La planificación de la demanda va más allá de la simple previsión de las necesidades de productos; se trata de garantizar que su empresa satisfaga las demandas de los clientes con precisión, eficiencia y rentabilidad. La última tecnología de planificación de la demanda aborda desafíos clave como la precisión de las previsiones, la gestión de inventarios y la capacidad de respuesta al mercado. En este blog, presentaremos tendencias críticas de planificación de la demanda, que incluyen información basada en datos, previsión probabilística, planificación por consenso, análisis predictivo, modelado de escenarios, visibilidad en tiempo real y previsión multinivel. Estas tendencias le ayudarán a mantenerse a la vanguardia, optimizar su cadena de suministro, reducir costes y mejorar la satisfacción del cliente, posicionando a su empresa para el éxito a largo plazo.

Perspectivas basadas en datos

La analítica avanzada, el aprendizaje automático y la inteligencia artificial (IA) se están convirtiendo en elementos fundamentales de la planificación de la demanda. Tecnologías como Smart UP&O permiten a las empresas analizar conjuntos de datos complejos, identificar patrones y realizar predicciones más precisas. Este cambio hacia información basada en datos ayuda a las empresas a responder rápidamente a los cambios del mercado, lo que minimiza los desabastecimientos y reduce el exceso de inventario.

Predicción Probabilística

La previsión probabilística se centra en predecir una variedad de resultados posibles en lugar de una sola cifra. Esta tendencia es particularmente importante para gestionar la incertidumbre y el riesgo en la planificación de la demanda. Ayuda a las empresas a prepararse para diversos escenarios de demanda, mejorando la gestión del inventario y reduciendo la probabilidad de desabastecimiento o exceso de existencias.

Pronóstico por consenso

La fabricación moderna está avanzando hacia un enfoque integrado en el que los departamentos y las partes interesadas colaboran más estrechamente. La previsión colaborativa implica compartir información a lo largo de la cadena de suministro, desde los proveedores hasta los distribuidores y los equipos internos. Este enfoque elimina los silos y garantiza que todos trabajen hacia un objetivo común, lo que conduce a una cadena de suministro más sincronizada y eficiente.

Análisis predictivo y prescriptivo

El análisis predictivo pronostica resultados futuros en función de datos históricos y tendencias, lo que ayuda a las empresas a anticipar las fluctuaciones de la demanda. Por ejemplo, Smart Demand Planner (SDP) automatiza la previsión para ajustar los niveles de inventario y producción en consecuencia.

El análisis prescriptivo va más allá y ofrece recomendaciones prácticas. Por ejemplo, Smart Inventory Planning and Optimization (IP&O) prescribe políticas de inventario óptimas en función de los niveles de servicio, los costos y los riesgos. En conjunto, estas herramientas permiten tomar decisiones proactivas, lo que permite a las empresas predecir y optimizar sus respuestas a los desafíos futuros.

Modelado de escenarios

El modelado de escenarios se está convirtiendo en una parte clave de la planificación de la demanda, ya que permite a las empresas simular diferentes escenarios y evaluar su impacto en las operaciones. Este método ayuda a las empresas a crear estrategias adaptables para gestionar las incertidumbres de manera eficaz. Smart IP&O mejora esta capacidad al ofrecer ¿Qué pasaría si…? Escenarios que permiten a los usuarios probar diferentes políticas de inventario antes de implementarlas. Al ajustar variables como los niveles de servicio o las cantidades de pedidos, las empresas pueden visualizar los efectos en los costos y los niveles de servicio, lo que les permite seleccionar la estrategia óptima para minimizar los riesgos y controlar los costos.

Visibilidad en tiempo real

A medida que las cadenas de suministro se vuelven más globales e interconectadas, la visibilidad en tiempo real de los inventarios y las actividades de la cadena de suministro es crucial. Una mejor colaboración con proveedores y distribuidores, combinada con datos en tiempo real, permite a las empresas tomar decisiones más rápidas e informadas. Esto ayuda a optimizar los niveles de inventario, reducir los plazos de entrega y mejorar la resiliencia general de la cadena de suministro.

