En este Videoblog explicaremos cómo la previsión de series temporales se ha convertido en una herramienta fundamental, especialmente a nivel diario, en la que Smart Software ha sido pionero desde sus inicios hace más de cuarenta años. La evolución de las prácticas comerciales de incrementos temporales anuales a incrementos temporales más refinados, como el análisis de datos mensual y ahora diario, ilustra un cambio significativo en las estrategias operativas.

Inicialmente, durante la década de 1980, la práctica habitual de utilizar datos anuales para realizar pronósticos y la introducción de datos mensuales se consideró innovadora. Este período marcó el comienzo de una tendencia hacia el aumento de la resolución del análisis de datos, lo que permitió a las empresas capturar y reaccionar ante cambios más rápidos en la dinámica del mercado. A medida que avanzamos hacia la década de 2000, la norma del análisis de datos mensual estaba bien establecida, pero los "chicos geniales" (innovadores en el borde de la analítica empresarial) comenzaron a experimentar con datos semanales. Este cambio fue impulsado por la necesidad de sincronizar las operaciones comerciales con condiciones de mercado cada vez más volátiles y comportamientos de los consumidores que exigían respuestas más rápidas que las que podían proporcionar los ciclos mensuales. Hoy, en la década de 2020, si bien el análisis de datos mensuales sigue siendo común, la frontera se ha desplazado nuevamente, esta vez hacia el análisis de datos diario, y algunos pioneros incluso se han aventurado en el análisis por horas.

El verdadero poder del análisis de datos diario radica en su capacidad de proporcionar una vista detallada de las operaciones comerciales, capturando las fluctuaciones diarias que podrían pasar desapercibidas en los datos mensuales o semanales. Sin embargo, las complejidades de los datos diarios requieren enfoques analíticos avanzados para extraer información significativa. En este nivel, comprender la demanda requiere lidiar con conceptos como intermitencia, estacionalidad, tendencia y volatilidad. La intermitencia, o la aparición de días sin demanda, se vuelve más pronunciada en una granularidad diaria y exige técnicas de pronóstico especializadas como el método de Croston para predicciones precisas. La estacionalidad a nivel diario puede revelar múltiples patrones (como mayores ventas los fines de semana o días festivos) que los datos mensuales enmascararían. Las tendencias se pueden observar como aumentos o disminuciones de la demanda a corto plazo, lo que exige estrategias de ajuste ágiles. Finalmente, la volatilidad a nivel diario se acentúa, mostrando oscilaciones de la demanda más significativas que las observadas en los análisis mensuales o semanales, lo que puede afectar las estrategias de gestión de inventarios y la necesidad de existencias de reserva. Este nivel de complejidad subraya la necesidad de herramientas analíticas sofisticadas y experiencia en el análisis de datos diario.

En conclusión, la evolución de pronósticos de series temporales menos frecuentes a pronósticos diarios marca un cambio sustancial en la forma en que las empresas abordan el análisis de datos. Esta transición no solo refleja el ritmo acelerado de los negocios, sino que también resalta la necesidad de herramientas que puedan manejar una mayor granularidad de los datos. La dedicación de Smart Software para perfeccionar sus capacidades analíticas para gestionar los datos diarios destaca el movimiento más amplio de la industria hacia una toma de decisiones más dinámica, receptiva y basada en datos. Este cambio no se trata simplemente de mantener el ritmo del tiempo, sino de aprovechar conocimientos detallados para forjar ventajas competitivas en un entorno empresarial en constante cambio.

​

La perspectiva de Feynman ilumina nuestro viaje: “En sus esfuerzos por aprender todo lo posible sobre la naturaleza, la física moderna ha descubierto que ciertas cosas nunca pueden “saberse” con certeza. Gran parte de nuestro conocimiento debe permanecer siempre incierto. Lo máximo que podemos saber es en términos de probabilidades”. - Richard Feynman, Las conferencias Feynman sobre física.

Cuando intentamos comprender el complejo mundo de la logística, la aleatoriedad juega un papel fundamental. Esto introduce una paradoja interesante: en una realidad donde se valoran la precisión y la certeza, ¿podría la naturaleza impredecible de la oferta y la demanda servir realmente como un aliado estratégico?

