Este videoblog contiene información esencial para quienes trabajan con las complejidades de la gestión de inventario. La sesión se centra en lograr el equilibrio adecuado dentro de la curva de compensación de acciones, invitando a los espectadores a comprender la importancia profundamente arraigada de este equilibrio. Si alguna vez ha tenido que administrar acciones, sabrá que se siente como un tira y afloja. Por un lado, está optando por tener menos inventario, lo cual es fantástico para ahorrar dinero, pero puede dejar a sus clientes en la miseria. Por otro lado, está considerando aumentar el inventario, lo que mantiene contentos a sus clientes pero puede resultar complicado para su presupuesto. Para tomar una decisión inteligente en este tira y afloja en curso, debe comprender dónde lo ubican sus decisiones actuales de inventario en esta curva de compensación. ¿Se encuentra en un punto en el que puede soportar la presión o necesita avanzar hasta un lugar más cómodo?

Si no puede responder a esta pregunta, significa que todavía depende de métodos obsoletos, lo que corre el riesgo de tener un excedente de inventario o necesidades insatisfechas de los clientes. Mire el video para que pueda ver exactamente dónde se encuentra en esta curva y comprender mejor si desea quedarse quieto o moverse a una posición más óptima.

Y si decide mudarse, tenemos las herramientas para guiarlo. El análisis avanzado de "qué pasaría si" de Smart IP&O permite a las empresas evaluar con precisión el impacto de diferentes estrategias de inventario, como ajustes a los niveles de existencias de seguridad o cambios en los puntos de reorden, en su equilibrio entre los costos de mantenimiento y los niveles de servicio. Al simular escenarios de demanda y políticas de inventario, Smart IP&O proporciona una visualización clara de los posibles resultados financieros y las implicaciones en el nivel de servicio, lo que permite tomar decisiones estratégicas basadas en datos. Esta poderosa herramienta garantiza que las empresas puedan lograr un equilibrio óptimo, minimizando el exceso de inventario y los costos relacionados, mientras mantienen altos niveles de servicio para satisfacer la demanda de los clientes de manera eficiente.  

​En este video blog, exploramos las funciones críticas del análisis descriptivo, predictivo y prescriptivo en la gestión de inventario, destacando sus contribuciones esenciales para impulsar la optimización de la cadena de suministro a través de la previsión estratégica y el análisis de datos detallados.

Estos análisis fomentan un ecosistema de gestión de inventario dinámico, receptivo y eficiente al permitir a los administradores de inventario monitorear las operaciones actuales, anticipar desarrollos futuros y formular respuestas óptimas. Le explicaremos cómo Descriptive Analytics lo mantiene informado sobre las operaciones actuales, Predictive Analytics lo ayuda a anticipar demandas futuras y Prescriptive Analytics guía sus decisiones estratégicas para lograr la máxima eficiencia y rentabilidad.

By the end of the video, you’ll have a solid understanding of how to leverage these analytics to enhance your inventory management strategies. These are not just tools but a new way of thinking about and approaching inventory optimization with the support of modern software.

“Los negocios son guerra” puede ser una metáfora exagerada, pero no carece de validez. Al igual que la “brecha de los bombarderos” y la “brecha de los misiles”, la preocupación por quedarse atrás de la competencia y la consiguiente amenaza de aniquilación siempre acechan en las mentes de los ejecutivos de negocios. Si no lo hacen, deberían hacerlo, porque no todas las brechas se solucionan. imaginario (se demostró que la brecha de los bombarderos y la brecha de los misiles no existían entre los EE.UU. y la URSS, pero la brecha de los años 1980 entre la productividad japonesa y la estadounidense era demasiado real). La diferencia entre paranoia y preocupación justificada es convertir el miedo en hechos. Esta publicación trata sobre cómo organizar su atención hacia posibles brechas en el análisis de la cadena de suministro de su empresa.

Brechas de vigilancia

El ejército estadounidense tiene un dicho: "El tiempo dedicado al reconocimiento nunca se desperdicia". De vez en cuando, nuestro Pronosticador inteligente El blog tiene una publicación que te ayuda a girar la cabeza para ver qué sucede a tu alrededor. Un ejemplo es nuestra publicación sobre gemelos digitales, que es un tema candente en todo el mundo de la ingeniería. En resumen: utilizar simulaciones de oferta y demanda para detectar debilidades en su plan de inventario es una forma de reconocimiento de la cadena de suministro. Cerrar esta brecha de vigilancia permite a las empresas tomar medidas correctivas antes de que surja un problema real.

