En este artículo, revisaremos la funcionalidad de “órdenes sugeridas” en Epicor BisTrack, explicaremos sus limitaciones y resumiremos cómo la Planificación y optimización inteligente del inventario (Smart IP&O) puede ayudar a reducir el inventario y minimizar los desabastecimientos al evaluar con precisión las compensaciones entre los riesgos de desabastecimiento. y costos de inventario.

Automatización del reabastecimiento en Epicor BisTrack
Los “Pedidos sugeridos” de Epicor BisTrack pueden gestionar el reabastecimiento sugiriendo qué pedir y cuándo mediante políticas basadas en puntos de reorden, como mínimo-máximo y/o semanas de suministro especificadas manualmente. BisTrack contiene algunas funciones básicas para calcular estos parámetros en función del uso o las ventas promedio, el tiempo de entrega del proveedor y/o los ajustes estacionales definidos por el usuario. Alternativamente, los puntos de reorden se pueden especificar de forma completamente manual. Luego, BisTrack presentará al usuario una lista de pedidos sugeridos conciliando el suministro entrante, el actual disponible, la demanda saliente y las políticas de almacenamiento.

Cómo funciona el “pedido sugerido” de Epicor BisTrack
Para obtener una lista de pedidos sugeridos, los usuarios especifican los métodos detrás de las sugerencias, incluidas las ubicaciones para realizar pedidos y cómo determinar las políticas de inventario que rigen cuándo se hace una sugerencia y en qué cantidad.

Primero, el campo "método" se especifica entre las siguientes opciones para determinar qué tipo de sugerencia se genera y para qué ubicación(es):

Compra – Generar recomendaciones de órdenes de compra.

1. Centralizado para todas las sucursales: genera sugerencias para una única ubicación que compra para todas las demás ubicaciones.
2. Por sucursal individual: genera sugerencias para múltiples ubicaciones (los proveedores enviarían directamente a cada sucursal).
3. Por sucursal de origen: genera sugerencias para una sucursal de origen que transferirá material a las sucursales a las que presta servicio (“hub and Spoke”).
4. Sucursales individuales con transferencias: genera sugerencias para una sucursal individual que transferirá material a las sucursales a las que presta servicios ("centro y radio", donde el "centro" no necesita ser una sucursal de origen).

Fabricar – Generar sugerencias de órdenes de trabajo para productos manufacturados.

1. Por rama de fabricación.
2. Por sucursal individual.

Transferir de la rama fuente – Generar sugerencias de transferencia de una sucursal determinada a otras sucursales.

A continuación se especifica el “pedido sugerido a” entre las siguientes opciones:

1. Mínimo: sugiere pedidos "hasta" la cantidad mínima disponible ("min"). Para cualquier artículo cuyo suministro sea inferior al mínimo, BisTrack sugerirá un pedido para reponer hasta esta cantidad.
2. Máximo cuando es inferior al mínimo: sugiere pedidos “hasta” una cantidad máxima disponible cuando se incumple la cantidad mínima disponible (por ejemplo, una política de inventario mínimo-máximo).

3. Basado en cobertura (uso): sugiere pedidos basados en la cobertura para un número de semanas de suministro definido por el usuario con respecto a un plazo de entrega específico. Dado interno uso Según la demanda, BisTrack recomendará pedidos donde la oferta sea menor que la cobertura deseada para cubrir la diferencia.

4. Basado en exceso (ventas): sugiere pedidos basados en la cobertura para un número de semanas de suministro definido por el usuario con respecto a un plazo de entrega específico. Dado ordenes de venta Según la demanda, BisTrack recomendará pedidos donde la oferta sea menor que la cobertura deseada para cubrir la diferencia.

5. Solo máximo: sugiere pedidos “hasta” una cantidad máxima disponible donde el suministro es menor que este máximo.

Finalmente, si permite que BisTrack determine los umbrales de reorden, los usuarios pueden especificar una cobertura de inventario adicional como stock de reserva, tiempos de entrega, cuántos meses de demanda histórica considerar y también pueden definir manualmente esquemas de ponderación período por período para aproximar la estacionalidad. El usuario recibirá una lista de pedidos sugeridos según los criterios definidos. Luego, un comprador puede generar órdenes de compra para proveedores con solo hacer clic en un botón.

