Verdadero o falso: El pronóstico no importa para la gestión del inventario de repuestos.

A primera vista, esta afirmación parece evidentemente falsa. Después de todo, las previsiones son cruciales para planificar los niveles de existencias, ¿verdad?

Depende de lo que entiendas por “previsión”. Si te refieres a un pronóstico de un solo número de la vieja escuela (“la demanda del artículo CX218b será de 3 unidades la próxima semana y de 6 unidades la semana siguiente”), entonces no. Si se amplía el significado de pronóstico para incluir una distribución de probabilidad que tenga en cuenta las incertidumbres tanto de la demanda como de la oferta, entonces sí.

La realidad clave es que muchos artículos, especialmente repuestos y repuestos, tienen una demanda impredecible e intermitente. (Los plazos de entrega de los proveedores también pueden ser erráticos, especialmente cuando las piezas provienen de un OEM atrasado). Hemos observado que, si bien los fabricantes y distribuidores generalmente experimentan una demanda intermitente de solo 20% o más de sus artículos, el porcentaje aumenta a 80%+ para las empresas basadas en MRO. Esto significa que los datos históricos a menudo muestran períodos de demanda cero intercalados con períodos aleatorios de demanda distinta de cero. A veces, estas demandas distintas de cero son tan bajas como 1 o 2 unidades, mientras que en otras ocasiones aumentan inesperadamente a cantidades varias veces mayores que su promedio.

Este no es el tipo de datos que normalmente enfrentan sus pares “planificadores de la demanda” en el comercio minorista, productos de consumo y alimentos y bebidas. Esas personas suelen trabajar con cantidades mayores que tienen proporcionalmente menos aleatoriedad. Y pueden navegar por características que mejoran las predicciones, como tendencias y patrones estacionales estables. En cambio, el uso de repuestos es mucho más aleatorio, lo que supone un obstáculo para el proceso de planificación, incluso en la minoría de casos en los que hay variaciones estacionales detectables.

En el ámbito de la demanda intermitente, el mejor pronóstico disponible se desviará significativamente de la demanda real. A diferencia de los productos de consumo con volumen y frecuencia de medianos a altos, el pronóstico de una pieza de servicio puede fallar por cientos de puntos porcentuales. Un pronóstico de una o dos unidades, en promedio, siempre fallará cuando la demanda real sea cero. Incluso con inteligencia empresarial avanzada o algoritmos de aprendizaje automático, el error al pronosticar las demandas distintas de cero seguirá siendo sustancial.

Quizás debido a la dificultad de hacer pronósticos estadísticos en el ámbito del inventario, la planificación del inventario en la práctica a menudo se basa en la intuición y el conocimiento del planificador. Desafortunadamente, este enfoque no abarca decenas de miles de piezas. La intuición simplemente no puede hacer frente a toda la gama de posibilidades de demanda y plazos de entrega, y mucho menos estimar con precisión la probabilidad de cada escenario posible. Incluso si su empresa tiene uno o dos pronosticadores intuitivos excepcionales, las jubilaciones de personal y las reorganizaciones de la línea de productos significan que no se puede confiar en los pronósticos intuitivos en el futuro.

La solución radica en cambiar el enfoque de los pronósticos tradicionales a predecir probabilidades para cada escenario de demanda potencial y plazo de entrega. Este cambio transforma la conversación de un “plan de un solo número” poco realista a un rango de números con probabilidades asociadas. Al predecir las probabilidades de cada demanda y posibilidad de plazo de entrega, puede alinear mejor los niveles de existencias con la tolerancia al riesgo de cada grupo de piezas.

