La previsión automática es la característica más popular y más utilizada de SmartForecasts y Smart Demand Planner. Crear pronósticos automáticos es fácil. Pero, la simplicidad del Pronóstico Automático enmascara una poderosa interacción de varios métodos altamente efectivos de pronóstico. En este blog, discutimos parte de la teoría detrás de esta característica principal. Nos enfocamos en el pronóstico automático, en parte debido a su popularidad y en parte porque muchos otros métodos de pronóstico producen resultados similares. El conocimiento de la previsión automática se traslada inmediatamente a la media móvil simple, la media móvil lineal, el suavizado exponencial único, el suavizado exponencial doble, el suavizado exponencial de Winters y la previsión promocional.

Torneo de pronóstico

El pronóstico automático funciona mediante la realización de un torneo entre un conjunto de métodos competitivos. Debido a que las computadoras personales y la computación en la nube son rápidas, y debido a que hemos codificado algoritmos muy eficientes en el motor de pronóstico automático de SmartForecasts, es práctico adoptar un enfoque puramente empírico para decidir qué método de pronóstico extrapolativo usar. Esto significa que puede darse el lujo de probar una serie de enfoques y luego quedarse con el que mejor pronostique la serie de datos particular en cuestión. SmartForecasts automatiza completamente este proceso al probar los diferentes métodos de pronóstico en un torneo de pronóstico simulado. El ganador del torneo es el método que más se acerca a predecir nuevos valores de datos a partir de los antiguos. La precisión se mide por el error absoluto promedio (es decir, el error promedio, ignorando cualquier signo menos). El promedio se calcula sobre un conjunto de pronósticos, cada uno de los cuales utiliza una parte de los datos, en un proceso conocido como simulación deslizante.

Simulación deslizante

La simulación deslizante recorre repetidamente porciones cada vez más largas de los datos históricos, en cada caso pronosticando con anticipación el número deseado de períodos en su horizonte de pronóstico. Suponga que hay 36 valores de datos históricos y necesita pronosticar seis períodos por delante. Imagine que desea evaluar la precisión del pronóstico de algún método en particular, digamos un promedio móvil de cuatro observaciones, en la serie de datos en cuestión.

En un punto de la simulación deslizante, los primeros 24 puntos (solo) se utilizan para pronosticar los valores de datos históricos del 25 al 30, que consideramos temporalmente como desconocidos. Decimos que los puntos 25-30 están “retenidos” del análisis. Calcular los valores absolutos de las diferencias entre los seis pronósticos y los valores históricos reales correspondientes proporciona una instancia de cada pronóstico absoluto de 1 paso, 2 pasos, 3 pasos, 4 pasos, 5 pasos y 6 pasos. error. Repetir este proceso usando los primeros 25 puntos proporciona más instancias de errores de 1 paso, 2 pasos, 3 pasos adelante, etc. El promedio de todas las estimaciones de error absoluto obtenidas de esta manera proporciona un resumen de precisión de un solo número.

Métodos utilizados en la previsión automática

Normalmente, hay seis métodos de pronóstico extrapolativo que compiten en el torneo de pronóstico automático:

• media móvil simple
• Media móvil lineal
• Suavizado exponencial simple
• Suavizado exponencial doble
• Versión aditiva del suavizado exponencial de Winters
• Versión multiplicativa del suavizado exponencial de Winters

Los dos últimos métodos son apropiados para series estacionales; sin embargo, se excluyen automáticamente del torneo si hay menos de dos ciclos estacionales completos de datos (por ejemplo, menos de 24 períodos de datos mensuales u ocho períodos de datos trimestrales).

Estos seis métodos clásicos basados en el suavizado han demostrado ser fáciles de entender, fáciles de calcular y precisos. Puede excluir cualquiera de estos métodos del torneo si tiene preferencia por algunos de los competidores y no por otros.

Un pronóstico es una predicción sobre el valor de una variable de una serie de tiempo en algún momento en el futuro. Por ejemplo, es posible que desee estimar las ventas o la demanda de un producto del próximo mes. Una serie de tiempo es una secuencia de números registrados en intervalos de tiempo igualmente espaciados; por ejemplo, las ventas unitarias registradas cada mes.

Los objetivos que persigue cuando realiza previsiones dependen de la naturaleza de su trabajo y de su negocio. Todo pronóstico es incierto; de hecho, existe un rango de valores posibles para cualquier variable que pronostique. Los valores cercanos a la mitad de este rango tienen una mayor probabilidad de ocurrir realmente, mientras que los valores en los extremos del rango tienen menos probabilidades de ocurrir. La siguiente figura ilustra una distribución típica de los valores de pronóstico.