Limitaciones

Métodos de regla general

Si bien BisTrack permite a las organizaciones generar puntos de reorden automáticamente, estos métodos se basan en promedios simples que no capturan la estacionalidad, las tendencias o la volatilidad en la demanda de un artículo. Los promedios siempre estarán por detrás de estos patrones y no pueden captar las tendencias. Considere un producto altamente estacional como una pala quitanieves: si tomamos un promedio de la demanda de verano/otoño a medida que nos acercamos a la temporada de invierno en lugar de mirar hacia adelante, entonces las recomendaciones se basarán en los períodos más lentos en lugar de anticipar la demanda futura. Incluso si consideramos un año entero de historia o más, las recomendaciones compensarán en exceso durante los meses más lentos y subestimarán la temporada alta sin intervención manual.

Los métodos de regla general también fallan cuando se utilizan para amortiguar la variabilidad de la oferta y la demanda. Por ejemplo, la demanda promedio durante el plazo de entrega podría ser de 20 unidades. Sin embargo, un planificador a menudo querrá almacenar más de 20 unidades para evitar desabastecerse si los plazos de entrega son más largos de lo esperado o la demanda es mayor que el promedio. BisTrack permite a los usuarios especificar los puntos de reorden en función de múltiplos de los promedios. Sin embargo, debido a que los múltiplos no tienen en cuenta el nivel de previsibilidad y variabilidad de la demanda, siempre tendrá un exceso de existencias de artículos predecibles y una falta de existencias de los impredecibles. Lee esto artículo para obtener más información sobre por qué múltiplos del promedio fallan cuando se trata de desarrollar el punto de reorden correcto.

Entrada manual
Hablando de la estacionalidad mencionada anteriormente, BisTrack permite al usuario aproximarla mediante el uso de "pesos" ingresados manualmente para cada período. Esto obliga al usuario a decidir cómo será ese patrón estacional para cada artículo. Incluso más allá de eso, el usuario debe dictar cuántas semanas adicionales de suministro debe llevar para protegerse contra desabastecimientos. y debe especificar el plazo de entrega para planificar. ¿Es suficiente un suministro adicional de 2 semanas? ¿Es suficiente con 3? ¿O es demasiado? No hay forma de saberlo sin adivinar, y lo que tiene sentido para un elemento puede no ser el enfoque correcto para todos.

Demanda intermitente
Muchos clientes de BisTrack pueden considerar ciertos elementos "impredecibles" debido a la intermitente o “grumosos” de su demanda. En otras palabras, artículos que se caracterizan por una demanda esporádica, grandes picos de demanda y períodos de poca o ninguna demanda. Los métodos tradicionales, y especialmente los enfoques empíricos, no funcionarán para este tipo de artículos. Por ejemplo, 2 semanas adicionales de suministro para un artículo estable y altamente predecible podría ser demasiado; para un artículo con una demanda muy volátil, esta misma regla podría no ser suficiente. Sin una forma confiable de evaluar objetivamente esta volatilidad para cada artículo, los compradores se quedan sin saber cuándo comprar y cuánto.

Volver a hojas de cálculo
La realidad es que la mayoría de los usuarios de BisTrack tienden a realizar la mayor parte de su planificación fuera de línea, en Excel. Las hojas de cálculo no están diseñadas específicamente para realizar pronósticos y optimizar el inventario. Los usuarios a menudo utilizan métodos definidos por el usuario. regla de oro inventadas por el usuario, métodos que a menudo hacen más daño que bien. Una vez calculado, los usuarios deben ingresar la información nuevamente en BisTrack manualmente. La naturaleza lenta del proceso lleva a las empresas a calcular sus políticas de inventario con poca frecuencia. Pasan muchos meses y, en ocasiones, años entre actualizaciones masivas, lo que lleva a un enfoque reactivo de "configúrelo y olvídese", donde el único momento en que un comprador/planificador revisa la política de inventario es en el momento de realizar el pedido. Cuando las políticas se revisan después de que ya se haya incumplido el punto de orden, ya es demasiado tarde. Cuando el punto de orden se considera demasiado alto, se requiere una interrogación manual para revisar el historial, calcular pronósticos, evaluar las posiciones del buffer y recalibrar. El gran volumen de pedidos significa que los compradores simplemente liberarán los pedidos en lugar de tomarse el minucioso tiempo de revisarlo todo, lo que genera un importante exceso de existencias. Si el punto de reorden es demasiado bajo, ya es demasiado tarde. Ahora puede ser necesaria una aceleración, lo que aumentará los costos, suponiendo que el cliente no se vaya simplemente a otra parte.

