción del sesgo puede conducir a reducciones significativas tanto en los pronósticos esperados como en las existencias de seguridad, que se suman para formar puntos de pedido.

Es probable que se repitan las promociones exitosas. Cuando eso sucede, los efectos de promoción se pueden agregar a los pronósticos de demanda para aumentar su precisión. El efecto de las futuras promociones en la gestión del inventario será aumentar el riesgo de desabastecimiento, por lo que una respuesta sensata es trabajar a nivel operativo para generar un suministro temporal, en una cantidad ajustada al impacto estimado de las promociones anteriores en los artículos afectados.

Uso del modelado de eventos para mejorar la previsión de la demanda

Es posible modelar el impacto de eventos similares y aplicarlo a eventos planificados en el futuro. Si lo hace, puede mejorar su pronóstico de dos maneras importantes: al proyectar la sacudida de la demanda que espera de un evento planificado; y racionalizando los picos en el pasado que fueron causados por eventos, haciendo que su actividad de referencia sea más visible y predecible con mayor precisión. Hacemos mucho de esto en SmartForecasts, así que permítame usar nuestra experiencia allí para mostrarle lo que quiero decir.

El modelado de eventos implica los siguientes pasos:
• Estimación automática del impacto de promociones anteriores (que es un resultado útil en sí mismo).
• Ajuste de la demanda histórica para eliminar estadísticamente el efecto de las promociones.
• Creación de previsiones sin promoción.
• Revisar las previsiones de los períodos de tiempo futuros en los que se prevén promociones.

A este tipo de análisis lo llamamos “pronóstico de promociones”. Usamos la palabra "promociones" para describir lo que hace usted mismo para mejorar sus resultados. Usamos "eventos" para describir lo que el mundo te hace, generalmente en detrimento tuyo; los ejemplos incluyen huelgas, cortes de energía, incendios en almacenes y otros sucesos desafortunados.

Para comprender cómo el modelado de eventos puede ayudarlo a lidiar con la asimetría al hacer pronósticos de demanda para artículos de gran volumen, considere las Figuras 1-3.

La Figura 1 muestra que el patrón de demanda de este artículo es claramente estacional, y el pronóstico es estacional y "ajustado", lo que significa que el intervalo de incertidumbre del pronóstico ("margen de error", que se muestra en líneas cian) es muy estrecho.

La figura 2 muestra una historia alternativa en la que una promoción en junio de 2014 revirtió el mínimo estacional habitual asociado con las ventas de junio. Este patrón de demanda se pronosticó mediante el torneo de pronóstico automático en SmartForecasts, como se muestra en la figura 1. Esta vez, la promoción alteró el patrón estacional lo suficiente como para crear un pronóstico no estacional inapropiado y que tiene un margen de error mucho mayor.

Finalmente, la Figura 3 muestra cómo el pronóstico de promoción maneja el mismo escenario promocionado, conservando un pronóstico estacional e incorporando al pronóstico una estimación del efecto de una promoción repetida planificada en 2015.

El caso de la demanda intermitente

En la Figura 1, el artículo era un bien terminado de gran volumen y la tarea era la previsión de la demanda. El modelado de promociones también es útil cuando se trata de la tarea de establecer existencias de seguridad y puntos de pedido para artículos con demanda intermitente, ya sean productos terminados, componentes o repuestos. La demanda intermitente muy a menudo tiene una distribución sesgada que dificulta lograr una alta disponibilidad de artículos con una pequeña inversión en inventario.

La Figura 4 ilustra el problema que una promoción exitosa puede crear accidentalmente para la gestión de inventario. Si tal aumento surge de la demanda natural no promovida, entonces la única forma de mantener altas tasas de llenado es proporcionar existencias de seguridad lo suficientemente grandes como para hacer frente a estos aumentos repentinos. En este caso, el gran aumento de la demanda de 500 unidades en febrero de 2013 fue el resultado de una promoción única.

Tener en cuenta las promociones para mejorar la gestión de inventario

Sin darse cuenta, tratar el pico en el ejemplo anterior como parte de la variabilidad natural de la demanda da como resultado una tasa de cumplimiento deficiente. Para lograr un nivel de servicio objetivo de, digamos, 95% con un plazo de entrega de un mes, se requeriría un punto de pedido de 38 unidades, calculado como la suma de un pronóstico esperado durante el plazo de entrega de reabastecimiento de un mes de 21 unidades complementado con un inventario de seguridad de 17 unidades. Esta inversión daría como resultado una tasa de llenado decepcionante de solo 36%.

Sin embargo, reconocer que el pico es una promoción única y reemplazar las 500 unidades con 0 obviamente marcaría una gran diferencia. El punto de pedido caería de 38 unidades a 31 (la suma de una demanda esperada de 7 unidades y un stock de seguridad de 24 unidades) y la tasa de llenado aumentaría a 94%.

