La precisión del pronóstico es una métrica clave para juzgar la calidad de su proceso de planificación de la demanda. (No es el único. Otros incluyen oportunidad y costo; Ver 5 consejos de planificación de la demanda para calcular la incertidumbre del pronóstico.) Una vez que tenga los pronósticos, hay varias formas de resumir su precisión, generalmente designados por acrónimos oscuros de tres o cuatro letras como MAPE, RMSE y MAE. Ver Cuatro formas útiles de medir el error de pronóstico para más detalles.

Un tema menos discutido pero más fundamental es cómo se organizan los experimentos computacionales para calcular el error de pronóstico. Esta publicación compara los tres diseños experimentales más importantes. Uno de ellos es de la vieja escuela y esencialmente equivale a hacer trampa. Otro es el patrón oro. Un tercero es un recurso útil que imita el patrón oro y se considera mejor como una predicción de cómo resultará el patrón oro. La figura 1 es una vista esquemática de los tres métodos.

Figura 1: Tres formas de evaluar el error de pronóstico

El panel superior de la Figura 1 muestra la forma en que se evaluó el error de pronóstico a principios de la década de 1980 antes de que moviéramos el estado del arte al esquema que se muestra en el panel central. En los viejos tiempos, los pronósticos se evaluaban con los mismos datos que se usaban para calcular los pronósticos. Después de ajustar un modelo a los datos, los errores calculados no eran para los pronósticos del modelo sino para el modelo. encaja. La diferencia es que los pronósticos son para valores futuros, mientras que los ajustes son para valores concurrentes. Por ejemplo, suponga que el modelo de pronóstico es un promedio móvil simple de las tres observaciones más recientes. En el momento 3, el modelo calcula el promedio de las observaciones 1, 2 y 3. Este promedio luego se compararía con el valor observado en el momento 3. Llamamos a esto hacer trampa porque el valor observado en el momento 3 obtuvo un voto sobre el pronóstico. debería ser en el momento 3. Una evaluación de pronóstico real compararía el promedio de las primeras tres observaciones con el valor del próximo, cuarto, observación. De lo contrario, el pronosticador se queda con una evaluación demasiado optimista de la precisión del pronóstico.

El panel inferior de la Figura 1 muestra la mejor manera de evaluar la precisión del pronóstico. En este esquema, todos los datos históricos de demanda se utilizan para ajustar un modelo, que luego se utiliza para pronosticar valores de demanda futuros desconocidos. Eventualmente, el futuro se desarrolla, los verdaderos valores futuros se revelan y se pueden calcular los errores de pronóstico reales. Este es el estándar de oro. Esta información completa el informe de "pronósticos versus datos reales" en nuestro software.

El panel central representa una medida intermedia útil. El problema con el patrón oro es que debe esperar para saber qué tan bien funcionan los métodos de pronóstico elegidos. Este retraso no ayuda cuando se requiere elegir, en el momento, qué método de pronóstico usar para cada artículo. Tampoco proporciona una estimación oportuna de la incertidumbre del pronóstico que experimentará, lo cual es importante para la gestión de riesgos, como la cobertura del pronóstico. El camino intermedio se basa en el análisis de exclusión, que excluye (“excluye”) las observaciones más recientes y le pide al método de pronóstico que haga su trabajo sin conocer esas verdades fundamentales. Luego, los pronósticos basados en el historial de demanda abreviado se pueden comparar con los valores reales retenidos para obtener una evaluación honesta del error de pronóstico.

Este blog proporciona una descripción general de este tema escrito para no expertos. Eso

• explica por qué es posible que desee leer este blog.
• enumera los diversos tipos de "mantenimiento de la máquina".
• explica qué es el “modelado probabilístico”.
• describe modelos para predecir el tiempo de inactividad.
• explica lo que estos modelos pueden hacer por usted.

Importancia del tiempo de inactividad

Si fabrica cosas para la venta, necesita máquinas para hacer esas cosas. Si sus máquinas están en funcionamiento, tiene una gran oportunidad de ganar dinero. Si sus máquinas no funcionan, pierde oportunidades de ganar dinero. Dado que el tiempo de inactividad es tan fundamental, vale la pena invertir dinero y pensar en minimizar el tiempo de inactividad. Por pensamiento me refiero a matemáticas de probabilidad, ya que tiempo de inactividad de la máquina es inherentemente un fenómeno aleatorio. Modelos de probabilidad puede orientar las políticas de mantenimiento.

