Empezaré con una confesión: soy un tipo de algoritmos. Mi corazón vive en la “sala de máquinas” de nuestro software, donde los cálculos ultrarrápidos van y vienen a través de la nube de AWS, generando escenarios de oferta y demanda que se utilizan para guiar decisiones importantes sobre el pronóstico de la demanda y la gestión de inventario.

Pero reconozco que el objetivo de todo ese hermoso y furioso cálculo es el cerebro del jefe, la persona responsable de garantizar que la demanda de los clientes se satisfaga de la manera más eficiente y rentable. Entonces, este blog trata sobre Analítica operativa inteligente (SOA), que crea informes para la gestión. O, como se les llama en el ejército, sit-reps.

Todos los cálculos guiados por los planificadores que utilizan nuestro software finalmente se resumen en los informes SOA para la gestión. Los informes se centran en cinco áreas: análisis de inventario, desempeño del inventario, tendencias del inventario, desempeño de los proveedores y anomalías de la demanda.

Análisis de inventario

Estos informes controlan los niveles actuales de inventario e identifican áreas que necesitan mejoras. La atención se centra en los recuentos de inventario actuales y su estado (disponible, en tránsito, en cuarentena), rotación de inventario y excesos frente a escasez.

Rendimiento del inventario

Estos informes rastrean indicadores clave de rendimiento (KPI), como tasas de cumplimiento, niveles de servicio y costos de inventario. Los cálculos analíticos en otras partes del software lo guían hacia el logro de sus objetivos de KPI mediante el cálculo de predicciones clave de rendimiento (KPP) basadas en configuraciones recomendadas para, por ejemplo, puntos de reorden y cantidades de pedidos. Pero a veces ocurren sorpresas o las políticas operativas no se ejecutan según lo recomendado, por lo que siempre habrá algún desfase entre los KPP y los KPI.

Tendencias del inventario

Saber dónde están las cosas hoy es importante, pero también es valioso ver dónde están las tendencias. Estos informes revelan tendencias en la demanda de artículos, eventos de desabastecimiento, días promedio disponibles, tiempo promedio de envío y más.

Rendimiento de los proveedores

Su empresa no puede rendir al máximo si sus proveedores la están hundiendo. Estos informes monitorean el desempeño de los proveedores en términos de la precisión y rapidez en el cumplimiento de los pedidos de reabastecimiento. Cuando tienes varios proveedores para el mismo artículo, te permiten compararlos.

Anomalías de la demanda

Todo su sistema de inventario está impulsado por la demanda y todos los parámetros de control de inventario se calculan después de modelar la demanda de los artículos. Entonces, si sucede algo extraño en el lado de la demanda, debe estar atento y prepararse para volver a calcular cosas como mínimos y máximos para elementos que comienzan a actuar de manera extraña.

Resumen

El punto final de todos los cálculos masivos de nuestro software es el panel que muestra a la administración qué está pasando, qué sigue y dónde centrar la atención. Smart Inventory Analytics es la parte de nuestro ecosistema de software dirigido al C-Suite de su empresa.

Figura 1: Algunos informes de muestra en forma gráfica

Hace más de cuarenta años, Smart Software estaba formada por tres amigos que trabajaban para iniciar una empresa en el sótano de una iglesia. Hoy, nuestro equipo se ha expandido para operar desde múltiples ubicaciones en Massachusetts, New Hampshire y Texas, con miembros del equipo en Inglaterra, España, Armenia e India. Como muchos de ustedes en sus trabajos, hemos encontrado formas de hacer que los equipos distribuidos trabajen para nosotros y para usted.

Esta nota trata sobre un tipo diferente de trabajo en equipo: la colaboración entre usted y nuestro software que ocurre al alcance de su mano. A menudo escribo sobre el software en sí y lo que sucede "debajo del capó". Esta vez, mi tema es cuál es la mejor forma de asociarse con el software.

Nuestro paquete de software, Smart Inventory Planning and Optimization (Smart IP&O™) es capaz de realizar cálculos enormemente detallados de la demanda futura y los parámetros de control de inventario (por ejemplo, puntos de reorden y cantidades de pedidos) que administrarían esa demanda de manera más efectiva. Pero se requiere su participación para aprovechar al máximo todo ese poder. Necesitas formar equipo con los algoritmos.

Esa interacción puede adoptar varias formas. Puede comenzar simplemente evaluando cómo se encuentra ahora. Las funciones de redacción de informes en Smart IP&O (Smart Operational Analytics™) pueden recopilar y analizar todos sus datos transaccionales para medir sus indicadores clave de rendimiento (KPI), tanto financieros (por ejemplo, inversión en inventario) como operativos (por ejemplo, tasas de cumplimiento).

