¿Cuánto tiempo debe tomar para calcular un pronóstico de demanda usando métodos estadísticos? Esta pregunta la hacen a menudo los clientes actuales y potenciales. La respuesta realmente depende. Los resultados del pronóstico para un solo elemento se pueden calcular en un abrir y cerrar de ojos, en tan solo unas pocas centésimas de segundo, pero a veces pueden requerir hasta cinco segundos. Para comprender las diferencias, es importante entender que hay más cosas involucradas que solo repasar la aritmética del pronóstico en sí. Aquí hay seis factores que influyen en la velocidad de su motor de pronóstico.

1) Método de pronóstico.  Las técnicas tradicionales de extrapolación de series de tiempo (como el suavizado exponencial y los métodos de promedio móvil), cuando están codificadas inteligentemente, son muy rápidas. Por ejemplo, el motor de pronóstico automático Smart Forecast que aprovecha estas técnicas y potencia nuestro software de optimización de inventario y planificación de demanda puede generar pronósticos estadísticos sobre 1,000 artículos en 1 segundo. Los métodos de extrapolación producen un pronóstico esperado y una medida resumida de la incertidumbre del pronóstico. Sin embargo, los modelos más complejos en nuestra plataforma que generan escenarios de demanda probabilísticos toman mucho más tiempo con los mismos recursos informáticos. Esto se debe en parte a que crean un volumen de producción mucho mayor, por lo general miles de secuencias de demanda futura plausibles. Más tiempo, sí, pero no tiempo perdido, ya que estos resultados son mucho más completos y forman la base para la optimización posterior de los parámetros de control de inventario.

2) Recursos informáticos.  Cuantos más recursos arroje al cálculo, más rápido será. Sin embargo, los recursos cuestan dinero y puede que no sea económico invertir en estos recursos. Por ejemplo, para hacer que ciertos tipos de pronósticos basados en aprendizaje automático funcionen, el sistema necesitará realizar cálculos de subprocesos múltiples en varios servidores para entregar resultados rápidamente. Por lo tanto, asegúrese de comprender los recursos informáticos asumidos y los costos asociados. Nuestros cálculos se realizan en la nube de Amazon Web Services, por lo que es posible pagar una gran cantidad de cómputo paralelo si se desea.

3) Número de series temporales.  ¿Tiene que pronosticar solo unos pocos cientos de artículos en una sola ubicación o muchos miles de artículos en docenas de ubicaciones? Cuanto mayor sea el número de combinaciones de SKU x Ubicación, mayor será el tiempo requerido. Sin embargo, es posible recortar el tiempo para obtener pronósticos de demanda mediante una mejor clasificación de la demanda. Por ejemplo, no es importante pronosticar cada combinación de SKU x Ubicación. El software moderno de planificación de la demanda primero puede subdividir los datos en función de las clasificaciones de volumen/frecuencia antes de ejecutar el motor de pronóstico. Hemos observado situaciones en las que existían más de un millón de combinaciones SKU x Ubicación, pero solo el diez por ciento tenía demanda en los doce meses anteriores.

4) Clasificación histórica. ¿Está pronosticando utilizando intervalos de tiempo diarios, semanales o mensuales? Cuanto más granular sea la agrupación, más tiempo llevará calcular los pronósticos estadísticos. Muchas empresas se preguntarán: "¿Por qué alguien querría pronosticar diariamente?" Sin embargo, el software de pronóstico de demanda de última generación puede aprovechar los datos diarios para detectar patrones simultáneos de días de la semana y semanas del mes que, de otro modo, quedarían ocultos con los grupos de demanda mensuales tradicionales. Y la velocidad de los negocios continúa acelerándose, amenazando la viabilidad competitiva del ritmo de planificación mensual tradicional.

5) Cantidad de Historia. ¿Está limitando el modelo alimentándolo solo con el historial de demanda más reciente, o está introduciendo todo el historial disponible en el software de previsión de demanda? Cuanto más historial alimente el modelo, más datos se deben analizar y más tiempo llevará.

6) Procesamiento analítico adicional.  Hasta ahora, hemos imaginado ingresar el historial de demanda de los artículos y obtener pronósticos. Pero el proceso también puede implicar pasos analíticos adicionales que pueden mejorar los resultados. Ejemplos incluyen:

a) Detección y eliminación de valores atípicos para minimizar la distorsión causada por eventos únicos como daños por tormentas.

b) Aprendizaje automático que decide cuánto historial se debe usar para cada elemento detectando el cambio de régimen.

