Las organizaciones MRO existen en una amplia gama de industrias, incluido el transporte público, los servicios eléctricos, las aguas residuales, la energía hidroeléctrica, la aviación y la minería. Para realizar su trabajo, los profesionales de MRO utilizan sistemas de gestión de activos empresariales (EAM) y planificación de recursos empresariales (ERP). Estos sistemas están diseñados para realizar muchos trabajos. Dadas sus características, costo y amplios requisitos de implementación, se supone que los sistemas EAM y ERP pueden hacerlo todo.

Por ejemplo, en un evento reciente del Grupo de Trabajo de Maximo Utilities, varios prospectos declararon que "Nuestro EAM hará eso" cuando se les preguntó sobre los requisitos para pronosticar el uso, compensar los planes de suministro y optimizar las políticas de inventario. Se sorprendieron al saber que no era así y quisieron saber más.

En esta publicación, resumimos la necesidad de un software complementario que aborde análisis especializados para la optimización del inventario, la previsión y la planificación de piezas de servicio.   

Sistemas EAM

Los sistemas EAM no pueden asimilar pronósticos de uso futuro; estos sistemas simplemente no están diseñados para llevar a cabo la planificación del suministro y muchos ni siquiera tienen un lugar para guardar pronósticos. Entonces, cuando una empresa de MRO necesita compensar los requisitos conocidos para proyectos de capital o producción planificados, una aplicación complementaria como IP&O inteligente es necesario.

El software de optimización de inventario con funciones que respaldan la planificación de la demanda futura conocida tomará datos basados en proyectos que no se mantienen en el sistema EAM (incluidas las fechas de inicio del proyecto, la duración y cuándo se espera que se necesite cada parte) y calculará un pronóstico período por período. en cualquier horizonte de planificación. Ese pronóstico "planificado" se puede proyectar junto con pronósticos estadísticos de la demanda "no planificada" que surge del desgaste normal. En ese punto, el software de planificación de piezas puede determinar la oferta e identificar las brechas entre la oferta y la demanda. Esto garantiza que estas lagunas no pasen desapercibidas y provoquen una escasez que, de otro modo, retrasaría la finalización de los proyectos. También minimiza el exceso de stock que, de otro modo, se pediría demasiado pronto y consume innecesariamente efectivo y espacio de almacén. Una vez más, las empresas de MRO a veces asumen erróneamente que estas capacidades se abordan en su paquete EAM.

Sistemas ERP

Los sistemas ERP, por otro lado, normalmente incluyen un módulo MRP que está diseñado para procesar un pronóstico y calcular los requisitos de materiales. El procesamiento considerará el inventario disponible actual, las órdenes de venta abiertas, los trabajos programados, las órdenes de compra entrantes, cualquier lista de materiales y artículos en tránsito durante la transferencia entre sitios. Comparará esos valores del estado actual con los campos de la política de reabastecimiento más cualquier pronóstico mensual o semanal para determinar cuándo sugerir el reabastecimiento (una fecha) y cuánto reabastecer (una cantidad).

Entonces, ¿por qué no utilizar únicamente el sistema ERP para compensar el plan de suministro y evitar la escasez y el exceso? En primer lugar, si bien los sistemas ERP tienen un espacio reservado para un pronóstico y algunos sistemas pueden calcular el suministro utilizando sus módulos MRP, no facilitan la conciliación de los requisitos de demanda planificados asociados con los proyectos de capital. La mayoría de las veces, los datos sobre cuándo se llevarán a cabo los proyectos planificados se mantienen fuera del ERP, especialmente la lista de materiales del proyecto que detalla qué piezas se necesitarán para respaldar el proyecto. En segundo lugar, muchos sistemas ERP no ofrecen nada efectivo cuando se trata de capacidades predictivas, sino que se basan en matemáticas simples que simplemente no funcionan para piezas de repuesto debido a la alta prevalencia de la demanda intermitente. Finalmente, los sistemas ERP no tienen interfaces flexibles y fáciles de usar que permitan interactuar con las previsiones y el plan de suministro.

