​Cuándo se deben utilizar técnicas tradicionales de pronóstico extrapolativo.

Con tanto entusiasmo en torno al nuevo aprendizaje automático (ML) y los métodos de pronóstico probabilístico, los métodos tradicionales de pronóstico estadístico “extrapolativo” o de “series de tiempo” parecen estar recibiendo la espalda. Sin embargo, vale la pena recordar que estas técnicas tradicionales (como el suavizado exponencial simple y doble, los promedios móviles lineales y simples y los modelos de Winters para artículos estacionales) a menudo funcionan bastante bien para datos de mayor volumen. Cada método es bueno para lo que fue diseñado. Simplemente aplique cada uno de manera apropiada, como por ejemplo, no lleve un cuchillo a un tiroteo y no use un martillo neumático cuando un simple martillo de mano será suficiente. 

Los métodos extrapolativos funcionan bien cuando la demanda tiene un gran volumen y no es demasiado granular (es decir, la demanda se clasifica mensual o trimestralmente). También son muy rápidos y no utilizan tantos recursos informáticos como los métodos probabilísticos y de ML. Esto los hace muy accesibles.

¿Son los métodos tradicionales tan precisos como los métodos de pronóstico más nuevos? Smart ha descubierto que los métodos de extrapolación funcionan muy mal cuando la demanda es intermitente. Sin embargo, cuando la demanda es de mayor volumen, solo funcionan ligeramente peor que nuestros nuevos métodos probabilísticos cuando la demanda se divide mensualmente. Dada su accesibilidad, velocidad y el hecho de que va a aplicar anulaciones de pronóstico basadas en el conocimiento empresarial, la diferencia de precisión de referencia aquí no será material.

La ventaja de los modelos más avanzados, como los métodos probabilísticos GEN2 de Smart, es cuando es necesario predecir patrones utilizando grupos más granulares, como datos diarios (o incluso semanales). Esto se debe a que los modelos probabilísticos pueden simular patrones de día de la semana, semana del mes y mes del año que se perderán con técnicas más simples. ¿Alguna vez ha intentado predecir la estacionalidad diaria con un modelo de Winter? Aquí hay una pista: no funcionará y requiere mucha ingeniería.

Los métodos probabilísticos también brindan valor más allá del pronóstico de referencia porque generan escenarios para usar en las pruebas de estrés de los modelos de control de inventario. Esto los hace más apropiados para evaluar, por ejemplo, cómo un cambio en el punto de reorden afectará las probabilidades de desabastecimiento, las tasas de cumplimiento y otros KPI. Al simular miles de posibles demandas durante muchos plazos de entrega (que a su vez se presentan en forma de escenario), tendrá una idea mucho mejor de cómo funcionarán sus políticas de almacenamiento actuales y propuestas. Puede tomar mejores decisiones sobre dónde realizar aumentos y disminuciones de existencias específicas.

Por lo tanto, no deseche lo viejo por lo nuevo todavía. Solo sepa cuándo necesita un martillo y cuándo necesita un martillo neumático.

¿En qué se diferencia la planificación de inventario para mantenimiento, reparación y operaciones (MRO) en comparación con la planificación de inventario en entornos de fabricación y distribución? En resumen, es la naturaleza de los patrones de demanda combinada con la falta de conocimiento empresarial procesable.

Patrones de demanda

Los fabricantes y distribuidores tienden a centrarse en los mejores vendedores que generan la mayor parte de sus ingresos. Estos artículos suelen tener una demanda alta que es relativamente fácil de pronosticar con modelos tradicionales de series de tiempo que aprovechan tendencias y/o estacionales predecibles. Por el contrario, los planificadores de MRO casi siempre se ocupan de una demanda intermitente, que es más escasa, más aleatoria y más difícil de pronosticar. Además, las cantidades fundamentales de interés son diferentes. En última instancia, a los planificadores de MRO les importa más la pregunta “cuándo”: ¿Cuándo se romperá algo? Mientras que los demás se centran en la cuestión de “cuántas” unidades vendidas.