C) Modelado causal que identifica cómo los cambios en los impulsores de la demanda (como el precio, la tasa de interés, la opinión del cliente, etc.) afectan la demanda futura.

d) Informe de excepción que utiliza el análisis de datos para identificar situaciones inusuales que ameritan una mayor revisión por parte de la gerencia.

El resto de la historia. También es fundamental comprender que el tiempo para obtener una respuesta implica más que la velocidad de los cálculos de pronóstico. per se. Los datos deben cargarse en la memoria antes de que pueda comenzar la computación. Una vez que se calculan los pronósticos, su navegador debe cargar los resultados para que puedan mostrarse en la pantalla para que usted interactúe con ellos. Si vuelve a pronosticar un producto, puede optar por guardar los resultados. Si está trabajando con jerarquías de productos (agregando pronósticos de artículos hasta familias de productos, familias hasta líneas de productos, etc.), el nuevo pronóstico afectará la jerarquía y todo debe conciliarse. Todo esto lleva tiempo.

¿Lo suficientemente rápido para ti? Cuando está evaluando el software para ver si su necesidad de velocidad será satisfecha, todo esto puede probarse como parte de una prueba de concepto o prueba ofrecida por los proveedores de soluciones de software de planificación de la demanda. Pruébelo y asegúrese de que el calcular, cargar y guardar los tiempos son aceptables dado el volumen de datos y los métodos de pronóstico que desea utilizar para respaldar su proceso.

 ¿Qué es el efecto de oscilación? 

Es cuando su pronóstico estadístico predice incorrectamente los altibajos observados en su historial de demanda cuando realmente no hay un patrón. Es importante asegurarse de que sus pronósticos no cambien a menos que haya un patrón real.

Aquí hay una transcripción de un cliente reciente donde se discutió este problema:

Cliente: “El pronóstico no sigue los patrones que veo en el historial. ¿Por qué no?" 

Inteligente: “Si miras de cerca, los altibajos que ves no son patrones. Es realmente ruido”.  

Cliente: “Pero si no predecimos los máximos, nos agotamos”.

Smart: “Si el pronóstico 'se moviera', sería mucho menos preciso. El sistema pronosticará cualquier patrón que sea evidente, en este caso una tendencia alcista muy leve. Protegeremos el ruido con existencias de seguridad. Los meneos se utilizan para establecer las existencias de seguridad”.

Cliente: “Está bien. Tiene sentido ahora. 

El movimiento parece tranquilizador pero, en este caso, está dando como resultado un pronóstico de demanda incorrecto. Los altibajos en realidad no ocurren a la misma hora cada mes. Un mejor pronóstico estadístico se muestra en verde claro.

Microsoft Dynamics 365 F&SC y AX pueden administrar el reabastecimiento al sugerir qué ordenar y cuándo a través de políticas de inventario basadas en puntos de reorden. Un desafío que enfrentan los clientes es que los esfuerzos para mantener estos niveles están muy orientados a los detalles y que el sistema ERP requiere que el usuario especifique manualmente estos puntos de pedido y/o pronósticos. Como alternativa, muchas organizaciones terminan generando políticas de inventario a mano utilizando hojas de cálculo de Excel u otros enfoques ad hoc.

Estos métodos consumen mucho tiempo y es probable que ambos den como resultado cierto nivel de inexactitud. Como resultado, la organización terminará con un exceso de inventario, escasez innecesaria y una desconfianza general en sus sistemas de software. En este artículo, revisaremos la funcionalidad de pedidos de inventario en AX / D365 F&SC, explicaremos sus limitaciones y resumiremos cómo la Planificación y optimización de inventario inteligente puede ayudar a mejorar la posición de efectivo de una empresa. Esto se logra mediante un inventario reducido y desabastecimientos minimizados y controlados. El uso de Smart Software ofrece una funcionalidad predictiva que falta en Dynamics 365.