Pronóstico multinivel

Esto implica realizar previsiones en diferentes niveles de la jerarquía de productos, como artículos individuales, familias de productos o incluso líneas de productos completas. La previsión multinivel es vital para las empresas con carteras de productos complejas, ya que garantiza que las previsiones sean precisas tanto a nivel micro como macro.

 

La planificación de la demanda es un aspecto decisivo de la gestión moderna de la cadena de suministro, que ofrece a las empresas la capacidad de mejorar la eficiencia operativa, reducir los costes y satisfacer mejor las demandas de los clientes. El uso de plataformas avanzadas como Smart IP&O mejora significativamente la precisión de las previsiones y la gestión del inventario, lo que permite responder con rapidez a las fluctuaciones del mercado. Las previsiones estadísticas automatizadas, combinadas con funciones como la previsión jerárquica y las anulaciones de previsiones, garantizan que las previsiones sean precisas y adaptables, lo que conduce a decisiones de planificación más realistas. Además, con herramientas como el modelado de escenarios, las empresas pueden explorar varios escenarios de demanda en toda su jerarquía de productos, lo que facilita la toma de decisiones informada al proporcionar información sobre los posibles resultados y riesgos. Este enfoque permite a las empresas anticipar el impacto de los cambios de políticas, tomar mejores decisiones y, en última instancia, optimizar su inventario y la gestión general de la cadena de suministro, manteniéndose a la vanguardia de las tendencias clave en el proceso.

 

 

 

En este blog, analizaremos el pronóstico automático para proyecciones de demanda de series temporales, centrándonos en técnicas, desafíos y mejores prácticas clave. Existen múltiples métodos para predecir la demanda futura de un artículo, y esto se vuelve complejo cuando se trata de miles de artículos, cada uno de los cuales requiere una técnica de pronóstico diferente debido a sus patrones de demanda únicos. Algunos artículos tienen una demanda estable, otros tienen una tendencia al alza o a la baja y algunos presentan estacionalidad. Seleccionar el método correcto para cada elemento puede resultar abrumador. Aquí exploraremos cómo la previsión automática simplifica este proceso.

La previsión automática se vuelve fundamental en la gestión de proyecciones de demanda a gran escala. Con miles de elementos, no resulta práctico seleccionar manualmente un método de pronóstico para cada uno. La previsión automática utiliza software para tomar estas decisiones, garantizando precisión y eficiencia en el proceso de previsión. Su importancia radica en su capacidad para manejar de manera eficiente necesidades de pronóstico complejas y a gran escala. Elimina la necesidad de selección manual, ahorrando tiempo y reduciendo errores. Este enfoque es particularmente beneficioso en entornos con diversos patrones de demanda, donde cada artículo puede requerir un método de pronóstico diferente.

 

Consideraciones clave para una previsión eficaz

1. Desafíos de la previsión manual:
   • Inviabilidad: Elegir manualmente métodos de pronóstico para miles de artículos es inmanejable.
   • Inconsistencia: el error humano puede generar pronósticos inconsistentes e inexactos.
2. Criterios para la selección del método:
   • Medición de errores: el criterio principal para seleccionar un método de pronóstico es el error de pronóstico típico, definido como la diferencia entre los valores previstos y reales. Este error se promedia a lo largo del horizonte de pronóstico (por ejemplo, pronósticos mensuales durante un año).
   • Análisis de reserva: esta técnica simula el proceso de esperar a que transcurra un año ocultando algunos datos históricos, haciendo pronósticos y luego revelando los datos ocultos para calcular errores. Esto ayuda a elegir el mejor método en tiempo real.
3. Torneo de pronóstico:
   • Comparación de métodos: diferentes métodos compiten para pronosticar cada elemento, ganando el método que produce el error promedio más bajo.
   • Ajuste de parámetros: cada método se prueba con varios parámetros para encontrar la configuración óptima. Por ejemplo, se puede intentar un suavizado exponencial simple con diferentes factores de ponderación.