Lógica de puntos de reordenamiento

Tanto ERP como EAM tienen marcadores de posición para métodos de reabastecimiento de puntos de reorden, como niveles mínimos y máximos. Puede utilizar software de optimización de inventario para completar estos campos con las políticas de puntos de reorden ajustadas al riesgo. Luego, dentro de los sistemas ERP o EAM, los pedidos se activan cada vez que la demanda real (no prevista) hace que el stock disponible esté por debajo del mínimo. Este tipo de política no utiliza un pronóstico tradicional que proyecta la demanda semana tras semana o mes tras mes y a menudo se lo conoce como “reabastecimiento impulsado por la demanda” (ya que los pedidos solo ocurren cuando la demanda real hace que el stock esté por debajo de un nivel definido por el usuario). límite).

Pero el hecho de que no utilice un pronóstico período tras período no significa que no sea predictivo. Las políticas de puntos de reorden deben basarse en una predicción de la demanda durante un tiempo de reabastecimiento más un margen para proteger contra la variabilidad de la demanda y la oferta. Las empresas de MRO necesitan conocer el riesgo de desabastecimiento en el que incurren con cualquier política de abastecimiento determinada. Después de todo, la gestión de inventario es gestión de riesgos, especialmente en las empresas de MRO, cuando el costo del desabastecimiento es tan alto. Sin embargo, ERP y EAM no ofrecen ninguna capacidad para ajustar las políticas de almacenamiento en función del riesgo. Obligan a los usuarios a generar manualmente estas políticas de forma externa o a utilizar reglas básicas que no detallan los riesgos asociados con la elección de la política.

Resumen

La funcionalidad de planificación de la cadena de suministro, como la optimización del inventario, no es el objetivo principal de EAM y ERP. Debería aprovechar las plataformas de planificación complementarias, como Smart IP&O, que admiten pronósticos estadísticos, gestión de proyectos planificados y optimización de inventario. Smart IP&O desarrollará pronósticos y políticas de almacenamiento que pueden ingresarse en un sistema EAM o ERP para impulsar los pedidos diarios.

Verdadero o falso: El pronóstico no importa para la gestión del inventario de repuestos.

A primera vista, esta afirmación parece evidentemente falsa. Después de todo, las previsiones son cruciales para planificar los niveles de existencias, ¿verdad?

Depende de lo que entiendas por “previsión”. Si te refieres a un pronóstico de un solo número de la vieja escuela (“la demanda del artículo CX218b será de 3 unidades la próxima semana y de 6 unidades la semana siguiente”), entonces no. Si se amplía el significado de pronóstico para incluir una distribución de probabilidad que tenga en cuenta las incertidumbres tanto de la demanda como de la oferta, entonces sí.

La realidad clave es que muchos artículos, especialmente repuestos y repuestos, tienen una demanda impredecible e intermitente. (Los plazos de entrega de los proveedores también pueden ser erráticos, especialmente cuando las piezas provienen de un OEM atrasado). Hemos observado que, si bien los fabricantes y distribuidores generalmente experimentan una demanda intermitente de solo 20% o más de sus artículos, el porcentaje aumenta a 80%+ para las empresas basadas en MRO. Esto significa que los datos históricos a menudo muestran períodos de demanda cero intercalados con períodos aleatorios de demanda distinta de cero. A veces, estas demandas distintas de cero son tan bajas como 1 o 2 unidades, mientras que en otras ocasiones aumentan inesperadamente a cantidades varias veces mayores que su promedio.

Este no es el tipo de datos que normalmente enfrentan sus pares “planificadores de la demanda” en el comercio minorista, productos de consumo y alimentos y bebidas. Esas personas suelen trabajar con cantidades mayores que tienen proporcionalmente menos aleatoriedad. Y pueden navegar por características que mejoran las predicciones, como tendencias y patrones estacionales estables. En cambio, el uso de repuestos es mucho más aleatorio, lo que supone un obstáculo para el proceso de planificación, incluso en la minoría de casos en los que hay variaciones estacionales detectables.

En el ámbito de la demanda intermitente, el mejor pronóstico disponible se desviará significativamente de la demanda real. A diferencia de los productos de consumo con volumen y frecuencia de medianos a altos, el pronóstico de una pieza de servicio puede fallar por cientos de puntos porcentuales. Un pronóstico de una o dos unidades, en promedio, siempre fallará cuando la demanda real sea cero. Incluso con inteligencia empresarial avanzada o algoritmos de aprendizaje automático, el error al pronosticar las demandas distintas de cero seguirá siendo sustancial.

