en un Publicación anterior, analicé uno de los problemas más espinosos que a veces enfrentan los planificadores de demanda: trabajar con datos de demanda de productos caracterizados por lo que los estadísticos llaman sesgo, una situación que puede requerir costosas inversiones en inventario. Este tipo de datos problemáticos se encuentran en varios escenarios diferentes. En al menos uno, la combinación de demanda intermitente y promociones de ventas muy efectivas, el problema se presta a una solución efectiva.

Revisando los términos, recuerde que el “nivel de servicio” es la probabilidad de no agotarse mientras espera que llegue una orden de reposición, mientras que la “tasa de llenado” es el porcentaje de la demanda que se satisface inmediatamente con el stock. En mi publicación anterior, "El flagelo de la asimetría", señalé que cierto tipo de distribución de la demanda, que tiene una "cola larga a la derecha", conducirá a tasas de llenado que pueden ser mucho más bajas que los niveles de servicio. También señalé que, a veces, la única forma de mejorar la tasa de llenado es aumentar el nivel de servicio objetivo a un nivel inusualmente alto, lo que puede resultar costoso.

En esta publicación, analizaré la solución del problema en un caso especial: la asimetría resultante de promociones de ventas efectivas combinadas con "demanda intermitente". La demanda intermitente tiene una gran proporción de valores cero, con valores distintos de cero mezclados al azar. Las promociones de ventas exitosas, obviamente positivas, tienen un inconveniente: pueden confundir la "señal de demanda" con picos en su historial de demanda y pueden socavar los pronósticos y sesgar los cálculos de existencias de seguridad. Cuando la demanda intermitente y las promociones de ventas efectivas son la fuente de la asimetría de sus datos, existen métodos para solucionar el problema y lograr tasas de cumplimiento más altas y pronósticos de demanda más precisos.

Cómo las promociones aumentan la asimetría

Las promociones exitosas aumentan abruptamente la demanda de artículos. Esto crea anomalías, o "valores atípicos", que contribuyen a formar una distribución sesgada. Sabiendo cuándo ocurrieron promociones en el pasado, podemos ajustar el registro de demanda pasada de un artículo. Producimos un historial de demanda alternativo como si no hubiera habido promociones, reemplazando los valores atípicos con valores más representativos del nivel "natural" de demanda. Estos ajustes reducen la asimetría de la demanda. La reducción del sesgo puede conducir a reducciones significativas tanto en los pronósticos esperados como en las existencias de seguridad, que se suman para formar puntos de pedido.

Es probable que se repitan las promociones exitosas. Cuando eso sucede, los efectos de promoción se pueden agregar a los pronósticos de demanda para aumentar su precisión. El efecto de las futuras promociones en la gestión del inventario será aumentar el riesgo de desabastecimiento, por lo que una respuesta sensata es trabajar a nivel operativo para generar un suministro temporal, en una cantidad ajustada al impacto estimado de las promociones anteriores en los artículos afectados.

Uso del modelado de eventos para mejorar la previsión de la demanda

Es posible modelar el impacto de eventos similares y aplicarlo a eventos planificados en el futuro. Si lo hace, puede mejorar su pronóstico de dos maneras importantes: al proyectar la sacudida de la demanda que espera de un evento planificado; y racionalizando los picos en el pasado que fueron causados por eventos, haciendo que su actividad de referencia sea más visible y predecible con mayor precisión. Hacemos mucho de esto en SmartForecasts, así que permítame usar nuestra experiencia allí para mostrarle lo que quiero decir.

El modelado de eventos implica los siguientes pasos:
• Estimación automática del impacto de promociones anteriores (que es un resultado útil en sí mismo).
• Ajuste de la demanda histórica para eliminar estadísticamente el efecto de las promociones.
• Creación de previsiones sin promoción.
• Revisar las previsiones de los períodos de tiempo futuros en los que se prevén promociones.

A este tipo de análisis lo llamamos “pronóstico de promociones”. Usamos la palabra "promociones" para describir lo que hace usted mismo para mejorar sus resultados. Usamos "eventos" para describir lo que el mundo te hace, generalmente en detrimento tuyo; los ejemplos incluyen huelgas, cortes de energía, incendios en almacenes y otros sucesos desafortunados.

Para comprender cómo el modelado de eventos puede ayudarlo a lidiar con la asimetría al hacer pronósticos de demanda para artículos de gran volumen, considere las Figuras 1-3.

