Smart IP&O funciona con el motor de pronóstico SmartForecasts® que selecciona automáticamente el método más apropiado para cada artículo. Los métodos de Smart Forecast se enumeran a continuación:

• Promedio móvil simple y suavizado exponencial único para datos planos y ruidosos
• Promedio móvil lineal y suavizado exponencial doble para datos de tendencias
• Winters Aditivo y Winters Multiplicativo para datos estacionales y estacionales y de tendencias.

Este blog explica cómo funciona cada modelo utilizando diagramas de tiempo de datos históricos y de pronóstico. Describe cómo elegir qué modelo usar. Los ejemplos a continuación muestran el mismo historial, en rojo, pronosticado con cada método, en verde oscuro, en comparación con el método ganador elegido por Smart, en verde claro.

Estacionalidad
Si desea forzar (o evitar) que se muestre la estacionalidad en el pronóstico, elija los modelos Winters. Ambos métodos requieren 2 años completos de historial.

Multiplicativo de Winters determinará el tamaño de los picos o valles de los efectos estacionales en función de una diferencia porcentual de un volumen promedio de tendencia. No es una buena opción para artículos de muy bajo volumen debido a la división por cero al determinar ese porcentaje. Observe en la imagen a continuación que se proyecta que la gran caída porcentual en la demanda estacional en el historial continúe durante el horizonte de pronóstico, lo que hace que parezca que no hay demanda estacional a pesar de usar un método estacional.

Pronóstico estadístico elaborado con el método multiplicativo de Winter. 

Aditivo de Winters determinará el tamaño de los picos o valles de los efectos estacionales con base en una unidad de diferencia del volumen promedio. No es un buen ajuste si hay una tendencia significativa en los datos. Tenga en cuenta en la imagen de abajo que sla estacionalidad ahora se pronostica con base en el cambio unitario promedio en la estacionalidad. Por lo tanto, el pronóstico aún refleja claramente el patrón estacional a pesar de la tendencia a la baja tanto en el nivel como en los picos/valles estacionales.

Pronóstico estadístico producido con el método aditivo de Winter.

Tendencia

Si desea forzar (o evitar) que la tendencia hacia arriba o hacia abajo se muestre en el pronóstico, restrinja los métodos elegidos a (o elimine los métodos de) Promedio móvil lineal y Suavizado exponencial doble.

 Suavizado exponencial doble retomará una tendencia a largo plazo. No es una buena opción si hay pocos puntos de datos históricos.

Pronóstico estadístico producido con Doble Suavización Exponencial

Media móvil lineal recogerá las tendencias a corto plazo. No es una buena opción para datos altamente volátiles.

Datos no de tendencia y no estacionales
Si desea forzar (o evitar) que se muestre un promedio en el pronóstico, restrinja los métodos elegidos a (o elimine los métodos de) Promedio móvil simple y Suavizado exponencial único.

Suavizado exponencial simple sopesará más los datos más recientes y producirá un pronóstico de línea plana. No es una buena opción para datos de tendencias o estacionales.

Pronóstico estadístico utilizando Suavización Exponencial Simple

media móvil simple encontrará un promedio para cada período, a veces pareciendo moverse, y mejor para el promedio a más largo plazo. No es una buena opción para datos de tendencias o estacionales.

Pronóstico estadístico utilizando la media móvil simple

A veces, un pronóstico estadístico simplemente no tiene sentido. Todos los pronosticadores han estado allí. Pueden volver a verificar que los datos se ingresaron correctamente o revisar la configuración del modelo, pero todavía se quedan pensando por qué el pronóstico se ve muy diferente al historial de demanda. Cuando el pronóstico ocasional no tiene sentido, puede erosionar la confianza en todo el proceso de pronóstico estadístico.

Este blog ayudará a un profano a comprender qué son los modelos estadísticos inteligentes y cómo se eligen automáticamente. Abordará cómo esa elección a veces falla, cómo puede saber si lo hizo y qué puede hacer para garantizar que los pronósticos siempre puedan justificarse. Es importante saber esperar y cómo detectar las excepciones para que pueda confiar en su sistema de pronóstico.