 

Los algoritmos detrás de la previsión automática eficaz

La previsión automática es altamente computacional pero factible con tecnología moderna. El proceso implica:

• Segmentación de datos: Dividir los datos históricos en segmentos ayuda a gestionar y aprovechar diferentes aspectos de los datos históricos para realizar pronósticos más precisos. Por ejemplo, para un producto con demanda estacional, los datos pueden segmentarse por temporadas para capturar tendencias y patrones específicos de cada temporada. Esta segmentación permite a los pronosticadores hacer y probar pronósticos de manera más efectiva.
• Simulaciones repetidas: El uso de simulaciones deslizantes implica probar y refinar pronósticos repetidamente durante diferentes períodos. Este método valida la precisión de los métodos de pronóstico aplicándolos a diferentes segmentos de datos. Un ejemplo es el método de ventana deslizante, donde una ventana de tamaño fijo se mueve a través de los datos de la serie temporal, generando pronósticos para cada posición para evaluar el desempeño.
• Optimización de parámetros: La optimización de parámetros implica probar múltiples variantes de cada método de pronóstico para encontrar el que tenga mejor rendimiento. Al ajustar parámetros, como el factor de suavizado en los métodos de suavizado exponencial o el número de observaciones pasadas en los modelos ARIMA, los pronosticadores pueden ajustar los modelos para mejorar el rendimiento.

Por ejemplo, en nuestro software permitimos que varios métodos de pronóstico compitan por el mejor desempeño en un elemento determinado. El conocimiento de la previsión automática se traslada inmediatamente a la media móvil simple, la media móvil lineal, el suavizado exponencial único, el suavizado exponencial doble, el suavizado exponencial de Winters y el pronóstico promocional. Esta competencia garantiza que se seleccione el método más adecuado basándose en evidencia empírica, no en juicios subjetivos. El ganador del torneo es el método más cercano a predecir valores de datos nuevos a partir de los antiguos. La precisión se mide mediante el error absoluto promedio (es decir, el error promedio, ignorando los signos menos). El promedio se calcula sobre un conjunto de pronósticos, cada uno usando una porción de los datos, en un proceso conocido como simulación deslizante, que hemos explicado anteriormente en un blog anterior.

 

Métodos utilizados en la previsión automática

Normalmente, hay seis métodos de pronóstico extrapolativo que compiten en el torneo de pronóstico automático:

• media móvil simple
• Media móvil lineal
• Suavizado exponencial simple
• Suavizado exponencial doble
• Versión aditiva del suavizado exponencial de Winters
• Versión multiplicativa del suavizado exponencial de Winters

Los dos últimos métodos son apropiados para series estacionales; sin embargo, quedan automáticamente excluidos del torneo si hay menos de dos ciclos estacionales completos de datos (por ejemplo, menos de 24 períodos de datos mensuales u ocho períodos de datos trimestrales). Estos seis métodos clásicos basados en suavizado han demostrado ser fáciles de entender, fáciles de calcular y precisos. Puedes excluir cualquiera de estos métodos del torneo si tienes preferencia por algunos de los competidores y no por otros.

La previsión automática de datos de series temporales es esencial para gestionar proyecciones de demanda a gran escala de manera eficiente y precisa. Las empresas pueden lograr una mayor precisión de los pronósticos y optimizar sus procesos de planificación automatizando la selección de métodos de pronóstico y utilizando técnicas como el análisis de reservas y los torneos de pronóstico. Adoptar estas técnicas avanzadas de pronóstico garantiza que las empresas se mantengan a la vanguardia en entornos de mercado dinámicos y tomen decisiones informadas basadas en proyecciones de datos confiables.

