¿Está confundido acerca de qué es la IA y qué es el aprendizaje automático? ¿No está seguro de por qué saber más le ayudará con su trabajo de planificación de inventario? No te desesperes. Estarás bien y te mostraremos cómo algo de lo que sea puede ser útil.

¿Qué es y qué no es?

¿Qué es la IA y en qué se diferencia del ML? Bueno, ¿qué hace alguien hoy en día cuando quiere saber algo? Lo buscan en Google. Y cuando lo hacen, comienza la confusión.

Una fuente dice que la metodología de la red neuronal llamada aprendizaje profundo es un subconjunto del aprendizaje automático, que es un subconjunto de la IA. Pero otra fuente dice que el aprendizaje profundo ya es parte de la IA porque en cierto modo imita la forma en que funciona la mente humana, mientras que el aprendizaje automático no intenta hacer eso.

Una fuente dice que hay dos tipos de aprendizaje automático: supervisado y no supervisado. Otro dice que hay cuatro: supervisada, no supervisada, semisupervisada y de refuerzo.

Algunos dicen que el aprendizaje por refuerzo es aprendizaje automático; otros lo llaman IA.

Algunos de nosotros, los tradicionalistas, llamamos a muchas de ellas “estadísticas”, aunque no todas lo son.

Al nombrar los métodos, hay mucho espacio tanto para la emoción como para el arte de vender. Si un proveedor de software cree que usted quiere escuchar la frase "IA", es posible que la diga por usted sólo para hacerlo feliz.

Mejor centrarse en lo que sale al final.

Puede evitar algunas exageraciones confusas si se concentra en el resultado final que obtiene de alguna tecnología analítica, independientemente de su etiqueta. Hay varias tareas analíticas que son relevantes para los planificadores de inventario y los planificadores de demanda. Estos incluyen agrupamiento, detección de anomalías, detección de cambios de régimen y análisis de regresión. Los cuatro métodos suelen, aunque no siempre, clasificarse como métodos de aprendizaje automático. Pero sus algoritmos pueden surgir directamente de la estadística clásica.

Agrupación

Agrupar significa agrupar cosas que son similares y distanciarlas de cosas que son diferentes. A veces, agrupar es fácil: para separar geográficamente a sus clientes, simplemente ordénelos por estado o región de ventas. Cuando el problema no es tan obvio, puede utilizar datos y algoritmos de agrupamiento para realizar el trabajo automáticamente, incluso cuando se trata de conjuntos de datos masivos.

Por ejemplo, la Figura 1 ilustra un grupo de “perfiles de demanda”, que en este caso divide todos los artículos de un cliente en nueve grupos según la forma de sus curvas de demanda acumuladas. El grupo 1.1 en la parte superior izquierda contiene artículos cuya demanda se ha ido agotando, mientras que el grupo 3.1 en la parte inferior izquierda contiene artículos cuya demanda se ha acelerado. La agrupación también se puede realizar con proveedores. La elección del número de clústeres normalmente se deja a criterio del usuario, pero ML puede guiar esa elección. Por ejemplo, un usuario puede indicarle al software que "divida mis partes en 4 grupos", pero el uso de ML puede revelar que en realidad hay 6 grupos distintos que el usuario debe analizar. 

Figura 1: Agrupación de artículos según las formas de su demanda acumulada

Detección de anomalías

La previsión de la demanda se realiza tradicionalmente mediante la extrapolación de series temporales. Por ejemplo, el suavizado exponencial simple funciona para encontrar el “medio” de la distribución de la demanda en cualquier momento y proyectar ese nivel hacia adelante. Sin embargo, si ha habido un aumento o disminución repentino y único en la demanda en el pasado reciente, ese valor anómalo puede tener un efecto significativo pero no deseado en el pronóstico a corto plazo. Igual de grave para la planificación de inventarios, la anomalía puede tener un efecto enorme en la estimación de la variabilidad de la demanda, que va directamente al cálculo de los requisitos de existencias de seguridad.

Es posible que los planificadores prefieran encontrar y eliminar dichas anomalías (y tal vez hacer un seguimiento fuera de línea para descubrir el motivo de la rareza). Pero nadie que tenga un gran trabajo que hacer querrá escanear visualmente miles de gráficos de demanda para detectar valores atípicos, eliminarlos del historial de demanda y luego volver a calcular todo. La inteligencia humana podría hacer eso, pero la paciencia humana pronto fallaría. Los algoritmos de detección de anomalías podrían hacer el trabajo automáticamente utilizando métodos estadísticos relativamente sencillos. Podrías llamar a esto “inteligencia artificial” si lo deseas.

