Smart IP&O funciona con el motor de pronóstico SmartForecasts® que selecciona automáticamente el método más apropiado para cada artículo. Los métodos de Smart Forecast se enumeran a continuación:

Promedio móvil simple y suavizado exponencial único para datos planos y ruidosos
Promedio móvil lineal y suavizado exponencial doble para datos de tendencias
Winters Aditivo y Winters Multiplicativo para datos estacionales y estacionales y de tendencias.

Este blog explica cómo funciona cada modelo utilizando diagramas de tiempo de datos históricos y de pronóstico. Describe cómo elegir qué modelo usar. Los ejemplos a continuación muestran el mismo historial, en rojo, pronosticado con cada método, en verde oscuro, en comparación con el método ganador elegido por Smart, en verde claro.

Estacionalidad
Si desea forzar (o evitar) que se muestre la estacionalidad en el pronóstico, elija los modelos Winters. Ambos métodos requieren 2 años completos de historial.

Multiplicativo de Winters determinará el tamaño de los picos o valles de los efectos estacionales en función de una diferencia porcentual de un volumen promedio de tendencia. No es una buena opción para artículos de muy bajo volumen debido a la división por cero al determinar ese porcentaje. Observe en la imagen a continuación que se proyecta que la gran caída porcentual en la demanda estacional en el historial continúe durante el horizonte de pronóstico, lo que hace que parezca que no hay demanda estacional a pesar de usar un método estacional.

Pronóstico estadístico elaborado con el método multiplicativo de Winter.

Aditivo de Winters determinará el tamaño de los picos o valles de los efectos estacionales con base en una unidad de diferencia del volumen promedio. No es un buen ajuste si hay una tendencia significativa en los datos. Tenga en cuenta en la imagen de abajo que sla estacionalidad ahora se pronostica con base en el cambio unitario promedio en la estacionalidad. Por lo tanto, el pronóstico aún refleja claramente el patrón estacional a pesar de la tendencia a la baja tanto en el nivel como en los picos/valles estacionales.

Pronóstico estadístico producido con el método aditivo de Winter.

Tendencia

Si desea forzar (o evitar) que la tendencia hacia arriba o hacia abajo se muestre en el pronóstico, restrinja los métodos elegidos a (o elimine los métodos de) Promedio móvil lineal y Suavizado exponencial doble.

Suavizado exponencial doble retomará una tendencia a largo plazo. No es una buena opción si hay pocos puntos de datos históricos.

Pronóstico estadístico producido con Doble Suavización Exponencial

Media móvil lineal recogerá las tendencias a corto plazo. No es una buena opción para datos altamente volátiles.

Datos no de tendencia y no estacionales
Si desea forzar (o evitar) que se muestre un promedio en el pronóstico, restrinja los métodos elegidos a (o elimine los métodos de) Promedio móvil simple y Suavizado exponencial único.

Suavizado exponencial simple sopesará más los datos más recientes y producirá un pronóstico de línea plana. No es una buena opción para datos de tendencias o estacionales.

Pronóstico estadístico utilizando Suavización Exponencial Simple

media móvil simple encontrará un promedio para cada período, a veces pareciendo moverse, y mejor para el promedio a más largo plazo. No es una buena opción para datos de tendencias o estacionales.

Pronóstico estadístico utilizando la media móvil simple

El Blog de Smart

Recomendaciones para la planificación de la demanda,

previsión y optimización de inventario

Las fluctuaciones en una cadena de suministro de inventario son inevitables. La aleatoriedad, que puede ser fuente de confusión y frustración, lo garantiza. Un barco que transporta mercancías desde China puede retrasarse debido a una tormenta en el mar. Un aumento repentino en la demanda un día puede acabar con el inventario en un solo día, dejándolo incapaz de satisfacer la demanda del día siguiente. La aleatoriedad crea fricciones que dificultan el trabajo.

A primera vista, a veces parece mejor responder al azar con el enfoque del avestruz: la cabeza enterrada en la arena. Puede establecer una predicción y proceder suponiendo que la predicción siempre será acertada. La falla en ese enfoque es que ignora los métodos estadísticos que nos permiten hacer uso de una gran cantidad de conocimiento sobre nuestro conocimiento en sí mismo: cuán seguros podemos estar en nuestras predicciones y qué amplitud de posibilidades enfrentamos. El enfoque eficiente para abordar los problemas que surgen de la aleatoriedad no es ignorar la incertidumbre, sino aceptarla con los ojos abiertos.

Como principio fundamental del enfoque de Smart Software para pronóstico, siempre le proporcionaremos una evaluación del nivel de incertidumbre en los pronósticos. Si no espera nada más que una cifra absoluta (la demanda de dispositivos en febrero será de 120 unidades), puede descartar el elemento adicional de incertidumbre como algo negativo o perder la fe en un pronóstico que esperaba que fuera definitivo. Pero defendemos lo que consideramos el enfoque adulto; necesita saber lo que está arriesgando cuando se compromete con un pronóstico y basa su toma de decisiones en él.

Sus pronósticos pueden tener grandes consecuencias que van más allá de los niveles de existencias de inventario. Pueden determinar sus necesidades de materias primas o los niveles de personal: los pronósticos impulsan muchas decisiones importantes de asignación de recursos. Si tiene demasiada fe en el resultado más probable, sin considerar específicamente qué tan probable es, realmente no está comprendiendo los riesgos que enfrenta y puede colocarse en una posición precaria.