Epicor es más inteligente
Epicor se ha asociado con Smart Software y ofrece Smart IP&O como un complemento multiplataforma para sus soluciones ERP, incluido BisTrack, un ERP especializado para la industria de la madera, el hardware y los materiales de construcción. La solución Smart IP&O viene completa con una integración bidireccional con BisTrack. Esto permite a los clientes de Epicor aprovechar las mejores aplicaciones de optimización de inventario diseñadas específicamente para su propósito. Con Epicor Smart IP&O puede generar pronósticos que capturen tendencias y estacionales sin configuraciones manuales. Podrá recalibrar automáticamente las políticas de inventario utilizando modelos estadísticos y probabilísticos de vanguardia probados en el campo que fueron diseñados para planificar con precisión demanda intermitente. Las existencias de seguridad tendrán en cuenta con precisión la variabilidad de la oferta y la demanda, las condiciones comerciales y las prioridades. Puedes aprovechar la planificación impulsada por el nivel de servicio para que tenga suficiente stock o activar métodos de optimización que prescriben las políticas de almacenamiento y niveles de servicio más rentables que consideran el costo real de mantener el inventario. Puede respaldar las compras de materias primas con pronósticos precisos de la demanda en horizontes más largos y ejecutar escenarios hipotéticos para evaluar estrategias alternativas antes de ejecutar el plan.

Los clientes inteligentes de IP&O obtienen habitualmente rendimientos anuales de siete cifras gracias a la reducción de los plazos, el aumento de las ventas y el menor exceso de existencias, al mismo tiempo que obtienen una ventaja competitiva al diferenciarse por un mejor servicio al cliente. Para ver un seminario web grabado organizado por el Grupo de Usuarios de Epicor que describe la plataforma de optimización de inventario y planificación de la demanda de Smart, por favor regístrese aquí.

Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información.

La precisión se representa como un porcentaje entre cero y 100, mientras que los porcentajes de error comienzan en cero pero no tienen límite superior. Los informes de MAPE (error porcentual absoluto medio) u otras métricas de error pueden denominarse informes de “precisión del pronóstico”, lo que desdibuja la distinción. Por lo tanto, es posible que desee saber cómo pasar del punto de vista del error al punto de vista de la precisión que defiende su empresa. Este blog describe cómo con algunos ejemplos.

Las métricas de precisión se calculan de manera que cuando lo real es igual al pronóstico, la precisión es 100% y cuando el pronóstico es el doble o la mitad de lo real, entonces la precisión es 0%. Los informes que comparan el pronóstico con el real a menudo incluyen lo siguiente:

• El actual
• La previsión
• Error unitario = Pronóstico – Real
• Error absoluto = Valor absoluto del error unitario
• Error absoluto % = Error Abs / Real, como %
• Precisión % = 100% – Error absoluto %

Mire un par de ejemplos que ilustran la diferencia en los enfoques. Digamos que Real = 8 y el pronóstico es 10.

El error de unidad es 10 – 8 = 2

Error absoluto de % = 2/8, como % = 0,25 * 100 = 25%

Precisión = 100% – 25% = 75%.

Ahora digamos que el real es 8 y el pronóstico es 24.

El error de unidad es 24– 8 = 16

Error absoluto de % = 16/8 como % = 2 * 100 = 200%

Precisión = 100% – 200% = negativo se establece en 0%.

En el primer ejemplo, las mediciones de precisión proporcionan la misma información que las mediciones de error, ya que el pronóstico y lo real ya están relativamente cerca. Pero cuando el error es más del doble del real, las mediciones de precisión llegan a cero. Indica correctamente que el pronóstico no era del todo exacto. Pero el segundo ejemplo es más preciso que el tercero, donde el valor real es 8 y el pronóstico es 200. Esa es una distinción que un rango de precisión de 0 a 100% no registra. En este último ejemplo:

El error de unidad es 200 – 8 = 192

Error absoluto de % = 192/8, como % = 24 * 100 = 2,400%

Precisión = 100% – 2,400% = negativo se establece en 0%.

Las métricas de error continúan proporcionando información sobre qué tan lejos está el pronóstico de lo real y posiblemente representan mejor la precisión del pronóstico.

Alentamos a adoptar el punto de vista del error. Simplemente espera que un pequeño porcentaje de error indique que el pronóstico no estuvo lejos de lo real, en lugar de esperar un gran porcentaje de precisión para indicar que el pronóstico estuvo cerca de lo real. Este cambio de mentalidad ofrece los mismos conocimientos y al mismo tiempo elimina las distorsiones.

​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.

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.

​