Algunas empresas invierten en software que les ayude a gestionar su inventario, ya sean repuestos o productos terminados. Pero un número sorprendente de personas juegan el juego de adivinar el inventario todos los días, confiando en un “tripa dorada” imaginario o en la simple suerte para establecer sus parámetros de control de inventario. Pero, ¿qué tipo de resultados espera con ese enfoque?

¿Qué tan bueno eres para intuir los valores correctos? Esta publicación de blog lo desafía a adivinar los mejores valores mínimos y máximos para un artículo de inventario hipotético. Le mostraremos su historial de demanda, le brindaremos algunos datos relevantes, luego podrá elegir los valores mínimos y máximos y ver qué tan bien funcionarían. ¿Listo?

El reto

La Figura 1 muestra el historial de demanda diaria del artículo. La demanda promedio es de 2 unidades por día. El plazo de reposición es de 10 días constantes (lo cual no es realista pero juega a su favor). Los pedidos que no se pueden completar inmediatamente desde el stock no se pueden retrasar y se pierden. Desea lograr al menos una tasa de cumplimiento de 80%, pero no a cualquier costo. También desea minimizar la cantidad promedio de unidades disponibles y al mismo tiempo lograr al menos una tasa de llenado de 80%. ¿Qué valores mínimos y máximos producirían una tasa de llenado del 80% con el número promedio más bajo de unidades disponibles? [Grabe sus respuestas para comprobarlas más tarde. La solución aparece a continuación, al final del artículo.]

Calcular los mejores valores mínimos y máximos

La forma de determinar los mejores valores es utilizar un gemelo digital, también conocido como simulación de Monte Carlo. El análisis crea una multitud de escenarios de demanda y los pasa a través de la lógica matemática del sistema de control de inventario para ver qué valores tomarán los indicadores clave de desempeño (KPI).

Construimos un gemelo digital para este problema y lo ejercitamos sistemáticamente con 1085 pares de valores mínimos y máximos. Para cada par, simulamos 365 días de funcionamiento un total de 100 veces. Luego promediamos los resultados para evaluar el desempeño del par Mínimo/Máximo en términos de dos KPI: tasa de cumplimiento e inventario disponible promedio.

La Figura 2 muestra los resultados. La compensación inherente entre el tamaño del inventario y la tasa de cumplimiento es clara en la figura: si desea una tasa de cumplimiento más alta, debe aceptar un inventario más grande. Sin embargo, en cada nivel de inventario hay un rango de tasas de llenado, por lo que el juego consiste en encontrar el par mínimo/máximo que produzca la tasa de llenado más alta para cualquier tamaño de inventario determinado.

Una forma diferente de interpretar la Figura 2 es centrarse en la línea verde discontinua que marca la tasa de llenado objetivo del 80%. Hay muchos pares Min/Max que pueden alcanzar cerca del objetivo 80%, pero difieren en el tamaño del inventario de aproximadamente 6 a aproximadamente 8 unidades. La Figura 3 amplía esa región de la Figura 2 para mostrar una gran cantidad de pares Mín/Máx que son competitivos.

Clasificamos los resultados de las 1.085 simulaciones para identificar lo que los economistas llaman la frontera eficiente. La frontera eficiente es el conjunto de pares mínimo/máximo más eficientes para explotar el equilibrio entre la tasa de llenado y las unidades disponibles. Es decir, es una lista de pares mínimo/máximo que proporciona la forma más económica de lograr cualquier tasa de llenado deseada, no solo 80%. La Figura 4 muestra la frontera eficiente para este problema. Moviéndose de izquierda a derecha, puede leer el precio más bajo que tendría que pagar (medido por el tamaño promedio del inventario) para lograr cualquier tasa de cumplimiento objetivo. Por ejemplo, para lograr una tasa de llenado del 90%, tendría que tener un inventario promedio de aproximadamente 10 unidades.

Las figuras 2, 3 y 4 muestran resultados para varios pares Mín/Máx, pero no muestran los valores de Mín y Máx detrás de cada punto. La Tabla 1 muestra todos los datos de la simulación: los valores mínimo, máximo, unidades promedio disponibles y tasa de llenado. La respuesta al juego de adivinanzas está resaltada en la primera línea de la tabla: Mín=7 y Máx=13¹. ¿Obtuviste la respuesta correcta o algo parecido?²? ¿Quizás llegaste a la frontera eficiente?

Conclusiones

Tal vez tuviste suerte, o tal vez tengas un intestino dorado, pero es más probable que no hayas obtenido la respuesta correcta, y es aún más probable que ni siquiera lo hayas intentado. Encontrar la respuesta correcta es extremadamente difícil sin utilizar el gemelo digital. Adivinar no es profesional.

Un paso adelante de las conjeturas es “adivinar y ver”, en el que implementas tu conjetura y luego esperas un tiempo (¿meses?) para ver si te gustan los resultados. Esa táctica es al menos “científica”, pero es ineficiente.

Ahora considere el esfuerzo de encontrar los mejores pares (Min, Max) para miles de artículos. A esa escala, hay aún menos justificación para jugar el Juego de Adivinar el Inventario. La respuesta correcta es jugarlo... Inteligente³.

¹ Esta respuesta tiene una ventaja, ya que logra una tasa de llenado un poco mayor que 80% con un tamaño de inventario promedio más bajo que la combinación Mín./Máx. que alcanzó exactamente 80%. En otras palabras, (7,13) está en la frontera eficiente.

² Debido a que estos resultados provienen de una simulación en lugar de una ecuación matemática exacta, existe un cierto margen de error asociado con cada tasa de llenado y nivel de inventario estimados. Sin embargo, debido a que los resultados promedio se basaron en 100 simulaciones cada 365 días, los márgenes de error son pequeños. En todos los experimentos, los errores estándar promedio en la tasa de llenado y el inventario medio fueron, respectivamente, sólo 0,009% y 0,129 unidades.

³ En caso de que no lo sepas, uno de los fundadores de Smart Software fue... Charlie Smart.

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

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.

¿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.