La Figura 1 muestra que el patrón de demanda de este artículo es claramente estacional, y el pronóstico es estacional y "ajustado", lo que significa que el intervalo de incertidumbre del pronóstico ("margen de error", que se muestra en líneas cian) es muy estrecho.

La figura 2 muestra una historia alternativa en la que una promoción en junio de 2014 revirtió el mínimo estacional habitual asociado con las ventas de junio. Este patrón de demanda se pronosticó mediante el torneo de pronóstico automático en SmartForecasts, como se muestra en la figura 1. Esta vez, la promoción alteró el patrón estacional lo suficiente como para crear un pronóstico no estacional inapropiado y que tiene un margen de error mucho mayor.

Finalmente, la Figura 3 muestra cómo el pronóstico de promoción maneja el mismo escenario promocionado, conservando un pronóstico estacional e incorporando al pronóstico una estimación del efecto de una promoción repetida planificada en 2015.

El caso de la demanda intermitente

En la Figura 1, el artículo era un bien terminado de gran volumen y la tarea era la previsión de la demanda. El modelado de promociones también es útil cuando se trata de la tarea de establecer existencias de seguridad y puntos de pedido para artículos con demanda intermitente, ya sean productos terminados, componentes o repuestos. La demanda intermitente muy a menudo tiene una distribución sesgada que dificulta lograr una alta disponibilidad de artículos con una pequeña inversión en inventario.

La Figura 4 ilustra el problema que una promoción exitosa puede crear accidentalmente para la gestión de inventario. Si tal aumento surge de la demanda natural no promovida, entonces la única forma de mantener altas tasas de llenado es proporcionar existencias de seguridad lo suficientemente grandes como para hacer frente a estos aumentos repentinos. En este caso, el gran aumento de la demanda de 500 unidades en febrero de 2013 fue el resultado de una promoción única.

Tener en cuenta las promociones para mejorar la gestión de inventario

Sin darse cuenta, tratar el pico en el ejemplo anterior como parte de la variabilidad natural de la demanda da como resultado una tasa de cumplimiento deficiente. Para lograr un nivel de servicio objetivo de, digamos, 95% con un plazo de entrega de un mes, se requeriría un punto de pedido de 38 unidades, calculado como la suma de un pronóstico esperado durante el plazo de entrega de reabastecimiento de un mes de 21 unidades complementado con un inventario de seguridad de 17 unidades. Esta inversión daría como resultado una tasa de llenado decepcionante de solo 36%.

Sin embargo, reconocer que el pico es una promoción única y reemplazar las 500 unidades con 0 obviamente marcaría una gran diferencia. El punto de pedido caería de 38 unidades a 31 (la suma de una demanda esperada de 7 unidades y un stock de seguridad de 24 unidades) y la tasa de llenado aumentaría a 94%.

Por supuesto, no está bien descartar picos de demanda inconvenientes cuando hacen que la vida sea incómoda; tiene que haber una “historia comercial” válida detrás del ajuste de la demanda histórica. Si el pico es el resultado de un error de procesamiento de datos, entonces, por supuesto, arréglelo. Si el pico coincide con una promoción, reemplazar el pico con, digamos, la demanda media (a menudo cero, como en este ejemplo) dará como resultado una inversión en inventario mucho más sostenible que aún cumple con los objetivos de rendimiento agresivos. Las futuras promociones del mismo tipo en el mismo artículo requerirán un esfuerzo adicional para prepararse para el aumento temporal de la demanda, pero el punto de reorden recomendado será correcto a largo plazo.

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Los planificadores de demanda tienen que hacer frente a múltiples problemas para realizar su trabajo. La primera es la dificultad de la intermitencia. El carácter "ahora lo ves, ahora no" de la demanda intermitente, con su fuerte mezcla de valores cero, obliga al uso de métodos estadísticos avanzados, como el algoritmo Markov Bootstrap patentado de Smart Software. Pero incluso dentro del oscuro reino de la demanda intermitente, existen grados de dificultad: los planificadores deben hacer frente aún más al Azote de la asimetría, potencialmente costoso.