La necesidad de tomar decisiones plenamente informadas nos obliga a ver, en un pronóstico, el rango positivo/negativo de resultados con cierta probabilidad de ocurrencia. En el caso específico de los pronósticos que van a los sistemas de inventario, esta es una parte importante de la planificación deliberada para las contingencias. Así es como determina no solo el inventario que necesita mantener para satisfacer la demanda típica, sino también el inventario adicional que necesita para hacer frente a la mayoría de los resultados inesperados.

Esta importancia solo aumenta cuando intenta mantener un almacén confiable de repuestos críticos. Entre el costo de almacenar inventario adicional y tener en cuenta el grado de confiabilidad en sus pronósticos, existe un equilibrio que cristaliza cuando un avión que necesita en el aire queda en tierra, porque no tiene el reemplazo de una pieza dañada.

(Si bien el almacenamiento de inventario adicional se basa en el extremo superior del rango de incertidumbre, si el flujo de efectivo es limitado, es el extremo inferior del rango el que se vuelve importante. Los usuarios con mentalidad de tesorería encuentran valor en este otro lado de la incertidumbre en escenarios donde incluso el mínimo exceso de existencias puede ser un problema mayor que una oportunidad de venta perdida, por ejemplo. La información confiable sobre los resultados probables más bajos vale la pena en este momento).

La teoría del inventario dice que debe pensar en los extremos exteriores de las posibilidades probables y prepararse para hacer frente a más escenarios además de lo que es más probable. La aleatoriedad es una realidad que no se puede ignorar. El promedio no es la respuesta.

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 Rensselaer y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.

Deja un comentario

Cómo interpretar y manipular los resultados del pronóstico con diferentes métodos de pronóstico

Este blog explica cómo funciona cada modelo de pronóstico utilizando gráficos de tiempo de datos históricos y de pronóstico. Describe cómo elegir qué modelo usar. Los ejemplos a continuación muestran el mismo historial, en rojo, pronosticado con cada método, en verde oscuro, en comparación con el método ganador elegido por Smart, en verde claro.

Qué hacer cuando un pronóstico estadístico no tiene sentido

A veces, un pronóstico estadístico simplemente no tiene sentido. Todos los pronosticadores han estado allí. Pueden volver a verificar que los datos se ingresaron correctamente o revisar la configuración del modelo, pero todavía se quedan pensando por qué el pronóstico se ve muy diferente al historial de demanda. Cuando el pronóstico ocasional no tiene sentido, puede erosionar la confianza en todo el proceso de pronóstico estadístico.

El papel de la confianza en el proceso de pronóstico de la demanda Parte 2: ¿En qué confías?

Independientemente de cuánto esfuerzo se invierta en capacitar a los pronosticadores y desarrollar sistemas elaborados de apoyo a los pronósticos, los tomadores de decisiones modificarán o descartarán las predicciones si no confían en ellas”.

Mensajes recientes

Las 3 razones principales por las que su hoja de cálculo no funcionará para optimizar los puntos de pedido de piezas de repuesto
A menudo nos encontramos con métodos de planificación de puntos de pedido basados en Excel. En esta publicación, detallamos un enfoque que utilizó un cliente antes de continuar con Smart. Describimos cómo funcionaba su hoja de cálculo, los enfoques estadísticos en los que se basaba, los pasos que los planificadores siguieron en cada ciclo de planificación y sus motivaciones declaradas para usar (y realmente gustarles) esta hoja de cálculo desarrollada internamente. […]
Cómo interpretar y manipular los resultados del pronóstico con diferentes métodos de pronóstico
Este blog explica cómo funciona cada modelo de pronóstico utilizando gráficos de tiempo de datos históricos y de pronóstico. Describe cómo elegir qué modelo usar. Los ejemplos a continuación muestran el mismo historial, en rojo, pronosticado con cada método, en verde oscuro, en comparación con el método ganador elegido por Smart, en verde claro. […]
Por qué las curvas de compensación de piezas de repuesto son de misión crítica para la planificación de piezas
Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]
Qué hacer cuando un pronóstico estadístico no tiene sentido
A veces, un pronóstico estadístico simplemente no tiene sentido. Todos los pronosticadores han estado allí. Pueden volver a verificar que los datos se ingresaron correctamente o revisar la configuración del modelo, pero todavía se quedan pensando por qué el pronóstico se ve muy diferente al historial de demanda. Cuando el pronóstico ocasional no tiene sentido, puede erosionar la confianza en todo el proceso de pronóstico estadístico. […]
La planificación de piezas de repuesto no es tan difícil como cree
Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]

Optimización de inventario para fabricantes, distribuidores y MRO

Las 3 razones principales por las que su hoja de cálculo no funcionará para optimizar los puntos de pedido de piezas de repuesto
A menudo nos encontramos con métodos de planificación de puntos de pedido basados en Excel. En esta publicación, detallamos un enfoque que utilizó un cliente antes de continuar con Smart. Describimos cómo funcionaba su hoja de cálculo, los enfoques estadísticos en los que se basaba, los pasos que los planificadores siguieron en cada ciclo de planificación y sus motivaciones declaradas para usar (y realmente gustarles) esta hoja de cálculo desarrollada internamente. […]
Por qué las curvas de compensación de piezas de repuesto son de misión crítica para la planificación de piezas
Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]
La planificación de piezas de repuesto no es tan difícil como cree
Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar. […]
Planificación basada en el nivel de servicio para empresas de repuestos
La planificación de piezas de servicio impulsada por el nivel de servicio es un proceso de cuatro pasos que se extiende más allá de la previsión simplificada y las existencias de seguridad de regla empírica. Proporciona a los planificadores de piezas de servicio un soporte de decisiones basado en datos y ajustado al riesgo. […]