Ilustración de una distribución prevista de los valores previstos

Pronósticos puntuales

El uso más común de los pronósticos es estimar una secuencia de números que representan los valores futuros más probables de la variable de interés. Por ejemplo, supongamos que está desarrollando un plan de ventas y marketing para su empresa. Es posible que deba completar 12 celdas en una hoja de cálculo financiera con estimaciones de los ingresos totales de su empresa durante los próximos 12 meses. Estas estimaciones se denominan pronósticos puntuales porque se desea un único número (punto de datos) para cada período de pronóstico. La función de pronóstico automático de Smart Demand Planner le proporciona estos pronósticos puntuales automáticamente.

Pronósticos de intervalo

Aunque los pronósticos puntuales son convenientes, a menudo se beneficiará más de los pronósticos de intervalo. Los pronósticos de intervalo muestran el rango (intervalo) más probable de valores que podrían surgir en el futuro. Suelen ser más útiles que los pronósticos puntuales porque transmiten la cantidad de incertidumbre o riesgo involucrado en un pronóstico. El porcentaje del intervalo de pronóstico se puede especificar en los distintos cuadros de diálogo de pronóstico en el software de planificación de demanda..  Cada uno de los muchos métodos de pronóstico (automático, promedio móvil, suavizado exponencial, etc.) disponibles en Smart Demand Planner le permite establecer un intervalo de pronóstico.

La configuración predeterminada en Smart Demand Planner proporciona intervalos de pronóstico 90%. Interprete estos intervalos como el rango dentro del cual los valores reales caerán el 90% del tiempo. Si los intervalos son amplios, entonces existe una gran incertidumbre asociada con los pronósticos puntuales. Si los intervalos son estrechos, puedes tener más confianza. Si está realizando una función de planificación y desea valores del mejor y peor caso para las variables de interés en varios momentos en el futuro, puede utilizar los límites superior e inferior de los intervalos de pronóstico para ese propósito, con la estimación de un solo punto proporcionando la valor más probable. En la figura anterior, el intervalo de previsión del 90% se extiende de 3,36 a 6,64.

percentiles superiores

En el control de inventario, su objetivo puede ser hacer buenas estimaciones de un percentil alto de la demanda de un producto. Estas estimaciones le ayudan a hacer frente a la disyuntiva entre, por un lado, minimizar los costos de mantener y ordenar existencias y, por otra parte, minimizar el número de ventas perdidas o pendientes de entrega debido a un desabastecimiento. Por esta razón, es posible que desees conocer el percentil 99 o nivel de servicio de demanda, ya que la probabilidad de superar ese nivel es de sólo 1%.

Al pronosticar variables individuales con características como el pronóstico automático, tenga en cuenta que el límite superior de un intervalo de pronóstico 90% representa el percentil 95 de la distribución prevista de la demanda para esa variable. (Restar el percentil 5 del percentil 95 deja un intervalo que contiene 95%-5% = 90% de los valores posibles). Esto significa que puede estimar los percentiles superiores cambiando el valor del intervalo de pronóstico. En la figura, "Ilustrando una distribución prevista", el percentil 95 es 6,64.

Para optimizar las políticas de almacenamiento al nivel de servicio deseado o para permitir que el sistema recomiende qué política de almacenamiento y nivel de servicio genera el mejor rendimiento, considere utilizar la optimización inteligente de inventario. Está diseñado para admitir escenarios hipotéticos que muestran compensaciones previstas de distintas políticas de inventario, incluidos diferentes objetivos de nivel de servicio.

percentiles inferiores

A veces puede que le preocupe el extremo inferior de la distribución prevista para una variable. Estos casos suelen surgir en aplicaciones financieras, donde un percentil bajo de una estimación de ingresos representa una contingencia que requiere reservas financieras. Puede utilizar Smart Demand Planner en este caso de forma análoga al caso de la previsión de percentiles superiores. En la figura "Ilustración de una distribución prevista", el percentil 5 es 3,36.

En conclusión, la previsión implica predecir valores futuros, con pronósticos puntuales que ofrecen estimaciones únicas y pronósticos de intervalo que proporcionan rangos de valores probables. Smart Demand Planner automatiza los pronósticos puntuales y permite a los usuarios establecer intervalos, lo que ayuda en la evaluación de la incertidumbre. Para el control de inventario, la herramienta facilita la comprensión de los percentiles superior (por ejemplo, percentil 99) e inferior (por ejemplo, percentil 5). Para optimizar las políticas de almacenamiento y los niveles de servicio, Smart Inventory Optimization admite escenarios hipotéticos, lo que garantiza una toma de decisiones eficaz sobre cuánto almacenar teniendo en cuenta el riesgo de desabastecimiento que está dispuesto a aceptar.