Conocimiento del negocio

Los planificadores de fabricación y distribución a menudo pueden contar con la recopilación de comentarios de los clientes y de ventas, que pueden combinarse con métodos estadísticos para mejorar la precisión de los pronósticos. Por otro lado, los rodamientos, engranajes, consumibles y piezas reparables rara vez están dispuestos a compartir sus opiniones. Con MRO, el conocimiento empresarial sobre qué piezas se necesitarán y cuándo simplemente no es confiable (excepto el mantenimiento planificado cuando se reemplazan piezas consumibles de mayor volumen). Por lo tanto, el éxito de la planificación de inventarios MRO llega sólo hasta donde los lleve la capacidad de sus modelos de probabilidad para predecir el uso futuro. Y como la demanda es tan intermitente, no pueden superar Go con los enfoques tradicionales.

Métodos para MRO

En la práctica, es común que las empresas de MRO y con uso intensivo de activos administren inventarios recurriendo a niveles mínimos y máximos estáticos basados en múltiplos subjetivos del uso promedio, complementados con anulaciones manuales ocasionales basadas en intuiciones. El proceso se convierte en una mala mezcla de estático y reactivo, con el resultado de que se pierde mucho tiempo y dinero en acelerarlo.

Existen métodos de planificación alternativos basados más en matemáticas y datos, aunque este estilo de planificación es menos común en MRO que en otros dominios. Hay dos enfoques principales para modelar averías de piezas y máquinas: modelos basados en la teoría de la confiabilidad y modelos de “mantenimiento basado en la condición” basados en monitoreo en tiempo real.

Modelos de confiabilidad

Los modelos de confiabilidad son los más simples de los dos y requieren menos datos. Suponen que todos los artículos del mismo tipo, digamos una determinada pieza de repuesto, son estadísticamente equivalentes. Su componente clave es una "función de riesgo", que describe el riesgo de fallo en el siguiente breve intervalo de tiempo. La función de riesgo se puede traducir en algo más adecuado para la toma de decisiones: la “función de supervivencia”, que es la probabilidad de que el artículo siga funcionando después de X cantidad de uso (donde X podría expresarse en días, meses, millas, usos, etc.). La Figura 1 muestra una función de riesgo constante y su correspondiente función de supervivencia.

Figura 1: Función de riesgo constante y su función de supervivencia

Una función de riesgo que no cambia implica que sólo los accidentes aleatorios provocarán una falla. Por el contrario, una función de riesgo que aumenta con el tiempo implica que el artículo se está desgastando. Y una función de riesgo decreciente implica que un elemento se está asentando. La Figura 2 muestra una función de riesgo creciente y su correspondiente función de supervivencia.

Figura 2: Función de riesgo creciente y su función de supervivencia

Los modelos de confiabilidad se utilizan a menudo para piezas económicas, como sujetadores mecánicos, cuyo reemplazo puede no ser ni difícil ni costoso (pero aún así puede ser esencial).

Mantenimiento bajo condiciones

Los modelos basados en monitoreo en tiempo real se utilizan para respaldar el mantenimiento basado en la condición (CBM) de artículos costosos como los motores a reacción. Estos modelos utilizan datos de sensores integrados en los propios elementos. Estos datos suelen ser complejos y propietarios, al igual que los modelos de probabilidad respaldados por los datos. La ventaja del monitoreo en tiempo real es que se pueden ver los problemas que se avecinan, es decir, el deterioro se hace visible y los pronósticos pueden predecir cuándo el elemento alcanzará su línea roja y, por lo tanto, deberá retirarse del campo de juego. Esto permite un mantenimiento o reemplazo individualizado y proactivo del artículo.

La Figura 3 ilustra el tipo de datos utilizados en CBM. Cada vez que se utiliza el sistema, se contribuye a su desgaste acumulativo. (Sin embargo, tenga en cuenta que a veces el uso puede mejorar el estado de la unidad, como cuando llueve ayuda a mantener fresca una pieza de maquinaria). Puede ver la tendencia general ascendente hacia una línea roja después de la cual la unidad requerirá mantenimiento. Puede extrapolar el desgaste acumulado para estimar cuándo llegará a la línea roja y planificar en consecuencia.

Figura 3: Ilustración del monitoreo en tiempo real para el mantenimiento basado en condiciones

Que yo sepa, nadie fabrica tales modelos de sus clientes de productos terminados para predecir cuándo y cuánto ordenarán su próximo pedido, tal vez porque los clientes se opondrían a usar monitores cerebrales todo el tiempo. Pero CBM, con su complejo monitoreo y modelado, está ganando popularidad para sistemas que no pueden fallar, como los motores a reacción. Mientras tanto, los modelos clásicos de confiabilidad todavía tienen mucho valor para gestionar grandes flotas de artículos más baratos pero aún esenciales.