Brechas de conciencia situacional

Un comandante militar necesita realizar un seguimiento de lo que está disponible para su uso y de qué tan bien se está utilizando. Los informes disponibles en Analítica operativa inteligente mantenerlo actualizado sobre sus recuentos de inventario, la precisión de sus pronósticos, la capacidad de respuesta de sus proveedores y las tendencias en estas y otras áreas operativas. Sabrá exactamente cuál es su posición en una variedad de KPI de la cadena de suministro, como el nivel de servicio, las tasas de cumplimiento y la rotación de inventario. Sabrá si el desempeño real está alineado con el desempeño planificado y si el plan de inventario (es decir, qué pedir, cuándo, a quién y por qué) se cumple o se ignora.

Brechas de agilidad

El entorno empresarial puede cambiar rápidamente. Todo lo que se necesita es un camión cisterna atrapado de costado en el Canal de Suez, unos cuantos misiles balísticos antibuque en el Mar Rojo o un fenómeno meteorológico que afecte a toda la región. Estas catástrofes pueden recaer tanto sobre la cabeza de sus competidores como sobre la suya, pero ¿quién de ustedes es lo suficientemente ágil como para reaccionar primero? Informe de excepciones en Planificador de la demanda y análisis operativo inteligente puede detectar cambios importantes en el carácter de la demanda para que pueda filtrar rápidamente datos de demanda obsoletos antes de que contaminen todos sus cálculos para pronósticos de demanda u optimización de inventario. Planificador de la demanda puede avisar con antelación de un aumento o disminución pendiente de la demanda. Optimización del inventario puede ayudarle a ajustar sus tácticas de reabastecimiento de inventario para reflejar estos cambios en la demanda.

Brechas de innovación

Ya sea que te refieras a tu competencia como "Los otros chicos" o "Todos los demás" o algo que no se pueda imprimir, aquellos de los que debes preocuparte son los que siempre buscan una ventaja. Cuando elige a Smart como su socio, le brindaremos esa ventaja con soluciones predictivas innovadoras pero probadas en el campo. Smart Software ha estado innovando en modelos predictivos desde su nacimiento hace más de 40 años.

• Nuestros primeros productos introdujeron múltiples innovaciones técnicas: evaluación de la calidad del pronóstico mirando hacia el futuro, no hacia el pasado; selección automática de las mejores entre un conjunto de metodologías competitivas, aprovechando los gráficos de los primeros PC para permitir una fácil gestión de las anulaciones de las previsiones estadísticas.

• Más tarde inventamos y patentamos un enfoque radicalmente diferente para pronosticar la demanda intermitente que es característica tanto de repuestos como de bienes duraderos costosos. Nuestra tecnología fue patentada y recibió múltiples premios por mejorar drásticamente la gestión del inventario. La solución es ahora un enfoque probado en el campo utilizado por muchas empresas líderes en repuestos, MRO, repuestos de posventa y servicio de campo.

• Más recientemente, la plataforma en la nube de Smart para pronóstico de demanda, modelado predictivo, optimización de inventario y análisis, toma todos los datos relevantes que de otro modo estarían bloqueados en sus sistemas ERP o EAM, archivos externos y otras fuentes de datos dispares, y los organiza en el canalización de datos inteligente, lo estructura en nuestro modelo de datos comúny lo procesa en nuestro nube de AWS. Inteligente utiliza el poder de nuestro patentado simulaciones probabilísticas de demanda en Smart Inventory Optimization para realizar pruebas de estrés y optimizar las reglas que utiliza para administrar cada uno de los artículos de su inventario.

Es mi trabajo, junto con mi cofundador, el Dr. Nelson Hartunian, nuestro equipo de ciencia de datos y consultores académicos, continuar ampliando los límites del análisis de la cadena de suministro y brindarle los beneficios mediante la implementación continua de nuevas versiones de nuestros productos para que usted no se quede atrapado en una brecha de innovación, ni en ninguna de las otras.

Nuestros clientes generalmente se han decidido por una forma de administrar su inventario de repuestos. Al profesor que hay en mí le gustaría pensar que la política de inventario elegida fue una elección razonada entre las alternativas consideradas, pero lo más probable es que simplemente haya sucedido. Tal vez el jefe de inventario de hace mucho tiempo tenía un favorito y esa elección se mantuvo. Quizás alguien utilizó un sistema EAM o ERP que ofrecía sólo una opción. Quizás se hicieron algunas conjeturas, basándose en las condiciones del momento.

Los competidores

Muy rara vez las empresas toman estas decisiones al azar. Pero el software moderno de planificación de repuestos le permite ser más sistemático en sus elecciones. Esta publicación demuestra esa propuesta al hacer comparaciones objetivas entre tres políticas de inventario populares: Pedido hasta, Punto de reorden/Cantidad de pedido y Mín./Máx. Hablé de cada una de estas políticas en este videoblog.

