Inventory overstocking can harm both financial stability and operational efficiency. When an organization is overstocked, it ties up capital in excess inventory that might not sell, increasing storage costs and the risk of inventory obsolescence. Additionally, the funds used to purchase the excess inventory could have been better invested in other areas of the business, such as marketing or research and development. Overstocking also hampers cash flow, as money is locked in stock rather than available for immediate operational needs. Managing inventory effectively is critical for maintaining a healthy balance sheet and ensuring that resources are optimally allocated. Here is an in-depth exploration of the main causes of overstocking, their implications, and possible solutions.

1 Inaccurate Demand Forecasting

One of the primary causes of overstocking is inaccurate demand forecasting. When businesses rely on outdated forecasting methods or insufficient data, they can easily overestimate demand, leading to overstocking. A prime example is the clothing industry, where fashion trends can change rapidly. A well-known fashion brand recently faced challenges after overestimating demand for a new clothing line based on flawed data analysis, leading to unsold inventory.

To address this issue, companies can implement new technologies that automatically select the best forecasting methods for the data, incorporating trends and seasonal patterns to ensure accuracy. By improving forecasting accuracy, businesses can better align their inventory with actual demand, leading to more precise inventory management and fewer overstock scenarios. For instance, a Hardware retailer using Smart Demand Planner reduced forecasting errors by 15%, demonstrating the potential for significant improvement in inventory management​​​​.

2 Improper Inventory Management

Effective inventory management is fundamental to prevent overstocking. Without accurate systems to track inventory levels, businesses might order excess stock and incur higher expenses. This issue often stems from reliance on spreadsheets or inefficient ERP systems that lack real-time data integration.

State-of-the-art technologies provide real-time visibility into inventory levels, allowing businesses to automate and optimize reordering processes.  A large electric utility company faced challenges in maintaining service parts availability without overstocking, managing over 250,000 part numbers across a diverse network of power generation and distribution facilities. The company replaced its outdated system with Smart IP&O and integrated it in real-time with their Enterprise Asset Management (EAM) system. Smart IP&O enabled the utility to use “what-if” scenarios, creating digital twins of alternate stocking policies and simulating performance across key performance indicators, such as inventory value, service levels, fill rates, and shortage costs. This allowed the utility to make targeted adjustments to their stocking parameters, which were then deployed to their EAM system, driving optimal replenishments of spare parts.

The outcome was significant: a $9 million reduction in inventory, freeing up cash and valuable warehouse space while sustaining target service levels of over 99%​

3 Overly Optimistic Sales Projections

Businesses, especially those in growth phases, may predict higher sales than they achieve, leading to excess inventory intended to meet anticipated demand that never materializes. An example of this is the recent case with an electric vehicle manufacturer that projected high sales for its truck but faced production delays and lower-than-expected demand, resulting in an overstock of components and parts. This miscalculation led to increased storage costs and strained financial resources.

Another automotive aftermarket company struggled to forecast intermittently demanded parts accurately, frequently resulting in overstocking and stockouts.  Using AI-driven technology enabled the company to significantly reduce backorders and lost sales, with fill rates improving from 93% to 96% within just three months. By leveraging Smart IP&O forecasting technologies, the company could generate accurate estimates of cumulative demand over lead times, providing better visibility of potential demand scenarios. This allowed for optimized inventory levels, reducing storage costs and improving financial efficiency by aligning inventory with actual demand​.

4 Bulk Purchasing Discounts

The appeal of cost savings from bulk purchases can prompt businesses to buy more than needed, tying up capital and storage space. This often leads to storage challenges when excess stock is ordered to secure a discount.

To address this challenge, businesses should weigh the benefits of bulk discounts against the costs of holding excess inventory. Next-generation technology can help identify the most cost-effective purchasing strategy by balancing immediate savings with long-term storage costs. By implementing Smart IP&O, MNR could accurately forecast inventory requirements and optimize its inventory management processes. This led to an 8% reduction in parts inventory, reaching a high customer service level of 98.7% and reducing inventory growth for new equipment from a projected 10% to only 6%.

5 Seasonal Demand Fluctuations

Difficulty in aligning inventory with seasonal demand can result in surplus stock once the peak sales period ends. Toy manufacturers, for example, might produce too many holiday-themed toys only to face low demand after the holidays. The fashion industry frequently experiences similar challenges, with certain styles becoming obsolete as seasons change. The latest technologies can help businesses anticipate seasonal demand shifts and adjust inventory levels accordingly. By analyzing past sales data and predicting future trends, businesses can better prepare for seasonal fluctuations, minimize overstocking risk, and improve inventory turnover.