Por supuesto, no está bien descartar picos de demanda inconvenientes cuando hacen que la vida sea incómoda; tiene que haber una “historia comercial” válida detrás del ajuste de la demanda histórica. Si el pico es el resultado de un error de procesamiento de datos, entonces, por supuesto, arréglelo. Si el pico coincide con una promoción, reemplazar el pico con, digamos, la demanda media (a menudo cero, como en este ejemplo) dará como resultado una inversión en inventario mucho más sostenible que aún cumple con los objetivos de rendimiento agresivos. Las futuras promociones del mismo tipo en el mismo artículo requerirán un esfuerzo adicional para prepararse para el aumento temporal de la demanda, pero el punto de reorden recomendado será correcto a largo plazo.

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.

Cualquiera que haga el trabajo sabe que administrar el inventario puede ser estresante. Los factores estresantes comunes incluyen: clientes con solicitudes "especiales", departamentos de TI con otras prioridades, sistemas ERP inestables que se ejecutan con datos inexactos, escasez de materias primas, proveedores con largos plazos de entrega en países lejanos donde la producción a menudo se detiene por varias razones y más. Esta nota abordará una fuente de estrés particular y siempre presente: la variabilidad de la demanda.

Todo el mundo tiene un problema de previsión

Supongamos que gestiona una gran flota de repuestos. Estos pueden ser equipos quirúrgicos para su hospital o repuestos para su central eléctrica. Tu misión es maximizar el tiempo. Tu enemigo es el tiempo de inactividad. Pero debido a que las averías ocurren al azar, estás constantemente en modo reactivo. Puede esperar ser rescatado de las tecnologías de pronóstico. Pero los pronósticos son inevitablemente imperfectos hasta cierto punto: el elemento sorpresa siempre está presente. Puede esperar a que se implemente la tecnología de Internet de las cosas (IOT) en su equipo para monitorear y detectar fallas inminentes, lo que lo ayudará a programar las reparaciones con mucha anticipación. Pero sabes que no puedes medir las miles de cosas pequeñas que pueden fallar y deshabilitar una cosa grande.

Por lo tanto, decide combinar la previsión con la gestión de inventario y crear reservas o existencias de seguridad para protegerse contra picos inesperados en la demanda. ahora tienes que calcular cuanto stock de seguridad mantener, sabiendo que muy poco significa vulnerabilidad y demasiado significa hinchazón.

Suponga que maneja inventarios de productos terminados para una empresa de fabricación contra stock. Su problema es esencialmente el mismo que en la gestión de piezas de servicio: tiene clientes externos y una demanda incierta. Pero también puede tener problemas adicionales en términos de sincronización de múltiples proveedores de componentes que ensambla en productos terminados. Los proveedores quieren que les digas cuánto de sus cosas hacer para que puedas hacer tus cosas, pero no sabes cuánto de tus propias cosas necesitarás hacer.

Finalmente, suponga que maneja productos terminados en un empresa de fabricación por encargo. Puede pensar que ya no tiene un problema de pronóstico, ya que no construye hasta que le pagan por hacerlo. Pero usted tiene un problema de previsión. Dado que sus productos terminados pueden ensamblarse a partir de una combinación de componentes y subensamblajes, debe traducir algún pronóstico de la demanda de productos terminados para elaborar un pronóstico de esos componentes. De lo contrario, irá a fabricar sus productos terminados y descubrirá que no tiene un componente requerido y tendrá que esperar hasta que pueda ensamblar reactivamente todo lo que necesita. Y es posible que sus clientes no estén dispuestos a esperar.

Entonces, todo el mundo tiene un problema de previsión.

Lo que dificulta la previsión

La previsión puede ser rápida, fácil y absolutamente precisa, siempre que el mundo sea simple. Si la demanda de su producto es de 10 unidades cada semana, mes tras mes, puede hacer pronósticos muy precisos. Pero la vida no es tan así. Si tiene suerte y la vida es casi así, tal vez la demanda semanal sea más como {10, 9, 10, 8, 12, 10, 10...}, aún puede hacer pronósticos muy precisos y solo hacer pequeños ajustes en los bordes. . Pero si la vida es como suele ser, tal vez la demanda semanal parezca {0, 0, 7, 0, 0, 0, 23, 0...}, la previsión de la demanda es realmente difícil. La distinción clave es la variabilidad de la demanda: es el zigzagueo lo que crea el dolor.

