Seis mejores prácticas de planificación de la demanda en las que debería pensar dos veces

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. This sounds sensible: it’s good to have a shared vision. But each part of the company will have its own idea about which number is the number. Finance may want quarterly revenue, Marketing may want web site visits, Sales may want churn, Maintenance may want mean time to failure. For that matter, each unit probably has a handful of key metrics. You don’t need a slogan – you need to get your job done.

 

  1. 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.

 

  1. 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.

 

  1. 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.

 

  1. 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.

 

  1. 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.

 

 

 

 

¿Cómo trata su sistema ERP el stock de seguridad?

¿Se considera el stock de seguridad como repuestos de emergencia o como un amortiguador diario contra picos en la demanda? Conocer la diferencia y configurar su ERP correctamente marcará una gran diferencia en sus resultados.

Él Stock de seguridad campo en tu ERP sistema puede significar cosas muy diferentes dependiendo de la configuración. No comprender estas diferencias y cómo afectan sus resultados es un problema común que hemos visto surgir en las implementaciones de nuestro software.

La implementación del software de optimización de inventario comienza cuando los nuevos clientes completan la implementación técnica para que los datos fluyan. Luego reciben capacitación de usuarios y pasan semanas configurando cuidadosamente sus existencias de seguridad iniciales, niveles de reorden y pronósticos de demanda de consenso con Smart IP&O. El equipo se siente cómodo con las predicciones de rendimiento clave (KPP) de Smart para los niveles de servicio, los costos de pedido y el inventario disponible, todo lo cual se pronostica utilizando las nuevas políticas de almacenamiento.

Pero cuando guardan las políticas y los pronósticos en su sistema de prueba ERP, a veces los pedidos sugeridos son mucho más grandes y más frecuentes de lo que esperaban, lo que aumenta los costos de inventario proyectados.

Cuando esto sucede, el principal culpable es cómo está configurado el ERP para tratar el stock de seguridad. Estar al tanto de estos ajustes de configuración ayudará a los equipos de planificación a establecer mejor las expectativas y lograr los resultados esperados con menos esfuerzo (¡y motivo de alarma!).

Estos son los tres ejemplos comunes de configuraciones de inventario de seguridad de ERP:

Configuración 1. El inventario de seguridad se trata como stock de emergencia que no se puede consumir. Si se pronostica un incumplimiento del stock de seguridad, el sistema ERP forzará una aceleración sin importar el costo para que el inventario disponible nunca caiga por debajo del stock de seguridad, incluso si ya se ha pedido un recibo programado y está programado para llegar pronto.

Configuración 2. El inventario de seguridad se trata como Reserva de estabilización que está diseñado para ser consumido. El sistema ERP colocará un pedido cuando se pronostique un incumplimiento del stock de seguridad, pero se permitirá que el inventario disponible caiga por debajo del stock de seguridad. La reserva de reserva protege contra el desabastecimiento durante el período de reabastecimiento (es decir, el tiempo de entrega).

Configuración 3. El sistema ignora el inventario de seguridad y lo trata como un indicador visual. ayuda de planificación o regla empírica. Los cálculos de planificación de suministro lo ignoran, pero el planificador lo utiliza para ayudar a realizar evaluaciones manuales de cuándo hacer un pedido.

Nota: Nunca recomendamos usar el campo de inventario de seguridad como se describe en la Configuración 3. En la mayoría de los casos, estas configuraciones no fueron intencionadas sino que son el resultado de años de improvisación que han llevado a usar el ERP de una manera no estándar. En general, estos campos se diseñaron para influir mediante programación en los cálculos de reposición. Entonces, el foco de nuestra conversación estará en las Configuraciones 1 y 2. 

Los sistemas de optimización de inventario y pronóstico están diseñados para calcular pronósticos que anticiparán la reducción del inventario y luego calcularán las existencias de seguridad suficientes para proteger contra la variabilidad en la demanda y el suministro. Esto significa que el stock de seguridad está destinado a ser utilizado como tampón protector (Configuración 2) y no como emergencia escasa (Configuración 3). También es importante entender que, por diseño, el inventario de seguridad será consumido aproximadamente 50% de la época.