La asimetría es un término estadístico que describe el grado en que la distribución de la demanda no es simétrica. La clásica (y en gran medida mítica) curva "en forma de campana" es simétrica, con las mismas posibilidades de que la demanda en cualquier período de tiempo caiga por debajo o por encima del promedio. Por el contrario, una distribución sesgada está desequilibrada, con la mayoría de los valores por encima o por debajo del promedio. En la mayoría de los casos, los datos de demanda tienen un sesgo positivo, con una cola larga de valores que se extiende hacia el extremo superior de la escala de demanda.

Gráficos de barras de dos series de tiempo
Figura 1: Dos series de demanda intermitente con diferentes niveles de asimetría
La figura 1 muestra dos series temporales de 60 meses de demanda intermitente. Ambos tienen un sesgo positivo, pero los datos del panel inferior están más sesgados. Ambas series tienen casi la misma demanda promedio, pero la de arriba es una mezcla de 0, 1 y 2, mientras que la de abajo es una mezcla de 0, 1 y 4.

Lo que hace que la asimetría positiva sea un problema es que reduce la tasa de llenado de un elemento. La tasa de llenado es importante la gestión del inventario métrica de rendimiento. Mide el porcentaje de la demanda que se satisface inmediatamente con el inventario disponible. Cualquier pedido pendiente o pérdida de ventas reduce la tasa de cumplimiento (además de desperdiciar la buena voluntad del cliente).

La tasa de relleno es un complemento de la otra métrica de rendimiento clave: el nivel de servicio. El nivel de servicio mide la posibilidad de que un artículo se agote durante el tiempo de reposición. El tiempo de entrega se mide desde el momento en que el inventario cae por debajo del punto de pedido de un artículo, lo que genera un pedido de reabastecimiento, hasta la llegada del inventario de reemplazo.

El software de gestión de inventario, como SmartForecasts de Smart Software, puede analizar los patrones de demanda para calcular el punto de pedido necesario para lograr un objetivo de nivel de servicio específico. Para alcanzar un nivel de servicio 95% para el artículo en el panel superior de la Figura 1, suponiendo un tiempo de entrega de 1 mes, el punto de reorden requerido es 3; para el artículo inferior, el punto de reorden es 1. (El primer punto de reorden es 3 para permitir la clara posibilidad de que los valores de la demanda futura excedan los valores más grandes, 2, observados hasta ahora. De hecho, son posibles valores tan grandes como 8 .) Consulte la figura 2.

Histogramas de dos series temporales
Figura 2: Distribuciones de la demanda total durante un plazo de reposición de 1 mes
(La Figura 2 traza la distribución prevista de la demanda durante el tiempo de entrega. Las barras verdes representan la probabilidad de que se materialice cualquier nivel particular de demanda).

Usando el punto de pedido requerido de 3 unidades, la tasa de llenado para el artículo menos sesgado es un 93% saludable. Sin embargo, la tasa de relleno para el artículo más sesgado es un 44% preocupante, aunque este artículo también alcanza un nivel de servicio de 95%. Este es el flagelo de la asimetría.

La explicación de la diferencia en las tasas de llenado es el grado de asimetría. El punto de reorden para el artículo más sesgado es 1 unidad. Tener 1 unidad disponible al comienzo del plazo de entrega será suficiente para manejar 95% de las demandas que lleguen durante un plazo de entrega de 1 mes. Sin embargo, la demanda mensual podría superar las 15 unidades, por lo que cuando se agote la unidad más sesgada, se "agotará a lo grande", perdiendo una cantidad mucho mayor de unidades.

La mayoría de los planificadores de demanda estarían orgullosos de lograr un nivel de servicio 95% y una tasa de llenado de 93%. La mayoría estaría preocupada y desconcertada al lograr el nivel de servicio 95% pero solo una tasa de llenado de 44%. Esta falla parcial no sería su culpa: se puede atribuir directamente a la desagradable asimetría en la distribución de los valores de la demanda mensual.

No existe una solución indolora para este problema. La única forma de aumentar la tasa de llenado en esta situación es elevar el objetivo de nivel de servicio, lo que a su vez impulsará el punto de pedido, lo que finalmente reducirá tanto la frecuencia de los desabastecimientos como su tamaño cada vez que ocurran. En este ejemplo, aumentar el punto de pedido de 1 unidad a 3 unidades logrará un nivel de servicio de 99% y aumentará la tasa de cumplimiento a un respetable, pero no sobresaliente, 84%. Esta mejora tendría el costo de esencialmente triplicar los dólares invertidos en la gestión de este elemento más sesgado.

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.