Cómo se eligen los métodos automáticamente

El criterio para elegir automáticamente un método estadístico de un conjunto se basa en qué método estuvo más cerca de predecir correctamente el historial retenido. El historial anterior se pasa a cada método y el resultado se compara con los datos reales para encontrar el que más se acercó en general. Ese método elegido automáticamente se alimenta de todo el historial para producir el pronóstico. Consulte este blog para obtener más información sobre la selección de modelos. https://smartcorp.com/uncategorized/statistical-forecasting-how-automatic-method-selection-works/

Para la mayoría de las series temporales, este proceso puede capturar tendencias, estacionalidad y volumen promedio con precisión. Pero a veces, un método elegido se acerca matemáticamente a la predicción del historial retenido, pero no lo proyecta hacia adelante de una manera que tenga sentido. Eso significa que el método seleccionado por el sistema no es el mejor y, para algunos, es "difícil de pronosticar".

Artículos difíciles de pronosticar

Los artículos difíciles de pronosticar pueden tener picos grandes e impredecibles en la demanda, o por lo general no hay demanda pero hay irregularidades aleatorias o actividad reciente inusual. El ruido en los datos a veces se desplaza aleatoriamente hacia arriba o hacia abajo, y el método automatizado de mejor selección podría pronosticar una tendencia desbocada o una reducción a cero. Lo hará peor que el sentido común y en un pequeño porcentaje de cualquier grupo razonablemente variado de elementos. Por lo tanto, deberá identificar estos casos y responder anulando el pronóstico o cambiando las entradas del pronóstico.

Cómo encontrar las excepciones

La mejor práctica es filtrar u ordenar los elementos pronosticados para identificar aquellos en los que la suma del pronóstico durante el próximo año es significativamente diferente al historial correspondiente del año pasado. La suma del pronóstico puede ser mucho más baja que el historial o viceversa. Utilice las métricas proporcionadas para identificar estos elementos; luego puede optar por aplicar anulaciones al pronóstico o modificar la configuración del pronóstico.

Cómo arreglar las excepciones

A menudo, cuando el pronóstico parece extraño, un método de promediación, como el suavizado exponencial único o incluso un promedio simple con estilo libre, producirá un pronóstico más razonable. Si la tendencia es posiblemente válida, puede eliminar solo los métodos estacionales para evitar un resultado falsamente estacional. O haga lo contrario y use solo métodos estacionales si se espera estacionalidad pero no se proyectó en el pronóstico predeterminado. Puede usar las funciones hipotéticas para crear cualquier cantidad de pronósticos, evaluar y comparar, y continuar ajustando la configuración hasta que se sienta cómodo con el pronóstico.

Limpiar el historial, con o sin cambiar la selección automática del método, también es efectivo para producir pronósticos razonables. Puede incrustar parámetros de previsión para reducir la cantidad de historial utilizado para pronosticar esos elementos o la cantidad de períodos pasados en el algoritmo, de modo que ya no se tenga en cuenta el historial anterior y desactualizado. Puede editar picos o caídas en el historial de demanda que son anomalías conocidas para que no influyan en el resultado. También puede trabajar con el equipo de Smart para implementar la detección y eliminación automática de valores atípicos para que los datos antes de ser pronosticados ya estén limpios de estas anomalías.

Si la demanda es realmente intermitente, será casi imposible pronosticar "con precisión" por período. Si un promedio de nivel de carga no es aceptable, el manejo del artículo mediante el establecimiento de una política de inventario con un pronóstico de tiempo de entrega puede ser efectivo. Alternativamente, puede optar por utilizar modelos "igual que el año pasado" que, si bien no son propensos a la precisión, serán generalmente aceptados por la empresa dadas las previsiones alternativas.

Finalmente, si el elemento se introdujo tan recientemente que los algoritmos no tienen suficiente entrada para pronosticar con precisión, lo mejor puede ser un promedio simple o un pronóstico manual. Puede identificar elementos nuevos filtrando por el número de períodos históricos.