El software que genera escenarios de demanda y plazos de entrega, repitiendo este proceso decenas de miles de veces, puede simular con precisión cómo se comportarán las políticas de almacenamiento actuales frente a estas políticas. Si el rendimiento en la simulación no es suficiente y se prevé que se agote con más frecuencia de la que se siente cómodo o que le quede un exceso de inventario, la realización de escenarios hipotéticos permite realizar ajustes en las políticas. Luego puede predecir cómo se comportarán estas políticas revisadas frente a demandas aleatorias y plazos de entrega. Puede llevar a cabo este proceso de forma iterativa y perfeccionarlo con cada nuevo escenario hipotético o apoyarse en políticas prescritas por el sistema que logren un equilibrio óptimo entre riesgo y costos.

Por lo tanto, si está planificando inventarios de servicios y repuestos, deje de preocuparse por predecir la demanda como lo hacen los planificadores de demanda tradicionales del comercio minorista y de CPG. En cambio, concéntrese en cómo sus políticas de almacenamiento resistirán la aleatoriedad del futuro, ajustándolas en función de su tolerancia al riesgo. Para hacer esto, necesitará el conjunto adecuado de software de soporte a la toma de decisiones, y así es como Smart Software puede ayudar.

¿Las empresas de MRO realmente priorizan la reducción del exceso de inventario de repuestos? Desde un punto de vista organizativo, nuestra experiencia sugiere que no necesariamente. Las discusiones en las salas de juntas generalmente giran en torno a la expansión de flotas, la adquisición de nuevos clientes, el cumplimiento de acuerdos de nivel de servicio (SLA), la modernización de la infraestructura y la maximización del tiempo de actividad. En industrias donde los activos respaldados por repuestos cuestan cientos de millones o generan ingresos significativos (por ejemplo, minería o petróleo y gas), el valor del inventario simplemente no sorprende y las organizaciones tienden a pasar por alto cantidades masivas de inventario excesivo.

Considere una agencia de transporte público. En la mayoría de las ciudades importantes, los presupuestos operativos anuales superarán los $3 mil millones. Los gastos de capital para trenes, vagones de metro e infraestructura pueden alcanzar cientos de millones al año. En consecuencia, un inventario de repuestos valorado en $150 millones podría no captar la atención del director financiero o del director general, ya que representa un pequeño porcentaje del balance. Además, en las industrias basadas en MRO, muchas piezas necesitan soportar flotas de equipos durante una década o más, lo que hace que el stock adicional sea un activo necesario. En algunos sectores, como el de los servicios públicos, incluso se puede incentivar la tenencia de existencias adicionales para garantizar que los equipos se mantengan en buen estado.

Hemos visto surgir preocupaciones sobre el exceso de existencias cuando el espacio del almacén es limitado. Recuerdo que, al principio de mi carrera, fui testigo del patio ferroviario de una agencia de transporte público lleno de ejes oxidados valorados en más de $100.000 cada uno. Me dijeron que los ejes se vieron obligados a quedar expuestos a los elementos debido a la falta de espacio en el almacén. El costo de oportunidad asociado con el espacio consumido por el stock adicional se convierte en una consideración cuando se agota la capacidad del almacén. La consideración principal que prevalece sobre todas las demás decisiones es cómo el stock garantiza altos niveles de servicio para los clientes internos y externos. Los planificadores de inventarios se preocupan mucho más por las consecuencias de los desabastecimientos que por las compras excesivas. Cuando una pieza faltante provoca un incumplimiento del SLA o una línea de producción caída, lo que genera multas millonarias y una producción irrecuperable, es comprensible.

A las empresas con uso intensivo de activos se les escapa un punto importante. Eso es el El stock adicional no protege contra el desabastecimiento; les contribuye. Cuanto más exceso tenga, menor será su nivel general de servicio porque el efectivo necesario para comprar piezas es finito y el efectivo gastado en exceso de existencias significa que no hay efectivo disponible para las piezas que lo necesitan.. Incluso las empresas MRO financiadas con fondos públicos, como las agencias de servicios públicos y de tránsito, reconocen la necesidad de optimizar el gasto, ahora más que nunca. Como compartió un gerente de materiales: “Ya no podemos solucionar los problemas con bolsas de dinero en efectivo de Washington”. Por lo tanto, deben hacer más con menos, asegurando una asignación óptima entre las decenas de miles de piezas que gestionan.

