Ya sea que usted mismo las entienda en detalle o confíe en un buen software, las matemáticas son un hecho de la vida para cualquier persona en la gestión del inventario y previsión de la demanda que pretende seguir siendo competitivo en el mundo moderno.

Recientemente, en una conferencia, el presentador principal de un taller de administración de inventario proclamó con orgullo que no necesitaba "matemáticas de alto nivel", lo que interpretó como algo más allá de las matemáticas de primaria.

Las matemáticas no son el primer amor de todos. Pero si realmente te preocupas por hacer bien tu trabajo, no puedes abordar el trabajo con una mentalidad de escuela primaria. Las tareas de la cadena de suministro, como la previsión de la demanda y la gestión del inventario, son inherentemente matemáticos. Un blog asociado con edX, un sitio reconocido de cursos universitarios en línea, tiene una excelente publicación sobre este tema, en https://www.mooc.org/blog/how-is-math-used-in-supply-chain. Permítanme citar la introducción de dicho curso:

Las matemáticas y la cadena de suministro van de la mano. A medida que crecen las cadenas de suministro, la creciente complejidad impulsará a las empresas a buscar formas de gestionar la toma de decisiones a gran escala. No pueden volver a cómo eran hace 100 años, o incluso hace dos años antes de la pandemia. En cambio, las nuevas tecnologías ayudarán a optimizar y administrar las muchas partes móviles. Las habilidades logísticas, las tecnologías de optimización y las habilidades organizativas utilizadas en la cadena de suministro requieren matemáticas.

Nuestros clientes no necesitan ser expertos en matemáticas de la cadena de suministro, solo necesitan poder manejar el software que contiene las matemáticas. El software combina la experiencia de los usuarios y la experiencia en la materia para producir resultados que marcan la diferencia entre el éxito y el fracaso. Para hacer su trabajo, el software no puede detenerse en matemáticas de sexto grado; necesita probabilidad, estadística y teoría de optimización.

Depende de nosotros, los proveedores de software, empaquetar las matemáticas de tal manera que lo que entra en los cálculos sea todo lo que sea relevante, incluso si es complicado; y que lo que sale sea claro, relevante para la toma de decisiones y defendible cuando deba justificar sus recomendaciones a la alta dirección.

Las matemáticas de sexto grado no pueden advertirle cuándo la forma en que propone administrar una pieza de repuesto crítica significará una probabilidad de 70% de no alcanzar su objetivo de disponibilidad. No puede decirle cuál es la mejor manera de ajustar sus puntos de pedido cuando un proveedor llama y dice: "Tenemos un problema de entrega". No puede salvar su pellejo cuando hay un pedido sorprendentemente grande y tiene que descubrir rápidamente la mejor manera de configurar algunos pedidos especiales acelerados sin romper el presupuesto operativo.

Por lo tanto, respete la sabiduría popular y no traiga un cuchillo a un tiroteo.

Al decidir los parámetros correctos de almacenamiento de repuestos y piezas de servicio, es importante distinguir entre piezas de servicio consumibles y reparables. Estas diferencias a menudo son pasadas por alto por el servicio software de planificación de piezas y puede resultar en errores estimaciones de los requisitos de almacenaje. Se requieren diferentes enfoques al planificar los consumibles frente a las piezas de repuesto reparables.

Primero, definamos estos dos tipos de repuestos.

• Partes consumibles son repuestos contenidos dentro del equipo que se reemplazan en lugar de repararse cuando fallan. Los ejemplos de piezas consumibles incluyen baterías, filtros de aceite, tornillos, pastillas de freno, etc. Las piezas de repuesto consumibles tienden a ser piezas de menor costo para las cuales el reemplazo es más barato que la reparación o la reparación puede no ser posible.
• Partes reparables son piezas que se pueden reparar y volver a poner en servicio después de fallar debido a causas como desgaste, daños o corrosión. Las piezas de servicio reparables tienden a ser más caras que las piezas consumibles, por lo que la reparación suele ser preferible al reemplazo. Los ejemplos de piezas reparables incluyen motores de tracción en vagones de ferrocarril, motores a reacción, fotocopiadoras, etc.