El siguiente paso podría ser utilizar SIO (Smart Inventory Optimization™), el análisis de inventario dentro de SIP&O, para jugar juegos de “qué pasaría si” con el software. Por ejemplo, podría preguntar "¿Qué pasaría si redujéramos la cantidad del pedido del artículo 1234 de 50 a 40?" El software calcula los números para hacerle saber cómo se desarrollaría y luego usted reacciona. Esto puede resultar útil, pero ¿qué pasa si tienes que considerar 50.000 elementos? Querría hacer juegos hipotéticos para algunos elementos críticos, pero no para todos.

El verdadero poder proviene del uso de la capacidad de optimización automática en SIO. Aquí puedes formar equipo con los algoritmos a escala. Utilizando su criterio empresarial, puede crear "grupos", es decir, colecciones de elementos que comparten algunas características críticas. Por ejemplo, podría crear un grupo para “repuestos críticos para clientes de servicios eléctricos” que consta de 1200 piezas. Luego, recurriendo nuevamente a su criterio comercial, podría especificar qué estándar de disponibilidad de artículos debe aplicarse a todos los artículos de ese grupo (por ejemplo, “al menos 95% de posibilidades de no desabastecerse en un año”). Ahora el software puede tomar el control y calcular automáticamente los mejores puntos de reorden y cantidades de pedidos para cada uno de esos artículos para lograr la disponibilidad de artículos requerida al menor costo total posible. Y eso, querido lector, es un poderoso trabajo en equipo.

Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información.

La precisión se representa como un porcentaje entre cero y 100, mientras que los porcentajes de error comienzan en cero pero no tienen límite superior. Los informes de MAPE (error porcentual absoluto medio) u otras métricas de error pueden denominarse informes de “precisión del pronóstico”, lo que desdibuja la distinción. Por lo tanto, es posible que desee saber cómo pasar del punto de vista del error al punto de vista de la precisión que defiende su empresa. Este blog describe cómo con algunos ejemplos.

Las métricas de precisión se calculan de manera que cuando lo real es igual al pronóstico, la precisión es 100% y cuando el pronóstico es el doble o la mitad de lo real, entonces la precisión es 0%. Los informes que comparan el pronóstico con el real a menudo incluyen lo siguiente:

• El actual
• La previsión
• Error unitario = Pronóstico – Real
• Error absoluto = Valor absoluto del error unitario
• Error absoluto % = Error Abs / Real, como %
• Precisión % = 100% – Error absoluto %

Mire un par de ejemplos que ilustran la diferencia en los enfoques. Digamos que Real = 8 y el pronóstico es 10.

El error de unidad es 10 – 8 = 2

Error absoluto de % = 2/8, como % = 0,25 * 100 = 25%

Precisión = 100% – 25% = 75%.

Ahora digamos que el real es 8 y el pronóstico es 24.

El error de unidad es 24– 8 = 16

Error absoluto de % = 16/8 como % = 2 * 100 = 200%

Precisión = 100% – 200% = negativo se establece en 0%.

En el primer ejemplo, las mediciones de precisión proporcionan la misma información que las mediciones de error, ya que el pronóstico y lo real ya están relativamente cerca. Pero cuando el error es más del doble del real, las mediciones de precisión llegan a cero. Indica correctamente que el pronóstico no era del todo exacto. Pero el segundo ejemplo es más preciso que el tercero, donde el valor real es 8 y el pronóstico es 200. Esa es una distinción que un rango de precisión de 0 a 100% no registra. En este último ejemplo:

El error de unidad es 200 – 8 = 192

Error absoluto de % = 192/8, como % = 24 * 100 = 2,400%

Precisión = 100% – 2,400% = negativo se establece en 0%.

Las métricas de error continúan proporcionando información sobre qué tan lejos está el pronóstico de lo real y posiblemente representan mejor la precisión del pronóstico.

Alentamos a adoptar el punto de vista del error. Simplemente espera que un pequeño porcentaje de error indique que el pronóstico no estuvo lejos de lo real, en lugar de esperar un gran porcentaje de precisión para indicar que el pronóstico estuvo cerca de lo real. Este cambio de mentalidad ofrece los mismos conocimientos y al mismo tiempo elimina las distorsiones.

​Cuándo se deben utilizar técnicas tradicionales de pronóstico extrapolativo.

Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente. 

Los métodos extrapolativos funcionan bien cuando la demanda tiene un gran volumen y no es demasiado granular (es decir, la demanda se clasifica mensual o trimestralmente). También son muy rápidos y no utilizan tantos recursos informáticos como los métodos probabilísticos y de ML. Esto los hace muy accesibles.