Aquí es donde entra en juego el software de optimización de inventario de última generación, que predice el inventario requerido para niveles de servicio específicos, identifica cuándo los niveles de existencias generan retornos negativos y recomienda reasignaciones para mejorar los niveles de servicio generales. Smart Software ha ayudado a las empresas basadas en MRO con uso intensivo de activos a optimizar los niveles de reorden en cada pieza durante décadas. Llámenos para obtener más información. 

¿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

La gestión de piezas de repuesto presenta numerosos desafíos, como averías inesperadas, horarios cambiantes y patrones de demanda inconsistentes. Los métodos de pronóstico tradicionales y los enfoques manuales son ineficaces para hacer frente a estas complejidades. Para superar estos desafíos, este blog describe estrategias clave que priorizan los niveles de servicio, utilizan métodos probabilísticos para calcular los puntos de pedido, ajustan periódicamente las políticas de almacenamiento e implementan un proceso de planificación dedicado para evitar un inventario excesivo. Explore estas estrategias para optimizar el inventario de repuestos y mejorar la eficiencia operativa.

Línea inferior por adelantado

1. La gestión de inventario es Gestión de riesgos.

2. No puede gestionar bien el riesgo o a escala con planificación subjetiva – Necesita saber servicio vs. costo.

3. No es variabilidad de la oferta y la demanda ese es el problema, es cómo lo manejas.

4. Las piezas de repuesto tienen intermitente pedir por lo que los métodos tradicionales no funcionan.

5.Regla de oro Los enfoques no tienen en cuenta la variabilidad de la demanda y asignan incorrectamente las existencias.

6.Uso Optimize el nivel de servicio considerablemente,  (compensaciones entre servicio y costo) para impulsar las decisiones sobre acciones.

7.probabilístico enfoques tales como arranque producir estimaciones precisas de los puntos de pedido.

8.Clasificar partes y asigne objetivos de nivel de servicio por clase.

9.Recalibrar a menudo – miles de piezas tienen puntos de reorden antiguos y obsoletos.

10.Partes reparables requieren un tratamiento especial.

Céntrese en las causas fundamentales reales

Demanda intermitente

• Movimiento lento, irregular o esporádico con un gran porcentaje de valores cero.
• Los valores distintos de cero se mezclan al azar: los picos son grandes y variados.
• No tiene forma de campana (la demanda normalmente no se distribuye alrededor del promedio).
• Al menos 70% de las piezas típicas de una empresa de servicios públicos se demandan de forma intermitente.

demanda normal

• Muy pocos períodos de demanda cero (la excepción son las piezas de temporada).
• A menudo exhibe patrones de tendencia, estacionales o cíclicos.
• Menores niveles de variabilidad de la demanda.
• Tiene forma de campana (la demanda normalmente se distribuye alrededor del promedio).

No confíes en los promedios

• OK para determinar el uso típico durante períodos de tiempo más largos.
• A menudo pronostica con más "precisión" que algunos métodos avanzados.
• Pero... insuficiente para determinar qué almacenar.

No búfer con múltiplos de promedios

Ejemplo: Dos partes igualmente importantes, así que tratémoslas igual.
Pediremos más cuando el inventario disponible sea ≤ 2 x la demanda promedio de tiempo de entrega.

Utilice las curvas de compensación del nivel de servicio para calcular el stock de seguridad

Probabilidades normales estándar

Está bien para la demanda normal. ¡No funciona con demanda intermitente!

No use distribuciones normales (en forma de campana)

• Obtendrá la curva de compensación incorrecta:

– por ejemplo, tendrá como objetivo 95% pero logrará 85%.

– por ejemplo, tendrá como objetivo 99% pero logrará 91%.

• Esta es una gran falta con implicaciones costosas:

– Se agotará con más frecuencia de lo esperado.