El software tradicional de planificación de piezas de repuesto no cumple con los requisitos

El software tradicional de planificación de piezas no está bien adaptado para lidiar con la aleatoriedad tanto en el lado de la demanda como en el lado de la oferta de las operaciones de MRO.

Aleatoriedad del lado de la demanda
La planificación de repuestos consumibles requiere el cálculo de parámetros de control de inventario (como puntos de pedido y cantidades de pedido, niveles mínimo y máximo y existencias de seguridad). La planificación para administrar las piezas de servicio reparables requiere el cálculo de la cantidad correcta de repuestos. En ambos casos, el análisis debe basarse en modelos de probabilidad del uso aleatorio de consumibles o la avería aleatoria de piezas reparables. Para más de 90% de estas partes, la demanda es “intermitente” (a veces llamado "érratica"). Los métodos tradicionales de previsión de repuestos no se desarrollaron para hacer frente a la demanda intermitente. Confiar en los métodos tradicionales conduce a costosos errores de planificación. Para los consumibles, esto significa desabastecimientos evitables, costos excesivos de mantenimiento y mayor obsolescencia del inventario. Para las piezas reparables, esto significa un tiempo de inactividad excesivo del equipo y los costos correspondientes por un rendimiento poco confiable y la interrupción de las operaciones.

Aleatoriedad del lado de la oferta
La planificación de piezas de repuesto consumibles debe tener en cuenta la aleatoriedad en el reabastecimiento de los plazos de entrega de los proveedores. La planificación de piezas reparables debe tener en cuenta la aleatoriedad en los procesos de reparación y devolución, ya sea que de los que se proporcionen internamente o se contraten. Los planificadores que gestionan estos artículos a menudo ignoran los datos de interés dentro de la empresa. En cambio, pueden cruzar los dedos y esperar que todo salga bien, o pueden invocar su instinto para "selecionar a ojo" y luego esperar que todo salga bien. Esperar y adivinar no puede vencer al modelo de probabilidad adecuado. Desperdicia millones anualmente en inversiones de capital innecesarias y tiempo de inactividad evitable del equipo.

Ya sea que esté utilizando 'Mín./Máx.' o 'punto de pedido' y 'cantidad de pedido' para determinar cuándo y cuánto reabastecer, su enfoque puede generar o negar grandes eficiencias. Errores clave a evitar:

1. No recalibrar regularmente
2. Si se revisa solo el Min/Max, hay un problema
3. El uso de métodos de pronóstico no está a la altura de la tarea
4. Asumir que los datos son demasiado lentos o impredecibles

“Tenemos más de 150.000 combinaciones SKU x Ubicación. Nuestra demanda es intermitente. Dado que se mueve lentamente, no necesitamos volver a calcular nuestros puntos de pedido con frecuencia. Lo hacemos tal vez una vez al año, pero revisamos los puntos de pedido cada vez que hay un problema”. – Gerente de Materiales.

Este enfoque reactivo conducirá a millones en exceso de existencias, roturas de existencias y mucho tiempo perdido revisando datos cuando "algo sale mal". Sin embargo, he escuchado este mismo estribillo a muchos profesionales de inventario a lo largo de los años. Claramente, necesitamos compartir porqué este pensamiento es totalmente erróneo.

Es cierto que para muchas partes, un recálculo de los puntos de pedido con datos históricos actualizados y plazos de entrega podría no cambiar mucho, especialmente si hay patrones como la tendencia o la estacionalidad. Sin embargo, muchas partes se beneficiarán de un recálculo, especialmente si los plazos de entrega o la demanda reciente han cambiado. Además, la probabilidad de un cambio significativo que requiera un nuevo cálculo aumenta cuanto más espere. Finalmente, esos meses con nula demanda también influyen en las probabilidades y no deben ser ignorados. Sin embargo, el punto clave es que es imposible saber qué cambiará o no cambiará en su pronóstico, por lo que es mejor recalibrar regularmente.