Políticas de reabastecimiento de Microsoft Dynamics 365 F&SC y AX

En el módulo de gestión de inventario de AX y F&SC, los usuarios pueden ingresar manualmente los parámetros de planificación para cada artículo en existencia. Estos parámetros incluyen puntos de pedido, plazos de entrega de existencias de seguridad, cantidades de existencias de seguridad, ciclos de reorden y modificadores de pedidos, como cantidades de pedido mínimas y máximas impuestas por el proveedor y múltiplos de pedido. Una vez ingresado, el sistema ERP conciliará el suministro entrante, la disponibilidad actual, la demanda saliente y los pronósticos definidos por el usuario y las políticas de almacenamiento para calcular el plan de suministro o el cronograma de pedidos (es decir, qué ordenar y cuándo).

Hay 4 opciones de política de reposición en F&SC y AX: Cantidad fija de reorden, Cantidad máxima, Lote por lote e Impulsada por pedido del cliente.

• Cantidad de reorden fija y Máx. son métodos de reabastecimiento basados en puntos de pedido. Ambos sugieren pedidos cuando el inventario disponible alcanza el punto de reorden. Con ROQ fijo, el tamaño del pedido se especifica y no variará hasta que se cambie. Con Max, los tamaños de los pedidos variarán según la posición del stock en el momento del pedido y los pedidos se realizarán hasta el Max.
• Lote por lote es un método de reabastecimiento basado en pronósticos que agrupa la demanda total pronosticada durante un marco de tiempo definido por el usuario (el "período de acumulación de lotes") y genera una sugerencia de pedido que totaliza la cantidad pronosticada. Entonces, si su demanda total pronosticada es de 100 unidades por mes y el período de acumulación del lote es de 3 meses, entonces su sugerencia de pedido sería igual a 300 unidades.
• Impulsado por pedidos es un método de reabastecimiento basado en pedidos. No utiliza puntos de pedido ni pronósticos. Piense en ello como una lógica de "vender uno, comprar uno" que solo realiza pedidos después de que se ingresa la demanda.

Limitaciones

Cada una de las configuraciones de reabastecimiento de F&SC / AX debe ingresarse manualmente o importarse a través de cargas personalizadas creadas por los clientes. Simplemente no hay forma de que los usuarios generen entradas de forma nativa (especialmente las que no son óptimas). La falta de una funcionalidad creíble para la previsión a nivel de unidad y la optimización del inventario dentro del sistema ERP es la razón por la que tantos usuarios de AX y F&SC se ven obligados a confiar en hojas de cálculo para la planificación y luego establecer manualmente los parámetros que necesita el ERP. En realidad, la mayoría de los planificadores terminan configurando manualmente las previsiones de demanda y reordenando.

Y cuando pueden usar hojas de cálculo, a menudo se basan en métodos generales generales que dan como resultado el uso de modelos estadísticos simplificados. Una vez calculados en la hoja de cálculo, estos deben cargarse en F&SC/AX. A menudo se cargan a través de engorrosas importaciones de archivos o se ingresan manualmente. Debido al tiempo y esfuerzo que se necesita para construirlos, las empresas no actualizan estos números con frecuencia.

Una vez que se establecen, las organizaciones tienden a emplear un enfoque reactivo a los cambios. La única vez que un comprador/planificador revisa la política de inventario es anualmente o en el momento de las compras o la fabricación. Algunas empresas también reaccionarán después de encontrar problemas con niveles de inventario cortos (o demasiado altos). Gestionar esto en AX y F&AS requiere una interrogación manual para revisar el historial, calcular pronósticos, evaluar las posiciones del búfer y recalibrar.

Microsoft reconoce estas limitaciones en sus ERP centrales y comprende los desafíos importantes para los clientes. En respuesta, Microsoft ha posicionado la previsión bajo su pila de AI Azure. Este método está fuera de los principales ERP. Se ofrece como un conjunto de herramientas para que los científicos de datos lo utilicen para definir estadísticas y cálculos complejos personalizados según los deseos de la empresa. Esto se suma a algunos cálculos simples básicos como punto de partida que se encuentran actualmente en sus fases iniciales de desarrollo. Si bien esto puede generar ganancias a largo plazo, actualmente este método significa que los clientes comienzan casi desde cero y definen lo que Microsoft actualmente llama "experimentos" para medir la planificación de la demanda.