– Comenzará a agregar búferes subjetivos para compensar y luego el exceso de existencias.

– La falta de confianza/las dudas sobre los resultados paralizan la planificación.

Por qué los métodos tradicionales fallan en la demanda intermitente: 

Los métodos tradicionales no están diseñados para abordar problemas fundamentales en la gestión de piezas de repuesto.

Necesidad: distribución de probabilidad (no en forma de campana) de la demanda durante un tiempo de entrega variable.

• Obtener: Predicción de promedio demanda en cada mes, no un total sobre el tiempo de entrega.
• Obtener: Modelo de variabilidad reforzado, generalmente el modelo Normal, generalmente incorrecto.

Necesidad: exposición de compensaciones entre la disponibilidad de artículos y el costo del inventario.

• Obtener: nada de esto; en cambio, obtenga muchas decisiones inconsistentes y ad-hoc.

Utilice Bootstrapping estadístico para predecir la distribución:

Luego explote la distribución para optimizar las políticas de almacenamiento.

¿Cómo funciona Bootstrapping?

24 meses de datos históricos de demanda.

Escenarios Bootstrap para un plazo de ejecución de 3 meses.

¡Bootstrapping alcanza el objetivo de nivel de servicio con una precisión de casi 100%!

• Operación de Almacenamiento Nacional.

Tarea: Pronostique los niveles de existencias de inventario para 12 000 SKU con demanda intermitente en los niveles de servicio 95% y 99%

Resultados:

En el nivel de servicio 95%, 95.23% no se agotó.

En el nivel de servicio 99%, 98.66% no se agotó.

Esto significa que puede confiar en la producción para establecer expectativas y realizar con confianza ajustes de stock específicos que reduzcan el inventario y aumenten el servicio.

Establezca niveles de servicio objetivo según la frecuencia y el tamaño del pedido

Recalibrar los puntos de pedido con frecuencia

• Las ROP estáticas provocan exceso y escasez.
• A medida que aumenta el tiempo de entrega, también debería hacerlo el ROP y viceversa.
• A medida que disminuye el uso, también debería hacerlo la ROP y viceversa.
• Cuanto más espere para recalibrar, mayor será el desequilibrio.
• Montañas de piezas ordenadas demasiado pronto o demasiado tarde.
• Desperdicia el tiempo de los compradores al realizar pedidos incorrectos.
• Genera desconfianza en los sistemas y fuerza los silos de datos.

hacer un plan Rotables (Piezas de reparación) de manera diferente

Resumen

1. La gestión de inventario es Gestión de riesgos.

2. No puede gestionar bien el riesgo o a escala con planificación subjetiva – Necesita saber servicio vs. costo.

3. No es variabilidad de la oferta y la demanda ese es el problema, es cómo lo manejas.

4. Las piezas de repuesto tienen intermitente pedir por lo que los métodos tradicionales no funcionan.

5.Regla de oro Los enfoques no tienen en cuenta la variabilidad de la demanda y asignan incorrectamente las existencias.

6.Uso Optimize el nivel de servicio considerablemente,  (compensaciones entre servicio y costo) para impulsar las decisiones sobre acciones.

7.probabilístico enfoques tales como arranque producir estimaciones precisas de los puntos de pedido.

8.Clasificar partes y asigne objetivos de nivel de servicio por clase.

9.Recalibrar a menudo – miles de piezas tienen puntos de reorden antiguos y obsoletos.

10.Partes reparables requieren un tratamiento especial.