Este caso de datos real ilustra un escenario donde brilla la recalibración regular y automatizada: los beneficios de las respuestas rápidas a patrones de demanda cambiantes y como estos se suman rápidamente. En el ejemplo anterior, el eje X representa los días y el eje Y representa la demanda. Si tuviera que esperar varios meses entre recalibrar sus puntos de pedido, sin duda haría el pedido demasiado pronto. Al recalibrar su punto de reorden con mucha más frecuencia, captará el cambio en la demanda y permitirá pedidos mucho más precisos.

En lugar de esperar hasta que tenga un problema, vuelva a recalibrar todas las piezas en cada ciclo de planificación al menos una vez al mes. Al hacerlo, aprovecha los datos más recientes y ajusta proactivamente la política de almacenamiento, evitando así problemas que causarían revisiones manuales y escasez o exceso de inventario.

La naturaleza de sus datos (potencialmente variados) también debe combinarse con las herramientas de pronóstico adecuadas. Si los registros de algunas partes muestran tendencias o patrones estacionales, el uso de métodos de pronóstico de objetivos para adaptarse a estos patrones puede marcar una gran diferencia. De manera similar, si los datos muestran valores cero frecuentes (demanda intermitente), los métodos de pronóstico que no se basan en este caso especial pueden arrojar fácilmente resultados poco confiables.

Automatice, recalibre y revise las excepciones. El software especialmente diseñado lo hará automáticamente. Piénselo de otra manera: ¿es mejor depositar una gran cantidad de dinero en el inversiones una vez al año o en el "costo promedio en euros" depositando cantidades más pequeñas en que sector en el que decida invertir en fracciones mensuales? Recalibrar las políticas con regularidad generará rendimientos máximos con el tiempo, tal como lo hará el promedio del costo en euros para su cartera de inversiones.

¿Con qué frecuencia recalibra sus políticas de almacenamiento? ¿Por qué?

Si escucha la frase "cambio de régimen" en las noticias, inmediatamente piensa en algún evento geopolítico tenso. Los estadísticos usan la frase de manera diferente, de una manera en la que adquiere gran relevancia para la planificación de la demanda y la optimización del inventario. Este blog trata sobre el "cambio de régimen" en el sentido estadístico, lo que significa un cambio importante en el carácter de la demanda de un artículo de inventario.

El historial de demanda de un artículo es el combustible que alimenta las máquinas de previsión de los planificadores de demanda. En general, cuanto más combustible, mejor, lo que nos brinda una mejor solución sobre el nivel promedio, la volatilidad, el tamaño y la frecuencia de los picos, la forma de cualquier patrón de estacionalidad y el tamaño y la dirección de cualquier tendencia.

Pero hay una gran excepción a la regla que predica “a más datos mejores resultados”. Si hay un cambio importante y la nueva demanda no se parece a la antigua, entonces los datos antiguos se vuelven peligrosos.

El software moderno puede hacer pronósticos precisos de la demanda de artículos y sugerir opciones inteligentes para los parámetros de inventario, como los puntos de pedido y las cantidades de los pedidos. Pero la validez de estos cálculos depende de la relevancia de los datos utilizados en su cálculo. Los datos desfasados de un antiguo régimen ya no reflejan la realidad actual, por lo que incluirlos en los cálculos crea un error de pronóstico para los planificadores de demanda y un exceso de existencias o de falta de existencias inaceptables para los planificadores de inventario.

Dicho esto, si tuviera que soportar un cambio de régimen reciente y desechar los datos obsoletos, tendría muchos menos datos con los que trabajar. Esto tiene sus propios costos, porque todas las estimaciones calculadas a partir de los datos tendrían una mayor incertidumbre estadística aunque estarían menos sesgadas. En este caso, sus cálculos tendrían que basarse más en una combinación de análisis estadístico y su propio juicio experto.