Detección de cambio de régimen

La detección de cambios de régimen es como el hermano mayor de la detección de anomalías. El cambio de régimen es un cambio sostenido, más que temporal, en uno o más aspectos del carácter de una serie temporal. Si bien la detección de anomalías suele centrarse en cambios repentinos de la demanda media, el cambio de régimen podría implicar cambios en otras características de la demanda, como su volatilidad o su forma distributiva.  

La Figura 2 ilustra un ejemplo extremo de cambio de régimen. La demanda de este artículo tocó fondo alrededor del día 120. Las políticas de control de inventario y los pronósticos de demanda basados en datos más antiguos estarían tremendamente fuera de lugar al final del historial de demanda.

Figura 2: Un ejemplo de cambio de régimen extremo en un artículo con demanda intermitente

También en este caso se pueden desarrollar algoritmos estadísticos para resolver este problema, y sería justo llamarlos “aprendizaje automático” o “inteligencia artificial” si así estuviera motivado. El uso de ML o AI para identificar cambios de régimen en el historial de la demanda permite que el software de planificación de la demanda utilice automáticamente solo el historial relevante al realizar pronósticos en lugar de tener que seleccionar manualmente la cantidad de historial para introducirlo en el modelo. 

Análisis de regresión

El análisis de regresión relaciona una variable con otra mediante una ecuación. Por ejemplo, las ventas de marcos de ventanas en un mes pueden predecirse a partir de los permisos de construcción expedidos unos meses antes. El análisis de regresión se ha considerado parte de la estadística durante más de un siglo, pero podemos decir que es "aprendizaje automático", ya que un algoritmo encuentra la manera precisa de convertir el conocimiento de una variable en una predicción del valor de otra.

Resumen

Es razonable estar interesado en lo que sucede en las áreas de aprendizaje automático e inteligencia artificial. Si bien la atención prestada a ChatGPT y sus competidores es interesante, no es relevante para el aspecto numérico de la planificación de la demanda o la gestión de inventario. Los aspectos numéricos del ML y la IA son potencialmente relevantes, pero hay que intentar ver a través de la nube de publicidad que rodea a estos métodos y centrarse en lo que pueden hacer. Si puede hacer el trabajo con métodos estadísticos clásicos, puede hacerlo y luego ejercer su opción de pegar la etiqueta ML a cualquier cosa que se mueva.

La previsión de las necesidades de inventario es una variante especializada de la previsión que se centra en el extremo superior del rango de posible demanda futura.

Para simplificar, considere el problema de pronosticar las necesidades de inventario para un solo período de anticipación, digamos un día antes. Por lo general, el trabajo de pronóstico consiste en estimar el nivel más probable o promedio de demanda del producto. Sin embargo, si el inventario disponible es igual a la demanda promedio, existe una probabilidad de aproximadamente 50% de que la demanda exceda el inventario y resulte en pérdida de ventas y/o pérdida de buena voluntad. Fijar el nivel de inventario en, digamos, diez veces la demanda promedio probablemente eliminará el problema de los desabastecimientos, pero con la misma seguridad resultará en costos de inventario inflados.

El truco de la optimización del inventario es encontrar un equilibrio satisfactorio entre tener suficiente inventario para satisfacer la mayor parte de la demanda sin comprometer demasiados recursos en el proceso. Por lo general, la solución es una combinación de criterio empresarial y estadísticas. La parte crítica es definir un nivel de servicio de inventario aceptable, como satisfacer 95% de demanda inmediatamente desde el stock. La parte estadística es estimar el percentil 95 de la demanda.

Cuando no se trata de demanda intermitente, a menudo se puede estimar el nivel de inventario requerido asumiendo una curva de demanda en forma de campana (normal), estimando tanto el centro como el ancho de la curva de campana y luego usando una fórmula estadística estándar para estimar el percentil deseado. La diferencia entre el nivel de inventario deseado y el nivel promedio de demanda se denomina "existencia de seguridad" porque protege contra la posibilidad de desabastecimiento.

Cuando se trata de demanda intermitente, la curva en forma de campana es una aproximación muy pobre a la distribución estadística de la demanda. En este caso especial, Smart aprovecha la tecnología patentada para la demanda intermitente que está diseñada para pronosticar con precisión los rangos y producir una mejor estimación del stock de seguridad necesario para lograr el nivel de servicio de inventario requerido.