¿Sabías que fue Benjamin Franklin quien inventó el pararrayos para proteger los edificios de la caída de rayos? Ahora, no todos los días debemos preocuparnos por la caída de rayos, pero en el impredecible clima empresarial actual, tenemos que preocuparnos por las interrupciones en la cadena de suministro, los largos plazos de entrega, el aumento de las tasas de interés y la demanda volátil. Con todos estos desafíos, nunca ha sido más vital para las organizaciones pronosticar con precisión el uso de piezas, los niveles de existencias y optimizar las políticas de reabastecimiento, como los puntos de pedido, las existencias de seguridad y las cantidades de los pedidos. En este blog, exploraremos cómo las empresas pueden aprovechar soluciones innovadoras como la optimización de inventario y el software de pronóstico de piezas que utilizan algoritmos de aprendizaje automático, pronóstico probabilístico y análisis para mantenerse a la vanguardia y proteger sus cadenas de suministro de impactos inesperados.

Soluciones de planificación de repuestos
La optimización de piezas de repuesto es un aspecto clave de la gestión de la cadena de suministro para muchas industrias. Implica administrar el inventario de piezas de repuesto para garantizar que estén disponibles cuando se necesiten sin tener un exceso de inventario que pueda ocupar capital y espacio. La optimización del inventario de piezas de repuesto es un proceso complejo que requiere una comprensión profunda de los patrones de uso, los plazos de entrega de los proveedores y la importancia de cada pieza para el negocio.

En este blog, nuestro énfasis principal estará en el aspecto crucial de la optimización del inventario y la previsión de la demanda. Sin embargo, otros enfoques destacados a continuación para la optimización de piezas de repuesto, como el mantenimiento predictivo y la impresión 3D, la gestión de datos maestros y la planificación colaborativa, deben investigarse e implementarse según corresponda.

1. Mantenimiento predictivo: Usar análisis predictivos para anticipar cuándo es probable que una pieza falle y reemplazarla de manera proactiva, en lugar de esperar a que se averíe. Este enfoque puede ayudar a las empresas a reducir el tiempo de inactividad y los costos de mantenimiento, así como a mejorar la eficacia general del equipo.
2. Impresión 3d: Los avances en la tecnología de impresión 3D están permitiendo a las empresas producir piezas de repuesto bajo demanda, lo que reduce la necesidad de exceso de inventario. Esto no solo ahorra espacio y reduce costos, sino que también garantiza que las piezas estén disponibles cuando se necesiten.
3. Gestión de datos maestros: Las plataformas de gestión de datos garantizan que los datos de las piezas se identifiquen, cataloguen, limpien y organicen correctamente. Con demasiada frecuencia, las organizaciones de MRO tienen el mismo número de pieza bajo diferentes SKU. Estas piezas duplicadas tienen el mismo propósito, pero requieren diferentes números de SKU para garantizar el cumplimiento normativo o la seguridad. Por ejemplo, es posible que se requiera que una pieza utilizada para respaldar un contrato gubernamental se obtenga de un fabricante estadounidense para cumplir con las regulaciones de "Buy America". Es fundamental que estos números de pieza se identifiquen y consoliden en un solo SKU, cuando sea posible, para mantener bajo control las inversiones en inventario.
4. Planificación colaborativa: La colaboración con proveedores y clientes para compartir datos, pronósticos y planificar la demanda puede ayudar a las empresas a reducir los plazos de entrega, mejorar la precisión y reducir los niveles de inventario. La previsión desempeña un papel esencial en la colaboración, ya que compartir información sobre las compras, la demanda y el comportamiento de compra garantiza que los proveedores tengan la información que necesitan para garantizar la disponibilidad de existencias para los clientes.

Optimización del Inventario
Abraham Lincoln fue citado una vez diciendo: “Denme seis horas para talar un árbol, y pasaré las primeras cuatro afilando el hacha”? Lincoln sabía que la preparación y la optimización eran clave para el éxito, al igual que las organizaciones necesitan contar con las herramientas adecuadas, como el software de optimización de inventario, para optimizar su cadena de suministro y mantenerse a la vanguardia en el mercado. Con el software de optimización de inventario, las organizaciones pueden mejorar la precisión de sus pronósticos, reducir los costos de inventario, mejorar los niveles de servicio y reducir los plazos de entrega. Lincoln sabía que era necesario afilar el hacha para realizar el trabajo de manera efectiva sin esforzarse demasiado. La optimización del inventario garantiza que los dólares de inventario se asignen de manera efectiva a miles de piezas, lo que ayuda a garantizar los niveles de servicio y minimiza el exceso de existencias.

