Los retrasos en los plazos de entrega y la variabilidad del suministro son hechos de la vida de la cadena de suministro, sin embargo, las organizaciones que llevan el inventario a menudo se sorprenden cuando un proveedor se retrasa. Un proceso de planificación de inventario efectivo abarca este hecho de la vida y desarrolla políticas que dan cuenta de manera efectiva de esta incertidumbre. Claro, habrá momentos en que los retrasos en el tiempo de entrega surjan de la nada y causen una escasez. Pero la mayoría de las veces, la escasez es el resultado de:

1. No calcular las políticas de almacenamiento (p. ej., puntos de pedido, existencias de seguridad y niveles mínimos y máximos) con la frecuencia suficiente para detectar cambios en el tiempo de entrega. 
2. Usar estimaciones deficientes del tiempo de entrega real, como usar solo promedios de recibos históricos o confiar en una cotización del proveedor.

En su lugar, vuelva a calibrar las políticas en cada parte durante cada ciclo de planificación para detectar cambios en la demanda y los plazos de entrega. En lugar de asumir solo un tiempo de entrega promedio, simule los tiempos de entrega utilizando escenarios. De esta forma, las políticas de almacenamiento recomendadas tienen en cuenta las probabilidades de que los plazos de entrega sean elevados y se ajustan en consecuencia. Cuando haga esto, identificará los aumentos de inventario necesarios antes de que sea demasiado tarde. Obtendrá más ventas e impulsará mejoras significativas en la satisfacción del cliente.

Resumen

El análisis avanzado de la cadena de suministro de Smart Software explota múltiples métodos avanzados. Dos de los más importantes son el “bootstrapping estadístico” y la “simulación Monte Carlo”. Dado que ambos involucran muchos números aleatorios que vuelan, la gente a veces se confunde acerca de cuál es cuál y para qué sirven. Por eso, esta nota. En pocas palabras: el arranque estadístico genera escenarios de demanda para la previsión. La simulación de Monte Carlo utiliza los escenarios para la optimización del inventario.

arranque

Bootstrapping, también llamado "remuestreo", es un método de estadísticas computacionales que utilizamos para crear escenarios de demanda para la previsión. La esencia del problema de pronóstico es exponer los posibles futuros que su empresa podría enfrentar para que pueda averiguar cómo administrar los riesgos comerciales. Los métodos de pronóstico tradicionales se enfocan en calcular los futuros "más probables", pero no llegan a presentar el panorama completo del riesgo. Bootstrapping proporciona un número ilimitado de escenarios hipotéticos realistas.

Bootstrapping hace esto sin hacer suposiciones poco realistas sobre la demanda, es decir, que no es intermitente o que tiene una distribución de tamaños en forma de campana. Esas suposiciones son muletas para simplificar las matemáticas, pero el arranque es un procedimiento, no una ecuación, por lo que no necesita tales simplificaciones.

Para el tipo de demanda más simple, que es una aleatoriedad estable sin estacionalidad ni tendencia, el arranque es muy fácil. Para tener una idea razonable de cuál podría ser el valor de una sola demanda futura, elija una de las demandas históricas al azar. Para crear un escenario de demanda, haga múltiples selecciones aleatorias del pasado y únalas. Hecho. Es posible agregar un poco más de realismo "variando" los valores de demanda, es decir, agregando o restando un poco de aleatoriedad adicional a cada uno, pero incluso eso es simple.

La figura 1 muestra un arranque simple. La primera línea es una secuencia corta de la demanda histórica de un SKU. Las siguientes líneas muestran escenarios de demanda futura creados al seleccionar aleatoriamente valores del historial de demanda. Por ejemplo, las siguientes tres demandas pueden ser (0, 14, 6), o (2, 3, 5), etc.

Figura 1: Ejemplo de escenarios de demanda generados por un arranque simple

Las operaciones de mayor frecuencia, como los pronósticos diarios, traen consigo patrones de demanda más complejos, como la doble estacionalidad (p. ej., día de la semana y mes del año) y/o tendencia. Esto nos desafió a inventar una nueva generación de algoritmos de arranque. Recientemente obtuvimos una patente de EE. UU. para este avance, pero la esencia es la descrita anteriormente.