6 Supplier Lead Time Variability

Unreliable supplier lead times can lead to overstocking as a buffer against delays. If lead times improve or demand decreases unexpectedly, businesses may have excess inventory. For example, an auto parts distributor might stockpile components to mitigate supplier delays, only to find lead times improving suddenly.

Advanced technology can help by providing real-time data and predictive analytics to manage lead time variability better. These tools allow companies to dynamically adjust their orders, reducing the need for excessive safety stock.

7 Inadequate Inventory Policies

Outdated or incorrect inventory policies, such as faulty Min/Max settings, can lead to over-ordering.  However, using Modern technology to regularly review and update inventory policies ensures they align with current business needs and market conditions. By keeping policies up-to-date, businesses can reduce the risk of overstocking due to procedural errors. A recent case study demonstrated how a major retailer used Smart IP&O to revise inventory policies, resulting in a 15% reduction in overstock​​.

8 Promotions and Marketing Campaigns

Misalignment between marketing efforts and actual customer demand can cause businesses to overestimate the impact of promotions, resulting in unsold inventory. For example, a cosmetics company might overproduce a limited edition product, expecting high demand that doesn’t materialize. Leveraging Smart IP&O can help align marketing initiatives with realistic demand expectations, avoiding excess stock. By integrating marketing plans with demand forecasts, businesses can optimize their promotional strategies to better match actual customer interest.

9 Fear of Stockouts

Companies often maintain higher inventory levels to avoid stockouts, which can lead to lost sales and unhappy customers. This fear can drive businesses to overstock as a safety net, especially in industries where customer satisfaction and retention are crucial. A notable example comes from a large retail chain that significantly increased its inventory of household goods to avoid stockouts. While this strategy initially helped meet customer demand, it later resulted in excess inventory as consumer purchasing patterns stabilized. This overstocking contributed to a profit drop of nearly 90% in the second quarter, largely due to markdowns and the clearing of excess stock.

To mitigate such situations, businesses can utilize advanced inventory planning and optimization tools to provide accurate demand forecasts. For instance, a leading electronics manufacturer used Smart IP&O solution to reduce inventory levels by 20% without impacting service levels, effectively reducing costs while maintaining customer satisfaction by ensuring they had the right amount of stock on hand​​​​.

10 Overcompensation for Supply Chain Issues

Businesses may overstock to safeguard against ongoing supply chain disruptions, but this can lead to storage issues. For instance, a tech company might stockpile components to avoid potential supply chain hiccups, resulting in surplus inventory and increased costs. Advanced systems can help businesses better anticipate and respond to supply chain challenges, balancing the need for safety stock with the risk of overstocking. A technology firm used Smart IP&O to streamline its inventory strategy, reducing excess stock by 20% while maintaining supply chain resilience​​.

11 Long Lead Times and Unreliable Suppliers

Prolonged lead times and unreliable suppliers can lead businesses to order more stock than needed to cover potential supply gaps. However, less critical Items that are forecasted to achieve very high service levels represent opportunities to reduce inventory.  By targeting lower service levels on less critical items, inventory will be “right size” over time to the new equilibrium, decreasing holding costs and the value of inventory on hand. A major public transit system reduced inventory by more than $4,000,000 while improving service levels using our cutting-edge technology.

12 Lack of Real-Time Inventory Visibility

Without real-time insights into inventory, businesses often order more stock than necessary, leading to inefficiencies and increased costs. Smart IP&O enabled Seneca companies 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.  By running and comparing different scenarios, they can easily define and update optimal stocking policies for each tech support rep and stockrooms.

El software ha proporcionado a los técnicos de campo evidencia que no tenían antes, mostrándoles su consumo real, la frecuencia de uso de piezas y la justificación de las políticas de almacenamiento, utilizando 90% como la norma de nivel de servicio objetivo. Los técnicos de campo han adoptado su uso, con resultados significativos: el inventario de "Zero Turns" se ha reducido de $400K a menos de $100K, la "tasa de primera solución" supera los 90% y la inversión total en inventario ha disminuido en más de 25%, de $11 millones a $ 8 millones .