El enfoque inteligente
Los enfoques de confiabilidad y mantenimiento basados en condiciones anteriores requieren una carga excesiva de recopilación y limpieza de datos que muchas empresas de MRO no pueden manejar. Para esas empresas, Smart ofrece un enfoque que no requiere el desarrollo de modelos de confiabilidad. En cambio, explota los datos de uso de una manera diferente. Aprovecha los modelos basados en probabilidad tanto de uso como de tiempos de entrega de proveedores para simular miles de escenarios posibles para tiempos de entrega de reabastecimiento y demanda. El resultado es una distribución precisa de la demanda y los plazos de entrega para cada pieza consumible que se puede aprovechar para determinar los parámetros óptimos de almacenamiento. La Figura 4 muestra una simulación que comienza con un escenario de demanda de repuestos (gráfico superior) y luego produce un escenario de suministro disponible para opciones particulares de valores mínimos y máximos (línea inferior). Los indicadores clave de rendimiento (KPI) se pueden estimar promediando los resultados de muchas de estas simulaciones.

Figura 4: Un ejemplo de simulación de demanda de repuestos e inventario disponible

Puede leer sobre el enfoque de Smart para la previsión de repuestos aquí: https://smartcorp.com/wp-content/uploads/2019/10/Probabilistic-Forecasting-for-Intermittent-Demand.pdf

Los escenarios probabilísticos son secuencias de puntos de datos generados para representar situaciones potenciales del mundo real. A diferencia de los escenarios de los juegos de guerra u otras simulaciones, se trata de series temporales sintéticas que se utilizan como datos de entrada para los modelos de sistemas o como generadores de intuición para los responsables de la toma de decisiones.

Por ejemplo, se pueden introducir escenarios de demanda futura de artículos en modelos de simulación Monte Carlo de sistemas de control de inventario, creando así un laboratorio virtual en el que explorar las consecuencias de las decisiones de gestión, como cambiar los puntos de reorden y/o las cantidades de los pedidos. Además, los gráficos de métricas como el inventario disponible o los desabastecimientos pueden ayudar a los planificadores de inventario a profundizar su “sensación” de la aleatoriedad inherente a sus operaciones.

La Figura 1 muestra escenarios de demanda diaria generados a partir de una única serie de demanda observada registrada durante un año. Tenga en cuenta que el mismo proceso de generación de datos puede “verse muy diferente” en detalle de una muestra a otra. Esto imita la vida real.

Figura 1: Secuencia de demanda observada y escenarios de demanda derivados de ella.

La Figura 2 muestra dos escenarios de demanda y sus consecuencias para el stock disponible en un sistema de control de inventario particular. La diferencia entre los dos gráficos de inventario ilustra el grado en que la aleatoriedad en la demanda domina el problema. El gráfico superior muestra dos episodios de desabastecimiento, mientras que el gráfico inferior muestra nueve. El promedio de muchos escenarios aclarará los valores típicos de las métricas clave de rendimiento (KPI), como el número promedio de desabastecimientos asociados con cualquier elección de punto de pedido y cantidad de pedido (que son 10 y 25, respectivamente, en la Figura 2).

Figura 2: Dos escenarios de demanda y sus consecuencias para el inventario disponible

En esta nota, describiremos técnicas para crear escenarios y enumeraremos criterios para evaluar generadores de escenarios.

Criterios para escenarios

Como veremos a continuación, hay varias formas de crear escenarios. Independientemente de la fuente, ¿qué criterios definen un escenario “bueno”? Hay cuatro criterios principales: fidelidad, variedad, cantidad y costo. Fidelidad Resume con qué precisión un escenario imita situaciones del mundo real. La alta fidelidad significa que los escenarios reflejan fielmente los acontecimientos reales, proporcionando una base sólida para el análisis y la toma de decisiones. Variedad describe la diversidad de escenarios que un generador puede crear. Un generador versátil puede simular una amplia gama de situaciones potenciales, lo que permite una exploración exhaustiva de posibilidades y riesgos. Cantidad Se refiere a cuántos escenarios puede producir un generador. Un generador que puede crear una gran cantidad de escenarios proporciona amplios datos para el análisis. Costo considera tanto los recursos computacionales como humanos necesarios para producir los escenarios. Un generador de escenarios eficiente equilibra la calidad con el uso de recursos, garantizando que el esfuerzo esté justificado por el valor y la precisión de los resultados.