Simulación del Monte Carlo

Montecarlo es famoso por sus casinos que, al igual que el bootstrapping, invocan la idea de la aleatoriedad. Los métodos de Monte Carlo se remontan a mucho tiempo atrás, pero el ímpetu moderno vino con la necesidad de hacer algunos cálculos peludos sobre dónde volarían los neutrones cuando explota una bomba atómica.

La esencia del análisis de Monte Carlo es esta: “Nuestro problema es demasiado complicado para analizarlo con ecuaciones de papel y lápiz. Entonces, escribamos un programa de computadora que codifique los pasos individuales del proceso, coloque los elementos aleatorios (por ejemplo, en qué dirección se dispara un neutrón), déle cuerda y observe cómo funciona. Dado que hay mucha aleatoriedad, ejecutemos el programa un millón de veces y promediemos los resultados”.

Al aplicar este enfoque a la gestión de inventario, tenemos un conjunto diferente de eventos que ocurren aleatoriamente: por ejemplo, una demanda de un tamaño determinado llega un día aleatorio, un reabastecimiento de un tamaño determinado llega después de un tiempo de espera aleatorio, recortamos un PO de reabastecimiento de un tamaño determinado cuando las existencias caen hasta un punto de pedido determinado o por debajo de él. Codificamos la lógica que relaciona estos eventos en un programa. Lo alimentamos con una secuencia de demanda aleatoria (consulte el arranque anterior), ejecutamos el programa durante un tiempo, digamos un año de operaciones diarias, calculamos métricas de rendimiento como Tasa de llenado y Promedio de inventario disponible, y "tiramos los dados" volviendo a ejecutar el programa muchas veces y promediando los resultados de muchos años simulados. El resultado es una buena estimación de lo que sucede cuando tomamos decisiones gerenciales clave: “Si establecemos el punto de reorden en 10 unidades y la cantidad de la orden en 15 unidades, podemos esperar obtener un nivel de servicio de 89% y un promedio disponible de 21 unidades.” Lo que la simulación está haciendo por nosotros es exponer las consecuencias de las decisiones de gestión basadas en escenarios de demanda realistas y matemáticas sólidas. Las conjeturas se han ido.

La figura 2 muestra parte del funcionamiento interno de una simulación de Monte Carlo de un sistema de inventario en cuatro paneles. El sistema utiliza una política de control de inventario Min/Max con Min=10 y Max=25. No se permiten pedidos atrasados: tienes el bien o pierdes el negocio. Los plazos de entrega del reabastecimiento suelen ser de 7 días, pero a veces de 14. Esta simulación duró un año.

El primer panel muestra un escenario complejo de demanda aleatoria en el que no hay demanda los fines de semana, pero la demanda generalmente aumenta cada día de lunes a viernes. El segundo panel muestra el número aleatorio de unidades disponibles, que sube y baja con cada ciclo de reabastecimiento. El tercer panel muestra los tamaños aleatorios y los tiempos de los pedidos de reposición que llegan del proveedor. El panel final muestra la demanda insatisfecha que pone en peligro las relaciones con los clientes. Este tipo de detalle puede ser muy útil para comprender mejor la dinámica de un sistema de inventario.

Figura 2: Detalles de una simulación de Monte Carlo

La Figura 2 muestra solo una de las innumerables formas en que podría desarrollarse el año. Generalmente, queremos promediar los resultados de muchos años simulados. Después de todo, nadie lanzaría una moneda al aire una vez para decidir si era una moneda justa. La Figura 3 muestra cómo cuatro métricas de rendimiento clave (KPI) varían de un año a otro para este sistema. Algunas métricas son relativamente estables en todas las simulaciones (tasa de llenado), pero otras muestran una variabilidad más relativa (costo operativo = costo de mantenimiento + costo de pedido + costo de escasez). Observando los gráficos, podemos estimar que las opciones de Min=10, Max=25 conducen a un costo operativo promedio de alrededor de $3,000 por año, una tasa de llenado de alrededor de 90%, un nivel de servicio de alrededor de 75% y un promedio de encendido. mano de unos 10