 

 

 

En este blog, exploraremos cómo las organizaciones pueden lograr una eficiencia y precisión excepcionales con la optimización del inventario impulsada por la IA. Los métodos tradicionales de gestión de inventario a menudo resultan insuficientes debido a su naturaleza reactiva y su dependencia de procesos manuales. Mantener niveles óptimos de inventario es fundamental para satisfacer la demanda de los clientes y minimizar los costos. La introducción de la optimización del inventario impulsada por la IA puede reducir significativamente la carga de los procesos manuales, brindando alivio a los gerentes de la cadena de suministro de tareas tediosas. Con la IA, podemos predecir la demanda con mayor precisión, reducir el exceso de existencias, evitar desabastecimientos y, en última instancia, mejorar los resultados de nuestra organización. Exploremos cómo este enfoque no solo aumenta las ventas y la eficiencia operativa, sino que también eleva la satisfacción del cliente al garantizar que los productos estén siempre disponibles cuando sea necesario.

 

Información para mejorar la toma de decisiones en la gestión de inventarios

1. Precisión de pronóstico mejorada Los algoritmos avanzados de aprendizaje automático analizan datos históricos para identificar patrones que los humanos podrían pasar por alto. Técnicas como la agrupación, la detección de cambios de régimen, la detección de anomalías y el análisis de regresión proporcionan información profunda sobre los datos. Medir el error de pronóstico es esencial para perfeccionar los modelos de pronóstico; por ejemplo, técnicas como el error absoluto medio (MAE) y el error cuadrático medio (RMSE) ayudan a cuantificar la precisión de los pronósticos. Las empresas pueden mejorar la precisión monitoreando y ajustando continuamente los pronósticos en función de estas métricas de error. como el Planificador de demanda en un minorista de hardware declarado, "Con las mejoras en nuestros pronósticos y planificación de inventario que permitió Smart Software, hemos podido reducir el stock de seguridad en 20% y al mismo tiempo reducir los desabastecimientos en 35%".

2. Análisis de datos en tiempo real Los sistemas de última generación pueden procesar grandes cantidades de datos en tiempo real, lo que permite a las empresas ajustar sus niveles de inventario de forma dinámica en función de las tendencias actuales de la demanda y las condiciones del mercado. Los algoritmos de detección de anomalías pueden identificar y corregir automáticamente picos o caídas repentinas en la demanda, garantizando que los pronósticos sigan siendo precisos. Una historia de éxito notable proviene de Smart IP&O, que permitió a una empresa reducir el inventario en 20% mientras mantenía los niveles de servicio mediante el análisis continuo de datos en tiempo real y el ajuste de los pronósticos en consecuencia. Destacado Gerente de Materiales de FedEx Tech, "Cualquiera que sea la solicitud, debemos cumplir con nuestro compromiso de servicio al día siguiente: Smart nos permite ajustar el riesgo de nuestro inventario para asegurarnos de que tenemos los productos y piezas disponibles para lograr los niveles de servicio que nuestros clientes requieren".

3. Mejora de la eficiencia de la cadena de suministro Las plataformas tecnológicas inteligentes pueden optimizar toda la cadena de suministro, desde la adquisición hasta la distribución, prediciendo los plazos de entrega y optimizando las cantidades de los pedidos. Esto reduce el riesgo de exceso y falta de existencias. Por ejemplo, al utilizar la gestión de inventario basada en pronósticos, Smart Software ayudó a un fabricante a optimizar su cadena de suministro, reduciendo los tiempos de entrega en 15% y mejorando la eficiencia general. El vicepresidente de operaciones de Procon Pump declaró: "Una de las cosas que me gusta de esta nueva herramienta... es que puedo evaluar las consecuencias de las decisiones sobre el almacenamiento del inventario antes de implementarlas".