Quizás debido a la dificultad de hacer pronósticos estadísticos en el ámbito del inventario, la planificación del inventario en la práctica a menudo se basa en la intuición y el conocimiento del planificador. Desafortunadamente, este enfoque no abarca decenas de miles de piezas. La intuición simplemente no puede hacer frente a toda la gama de posibilidades de demanda y plazos de entrega, y mucho menos estimar con precisión la probabilidad de cada escenario posible. Incluso si su empresa tiene uno o dos pronosticadores intuitivos excepcionales, las jubilaciones de personal y las reorganizaciones de la línea de productos significan que no se puede confiar en los pronósticos intuitivos en el futuro.

La solución radica en cambiar el enfoque de los pronósticos tradicionales a predecir probabilidades para cada escenario de demanda potencial y plazo de entrega. Este cambio transforma la conversación de un “plan de un solo número” poco realista a un rango de números con probabilidades asociadas. Al predecir las probabilidades de cada demanda y posibilidad de plazo de entrega, puede alinear mejor los niveles de existencias con la tolerancia al riesgo de cada grupo de piezas.

El software que genera escenarios de demanda y plazos de entrega, repitiendo este proceso decenas de miles de veces, puede simular con precisión cómo se comportarán las políticas de almacenamiento actuales frente a estas políticas. Si el rendimiento en la simulación no es suficiente y se prevé que se agote con más frecuencia de la que se siente cómodo o que le quede un exceso de inventario, la realización de escenarios hipotéticos permite realizar ajustes en las políticas. Luego puede predecir cómo se comportarán estas políticas revisadas frente a demandas aleatorias y plazos de entrega. Puede llevar a cabo este proceso de forma iterativa y perfeccionarlo con cada nuevo escenario hipotético o apoyarse en políticas prescritas por el sistema que logren un equilibrio óptimo entre riesgo y costos.

Por lo tanto, si está planificando inventarios de servicios y repuestos, deje de preocuparse por predecir la demanda como lo hacen los planificadores de demanda tradicionales del comercio minorista y de CPG. En cambio, concéntrese en cómo sus políticas de almacenamiento resistirán la aleatoriedad del futuro, ajustándolas en función de su tolerancia al riesgo. Para hacer esto, necesitará el conjunto adecuado de software de soporte a la toma de decisiones, y así es como Smart Software puede ayudar.

¿Las empresas de MRO realmente priorizan la reducción del exceso de inventario de repuestos? Desde un punto de vista organizativo, nuestra experiencia sugiere que no necesariamente. Las discusiones en las salas de juntas generalmente giran en torno a la expansión de flotas, la adquisición de nuevos clientes, el cumplimiento de acuerdos de nivel de servicio (SLA), la modernización de la infraestructura y la maximización del tiempo de actividad. En industrias donde los activos respaldados por repuestos cuestan cientos de millones o generan ingresos significativos (por ejemplo, minería o petróleo y gas), el valor del inventario simplemente no sorprende y las organizaciones tienden a pasar por alto cantidades masivas de inventario excesivo.

Considere una agencia de transporte público. En la mayoría de las ciudades importantes, los presupuestos operativos anuales superarán los $3 mil millones. Los gastos de capital para trenes, vagones de metro e infraestructura pueden alcanzar cientos de millones al año. En consecuencia, un inventario de repuestos valorado en $150 millones podría no captar la atención del director financiero o del director general, ya que representa un pequeño porcentaje del balance. Además, en las industrias basadas en MRO, muchas piezas necesitan soportar flotas de equipos durante una década o más, lo que hace que el stock adicional sea un activo necesario. En algunos sectores, como el de los servicios públicos, incluso se puede incentivar la tenencia de existencias adicionales para garantizar que los equipos se mantengan en buen estado.

Hemos visto surgir preocupaciones sobre el exceso de existencias cuando el espacio del almacén es limitado. Recuerdo que, al principio de mi carrera, fui testigo del patio ferroviario de una agencia de transporte público lleno de ejes oxidados valorados en más de $100.000 cada uno. Me dijeron que los ejes se vieron obligados a quedar expuestos a los elementos debido a la falta de espacio en el almacén. El costo de oportunidad asociado con el espacio consumido por el stock adicional se convierte en una consideración cuando se agota la capacidad del almacén. La consideración principal que prevalece sobre todas las demás decisiones es cómo el stock garantiza altos niveles de servicio para los clientes internos y externos. Los planificadores de inventarios se preocupan mucho más por las consecuencias de los desabastecimientos que por las compras excesivas. Cuando una pieza faltante provoca un incumplimiento del SLA o una línea de producción caída, lo que genera multas millonarias y una producción irrecuperable, es comprensible.