El inventario de seguridad toma el control donde termina el pronóstico

Los métodos de pronóstico estadístico son una parte importante de la solución. Le permiten obtener la mayor ventaja posible de los patrones históricos de demanda que su empresa ha registrado para cada artículo. El trabajo de los pronósticos es describir lo que es típico, lo que proporciona la base sobre la cual hacer frente a la aleatoriedad en la demanda. Las técnicas de pronóstico estadístico funcionan encontrando características de "panorama general" en los registros de demanda, como la tendencia y la estacionalidad, y luego proyectándolas hacia el futuro. Todos asumen implícitamente que cualquier patrón que exista ahora persistirá, por lo que el crecimiento de 5% continuará y la demanda de julio siempre será 20% más alta que la demanda de febrero. Para llegar a ese punto, los métodos de pronóstico estadístico usan alguna forma de promediar para sofocar el "ruido" en el historial de demanda.

Pero luego el resto del trabajo recae en la gestión del inventario, porque el componente aleatorio y atípico de la demanda futura seguirá siendo una molestia en el futuro. Este nivel inevitable de incertidumbre tiene que ser manejado por el "amortiguador" llamado stock de seguridad.

Los mismos métodos que producen pronósticos de tendencia y/o estacionalidad pueden usarse para estimar la cantidad de error de pronóstico. Esto debe hacerse con cuidado utilizando un método llamado "análisis de exclusión". Funciona así. Suponga que tiene 365 observaciones de la demanda diaria del artículo X, que tiene un plazo de reposición de 10 días. Quiere saber cuántas unidades se demandarán durante algún período futuro de 10 días. Puede ingresar los primeros 305 días del historial de demanda en la técnica de pronóstico y obtener pronósticos para los próximos 10 días, días 306-315.

La respuesta le da una estimación de la demanda total de 10 días. Es importante destacar que también le brinda una estimación de la variabilidad en torno a ese pronóstico, es decir, el error de pronóstico, la diferencia entre lo que realmente sucedió en los días 306-315 y lo que se pronosticó. Ahora puede repetir el proceso, esta vez usando los primeros 306 días para pronosticar los próximos 10, los primeros 307 días para pronosticar los próximos 10, etc. Termina con 52 estimaciones honestas de la variabilidad de la demanda total durante un período de 10 días. tiempo de espera. Suponga que 95% de esas estimaciones son menos de 28 unidades. Entonces, 28 unidades serían un stock de seguridad bastante seguro para agregar al pronóstico, ya que se encontrará con escasez solo 5% del tiempo.

El software estadístico moderno hace estos cálculos automáticamente. Puede aliviar al menos uno de los dolores de cabeza crónicos de la gestión de inventario al ayudarlo a hacer frente a la variabilidad de la demanda.

En otro Blog planteamos la pregunta: ¿Cómo puede estar seguro de que realmente tiene una política para la planificación del inventario y la previsión de la demanda? Explicamos cómo la falta de comprensión de los conceptos básicos por parte de una organización (cómo se crea un pronóstico, cómo se determinan las reservas de existencias de seguridad y cómo/por qué se ajustan estos valores) contribuye a la precisión deficiente del pronóstico, al inventario mal asignado y a la falta de confianza en el conjunto. proceso.

En este blog, revisamos 10 preguntas específicas que puede hacer para descubrir lo que realmente está sucediendo en su empresa. Detallamos las respuestas típicas proporcionadas cuando en realidad no existe una política de previsión/planificación de inventario, explicamos cómo interpretar estas respuestas y ofrecemos algunos consejos claros sobre qué hacer al respecto.

Empieza siempre con un simple hipotético ejemplo. Centrarse en un problema específico que acaba de experimentar provocará respuestas defensivas que ocultarán la historia completa. El objetivo es descubrir el enfoque real utilizado para planificar el inventario y los pronósticos que se ha integrado en el cálculo mental o en las hojas de cálculo. Aquí hay un ejemplo:

Suponga que tiene 100 unidades disponibles, el tiempo de espera para reponer es de 3 meses y la demanda mensual promedio es de 20 unidades. ¿Cuándo debería pedir más? ¿Cuánto pedirías? ¿Cómo cambiará su respuesta si los recibos esperados de 10 por mes estuvieran programados para llegar? ¿Cómo cambiará su respuesta si el artículo es un artículo A, B o C, el costo del artículo es alto o bajo, el tiempo de entrega del artículo es largo o corto? En pocas palabras, cuando programa un trabajo de producción o realiza un nuevo pedido con un proveedor, ¿por qué lo hizo? ¿Qué desencadenó la decisión de obtener más? ¿Qué insumos de planificación se consideraron?

Al obtener respuestas a la pregunta anterior, concéntrese en descubrir las respuestas a las siguientes preguntas:

1. ¿Cuál es el enfoque de reabastecimiento subyacente? Por lo general, será uno de mínimo/máximo, previsión/stock de seguridad, punto de reorden/cantidad de pedido, revisión periódica/pedido hasta o incluso alguna combinación extraña.