Selección manual de métodos.

Una vez que haya identificado las filas en las que el pronóstico no tiene sentido para el ojo humano, puede elegir un subconjunto más pequeño de todos los métodos para permitir la ejecución del pronóstico y compararlo con el historial. Smart le permitirá usar un conjunto restringido de métodos solo para una ejecución de pronóstico o incrustar el conjunto restringido para usarlo en todas las ejecuciones de pronóstico en el futuro. Diferentes métodos proyectarán la historia hacia el futuro de diferentes maneras. Tener una idea de cómo funciona cada uno lo ayudará a elegir cuál permitir.

Confíe en su herramienta de previsión

Cuanto más utilice Smart period over period para incorporar sus decisiones sobre cómo pronosticar y qué datos históricos considerar, menos a menudo se enfrentará a las excepciones que se describen en este blog. Ingresar parámetros de pronóstico es una tarea manejable cuando se comienza con artículos críticos o de alto impacto. Incluso si no integra ninguna decisión manual en los métodos de pronóstico, el pronóstico se vuelve a ejecutar cada período con nuevos datos. Por lo tanto, un artículo con un resultado extraño hoy puede volverse fácilmente predecible en el tiempo.

Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar.

Esta conclusión se basa en cientos de implementaciones de software que hemos dirigido a lo largo de los años. Los clientes que gestionan repuestos y piezas de servicio (estas últimas para consumo interno/MRO) y, en menor medida, piezas del mercado de accesorios (para reventa a bases instaladas), han implementado constantemente nuestro software de planificación de piezas más rápido que sus pares en fabricación y distribución.

La razón principal es el papel en la fabricación y distribución del conocimiento comercial sobre lo que podría suceder en el futuro. En un entorno tradicional de fabricación y distribución B2B, hay clientes y equipos de ventas y marketing que venden a esos clientes. Hay objetivos de ventas, expectativas de ingresos y presupuestos. Esto significa que hay mucho conocimiento comercial sobre lo que se comprará, lo que se promocionará, cuyas opiniones deben tenerse en cuenta. Se requiere un ciclo de planificación complejo. En cambio, a la hora de gestionar repuestos, cuentas con un equipo de mantenimiento que repara los equipos cuando se estropean. Aunque a menudo hay programas de mantenimiento como guía, lo que se necesita más allá de una lista estándar de piezas consumibles a menudo se desconoce hasta que una persona de mantenimiento está en el sitio. En otras palabras, simplemente no hay el mismo tipo de conocimiento comercial disponible para los planificadores de piezas cuando toman decisiones de almacenamiento.

Sí, eso es una desventaja, pero también tiene una ventaja: no hay necesidad de producir un pronóstico de demanda consensuado período por período con todo el trabajo que requiere. Al planificar las piezas de repuesto, normalmente puede omitir muchos de los pasos necesarios para un fabricante, distribuidor o minorista típico. Estos pasos saltables incluyen:  

1. Creación de pronósticos en diferentes niveles del negocio, como familia de productos o región.
2. Compartir el pronóstico de la demanda con ventas, marketing y clientes.
3. Revisar anulaciones de pronósticos de ventas, marketing y clientes.
4. Acordar una previsión consensuada que combine estadística y conocimiento empresarial.
5. Medir el “valor agregado de pronóstico” para determinar si las anulaciones hacen que el pronóstico sea más preciso.
6. Ajuste de la previsión de demanda para futuras promociones conocidas.
7. Contabilización de la canibalización (es decir, si vendo más del producto A, venderé menos del producto B).

Liberados de un proceso de creación de consenso, los planificadores de repuestos y los administradores de inventario pueden confiar directamente en su software para predecir el uso y las políticas de almacenamiento requeridas. Si tienen acceso a un solución probada en el campo que aborda la demanda intermitente, pueden "ponerse en marcha" rápidamente con pronósticos de demanda más precisos y estimaciones de puntos de pedido, existencias de seguridad y sugerencias de pedidos. Su atención se puede centrar en obtener datos precisos sobre el uso y el tiempo de entrega del proveedor. La parte "política" del trabajo puede limitarse a obtener el consenso de la organización sobre los objetivos de nivel de servicio y los presupuestos de inventario.