Las piezas de repuesto juegan un papel decisivo en el mantenimiento de la eficiencia operativa, y la falta de piezas críticas puede provocar tiempos de inactividad y una reducción de la productividad. La naturaleza esporádica de la demanda de piezas de repuesto hace que sea difícil predecir cuándo se requerirá una pieza específica, lo que genera el riesgo de exceso o falta de existencias, lo que puede generar costos para la organización. Además, la gestión de los plazos de entrega de las piezas de repuesto plantea su propio conjunto de desafíos. Algunas partes pueden tener tiempos de entrega prolongados, lo que requiere el mantenimiento de niveles de inventario adecuados para evitar la escasez. Sin embargo, llevar un exceso de inventario puede ser costoso, ocupando capital y espacio de almacenamiento.

Dada la gran cantidad de desafíos que enfrentan los departamentos de gestión de materiales y los planificadores de piezas de repuesto, la planificación de la demanda, los niveles de existencias y la reposición de piezas de repuesto sin una solución eficaz de optimización del inventario es como intentar cortar un árbol con un hacha muy desafilada. Cuanto más afilada sea el hacha, mejor podrá su organización hacer frente a estos desafíos.

El hacha de Smart Software es la más afilada
El software inteligente de optimización de inventario y planificación de la demanda utiliza un enfoque de pronóstico probabilístico empírico único que da como resultado pronósticos precisos de los requisitos de inventario, incluso cuando la demanda es intermitente. Dado que casi 90% de repuestos y piezas de servicio son intermitentes, se requiere una solución precisa para manejar este tipo de demanda. La solución de Smart se patentó en 2001 y recientemente se patentaron innovaciones adicionales en mayo de 2023 (¡anuncios próximamente!). La solución fue premiada como finalista en la Categoría de Innovación Tecnológica APICS por su papel en ayudar a transformar la industria de gestión de recursos.

El papel de la demanda intermitente
La demanda intermitente no se ajusta a una distribución normal simple o en forma de campana que hace que sea imposible pronosticar con precisión con los métodos de pronóstico tradicionales basados en la suavización. Las piezas y artículos con demanda intermitente, también conocida como demanda irregular, volátil, variable o impredecible, tienen muchos valores de volumen cero o bajo intercalados con picos aleatorios de demanda que a menudo son muchas veces mayores que el promedio. Este problema es especialmente frecuente en las empresas que gestionan grandes inventarios de servicio y piezas de repuesto en industrias como la aviación, aeroespacial, suministro y servicios públicos de energía y agua, automoción, gestión de activos pesados, alta tecnología, así como en MRO (mantenimiento, reparación, y Revisión).

Análisis de escenario
La tecnología patentada y galardonada de Smart genera rápidamente decenas de miles de escenarios posibles de secuencias de demanda futuras y valores de demanda acumulados durante el tiempo de entrega de un artículo. Estos escenarios son estadísticamente similares a los datos observados del artículo y capturan los detalles relevantes de la demanda intermitente sin depender de las suposiciones comúnmente hechas sobre la naturaleza de las distribuciones de la demanda por los métodos de pronóstico tradicionales. El resultado es un pronóstico muy preciso de la distribución completa de la demanda acumulada durante el tiempo de entrega de un artículo. La conclusión es que con la información que brindan estas distribuciones de demanda, las empresas pueden planificar fácilmente los requisitos de inventario de nivel de servicio y existencias de seguridad para miles de artículos demandados intermitentemente con una precisión de casi 100%.

