Así como el renombrado astrónomo Copérnico transformó nuestra comprensión de la astronomía al colocar el sol en el centro de nuestro universo, hoy lo invitamos a volver a centrar su enfoque en la gestión de inventario. Y aunque no es tan esclarecedor, este consejo ayudará a su empresa a evitar quedar atrapada en la atracción gravitacional de los problemas de inventario, orbitando constantemente entre desabastecimientos, exceso de gravedad y los gastos cósmicos inesperados de la aceleración.

En este artículo, lo guiaremos a través del proceso de elaboración de un plan de inventario de repuestos que priorice las métricas de disponibilidad, como los niveles de servicio y las tasas de cumplimiento, al tiempo que garantiza la rentabilidad. Nos centraremos en un enfoque para la planificación de inventario llamado Optimización de inventario basada en el nivel de servicio. A continuación, analizaremos cómo determinar qué piezas debe incluir en su inventario y cuáles podrían no ser necesarias. Por último, exploraremos formas de mejorar consistentemente su plan de inventario basado en el nivel de servicio.

En las empresas orientadas a los servicios, las consecuencias del desabastecimiento suelen ser muy importantes. Lograr altos niveles de servicio depende de tener las piezas adecuadas en el momento adecuado. Sin embargo, tener las piezas adecuadas no es el único factor. Su equipo de cadena de suministro debe desarrollar un plan de inventario consensuado para cada pieza y luego actualizarlo continuamente para reflejar los cambios en tiempo real en la demanda, el suministro y las prioridades financieras.

Gestión del inventario con planificación basada en el nivel de servicio combina la capacidad de planificar miles de elementos con modelado estratégico de alto nivel. Esto requiere abordar los problemas centrales que enfrentan los ejecutivos de inventario:

• Falta de control sobre el suministro y los plazos de entrega asociados.
• Demanda intermitente impredecible.
• Prioridades conflictivas entre los equipos mecánicos/de mantenimiento y la gestión de materiales.
• Enfoque reactivo de “esperar y ver” para la planificación.
• Inventario mal asignado, lo que provoca desabastecimiento y exceso.
• Falta de confianza en los sistemas y procesos.

La clave para una gestión óptima de repuestos es lograr el equilibrio entre brindar un servicio excelente y controlar los costos. Para hacer esto, debemos comparar los costos del desabastecimiento con el costo de mantener un inventario adicional de repuestos. Los costos de un desabastecimiento serán mayores para repuestos críticos o de emergencia, cuando existe un acuerdo de nivel de servicio con clientes externos, para piezas utilizadas en múltiples activos, para piezas con plazos de entrega de proveedores más largos y para piezas con un solo proveedor. El costo del inventario se puede evaluar considerando los costos unitarios, las tasas de interés, el espacio de almacén que se consumirá y el potencial de obsolescencia (por ejemplo, las piezas utilizadas en una flota que pronto se retirará tienen un mayor riesgo de obsolescencia).

Para arbitrar cuántas existencias se deben almacenar para cada pieza, es fundamental establecer un consenso sobre las métricas clave deseadas que expongan las compensaciones que la empresa debe hacer para lograr los KPI deseados. Estos KPI incluirán niveles de servicio que le indican con qué frecuencia satisface las necesidades de uso sin quedarse corto de existencias, tasas de cumplimiento que le indican qué porcentaje de la demanda se satisface y costos de pedidos que detallan los gastos incurridos cuando realiza y recibe pedidos de reabastecimiento. También tiene costos de retención, que abarcan gastos como obsolescencia, impuestos y almacenamiento, y costos de escasez que pertenecen a los gastos incurridos cuando se produce un desabastecimiento.