Figura 3: Variación en los KPI calculados durante 1000 años simulados

De hecho, ahora es posible responder a una pregunta de gestión de mayor nivel. Podemos ir más allá de "¿Qué pasará si hago tal y tal cosa?" a “¿Cuál es el mejor ¿Qué puedo hacer para lograr una tasa de relleno de al menos 90% para este artículo al costo más bajo posible? El matemágica  detrás de este salto hay otra tecnología clave llamada "optimización estocástica", pero nos detendremos aquí por ahora. Baste decir que el software SIO&P de Smart puede buscar en el "espacio de diseño" de los valores mínimo y máximo para encontrar automáticamente la mejor opción.

¿Se considera el stock de seguridad como repuestos de emergencia o como un amortiguador diario contra picos en la demanda? Conocer la diferencia y configurar su ERP correctamente marcará una gran diferencia en sus resultados.

Él Stock de seguridad campo en tu ERP sistema puede significar cosas muy diferentes dependiendo de la configuración. No comprender estas diferencias y cómo afectan sus resultados es un problema común que hemos visto surgir en las implementaciones de nuestro software.

La implementación del software de optimización de inventario comienza cuando los nuevos clientes completan la implementación técnica para que los datos fluyan. Luego reciben capacitación de usuarios y pasan semanas configurando cuidadosamente sus existencias de seguridad iniciales, niveles de reorden y pronósticos de demanda de consenso con Smart IP&O. El equipo se siente cómodo con las predicciones de rendimiento clave (KPP) de Smart para los niveles de servicio, los costos de pedido y el inventario disponible, todo lo cual se pronostica utilizando las nuevas políticas de almacenamiento.

Pero cuando guardan las políticas y los pronósticos en su sistema de prueba ERP, a veces los pedidos sugeridos son mucho más grandes y más frecuentes de lo que esperaban, lo que aumenta los costos de inventario proyectados.

Cuando esto sucede, el principal culpable es cómo está configurado el ERP para tratar el stock de seguridad. Estar al tanto de estos ajustes de configuración ayudará a los equipos de planificación a establecer mejor las expectativas y lograr los resultados esperados con menos esfuerzo (¡y motivo de alarma!).

Estos son los tres ejemplos comunes de configuraciones de inventario de seguridad de ERP:

Configuración 1. El inventario de seguridad se trata como stock de emergencia que no se puede consumir. Si se pronostica un incumplimiento del stock de seguridad, el sistema ERP forzará una aceleración sin importar el costo para que el inventario disponible nunca caiga por debajo del stock de seguridad, incluso si ya se ha pedido un recibo programado y está programado para llegar pronto.

Configuración 2. El inventario de seguridad se trata como Reserva de estabilización que está diseñado para ser consumido. El sistema ERP colocará un pedido cuando se pronostique un incumplimiento del stock de seguridad, pero se permitirá que el inventario disponible caiga por debajo del stock de seguridad. La reserva de reserva protege contra el desabastecimiento durante el período de reabastecimiento (es decir, el tiempo de entrega).

Configuración 3. El sistema ignora el inventario de seguridad y lo trata como un indicador visual. ayuda de planificación o regla empírica. Los cálculos de planificación de suministro lo ignoran, pero el planificador lo utiliza para ayudar a realizar evaluaciones manuales de cuándo hacer un pedido.

Nota: Nunca recomendamos usar el campo de inventario de seguridad como se describe en la Configuración 3. En la mayoría de los casos, estas configuraciones no fueron intencionadas sino que son el resultado de años de improvisación que han llevado a usar el ERP de una manera no estándar. En general, estos campos se diseñaron para influir mediante programación en los cálculos de reposición. Entonces, el foco de nuestra conversación estará en las Configuraciones 1 y 2. 

Los sistemas de optimización de inventario y pronóstico están diseñados para calcular pronósticos que anticiparán la reducción del inventario y luego calcularán las existencias de seguridad suficientes para proteger contra la variabilidad en la demanda y el suministro. Esto significa que el stock de seguridad está destinado a ser utilizado como tampón protector (Configuración 2) y no como emergencia escasa (Configuración 3). También es importante entender que, por diseño, el inventario de seguridad será consumido aproximadamente 50% de la época.