Beneficios
La implementación de soluciones innovadoras de Smart Software, como SmartForecasts para pronósticos estadísticos, Demand Planner para la planificación de piezas por consenso e Inventory Optimization para desarrollar controladores de reabastecimiento precisos, como niveles mínimos/máximos y de existencias de seguridad, brindará a los ejecutivos y planificadores con visión de futuro un mejor control sobre sus operaciones de la organización. Se traducirá en los siguientes beneficios:

1. Precisión de pronóstico mejorada: La previsión precisa de la demanda es fundamental para cualquier organización que se ocupe de la gestión del inventario de repuestos. El software de optimización de inventario utiliza algoritmos sofisticados para analizar patrones de uso históricos, identificar tendencias y pronosticar la demanda futura con un alto grado de precisión. Con este nivel de precisión en la previsión, las organizaciones pueden evitar el riesgo de exceso o escasez de existencias en su inventario de piezas de repuesto.
2. Menores costos de inventario: Uno de los principales desafíos que enfrentan los líderes de la cadena de suministro cuando se trata de la gestión del inventario de repuestos es el costo asociado con el mantenimiento de un stock óptimo de repuestos en todo momento. Al optimizar los niveles de inventario utilizando sistemas tecnológicos modernos como la inteligencia artificial (IA), el aprendizaje automático (ML) y el análisis predictivo, las organizaciones pueden reducir los costos de mantenimiento y garantizar que tengan las existencias adecuadas disponibles cuando sea necesario.
3. Niveles de servicio mejorados: Cuando se trata de servicios de reparación y mantenimiento, ¡el tiempo es oro! El tiempo de inactividad debido a la falta de disponibilidad de repuestos críticos puede resultar en una pérdida de productividad e ingresos para las empresas en todas las industrias, como plantas de fabricación, instalaciones de generación de energía o centros de datos que administran equipos de infraestructura de TI. La optimización de su inventario de piezas de repuesto garantiza que siempre tenga la cantidad correcta a mano, lo que reduce el tiempo de inactividad causado por la espera de las entregas de los proveedores.
4. Plazos de entrega reducidos: Otro beneficio que se obtiene de la previsión precisa de la demanda a través de las modernas tecnologías de almacenamiento es la reducción del tiempo de entrega, lo que conduce a una mejor satisfacción del cliente, ya que los clientes recibirán sus pedidos más rápido que antes, lo que mejorará la lealtad a la marca. Por lo tanto, la adopción de nuevas estrategias impulsadas por herramientas AI/ML crea valor dentro de las operaciones de la cadena de suministro, lo que conduce a mayores ganancias de eficiencia, no solo reduce el costo del reduccionismo, sino que también agiliza los procesos relacionados con la programación de la producción, la planificación del transporte logístico, entre otros.

Conclusión
Mediante la utilización de software de optimización de inventario y planificación de la demanda, las organizaciones pueden superar varios desafíos, como interrupciones en la cadena de suministro, aumento de las tasas de interés y demanda volátil. Esto les permite reducir los costos asociados con el exceso de espacio de almacenamiento y los artículos de inventario obsoletos. Al aprovechar algoritmos sofisticados, el software de optimización de inventario mejora la precisión de los pronósticos, lo que garantiza que las organizaciones puedan evitar el exceso o la escasez de existencias en su inventario de repuestos. Además, ayuda a reducir los costos de inventario al optimizar los niveles y aprovechar tecnologías como la inteligencia artificial (AI), el aprendizaje automático (ML) y el análisis predictivo. Los niveles de servicio mejorados se logran cuando las organizaciones tienen la cantidad correcta de piezas de repuesto fácilmente disponibles, lo que reduce el tiempo de inactividad causado por la espera de las entregas. Además, la previsión precisa de la demanda reduce los plazos de entrega, mejora la satisfacción del cliente y fomenta la lealtad a la marca. La adopción de tales estrategias impulsadas por herramientas AI/ML no solo reduce los costos, sino que también agiliza los procesos, incluida la programación de la producción y la planificación del transporte logístico, lo que en última instancia aumenta las ganancias de eficiencia dentro de la cadena de suministro.