Make AI-Driven Inventory Optimization an Ally for Your Organization
In this blog, we will explore how organizations can achieve exceptional efficiency and accuracy with AI-driven inventory optimization. Traditional inventory management methods often fall short due to their reactive nature and reliance on manual processes. Maintaining optimal inventory levels is fundamental for meeting customer demand while minimizing costs. The introduction of AI-driven inventory optimization can significantly reduce the burden of manual processes, providing relief to supply chain managers from tedious tasks. With AI, we can predict demand more accurately, reduce excess stock, avoid stockouts, and ultimately improve our organization’s bottom line. Let’s explore how this approach not only boosts sales and operational efficiency but also elevates customer satisfaction by ensuring products are always available when needed.

 

Insights for Improved Decision-Making in Inventory Management

  1. Enhanced Forecast Accuracy Advanced Machine Learning algorithms analyze historical data to identify patterns that humans might miss. Techniques like clustering, regime change detection, anomaly detection, and regression analysis provide deep insights into data. Measuring forecast error is essential for refining forecast models; for example, techniques like Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) help quantify the accuracy of forecasts. Businesses can improve accuracy by continuously monitoring and adjusting forecasts based on these error metrics. As the Demand Planner at a Hardware Retailer stated, “With the improvements to our forecasts and inventory planning that Smart Software enabled, we have been able to reduce safety stock by 20% while also reducing stock-outs by 35%.”
  1. Real-Time Data Analysis State-of-the-art systems can process vast amounts of data in real time, allowing businesses to adjust their inventory levels dynamically based on current demand trends and market conditions. Anomaly detection algorithms can automatically identify and correct sudden spikes or drops in demand, ensuring that the forecasts remain accurate. A notable success story comes from Smart IP&O, which enabled one company to reduce inventory by 20% while maintaining service levels by continuously analyzing real-time data and adjusting forecasts accordingly. FedEx Tech’s Manager of Materials highlighted, “Whatever the request, we need to meet our next-day service commitment – Smart enables us to risk adjust our inventory to be sure we have the products and parts on hand to achieve the service levels our customers require.”
  1. Improved Supply Chain Efficiency Intelligent technology platforms can optimize the entire supply chain, from procurement to distribution, by predicting lead times and optimizing order quantities. This reduces the risk of overstocking and understocking. For instance, using forecast-based inventory management, Smart Software helped a manufacturer streamline its supply chain, reducing lead times by 15% and enhancing overall efficiency. The VP of Operations at Procon Pump stated, “One of the things I like about this new tool… is that I can evaluate the consequences of inventory stocking decisions before I implement them.”
  1. Enhanced Decision-Making AI provides actionable insights and recommendations, enabling managers to make informed decisions. This includes identifying slow-moving items, forecasting future demand, and optimizing stock levels. Regression analysis, for example, can relate sales to external variables like seasonality or economic indicators, providing a deeper understanding of demand drivers. One of Smart Software’s clients reported a significant improvement in decision-making processes, resulting in a 30% increase in service levels while reducing excess inventory by 15%. “Smart IP&O enabled us to model demand at each stocking location and, using service level-driven planning, determine how much to stock to achieve the service level we require,” noted the Purchasing Manager at Seneca Companies.
  1. Reducción de costo By optimizing inventory levels, businesses can reduce holding costs and minimize losses from obsolete or expired products. AI-driven systems also reduce the need for manual inventory checks, saving time and labor costs. A recent case study shows how implementing Inventory Planning & Optimization (IP&O) was accomplished within 90 days of project start. Over the ensuing six months, IP&O enabled the adjustment of stocking parameters for several thousand items, resulting in inventory reductions of $9.0 million while sustaining target service levels.

 

By leveraging advanced algorithms and real-time data analysis, businesses can maintain optimal inventory levels and enhance their overall supply chain performance. Inventory Planning & Optimization (IP&O) is a powerful tool that can help your organization achieve these goals. Incorporating state-of-the-art inventory optimization into your organization can lead to significant improvements in efficiency, cost reduction, and customer satisfaction.

 

 

Necesitas formar equipo con los algoritmos

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.

 

 

¿Confundido acerca de la IA y el aprendizaje automático?

¿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. 

 

Confundido acerca de la planificación de inventarios de IA y aprendizaje automático

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.

Confundido acerca de la planificación de la demanda de IA y aprendizaje automático

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.