In conclusion, overstocking seriously threatens business profitability and efficiency, leading to increased storage costs, tied-up capital, and potential obsolescence of goods. These issues can strain resources and limit a company’s ability to respond to market changes. However, overstocking can be effectively managed by understanding its causes, such as inaccurate demand forecasting, prolonged lead times, and unreliable suppliers. Implementing robust AI-driven solutions like Smart IP&O can help businesses optimize inventory levels, reduce excess stock, and enhance operational efficiency. By leveraging advanced forecasting and inventory optimization tools, companies can find the right balance in meeting customer demand and minimizing inventory-related costs.

La planificación de la demanda va más allá de la simple previsión de las necesidades de productos; se trata de garantizar que su empresa satisfaga las demandas de los clientes con precisión, eficiencia y rentabilidad. La última tecnología de planificación de la demanda aborda desafíos clave como la precisión de las previsiones, la gestión de inventarios y la capacidad de respuesta al mercado. En este blog, presentaremos tendencias críticas de planificación de la demanda, que incluyen información basada en datos, previsión probabilística, planificación por consenso, análisis predictivo, modelado de escenarios, visibilidad en tiempo real y previsión multinivel. Estas tendencias le ayudarán a mantenerse a la vanguardia, optimizar su cadena de suministro, reducir costes y mejorar la satisfacción del cliente, posicionando a su empresa para el éxito a largo plazo.

Perspectivas basadas en datos

La analítica avanzada, el aprendizaje automático y la inteligencia artificial (IA) se están convirtiendo en elementos fundamentales de la planificación de la demanda. Tecnologías como Smart UP&O permiten a las empresas analizar conjuntos de datos complejos, identificar patrones y realizar predicciones más precisas. Este cambio hacia información basada en datos ayuda a las empresas a responder rápidamente a los cambios del mercado, lo que minimiza los desabastecimientos y reduce el exceso de inventario.

Predicción Probabilística

La previsión probabilística se centra en predecir una variedad de resultados posibles en lugar de una sola cifra. Esta tendencia es particularmente importante para gestionar la incertidumbre y el riesgo en la planificación de la demanda. Ayuda a las empresas a prepararse para diversos escenarios de demanda, mejorando la gestión del inventario y reduciendo la probabilidad de desabastecimiento o exceso de existencias.

Pronóstico por consenso

La fabricación moderna está avanzando hacia un enfoque integrado en el que los departamentos y las partes interesadas colaboran más estrechamente. La previsión colaborativa implica compartir información a lo largo de la cadena de suministro, desde los proveedores hasta los distribuidores y los equipos internos. Este enfoque elimina los silos y garantiza que todos trabajen hacia un objetivo común, lo que conduce a una cadena de suministro más sincronizada y eficiente.

Análisis predictivo y prescriptivo

El análisis predictivo pronostica resultados futuros en función de datos históricos y tendencias, lo que ayuda a las empresas a anticipar las fluctuaciones de la demanda. Por ejemplo, Smart Demand Planner (SDP) automatiza la previsión para ajustar los niveles de inventario y producción en consecuencia.

El análisis prescriptivo va más allá y ofrece recomendaciones prácticas. Por ejemplo, Smart Inventory Planning and Optimization (IP&O) prescribe políticas de inventario óptimas en función de los niveles de servicio, los costos y los riesgos. En conjunto, estas herramientas permiten tomar decisiones proactivas, lo que permite a las empresas predecir y optimizar sus respuestas a los desafíos futuros.

Modelado de escenarios

El modelado de escenarios se está convirtiendo en una parte clave de la planificación de la demanda, ya que permite a las empresas simular diferentes escenarios y evaluar su impacto en las operaciones. Este método ayuda a las empresas a crear estrategias adaptables para gestionar las incertidumbres de manera eficaz. Smart IP&O mejora esta capacidad al ofrecer ¿Qué pasaría si…? Escenarios que permiten a los usuarios probar diferentes políticas de inventario antes de implementarlas. Al ajustar variables como los niveles de servicio o las cantidades de pedidos, las empresas pueden visualizar los efectos en los costos y los niveles de servicio, lo que les permite seleccionar la estrategia óptima para minimizar los riesgos y controlar los costos.

