Todas las organizaciones que utilizan equipos necesitan piezas de repuesto. Todos ellos deben hacer frente a cuestiones que son genéricas sin importar cuál sea su negocio. Sin embargo, algunos de los problemas son específicos de la industria. Esta publicación analiza un problema universal que se manifiesta en una planta nuclear y que es especialmente grave para cualquier empresa de servicios eléctricos.

El problema universal de la calidad de los datos

A menudo publicamos sobre los beneficios de convertir los datos de uso de piezas en decisiones inteligentes de gestión de inventario. El modelado de probabilidad avanzado admite la generación de escenarios de demanda realistas que se integran en simulaciones detalladas de Monte Carlo que exponen las consecuencias de decisiones como las elecciones de Min y Max que rigen la reposición de repuestos.

Sin embargo, toda esa tecnología analítica nueva y brillante requiere datos de calidad como combustible para el análisis. Para algunos servicios públicos de todo tipo, el mantenimiento de registros no es un punto fuerte, por lo que la materia prima que se analiza puede corromperse y ser engañosa. Recientemente nos topamos con la documentación de un claro ejemplo de este problema en una planta de energía nuclear (ver Scala, Needy y Rajgopal: Toma de decisiones y compensaciones en la gestión del inventario de piezas de repuesto en las empresas de servicios públicos. Asociación Estadounidense de Gestión de Ingeniería, 30.ª Conferencia Nacional ASEM, Springfield, MO. octubre de 2009). Scala et al. documentó el historial de uso de una pieza crítica cuya ausencia resultaría en una reducción de la potencia de la instalación o en un cierre. El registro de uso de la planta para esa parte abarcó más de ocho años de datos. Durante ese tiempo, el historial de uso oficial reportó nueve eventos en los que se produjo una demanda positiva con tamaños que oscilaban entre una y seis unidades cada uno. También hubo cinco eventos marcados por demandas negativas (es decir, devoluciones a almacén) que oscilaron entre una y tres unidades cada uno. La investigación cuidadosa descubrió que el verdadero uso ocurrió en solo dos eventos, ambos con una demanda de dos unidades. Obviamente, calcular los mejores valores Mín./Máx. para este artículo requiere datos de demanda precisos.

El problema especial de la salud y la seguridad

En el contexto de negocios “normales”, la escasez de piezas de repuesto puede dañar tanto los ingresos actuales como los ingresos futuros (relacionados con la reputación como proveedor confiable). Sin embargo, para una empresa de servicios eléctricos, Scala et al. observó un nivel mucho mayor de consecuencias asociadas a los desabastecimientos de piezas de repuesto. Estos incluyen no solo un mayor riesgo financiero y de reputación, sino también riesgos para la salud y la seguridad: “Las ramificaciones de no tener una pieza en stock incluyen la posibilidad de tener que reducir la producción o, muy posiblemente, incluso el cierre de una planta. Desde una perspectiva a más largo plazo, hacerlo podría interrumpir el servicio crítico de energía para los clientes residenciales, comerciales y/o industriales, al tiempo que daña la reputación, la confiabilidad y la rentabilidad de la empresa. Una empresa de servicios eléctricos fabrica y vende un solo producto: electricidad. Perder la capacidad de vender electricidad puede dañar gravemente los resultados de la empresa, así como su viabilidad a largo plazo”.

Razón de más para que las empresas eléctricas sean líderes y no rezagadas en el despliegue de los modelos de probabilidad más avanzados para la previsión de la demanda y la optimización del inventario.

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.

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.

Estos son ejemplos de problemas de pronóstico que SmartForecasts puede resolver, junto con los tipos de datos comerciales representativos de cada uno.

Pronosticar un artículo en función de su patrón

Dadas las siguientes seis cifras de ventas trimestrales, ¿qué ventas puede esperar para el tercer y cuarto trimestre de 2023?

Ventas por Trimestre

SmartForecasts le brinda muchas formas de abordar este problema. Puede hacer sus propios pronósticos estadísticos utilizando cualquiera de los seis Suavizado exponencial y media móvil métodos. O, como la mayoría de los pronosticadores no técnicos, puede usar el comando Automático que ahorra tiempo, que ha sido programado para seleccionar y usar automáticamente el método más preciso para sus datos. Finalmente, para incorporar su juicio comercial en el proceso de pronóstico, puede ajustar gráficamente cualquier resultado de pronóstico estadístico usando SmartForecasts. ajuste de "globo ocular" capacidades.

Pronosticar un artículo en función de su relación con otras variables.

Dada la siguiente relación histórica entre las ventas de unidades y la cantidad de representantes de ventas, ¿qué niveles de ventas puede esperar cuando se produzca el aumento planificado del personal de ventas durante los dos últimos trimestres de 2023?