2. ¿Cómo se calculan realmente los parámetros de planificación, como los pronósticos de demanda, los puntos de reorden o Min/Max?? No es suficiente saber que usa Min/Max. Tienes que saber exactamente cómo se calculan estos valores. Respuestas como "Usamos el historial" o "Usamos un promedio" no son lo suficientemente específicas. Necesitará respuestas que describan claramente cómo se usa la historia. Por ejemplo, “Tomamos un promedio de los últimos 6 meses, lo dividimos por 30 para obtener un promedio diario y luego lo multiplicamos por el tiempo de entrega en días. Para los artículos 'A', multiplicamos el tiempo de entrega promedio por 2 y para los artículos 'B' usamos un multiplicador de 1,5". (Si bien ese no es un enfoque técnico especialmente bueno, al menos tiene una lógica clara).

Una vez que tenga una política bien definida, puede identificar sus debilidades para mejorarla. Pero si la respuesta proporcionada no va mucho más allá de "Usamos el historial", entonces no tiene una política para empezar. Las respuestas a menudo revelarán que diferentes planificadores usan la historia de diferentes maneras. Algunos pueden considerar solo la demanda más reciente, otros pueden almacenar de acuerdo con el promedio de los períodos de mayor demanda, etc. En otras palabras, es posible que en realidad tenga múltiples "políticas" mal concebidas.

3. ¿Se utilizan los pronósticos para impulsar la planificación del reabastecimiento y, de ser así, cómo? Muchas empresas dirán que pronostican, pero sus pronósticos se calculan y utilizan de manera diferente. ¿Se usa el pronóstico para predecir qué inventario disponible habrá en el futuro, lo que resultará en la activación de un pedido? ¿O se usa para derivar un punto de reorden pero no para predecir cuándo ordenar (es decir, predigo que venderemos 10 a la semana para ayudar a protegernos contra el desabastecimiento, ordenaré más cuando llegue a 15)? ¿Se utiliza como una guía para que el planificador ayude a determinar subjetivamente cuándo debe pedir más? ¿Se utiliza para establecer pedidos abiertos con proveedores? Algunos lo usan para impulsar MRP. Necesitará saber estos detalles. Una respuesta completa a esta pregunta podría verse así: “Mi pronóstico es 10 por semana y mi tiempo de entrega es de 3 semanas, por lo que hago que mi punto de reorden sea un múltiplo de ese pronóstico, generalmente 2 veces la demanda del tiempo de entrega o 60 unidades para artículos importantes y uso un múltiplo más pequeño para artículos menos importantes. (Nuevamente, no es un gran enfoque técnico, pero claro).

4. ¿Qué técnica se utiliza realmente para generar el pronóstico? ¿Es un promedio, un modelo de tendencia como el suavizado exponencial doble, un modelo estacional? ¿La elección de la técnica cambia según el tipo de datos de demanda o cuando hay nuevos datos de demanda disponibles? (Las piezas de repuesto y los artículos de gran volumen tienen patrones de demanda muy diferentes). ¿Cómo selecciona el modelo de pronóstico? ¿Este proceso está automatizado? ¿Con qué frecuencia se reconsidera la elección del modelo? ¿Con qué frecuencia se recalculan los parámetros del modelo? ¿Cuál es el proceso utilizado para reconsiderar su enfoque? La respuesta aquí documenta cómo se producen los pronósticos de referencia. Una vez determinado, puede realizar un análisis para identificar si otros métodos de pronóstico mejorarían Precisión de pronóstico. Si no está documentando la precisión del pronóstico y realizando un análisis de "valor agregado del pronóstico", entonces no está en condiciones de evaluar adecuadamente si los pronósticos que se producen son los mejores que pueden ser. Perderá oportunidades para mejorar el proceso, aumentar la precisión de los pronósticos y educar a la empresa sobre qué tipo de error de pronóstico es normal y debe esperarse.

5. ¿Cómo utiliza el stock de seguridad? Observe que la pregunta no era "¿Utiliza stock de seguridad?" En este contexto, y para simplificar, el término "stock de seguridad" significa stock utilizado para amortiguar el inventario frente a la variabilidad de la oferta y la demanda. Todas las empresas utilizan enfoques de amortiguamiento de alguna manera. Sin embargo, hay algunas excepciones. Tal vez usted es un fabricante de taller que adquiere todas las piezas a pedido y sus clientes están completamente bien esperando semanas o meses para que usted obtenga material, fabrique, control de calidad y envíe. O tal vez usted es un fabricante de gran volumen con toneladas de poder adquisitivo, por lo que sus proveedores establecieron almacenes locales que están llenos y listos para proporcionarle el inventario casi de inmediato. Si estas descripciones no describen a su empresa, definitivamente tendrá algún tipo de protección para protegerse contra la variabilidad de la oferta y la demanda. Es posible que no utilice el campo "stock de seguridad" en su ERP, pero definitivamente está almacenando en búfer.