Visibilidad en tiempo real

A medida que las cadenas de suministro se vuelven más globales e interconectadas, la visibilidad en tiempo real de los inventarios y las actividades de la cadena de suministro es crucial. Una mejor colaboración con proveedores y distribuidores, combinada con datos en tiempo real, permite a las empresas tomar decisiones más rápidas e informadas. Esto ayuda a optimizar los niveles de inventario, reducir los plazos de entrega y mejorar la resiliencia general de la cadena de suministro.

Pronóstico multinivel

Esto implica realizar previsiones en diferentes niveles de la jerarquía de productos, como artículos individuales, familias de productos o incluso líneas de productos completas. La previsión multinivel es vital para las empresas con carteras de productos complejas, ya que garantiza que las previsiones sean precisas tanto a nivel micro como macro.

La planificación de la demanda es un aspecto decisivo de la gestión moderna de la cadena de suministro, que ofrece a las empresas la capacidad de mejorar la eficiencia operativa, reducir los costes y satisfacer mejor las demandas de los clientes. El uso de plataformas avanzadas como Smart IP&O mejora significativamente la precisión de las previsiones y la gestión del inventario, lo que permite responder con rapidez a las fluctuaciones del mercado. Las previsiones estadísticas automatizadas, combinadas con funciones como la previsión jerárquica y las anulaciones de previsiones, garantizan que las previsiones sean precisas y adaptables, lo que conduce a decisiones de planificación más realistas. Además, con herramientas como el modelado de escenarios, las empresas pueden explorar varios escenarios de demanda en toda su jerarquía de productos, lo que facilita la toma de decisiones informada al proporcionar información sobre los posibles resultados y riesgos. Este enfoque permite a las empresas anticipar el impacto de los cambios de políticas, tomar mejores decisiones y, en última instancia, optimizar su inventario y la gestión general de la cadena de suministro, manteniéndose a la vanguardia de las tendencias clave en el proceso.

Para algunos de nuestros clientes, el clima tiene una influencia significativa en la demanda. Los fenómenos meteorológicos extremos de corto plazo, como incendios, sequías, olas de calor, etc., pueden tener una influencia significativa en el corto plazo sobre la demanda.

Hay dos formas de incluir el clima en un pronóstico de demanda: indirecta y directamente. La ruta indirecta es más fácil utilizando el enfoque basado en escenarios de Planificador de la demanda. El enfoque directo requiere un proyecto especial personalizado que requiere datos adicionales y modelos hechos a mano.

Contabilidad indirecta del tiempo

El modelo estándar integrado Planificador de la demanda (SDP) se adapta a los efectos climáticos de cuatro maneras:

1. Si el mundo se está calentando, enfriando, secando o humedeciendo constantemente de maneras que impactan sus ventas, SDP detecta estas tendencias automáticamente y las incorpora a los escenarios de demanda que genera.
2. Si tu negocio tiene un ritmo regular en el que ciertos días de la semana o ciertos meses del año tienen consistentemente una demanda mayor o menor que el promedio, SDP también detecta automáticamente esta estacionalidad y la incorpora a sus escenarios de demanda.
3. A menudo es la aleatoriedad del clima lo que interfiere con la precisión del pronóstico. A menudo nos referimos a este efecto como "ruido". El ruido es un término general que incorpora todo tipo de problemas aleatorios. Además del clima, un estallido geopolítico, la quiebra sorpresa de un banco regional o el atascamiento de un barco en el Canal de Suez pueden agregar sorpresas a la demanda de productos, y lo han hecho. SDP evalúa la volatilidad de la demanda y la reproduce en sus escenarios de demanda.
4. Anulaciones de gestión. La mayoría de las veces, los clientes permiten que SDP genere automáticamente decenas de miles de escenarios de demanda. Pero si los usuarios sienten la necesidad de modificar pronósticos específicos utilizando su conocimiento interno, SDP puede hacerlo mediante anulaciones de la administración.

Contabilidad directa del clima

A veces, un usuario podrá articular su experiencia en la materia vinculando factores externos a su empresa (como tasas de interés, costos de materias primas o tendencias tecnológicas) con sus propias ventas agregadas. En estas situaciones, Smart Software puede organizar proyectos especiales únicos que proporcionen modelos alternativos ("causales") para complementar nuestros modelos de pronóstico estadístico estándar. Póngase en contacto con su representante de Smart Software para analizar un posible proyecto de modelado causal.

Mientras tanto, no olvides tu paraguas.