La búsqueda de pronósticos precisos no es sólo un ejercicio académico; es un componente crítico del éxito operativo en numerosas industrias. Para los planificadores de la demanda que deben anticipar la demanda de un producto, las ramificaciones de hacerlo bien (o mal) son fundamentales. Por lo tanto, reconocer y aprovechar el poder de la aleatoriedad no es simplemente un ejercicio teórico; es una necesidad de resiliencia y adaptabilidad en un entorno en constante cambio.

Aceptando la incertidumbre: métodos dinámicos, estocásticos y de Monte Carlo

Modelado dinámico: la búsqueda de una precisión absoluta en los pronósticos ignora la imprevisibilidad intrínseca del mundo. Los métodos de pronóstico tradicionales, con sus marcos rígidos, no logran adaptarse al dinamismo de los fenómenos del mundo real. Al aceptar la incertidumbre, podemos girar hacia modelos más ágiles y dinámicos que incorporen la aleatoriedad como componente fundamental. A diferencia de sus rígidos predecesores, estos modelos están diseñados para evolucionar en respuesta a nuevos datos, garantizando resiliencia y adaptabilidad. Este cambio de paradigma de un enfoque determinista a uno probabilístico permite a las organizaciones navegar la incertidumbre con mayor confianza, tomando decisiones informadas incluso en entornos volátiles.

Los modelos estocásticos guían a los pronosticadores a través de la niebla de la imprevisibilidad con los principios de probabilidad. Lejos de intentar eliminar la aleatoriedad, los modelos estocásticos la adoptan. Estos modelos evitan la noción de un futuro singular y predeterminado, presentando en cambio una serie de resultados posibles, cada uno con su probabilidad estimada. Este enfoque ofrece una representación más matizada y realista del futuro, reconociendo la variabilidad inherente de los sistemas y procesos. Al trazar un espectro de futuros potenciales, el modelado estocástico proporciona a quienes toman decisiones una comprensión integral de la incertidumbre, lo que permite una planificación estratégica informada y flexible.

Las simulaciones de Monte Carlo, que llevan el nombre del centro histórico del azar y la fortuna, aprovechan el poder de la aleatoriedad para explorar el vasto panorama de posibles resultados. Esta técnica implica la generación de miles, si no millones, de escenarios a través de un muestreo aleatorio, cada escenario pinta una imagen diferente del futuro basada en las incertidumbres inherentes del mundo real. Los tomadores de decisiones, armados con conocimientos de las simulaciones de Monte Carlo, pueden medir el rango de posibles impactos de sus decisiones, lo que la convierte en una herramienta invaluable para la evaluación de riesgos y la planificación estratégica en entornos inciertos.

Éxitos del mundo real: aprovechar la aleatoriedad

La estrategia de integrar la aleatoriedad en los pronósticos ha demostrado ser invaluable en diversos sectores. Por ejemplo, las principales empresas de inversión y bancos dependen constantemente de modelos estocásticos para hacer frente al comportamiento volátil del mercado de valores. Un ejemplo notable es cómo los fondos de cobertura emplean estos modelos para predecir los movimientos de precios y gestionar el riesgo, lo que lleva a opciones de inversión más estratégicas.

De manera similar, en la gestión de la cadena de suministro, muchas empresas confían en las simulaciones de Monte Carlo para abordar la imprevisibilidad de la demanda, especialmente durante las temporadas altas como las vacaciones. Al simular varios escenarios, pueden prepararse para una variedad de resultados, asegurándose de tener niveles de existencias adecuados sin comprometer demasiado los recursos. Este enfoque minimiza el riesgo de desabastecimiento y exceso de inventario.

Estos éxitos del mundo real resaltan el valor de integrar la aleatoriedad en los esfuerzos de pronóstico. Lejos de ser el adversario que a menudo se percibe, la aleatoriedad emerge como un aliado indispensable en el intrincado ballet de la previsión. Al adoptar métodos que respetan la incertidumbre inherente del futuro (reforzados por herramientas avanzadas como Smart IP&O), las organizaciones pueden navegar lo impredecible con confianza y agilidad. Por lo tanto, en el gran esquema de la previsión, puede ser prudente abrazar la noción de que, si bien no podemos controlar la tirada de los dados, ciertamente podemos elaborar estrategias en torno a ella.