Se pueden proporcionar respuestas como "No usamos inventario de seguridad porque pronosticamos". Desafortunadamente, un buen pronostico tendrá una probabilidad del 50/50 de estar por encima o por debajo de la demanda real. Esto significa que incurrirá en una falta de existencias 50% del tiempo sin que se agregue una reserva de existencias de seguridad al pronóstico. Los pronósticos solo son perfectos cuando no hay aleatoriedad. Dado que siempre hay aleatoriedad, deberá almacenar en búfer si no desea tener niveles de servicio abismales.

Si no se revela la respuesta, puede indagar un poco más sobre cómo se utilizan las diferentes palancas de reabastecimiento para agregar posibles amortiguadores, lo que lleva a las preguntas 6 y 7.

6. ¿Alguna vez aumenta el tiempo de entrega o hace el pedido antes de lo que realmente necesita?
En nuestro ejemplo hipotético, su proveedor normalmente tarda 4 semanas en entregar y es bastante consistente. Pero para protegerse contra los desabastecimientos, su comprador ordena rutinariamente 6 semanas en lugar de 4 semanas. El campo de existencias de seguridad en su sistema ERP puede establecerse en cero porque "no usamos existencias de seguridad", pero en realidad, el enfoque de pedido del comprador solo agregó 2 semanas de existencias de reserva.

7. ¿Rellena el pronóstico de demanda?
En nuestro ejemplo, el planificador espera consumir 10 unidades por mes pero “por si acaso” ingresa una previsión de 20 por mes. El campo de stock de seguridad en el sistema MRP se deja en blanco, pero el stock de reserva ahora disfrazado se ha introducido de contrabando en el pronóstico de demanda. Este es un error que introduce un "sesgo de pronóstico". No solo sus pronósticos serán menos precisos, sino que si no se tiene en cuenta el sesgo y otros departamentos agregan existencias de seguridad, tendrá un exceso de existencias.

La naturaleza ad-hoc de los enfoques anteriores complica los problemas al no considerar la oferta o la demanda real. variabilidad del artículo Por ejemplo, el planificador puede simplemente hacer una regla general que duplique el pronóstico de tiempo de entrega para artículos importantes. Una talla única no sirve para todos cuando se trata de gestión de inventario. Este enfoque generará un exceso sustancial de existencias de los artículos predecibles, mientras que la existencia de artículos con demanda intermitente será sustancialmente insuficiente. Puedes leer "Tenga cuidado con las reglas generales simples para administrar el inventario” para obtener más información sobre por qué este tipo de enfoque es tan costoso.

La naturaleza ad-hoc de los enfoques también ignora lo que sucede cuando la empresa se enfrenta a un gran exceso de existencias o agotamiento de existencias. Al tratar de entender lo que sucedió, se examinarán las políticas establecidas. En el caso de un exceso de existencias, el sistema mostrará cero existencias de seguridad. Los líderes empresariales supondrán que no cuentan con ningún inventario de seguridad, se rascarán la cabeza y, finalmente, simplemente culparán al pronóstico, declararán "Nuestro negocio no se puede pronosticar" y seguirán tropezando. Incluso pueden culpar al proveedor por enviar demasiado pronto y hacer que retengan más de lo necesario. En el caso de que se agoten las existencias, pensarán que no tienen suficiente y agregarán arbitrariamente más existencias en muchos artículos sin darse cuenta de que, de hecho, hay muchas existencias de seguridad adicionales incorporadas al proceso. Esto hace que sea más probable que el inventario deba cancelarse en el futuro.

8. ¿Cuál es la terminología de inventario exacta utilizada?? Defina lo que quiere decir con stock de seguridad, mínimo, punto de reorden, EOQ, etc. Si bien hay estándares técnicos definiciones es posible que algo difiera, y la falta de comunicación aquí será problemática. Por ejemplo, algunas empresas se refieren a Min como la cantidad de inventario necesaria para satisfacer la demanda de tiempo de entrega, mientras que otras pueden definir Min como que incluye tanto la demanda de tiempo de entrega como el stock de seguridad para amortiguar la variabilidad de la demanda. Otros pueden significar la cantidad mínima de pedido.