Políticas de mantenimiento de máquinas

El mantenimiento es su defensa contra el tiempo de inactividad. Existen varios tipos de políticas de mantenimiento, que van desde "No hacer nada y esperar a que falle" hasta enfoques analíticos sofisticados que involucran sensores y modelos de probabilidad de falla.

Una lista útil de políticas de mantenimiento es:

• Sentarse y esperar problemas, luego sentarse un poco más preguntándose qué hacer cuando los problemas inevitablemente suceden. Esto es tan tonto como suena.
• Igual que el anterior, excepto que se prepara para el fracaso de minimizar el tiempo de inactividad, por ejemplo, el almacenamiento de piezas de repuesto.
• Comprobación periódica de problemas inminentes junto con intervenciones como la lubricación de piezas móviles o la sustitución de piezas desgastadas.
• Basar la programación del mantenimiento en datos sobre el estado de la máquina en lugar de depender de un programa fijo; requiere la recopilación y el análisis continuos de datos. Esto se llama mantenimiento basado en la condición.
• Usar los datos sobre el estado de la máquina de forma más agresiva al convertirlos en predicciones de tiempo de falla y sugerencias de pasos a seguir para retrasar la falla. Esto se llama mantenimiento predictivo.

Los últimos tres tipos de mantenimiento se basan en matemáticas de probabilidad para establecer un programa de mantenimiento, o determinar cuándo los datos sobre el estado de la máquina requieren intervención, o calcular cuándo podría ocurrir una falla y cuál es la mejor manera de posponerla.

Modelos de probabilidad de falla de la máquina

El tiempo que una máquina funcionará antes de que falle es una variable aleatoria. Así es el tiempo que pasará abajo. La teoría de la probabilidad es la parte de las matemáticas que trata con variables aleatorias. Las variables aleatorias se describen por sus distribuciones de probabilidad, por ejemplo, ¿cuál es la probabilidad de que la máquina funcione durante 100 horas antes de que se apague? 200 horas? O, de manera equivalente, ¿cuál es la probabilidad de que la máquina siga funcionando después de 100 o 200 horas?

Un subcampo llamado "teoría de la confiabilidad" responde a este tipo de preguntas y aborda conceptos relacionados como el tiempo medio antes de la falla (MTBF), que es un resumen abreviado de la información codificada en la distribución de probabilidad del tiempo antes de la falla.

La Figura 1 muestra datos sobre el tiempo antes de la falla de las unidades de aire acondicionado. Este tipo de trama representa la distribución de probabilidad acumulada y muestra la posibilidad de que una unidad haya fallado después de que haya transcurrido cierto tiempo. La Figura 2 muestra un función de confiabilidad, trazando el mismo tipo de información en un formato inverso, es decir, representando la posibilidad de que una unidad siga funcionando después de que haya transcurrido cierto tiempo.

En la Figura 1, las marcas azules junto al eje x muestran los momentos en los que se observaron fallas en los acondicionadores de aire individuales; Estos son los datos básicos. La curva negra muestra la proporción acumulada de unidades que fallaron a lo largo del tiempo. La curva roja es una aproximación matemática a la curva negra, en este caso una distribución exponencial. Los gráficos muestran que alrededor del 80 por ciento de las unidades fallarán antes de las 100 horas de funcionamiento.

Figura 1 Función de distribución acumulativa del tiempo de actividad de los aires acondicionados

Los modelos de probabilidad se pueden aplicar a una pieza, componente o subsistema individual, a un conjunto de piezas relacionadas (p. ej., "el sistema hidráulico") oa una máquina completa. Cualquiera de estos puede describirse mediante la distribución de probabilidad del tiempo antes de que falle.

La Figura 2 muestra la función de confiabilidad de seis subsistemas en una máquina para excavar túneles. El gráfico muestra que el subsistema más fiable son los brazos de corte y el menos fiable es el subsistema de agua. La confiabilidad de todo el sistema podría aproximarse multiplicando las seis curvas (porque para que el sistema funcione como un todo, todos los subsistemas deben estar funcionando), lo que daría como resultado un intervalo muy corto antes de que algo salga mal.

Figura 2 Ejemplos de distribuciones de probabilidad de subsistemas en una tuneladora

Varios factores influyen en la distribución del tiempo antes de la falla. Invertir en mejores piezas prolongará la vida útil del sistema. También lo hará la inversión en redundancia. Lo mismo ocurrirá con la sustitución de pars usados por nuevos.

Una vez que se dispone de una distribución de probabilidad, se puede utilizar para responder a cualquier cantidad de preguntas hipotéticas, como se ilustra a continuación en la sección Beneficios de los modelos.