• Ordene hasta. Esta es una política de revisión periódica en la que cada T días se cuenta el inventario disponible y se realiza un pedido de tamaño aleatorio para que el nivel de existencias vuelva a subir a S unidades.
• Q, R o Punto de reorden/Cantidad de pedido. Q, R es una política de revisión continua en la que todos los días se contabiliza el inventario. Si hay Q o menos unidades disponibles, se realiza un pedido de tamaño fijo por R unidades más.
• Mínimo máximo es otra política de revisión continua en la que todos los días se cuenta el inventario. Si hay unidades mínimas o menos disponibles, se realiza un pedido para que el nivel de existencias vuelva a alcanzar las unidades máximas.

La teoría del inventario dice que estas opciones se enumeran en orden creciente de efectividad. La primera opción, Ordenar hasta, es claramente la más sencilla y barata de implementar, pero hace la vista gorda a lo que sucede durante largos períodos de tiempo. Imponer un intervalo de tiempo específico entre órdenes lo hace, en teoría, menos flexible. Por el contrario, las dos opciones de revisión continua vigilan lo que sucede todo el tiempo, para que puedan reaccionar más rápido ante posibles desabastecimientos. La opción Min/Max es, en teoría, más flexible que la opción que utiliza una cantidad fija de reorden porque el tamaño del pedido cambia dinámicamente para adaptarse a la demanda.

Esa es la teoría. Esta publicación examina la evidencia de comparaciones directas para verificar la teoría y establecer cifras concretas sobre el desempeño relativo de las tres políticas.

El significado de "mejor"

¿Cómo debemos llevar la puntuación en este torneo? Si es un lector habitual de este blog de Smart Forecaster, sabrá que el núcleo de la planificación del inventario es un tira y afloja entre dos objetivos opuestos: mantener el inventario reducido versus mantener las métricas de disponibilidad de los artículos, como el nivel de servicio alto.

Para simplificar las cosas, calcularemos “un número para gobernarlos a todos”: el costo operativo promedio. La póliza ganadora será la que tenga el promedio más bajo.

Este promedio es la suma de tres componentes: el costo de mantener el inventario (“costo de mantener”), el costo de ordenar unidades de reabastecimiento (“costo de ordenar”) y el costo de perder una venta (“costo de escasez”). Para concretar las cosas, utilizamos los siguientes supuestos:

• Cada pieza de servicio está valorada en $1.000.
• El costo de tenencia anual es 10% del valor del artículo, o $100 por año por unidad.
• Procesar cada pedido de reabastecimiento cuesta $20 por pedido.
• Cada unidad demandada pero no proporcionada cuesta el valor de la pieza, $1.000.

Para simplificar, nos referiremos al costo operativo promedio simplemente como "el costo".

Por supuesto, el costo promedio más bajo se puede lograr saliendo del negocio. Por lo tanto, la competencia requería una limitación de rendimiento en la disponibilidad de los artículos: cada opción tenía que lograr una tasa de cumplimiento de al menos 99%.

Las alternativas se resisten

Un elemento clave del contexto es si los desabastecimientos provocan pérdidas o pedidos atrasados. Suponiendo que la pieza de servicio en cuestión es crítica, asumimos que los pedidos no ejecutados se pierden, lo que significa que un competidor completa el pedido. En un entorno de MRO, esto significará un tiempo de inactividad adicional debido al desabastecimiento.

Para comparar las alternativas, utilizamos nuestro motor de modelado predictivo para ejecutar una gran cantidad de Simulaciones de Montecarlo. Cada simulación implicó especificar los valores de los parámetros de cada póliza (por ejemplo, valores mínimos y máximos), generar un escenario de demanda, introducirlo en la lógica de la póliza y medir el costo resultante promediado durante 365 días de operación. Repetir este proceso 1.000 veces y promediar los 1.000 costos resultantes dio el resultado final para cada póliza.  

Para que la comparación fuera justa, cada alternativa debía diseñarse para obtener el mejor rendimiento. Entonces buscamos en el “espacio de diseño” de cada póliza para encontrar el diseño con el menor costo. Esto requirió repetir el proceso descrito en el párrafo anterior para muchos pares de valores de parámetros e identificar el par que produce el costo operativo anual promedio perdido.