¿Son los métodos tradicionales tan precisos como los métodos de pronóstico más nuevos? Smart ha descubierto que los métodos de extrapolación funcionan muy mal cuando la demanda es intermitente. Sin embargo, cuando la demanda es de mayor volumen, solo funcionan ligeramente peor que nuestros nuevos métodos probabilísticos cuando la demanda se divide mensualmente. Dada su accesibilidad, velocidad y el hecho de que va a aplicar anulaciones de pronóstico basadas en el conocimiento empresarial, la diferencia de precisión de referencia aquí no será material.

La ventaja de los modelos más avanzados, como los métodos probabilísticos GEN2 de Smart, es cuando es necesario predecir patrones utilizando grupos más granulares, como datos diarios (o incluso semanales). Esto se debe a que los modelos probabilísticos pueden simular patrones de día de la semana, semana del mes y mes del año que se perderán con técnicas más simples. ¿Alguna vez ha intentado predecir la estacionalidad diaria con un modelo de Winter? Aquí hay una pista: no funcionará y requiere mucha ingeniería.

Los métodos probabilísticos también brindan valor más allá del pronóstico de referencia porque generan escenarios para usar en las pruebas de estrés de los modelos de control de inventario. Esto los hace más apropiados para evaluar, por ejemplo, cómo un cambio en el punto de reorden afectará las probabilidades de desabastecimiento, las tasas de cumplimiento y otros KPI. Al simular miles de posibles demandas durante muchos plazos de entrega (que a su vez se presentan en forma de escenario), tendrá una idea mucho mejor de cómo funcionarán sus políticas de almacenamiento actuales y propuestas. Puede tomar mejores decisiones sobre dónde realizar aumentos y disminuciones de existencias específicas.

Por lo tanto, no deseche lo viejo por lo nuevo todavía. Solo sepa cuándo necesita un martillo y cuándo necesita un martillo neumático.

¿En qué se diferencia la planificación de inventario para mantenimiento, reparación y operaciones (MRO) en comparación con la planificación de inventario en entornos de fabricación y distribución? En resumen, es la naturaleza de los patrones de demanda combinada con la falta de conocimiento empresarial procesable.

Patrones de demanda

Los fabricantes y distribuidores tienden a centrarse en los mejores vendedores que generan la mayor parte de sus ingresos. Estos artículos suelen tener una demanda alta que es relativamente fácil de pronosticar con modelos tradicionales de series de tiempo que aprovechan tendencias y/o estacionales predecibles. Por el contrario, los planificadores de MRO casi siempre se ocupan de una demanda intermitente, que es más escasa, más aleatoria y más difícil de pronosticar. Además, las cantidades fundamentales de interés son diferentes. En última instancia, a los planificadores de MRO les importa más la pregunta “cuándo”: ¿Cuándo se romperá algo? Mientras que los demás se centran en la cuestión de “cuántas” unidades vendidas.

Conocimiento del negocio

Los planificadores de fabricación y distribución a menudo pueden contar con la recopilación de comentarios de los clientes y de ventas, que pueden combinarse con métodos estadísticos para mejorar la precisión de los pronósticos. Por otro lado, los rodamientos, engranajes, consumibles y piezas reparables rara vez están dispuestos a compartir sus opiniones. Con MRO, el conocimiento empresarial sobre qué piezas se necesitarán y cuándo simplemente no es confiable (excepto el mantenimiento planificado cuando se reemplazan piezas consumibles de mayor volumen). Por lo tanto, el éxito de la planificación de inventarios MRO llega sólo hasta donde los lleve la capacidad de sus modelos de probabilidad para predecir el uso futuro. Y como la demanda es tan intermitente, no pueden superar Go con los enfoques tradicionales.

Métodos para MRO

En la práctica, es común que las empresas de MRO y con uso intensivo de activos administren inventarios recurriendo a niveles mínimos y máximos estáticos basados en múltiplos subjetivos del uso promedio, complementados con anulaciones manuales ocasionales basadas en intuiciones. El proceso se convierte en una mala mezcla de estático y reactivo, con el resultado de que se pierde mucho tiempo y dinero en acelerarlo.

Existen métodos de planificación alternativos basados más en matemáticas y datos, aunque este estilo de planificación es menos común en MRO que en otros dominios. Hay dos enfoques principales para modelar averías de piezas y máquinas: modelos basados en la teoría de la confiabilidad y modelos de “mantenimiento basado en la condición” basados en monitoreo en tiempo real.