9. ¿El inventario disponible es consistente con la política? Cuando termine su trabajo de detección y todo esté documentado, abra su hoja de cálculo o sistema ERP y mire la cantidad disponible. Debería estar más o menos en línea con sus parámetros de planificación (es decir, si Min/Max es 20/40 y la demanda de tiempo de entrega típica es 10, entonces debería tener aproximadamente de 10 a 40 unidades disponibles en cualquier momento dado). Sorprendentemente, para muchas empresas, a menudo hay una gran inconsistencia. Hemos observado situaciones en las que la configuración Mín./Máx. es 20/40, pero el inventario disponible es de más de 300. Esto indica que cualquier política que se haya prescrito simplemente no se está siguiendo. Eso es un problema mayor

10. ¿Qué vas a hacer a continuación?

La previsión de la demanda y la política de almacenamiento de inventario deben ser procesos bien definidos que todos los involucrados entiendan y acepten.  Debería haber cero misterio..

Para hacer esto correctamente, la variabilidad de la oferta y la demanda debe analizarse y utilizarse para calcular los niveles adecuados de existencias de seguridad. Agregar amortiguadores sin una comprensión implícita de lo que cada unidad adicional de reserva de reserva le está comprando en términos de servicio es como arrojar arbitrariamente un puñado de ingredientes en una receta de pastel. Un pequeño cambio en los ingredientes puede tener un gran impacto en lo que sale del horno: un bocado demasiado dulce pero el siguiente demasiado amargo. Es lo mismo con la gestión de inventario. Un poco más aquí, un poco menos allá, y muy pronto se encontrará con un exceso de inventario costoso en algunas áreas, escasez dolorosa en otras, sin idea de cómo llegó allí y con poca orientación sobre cómo mejorar las cosas.

Moderno optimización del inventario y el software de planificación de la demanda con su análisis avanzado y su sólida base en el análisis de pronósticos puede ayudar mucho con este problema. Pero incluso el mejor software no ayudará si se usa de manera inconsistente.

Contra qué nos enfrentamos

Como fanático de la tercera generación de los Medias Rojas de Boston, no estoy dispuesto a aceptar el consejo de ningún jugador de béisbol de los Yankees de Nueva York, ni siquiera de uno excelente, pero debo admitir que, a veces, solo necesitas tomar una decisión. Sin embargo, ¿no sería mejor si supiéramos las ventajas y desventajas asociadas con cada decisión? Quizás un camino es más pintoresco pero toma más tiempo mientras que el otro es más directo pero aburrido. Entonces no tendría que simplemente "tomarlo", sino que podría tomar una decisión informada basada en las ventajas/desventajas de cada enfoque.

En el mundo de la planificación de la cadena de suministro, la decisión más fundamental es cómo equilibrar la disponibilidad de artículos con el costo de mantener esa disponibilidad (niveles de servicio y tasas de llenado). En un extremo, puede tener un exceso de existencias y nunca quedarse sin hasta que arruine y tenga que cerrar la tienda para no gastar todo su efectivo en un inventario que no se vende. En el otro extremo, puede tener una gran escasez de existencias y ahorrar un montón en costos de mantenimiento de inventario, pero arruinarse y tener que cerrar la tienda porque todos sus clientes llevaron sus negocios a otra parte.

No hay escapatoria a esta tensión fundamental. La forma de sobrevivir y prosperar es encontrar un equilibrio productivo y sostenible. Para hacer eso, se requieren compensaciones basadas en hechos basadas en los números. Para obtener los números se requiere software.

La deriva general de las cosas es obvia. Si decide mantener más inventario, tendrá más costos de mantenimiento, menores costos de escasez y posiblemente menores costos de pedido. Es imposible saber si esto cuesta o ahorra dinero sin un análisis sofisticado, pero generalmente el resultado es que el costo total aumenta. Pero si invierte en más inventario, ganará algo, porque ofrecerá a sus clientes niveles de servicio y tasas de llenado más altos. Cuánto más alto requiere, como puede suponer, un análisis sofisticado.

Muéstrame los números

Este blog expone cómo se ve un análisis de este tipo. No existe una solución universal que le indique la decisión "correcta". Puede pensar que la decisión correcta es la que mejor se ajusta a sus resultados. Pero para obtener esos números, necesitaría algo que rara vez se ve: un modelo preciso del comportamiento del cliente con respecto al nivel de servicio (consulte nuestro artículo “Cómo elegir un nivel de servicio objetivo”) Por ejemplo, ¿en qué momento un cliente se irá y llevará su negocio a otra parte? ¿Será después de que agote 1% del tiempo, 5% del tiempo, 10% del tiempo? ¿Seguirá manteniendo su negocio siempre y cuando complete los pedidos rápidamente? ¿Será después de un pedido pendiente de 1 día, 2 días? ¿3 semanas? ¿Será después de que esto suceda una vez en una parte importante o muchas veces en muchas partes? Si bien modelar el nivel de servicio preciso que le permitirá mantener a su cliente mientras minimiza los costos parece un ideal inalcanzable, otro tipo de análisis sofisticado es más pragmático. 