Los retrasos en los plazos de entrega y la variabilidad del suministro son hechos de la vida de la cadena de suministro, sin embargo, las organizaciones que llevan el inventario a menudo se sorprenden cuando un proveedor se retrasa. Un proceso de planificación de inventario efectivo abarca este hecho de la vida y desarrolla políticas que dan cuenta de manera efectiva de esta incertidumbre. Claro, habrá momentos en que los retrasos en el tiempo de entrega surjan de la nada y causen una escasez. Pero la mayoría de las veces, la escasez es el resultado de:

1. No calcular las políticas de almacenamiento (p. ej., puntos de pedido, existencias de seguridad y niveles mínimos y máximos) con la frecuencia suficiente para detectar cambios en el tiempo de entrega. 
2. Usar estimaciones deficientes del tiempo de entrega real, como usar solo promedios de recibos históricos o confiar en una cotización del proveedor.

En su lugar, vuelva a calibrar las políticas en cada parte durante cada ciclo de planificación para detectar cambios en la demanda y los plazos de entrega. En lugar de asumir solo un tiempo de entrega promedio, simule los tiempos de entrega utilizando escenarios. De esta forma, las políticas de almacenamiento recomendadas tienen en cuenta las probabilidades de que los plazos de entrega sean elevados y se ajustan en consecuencia. Cuando haga esto, identificará los aumentos de inventario necesarios antes de que sea demasiado tarde. Obtendrá más ventas e impulsará mejoras significativas en la satisfacción del cliente.

Resumen

El análisis avanzado de la cadena de suministro de Smart Software explota múltiples métodos avanzados. Dos de los más importantes son el “bootstrapping estadístico” y la “simulación Monte Carlo”. Dado que ambos involucran muchos números aleatorios que vuelan, la gente a veces se confunde acerca de cuál es cuál y para qué sirven. Por eso, esta nota. En pocas palabras: el arranque estadístico genera escenarios de demanda para la previsión. La simulación de Monte Carlo utiliza los escenarios para la optimización del inventario.

arranque

Bootstrapping, también llamado "remuestreo", es un método de estadísticas computacionales que utilizamos para crear escenarios de demanda para la previsión. La esencia del problema de pronóstico es exponer los posibles futuros que su empresa podría enfrentar para que pueda averiguar cómo administrar los riesgos comerciales. Los métodos de pronóstico tradicionales se enfocan en calcular los futuros "más probables", pero no llegan a presentar el panorama completo del riesgo. Bootstrapping proporciona un número ilimitado de escenarios hipotéticos realistas.

Bootstrapping hace esto sin hacer suposiciones poco realistas sobre la demanda, es decir, que no es intermitente o que tiene una distribución de tamaños en forma de campana. Esas suposiciones son muletas para simplificar las matemáticas, pero el arranque es un procedimiento, no una ecuación, por lo que no necesita tales simplificaciones.

Para el tipo de demanda más simple, que es una aleatoriedad estable sin estacionalidad ni tendencia, el arranque es muy fácil. Para tener una idea razonable de cuál podría ser el valor de una sola demanda futura, elija una de las demandas históricas al azar. Para crear un escenario de demanda, haga múltiples selecciones aleatorias del pasado y únalas. Hecho. Es posible agregar un poco más de realismo "variando" los valores de demanda, es decir, agregando o restando un poco de aleatoriedad adicional a cada uno, pero incluso eso es simple.

La figura 1 muestra un arranque simple. La primera línea es una secuencia corta de la demanda histórica de un SKU. Las siguientes líneas muestran escenarios de demanda futura creados al seleccionar aleatoriamente valores del historial de demanda. Por ejemplo, las siguientes tres demandas pueden ser (0, 14, 6), o (2, 3, 5), etc.

Figura 1: Ejemplo de escenarios de demanda generados por un arranque simple

Las operaciones de mayor frecuencia, como los pronósticos diarios, traen consigo patrones de demanda más complejos, como la doble estacionalidad (p. ej., día de la semana y mes del año) y/o tendencia. Esto nos desafió a inventar una nueva generación de algoritmos de arranque. Recientemente obtuvimos una patente de EE. UU. para este avance, pero la esencia es la descrita anteriormente.