En este punto, puede preguntar "¿Cómo puedo saber si ha habido un cambio de régimen y cuándo?" Si ha estado en el trabajo por un tiempo y se siente cómodo mirando diagramas de tiempo de demanda de artículos, generalmente reconocerá el cambio de régimen cuando lo vea, al menos si no es demasiado sutil. La Figura 1 muestra algunos ejemplos reales que son obvios.

Figura 1: Cuatro ejemplos de cambio de régimen en la demanda de artículos del mundo real

Desafortunadamente, los cambios menos obvios aún pueden tener efectos significativos. Además, la mayoría de nuestros clientes están demasiado ocupados para revisar manualmente todos los artículos que administran, incluso una vez por trimestre. Cuando supera, digamos, los 100 elementos, la tarea de observar todas esas series temporales se vuelve onerosa. Afortunadamente, el software puede hacer un buen trabajo al monitorear continuamente la demanda de decenas de miles de artículos y alertarlo sobre cualquier artículo que pueda necesitar su atención. Además, puede hacer arreglos para que el software no solo detecte el cambio de régimen, sino que también excluya automáticamente de sus cálculos todos los datos recopilados antes del cambio de régimen más reciente, si corresponde. En otras palabras, puede obtener tanto una advertencia automática de cambio de régimen como una protección automática contra el cambio.

Para obtener más información sobre los conceptos básicos del cambio de régimen, consulte nuestro blog anterior sobre el tema: https://smartcorp.com/blog/demandplanningregimechange/  

Un ejemplo con números:

Si desea obtener más información, siga leyendo para ver un ejemplo numérico de cuánto cambio de régimen puede alterar el cálculo de un punto de pedido para una pieza de repuesto crítica. Aquí hay un escenario para ilustrar el punto.

Guión

• Objetivo: calcular el punto de pedido necesario para controlar el riesgo de desabastecimiento mientras se espera la reposición. Suponga que el riesgo de desabastecimiento objetivo es de 5%.
• Suponga que el artículo tiene demanda diaria intermitente, con muchos días de demanda cero.
• Suponga que la demanda diaria tiene una distribución de Poisson con un promedio de 1,0 unidades por día.
• Suponga que el plazo de reposición es siempre de 30 días.
• La demanda del tiempo de entrega será aleatoria, por lo que tendrá una distribución de probabilidad y el punto de pedido será el 95^º percentil de la distribución.
• Suponga que el efecto del cambio de régimen es aumentar o disminuir la demanda diaria media.
• Suponga que hay un año de datos diarios disponibles para estimar la demanda unitaria diaria media.

Figura 2 Ejemplo de cambio en la demanda media y muestra de la demanda diaria aleatoria

La Figura 2 muestra una forma de este escenario. El panel superior muestra que la demanda diaria promedio aumenta de 1,0 a 1,5 después de 270 días. El panel inferior muestra una forma en que podría aparecer el valor de la demanda diaria de un año. (En este punto, puede sentir que calcular todo esto es complicado, incluso para lo que resulta ser un escenario simplificado. ¡Es por eso que tenemos software!)

Análisis

El cálculo exitoso del punto de reorden adecuado dependerá de cuándo ocurra el cambio de régimen y cuán grande sea el cambio. Simulamos cambios de régimen de varios tamaños en varios momentos dentro de un período de 365 días. Alrededor de una demanda base de 1,0 unidades por día, estudiamos cambios en la demanda ("cambio") de ±25% y ±50%, así como un caso de referencia sin cambios. Ubicamos el tiempo del cambio ("t.break") en 90, 180 y 270 días. En cada caso, calculamos dos estimaciones del punto de reorden: el valor "ideal" dado un conocimiento perfecto de la demanda promedio en el nuevo régimen ("ROP.true"), y el valor estimado de la demanda media calculado ignorando el cambio de régimen y utilizando todos los datos de demanda del último año (“ROP.all”).