El software de optimización y pronóstico de inventario puede tener en cuenta todos los costos asociados, como el costo de agotamiento de existencias, el costo de mantener el inventario y el costo de ordenar el inventario para prescribir un objetivo de nivel de servicio óptimo que produzca el costo total más bajo. Sin embargo, incluso ese nivel de servicio "óptimo" es sensible a los cambios en los costos, lo que hace que los resultados sean potencialmente cuestionables. Por ejemplo, si no estima con precisión los costos precisos (los costos de escasez son los más difíciles), será difícil afirmar definitivamente algo como "Si aumento mi inventario disponible en un promedio de una unidad para todos los artículos en un importante familia de productos, mi empresa verá una ganancia neta de $170,500. Esa ganancia aumenta hasta llegar a 4 unidades. A 4 unidades o más, el rendimiento disminuye debido a los excesivos costos de tenencia. Por lo tanto, la mejor decisión al tener en cuenta la retención, el pedido y el agotamiento de existencias proyectados es aumentar el inventario en 3 unidades para ver una ganancia neta de más de $500,000.  

A falta de ese ideal, puede hacer algo que es más simple pero extremadamente valioso: cuantificar la curva de compensación entre el costo del inventario y la disponibilidad del artículo. Si bien no necesariamente sabrá el nivel de servicio al que debe apuntar, conocerá los costos de los diferentes niveles de servicio. Luego, puede ganar mucho dinero encontrando un buen lugar para estar en esa curva de compensación y comunicando dónde está en riesgo, dónde no, y estableciendo expectativas con los clientes y las partes interesadas internas. Sin la curva de compensación para guiarlo, está volando a ciegas sin forma de modificar racionalmente la política de almacenamiento.

Un escenario del que aprender

Esbocemos una curva de compensación realista. Comenzamos con un escenario que requiere una decisión de gestión. El escenario que usaremos y los supuestos asociados sobre la demanda, los plazos de entrega y los costos se detallan a continuación:

Política de inventario

• Revisión periódica: reordenar las decisiones tomadas cada 30 días
• Orden hasta el nivel ("S") - Variado de 30 a 60 unidades
• Política de escasez: permite pedidos pendientes, sin pedidos perdidos

Pedir

• La demanda es intermitente
• Promedio = 0,8 unidades por día
• Desviación estándar = 1,2 unidades por día
• Mayor demanda en un año ≈ 9
• % de días sin demanda = 53%

Tiempo de espera

• Aleatorio a los 7, 14 o 21 días con probabilidades 70%, 20% y 10%, respectivamente

Parámetros de costo

• Costo de mantenimiento = $1 por día
• Costo de pedido = $10 por pedido sin importar el tamaño del pedido
• Costo de escasez = $100 por unidad que no se envía inmediatamente del stock

Imaginamos una política de control de inventario que se conoce en el comercio como una política de "revisión periódica" o (T,S). En este caso, el Período de revisión ("T") es de 30 días, lo que significa que cada 30 días se verifica la posición del inventario y se toma una decisión de pedido. La cantidad del pedido es la diferencia entre el número observado de unidades disponibles y la cantidad del pedido hasta el final ("S"). Entonces, si el inventario de fin de mes es de 12 unidades y S = 20, la cantidad del pedido sería S – 12 = 20 -1 2 = 8. El próximo mes, es probable que la cantidad del pedido sea diferente. Si el inventario alguna vez se vuelve negativo (pedidos atrasados) durante un período de revisión, el próximo pedido intenta restaurar el equilibrio ordenando más para llenar esos pedidos atrasados. Por ejemplo, si el inventario es -5 (es decir, 5 unidades ordenadas por no disponibles para envío, el siguiente pedido sería S – (-5) = S + 5. Detalles del flujo de demanda hipotético, plazos de entrega del proveedor y elementos de costo se muestran a continuación en la Figura 1. La Figura 2 muestra una muestra de la demanda diaria y el inventario diario durante cinco períodos de revisión. intermitente, como ocurre a menudo con las piezas de repuesto y, por lo tanto, es difícil planificarlo.

Figura 1: Diferentes opciones de política de inventario (pedir hasta), costos asociados y niveles de servicio

Figura 2: Detalle de cinco meses de operación del sistema dada una de las políticas

El software de planificación de inventario es nuestro amigo

El software codifica la lógica de la operación del sistema (T,S), genera muchos escenarios de demanda hipotéticos pero realistas, calcula cómo se desarrolla cada uno de esos escenarios y luego mira hacia atrás en la operación simulada (aquí, 10 años o 3650 días consecutivos) para calcular las métricas de costo y rendimiento.

