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.

Apuesto a que sus equipos de mantenimiento y reparación estarían de acuerdo con incurrir en mayores riesgos de falta de existencias uno alguno piezas de repuesto si supieran que los ahorros de reducción de inventario se utilizarían para distribuir la inversión en inventario de manera más efectiva para otro repuestos y aumentar los niveles generales de servicio.

Duplicaré que su equipo de finanzas, a pesar de que siempre se enfrenta al desafío de reducir los costos, respaldaría un aumento saludable del inventario si pudiera ver claramente que los ingresos se benefician de un mayor tiempo de actividad, menos agilidades y mejoras en el nivel de servicio claramente superan los costos de inventario adicionales y riesgo

La curva de compensación de piezas de repuesto permitirá a los equipos de planificación de repuestos comunicar adecuadamente los riesgos y costos de cada decisión de inventario. Es una misión crítica para la planificación de piezas y la única forma de ajustar los parámetros de almacenamiento de forma proactiva y precisa para cada pieza. Sin él, los planificadores, para todos los efectos, están "planificando" con los ojos vendados porque no podrán comunicar las verdaderas compensaciones asociadas con las decisiones de almacenamiento.

Por ejemplo, si se recomienda un aumento propuesto a los niveles mínimos/máximos de un importante grupo de productos básicos de repuestos, ¿cómo sabe si el aumento es demasiado alto, demasiado bajo o correcto? ¿Cómo se puede afinar el cambio para miles de repuestos? No lo harás y no puedes. Su toma de decisiones de inventario se basará en decisiones reactivas, viscerales y generales que causan que los niveles de servicio se resientan y los costos de inventario se disparen.

Entonces, ¿qué es exactamente una curva de compensación de repuestos?

Es una predicción numérica basada en hechos que detalla cómo los cambios en los niveles de existencias influirán en el valor del inventario, los costos de mantenimiento y los niveles de servicio. Por cada cambio de unidad en el nivel de inventario hay un costo y un beneficio. La curva de compensación de repuestos identifica estos costos y beneficios a través de diferentes niveles de existencias. Permite a los planificadores descubrir el nivel de existencias que mejor equilibra los costes y los beneficios de cada artículo individual.

Aquí hay dos ejemplos simplificados. En la Figura 1, la curva de compensación de repuestos muestra cómo cambia el nivel de servicio (probabilidad de no agotarse) según el nivel de pedido. Cuanto mayor sea el nivel de reorden, menor será el riesgo de falta de existencias. Es fundamental saber cuánto servicio está ganando dada la inversión en inventario. Aquí puede justificar que un aumento de inventario de un punto de pedido de 35 a 45 bien vale la pena la inversión de 10 unidades adicionales de stock porque los niveles de servicio saltan de poco menos de 70% a 90%, lo que reduce el riesgo de falta de existencias para la pieza de repuesto de 30% a 10%!

​

Figura 1: Costo versus nivel de servicio

Figura 2: Nivel de servicio frente al tamaño del inventario

En este ejemplo (Figura 2), la curva de compensación expone un problema común con el inventario de repuestos. A menudo, los niveles de existencias son tan altos que generan rendimientos negativos. Después de una cierta cantidad de existencias, cada unidad adicional de existencias no compra más beneficios en forma de un mayor nivel de servicio. Las disminuciones de inventario pueden justificarse cuando está claro que el nivel de existencias ha superado con creces el punto de rendimientos decrecientes. Una curva de compensación precisa expondrá el punto en el que ya no es ventajoso agregar stock.

Mediante el aprovechamiento #pronóstico probabilístico para impulsar la planificación de piezas, puede comunicar estas compensaciones con precisión, hacerlo a escala en cientos de miles de piezas, evitar malas decisiones de inventario y equilibrar los niveles de servicio y los costos. En Smart Software, nos especializamos en ayudar a los planificadores de repuestos, directores de administración de materiales y ejecutivos financieros que administran MRO, repuestos y repuestos para comprender y explotar estas relaciones.

Todas las organizaciones que utilizan equipos necesitan piezas de repuesto. Todos ellos deben hacer frente a cuestiones que son genéricas sin importar cuál sea su negocio. Sin embargo, algunos de los problemas son específicos de la industria. Esta publicación analiza un problema universal que se manifiesta en una planta nuclear y que es especialmente grave para cualquier empresa de servicios eléctricos.

El problema universal de la calidad de los datos

A menudo publicamos sobre los beneficios de convertir los datos de uso de piezas en decisiones inteligentes de gestión de inventario. El modelado de probabilidad avanzado admite la generación de escenarios de demanda realistas que se integran en simulaciones detalladas de Monte Carlo que exponen las consecuencias de decisiones como las elecciones de Min y Max que rigen la reposición de repuestos.

