Acto de equilibrio

La gestión del inventario, como la gestión de cualquier cosa, implica equilibrar prioridades en competencia. ¿Quieres un inventario ajustado? ¡Sí! ¿Quiere poder decir "Está en stock" cuando un cliente quiere comprar algo? ¡Sí!

¿Pero puedes tener ambas cosas? Sólo hasta cierto punto. Si se inclina por inclinar su inventario de manera demasiado agresiva, corre el riesgo de quedarse sin existencias. Si eliminas los desabastecimientos, creas un exceso de inventario. Se ve obligado a encontrar un equilibrio satisfactorio entre los dos objetivos en competencia: un inventario reducido y una alta disponibilidad de artículos.

Lograr un equilibrio

¿Cómo se logra ese equilibrio? Demasiados planificadores de inventarios “intuyen” el camino hacia algún tipo de respuesta. O encuentran una respuesta inteligente una vez y esperan que tenga una fecha de caducidad lejana y sigan usándola mientras se concentran en otros problemas. Desafortunadamente, los cambios en la demanda y/o los cambios en el desempeño de los proveedores y/o los cambios en las prioridades de su propia empresa dejarán obsoletos los viejos planes de inventario y lo devolverán al punto de partida.

Es inevitable que todo plan tenga una vida útil y deba actualizarse. Sin embargo, definitivamente no es una buena práctica reemplazar una suposición por otra. En cambio, cada ciclo de planificación debería aprovechar el software moderno de la cadena de suministro para reemplazar las conjeturas con análisis basados en hechos utilizando matemáticas de probabilidad.

Conocete a ti mismo

Lo único que el software no puede hacer es calcular la mejor respuesta sin conocer sus prioridades. ¿Cuánto prioriza el inventario eficiente sobre la disponibilidad de artículos? El software predecirá los niveles de inventario y disponibilidad causados por cualquier decisión que tome sobre cómo administrar cada artículo en su inventario, pero solo usted puede decidir si un conjunto determinado de indicadores clave de desempeño es consistente con lo que desea.

Saber lo que quieres en un sentido general es fácil: lo quieres todo. Pero saber qué prefiere al comparar escenarios específicos es más difícil. Es útil poder ver una variedad de posibilidades realizables y reflexionar sobre cuál parece mejor cuando se presentan una al lado de la otra.

Ver lo que sigue

El software de cadena de suministro puede brindarle una visión de la curva de compensación. En general, usted sabe que el inventario reducido y la alta disponibilidad de artículos se compensan entre sí, pero ver las curvas de compensación de artículos específicos agudiza su atención.

¿Por qué hay una curva? Porque tienes opciones sobre cómo gestionar cada elemento. Por ejemplo, si verifica el estado del inventario continuamente, ¿qué valores asignará a los Mínimo y máximo valores que rigen cuándo pedir reabastecimientos y cuánto pedir. La curva de compensación surge porque elegir diferentes valores mínimos y máximos conduce a diferentes niveles de inventario disponible y diferentes niveles de disponibilidad de artículos, por ejemplo, medidos por tasa de relleno.

Un escenario para el análisis

Para ilustrar estas ideas, utilicé un gemelo digital  para estimar cómo se comportarían varios valores de Min y Max en un escenario particular. El escenario se centró en una pieza de repuesto teórica con una demanda puramente aleatoria que tenía un nivel moderadamente alto de intermitencia (37% de días con demanda cero). Los plazos de reposición fueron de entre 7 y 14 días. Los valores Min y Max fueron variados sistemáticamente: Min de 20 a 40 unidades, Max de Min+1 unidades a 2xMin unidades. Cada par (Min,Max) se simuló durante 365 días de operación un total de 1000 veces, luego los resultados se promediaron para estimar tanto el número promedio de unidades disponibles como la tasa de cumplimiento, es decir, el porcentaje de demandas diarias que se cumplieron inmediatamente desde existencias. Si no había stock disponible, se encontraba pendiente de entrega.

Resultados

El experimento produjo dos tipos de resultados:

• Gráficos que muestran la relación entre los valores mínimos y máximos y dos indicadores clave de rendimiento: tasa de cumplimiento y unidades promedio disponibles.
• Una curva de compensación que muestra cómo la tasa de cumplimiento y las unidades disponibles se compensan entre sí.

La Figura 1 muestra el inventario disponible en función de los valores de Min y Max. El experimento arrojó niveles manuales que oscilaban entre cerca de 0 y aproximadamente 40 unidades. En general, mantener Min constante y aumentar Max da como resultado más unidades disponibles. La relación con Min es más compleja: mantener Max constante y aumentar Min primero aumenta el inventario, pero en algún momento lo reduce.

La Figura 2 muestra la tasa de llenado en función de los valores de Min y Max. El experimento arrojó niveles de tasa de llenado que van desde cerca de 0% hasta 100%. En general, las relaciones funcionales entre la tasa de llenado y los valores de Min y Max reflejaron las de la Figura 1.

La Figura 3 destaca el punto clave, mostrando cómo variar Min y Max produce un emparejamiento perverso de los indicadores clave de desempeño. En términos generales, los valores de Min y Max que maximizan la disponibilidad del artículo (tasa de cumplimiento) son los mismos valores que maximizan el costo del inventario (unidades promedio disponibles). Este patrón general está representado por la curva azul. Los experimentos también produjeron algunas ramificaciones de la curva azul que están asociadas con malas elecciones de Min y Max, en el sentido de que otras opciones las dominan al producir la misma tasa de cumplimiento con un inventario más bajo.

Conclusiones

La Figura 3 deja en claro que su elección de cómo administrar un artículo del inventario lo obliga a equilibrar el costo del inventario y la disponibilidad del artículo. Puede evitar algunas combinaciones ineficientes de valores mínimos y máximos, pero no puede escapar de la compensación.

El lado bueno de esta realidad es que no tienes que adivinar qué sucederá si cambias tus valores actuales de Min y Max por otros. El software le dirá cuánto le permitirá comprar esa mudanza y cuánto le costará. Puedes quitarte el sombrero de Guestimator y hacer lo tuyo con confianza.

Figura 1 Inventario disponible en función de los valores mínimos y máximos

Figura 2 Tasa de llenado en función de los valores mínimo y máximo

Figura 3 Curva de compensación entre tasa de cumplimiento e inventario disponible

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.