​

“Independientemente de cuánto esfuerzo se invierta en capacitar a los pronosticadores y desarrollar sistemas elaborados de apoyo a los pronósticos, los tomadores de decisiones modificarán o descartarán las predicciones si no confían en ellas”. — Dilek Onkal, International Journal of Forecasting 38:3 (julio-septiembre de 2022), p.802.

Las palabras citadas arriba me llamaron la atención y provocaron esta publicación. Aquellos con una persuasión geek, como su blogger, se inclinan a pensar en los pronósticos como un problema estadístico. Si bien eso es obviamente cierto, aquellos de cierta edad, como tu blogger, entienden que la previsión también es una actividad social y, por lo tanto, tiene un gran componente humano.

¿En qué confías?

Hay una dimensión relacionada con la confianza: no en quién confías sino en qué confías. Con esto me refiero tanto a los datos como al software.

Confianza en los datos

La confianza en los datos sustenta la confianza en el pronosticador que utiliza los datos. La mayoría de nuestros clientes tienen sus datos en un sistema ERP. Estos datos deben entenderse como un activo corporativo clave. Para que los datos sean confiables, deben tener las “tres C”, es decir, deben ser correctos, completos y actuales.

La corrección es obviamente fundamental. Una vez tuvimos un cliente que estaba implementando un proceso de pronóstico nuevo y sólido, pero encontró que los resultados estaban completamente en desacuerdo con su sentido de lo que estaba sucediendo en el negocio. Resultó que varios de sus flujos de datos eran incorrectos por un factor de dos, lo cual es un gran error. Por supuesto, esto retrasó el proceso de implementación hasta que pudieron identificar y corregir todos los errores graves en sus datos de demanda.

Hay un punto menos obvio que hacer sobre la corrección. Es decir, los datos son aleatorios, por lo que lo que ve ahora no es probable que sea lo que verá a continuación. Planificar la producción basándose en la suposición de que la demanda de la próxima semana será exactamente la misma que la demanda de esta semana es claramente una tontería, pero los modelos clásicos de pronóstico basados en fórmulas, como el suavizado exponencial mencionado anteriormente, proyectarán el mismo número a lo largo del horizonte de pronóstico. Aquí es donde planificación basada en escenarios es esencial para hacer frente a las inevitables fluctuaciones de variables clave como las demandas de los clientes y los plazos de reposición de los proveedores.

La integridad es el segundo requisito para que los datos sean confiables. En última instancia, nuestro software obtiene gran parte de su valor al exponer los vínculos entre las decisiones operativas (p. ej., seleccionar los puntos de pedido que rigen la reposición de existencias) y las métricas relacionadas con el negocio, como los costos de inventario. Sin embargo, a menudo la implementación del software de pronóstico se retrasa porque la información sobre la demanda de artículos está disponible en algún lugar, pero no así los costos de mantenimiento, pedido y/o escasez. O, para citar otro ejemplo reciente, un cliente pudo dimensionar adecuadamente solo la mitad de su inventario de repuestos para piezas reparables porque nadie había estado rastreando cuándo se averiaba la otra mitad, lo que significa que no había información sobre el tiempo medio antes de la falla (MTBF) , por lo que no fue posible modelar el comportamiento ante averías de la mitad de la flota de repuestos reparables.

Finalmente, la vigencia de los datos es importante. A medida que aumenta la velocidad de los negocios y los ciclos de planificación de la empresa pasan de un ritmo trimestral o mensual a un ritmo semanal o diario, se vuelve deseable explotar la agilidad que brindan las cargas nocturnas de datos transaccionales diarios en la nube. Esto permite ajustes de alta frecuencia de pronósticos y/o parámetros de control de inventario para artículos que experimentan alta volatilidad y cambios repentinos en la demanda. Cuanto más frescos sean los datos, más fiable será el análisis.