¿Por qué 50%? Porque los pedidos reales superarán un pronóstico imparcial la mitad de las veces. Vea el gráfico a continuación que ilustra esto. Un pronóstico "bueno" debe arrojar el valor que se acercará más al real con mayor frecuencia, de modo que la demanda real sea mayor o menor sin sesgo en ninguna dirección.

 

¿Cómo trata su sistema ERP el stock de seguridad 1

 

Si configuró su sistema ERP para permitir correctamente el consumo de existencias de seguridad, entonces el inventario disponible podría verse como el gráfico a continuación. Tenga en cuenta que se consume algo de stock de seguridad, pero se evita un desabastecimiento. El nivel de servicio al que se dirige al calcular el stock de seguridad determinará la frecuencia con la que se agota el stock antes de que llegue la orden de reposición. El inventario promedio es de aproximadamente 60 unidades durante el horizonte de tiempo en este escenario.

 

¿Cómo trata su sistema ERP el stock de seguridad 2?

 

Si su sistema ERP está configurado para no permita el consumo de existencias de seguridad y trate la cantidad ingresada en el campo de existencias de seguridad más como repuestos de emergencia, ¡entonces tendrá un exceso de existencias masivo! Su inventario disponible se vería como el gráfico a continuación con pedidos acelerados tan pronto como se espera una violación del stock de seguridad. El inventario promedio es de aproximadamente 90 unidades, un aumento de 50% en comparación con cuando permitió que se consumiera el stock de seguridad.

 

¿Cómo trata su sistema ERP el stock de seguridad 3

 

Los 4 movimientos principales cuando sospecha que el software está inflando el inventario

A menudo nos preguntan: "¿Por qué el software aumenta el inventario?" La respuesta es que Smart no lo está impulsando en ninguna dirección: las entradas lo están impulsando y esas entradas están controladas por los usuarios (o administradores). Aquí hay cuatro cosas que puede hacer para obtener los resultados que espera.

1. Confirme que sus objetivos de nivel de servicio se correspondan con lo que desea para ese artículo o grupo de artículos. Establecer objetivos muy altos (95% o más) probablemente aumentará el inventario si ha estado navegando a un nivel más bajo y está de acuerdo con estar allí. Es posible que nunca haya alcanzado el nuevo nivel de servicio superior, pero los clientes no se han quejado. Averigüe qué nivel de servicio ha funcionado mediante la evaluación de informes históricos sobre el rendimiento y establezca sus objetivos en consecuencia. Pero tenga en cuenta que los competidores pueden ganarle en la disponibilidad de artículos si sigue utilizando los objetivos de nivel de servicio de su padre.

2. Asegúrese de que su comprensión del "nivel de servicio" coincida con la definición del sistema de software. Es posible que esté midiendo el rendimiento en función de la frecuencia con la que realiza envíos en el plazo de una semana desde la recepción del pedido del cliente, mientras que el software apunta a los puntos de pedido en función de su capacidad para realizar envíos de inmediato, no en el plazo de una semana. Claramente, este último requerirá más inventario para alcanzar el mismo "nivel de servicio". Por ejemplo, un nivel de servicio del mismo día 75% puede corresponder a un nivel de servicio de la misma semana 90%. En este caso, en realidad estás comparando manzanas con naranjas. Si este es el motivo del exceso de existencias, determine qué nivel de servicio "mismo día" se necesita para llegar al nivel de servicio deseado "misma semana" e ingréselo en el software. El uso del objetivo del mismo día menos estricto reducirá el inventario, a veces de manera muy significativa.

3. Evaluar las entradas de tiempo de entrega. Hemos visto casos en los que los plazos de entrega se han inflado para engañar al software antiguo para que produzca los resultados deseados. El software moderno realiza un seguimiento del rendimiento de los proveedores mediante el registro de sus tiempos de entrega reales en varios pedidos, luego tiene en cuenta la variabilidad del tiempo de entrega en sus simulaciones de operaciones diarias. Tenga cuidado si sus plazos de entrega se fijan en un valor que se decidió en el pasado lejano y no es actual.