Es probable que las personas nuevas en los trabajos de “planificador de demanda” o “planificador de suministro” tengan preguntas sobre los diversos términos y métodos de pronóstico utilizados en sus trabajos. Esta nota puede ayudar a explicar estos términos y mostrar cómo se relacionan.

Planificacion de la Demanda

La planificación de la demanda se refiere a qué cantidad de lo que tiene para vender saldrá por la puerta en el futuro, por ejemplo, cuánto venderá el próximo trimestre. A continuación se presentan seis metodologías que se utilizan a menudo en la planificación de la demanda.

• Pronóstico Estadístico
  • Estos métodos utilizan el historial de demanda para pronosticar valores futuros. Los dos métodos más comunes son el ajuste de curvas y el suavizado de datos.
  • El ajuste de curvas coincide con una función matemática simple, como la ecuación de una línea recta (y= a +b∙t) o una curva tipo tasa de interés (y=a∙b^t), al historial de demanda. Luego extiende esa línea o curva hacia adelante en el tiempo según el pronóstico.
  • Por el contrario, el suavizado de datos no da como resultado una ecuación. En lugar de eso, recorre el historial de demanda, promediando valores a lo largo del camino, para crear una versión más fluida del historial. Estos métodos se denominan suavizado exponencial y media móvil. En el caso más simple (es decir, en ausencia de tendencia o estacionalidad, para lo cual existen variantes), el objetivo es estimar el nivel promedio actual de demanda y utilizarlo como pronóstico.
  • Estos métodos producen “pronósticos puntuales”, que son estimaciones de un solo número para cada período futuro (por ejemplo, “Las ventas en marzo serán 218 unidades”). A veces vienen con estimaciones de posibles errores de pronóstico combinadas con modelos separados de variabilidad de la demanda (“Las ventas en marzo serán de 218 ± 120 unidades”).

• Predicción Probabilística
  • Este enfoque se centra en la aleatoriedad de la demanda y trabaja intensamente para estimar la incertidumbre del pronóstico. Considera que las previsiones son menos un ejercicio de obtención de cifras específicas y más un ejercicio de gestión de riesgos.
  • Modela explícitamente la variabilidad de la demanda y la utiliza para presentar resultados en forma de un gran número de escenarios construidos para mostrar la gama completa de posibles secuencias de demanda. Son especialmente útiles en tareas tácticas de planificación de suministros, como establecer puntos de reorden y cantidades de pedidos.

• Pronóstico causal
  • Los modelos de pronóstico estadístico utilizan como datos de entrada únicamente el historial de demanda del artículo en cuestión. Consideran que los altibajos en el gráfico de la demanda son el resultado final de innumerables factores no identificados (las tasas de interés, el precio del té en China, las fases de la luna, lo que sea). El pronóstico causal identifica explícitamente una o más influencias (tasas de interés, inversión en publicidad, precios de la competencia,...) que podrían influir de manera plausible en las ventas. Luego construye una ecuación que relaciona los valores numéricos de estos “impulsores” o “factores causales” con las ventas de artículos. Los coeficientes de la ecuación se estiman mediante “análisis de regresión”.

• Pronóstico crítico
  • Tripa Dorada. A pesar de la disponibilidad general de grandes cantidades de datos, algunas empresas prestan poca atención a los números y dan mayor peso a los juicios subjetivos de un ejecutivo al que se considera que tiene un "instinto dorado", que le permite utilizar su "instinto" para predecir. cuál será la demanda futura. Si esa persona tiene una gran experiencia, ha dedicado una carrera a analizar los números y no es propensa a hacer ilusiones u otras formas de sesgo cognitivo, el Golden Gut puede ser una forma rápida y económica de planificar. Pero hay buena evidencia de estudios de empresas administradas de esta manera de que confiar en Golden Gut es riesgoso.
  • Consenso de grupo. Más común es un proceso que utiliza una reunión periódica para crear un pronóstico de consenso grupal. El grupo tendrá acceso a pronósticos y datos objetivos compartidos, pero los miembros también tendrán conocimiento de factores que pueden no medirse bien o no medirse en absoluto, como el sentimiento del consumidor o las historias transmitidas por los representantes de ventas. Es útil tener un punto de partida objetivo y compartido para estas discusiones que consista en algún tipo de análisis estadístico objetivo. Entonces el grupo puede considerar ajustar el pronóstico estadístico. Este proceso ancla el pronóstico en la realidad objetiva pero explota toda la demás información disponible fuera de la base de datos de pronóstico.
  • Generación de escenarios. A veces, varias personas se reúnen y discuten preguntas estratégicas sobre qué pasaría si. "¿Qué pasa si perdemos a nuestros clientes australianos?" "¿Qué pasa si el lanzamiento de nuestro nuevo producto se retrasa seis meses?" “¿Qué pasa si nuestro gerente de ventas para el medio oeste recurre a un competidor?” Estas preguntas más amplias pueden tener implicaciones para los pronósticos de elementos específicos y podrían agregarse a cualquier reunión de pronóstico de consenso del grupo.