La conclusión es que los clientes se enfrentan a grandes desafíos para conseguir que la pila de Dynamics ayude a resolver estos problemas. El resultado es que los CFO tienen menos efectivo disponible para lo que necesitan y que los ejecutivos de ventas tienen oportunidades de ventas sin cubrir y una posible pérdida de ventas porque la empresa no puede enviar los productos que el cliente desea.

Ser más inteligentes

¿No sería mejor simplemente aprovechar el mejor complemento de su clase para la planificación de la demanda? y la mejor solución de optimización de inventario de su clase para administrar y equilibrar los costos y los niveles de cumplimiento? ¿No sería mejor poder hacer esto diariamente o semanalmente para tomar sus decisiones lo más cerca posible de la necesidad, conservando efectivo mientras satisface la demanda de ventas?

Imagine tener una integración bidireccional con AX y F&AS para que todo funcione fácil y rápidamente. Uno donde:

• podría recalibrar automáticamente las políticas en ciclos de planificación frecuentes utilizando modelos estadísticos de vanguardia probados en el campo,
• podría calcular pronósticos de demanda que tengan en cuenta la estacionalidad, la tendencia y los patrones cíclicos,
• Aprovecharía automáticamente los métodos de optimización que prescriben las políticas de almacenamiento y los niveles de servicio más rentables que consideran los costos reales de mantener el inventario y las interrupciones de existencias, brindándole una imagen económica completa,
• Puede liberar efectivo para usar dentro de la empresa y administrar sus niveles de inventario para mejorar el cumplimiento de pedidos al mismo tiempo que libera este efectivo.
• tendría existencias de seguridad y niveles de inventario que darían cuenta de la variabilidad de la oferta y la demanda, las condiciones comerciales y las prioridades,
• podría apuntar a niveles de servicio específicos por grupos de productos, clientes, almacenes o cualquier otra dimensión que haya seleccionado,
• aumenta las ganancias generales de la empresa y la salud del balance general.

Amplíe Microsoft 365 F&SC y AX con Smart IP&O

Para ver una grabación del seminario web de Microsoft Dynamics Communities que muestra Smart IP&O, regístrese aquí:

https://smartcorp.com/inventory-planning-with-microsoft-365-fsc-and-ax/

5 pasos para la planificación de la demanda por consenso

El objetivo de la previsión de la demanda es establecer la mejor visión posible de la demanda futura. Esto requiere que recurramos a los mejores datos e insumos que podamos obtener, estadísticas de apalancamiento para capturar patrones subyacentes, unir nuestras cabezas para aplicar anulaciones basadas en el conocimiento comercial y acordar un plan de demanda de consenso que sirva como piedra angular para el plan de demanda general de la empresa.

Paso 1: Desarrolle una señal de demanda precisa.   ¿Qué constituye la demanda? Considere cómo su organización define la demanda, por ejemplo, órdenes de venta confirmadas netas de cancelaciones o datos de envío ajustados para eliminar el impacto de los desabastecimientos históricos, y utilícelo de manera consistente. Esta es su medida de lo que el mercado le pide que entregue. No confunda esto con su capacidad de entrega, eso debe reflejarse en el plan de ingresos.

Paso 2: generar un pronóstico estadístico. Planifique para miles de artículos con una aplicación de pronóstico comprobada que extrae automáticamente sus datos y produce pronósticos precisos de manera confiable para todos de tus artículos. Revise la primera pasada de su pronóstico, luego haga los ajustes. Es posible que una huelga o un choque de trenes hayan interrumpido el envío el mes pasado; no deje que eso cambie su pronóstico. Ajuste para estos y vuelva a pronosticar. Haz lo mejor que puedas, luego invita a otros a opinar.

Paso 3: traiga a los expertos. Los gerentes de línea de productos, los líderes de ventas y los socios de distribución clave conocen sus mercados.  Comparte tu pronóstico con ellos. Smart utiliza el concepto de una "instantánea" para compartir un facsímil de su pronóstico, en cualquier nivel, para cualquier línea de productos, con personas que pueden saberlo mejor. Podría haber un pedido enorme que no ha llegado a la tubería, o un socio de canal está a punto de ejecutar su promoción anual. Ofrézcales una manera fácil de tomar su parte del pronóstico y cambiarlo. Arrastre este mes hacia arriba, ese hacia abajo...