Una empresa de MRO o un equipo de planificación de piezas de posventa podría desear un nivel de servicio 99% en todas las piezas; es decir, el riesgo mínimo de desabastecimiento que están dispuestos a aceptar es 1%. Pero ¿qué pasa si la cantidad de inventario necesaria para respaldar ese nivel de servicio es demasiado costosa? Para tomar una decisión informada sobre si habrá un retorno de esa inversión adicional en inventario, necesitará conocer los costos de desabastecimiento y compararlos con los costos de inventario. Para obtener los costos de desabastecimiento, multiplique dos elementos clave: el costo por desabastecimiento y el número proyectado de desabastecimientos. Para obtener el valor del inventario, multiplique las unidades requeridas por el costo unitario de cada pieza. Luego determine los costos anuales de mantenimiento (normalmente 25-35% del costo unitario). Elija la opción que produzca un costo total más bajo. En otras palabras, si el beneficio asociado con agregar más existencias (reducción de costos de escasez) supera el costo (mayores costos de mantenimiento de inventario), entonces hágalo. Una comprensión profunda de estas métricas y las compensaciones asociadas sirve como brújula para la toma de decisiones.

El software moderno ayuda en este proceso al permitirle simular una multitud de escenarios futuros. Al hacerlo, puede evaluar qué tan bien es probable que funcionen sus estrategias actuales de almacenamiento de inventario frente a diferentes patrones de oferta y demanda. Si algo se queda corto o sale mal, es hora de recalibrar su enfoque, teniendo en cuenta los datos actuales sobre el historial de uso, los plazos de entrega de los proveedores y los costos para evitar situaciones de desabastecimiento y exceso de existencias.

Mejore constantemente su plan de inventario basado en el nivel de servicio.

En conclusión, es crucial evaluar continuamente su plan basado en el nivel de servicio. Al construir y perfeccionar sistemáticamente escenarios de rendimiento, puede definir métricas y objetivos clave, comparar el rendimiento esperado y automatizar el cálculo de las políticas de almacenamiento para todos los artículos. Este proceso iterativo implica monitorear, revisar y repetir cada ciclo de planificación.

La profundidad de su análisis dentro de estas políticas de almacenamiento depende de los datos a su disposición y de las capacidades de configuración de su sistema de planificación. Para lograr resultados óptimos, es imperativo mantener un análisis de datos continuo. Esto implica que un enfoque manual para el examen de datos suele ser insuficiente para las necesidades de la mayoría de las organizaciones.

Para obtener información sobre cómo Smart Software puede ayudarle a alcanzar los objetivos de su cadena de suministro de servicios con una planificación basada en servicios y más, visite los siguientes blogs.

–   "Explicando qué significa nivel de servicio en su software de optimización de inventario"  Las recomendaciones de almacenamiento pueden resultar desconcertantes, especialmente cuando chocan con las necesidades del mundo real. En esta publicación, desglosaremos qué significa el nivel de servicio 99% y por qué es crucial para administrar el inventario de manera efectiva y mantener a los clientes satisfechos en el panorama competitivo actual.

– “Planificación basada en el nivel de servicio para empresas de repuestos” La planificación de piezas de servicio basada en el nivel de servicio es un proceso de cuatro pasos que va más allá de la previsión simplificada y las existencias de seguridad como regla general. Proporciona a los planificadores de repuestos soporte para tomar decisiones ajustadas al riesgo y basadas en datos.

–   “Cómo elegir un nivel de servicio objetivo.“Esta es una decisión estratégica sobre la gestión del riesgo de inventario, considerando los niveles de servicio actuales y las tasas de cumplimiento, los plazos de reabastecimiento y las compensaciones entre capital, existencias y costos de oportunidad. Aprenda enfoques que puedan ayudar.

–   “La métrica de precisión de pronóstico adecuada para la planificación de inventarios”.  Sólo porque establezca un objetivo de nivel de servicio no significa que realmente lo alcanzará. Si está interesado en optimizar los niveles de stock, concéntrese en la precisión de la proyección del nivel de servicio. Aprender cómo.

En este Videoblog explicaremos cómo la previsión de series temporales se ha convertido en una herramienta fundamental, especialmente a nivel diario, en la que Smart Software ha sido pionero desde sus inicios hace más de cuarenta años. La evolución de las prácticas comerciales de incrementos temporales anuales a incrementos temporales más refinados, como el análisis de datos mensual y ahora diario, ilustra un cambio significativo en las estrategias operativas.