Belmont, MA, June 2023 – Smart Software, Inc., provider of industry-leading demand forecasting, planning, and inventory optimization solutions, today announced the award of US Patent 11,656,887, “SYSTEM AND METHOD TO SIMULATE DEMAND AND OPTIMIZE CONTROL PARAMETERS FOR A TECHNOLOGY PLATFORM.”

La patente dirige “soluciones técnicas para analizar datos históricos de demanda de recursos en una plataforma tecnológica para facilitar la gestión de un proceso automatizado en la plataforma”. Una aplicación importante es la optimización de los inventarios de piezas.

Aspects of the invention include: an advanced bootstrap process that converts a single observed time series of item demand into an unlimited number of realistic demand scenarios; a performance prediction process that executes Monte Carlo simulations of a proposed inventory control policy to assess its performance; and a performance improvement process that uses the performance prediction process to automatically explore the space of alternative system designs to identify optimal control parameter values, selecting ones that minimize operating cost while guaranteeing a target level of item availability.

The new analytic technology described in the patent will form the basis for the upcoming release of the next generation (“Gen2”) of Planificador de demanda inteligente™ y Smart IP&O™. Current customers and resellers can preview Gen2 by contacting their Smart Software sales representative.

Research underlying the patent was self-funded by Smart, supplemented by competitive Small Business Innovation Research grants from the US National Science Foundation.

Acerca de Smart Software, Inc.
Founded in 1981, Smart Software, Inc. is a leader in providing businesses with enterprise-wide demand forecasting, planning, and inventory optimization solutions.  Smart Software’s demand forecasting and inventory optimization solutions have helped thousands of users worldwide, including customers such as Disney, Otis Elevator, Hitachi, Arizona Public Service, Ameren, and The American Red Cross.  Smart’s Inventory Planning & Optimization Platform, Smart IP&O gives demand planners the tools to handle sales seasonality, promotions, new and aging products, multi-dimensional hierarchies, and intermittently demanded service parts and capital goods items.  It also provides inventory managers with accurate estimates of the optimal inventory and safety stock required to meet future orders and achieve desired service levels.  Smart Software is headquartered in Belmont, Massachusetts, and our website is www.smartcorp.com.

Descubra cómo se utilizan los pronósticos con estas 4 preguntas.

A menudo, las empresas insisten en que "no usan pronósticos" para planificar el inventario. A menudo usan métodos de punto de pedido y tienen dificultades para mejorar la entrega a tiempo, la rotación de inventario y otros KPI. Si bien no piensan en lo que están haciendo como un pronóstico explícito, ciertamente usan estimaciones de la demanda futura para desarrollar puntos de reorden como mínimo/máximo.

Independientemente de cómo se llame, todo el mundo trata de estimar la demanda futura de alguna manera y utiliza esta estimación para establecer políticas de almacenamiento e impulsar pedidos. Para mejorar la planificación del inventario y asegurarse de no realizar pedidos excesivos o insuficientes y crear grandes desabastecimientos e hinchazón del inventario, es importante comprender exactamente cómo utiliza su organización las previsiones. Una vez que comprenda esto, puede evaluar si se puede mejorar la calidad de los pronósticos.

Intente obtener respuestas a las siguientes preguntas. Revelará cómo se utilizan las previsiones en su empresa, incluso si cree que no utiliza previsiones.

1. ¿Es su pronóstico una estimación período por período a lo largo del tiempo que se usa para predecir qué inventario disponible habrá en el futuro y desencadena sugerencias de pedidos en su sistema ERP?

2. ¿O se usa su pronóstico para derivar un punto de reorden pero no se usa explícitamente como un controlador por período para generar órdenes? Aquí, puedo predecir que venderemos 10 por semana según el historial, pero no estamos cargando 10, 10, 10, 10, etc., en el ERP. En su lugar, derivo un punto de reorden o Mín. que cubre el tiempo de entrega de dos períodos + cierta cantidad de reserva para ayudar a proteger contra el agotamiento de existencias. En este caso, pediré más cuando llegue a 25.

3. ¿Su pronóstico se usa como una guía para que el planificador ayude a determinar subjetivamente cuándo debe ordenar más? Aquí, predigo 10 por semana y evalúo el inventario disponible periódicamente, reviso el tiempo de entrega esperado y decido, dadas las 40 unidades que tengo disponibles hoy, que tengo "suficiente". Por lo tanto, no hago nada ahora, pero volveré a consultar en una semana.