4. Verifique su señal de demanda. Tiene muchas transacciones históricas en su sistema ERP que se pueden usar de muchas maneras para determinar el historial de demanda. Si utiliza señales como transferencias o no excluye devoluciones, es posible que esté exagerando la demanda. Dedique un poco de tiempo a definir la "demanda" de la manera que tenga más sentido para su situación.

Correlación frente a causalidad: ¿es esto relevante para su trabajo?

Fuera del trabajo, es posible que haya escuchado el famoso dicho "Correlación no es causalidad". Puede sonar como una tontería teórica que, aunque involucrada en un Premio Noble reciente en economía, no es relevante para su trabajo como planificador de la demanda. De ser así, es posible que solo tengas razón en parte.

Modelos extrapolativos vs causales

La mayoría de los pronósticos de demanda utilizan modelos extrapolativos. También llamados modelos de series de tiempo, estos pronostican la demanda usando solo los valores pasados de la demanda de un artículo. Los gráficos de valores pasados revelan la tendencia, la estacionalidad y la volatilidad, por lo que son buenos para muchas cosas. Pero existe otro tipo de modelo, los modelos causales, que potencialmente pueden mejorar la precisión de los pronósticos más allá de lo que puede obtener de los modelos extrapolativos.

Los modelos causales aportan más datos de entrada a la tarea de previsión: información sobre supuestos "impulsores" de previsión externos al historial de demanda de un artículo. Los ejemplos de factores causales potencialmente útiles incluyen variables macroeconómicas como la tasa de inflación, la tasa de crecimiento del PIB y los precios de las materias primas. Los ejemplos que no están vinculados a la economía nacional incluyen las tasas de crecimiento específicas de la industria y el gasto publicitario propio y de la competencia. Estas variables generalmente se utilizan como entradas para los modelos de regresión, que son ecuaciones con la demanda como salida y variables causales como entradas.

Pronóstico utilizando modelos causales

Muchas empresas tienen un proceso S&OP que implica una revisión mensual de pronósticos estadísticos (extrapolativos) en los que la gerencia ajusta los pronósticos según su criterio. A menudo, esta es una forma indirecta y subjetiva de trabajar con modelos causales en el proceso sin hacer el modelo de regresión.

Para hacer realmente un modelo de regresión causal, primero debe designar una lista de variables predictoras causales potencialmente útiles. Estos pueden provenir de su experiencia en la materia. Por ejemplo, suponga que fabrica vidrio para ventanas. Gran parte de su vidrio puede terminar en casas nuevas y edificios de oficinas nuevos. Por lo tanto, la cantidad de casas y oficinas nuevas que se están construyendo son variables predictoras plausibles en una ecuación de regresión.

Aquí hay una complicación: si está usando la ecuación para predecir algo, primero debe predecir los predictores. Por ejemplo, las ventas de vidrio del próximo trimestre pueden estar fuertemente relacionadas con el número de viviendas nuevas y edificios de oficinas nuevos el próximo trimestre. Pero, ¿cuántas casas nuevas habrá el próximo trimestre? Ese es su propio problema de pronóstico. Entonces, tiene un modelo de pronóstico potencialmente poderoso, pero tiene trabajo adicional que hacer para que sea utilizable.

Hay una forma de simplificar las cosas: si las variables predictoras son versiones "retrasadas" de sí mismas. Por ejemplo, la cantidad de nuevos permisos de construcción emitidos hace seis meses puede ser un buen predictor de las ventas de vidrio el próximo mes. No tiene que predecir los datos del permiso de construcción, solo tiene que buscarlos.

¿Es una relación causal o simplemente una correlación espuria?

Los modelos causales son el verdadero negocio: hay un mecanismo real que relaciona la variable predictora con la variable predicha. El ejemplo de predecir las ventas de vidrio a partir de los permisos de construcción es un ejemplo.