Inicialmente, durante la década de 1980, la práctica habitual de utilizar datos anuales para realizar pronósticos y la introducción de datos mensuales se consideró innovadora. Este período marcó el comienzo de una tendencia hacia el aumento de la resolución del análisis de datos, lo que permitió a las empresas capturar y reaccionar ante cambios más rápidos en la dinámica del mercado. A medida que avanzamos hacia la década de 2000, la norma del análisis de datos mensual estaba bien establecida, pero los "chicos geniales" (innovadores en el borde de la analítica empresarial) comenzaron a experimentar con datos semanales. Este cambio fue impulsado por la necesidad de sincronizar las operaciones comerciales con condiciones de mercado cada vez más volátiles y comportamientos de los consumidores que exigían respuestas más rápidas que las que podían proporcionar los ciclos mensuales. Hoy, en la década de 2020, si bien el análisis de datos mensuales sigue siendo común, la frontera se ha desplazado nuevamente, esta vez hacia el análisis de datos diario, y algunos pioneros incluso se han aventurado en el análisis por horas.

El verdadero poder del análisis de datos diario radica en su capacidad de proporcionar una vista detallada de las operaciones comerciales, capturando las fluctuaciones diarias que podrían pasar desapercibidas en los datos mensuales o semanales. Sin embargo, las complejidades de los datos diarios requieren enfoques analíticos avanzados para extraer información significativa. En este nivel, comprender la demanda requiere lidiar con conceptos como intermitencia, estacionalidad, tendencia y volatilidad. La intermitencia, o la aparición de días sin demanda, se vuelve más pronunciada en una granularidad diaria y exige técnicas de pronóstico especializadas como el método de Croston para predicciones precisas. La estacionalidad a nivel diario puede revelar múltiples patrones (como mayores ventas los fines de semana o días festivos) que los datos mensuales enmascararían. Las tendencias se pueden observar como aumentos o disminuciones de la demanda a corto plazo, lo que exige estrategias de ajuste ágiles. Finalmente, la volatilidad a nivel diario se acentúa, mostrando oscilaciones de la demanda más significativas que las observadas en los análisis mensuales o semanales, lo que puede afectar las estrategias de gestión de inventarios y la necesidad de existencias de reserva. Este nivel de complejidad subraya la necesidad de herramientas analíticas sofisticadas y experiencia en el análisis de datos diario.

En conclusión, la evolución de pronósticos de series temporales menos frecuentes a pronósticos diarios marca un cambio sustancial en la forma en que las empresas abordan el análisis de datos. Esta transición no solo refleja el ritmo acelerado de los negocios, sino que también resalta la necesidad de herramientas que puedan manejar una mayor granularidad de los datos. La dedicación de Smart Software para perfeccionar sus capacidades analíticas para gestionar los datos diarios destaca el movimiento más amplio de la industria hacia una toma de decisiones más dinámica, receptiva y basada en datos. Este cambio no se trata simplemente de mantener el ritmo del tiempo, sino de aprovechar conocimientos detallados para forjar ventajas competitivas en un entorno empresarial en constante cambio.

​

​El software de planificación de la demanda y pronóstico estadístico desempeña un papel fundamental en la gestión empresarial eficaz al incorporar funciones que mejoran significativamente la precisión de los pronósticos. Un aspecto clave implica la utilización de modelos extrapolativos o basados ​​en suavizado, que permiten a las empresas hacer predicciones rápidamente basadas únicamente en datos históricos. Esta base basada en el desempeño pasado es crucial para comprender tendencias y patrones, especialmente en variables como las ventas o la demanda de productos. El software de pronóstico va más allá del mero análisis de datos al permitir combinar el juicio profesional con pronósticos estadísticos, reconociendo que el pronóstico no es un proceso único para todos. Esta flexibilidad permite a las empresas incorporar conocimientos humanos y de la industria en el modelo de pronóstico, lo que garantiza una predicción más matizada y precisa.