4. Toma de decisiones mejorada La IA proporciona información y recomendaciones prácticas, lo que permite a los gerentes tomar decisiones informadas. Esto incluye identificar artículos de baja rotación, pronosticar la demanda futura y optimizar los niveles de existencias. El análisis de regresión, por ejemplo, puede relacionar las ventas con variables externas como la estacionalidad o indicadores económicos, proporcionando una comprensión más profunda de los impulsores de la demanda. Uno de los clientes de Smart Software informó una mejora significativa en los procesos de toma de decisiones, lo que resultó en un aumento de 30% en los niveles de servicio y al mismo tiempo redujo el exceso de inventario en 15%. "Smart IP&O nos permitió modelar la demanda en cada ubicación de almacenamiento y, utilizando una planificación basada en el nivel de servicio, determinar cuánto almacenar para lograr el nivel de servicio que requerimos", señaló el Responsable de Compras en Empresas Seneca.

5. Reducción de costo Al optimizar los niveles de inventario, las empresas pueden reducir los costos de mantenimiento y minimizar las pérdidas por productos obsoletos o caducados. Los sistemas impulsados por IA también reducen la necesidad de realizar comprobaciones manuales de inventario, lo que ahorra tiempo y costes laborales. Un estudio de caso reciente muestra cómo se logró la implementación de la planificación y optimización del inventario (IP&O) dentro de los 90 días posteriores al inicio del proyecto. Durante los seis meses siguientes, IP&O permitió ajustar los parámetros de almacenamiento de varios miles de artículos, lo que resultó en reducciones de inventario de $9,0 millones y al mismo tiempo mantuvo los niveles de servicio objetivo.

 

Al aprovechar algoritmos avanzados y análisis de datos en tiempo real, las empresas pueden mantener niveles óptimos de inventario y mejorar el rendimiento general de su cadena de suministro. La planificación y optimización del inventario (IP&O) es una herramienta poderosa que puede ayudar a su organización a alcanzar estos objetivos. La incorporación de optimización de inventario de última generación en su organización puede generar mejoras significativas en la eficiencia, la reducción de costos y la satisfacción del cliente.

 

 

​​En un entorno de fabricación altamente configurable, pronosticar productos terminados puede convertirse en una tarea compleja y desalentadora. El número de posibles productos terminados se dispara cuando muchos componentes son intercambiables. Un MRP tradicional nos obligaría a pronosticar cada producto terminado, lo que puede resultar poco realista o incluso imposible. Varias soluciones líderes introducen el concepto de "Planificación BOM", que permite el uso de pronósticos a un nivel superior en el proceso de fabricación. En este artículo, analizaremos esta funcionalidad en Epicor Kinetic y cómo puede aprovecharla con Epicor Smart Inventory Planning and Optimization (Smart IP&O) para adelantarse a su demanda ante esta complejidad.

¿Por qué necesitaría una lista de materiales de planificación?

Tradicionalmente, cada producto terminado o SKU tenía una lista de materiales rígidamente definida. Si almacenamos ese producto y queremos planificar en torno a la demanda pronosticada, pronosticaremos la demanda de esos productos y luego alimentaremos MRP para llevar esta demanda pronosticada desde el nivel del producto terminado hasta sus componentes a través de la lista de materiales.

Sin embargo, muchas empresas ofrecen productos altamente configurables donde los clientes pueden seleccionar opciones sobre el producto que compran. Como ejemplo, recuerde la última vez que compró un teléfono móvil. Elegiste una marca y un modelo, pero a partir de ahí probablemente se te presentaron opciones: ¿qué tamaño de pantalla quieres? ¿Cuánto almacenamiento quieres? ¿Qué color prefiere usted? Si esa empresa quiere tener estos teléfonos móviles listos y disponibles para enviárselos en un tiempo razonable, de repente, ya no solo anticipan la demanda de ese modelo: deben pronosticar ese modelo para cada tipo de tamaño de pantalla, para todas las capacidades de almacenamiento, ¡Para todos los colores y todas las combinaciones posibles de ellos también! Para algunos fabricantes, estas configuraciones pueden dar lugar a cientos o miles de posibles permutaciones de productos terminados.

Puede haber tantas personalizaciones posibles que la demanda a nivel del producto terminado sea completamente impredecible en el sentido tradicional. Es posible que se vendan miles de esos teléfonos móviles cada año, pero para cada configuración posible, la demanda puede ser extremadamente baja y esporádica; tal vez ciertas combinaciones se vendan una vez y nunca más.