Sin embargo, toda esa tecnología analítica nueva y brillante requiere datos de calidad como combustible para el análisis. Para algunos servicios públicos de todo tipo, el mantenimiento de registros no es un punto fuerte, por lo que la materia prima que se analiza puede corromperse y ser engañosa. Recientemente nos topamos con la documentación de un claro ejemplo de este problema en una planta de energía nuclear (ver Scala, Needy y Rajgopal: Toma de decisiones y compensaciones en la gestión del inventario de piezas de repuesto en las empresas de servicios públicos. Asociación Estadounidense de Gestión de Ingeniería, 30.ª Conferencia Nacional ASEM, Springfield, MO. octubre de 2009). Scala et al. documentó el historial de uso de una pieza crítica cuya ausencia resultaría en una reducción de la potencia de la instalación o en un cierre. El registro de uso de la planta para esa parte abarcó más de ocho años de datos. Durante ese tiempo, el historial de uso oficial reportó nueve eventos en los que se produjo una demanda positiva con tamaños que oscilaban entre una y seis unidades cada uno. También hubo cinco eventos marcados por demandas negativas (es decir, devoluciones a almacén) que oscilaron entre una y tres unidades cada uno. La investigación cuidadosa descubrió que el verdadero uso ocurrió en solo dos eventos, ambos con una demanda de dos unidades. Obviamente, calcular los mejores valores Mín./Máx. para este artículo requiere datos de demanda precisos.

El problema especial de la salud y la seguridad

En el contexto de negocios “normales”, la escasez de piezas de repuesto puede dañar tanto los ingresos actuales como los ingresos futuros (relacionados con la reputación como proveedor confiable). Sin embargo, para una empresa de servicios eléctricos, Scala et al. observó un nivel mucho mayor de consecuencias asociadas a los desabastecimientos de piezas de repuesto. Estos incluyen no solo un mayor riesgo financiero y de reputación, sino también riesgos para la salud y la seguridad: “Las ramificaciones de no tener una pieza en stock incluyen la posibilidad de tener que reducir la producción o, muy posiblemente, incluso el cierre de una planta. Desde una perspectiva a más largo plazo, hacerlo podría interrumpir el servicio crítico de energía para los clientes residenciales, comerciales y/o industriales, al tiempo que daña la reputación, la confiabilidad y la rentabilidad de la empresa. Una empresa de servicios eléctricos fabrica y vende un solo producto: electricidad. Perder la capacidad de vender electricidad puede dañar gravemente los resultados de la empresa, así como su viabilidad a largo plazo”.

Razón de más para que las empresas eléctricas sean líderes y no rezagadas en el despliegue de los modelos de probabilidad más avanzados para la previsión de la demanda y la optimización del inventario.

¿Qué hace cuando pronostica un artículo con demanda intermitente, como una pieza de repuesto, con una demanda promedio de menos de una unidad por mes? La mayor parte del tiempo la demanda es cero, pero la parte es significativa en un sentido comercial; no se puede ignorar y se debe pronosticar para asegurarse de tener el stock adecuado.

Tus elecciones tienden a centrarse en algunas opciones:

Opción 1: Redondea a 1 cada mes, por lo que tu pronóstico anual es 12.

Opción 2: Redondee a 0 cada mes, de modo que su pronóstico anual sea 0.

Opción 3: método de pronóstico "igual que el mismo mes del año pasado" para que el pronóstico coincida con el real del año pasado.

Hay desventajas obvias para cada opción y no mucha ventaja para ninguna de ellas. La opción 1 a menudo resulta en un sobre pronóstico significativo. La opción 2 a menudo da como resultado una previsión significativamente inferior a la esperada. La opción 3 da como resultado un pronóstico que casi garantiza que perderá significativamente el real, ya que no es probable que la demanda aumente exactamente en el mismo período. Si DEBE pronosticar el artículo, normalmente recomendaríamos la opción 3, ya que es la respuesta más probable que el resto de la empresa entendería. 

Pero una mejor manera es no pronosticarlo en absoluto en el sentido habitual y, en su lugar, utilizar un "punto de reorden predictivo" relacionado con el nivel de servicio deseado. Para calcular un punto de reorden predictivo, puede usar el algoritmo de arranque de Markov patentado de Smart Software para simular todas las demandas posibles que podrían ocurrir durante el tiempo de entrega, luego identifique el punto de reorden que producirá su nivel de servicio objetivo.

Luego, puede configurar su sistema ERP para pedir más cuando el inventario disponible supere el punto de reorden en lugar de cuando se pronostique que llegará a cero (o cualquier reserva de existencias de seguridad que se ingrese). 

Esto hace que los pedidos tengan más sentido común sin las suposiciones innecesarias que se requieren para pronosticar una pieza de bajo volumen demandada intermitentemente.