Generación de escenarios

Nuevamente, piense en un escenario como una serie de tiempo. ¿Cómo se crean los escenarios?

1. Taller de Geppetto: Este enfoque implica la elaboración manual de escenarios por parte de expertos. Si bien puede producir alta fidelidad (realismo), requiere muchos recursos y no puede generar variedad fácilmente, lo que requiere una gran cantidad de escenarios.
2. Día de la Marmota: Este método implica el uso repetido de una única situación del mundo real como entrada. Si bien es realista por definición y rentable (no se utilizan recursos más allá del registro de los datos), este enfoque carece de variedad y, por lo tanto, no puede reflejar con precisión la diversidad de escenarios del mundo real.
3. Modelos paramétricos: Ejemplos de modelos paramétricos son los clásicos estudiados en las clases de Estadística 101: el Normal, exponencial, Poisson, etc. Los gráficos de demanda en la Figura 2 se generan paramétricamente, siendo los cuadrados de variables aleatorias de Poisson. Estos modelos generan una cantidad ilimitada de escenarios de bajo costo con buena variedad, pero es posible que no siempre capturen la complejidad de los datos del mundo real, lo que podría comprometer la fidelidad. Cuando la realidad es más complicada, estos modelos generan escenarios demasiado simplificados.
4. Bootstraps de series temporales no paramétricas: Este enfoque puede obtener buenos resultados en todos los criterios: fidelidad, variedad, cantidad y costo. Es un método versátil que sobresale en la creación de una gran cantidad de escenarios realistas. Los historiales de demanda sintéticos en la Figura 1 son muestras de arranque simples basadas en los valores observados en el gráfico superior. (Para obtener algunos detalles esenciales sobre la generación de escenarios, consulte los enlaces a continuación).

Escenarios de explotación

Los escenarios demuestran su valor de dos maneras: como insumos para la toma de decisiones y como generadores de intuición. Por ejemplo, cuando los escenarios de demanda se utilizan como datos de entrada para los modelos de simulación, permiten realizar pruebas de estrés y estimar el rendimiento para el diseño del sistema. Los escenarios también pueden servir como generadores de intuición para los tomadores de decisiones o los operadores de sistemas. Su representación visual ayuda a desarrollar una visión y apreciación de los riesgos involucrados en la toma de decisiones operativas, ya sea para el pronóstico de la demanda o la gestión de inventario.

El análisis basado en escenarios requiere mucha informática, especialmente cuando los escenarios se generan mediante arranque. En Smart Software, la computación se realiza en la nube. Imagine la carga computacional involucrada en determinar los puntos de reorden y las cantidades de los pedidos para cada una de las decenas de miles de artículos del inventario utilizando cientos o miles de simulaciones de demanda para cada artículo. Imagine además que el software no sólo evalúa un par de punto de reorden/cantidad de pedido específico propuesto, sino que recorre todo el “espacio de diseño” de pares para encontrar el mejor par de parámetros de control para cada artículo. Para que esto sea práctico, aprovechamos el poder de procesamiento paralelo de la nube. Esencialmente, a cada artículo del inventario se le asigna su propia computadora para usar en los cálculos, de modo que todos esos cálculos puedan ocurrir simultáneamente en lugar de secuencialmente. Ahora podemos soltarnos y realmente brindarle los resultados que necesita.

Aprendiendo más

Aquellos interesados en más detalles técnicos y referencias pueden encontrar más información aquí.

¿Qué constituye un pronóstico probabilístico?

Pronóstico Probabilístico y Demanda Intermitente

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

Planificacion de la Demanda

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

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

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

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

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

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

Planificación del Suministro

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

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

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

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

​

Lidiar con el día a día de la gestión de inventario puede mantenerle ocupado. Existe el ritmo habitual de realizar pedidos, recibir, pronosticar y planificar, y mover cosas en el almacén. Luego están los tiempos frenéticos: escasez, trámites urgentes, llamadas de último momento para encontrar nuevos proveedores.

Toda esta actividad va en contra de tomarte un momento para ver cómo te va. Pero sabes que tienes que levantar la cabeza de vez en cuando para ver hacia dónde te diriges. Para eso, su software de inventario debe mostrarle métricas (y no solo una, sino un conjunto completo de métricas o KPI): indicadores clave de rendimiento.