Esto a menudo obliga a estas empresas a planificar puntos de reorden y niveles de existencias de seguridad principalmente a nivel de componentes, mientras reaccionan en gran medida a la demanda firme en el nivel de producto terminado a través de MRP. Si bien este es un enfoque válido, carece de una forma sistemática de aprovechar los pronósticos que puedan dar cuenta de la actividad futura anticipada, como promociones, próximos proyectos u oportunidades de ventas. Hacer pronósticos a nivel “configurado” es efectivamente imposible, y tratar de incorporar estos supuestos de pronóstico a nivel de componentes tampoco es factible.

Explicación de la lista de materiales de planificación Aquí es donde entran las listas de materiales de planificación. Quizás el equipo de ventas esté trabajando en una gran oportunidad B2B para ese modelo, o haya una promoción planificada para el Cyber Monday. Si bien no es realista intentar trabajar con esos supuestos para cada configuración posible, hacerlo a nivel de modelo es totalmente factible y tremendamente valioso.

La lista de materiales de planificación puede utilizar una previsión a un nivel superior y luego reducir la demanda en función de proporciones predefinidas para sus posibles componentes. Por ejemplo, el fabricante de teléfonos móviles puede saber que la mayoría de las personas optan por 128 GB de almacenamiento y que muchas menos optan por actualizaciones a 256 GB o 512 GB. La lista de materiales de planificación permite a la organización (por ejemplo) reducir 60% de la demanda a la opción de 128 GB, 30% a la opción de 256 GB y 10% a la opción de 512 GB. Podrían hacer lo mismo con los tamaños de pantalla, los colores u otras personalizaciones disponibles.

La empresa ahora puede centrar su pronóstico en este nivel de modelo, dejando que la lista de materiales de planificación determine la combinación de componentes. Claramente, definir estas proporciones requiere algo de reflexión, pero la planificación de listas de materiales permite efectivamente a las empresas pronosticar lo que de otro modo sería impredecible.

La importancia de un buen pronóstico

Por supuesto, todavía necesitamos un buen pronóstico para cargar en Epicor Kinetic. Como se explica en este artículo, si bien Epicor Kinetic puede importar un pronóstico, a menudo no puede generar uno y, cuando lo hace, tiende a requerir una gran cantidad de configuraciones difíciles de usar que no suelen revisarse, lo que genera pronósticos inexactos. . Por lo tanto, corresponde a la empresa elaborar sus propios conjuntos de pronósticos, a menudo elaborados manualmente en Excel. La elaboración de pronósticos manualmente generalmente presenta una serie de desafíos, que incluyen, entre otros:

• La incapacidad de identificar patrones de demanda como estacionalidad o tendencia.
• Dependencia excesiva de las previsiones de clientes o de ventas.
• Falta de precisión o seguimiento del desempeño.

No importa qué tan bien configurado esté el MRP con sus listas de materiales de planificación cuidadosamente consideradas, un pronóstico deficiente significa una producción deficiente del MRP y desconfianza en el sistema: basura que entra, basura que sale. Siguiendo con el ejemplo de la “compañía de telefonía celular”, sin una forma sistemática de capturar patrones de demanda clave y/o conocimiento del dominio en el pronóstico, MRP nunca podrá verlo.

 

IP&O inteligente: una solución integral

Smart IP&O respalda la planificación en todos los niveles de su lista de materiales, aunque el “soplado” se maneja a través de MRP dentro de Epicor Kinetic. Este es el método que utilizamos para nuestros clientes de Epicor Kinetic, que es sencillo y efectivo:

• Planificador de la demanda: La plataforma contiene una aplicación de pronóstico especialmente diseñada llamada Smart Demand Planner que utilizará para pronosticar la demanda de sus productos manufacturados (generalmente productos terminados). Genera pronósticos estadísticos, permite a los planificadores realizar ajustes y/o incorporar otros pronósticos (como pronósticos de ventas o de clientes) y realiza un seguimiento de la precisión. El resultado de esto es un pronóstico que ingresa a la entrada de pronóstico dentro de Epicor Kinetic, donde MRP lo recogerá. Posteriormente, MRP utilizará la demanda en el nivel del producto terminado y también eliminará los requisitos de material a través de la lista de materiales, de modo que la demanda también se reconozca en niveles más bajos.
• Optimización del inventario: Puede utilizar simultáneamente la optimización inteligente de inventario para establecer niveles mínimos/máximos/de seguridad tanto para cualquier producto terminado que fabrique para almacenar (si corresponde; algunos de nuestros clientes operan exclusivamente bajo pedido según la demanda firme), así como para materias primas. materiales. La clave aquí es que a nivel de materia prima, Smart aprovechará la demanda de uso del trabajo, los tiempos de entrega de los proveedores, etc., para optimizar estos parámetros y al mismo tiempo utilizará los pedidos/envíos de ventas como demanda en el nivel del producto terminado. Smart maneja estas múltiples entradas de demanda de manera elegante a través de la integración bidireccional con Epicor Kinetic.

Cuando se ejecuta MRP, compara la oferta y la demanda (que, una vez más, incluye la demanda de materia prima extraída del pronóstico del producto terminado) con los niveles mínimo/máximo/de seguridad que ha establecido para sugerir PO y sugerencias de trabajo.

 

Amplíe Epicor Kinetic con Smart IP&O

Smart IP&O está diseñado para ampliar su sistema Epicor Kinetic con muchas soluciones integradas de planificación de la demanda y optimización de inventario. Por ejemplo, puede generar pronósticos estadísticos automáticamente para una gran cantidad de artículos, permite ajustes de pronóstico intuitivos, realiza un seguimiento de la precisión del pronóstico y, en última instancia, le permite generar verdaderos pronósticos basados en consenso para anticipar mejor las necesidades de sus clientes.

Gracias a las jerarquías de productos altamente flexibles, Smart IP&O se adapta perfectamente a la previsión en el nivel de planificación de la lista de materiales, por lo que puede capturar patrones clave e incorporar conocimiento empresarial en los niveles más importantes. Además, puede analizar e implementar niveles óptimos de existencias de seguridad en cualquier nivel de su lista de materiales.

Aprovechar las capacidades de planificación de BOM de Epicor Kinetic junto con las funciones avanzadas de optimización de inventario y pronóstico de Smart IP&O garantiza que pueda satisfacer la demanda de manera eficiente y precisa, independientemente de la complejidad de las configuraciones de su producto. Esta sinergia no sólo mejora la precisión de los pronósticos, sino que también fortalece la eficiencia operativa general, ayudándole a mantenerse a la vanguardia en un mercado competitivo.

 

 

Creemos que la vanguardia del análisis de la cadena de suministro es el desarrollo de gemelos digitales de sistemas de inventario. Estos gemelos toman la forma de modelos de eventos discretos que utilizan la simulación Monte Carlo para generar y optimizar toda la gama de riesgos operativos. También afirmamos que nosotros y nuestros colegas de Smart Software hemos desempeñado un papel enorme en la creación de esa vanguardia. Pero no estamos solos: hay un pequeño número de otras empresas de software en todo el mundo que se están poniendo al día.

Entonces, ¿qué sigue para el análisis de la cadena de suministro? ¿Dónde está la próxima frontera? Podría implicar algún tipo de modelo de red neuronal de un sistema de distribución. Pero daríamos mejores probabilidades a una extensión de nuestros modelos de vanguardia de sistemas de inventario de “escalón único” a sistemas de inventario de “escalones múltiples”.

Las Figuras 1 y 2 ilustran la distinción entre sistemas de escalón único y múltiple. La Figura 1 muestra un fabricante que depende de una Fuente para reponer su stock de repuestos o componentes. Cuando se avecina un desabastecimiento, el fabricante solicita reabastecimiento de existencias a la Fuente.