Enfoques para modelar la confiabilidad de la máquina

Los modelos de probabilidad pueden describir las unidades más básicas, como componentes individuales del sistema (Figura 2), o conjuntos de unidades básicas, como máquinas completas (Figura 1). De hecho, una máquina completa se puede modelar como una sola unidad o como una colección de componentes. Si se trata una máquina completa como una sola unidad, la distribución de probabilidad de vida útil representa un resumen del efecto combinado de las distribuciones de vida útil de cada componente.

Si tenemos un modelo de una máquina completa, podemos saltar a modelos de colecciones de máquinas. Si, en cambio, comenzamos con modelos de la vida útil de los componentes individuales, de alguna manera debemos combinar esos modelos individuales en un modelo general de la máquina completa.

Aquí es donde las matemáticas pueden ponerse peludas. El modelado siempre requiere un equilibrio sabio entre la simplificación, para que algunos resultados sean posibles, y la complicación, para que cualquier resultado que surja sea realista. El truco habitual es asumir que las fallas de las piezas individuales del sistema ocurren de manera independiente.

Si podemos suponer que las fallas ocurren de manera independiente, generalmente es posible modelar colecciones de máquinas. Por ejemplo, suponga que una línea de producción tiene cuatro máquinas que producen el mismo producto. Tener un modelo de confiabilidad para una sola máquina (como en la Figura 1) nos permite predecir, por ejemplo, la posibilidad de que solo tres de las máquinas sigan funcionando dentro de una semana. Incluso aquí puede haber una complicación: la probabilidad de que una máquina que funciona hoy siga funcionando mañana a menudo depende de cuánto tiempo haya pasado desde su última falla. Si el tiempo entre fallas tiene una distribución exponencial como la de la Figura 1, resulta que el tiempo de la próxima falla no depende de cuánto tiempo ha pasado desde la última falla. Desafortunadamente, muchos o incluso la mayoría de los sistemas no tienen distribuciones exponenciales de tiempo de actividad, por lo que la complicación persiste.

Peor aún, si comenzamos con modelos de confiabilidad de muchos componentes individuales, avanzar hasta predecir los tiempos de falla para toda la máquina compleja puede ser casi imposible si tratamos de trabajar directamente con todas las ecuaciones relevantes. En tales casos, la única forma práctica de obtener resultados es utilizar otro estilo de modelado: la simulación Monte Carlo.

La simulación de Monte Carlo es una forma de sustituir la computación por el análisis cuando es posible crear escenarios aleatorios de operación del sistema. El uso de la simulación para extrapolar la confiabilidad de la máquina a partir de la confiabilidad de los componentes funciona de la siguiente manera.

1. Comience con las funciones de distribución acumulativa (Figura 1) o funciones de confiabilidad (Figura 2) de cada componente de la máquina.
2. Cree una muestra aleatoria de la vida útil de cada componente para obtener un conjunto de tiempos de falla de muestra consistentes con su función de confiabilidad.
3. Utilizando la lógica de cómo se relacionan los componentes entre sí, calcule el tiempo de falla de toda la máquina.
4. Repita los pasos 1 a 3 muchas veces para ver la gama completa de posibles vidas útiles de la máquina.
5. Opcionalmente, promedie los resultados del paso 4 para resumir la vida útil de la máquina con métricas como el MTBF o la posibilidad de que la máquina funcione más de 500 horas antes de fallar.

El paso 1 sería un poco complicado si no tenemos un buen modelo de probabilidad para la vida útil de un componente, por ejemplo, algo como la línea roja en la Figura 1.

El paso 2 puede requerir una contabilidad cuidadosa. A medida que avanza el tiempo en la simulación, algunos componentes fallarán y serán reemplazados, mientras que otros seguirán funcionando. A menos que la vida útil de un componente tenga una distribución exponencial, su vida útil restante dependerá de cuánto tiempo el componente haya estado en uso continuo. Así que este paso debe dar cuenta de los fenómenos de marcar a fuego o desgastar.

El paso 3 es diferente de los demás en que requiere algo de matemática básica, aunque de un tipo simple. Si la Máquina A solo funciona cuando los componentes 1 y 2 funcionan, entonces (suponiendo que la falla de un componente no influya en la falla del otro)

Probabilidad [A funciona] = Probabilidad [1 funciona] x Probabilidad [2 funciona].

Si, en cambio, la Máquina A funciona si el componente 1 funciona o el componente 2 funciona o ambos funcionan, entonces

Probabilidad [A falla] = Probabilidad [1 falla] x Probabilidad [2 fallas]

entonces Probabilidad [A funciona] = 1 – Probabilidad [A falla].