Múltiples métricas

Dependiendo de su rol en su organización, diferentes métricas tendrán diferente importancia. Si usted está en el lado financiero de la casa, la inversión en inventario puede ser una prioridad: ¿cuánto efectivo está invertido en el inventario? Si está del lado de las ventas, la disponibilidad del artículo puede ser lo más importante: ¿cuál es la probabilidad de que pueda decir “sí” a un pedido? Si usted es responsable del reabastecimiento, ¿cuántas órdenes de compra tendrá que recortar su gente en el próximo trimestre?

Métricas de disponibilidad

Volvamos a la disponibilidad de artículos. ¿Cómo se le pone un número a eso? Las dos métricas de disponibilidad más utilizadas son el "nivel de servicio" y la "tasa de cumplimiento". ¿Cual es la diferencia? Es la diferencia entre decir “Ayer tuvimos un terremoto” y decir “Ayer tuvimos un terremoto y fue de 6,4 en la escala de Richter”. El nivel de servicio registra la frecuencia de los desabastecimientos sin importar su tamaño; la tasa de cumplimiento refleja su gravedad. Los dos pueden parecer apuntar en direcciones opuestas, lo que causa cierta confusión. Puede tener un buen nivel de servicio, digamos 90%, pero tener una tasa de cumplimiento vergonzosa, digamos 50%. O viceversa. Lo que los diferencia es la distribución del tamaño de la demanda. Por ejemplo, si la distribución está muy sesgada, por lo que la mayoría de las demandas son pequeñas pero algunas son enormes, es posible que obtenga la división 90%/50% mencionada anteriormente. Si su atención se centra en la frecuencia con la que debe realizar pedidos pendientes, el nivel de servicio es más relevante. Si su preocupación es qué tan grande puede llegar a ser un trámite urgente, la tasa de cumplimiento es más relevante.

Un gráfico para gobernarlos a todos

Un gráfico del inventario disponible puede proporcionar la base para calcular múltiples KPI. Considere la Figura 1, que muestra los datos disponibles cada día durante un año. Este gráfico tiene la información necesaria para calcular múltiples métricas: inversión en inventario, nivel de servicio, tasa de cumplimiento, tasa de reorden y otras métricas.

Inversión en inventario: la altura promedio del gráfico cuando es superior a cero, cuando se multiplica por el costo unitario del artículo del inventario, da el valor en dólares trimestral.

Nivel de servicio: la fracción de ciclos de inventario que terminan por encima de cero es el nivel de servicio. Los ciclos de inventario están marcados por los movimientos ascendentes ocasionados por la llegada de pedidos de reabastecimiento.

Tasa de cumplimiento: la cantidad en la que el inventario cae por debajo de cero y cuánto tiempo permanece allí se combinan para determinar la tasa de cumplimiento.

En este caso, el número promedio de unidades disponibles fue 10,74, el nivel de servicio fue 54% y la tasa de cumplimiento fue 91%.

KPI y KPP

En los más de cuarenta años transcurridos desde que fundamos Smart Software, nunca he visto a un cliente producir un gráfico como el de la Figura 1. Aquellos que están más avanzados en su desarrollo sí producen y prestan atención a informes que enumeran sus KPI en forma tabular, pero no No mires ese gráfico. Sin embargo, ese gráfico tiene valor para desarrollar información sobre los ritmos aleatorios del inventario a medida que sube y baja.

Donde resulta especialmente útil es en la prospectiva. Dada la volatilidad del mercado, variables clave como los plazos de entrega de los proveedores, la demanda promedio y la variabilidad de la demanda cambian con el tiempo. Esto implica que los parámetros de control clave, como los puntos de reorden y las cantidades de los pedidos, deben ajustarse a estos cambios. Por ejemplo, si un proveedor dice que tendrá que aumentar su tiempo de entrega promedio en 2 días, esto afectará negativamente sus métricas y es posible que deba aumentar su punto de reorden para compensar. ¿Pero aumentarlo en cuánto?

Aquí es donde entra en juego el software de inventario moderno. Le permitirá proponer un ajuste y luego ver cómo se desarrollarán las cosas. Gráficos como el de la Figura 1 permiten ver y tener una idea del nuevo régimen. Y los gráficos se pueden analizar para calcular KPP (predicciones clave de rendimiento).

La ayuda del KPP elimina las conjeturas a la hora de realizar ajustes. Puede simular lo que sucederá con sus KPI si los cambia en respuesta a cambios en su entorno operativo y qué tan mal se pondrán las cosas si no realiza cambios.