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.

This note is about a different kind of teamwork: the collaboration between you and our software that happens at your fingertips. I often write about the software itself and what goes on “under the hood”. This time, my subject is how you should best team up with the software.

Our software suite, Smart Inventory Planning and Optimization (Smart IP&O™) is capable of massively detailed calculations of future demand and the inventory control parameters (e.g., reorder points and order quantities) that would most effectively manage that demand. But your input is required to make the most of all that power. You need to team up with the algorithms.

That interaction can take several forms. You can start by simply assessing how you are doing now. The report writing functions in Smart IP&O (Smart Operational Analytics™) can collate and analyze all your transactional data to measure your Key Performance Indicators (KPIs), both financial (e.g., inventory investment) and operational (e.g., fill rates).

The next step might be to use SIO (Smart Inventory Optimization™), the inventory analytics within SIP&O, to play “what-if” games with the software. For example, you might ask “What if we reduced the order quantity on item 1234 from 50 to 40?” The software grinds the numbers to let you know how that would play out, then you react. This can be useful, but what if you have 50,000 items to consider? You would want to do what-if games for a few critical items, but not all of them.

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.

Lidiar con el día a día de la gestión de inventario puede mantenerle ocupado. Existe el ritmo habitual de realizar pedidos, recibir, pronosticar y planificar, y mover cosas en el almacén. Luego están los tiempos frenéticos: escasez, trámites urgentes, llamadas de último momento para encontrar nuevos proveedores.

Toda esta actividad va en contra de tomarte un momento para ver cómo te va. Pero sabes que tienes que levantar la cabeza de vez en cuando para ver hacia dónde te diriges. Para eso, su software de inventario debe mostrarle métricas (y no solo una, sino un conjunto completo de métricas o KPI): indicadores clave de rendimiento.

Múltiples métricas

Dependiendo de su rol en su organización, diferentes métricas tendrán diferente importancia. Si usted está en el lado financiero de la casa, la inversión en inventario puede ser una prioridad: ¿cuánto efectivo está invertido en el inventario? Si está del lado de las ventas, la disponibilidad del artículo puede ser lo más importante: ¿cuál es la probabilidad de que pueda decir “sí” a un pedido? Si usted es responsable del reabastecimiento, ¿cuántas órdenes de compra tendrá que recortar su gente en el próximo trimestre?

Métricas de disponibilidad

Volvamos a la disponibilidad de artículos. ¿Cómo se le pone un número a eso? Las dos métricas de disponibilidad más utilizadas son el "nivel de servicio" y la "tasa de cumplimiento". ¿Cual es la diferencia? Es la diferencia entre decir “Ayer tuvimos un terremoto” y decir “Ayer tuvimos un terremoto y fue de 6,4 en la escala de Richter”. El nivel de servicio registra la frecuencia de los desabastecimientos sin importar su tamaño; la tasa de cumplimiento refleja su gravedad. Los dos pueden parecer apuntar en direcciones opuestas, lo que causa cierta confusión. Puede tener un buen nivel de servicio, digamos 90%, pero tener una tasa de cumplimiento vergonzosa, digamos 50%. O viceversa. Lo que los diferencia es la distribución del tamaño de la demanda. Por ejemplo, si la distribución está muy sesgada, por lo que la mayoría de las demandas son pequeñas pero algunas son enormes, es posible que obtenga la división 90%/50% mencionada anteriormente. Si su atención se centra en la frecuencia con la que debe realizar pedidos pendientes, el nivel de servicio es más relevante. Si su preocupación es qué tan grande puede llegar a ser un trámite urgente, la tasa de cumplimiento es más relevante.

Un gráfico para gobernarlos a todos

Un gráfico del inventario disponible puede proporcionar la base para calcular múltiples KPI. Considere la Figura 1, que muestra los datos disponibles cada día durante un año. Este gráfico tiene la información necesaria para calcular múltiples métricas: inversión en inventario, nivel de servicio, tasa de cumplimiento, tasa de reorden y otras métricas.

Inversión en inventario: la altura promedio del gráfico cuando es superior a cero, cuando se multiplica por el costo unitario del artículo del inventario, da el valor en dólares trimestral.

Nivel de servicio: la fracción de ciclos de inventario que terminan por encima de cero es el nivel de servicio. Los ciclos de inventario están marcados por los movimientos ascendentes ocasionados por la llegada de pedidos de reabastecimiento.

Tasa de cumplimiento: la cantidad en la que el inventario cae por debajo de cero y cuánto tiempo permanece allí se combinan para determinar la tasa de cumplimiento.

En este caso, el número promedio de unidades disponibles fue 10,74, el nivel de servicio fue 54% y la tasa de cumplimiento fue 91%.

KPI y KPP

En los más de cuarenta años transcurridos desde que fundamos Smart Software, nunca he visto a un cliente producir un gráfico como el de la Figura 1. Aquellos que están más avanzados en su desarrollo sí producen y prestan atención a informes que enumeran sus KPI en forma tabular, pero no No mires ese gráfico. Sin embargo, ese gráfico tiene valor para desarrollar información sobre los ritmos aleatorios del inventario a medida que sube y baja.

Donde resulta especialmente útil es en la prospectiva. Dada la volatilidad del mercado, variables clave como los plazos de entrega de los proveedores, la demanda promedio y la variabilidad de la demanda cambian con el tiempo. Esto implica que los parámetros de control clave, como los puntos de reorden y las cantidades de los pedidos, deben ajustarse a estos cambios. Por ejemplo, si un proveedor dice que tendrá que aumentar su tiempo de entrega promedio en 2 días, esto afectará negativamente sus métricas y es posible que deba aumentar su punto de reorden para compensar. ¿Pero aumentarlo en cuánto?

Aquí es donde entra en juego el software de inventario moderno. Le permitirá proponer un ajuste y luego ver cómo se desarrollarán las cosas. Gráficos como el de la Figura 1 permiten ver y tener una idea del nuevo régimen. Y los gráficos se pueden analizar para calcular KPP (predicciones clave de rendimiento).

La ayuda del KPP elimina las conjeturas a la hora de realizar ajustes. Puede simular lo que sucederá con sus KPI si los cambia en respuesta a cambios en su entorno operativo y qué tan mal se pondrán las cosas si no realiza cambios.

¿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.