El paso 4 puede implicar la creación de miles de escenarios para mostrar la gama completa de resultados aleatorios. La computación es rápida y barata.

El paso 5 puede variar según los objetivos del usuario. Calcular el MTBF es estándar. Elija otros que se adapten al problema. Además de las estadísticas de resumen proporcionadas por el paso 5, se pueden trazar ejecuciones de simulación individuales para desarrollar la intuición sobre la dinámica aleatoria del tiempo de actividad y el tiempo de inactividad de la máquina. La Figura 3 muestra un ejemplo de una sola máquina que muestra ciclos alternos de tiempo de actividad y tiempo de inactividad que dan como resultado el tiempo de actividad del 85%.

Figura 3 Un escenario de muestra para una sola máquina

Beneficios de los modelos de confiabilidad de la máquina

En la Figura 3, la máquina está funcionando 85% del tiempo. Eso puede no ser lo suficientemente bueno. Es posible que tenga algunas ideas sobre cómo mejorar la confiabilidad de la máquina, por ejemplo, tal vez pueda mejorar la confiabilidad del componente 3 comprando una versión mejor y más nueva de un proveedor diferente. ¿Cuánto ayudaría eso? Eso es difícil de adivinar: el componente 3 puede ser solo uno de varios y quizás no el eslabón más débil, y cuánto vale el cambio depende de qué tan mejor sea el nuevo. Tal vez debería desarrollar una especificación para el componente 3 que luego pueda comprar a proveedores potenciales, pero ¿cuánto tiempo tiene que durar el componente 3 para tener un impacto material en el MTBF de la máquina?

Aquí es donde vale la pena tener un modelo. Sin un modelo, estás confiando en conjeturas. Con un modelo, puede convertir la especulación sobre situaciones hipotéticas en estimaciones precisas. Por ejemplo, podría analizar cómo un aumento de 10% en MTBF para el componente 3 se traduciría en una mejora en MTBF para toda la máquina.

Como otro ejemplo, suponga que tiene siete máquinas que producen un producto importante. Calcula que debe dedicar seis de las siete para cumplir con un pedido importante de su gran cliente, dejando una máquina para manejar la demanda de una cantidad de clientes pequeños misceláneos y para servir como repuesto. Se podría usar un modelo de confiabilidad para cada máquina para estimar las probabilidades de varias contingencias: las siete máquinas funcionan y la vida es buena; seis máquinas funcionan para que al menos puedas mantener contento a tu cliente clave; solo funcionan cinco máquinas, así que tienes que negociar algo con tu cliente clave, etc.

En resumen, los modelos de probabilidad de fallas de máquinas o componentes pueden proporcionar la base para convertir los datos de tiempo de falla en decisiones comerciales inteligentes.

Leer más sobre  Maximice el tiempo de actividad de la máquina con el modelado probabilístico

Leer más sobre   Pronóstico probabilístico para demanda intermitente

Usted conoce la situación: encuentra la mejor manera de administrar cada artículo del inventario calculando los puntos de pedido adecuados y los objetivos de reposición, luego aumenta o disminuye la demanda promedio, o cambia la volatilidad de la demanda, o cambian los tiempos de entrega de los proveedores, o cambian sus propios costos . Ahora sus antiguas políticas (puntos de pedido, existencias de seguridad, niveles mín./máx., etc.) han quedado obsoletas, justo cuando creía que las había entendido bien. Aprovechar el software avanzado de planificación y optimización de inventario le brinda la capacidad de abordar de manera proactiva las influencias externas en constante cambio en su inventario y demanda. Para hacerlo, deberá recalibrar regularmente los parámetros de almacenamiento en función de la demanda y los plazos de entrega en constante cambio.

Recientemente, algunos clientes potenciales han expresado su preocupación de que, al modificar regularmente los parámetros de control de inventario, están introduciendo "ruido" y agregando complicaciones a sus operaciones. Un visitante de nuestro stand en la Conferencia del grupo de usuarios de Microsoft Dynamics de la semana pasada comentó:

“No queremos alterar las operaciones cambiando las políticas con demasiada frecuencia e introduciendo ruido en el sistema. Ese ruido pone nervioso al sistema y causa confusión entre el equipo de compras”.

Esta visión se basa en los paradigmas de ayer. Si bien, por lo general, no debe cambiar una producción inmediata, ignorar los cambios a corto plazo en las políticas que impulsan la planificación de la producción futura y el reabastecimiento de pedidos causará estragos en sus operaciones. Nos guste o no, el ruido ya está ahí en forma de demanda extrema y variabilidad de la cadena de suministro. Arreglar los parámetros de reabastecimiento, actualizarlos con poca frecuencia o solo revisarlos en el momento del pedido significa que sus operaciones de la cadena de suministro solo podrán reaccionar a los problemas en lugar de identificarlos de manera proactiva y tomar medidas correctivas.