Modelos de confiabilidad

Los modelos de confiabilidad son los más simples de los dos y requieren menos datos. Suponen que todos los artículos del mismo tipo, digamos una determinada pieza de repuesto, son estadísticamente equivalentes. Su componente clave es una "función de riesgo", que describe el riesgo de fallo en el siguiente breve intervalo de tiempo. La función de riesgo se puede traducir en algo más adecuado para la toma de decisiones: la “función de supervivencia”, que es la probabilidad de que el artículo siga funcionando después de X cantidad de uso (donde X podría expresarse en días, meses, millas, usos, etc.). La Figura 1 muestra una función de riesgo constante y su correspondiente función de supervivencia.

Figura 1: Función de riesgo constante y su función de supervivencia

Una función de riesgo que no cambia implica que sólo los accidentes aleatorios provocarán una falla. Por el contrario, una función de riesgo que aumenta con el tiempo implica que el artículo se está desgastando. Y una función de riesgo decreciente implica que un elemento se está asentando. La Figura 2 muestra una función de riesgo creciente y su correspondiente función de supervivencia.

Figura 2: Función de riesgo creciente y su función de supervivencia

Los modelos de confiabilidad se utilizan a menudo para piezas económicas, como sujetadores mecánicos, cuyo reemplazo puede no ser ni difícil ni costoso (pero aún así puede ser esencial).

Mantenimiento bajo condiciones

Los modelos basados en monitoreo en tiempo real se utilizan para respaldar el mantenimiento basado en la condición (CBM) de artículos costosos como los motores a reacción. Estos modelos utilizan datos de sensores integrados en los propios elementos. Estos datos suelen ser complejos y propietarios, al igual que los modelos de probabilidad respaldados por los datos. La ventaja del monitoreo en tiempo real es que se pueden ver los problemas que se avecinan, es decir, el deterioro se hace visible y los pronósticos pueden predecir cuándo el elemento alcanzará su línea roja y, por lo tanto, deberá retirarse del campo de juego. Esto permite un mantenimiento o reemplazo individualizado y proactivo del artículo.

La Figura 3 ilustra el tipo de datos utilizados en CBM. Cada vez que se utiliza el sistema, se contribuye a su desgaste acumulativo. (Sin embargo, tenga en cuenta que a veces el uso puede mejorar el estado de la unidad, como cuando llueve ayuda a mantener fresca una pieza de maquinaria). Puede ver la tendencia general ascendente hacia una línea roja después de la cual la unidad requerirá mantenimiento. Puede extrapolar el desgaste acumulado para estimar cuándo llegará a la línea roja y planificar en consecuencia.

Figura 3: Ilustración del monitoreo en tiempo real para el mantenimiento basado en condiciones

Que yo sepa, nadie fabrica tales modelos de sus clientes de productos terminados para predecir cuándo y cuánto ordenarán su próximo pedido, tal vez porque los clientes se opondrían a usar monitores cerebrales todo el tiempo. Pero CBM, con su complejo monitoreo y modelado, está ganando popularidad para sistemas que no pueden fallar, como los motores a reacción. Mientras tanto, los modelos clásicos de confiabilidad todavía tienen mucho valor para gestionar grandes flotas de artículos más baratos pero aún esenciales.

El enfoque inteligente
Los enfoques de confiabilidad y mantenimiento basados en condiciones anteriores requieren una carga excesiva de recopilación y limpieza de datos que muchas empresas de MRO no pueden manejar. Para esas empresas, Smart ofrece un enfoque que no requiere el desarrollo de modelos de confiabilidad. En cambio, explota los datos de uso de una manera diferente. Aprovecha los modelos basados en probabilidad tanto de uso como de tiempos de entrega de proveedores para simular miles de escenarios posibles para tiempos de entrega de reabastecimiento y demanda. El resultado es una distribución precisa de la demanda y los plazos de entrega para cada pieza consumible que se puede aprovechar para determinar los parámetros óptimos de almacenamiento. La Figura 4 muestra una simulación que comienza con un escenario de demanda de repuestos (gráfico superior) y luego produce un escenario de suministro disponible para opciones particulares de valores mínimos y máximos (línea inferior). Los indicadores clave de rendimiento (KPI) se pueden estimar promediando los resultados de muchas de estas simulaciones.

Figura 4: Un ejemplo de simulación de demanda de repuestos e inventario disponible

Puede leer sobre el enfoque de Smart para la previsión de repuestos aquí: https://smartcorp.com/wp-content/uploads/2019/10/Probabilistic-Forecasting-for-Intermittent-Demand.pdf