Simulación del Monte Carlo

Montecarlo es famoso por sus casinos que, al igual que el bootstrapping, invocan la idea de la aleatoriedad. Los métodos de Monte Carlo se remontan a mucho tiempo atrás, pero el ímpetu moderno vino con la necesidad de hacer algunos cálculos peludos sobre dónde volarían los neutrones cuando explota una bomba atómica.

La esencia del análisis de Monte Carlo es esta: “Nuestro problema es demasiado complicado para analizarlo con ecuaciones de papel y lápiz. Entonces, escribamos un programa de computadora que codifique los pasos individuales del proceso, coloque los elementos aleatorios (por ejemplo, en qué dirección se dispara un neutrón), déle cuerda y observe cómo funciona. Dado que hay mucha aleatoriedad, ejecutemos el programa un millón de veces y promediemos los resultados”.

Al aplicar este enfoque a la gestión de inventario, tenemos un conjunto diferente de eventos que ocurren aleatoriamente: por ejemplo, una demanda de un tamaño determinado llega un día aleatorio, un reabastecimiento de un tamaño determinado llega después de un tiempo de espera aleatorio, recortamos un PO de reabastecimiento de un tamaño determinado cuando las existencias caen hasta un punto de pedido determinado o por debajo de él. Codificamos la lógica que relaciona estos eventos en un programa. Lo alimentamos con una secuencia de demanda aleatoria (consulte el arranque anterior), ejecutamos el programa durante un tiempo, digamos un año de operaciones diarias, calculamos métricas de rendimiento como Tasa de llenado y Promedio de inventario disponible, y "tiramos los dados" volviendo a ejecutar el programa muchas veces y promediando los resultados de muchos años simulados. El resultado es una buena estimación de lo que sucede cuando tomamos decisiones gerenciales clave: “Si establecemos el punto de reorden en 10 unidades y la cantidad de la orden en 15 unidades, podemos esperar obtener un nivel de servicio de 89% y un promedio disponible de 21 unidades.” Lo que la simulación está haciendo por nosotros es exponer las consecuencias de las decisiones de gestión basadas en escenarios de demanda realistas y matemáticas sólidas. Las conjeturas se han ido.

La figura 2 muestra parte del funcionamiento interno de una simulación de Monte Carlo de un sistema de inventario en cuatro paneles. El sistema utiliza una política de control de inventario Min/Max con Min=10 y Max=25. No se permiten pedidos atrasados: tienes el bien o pierdes el negocio. Los plazos de entrega del reabastecimiento suelen ser de 7 días, pero a veces de 14. Esta simulación duró un año.

El primer panel muestra un escenario complejo de demanda aleatoria en el que no hay demanda los fines de semana, pero la demanda generalmente aumenta cada día de lunes a viernes. El segundo panel muestra el número aleatorio de unidades disponibles, que sube y baja con cada ciclo de reabastecimiento. El tercer panel muestra los tamaños aleatorios y los tiempos de los pedidos de reposición que llegan del proveedor. El panel final muestra la demanda insatisfecha que pone en peligro las relaciones con los clientes. Este tipo de detalle puede ser muy útil para comprender mejor la dinámica de un sistema de inventario.

Figura 2: Detalles de una simulación de Monte Carlo

La Figura 2 muestra solo una de las innumerables formas en que podría desarrollarse el año. Generalmente, queremos promediar los resultados de muchos años simulados. Después de todo, nadie lanzaría una moneda al aire una vez para decidir si era una moneda justa. La Figura 3 muestra cómo cuatro métricas de rendimiento clave (KPI) varían de un año a otro para este sistema. Algunas métricas son relativamente estables en todas las simulaciones (tasa de llenado), pero otras muestran una variabilidad más relativa (costo operativo = costo de mantenimiento + costo de pedido + costo de escasez). Observando los gráficos, podemos estimar que las opciones de Min=10, Max=25 conducen a un costo operativo promedio de alrededor de $3,000 por año, una tasa de llenado de alrededor de 90%, un nivel de servicio de alrededor de 75% y un promedio de encendido. mano de unos 10

Figura 3: Variación en los KPI calculados durante 1000 años simulados

De hecho, ahora es posible responder a una pregunta de gestión de mayor nivel. Podemos ir más allá de "¿Qué pasará si hago tal y tal cosa?" a “¿Cuál es el mejor ¿Qué puedo hacer para lograr una tasa de relleno de al menos 90% para este artículo al costo más bajo posible? El matemágica  detrás de este salto hay otra tecnología clave llamada "optimización estocástica", pero nos detendremos aquí por ahora. Baste decir que el software SIO&P de Smart puede buscar en el "espacio de diseño" de los valores mínimo y máximo para encontrar automáticamente la mejor opción.

¿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.

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.

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.