Ventas y Representantes de Ventas por Trimestre

Puede responder una pregunta como esta usando el poderoso SmartForecasts Regresión comando, diseñado específicamente para facilitar las aplicaciones de pronóstico que requieren soluciones de análisis de regresión. Los modelos de regresión con un número esencialmente ilimitado de variables predictoras/independientes son posibles, aunque la mayoría de los modelos de regresión útiles usan solo un puñado de predictores.

Pronosticar simultáneamente una cantidad de artículos de productos y su total

Dadas las siguientes ventas totales de todas las camisas de vestir y la distribución de las ventas por color, ¿cuáles serán las ventas individuales y totales durante los próximos seis meses?

Ventas mensuales de camisas de vestir por color

Las funciones exclusivas de pronóstico de grupo de SmartForecasts pronostican automática y simultáneamente series de tiempo estrechamente relacionadas, como estos artículos en el mismo grupo de productos. Esto ahorra un tiempo considerable y proporciona resultados de pronóstico no solo para los artículos individuales sino también para su total. Los ajustes de "ojo" tanto a nivel de elemento como de grupo son fáciles de realizar. Puede crear rápidamente pronósticos para grupos de productos con cientos o incluso miles de artículos.

Pronóstico de miles de artículos automáticamente

Dado el siguiente registro de demanda de productos a nivel de SKU, ¿cuál puede esperar que sea la demanda durante los próximos seis meses para cada uno de los 5000 SKU?

Demanda Mensual de Producto por SKU (Unidad de Mantenimiento de Stock)

En solo unos minutos, la poderosa selección automática de SmartForecasts puede realizar un trabajo de pronóstico de este tamaño, leer los datos de demanda del producto, crear automáticamente pronósticos estadísticos para cada SKU y guardar el resultado. Los resultados están listos para exportarlos a su sistema ERP aprovechando cualquiera de nuestros conectores basados en API o mediante la exportación de archivos. Una vez configurados, los pronósticos se producirán automáticamente en cada ciclo de planificación sin la intervención del usuario.

Pronosticar la demanda que en la mayoría de los casos es cero

Un tipo de datos distinto y especialmente desafiante para pronosticar es intermitente demanda, que suele ser cero, pero salta a valores aleatorios distintos de cero en momentos aleatorios. Este patrón es típico de la demanda de lento Moviente artículos, tales como repuestos o grande boleto bienes de equipo.

Por ejemplo, considere la siguiente muestra de demanda de repuestos para aeronaves. Tenga en cuenta la preponderancia de valores cero mezclados con valores distintos de cero, a menudo en ráfagas.

SmartForecasts tiene un método único diseñado especialmente para este tipo de datos: la función de pronóstico de Demanda Intermitente. Dado que la demanda intermitente surge con mayor frecuencia en el contexto del control de inventario, esta función se enfoca en pronosticar el rango de valores probables para la demanda total durante un tiempo de anticipación, por ejemplo, la demanda acumulada durante el período del 23 de junio al 23 de agosto en el ejemplo anterior. .

Pronóstico de requisitos de inventario

La previsión de necesidades de inventario es una variante especializada de la previsión que se centra en el extremo superior del rango de valores futuros posibles.

Para simplificar, considere el problema de pronosticar los requisitos de inventario para solo un período por delante, digamos un día por delante. Por lo general, el trabajo de pronóstico consiste en estimar el nivel promedio o más probable de demanda del producto. Sin embargo, si el inventario disponible es igual a la demanda promedio, existe una probabilidad de 50% de que la demanda supere el inventario, lo que resultará en pérdida de ventas y/o pérdida de buena voluntad. Establecer el nivel de inventario en, digamos, diez veces la demanda promedio probablemente eliminará el problema de los desabastecimientos, pero seguramente resultará en costos de inventario inflados.

El truco de la optimización del inventario es encontrar un equilibrio satisfactorio entre tener suficiente inventario para satisfacer la mayor parte de la demanda sin comprometer demasiados recursos en el proceso. Por lo general, la solución es una combinación de criterio empresarial y estadísticas. La parte crítica es definir un nivel de servicio de inventario aceptable, como satisfacer 95% de demanda inmediatamente desde el stock. La parte estadística es estimar el percentil 95 de la demanda.

Cuando no se trata de demanda intermitente, SmartForecasts estima el nivel de inventario requerido asumiendo una curva de demanda en forma de campana (Normal), estimando tanto el centro como el ancho de la curva de campana y luego usando una fórmula estadística estándar para estimar el percentil deseado. La diferencia entre el nivel de inventario deseado y el nivel promedio de demanda se denomina stock de seguridad porque protege contra la posibilidad de desabastecimiento.

Cuando se trata de demanda intermitente, la curva en forma de campana es una mala aproximación a la distribución estadística de la demanda. En este caso especial, SmartForecasts utiliza tecnología patentada de pronóstico de demanda intermitente para estimar el nivel de servicio de inventario requerido.