Confíe en el software de previsión de la demanda

Incluso con datos de alta calidad, los pronosticadores aún deben confiar en el software analítico que procesa los datos. Esta confianza debe extenderse tanto al propio software como al entorno informático en el que funciona.

Si los pronosticadores usaron software local, deben confiar en sus propios departamentos de TI para salvaguardar los datos y mantenerlos disponibles para su uso. Si, en cambio, desean explotar el poder de los análisis basados en la nube, los clientes deben confiar su información confidencial a sus proveedores de software. El software de nivel profesional, como el nuestro, justifica la confianza de los clientes a través de la certificación SOC 2. La certificación SOC 2 fue desarrollada por el Instituto Americano de CPA y define los criterios para administrar los datos de los clientes en función de cinco "principios de servicio de confianza": seguridad, disponibilidad, integridad de procesamiento, confidencialidad y privacidad.

¿Qué pasa con el software en sí? ¿Qué se necesita para que sea confiable? Los criterios principales aquí son la corrección de los algoritmos y la fiabilidad funcional. Si el proveedor tiene un proceso de desarrollo de programas profesional, habrá pocas posibilidades de que el software termine calculando los números incorrectos debido a un error de programación. Y si el proveedor tiene un riguroso proceso de aseguramiento de la calidad, habrá pocas posibilidades de que el software se bloquee justo cuando el pronosticador tiene una fecha límite o debe lidiar con un análisis emergente para una situación especial.

Resumen

Para ser útiles, los responsables de la toma de decisiones deben confiar en los pronosticadores y sus pronósticos. Esa confianza depende de las características de los pronosticadores y sus procesos y comunicación. También depende de la calidad de los datos y el software utilizado para crear los pronósticos.

Lee la 1ra parte de este Blog “En quién confías” aquí: https://smartcorp.com/forecasting/the-role-of-trust-in-the-demand-forecasting-process-part-1-who/

La planificación de piezas de servicio impulsada por el nivel de servicio para Microsoft Dynamics BC o F&SC es un proceso de cuatro pasos que se extiende más allá de la previsión simplificada y las existencias de seguridad de la regla empírica. Proporciona a los planificadores de piezas de servicio un soporte de decisiones basado en datos y ajustado al riesgo.

Las matemáticas para determinar este nivel de planificación simplemente no existen en la funcionalidad D365. Requiere matemáticas e inteligencia artificial que pasan miles de veces a través de cálculos para cada parte y centro de parte (ubicaciones). Las matemáticas y la IA como esta son exclusivas de Smart. Para entender más, por favor sigue leyendo. 

Paso 1. Asegúrese de que todas las partes interesadas estén de acuerdo con las métricas que importan. 

Todos los participantes en el proceso de planificación del inventario de piezas de servicio deben ponerse de acuerdo sobre las definiciones y qué métricas son más importantes para la organización. Niveles de servicio detalle el porcentaje de tiempo que puede satisfacer completamente el uso requerido sin agotar existencias. Tasas de relleno detallar el porcentaje del uso solicitado que se completa inmediatamente con el stock. (Para obtener más información sobre las diferencias entre los niveles de servicio y la tasa de llenado, vea esta lección de 4 minutos aquí.) Disponibilidad detalla el porcentaje de repuestos activos con un inventario disponible de al menos una unidad. Costos de mantenimiento son los costos anualizados de tenencia de existencias teniendo en cuenta la obsolescencia, los impuestos, los intereses, el almacenamiento y otros gastos. costos de escasez son el costo de quedarse sin existencias, incluido el tiempo de inactividad del vehículo/equipo, expediciones, pérdida de ventas y más. gastos de pedido son los costos asociados con la colocación y recepción de pedidos de reabastecimiento.

Paso 2. Compare el rendimiento del nivel de servicio actual histórico y previsto.