¿Por qué 50%? Porque los pedidos reales superarán un pronóstico imparcial la mitad de las veces. Vea el gráfico a continuación que ilustra esto. Un pronóstico "bueno" debe arrojar el valor que se acercará más al real con mayor frecuencia, de modo que la demanda real sea mayor o menor sin sesgo en ninguna dirección.

Si configuró su sistema ERP para permitir correctamente el consumo de existencias de seguridad, entonces el inventario disponible podría verse como el gráfico a continuación. Tenga en cuenta que se consume algo de stock de seguridad, pero se evita un desabastecimiento. El nivel de servicio al que se dirige al calcular el stock de seguridad determinará la frecuencia con la que se agota el stock antes de que llegue la orden de reposición. El inventario promedio es de aproximadamente 60 unidades durante el horizonte de tiempo en este escenario.

Si su sistema ERP está configurado para no permita el consumo de existencias de seguridad y trate la cantidad ingresada en el campo de existencias de seguridad más como repuestos de emergencia, ¡entonces tendrá un exceso de existencias masivo! Su inventario disponible se vería como el gráfico a continuación con pedidos acelerados tan pronto como se espera una violación del stock de seguridad. El inventario promedio es de aproximadamente 90 unidades, un aumento de 50% en comparación con cuando permitió que se consumiera el stock de seguridad.

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.

A menudo nos preguntan: "¿Por qué el software aumenta el inventario?" La respuesta es que Smart no lo está impulsando en ninguna dirección: las entradas lo están impulsando y esas entradas están controladas por los usuarios (o administradores). Aquí hay cuatro cosas que puede hacer para obtener los resultados que espera.

1. Confirme que sus objetivos de nivel de servicio se correspondan con lo que desea para ese artículo o grupo de artículos. Establecer objetivos muy altos (95% o más) probablemente aumentará el inventario si ha estado navegando a un nivel más bajo y está de acuerdo con estar allí. Es posible que nunca haya alcanzado el nuevo nivel de servicio superior, pero los clientes no se han quejado. Averigüe qué nivel de servicio ha funcionado mediante la evaluación de informes históricos sobre el rendimiento y establezca sus objetivos en consecuencia. Pero tenga en cuenta que los competidores pueden ganarle en la disponibilidad de artículos si sigue utilizando los objetivos de nivel de servicio de su padre.

2. Asegúrese de que su comprensión del "nivel de servicio" coincida con la definición del sistema de software. Es posible que esté midiendo el rendimiento en función de la frecuencia con la que realiza envíos en el plazo de una semana desde la recepción del pedido del cliente, mientras que el software apunta a los puntos de pedido en función de su capacidad para realizar envíos de inmediato, no en el plazo de una semana. Claramente, este último requerirá más inventario para alcanzar el mismo "nivel de servicio". Por ejemplo, un nivel de servicio del mismo día 75% puede corresponder a un nivel de servicio de la misma semana 90%. En este caso, en realidad estás comparando manzanas con naranjas. Si este es el motivo del exceso de existencias, determine qué nivel de servicio "mismo día" se necesita para llegar al nivel de servicio deseado "misma semana" e ingréselo en el software. El uso del objetivo del mismo día menos estricto reducirá el inventario, a veces de manera muy significativa.

3. Evaluar las entradas de tiempo de entrega. Hemos visto casos en los que los plazos de entrega se han inflado para engañar al software antiguo para que produzca los resultados deseados. El software moderno realiza un seguimiento del rendimiento de los proveedores mediante el registro de sus tiempos de entrega reales en varios pedidos, luego tiene en cuenta la variabilidad del tiempo de entrega en sus simulaciones de operaciones diarias. Tenga cuidado si sus plazos de entrega se fijan en un valor que se decidió en el pasado lejano y no es actual.

4. Verifique su señal de demanda. Tiene muchas transacciones históricas en su sistema ERP que se pueden usar de muchas maneras para determinar el historial de demanda. Si utiliza señales como transferencias o no excluye devoluciones, es posible que esté exagerando la demanda. Dedique un poco de tiempo a definir la "demanda" de la manera que tenga más sentido para su situación.