Figura 1: Un sistema de inventario de un solo escalón

 

Los modelos de escalón único no incluyen explícitamente detalles de la Fuente. Sigue siendo un misterio, un fantasma invisible cuya única característica relevante es el tiempo aleatorio que tarda en responder a una solicitud de reabastecimiento. Es importante destacar que se supone implícitamente que la Fuente nunca se agota. Esa suposición puede ser “suficientemente buena” para muchos propósitos, pero no puede ser literalmente cierta. Se maneja incorporando eventos de desabastecimiento de proveedores en la distribución del tiempo de entrega de reabastecimiento. Rechazar ese supuesto es la razón fundamental para el modelado multiescalón.

La Figura 2 muestra un sistema de inventario simple de dos escalones. Cambia los dominios de la fabricación a la distribución. Hay múltiples almacenes (WH) que dependen de un centro de distribución (DC) para el reabastecimiento. Ahora el DC es una parte explícita del modelo. Tiene una capacidad finita para procesar pedidos y requiere sus propios protocolos de reordenamiento. El DC se reabastece desde arriba en la cadena desde una Fuente. La Fuente podría ser el fabricante del artículo del inventario o quizás un “CD regional” o algo similar, pero ¿adivinen qué? – es otro fantasma. Al igual que en el modelo de un solo escalón, este fantasma tiene una característica visible: la distribución de probabilidad de su tiempo de reabastecimiento. (El chiste de un famoso chiste de física es "Pero señora, hay tortugas hasta abajo". En nuestro caso, "Son fantasmas hasta arriba").

Figura 2: Un sistema de inventario de dos niveles

 

El problema del diseño y optimización de procesos es mucho más difícil con dos niveles. La dificultad no es sólo la adición de dos parámetros de control más para cada WH (por ejemplo, un mínimo y un máximo para cada uno) más los mismos dos parámetros para el DC. Más bien, la parte más difícil es modelar la interacción entre los WH. En el modelo de un solo nivel, cada WH opera en su propio pequeño mundo y nunca escucha "Lo siento, estamos agotados" de la Fuente fantasmal. Pero en un sistema de dos niveles, hay múltiples WH que compiten por el reabastecimiento desde su DC compartido. Esta competencia crea la principal dificultad analítica: los WH no pueden modelarse de forma aislada sino que deben analizarse simultáneamente. Por ejemplo, si un DC da servicio a diez WH, hay 2+10×2 = 22 parámetros de control de inventario cuyos valores deben calcularse. En lenguaje nerd: no es trivial resolver un problema de optimización discreta restringido de 22 variables que tiene una función objetivo estocástica.

Si elegimos el diseño de sistema incorrecto, descubrimos un nuevo fenómeno inherente a los sistemas de múltiples niveles, que informalmente llamamos "fusión" o "catástrofe". En este fenómeno, el CD no puede satisfacer las demandas de reabastecimiento de los WH, por lo que eventualmente crea desabastecimientos a nivel de almacén. Luego, las solicitudes de reabastecimiento cada vez más frenéticas del WH agotan el inventario en el DC, que inicia sus propias solicitudes de reabastecimiento en pánico desde el DC regional. Si el CD regional tarda demasiado en reponer el CD, entonces todo el sistema se disuelve en una tragedia de desabastecimiento.

Una solución al problema de la fusión es sobrediseñar el CD para que casi nunca se agote, pero eso puede ser muy costoso, razón por la cual existe un CD regional en primer lugar. Por lo tanto, cualquier diseño de sistema asequible tiene un CC que sea lo suficientemente bueno como para durar mucho tiempo entre fusiones. Esta perspectiva implica un nuevo tipo de indicador clave de desempeño (KPI), como “La probabilidad de colapso dentro de X años es inferior al Y por ciento”.

La próxima frontera requerirá nuevos métodos y nuevas métricas, pero ofrecerá una nueva forma de diseñar y optimizar los sistemas de distribución. Nuestra fábrica de zorrillos ya está generando prototipos. Mira este espacio.