• Previsión de nuevos productos.
  • Los productos nuevos, por definición, no tienen un historial de ventas que respalde pronósticos estadísticos, probabilísticos o causales. Aquí siempre se pueden utilizar métodos de previsión subjetivos, pero a menudo se basan en una peligrosa proporción entre esperanzas y hechos. Afortunadamente, existe al menos un apoyo parcial para la previsión objetiva en forma de ajuste de curvas.
  • Un gráfico de las ventas acumuladas de un artículo a menudo describe una especie de “curva en S”, es decir, un gráfico que comienza en cero, aumenta y luego se nivela hasta alcanzar las ventas totales finales de por vida. La curva recibe su nombre porque parece una letra S de alguna manera manchada y estirada hacia la derecha. Ahora hay un número infinito de curvas S, por lo que los pronosticadores normalmente eligen una ecuación y especifican subjetivamente algunos valores de parámetros clave, como cuándo las ventas alcanzarán 25%, 50% y 75% de ventas totales de por vida y cuál será ese nivel final. Esto también es abiertamente subjetivo, pero produce pronósticos detallados período por período que pueden actualizarse a medida que se acumula experiencia. Finalmente, las curvas en S a veces tienen forma para coincidir con la historia conocida de un producto predecesor similar (“Las ventas de nuestro último artilugio se veían así, así que usémoslo como plantilla”).

Planificación del Suministro

La planificación de la demanda alimenta la planificación de la oferta al predecir las ventas futuras (por ejemplo, de productos terminados) o el uso (por ejemplo, de repuestos). Luego, depende de la planificación del suministro asegurarse de que los artículos en cuestión estén disponibles para su venta o uso.

• Demanda dependiente
  • La demanda dependiente es la demanda que puede determinarse por su relación con la demanda de otro artículo. Por ejemplo, una lista de materiales puede mostrar que un pequeño carro rojo consta de una carrocería, una barra de tracción, cuatro ruedas, dos ejes y varios sujetadores para mantener las ruedas en los ejes y conectar la barra de tracción a la carrocería. Entonces, si espera vender 10 vagones rojos, será mejor que fabrique 10, lo que significa que necesita 10×2 = 20 ejes, 10×4 = 40 ruedas, etc. La demanda dependiente rige la compra de materias primas, la compra de componentes y subsistemas. incluso contratación de personal (10 vagones necesitan un chico de secundaria para armarlos en un turno de 1 hora).
  • Si tiene varios productos con listas de materiales parcialmente superpuestas, puede elegir entre dos enfoques de previsión. Supongamos que usted vende no sólo carritos rojos sino también carritos de bebé azules y que ambos utilizan los mismos ejes. Para predecir la cantidad de ejes que necesita, puede (1) predecir la demanda dependiente de ejes de cada producto y agregar los pronósticos o (2) observar el historial de demanda total de ejes como su propia serie de tiempo y pronosticarlo por separado. Cuál funciona mejor es una cuestión empírica que puede comprobarse.

• La gestión del inventario
  • La gestión de inventario implica muchas tareas diferentes. Estos incluyen establecer parámetros de control de inventario, como puntos de reorden y cantidades de pedidos, reaccionar ante contingencias como desabastecimientos y aceleración de pedidos, establecer niveles de personal y seleccionar proveedores.

• La previsión juega un papel en los tres primeros. El número de pedidos de reabastecimiento que se realizarán en un año para cada producto determina cuántas personas se necesitan para reducir las órdenes de compra. El número y la gravedad de los desabastecimientos en un año determinan el número de contingencias que deben manejarse. El número de órdenes de compra y desabastecimientos en un año será aleatorio pero se regirá por la elección de los parámetros de control de inventario. Las implicaciones de cualquiera de estas elecciones pueden modelarse mediante simulaciones de inventario. Estas simulaciones estarán impulsadas por escenarios de demanda detallados generados por pronósticos probabilísticos.