Una relación de correlación es más dudosa. Existe una asociación estadística que puede o no proporcionar una base sólida para la previsión. Por ejemplo, suponga que vende un producto que atrae más a los holandeses pero no se da cuenta. Los holandeses son, en promedio, las personas más altas de Europa. Si sus ventas están aumentando y la altura promedio de los europeos está aumentando, puede usar esa relación con buenos resultados. Sin embargo, si la proporción de holandeses en la zona euro está disminuyendo mientras que la estatura promedio está aumentando porque la mezcla de hombres versus mujeres se está desplazando hacia los hombres, ¿qué puede salir mal? Esperará que las ventas aumenten porque la estatura promedio está aumentando. Pero sus ventas son principalmente a los holandeses, y su proporción relativa de la población se está reduciendo, por lo que sus ventas realmente van a disminuir. En este caso, la asociación entre las ventas y la altura del cliente es una correlación espuria.

¿Cómo se puede saber la diferencia entre relaciones verdaderas y espurias? El estándar de oro es hacer un experimento científico riguroso. Pero no es probable que esté en condiciones de hacerlo. En cambio, debe confiar en su “modelo mental” personal de cómo funciona su mercado. Si sus corazonadas son correctas, entonces sus modelos causales potenciales se correlacionarán con la demanda y los modelos causales le darán sus frutos, ya sea para complementar los modelos extrapolables o para reemplazarlos.

 

 

 

 

Qué datos se necesitan para respaldar las implementaciones del software de planificación de la demanda

Recientemente nos reunimos con el equipo de TI de uno de nuestros clientes para analizar los requisitos de datos y la instalación de nuestra integración basada en API que extraería datos de la instalación local de su sistema ERP. Tanto el gerente de TI como el analista expresaron una gran preocupación por proporcionar estos datos y cuestionaron seriamente por qué era necesario proporcionarlos. Incluso expresaron su preocupación de que sus datos pudieran ser revendidos a su competencia. Su reacción fue una gran sorpresa para nosotros. Escribimos este blog pensando en ellos y para que sea más fácil para otros comunicar por qué ciertos datos son necesarios para respaldar un proceso de planificación de la demanda eficaz. 

Tenga en cuenta que si es analista de pronósticos, planificador de demanda o profesional de la cadena de suministro, la mayor parte de lo que leerá a continuación será obvio. Pero lo que esta reunión me enseñó es que lo que es obvio para un grupo de especialistas no será obvio para otro grupo de especialistas en un campo completamente diferente. 

Los cuatro tipos principales de datos que se necesitan son:  

  1. Transacciones históricas, como órdenes de venta y envíos.
  2. transacciones de uso de trabajo, como qué componentes se necesitan para producir productos terminados
  3. Transacciones de transferencia de inventario, como qué inventario se envió de un lugar a otro.
  4. Precios, costos y atributos, como el costo unitario pagado al proveedor, el precio unitario pagado por el cliente y varios metadatos como la familia de productos, la clase, etc.  

A continuación, se incluye una breve explicación de por qué se necesitan estos datos para respaldar la implementación del software de planificación de la demanda de una empresa.

Registros transaccionales de ventas históricas y envíos por cliente
Piense en lo que se extrajo del inventario como la "materia prima" requerida por el software de planificación de la demanda. Esto puede ser lo que se vendió a quién y cuándo o lo que envió a quién y cuándo. O qué materias primas o subensamblajes se consumieron en las órdenes de trabajo y cuándo. O qué se suministra a un almacén satélite desde un centro de distribución y cuándo.

El software analiza el historial de estas transacciones y lo utiliza para producir pronósticos estadísticos que extrapolan los patrones observados. Los datos se evalúan para descubrir patrones como tendencia, estacionalidad, patrones cíclicos e identificar posibles valores atípicos que requieren atención comercial. Si estos datos no son generalmente accesibles o no se actualizan en intervalos irregulares, entonces es casi imposible crear una buena predicción de la demanda futura. Sí, podría usar el conocimiento comercial o la intuición, pero eso no escala y casi siempre introduce un sesgo en el pronóstico (es decir, pronostica constantemente demasiado alto o demasiado bajo). 

Se necesitan datos a nivel transaccional para respaldar pronósticos más detallados a nivel semanal o incluso diario. Por ejemplo, cuando una empresa entra en su temporada alta, es posible que desee comenzar a realizar pronósticos semanales para alinear mejor la producción con la demanda. No puede hacerlo fácilmente sin tener los datos transaccionales en un almacén de datos bien estructurado. 

