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.

​

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.

Al final del vídeo, tendrá un conocimiento sólido de cómo aprovechar estos análisis para mejorar sus estrategias de gestión de inventario. No se trata sólo de herramientas, sino de una nueva forma de pensar y abordar la optimización del inventario con el apoyo de un software moderno.

“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.