4. ¿Se utiliza para configurar pedidos abiertos con proveedores? Aquí, predigo 10 por semana y acepto una orden de compra general con el proveedor de 520 por año. Luego, los pedidos se hacen con anticipación para que lleguen en cantidades de 10 una vez por semana hasta que se consuma el pedido general.

Una vez que obtenga las respuestas, puede preguntar cómo se crean las estimaciones de la demanda. ¿Es un promedio? ¿Está derivando la demanda sobre el tiempo de entrega a partir de un pronóstico de ventas? ¿Hay un pronóstico estadístico generado en alguna parte? ¿Qué métodos se consideran? También será importante evaluar cómo se utilizan las existencias de seguridad para protegerse contra la variabilidad de la oferta y la demanda. Más sobre todo esto en un próximo artículo.

​If you had your head up lately, you may have noticed some additional madness off the basketball court: The failure of Silicon Valley Bank. Those of us in the supply chain world may have dismissed the bank failure as somebody else’s problem, but that sorry episode holds a big lesson for us, too: The importance of stress testing done right.

Él El Correo de Washington Recientemente se publicó un artículo de opinión de Natasha Sarin llamado “Los reguladores se perdieron los problemas de Silicon Valley Bank durante meses. Este es el por qué." Sarin describió las fallas en el régimen de pruebas de estrés impuesto al banco por la Reserva Federal. Un problema es que las pruebas de estrés son demasiado estáticas. El factor de estrés de la Fed para el crecimiento del PIB nominal fue un escenario único que enumeraba valores supuestos durante los próximos 13 trimestres (ver Figura 1). Esas 13 proyecciones trimestrales pueden ser la opinión consensuada de alguien sobre cómo se vería un mal día para el cabello, pero esa no es la única forma en que podrían desarrollarse las cosas. Como sociedad, se nos enseña a apreciar una mejor manera de mostrar las contingencias cada vez que el Servicio Meteorológico Nacional nos muestra las trayectorias proyectadas de los huracanes (consulte la Figura 2). Cada escenario representado por una línea de color diferente muestra una posible trayectoria de tormenta, y las líneas concentradas representan la más probable. Al exponer las rutas de menor probabilidad, se mejora la planificación de riesgos.

Al realizar pruebas de estrés en la cadena de suministro, necesitamos escenarios realistas de posibles demandas futuras que podrían ocurrir, incluso demandas extremas. Smart proporciona esto en nuestro software (con mejoras considerables en nuestros métodos Gen2). El software genera una gran cantidad de escenarios de demanda creíbles, suficientes para exponer el alcance completo de los riesgos (consulte la Figura 3). Las pruebas de estrés tienen que ver con la generación de cantidades masivas de escenarios de planificación, y los métodos probabilísticos de Smart son una desviación radical de las aplicaciones S&OP deterministas anteriores, ya que se basan completamente en escenarios.

La otra falla en las pruebas de estrés de la Fed fue que fueron diseñadas con meses de anticipación pero nunca actualizadas para las condiciones cambiantes. Los planificadores de la demanda y los gerentes de inventario aprecian intuitivamente que las variables clave como la demanda de artículos y el tiempo de entrega del proveedor no solo son muy aleatorias, incluso cuando las cosas son estables, sino que también están sujetas a cambios abruptos que deberían requerir una reescritura rápida de los escenarios de planificación (consulte la Figura 4, donde la demanda promedio salta dramáticamente entre las observaciones 19 y 20). Los productos Gen2 de Smart incluyen nueva tecnología para detectar tales "cambios de régimen” y cambiando automáticamente los escenarios en consecuencia.

Los bancos se ven obligados a someterse a pruebas de estrés, por muy defectuosas que sean, para proteger a sus depositantes. Los profesionales de la cadena de suministro ahora tienen una manera de proteger sus cadenas de suministro mediante el uso de un software moderno para realizar pruebas de estrés de sus planes de demanda y decisiones de gestión de inventario.

Figura 1: Escenarios utilizados por la Fed para hacer pruebas de estrés a los bancos.

Figura 2: Escenarios utilizados por el Servicio Meteorológico Nacional para predecir las trayectorias de los huracanes

Figura 3: Escenarios de demanda del tipo generado por Smart Demand Planner

Figura 4: Ejemplo de cambio de régimen en la demanda del producto después de la observación #19