“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.

Aquellos de ustedes que siguen temas candentes estarán familiarizados con el término "gemelo digital". Aquellos que han estado demasiado ocupados con el trabajo tal vez quieran seguir leyendo y ponerse al día.

¿Qué es un gemelo digital?

Si bien existen varias definiciones de gemelo digital, aquí hay una que funciona bien:

Un gemelo digital es una dinámica copia virtual de un activo físico, proceso, sistema o entorno que se parece y se comporta de manera idéntica a su contraparte del mundo real. Un gemelo digital ingiere datos y replica procesos así que puedes predecir posibles resultados de rendimiento y problemas que podría sufrir el producto del mundo real. [Fuente: unidad.com]. Para obtener información adicional, puede visitar Mckinsey.com.

¿Cuál es la diferencia entre un gemelo digital (en adelante DT) y un modelo? Principalmente, un DT se conecta a datos en tiempo real para mantener el modelo como una representación actualizada del sistema con el que está trabajando.

Nuestros productos actuales podrían denominarse “DT en cámara lenta” porque generalmente se usan con datos que no están en tiempo real (aunque no con datos obsoletos, ya que se actualizan durante la noche) y se aplican a problemas como planificar las compras de materias primas del próximo trimestre o establecer parámetros de inventario durante un mes o más.

¿La gente utiliza gemelos digitales en mi industria?

Mi impresión es que la penetración de los DT puede ser mayor en las industrias aeroespacial y nuclear. La mayoría de nuestros clientes están en otros lugares: en la fabricación, la distribución y los servicios públicos como el transporte y la energía. Pronto ofreceremos nuevos productos que se acercarán más a la definición estricta de un DT que está íntimamente conectado con el sistema que representa.

Vista previa de DT

La mayoría de los usuarios de Smart Inventory Optimization™ (SIO) ejecuta la aplicación periódicamente, normalmente mensualmente. SIO analiza la demanda actual de artículos de inventario y los plazos de entrega recientes de los proveedores, convirtiéndolos en escenarios de oferta y demanda, respectivamente. Luego, los usuarios, ya sea de forma interactiva (para artículos individuales) o automáticamente (a escala), establecen parámetros de control de inventario que proporcionarán el rendimiento promedio a largo plazo que desean, equilibrando los objetivos competitivos de minimizar el inventario y al mismo tiempo garantizar un nivel suficiente de disponibilidad de artículos.

Smart Supply Planner (SSP) opera de forma más inmediata para reaccionar ante contingencias. Cualquier día podría generar un pedido anómalo que aumente la demanda, como cuando un nuevo cliente realiza un pedido de almacenamiento inicial sorprendente. O un proveedor clave podría experimentar un problema en su fábrica y verse obligado a retrasar el envío de sus pedidos de reabastecimiento planificados. A largo plazo, estas contingencias se promedian y justifican las recomendaciones que surgen de SIO. Sin embargo, SSP le brindará una forma de reaccionar a corto plazo para aprovechar oportunidades o esquivar balas.

En esencia, SSP opera como SIO en el sentido de que está impulsado por escenarios. Las diferencias son que utiliza horizontes de planificación cortos y condiciones iniciales en tiempo real como base para sus simulaciones del desempeño del sistema de inventario. Luego brindará recomendaciones en tiempo real para intervenciones que compensen las perturbaciones causadas por las contingencias. Estos incluirían cancelar o acelerar las órdenes de reabastecimiento.

Resumen

Los gemelos digitales le permiten probar planes "in silico" antes de implementarlos en la fábrica o el almacén. En esencia, se encuentran los modelos matemáticos de su operación, pero conectados a datos en tiempo real. Proporcionan una “zona de pruebas digital” en la que puedes probar ideas y obtener predicciones inmediatas sobre qué tan bien funcionarán. Mucho más que una hoja de cálculo, las DT pronto serán la herramienta clave en su caja de herramientas de planificación de inventario.

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.