La Tabla 1 muestra las estimaciones del punto de pedido calculado en 100 simulaciones. El bloque central es el caso de referencia, en el que no hay cambio en la demanda diaria, que se mantiene fija en 1 unidad por día. El bloque de color en la parte inferior es el escenario de aumento más extremo, con una demanda que aumenta a 1,5 unidades/día ya sea en un tercio, la mitad o dos tercios del año.

Podemos sacar varias conclusiones de estas simulaciones.

ROP.true: la elección correcta para el punto de pedido aumenta o disminuye según el cambio en la demanda media después del cambio de régimen. La relación no es lineal simple: la tabla abarca un rango del 600% mas del nivel de lademanda (0,25 a 1,50) pero un rango del 467% de lospuntos de pedido (de 12 a 56).

ROP.all: Ignorar el cambio de régimen puede conducir a sobreestimaciones brutas del punto de reorden cuando la demanda cae y subestimaciones brutas cuando la demanda aumenta. Como era de esperar, cuanto más tarde cambia el régimen, peor es el error. Por ejemplo, si la demanda aumenta de 1,0 a 1,5 unidades por día durante dos tercios del año sin que se dé cuenta, el punto de pedido calculado de 43 unidades se quedaría 13 unidades por debajo de lo que debería ser.

Una palabra de precaución: la Tabla 1 muestra que basar los cálculos de los puntos de reorden usando solo datos posteriores a un cambio de régimen generalmente obtendrá la respuesta correcta. Lo que no muestra es que las estimaciones pueden ser inestables si hay muy poco historial de demanda después del cambio. Por lo tanto, en la práctica, debe esperar para reaccionar al cambio de régimen hasta que se haya acumulado una cantidad decente de observaciones en el nuevo régimen. Esto podría significar utilizar todo el historial de demanda, tanto antes como después del cambio, hasta que, por ejemplo, se hayan acumulado 60 o 90 días de historial antes de ignorar los datos anteriores al cambio.

Tabla 1 Puntos de pedido correctos y estimados para diferentes escenarios de cambio de régimen

Por qué la planificación basada en escenarios ayuda a los planificadores a gestionar mejor el riesgo y crear mejores resultados.

Si está leyendo esto, probablemente sea un profesional de la cadena de suministro con responsabilidades en la previsión de la demanda, la gestión de inventario o ambas. Si vives en el 21^º siglo, usa algún tipo de software que lo ayude a hacer su trabajo. Pero, fundamentalmente, ¿qué hace su software por usted?

Tradicionalmente, el software ha servido como vehículo de entrega de ecuaciones. Incluso si decidió en algún momento su vida que usted y las ecuaciones no se llevan bien, aún pueden hacer algo por usted y puede vivir con ellas, siempre que algún software mantenga todas esas matemáticas a una distancia segura.

Esto está bien, hasta donde llega. Pero en Smart Software creemos que le iría mejor cambiando sus ecuaciones por escenarios. La mayoría de las veces, el objetivo de una ecuación es dar "la respuesta", normalmente en forma de número, como "la demanda del próximo mes de SKUxxx será de 105 unidades". Resultados como estos son útiles, pero incompletos.

Se puede pensar en la previsión como un problema informático, pero es más útil pensar en ella como un ejercicio de gestión de riesgos. El pronóstico de la ecuación de 105 unidades no incluye ninguna indicación de la incertidumbre en el pronóstico, aunque siempre hay alguna. No le ayuda a pensar en contingencias plausibles: ¿y si la demanda es de más de 105 unidades? ¿Y si es por menos de 105? ¿Podría llegar tan alto como 130 o tan bajo como 80? ¿Es 80 incluso remotamente probable?

Aquí es donde el análisis basado en escenarios destaca notablemente. Una definición de "escenario" es "una secuencia postulada de eventos". Nuestra definición es más extensa: un escenario es “una secuencia postulada de eventos y sus probabilidades asociadas de que ocurran”. Los escenarios son la mejor herramienta de planificación hipotética. El pronóstico por ecuación pronosticará una demanda de 105 unidades. La previsión de escenarios produce un conjunto de posibles cifras de demanda, algunas más probables y otras menos. Si hay pocos o ningún escenario tan bajo como 80, puede dejar pasar esa contingencia.