Usando los algoritmos en Optimización del inventario (SÍO^MT) realizamos comparaciones directas bajo los siguientes supuestos sobre la oferta y la demanda:

• Se supuso que la demanda de artículos era intermitente y muy variable, pero relativamente simple en el sentido de que no había tendencia ni estacionalidad, como suele ocurrir con las piezas de repuesto. La demanda media diaria fue de 5 unidades con una desviación estándar grande de 13 unidades. La Figura 1 muestra una muestra de la demanda de un año. Hemos elegido un patrón de demanda muy desafiante, en el que algunos días tienen de 10 a 20 veces la demanda promedio.

Figura 1: Se supuso que la demanda diaria de piezas era intermitente y muy intensa.

​​

• Los plazos de reabastecimiento de los proveedores fueron de 14 días (75%) en ese momento y de 21 días en el resto. Esto refleja el hecho de que siempre hay incertidumbre en la cadena de suministro.

Y el ganador es…

¿Era correcta la teoría? Un poco sorta'.

La Tabla 1 muestra los resultados de los experimentos de simulación. Para cada una de las tres políticas en competencia, muestra el costo operativo anual promedio, el margen de error (técnicamente, un intervalo de confianza aproximado de 95% para el costo medio) y las mejores opciones aparentes para los valores de los parámetros.

Tabla 1: Resultados de las comparaciones simuladas

Por ejemplo, el costo promedio de la póliza (T,S) cuando T se fija en 30 días fue de $41,680. Pero el Más/Menos implica que los resultados son compatibles con un costo “real” (es decir, la estimación de un número infinito de simulaciones) de entre $39,890 y $43,650. La razón por la que existe tanta incertidumbre estadística es la naturaleza extremadamente elevada de la demanda en este ejemplo.

El Cuadro 1 dice que, en este ejemplo, las tres políticas están en línea con las expectativas. Sin embargo, conclusiones más útiles serían:

1. Las tres políticas son notablemente similares en cuanto a costo promedio. Mediante una elección inteligente de los valores de los parámetros, se pueden obtener buenos resultados con cualquiera de las tres políticas.
2. Lo que no se muestra en el Cuadro 1, pero se desprende claramente de los resultados detallados de la simulación, es que las malas elecciones de valores de parámetros pueden ser desastrosas para cualquier política.
3. Vale la pena señalar que a la política de revisión periódica (T,S) no se le permitió optimizar sobre posibles valores de T. Fijamos T en 30 para imitar lo que es común en la práctica, pero aquellos que usan la política de revisión periódica deberían considerar otras revisiones. períodos. Un experimento adicional fijó el período de revisión en T = 7 días. El costo promedio en este escenario se minimizó en $36,551 ± $1,668 con S = 343. Este resultado es mejor que el de T = 30 días.
4. Debemos tener cuidado de no generalizar demasiado estos resultados. Dependen de los valores supuestos de los tres parámetros de costos (mantenimiento, pedidos y escasez) y del carácter del proceso de demanda.
5. Es posible ejecutar experimentos como los que se muestran aquí automáticamente en Optimización del inventario. Esto significa que usted también podrá explorar opciones de diseño de manera rigurosa.

​En un entorno de fabricación altamente configurable, pronosticar productos terminados puede convertirse en una tarea compleja y desalentadora. El número de posibles productos terminados se disparará cuando muchos componentes sean intercambiables. Un MRP tradicional nos obligaría a pronosticar cada producto terminado, lo que puede ser poco realista o incluso imposible. Varias soluciones ERP líderes introducen el concepto de "Planificación BOM", que permite el uso de pronósticos a un nivel superior en el proceso de fabricación. En este artículo, discutiremos esta funcionalidad en ERP y cómo puede aprovecharla con Smart Inventory Planning and Optimization (Smart IP&O) para adelantarse a su demanda ante esta complejidad.

¿Por qué necesitaría una lista de materiales de planificación?

Tradicionalmente, cada producto terminado o SKU tenía una lista de materiales rígidamente definida. Si almacenamos ese producto y queremos planificar en torno a la demanda pronosticada, pronosticaremos la demanda de esos productos y luego alimentaremos MRP para llevar esta demanda pronosticada desde el nivel del producto terminado hasta sus componentes a través de la lista de materiales.

Sin embargo, muchas empresas ofrecen productos altamente configurables donde los clientes pueden seleccionar opciones sobre el producto que están comprando. Como ejemplo, recuerde la última vez que compró una computadora personal. Elegiste una marca y un modelo, pero a partir de ahí probablemente se te presentaron opciones: ¿qué velocidad de CPU deseas? ¿Cuánta RAM quieres? ¿Qué tipo de disco duro y cuánto espacio? Si esa empresa quiere tener estas computadoras listas y disponibles para enviárselas en un tiempo razonable, de repente ya no solo anticipan la demanda de ese modelo: deben pronosticar ese modelo para cada tipo de CPU, para todas las cantidades de RAM, para ¡Todos los tipos de discos duros y todas las combinaciones posibles de ellos también! Para algunos fabricantes, estas configuraciones pueden dar lugar a cientos o miles de posibles permutaciones de productos terminados.