A las empresas con uso intensivo de activos se les escapa un punto importante. Eso es el El stock adicional no protege contra el desabastecimiento; les contribuye. Cuanto más exceso tenga, menor será su nivel general de servicio porque el efectivo necesario para comprar piezas es finito y el efectivo gastado en exceso de existencias significa que no hay efectivo disponible para las piezas que lo necesitan.. Incluso las empresas MRO financiadas con fondos públicos, como las agencias de servicios públicos y de tránsito, reconocen la necesidad de optimizar el gasto, ahora más que nunca. Como compartió un gerente de materiales: “Ya no podemos solucionar los problemas con bolsas de dinero en efectivo de Washington”. Por lo tanto, deben hacer más con menos, asegurando una asignación óptima entre las decenas de miles de piezas que gestionan.

Aquí es donde entra en juego el software de optimización de inventario de última generación, que predice el inventario requerido para niveles de servicio específicos, identifica cuándo los niveles de existencias generan retornos negativos y recomienda reasignaciones para mejorar los niveles de servicio generales. Smart Software ha ayudado a las empresas basadas en MRO con uso intensivo de activos a optimizar los niveles de reorden en cada pieza durante décadas. Llámenos para obtener más información. 

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.

¿En qué se diferencia la planificación de inventario para mantenimiento, reparación y operaciones (MRO) en comparación con la planificación de inventario en entornos de fabricación y distribución? En resumen, es la naturaleza de los patrones de demanda combinada con la falta de conocimiento empresarial procesable.

Patrones de demanda

Los fabricantes y distribuidores tienden a centrarse en los mejores vendedores que generan la mayor parte de sus ingresos. Estos artículos suelen tener una demanda alta que es relativamente fácil de pronosticar con modelos tradicionales de series de tiempo que aprovechan tendencias y/o estacionales predecibles. Por el contrario, los planificadores de MRO casi siempre se ocupan de una demanda intermitente, que es más escasa, más aleatoria y más difícil de pronosticar. Además, las cantidades fundamentales de interés son diferentes. En última instancia, a los planificadores de MRO les importa más la pregunta “cuándo”: ¿Cuándo se romperá algo? Mientras que los demás se centran en la cuestión de “cuántas” unidades vendidas.

Conocimiento del negocio

Los planificadores de fabricación y distribución a menudo pueden contar con la recopilación de comentarios de los clientes y de ventas, que pueden combinarse con métodos estadísticos para mejorar la precisión de los pronósticos. Por otro lado, los rodamientos, engranajes, consumibles y piezas reparables rara vez están dispuestos a compartir sus opiniones. Con MRO, el conocimiento empresarial sobre qué piezas se necesitarán y cuándo simplemente no es confiable (excepto el mantenimiento planificado cuando se reemplazan piezas consumibles de mayor volumen). Por lo tanto, el éxito de la planificación de inventarios MRO llega sólo hasta donde los lleve la capacidad de sus modelos de probabilidad para predecir el uso futuro. Y como la demanda es tan intermitente, no pueden superar Go con los enfoques tradicionales.

Métodos para MRO

En la práctica, es común que las empresas de MRO y con uso intensivo de activos administren inventarios recurriendo a niveles mínimos y máximos estáticos basados en múltiplos subjetivos del uso promedio, complementados con anulaciones manuales ocasionales basadas en intuiciones. El proceso se convierte en una mala mezcla de estático y reactivo, con el resultado de que se pierde mucho tiempo y dinero en acelerarlo.

Existen métodos de planificación alternativos basados más en matemáticas y datos, aunque este estilo de planificación es menos común en MRO que en otros dominios. Hay dos enfoques principales para modelar averías de piezas y máquinas: modelos basados en la teoría de la confiabilidad y modelos de “mantenimiento basado en la condición” basados en monitoreo en tiempo real.