Más o menos ¿Cuánto?

Aquellos que están mejor versados en pronósticos basados en ecuaciones podrían protestar porque el software basado en ecuaciones a veces brinda indicaciones del "más o menos" de un pronóstico, completo con una curva en forma de campana que indica la probabilidad relativa de varias contingencias. Sin embargo, cuando ve una distribución perfecta en forma de campana, sabe que se le pide que confíe en una suposición teórica que solo es válida algunas veces.

Los pronósticos de escenarios no se basan en esa suposición. De hecho, no necesitan confiar en ningún supuesto matemático preconcebido cuyo principal punto de venta es que simplifica el análisis. No necesita un análisis simplificado, necesita un análisis realista basado en hechos.

El software de última generación produce pronósticos de escenarios, no solo para la planificación de la demanda sino también para la gestión de inventario. La demanda es una entrada clave para el software de inventario, junto con el comportamiento del proveedor, como se refleja en los plazos de reposición. Tanto la demanda como la oferta deben pronosticarse si desea ver las consecuencias de, por ejemplo, elegir un punto de pedido de 15 y una cantidad de pedido de 25.

Los sistemas de inventario son lo que se denomina "sensibles a la ruta", lo que significa que cualquier secuencia particular de valores de demanda producirá un rendimiento diferente que los mismos valores de demanda en un orden diferente. Por ejemplo, si todos los períodos de mayor demanda se juntan, uno tras otro, tendrá muchas más dificultades para mantenerse abastecido que si los mismos períodos de alta demanda se espacian con tiempo para reabastecerse entre ellos. Los escenarios reflejan estas diferencias con suficiente detalle para generar métricas de rendimiento promedio que reflejen las diversas contingencias inherentes a la demanda incierta.

La Figura 1 ilustra la diferencia entre un pronóstico basado en ecuaciones y escenarios de pronóstico. Las celdas verdes contienen 10 meses de demanda de una pieza de repuesto. Las celdas azules contienen un pronóstico basado en ecuaciones que exige una demanda promedio de 1,5 unidades en los meses 11, 12 y 13. Las celdas de color pistacho contienen pronósticos de ocho escenarios, aunque en la práctica nuestro software generaría decenas de miles de escenarios. Ahora, los escenarios también promedian 1,5 unidades por mes, pero van más allá y muestran la amplia variedad de formas en que podrían desarrollarse los próximos tres meses. Por ejemplo, si se lee verticalmente, la demanda mensual podría oscilar entre 0 y 3. Si se lee horizontalmente, los totales de tres meses podrían oscilar entre 0 y 6, en comparación con la estimación basada en ecuaciones de 4,5. Continuando con este ejemplo de juguete, si tiene 5 unidades disponibles y el tiempo de reabastecimiento es mayor a 3 meses, el modelo basado en ecuaciones dice que estará bien durante los próximos 3 meses, pero los resultados basados en escenarios dicen que tiene 1 posibilidad en 8 (12.5%) posibilidad de desabastecimiento. De manera equivalente, tiene un nivel de servicio 87.5%. Si la pieza es crítica y su objetivo es un nivel de servicio 95%, corre el riesgo de perder su objetivo de disponibilidad de artículos.

Figura 1: Comparación de pronósticos basados en ecuaciones y basados en escenarios

Resumen

Recuerde, el pronóstico basado en ecuaciones le brinda información, pero información superficial. La previsión basada en escenarios puede decirle no solo qué resultado es más probable, sino también qué tan confiable es cualquiera de las predicciones que contempla, y esto le permite aplicar su criterio para equilibrar el riesgo y los gastos de almacenamiento, todo automatizado para escalar a una gran cantidad. catálogo de artículos.