Paso 4: Mida la precisión y pronostique el valor agregado. Algunos de sus colaboradores pueden estar en lo correcto, otros tienden a tener un sesgo alto o bajo. Utilice los informes de previsión frente a datos reales y mida el análisis de valor agregado de previsión para medir los errores de previsión y si los cambios en la previsión están perjudicando o ayudando. Al informar el proceso con esta información, su empresa mejorará su capacidad para pronosticar con mayor precisión.

Paso 5: Acordar el Pronóstico de Consenso.  Puede hacer esto una línea de productos o geografía a la vez, o negocio por negocio. Convoque al equipo, agrupe gráficamente sus entradas, revise el rendimiento de precisión anterior, discuta sus razones para aumentar o reducir el pronóstico y acuerde qué entradas usar. Esto se convierte en su plan de consenso. Finalice el plan y envíelo: cargue pronósticos en MRP, envíelos a finanzas y fabricación.  Acaba de iniciar su proceso de Ventas, Inventario y Planificación Operativa.

Puedes hacerlo. Y podemos ayudar.  Si tiene alguna pregunta sobre la planificación colaborativa de la demanda, responda a este blog, haremos un seguimiento.

Belmont, Massachusetts, diciembre de 2022 – Smart Software se complace en anunciar que el artículo del cofundador, el Dr. Thomas R. Willemain, "Gestión del inventario en medio del cambio de régimen" ganó el primer lugar en la categoría Pronóstico de los premios MVP de 2022 Supply Chain Brief.

“Cambio de régimen” es un término estadístico que significa un cambio importante en el carácter de la demanda de un artículo de inventario. El historial de demanda de un artículo es el combustible que alimenta las máquinas de previsión de los planificadores de demanda. En general, cuanto más combustible, mejor, lo que nos brinda una mejor solución en el nivel promedio, la forma de cualquier patrón de estacionalidad y el tamaño y la dirección de cualquier tendencia. Pero hay una gran excepción a la regla de que “más datos son mejores datos”. Si hay un cambio importante en su negocio y la nueva demanda no se parece a la anterior, entonces los datos antiguos se vuelven peligrosos.

Lea el artículo del ganador del premio MVP aquí  https://smartcorp.com/inventory-optimization/managing-inventory-amid-regime-change/

Resumen de la cadena de suministro reúne el mejor contenido de cientos de líderes de opinión de la industria. Este premio MVP reconoce la Publicación más valiosa según lo juzgado por la audiencia, el comité de premios y las redes sociales de Supply Chain Brief. Smart Software ha sido reconocido por brindar el mayor valor a los profesionales de la industria e información útil de naturaleza estratégica. https://www.supplychainbrief.com/mvp-awards/2022-SCB-MVP-AWARDS/forecasting

Dr. Thomas R. Willemain es cofundador y vicepresidente sénior de investigación en Smart Software. Ha sido profesor en el MIT y en la Escuela de Gobierno Kennedy de Harvard y ahora es profesor emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselaer. Tom fue un profesor visitante distinguido en la FAA y apoyó a la comunidad de inteligencia como consultor experto en estadística (GS15) en el Grupo de Investigación de Matemáticas de la NSA y más tarde en el Centro de Ciencias de la Computación de la IDA. Tiene títulos de la Universidad de Princeton (BSE, summa cum laude) y el Instituto Tecnológico de Massachusetts (MS y PhD), todos en Ingeniería Eléctrica.

Acerca de Smart Software, Inc.
Fundada en 1981, Smart Software, Inc. es líder en brindar a las empresas soluciones de optimización de inventario, planificación y previsión de la demanda para toda la empresa. Las soluciones de optimización de inventario y pronóstico de la demanda de Smart Software han ayudado a miles de usuarios en todo el mundo, incluidos clientes de empresas medianas y compañías Fortune 500, como Disney, Arizona Public Service y Ameren. La planificación y optimización inteligente del inventario brinda a los planificadores de la demanda las herramientas para manejar la estacionalidad de las ventas, las promociones, los productos nuevos y antiguos, las jerarquías multidimensionales y las piezas de servicio y bienes de capital con demanda intermitente. También proporciona a los administradores de inventario estimaciones precisas del inventario óptimo y del stock de seguridad necesarios para cumplir con los pedidos futuros y lograr los niveles de servicio deseados. Smart Software tiene su sede en Belmont, Massachusetts, y se puede encontrar en línea en www.smartcorp.com.