Modificar las políticas con recalibraciones a corto plazo es adaptarse a una situación fluida en lugar de ser cautivo de ella. Podemos mirar a los juegos de la NFL del fin de semana pasado para una analogía simple. Imagínese al mariscal de campo de su equipo favorito que se niega constantemente a llamar a un audible (cambiar la jugada justo antes de que se saque el balón) después de ver la formación defensiva. Esto daría como resultado muchas oportunidades perdidas, ineficiencia y unidades estancadas que podrían costarle la victoria al equipo. ¿Qué te gustaría que hiciera tu mariscal de campo?

La demanda, los plazos de entrega, los costos y las prioridades comerciales a menudo cambian y, como han demostrado estos últimos 18 meses, a menudo cambian considerablemente. Como líder de la cadena de suministro, tiene una opción: mantener los parámetros fijos, lo que resulta en muchas cancelaciones de pedidos y aceleraciones instintivas, o modificar de manera proactiva los parámetros de control de inventario. Llamar a lo audible al recalibrar sus políticas a medida que cambian las señales de oferta y demanda es el movimiento correcto.

Aquí hay un ejemplo. Suponga que está administrando un artículo crítico controlando su punto de pedido (ROP) en 25 unidades y su cantidad de pedido (OQ) en 48. Puede sentirse como una roca de estabilidad al aferrarse a esos dos números, pero al hacerlo puede dejar que otros números fluctúen dramáticamente. Específicamente, sus futuros niveles de servicio, tasas de llenado y costos operativos podrían reiniciarse mientras usted se obsesiona con mantener el ROP y el OQ de ayer. Cuando se determinó originalmente la política, la demanda era estable y los plazos de entrega eran predecibles, lo que generaba niveles de servicio de 99% en un artículo importante. Pero ahora la demanda está aumentando y los plazos de entrega son más largos. ¿Realmente va a esperar el mismo resultado (nivel de servicio 99%) utilizando los mismos conjuntos de entradas ahora que la demanda y los plazos de entrega son tan diferentes? Por supuesto que no. Suponga que sabe que, dados los cambios recientes en la demanda y el tiempo de entrega, para lograr el mismo objetivo de nivel de servicio de 99%, debe aumentar el ROP a 35 unidades. Si mantuviera el ROP en 25 unidades, su nivel de servicio caería a 92%. ¿Es mejor saber esto de antemano o verse obligado a reaccionar cuando se enfrenta a desabastecimientos?

Lo que hace el software de planificación y optimización de inventario es hacer visibles las conexiones entre las métricas de rendimiento como la tasa de servicio y los parámetros de control como ROP y ROQ. Lo invisible se vuelve visible, permitiéndole hacer ajustes razonados que mantienen sus métricas donde las necesita ajustando las palancas de control disponibles para su uso. El uso de métodos de pronóstico probabilístico le permitirá generar Predicciones clave de rendimiento (KPP) de rendimiento y costos al tiempo que identifica acciones correctivas a corto plazo, como movimientos de inventario específicos que ayudan a evitar problemas y aprovechar oportunidades. No hacerlo pone la planificación de su cadena de suministro en una camisa de fuerza, al igual que el mariscal de campo que se niega a escuchar.

Es cierto que un entorno empresarial en constante cambio requiere una vigilancia constante y una reacción ocasional. Pero el software adecuado de optimización de inventario y previsión de la demanda puede volver a calcular sus parámetros de control a escala con unos pocos clics del mouse y dar pistas a su sistema ERP sobre cómo mantener todo en curso a pesar de la constante turbulencia.  El ruido ya está en su sistema en forma de variabilidad de la oferta y la demanda. ¿Será proactivamente audible o se apegará a un plan anterior y cruzará los dedos para que las cosas salgan bien?

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

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

El escenario

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

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

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

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

El método de análisis

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

Un ejemplo

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

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

Click aquí para ampliar la imagen

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

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

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

Haga click aquí para ampliar la imágen

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

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

Haga click aquí para ampliar la imágen

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

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

la comida para llevar

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

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

Definición de optimización de inventario

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

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

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

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

Sistemas de inventario de varios niveles

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

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

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

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

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

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

Por qué la teoría del inventario estándar es mala matemática

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

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

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

Optimización de simulación basada en escenarios

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

Una simulación por computadora funciona de la siguiente manera.

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

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

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

Estén atentos a nuestro próximo blog

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