Puede haber tantas personalizaciones posibles que la demanda a nivel del producto terminado sea completamente impredecible en el sentido tradicional. Es posible que se vendan miles de esas computadoras cada año, pero para cada configuración posible, la demanda puede ser extremadamente baja y esporádica; tal vez ciertas combinaciones se vendan una vez y nunca más.

Esto a menudo obliga a estas empresas a planificar puntos de reorden y niveles de existencias de seguridad principalmente a nivel de componentes, mientras reaccionan en gran medida a la demanda firme en el nivel de producto terminado a través de MRP. Si bien este es un enfoque válido, carece de una forma sistemática de aprovechar los pronósticos que puedan dar cuenta de la actividad futura anticipada, como promociones, próximos proyectos u oportunidades de ventas. Hacer pronósticos a nivel “configurado” es efectivamente imposible, y tratar de incorporar estos supuestos de pronóstico a nivel de componentes tampoco es factible.

Planificación de la lista de materiales explicada

Aquí es donde entran las listas de materiales de planificación. Quizás el equipo de ventas esté trabajando en una gran oportunidad b2b para ese modelo, o haya una promoción planificada para el Cyber Monday. Si bien no es realista intentar trabajar con esos supuestos para cada configuración posible, hacerlo a nivel de modelo es totalmente factible y tremendamente valioso.

La lista de materiales de planificación puede utilizar un pronóstico a un nivel superior y luego reducir la demanda en función de proporciones predefinidas para su posible componentes. Por ejemplo, el fabricante de computadoras puede saber que la mayoría de las personas optan por 16 GB de RAM, y muchas menos optan por las actualizaciones a 32 o 64. La lista de materiales de planificación permite a la organización (por ejemplo) reducir 60% de la demanda a la opción de 16 GB. , 30% para la opción de 32 GB y 10% para la opción de 64 GB. Podrían hacer lo mismo con las CPU, los discos duros o cualquier otra personalización disponible.  

La empresa ahora puede centrar su pronóstico en este nivel de modelo, dejando que la lista de materiales de planificación determine la combinación de componentes. Claramente, definir estas proporciones requiere algo de reflexión, pero las listas de materiales de planificación permiten efectivamente a las empresas pronosticar lo que de otro modo sería impredecible.

La importancia de un buen pronóstico

Por supuesto, todavía Necesita un buen pronóstico para cargarlo en un sistema ERP.. Como se explica en este artículo, si bien ERP puede importar un pronóstico, a menudo no puede generar uno y, cuando lo hace, tiende a requerir una gran cantidad de configuraciones difíciles de usar que no suelen revisarse, lo que genera pronósticos inexactos. Por lo tanto, corresponde a la empresa elaborar sus propios conjuntos de pronósticos, a menudo elaborados manualmente en Excel. La elaboración de pronósticos manualmente generalmente presenta una serie de desafíos, que incluyen, entre otros:

• La incapacidad de identificar patrones de demanda como estacionalidad o tendencia.
• Dependencia excesiva de las previsiones de clientes o de ventas
• Falta de precisión o seguimiento del rendimiento.

No importa qué tan bien configurado esté el MRP con sus listas de materiales de planificación cuidadosamente consideradas, un pronóstico deficiente significa una producción deficiente del MRP y desconfianza en el sistema: basura que entra, basura que sale. Siguiendo con el ejemplo de la “empresa de informática”, sin una forma sistemática de capturar patrones de demanda clave y/o conocimiento del dominio en el pronóstico, MRP nunca podrá verlo.

Amplíe su ERP con Smart IP&O

Smart IP&O está diseñado para ampliar su sistema ERP con una serie de soluciones integradas de planificación de la demanda y optimización del inventario. Por ejemplo, puede generar pronósticos estadísticos automáticamente para una gran cantidad de artículos, permite ajustes de pronóstico intuitivos, realiza un seguimiento de la precisión del pronóstico y, en última instancia, le permite generar verdaderos pronósticos basados en consenso para anticipar mejor las necesidades de sus clientes.

Gracias a las jerarquías de productos altamente flexibles, Smart IP&O se adapta perfectamente a la previsión en el nivel de planificación de la lista de materiales para que pueda capturar patrones clave e incorporar conocimiento empresarial en los niveles más importantes. Además, puede analizar e implementar niveles óptimos de existencias de seguridad en cualquier nivel de su lista de materiales.