Todos los participantes en el proceso de planificación del inventario de piezas de servicio deben tener una comprensión común de los niveles de servicio futuros previstos, las tasas de llenado y los costos y sus implicaciones para las operaciones de piezas de servicio. Es crítico medir tanto la historia Indicadores clave de rendimiento (KPI) y sus equivalentes predictivos, Predicciones clave de rendimiento (KPP). Al aprovechar el software moderno, puede comparar el rendimiento anterior y aprovechar los métodos de pronóstico probabilístico para simular el rendimiento futuro. Prácticamente todas las soluciones de planificación de la demanda se detienen aquí. Smart va más allá pruebas de estrés sus políticas actuales de almacenamiento de inventario frente a todos los escenarios plausibles de demanda futura. Son estos miles de cálculos los que construyen nuestros KPP. La precisión de esto mejora la capacidad de D365 para equilibrar los costos de tener demasiado con los costos de no tener suficiente. Sabrá de antemano cómo es probable que funcionen las políticas de existencias actuales y propuestas.

Paso 3. Acuerde los niveles de servicio específicos para cada pieza de repuesto y tome medidas correctivas proactivas cuando se prevea que no cumplirán los objetivos. 

Los planificadores de piezas, el liderazgo de la cadena de suministro y los equipos mecánicos/de mantenimiento deben acordar los objetivos de nivel de servicio deseados con una comprensión completa de las compensaciones entre el riesgo de falta de existencias y el costo del inventario. Una llamada aquí es que nuestros clientes de D365 casi siempre están sorprendidos por la diferencia de niveles de existencias entre la disponibilidad de 100% y 99.5%. Con la lógica de casi 10,000 escenarios, ese medio por ciento de interrupción casi nunca se alcanza. Usted logra una política de almacenamiento completo con costos mucho más bajos. Encuentra las piezas que no tienen suficientes existencias y las corrige. El punto de equilibrio suele ser una reducción de 7-12% en los costos de inventario. 

Este aprovechamiento de escenarios hipotéticos en nuestro software de planificación de piezas brinda a la gerencia y a los compradores la capacidad de comparar fácilmente políticas de almacenamiento alternativas e identificar aquellas que mejor cumplen con los objetivos comerciales. Para algunas piezas, un pequeño desabastecimiento está bien. Para otros, necesitamos esa disponibilidad de piezas 99.5%. Una vez que se acuerdan estos límites, usamos el Poder de D365 para optimizar el inventario utilizando el ERP principal de D365 como debe ser. La planificación se carga automáticamente para involucrar a Dynamics con puntos de reorden modificados, niveles de existencias de seguridad y/o parámetros Mín./Máx. Esto admite un único punto central empresarial y las personas no utilizan múltiples sistemas para la gestión y compra diaria de piezas.

Paso 4. Hazlo así y mantenlo así. 

Capacite al equipo de planificación con el conocimiento y las herramientas que necesita para asegurarse de lograr el equilibrio acordado entre los niveles de servicio y los costos. Esto es crítico e importante. También es importante usar Dynamics F&SC o BC para ejecutar sus transacciones de ERP. Estos dos Dynamics ERP tienen el nivel más alto de crecimiento de nuevos ERP en el planeta. Usarlos como están destinados a ser utilizados tiene sentido. También tiene sentido llenar el espacio en blanco para los cálculos matemáticos y de inteligencia artificial para la gestión de mantenimiento y piezas. Esto requiere una solución más compleja y específica para ayudar. Smart Software Inventory Optimization para EAM y Dynamics ERP tiene la respuesta.    

Recuerde: la recalibración de su política de inventario de piezas de servicio es un mantenimiento preventivo tanto contra los desabastecimientos como contra el exceso de existencias. Ayuda con los costos, libera capital para otros usos y respalda las mejores prácticas para su equipo. 

Amplíe Microsoft 365 F&SC y AX con Smart IP&O

Para ver una grabación del seminario web de Microsoft Dynamics Communities que muestra Smart IP&O, regístrese aquí:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/