Para revelar la curva de compensación, realizamos varios experimentos computacionales en los que variamos el nivel de pedido hasta el nivel, S. Las gráficas de la Figura 2 muestran el comportamiento del inventario disponible en la alternativa "más rica" con S = 60. En el fragmento que se muestra en la Figura 2, el inventario disponible nunca se acerca a agotarse. Puedes leer eso también. Una, un poco ingenua, es decir “Bien, estamos bien protegidos”. La otra, más agresiva, es decir, “Oh no, estamos hinchados. Me pregunto qué pasaría si redujéramos S.”

La curva de compensación revelada

La Figura 3 muestra los resultados de reducir S de 60 a 30 en pasos de 5 unidades. La tabla muestra que el Costo total es la suma del Costo de mantenimiento, el Costo de pedido y el Costo de escasez. Para la póliza (T,S), el costo de pedido es siempre el mismo, ya que un pedido se realiza como un reloj cada 30 días. Pero los otros componentes del costo responden a los cambios en S.

Figura 3: Los resultados experimentales y la curva de compensación correspondiente que muestra cómo cambiar el nivel de pedido hasta el nivel ("S") afecta tanto el nivel de servicio como el costo anual total

Tenga en cuenta que el nivel de servicio siempre es más bajo que la tasa de llenado en estos escenarios. Como profesor, siempre pienso en esta diferencia en términos de calificación de exámenes. Cada ciclo de reabastecimiento es como una prueba. El nivel de servicio se trata de la probabilidad de un desabastecimiento, por lo que es como la calificación en el examen de aprobación/reprobación con una pregunta que debe responderse a la perfección. Si no hay desabastecimiento en un ciclo, es una A. Si hay desabastecimiento, es una F. No importa si es una unidad que no se suministra o 50, sigue siendo una F. Pero la tasa de llenado es como una pregunta que se califica con crédito parcial. Por lo tanto, si le falta una de diez unidades, obtiene una tasa de llenado de 90% para ese ciclo, no 0%. Es importante comprender la diferencia entre estas dos métricas importantes para la planificación del inventario: consulte este vlog que describe nivel de servicio frente a tasa de llenado a través de un ejercicio interactivo en Excel.

La trama en la Figura 3 es la verdadera noticia. Combina el costo total y el nivel de servicio para varios niveles de S. Si lee el gráfico de derecha a izquierda, nos dice que se pueden obtener ahorros de costos drásticos al reducir S con una penalización muy pequeña en términos de disponibilidad reducida de artículos. Por ejemplo, la reducción de S de 60 a 55 ahorra cerca de $800 por año en este artículo, mientras que reduce un poco el nivel de servicio de (esencialmente) 100% a un aún impresionante 99%. Cortar S un poco más hace lo mismo, aunque no tan dramáticamente. Si lee el gráfico de izquierda a derecha, verá que pasar de S = 30 a S = 35 cuesta alrededor de $1000 por año, pero mejora el nivel de servicio de un grado F (45%) a al menos un grado C (71%). Después de eso, empujar S más alto cuesta progresivamente más mientras se gana progresivamente menos.

La curva de compensación no le da una respuesta sobre cómo establecer el nivel de orden hasta el nivel, pero le permite evaluar los costos y beneficios de cada respuesta posible. Tómese un minuto y finja que este es su problema: ¿Dónde le gustaría estar a lo largo de la curva de compensación?

Puede objetar y decir que odia sus elecciones y quiere cambiar el juego. ¿Hay escape de la curva? No de la curva general, pero es posible que pueda moldear una curva menos dolorosa. ¿Cómo?

Puede que tengas otras cartas para jugar. Una vía es tratar de “moldear” la demanda para que sea menos variable. El diagrama de demanda en la Figura 2 muestra mucha variabilidad. Si pudiera suavizar la demanda, toda la curva de compensación se desplazaría hacia abajo, haciendo que cada elección fuera menos costosa. Una segunda vía es tratar de reducir la media y la variabilidad de los plazos de entrega de los proveedores. Lograr cualquiera de los dos también desplazaría la curva hacia abajo para que la elección fuera menos dolorosa. Consulta nuestro artículo sobre cómo los proveedores influyen en sus costos de inventario

Resumen

La curva de compensación siempre está con nosotros. A veces podemos hacerlo más amigable, pero siempre elegimos nuestro lugar a lo largo de él. Es mejor saber lo que está obteniendo con cualquier elección de política de inventario que tratar de adivinar, y la curva le da eso. Cuando tiene una estimación precisa de esa curva, ya no está volando a ciegas cuando se trata de la planificación del inventario.