También podría darse el caso de que ciertos tipos de transacciones no deban incluirse en los datos de demanda. Esto puede suceder cuando la demanda resulta de un gran descuento o alguna otra circunstancia que el equipo de la cadena de suministro sabe que sesgará los resultados. Si los datos se proporcionan en conjunto, es mucho más difícil segregar estas excepciones. En Smart Software, llamamos al proceso de averiguar qué transacciones (y los atributos transaccionales asociados) deben contarse en la señal de demanda como "composición de la señal de demanda". Tener acceso a todas las transacciones permite a una empresa modificar su señal de demanda según sea necesario a lo largo del tiempo dentro del software. Solo proporcionar algunos de los datos da como resultado una composición de demanda mucho más rígida que solo puede remediarse con trabajo de implementación adicional.

Precios y Costos
El precio por el que vendió sus productos y el costo que pagó para adquirirlos (o materias primas) es fundamental para poder pronosticar los ingresos o los costos. Una parte importante del proceso de planificación de la demanda es obtener conocimiento comercial de los clientes y los equipos de ventas. Los equipos de ventas tienden a pensar en la demanda por categoría de producto o cliente y hablan el lenguaje de los dólares. Por lo tanto, es importante expresar un pronóstico en dólares. El sistema de planificación de la demanda no puede hacer eso si el pronóstico se muestra solo en unidades. 

A menudo, la previsión de la demanda se utiliza para impulsar o al menos influir en un proceso de planificación y elaboración de presupuestos más amplio y la entrada clave para un presupuesto es una previsión de ingresos. Cuando se utilizan pronósticos de demanda para respaldar el proceso de ventas y operaciones, el software de planificación de la demanda debe promediar el precio de todas las transacciones o aplicar conversiones "por fases" que consideren el precio vendido en ese momento. Sin los datos sin procesar sobre precios y costos, el proceso de planificación de la demanda aún puede funcionar, pero se verá gravemente afectado. 

Atributos del producto, detalles del cliente y ubicaciones
Los atributos del producto son necesarios para que los pronosticadores puedan agregar pronósticos a través de diferentes familias de productos, grupos, códigos de productos básicos, etc. Es útil saber cuántas unidades y la demanda dolarizada total proyectada para las diferentes categorías. A menudo, el conocimiento comercial sobre cuál podría ser la demanda en el futuro no se conoce a nivel de producto, pero se conoce a nivel de familia de productos, nivel de cliente o nivel regional. Con la adición de atributos de producto a su feed de datos de planificación de la demanda, puede "resumir" fácilmente los pronósticos desde el nivel de artículo hasta el nivel de familia. Puede convertir pronósticos en estos niveles a dólares y colaborar mejor sobre cómo se debe modificar el pronóstico.  

Una vez que se aplica el conocimiento en forma de anulación de pronóstico, el software conciliará automáticamente el cambio con todos los elementos individuales que componen el grupo. De esta forma, un analista de pronósticos no tiene que ajustar individualmente cada parte. Pueden hacer un cambio a nivel agregado y dejar que el software de planificación de la demanda haga la reconciliación por ellos. 

La agrupación para facilitar el análisis también se aplica a los atributos del cliente, como el vendedor asignado o la ubicación de envío preferida del cliente. Y los atributos de ubicación pueden ser útiles, como la región asignada. A veces, los atributos se relacionan con una combinación de producto y ubicación, como proveedor preferido o planificador asignado, que pueden diferir para el mismo producto según el almacén.

 

Una nota final sobre la confidencialidad

Recuerde que nuestro cliente expresó su preocupación de que pudiéramos vender sus datos a un competidor. Nunca haríamos eso. Durante décadas, hemos utilizado los datos de los clientes con fines formativos y para mejorar nuestros productos. Somos escrupulosos a la hora de salvaguardar los datos de los clientes y anonimizar cualquier cosa que pueda usarse, por ejemplo, para ilustrar un punto en una publicación de blog.