​

Cada campo, incluido el pronóstico, acumula sabiduría popular que eventualmente comienza a disfrazarse de “mejores prácticas”. Estas mejores prácticas suelen ser acertadas, al menos en parte, pero a menudo carecen de contexto y pueden no ser apropiadas para determinados clientes, industrias o situaciones comerciales. A menudo hay un problema, un “Sí, pero”. Esta nota trata sobre seis preceptos de pronóstico generalmente verdaderos que, sin embargo, tienen sus salvedades.

1. Organice su empresa en torno a una previsión de un número. Esto suena sensato: es bueno tener una visión compartida. Pero cada parte de la empresa tendrá su propia idea sobre qué número es el número. Finanzas puede querer ingresos trimestrales, Marketing puede querer visitas al sitio web, Ventas puede querer rotación, Mantenimiento puede querer tiempo medio hasta el fracaso. De hecho, cada unidad probablemente tenga un puñado de métricas clave. No necesitas un eslogan: necesitas hacer tu trabajo.

2. Incorporar el conocimiento empresarial en un proceso de previsión colaborativo. Esta es una buena regla general, pero si su proceso de colaboración tiene fallas, alterar un pronóstico estadístico mediante anulaciones de gestión puede disminuir la precisión. No necesita un eslogan: necesita medir y comparar la precisión de todos y cada uno de los métodos e ir con los ganadores.

3. Previsión mediante modelos causales. Los métodos de pronóstico extrapolativos no tienen en cuenta las fuerzas subyacentes que impulsan sus ventas, simplemente trabajan con los resultados. El modelado causal profundiza en los factores fundamentales y puede mejorar tanto la precisión como el conocimiento. Sin embargo, los modelos causales (implementados mediante análisis de regresión) pueden ser menos precisos, especialmente cuando requieren pronósticos de los factores determinantes (“predicciones de los predictores”) en lugar de simplemente ingresar valores registrados de variables predictoras rezagadas. No necesitas un eslogan: necesitas una comparación directa.

4. Pronosticar la demanda en lugar de los envíos. Lo que realmente se desea es demanda, pero “componer una señal de demanda” puede ser complicado: ¿qué se hace con las transferencias internas? ¿Únicos? ¿Ventas perdidas? Además, los datos de la demanda pueden manipularse. Por ejemplo, si los clientes intencionalmente no realizan pedidos o intentan manipular sus pedidos haciendo pedidos con demasiada anticipación, entonces el historial de pedidos no será mejor que el historial de envíos. al menos con historial de envíos, es exacto: sabes lo que enviaste. Las previsiones de envíos no son previsiones de “demanda”, pero son un sólido punto de partida.

5. Utilice métodos de aprendizaje automático. En primer lugar, el “aprendizaje automático” es un concepto elástico que incluye un conjunto cada vez mayor de alternativas. Debajo del capó de muchos modelos anunciados por ML hay solo una selección automática un método de pronóstico extrapolativo (es decir, mejor ajuste) que, si bien es excelente para pronosticar la demanda normal, existe desde la década de 1980 (Smart Software fue la primera compañía en lanzar un método de selección automática para PC). Los modelos de aprendizaje automático acaparan datos y requieren conjuntos de datos más grandes de los que puede tener disponibles. Elegir adecuadamente y luego entrenar un modelo de ML requiere un nivel de experiencia estadística que es poco común en muchas empresas de fabricación y distribución. Es posible que desees encontrar a alguien que te tome de la mano antes de comenzar a jugar este juego.

6. Eliminar los valores atípicos crea mejores pronósticos. Si bien es cierto que picos o caídas muy inusuales en la demanda enmascararán patrones de demanda subyacentes como la tendencia o la estacionalidad, no siempre es cierto que se deban eliminar los picos. A menudo, estos aumentos repentinos de la demanda reflejan la incertidumbre que puede interferir aleatoriamente con su negocio y, por lo tanto, es necesario tenerlo en cuenta. Eliminar este tipo de datos de su modelo de pronóstico de demanda puede hacer que los datos sean más predecibles en papel, pero lo dejará sorprendido cuando vuelva a suceder. Por lo tanto, tenga cuidado al eliminar los valores atípicos, especialmente en masa.