Modelos de confiabilidad

Los modelos de confiabilidad son los más simples de los dos y requieren menos datos. Suponen que todos los artículos del mismo tipo, digamos una determinada pieza de repuesto, son estadísticamente equivalentes. Su componente clave es una "función de riesgo", que describe el riesgo de fallo en el siguiente breve intervalo de tiempo. La función de riesgo se puede traducir en algo más adecuado para la toma de decisiones: la “función de supervivencia”, que es la probabilidad de que el artículo siga funcionando después de X cantidad de uso (donde X podría expresarse en días, meses, millas, usos, etc.). La Figura 1 muestra una función de riesgo constante y su correspondiente función de supervivencia.

Figura 1: Función de riesgo constante y su función de supervivencia

Una función de riesgo que no cambia implica que sólo los accidentes aleatorios provocarán una falla. Por el contrario, una función de riesgo que aumenta con el tiempo implica que el artículo se está desgastando. Y una función de riesgo decreciente implica que un elemento se está asentando. La Figura 2 muestra una función de riesgo creciente y su correspondiente función de supervivencia.

Figura 2: Función de riesgo creciente y su función de supervivencia

Los modelos de confiabilidad se utilizan a menudo para piezas económicas, como sujetadores mecánicos, cuyo reemplazo puede no ser ni difícil ni costoso (pero aún así puede ser esencial).

Mantenimiento bajo condiciones

Los modelos basados en monitoreo en tiempo real se utilizan para respaldar el mantenimiento basado en la condición (CBM) de artículos costosos como los motores a reacción. Estos modelos utilizan datos de sensores integrados en los propios elementos. Estos datos suelen ser complejos y propietarios, al igual que los modelos de probabilidad respaldados por los datos. La ventaja del monitoreo en tiempo real es que se pueden ver los problemas que se avecinan, es decir, el deterioro se hace visible y los pronósticos pueden predecir cuándo el elemento alcanzará su línea roja y, por lo tanto, deberá retirarse del campo de juego. Esto permite un mantenimiento o reemplazo individualizado y proactivo del artículo.

La Figura 3 ilustra el tipo de datos utilizados en CBM. Cada vez que se utiliza el sistema, se contribuye a su desgaste acumulativo. (Sin embargo, tenga en cuenta que a veces el uso puede mejorar el estado de la unidad, como cuando llueve ayuda a mantener fresca una pieza de maquinaria). Puede ver la tendencia general ascendente hacia una línea roja después de la cual la unidad requerirá mantenimiento. Puede extrapolar el desgaste acumulado para estimar cuándo llegará a la línea roja y planificar en consecuencia.

Figura 3: Ilustración del monitoreo en tiempo real para el mantenimiento basado en condiciones

Que yo sepa, nadie fabrica tales modelos de sus clientes de productos terminados para predecir cuándo y cuánto ordenarán su próximo pedido, tal vez porque los clientes se opondrían a usar monitores cerebrales todo el tiempo. Pero CBM, con su complejo monitoreo y modelado, está ganando popularidad para sistemas que no pueden fallar, como los motores a reacción. Mientras tanto, los modelos clásicos de confiabilidad todavía tienen mucho valor para gestionar grandes flotas de artículos más baratos pero aún esenciales.

El enfoque inteligente
Los enfoques de confiabilidad y mantenimiento basados en condiciones anteriores requieren una carga excesiva de recopilación y limpieza de datos que muchas empresas de MRO no pueden manejar. Para esas empresas, Smart ofrece un enfoque que no requiere el desarrollo de modelos de confiabilidad. En cambio, explota los datos de uso de una manera diferente. Aprovecha los modelos basados en probabilidad tanto de uso como de tiempos de entrega de proveedores para simular miles de escenarios posibles para tiempos de entrega de reabastecimiento y demanda. El resultado es una distribución precisa de la demanda y los plazos de entrega para cada pieza consumible que se puede aprovechar para determinar los parámetros óptimos de almacenamiento. La Figura 4 muestra una simulación que comienza con un escenario de demanda de repuestos (gráfico superior) y luego produce un escenario de suministro disponible para opciones particulares de valores mínimos y máximos (línea inferior). Los indicadores clave de rendimiento (KPI) se pueden estimar promediando los resultados de muchas de estas simulaciones.

Figura 4: Un ejemplo de simulación de demanda de repuestos e inventario disponible

Puede leer sobre el enfoque de Smart para la previsión de repuestos aquí: https://smartcorp.com/wp-content/uploads/2019/10/Probabilistic-Forecasting-for-Intermittent-Demand.pdf