Funciones como pronosticar múltiples artículos como grupo, considerar la demanda impulsada por la promoción y manejar patrones de demanda intermitentes son capacidades esenciales para las empresas que manejan carteras de productos diversas y condiciones de mercado dinámicas. La implementación adecuada de estas aplicaciones brinda a las empresas herramientas de pronóstico versátiles, lo que contribuye significativamente a la toma de decisiones informadas y la eficiencia operativa.

Modelos extrapolativos

Nuestras soluciones de pronóstico de la demanda admiten una variedad de enfoques de pronóstico, incluidos modelos de pronóstico extrapolativos o basados en suavizamiento, como el suavizado exponencial y los promedios móviles. La filosofía detrás de estos modelos es simple: intentan detectar, cuantificar y proyectar hacia el futuro cualquier patrón repetitivo en los datos históricos.

  Hay dos tipos de patrones que se pueden encontrar en los datos históricos:

• Tendencia
• Estacionalidad

Estos patrones se ilustran en la siguiente figura junto con datos aleatorios.

Ilustración de datos de series de tiempo aleatorias, estacionales y de tendencia

Si el patrón es una tendencia, entonces los modelos extrapolativos, como el suavizado exponencial doble y el promedio móvil lineal, estiman la tasa de aumento o disminución en el nivel de la variable y proyectan esa tasa en el futuro.

Si el patrón es estacionalidad, entonces modelos como Winters y el suavizamiento exponencial triple estiman multiplicadores estacionales o factores de suma estacionales y luego los aplican a las proyecciones de la porción no estacional de los datos.

Muy a menudo, especialmente en el caso de los datos de ventas minoristas, intervienen patrones tanto de tendencia como estacionales. Si estos patrones son estables, se pueden aprovechar para dar pronósticos muy precisos.

A veces, sin embargo, no hay patrones obvios, de modo que los gráficos de los datos parecen ruido aleatorio. A veces los patrones son claramente visibles, pero cambian con el tiempo y no se puede confiar en que se repitan. En estos casos, los modelos extrapolativos no intentan cuantificar ni proyectar patrones. En cambio, intentan promediar el ruido y hacer buenas estimaciones del punto medio de la distribución de los valores de los datos. Estos valores típicos se convierten entonces en pronósticos. A veces, cuando los usuarios ven una trama histórica con muchos altibajos, se preocupan cuando el pronóstico no replica esos altibajos. Normalmente, esto no debería ser motivo de preocupación. Esto ocurre cuando los patrones históricos no son lo suficientemente fuertes como para justificar el uso de un método de pronóstico que replique el patrón. Quiere asegurarse de que sus pronósticos no sufran el "efecto de movimiento" que se describe en este entrada en el blog.

El pasado como predictor del futuro.

El supuesto clave implícito en los modelos extrapolativos es que el pasado es una buena guía para el futuro. Esta suposición, sin embargo, puede fracasar. Algunos de los datos históricos pueden estar obsoletos. Por ejemplo, los datos podrían describir un entorno empresarial que ya no existe. O bien, el mundo que representa el modelo puede estar listo para cambiar pronto, dejando todos los datos obsoletos. Debido a factores tan complicados, los riesgos del pronóstico extrapolativo son menores cuando se pronostica sólo a corto plazo en el futuro.

Los modelos extrapolativos tienen la ventaja práctica de ser baratos y fáciles de construir, mantener y utilizar. Sólo requieren registros precisos de los valores pasados de las variables que necesita pronosticar. A medida que pasa el tiempo, simplemente agrega los últimos puntos de datos a la serie temporal y vuelve a pronosticar. Por el contrario, los modelos causales que se describen a continuación requieren más pensamiento y más datos. La simplicidad de los modelos extrapolativos se aprecia más cuando se tiene un problema de pronóstico masivo, como hacer pronósticos de la demanda de un día para otro para los 30.000 artículos en el inventario de un almacén.

Ajustes de juicio

Los modelos extrapolativos se pueden ejecutar en modo completamente automático con Demand Planner sin necesidad de intervención. Los modelos causales requieren un juicio sustancial para una selección inteligente de variables independientes. Sin embargo, ambos tipos de modelos estadísticos pueden mejorarse mediante ajustes de juicio. Ambos pueden beneficiarse de sus conocimientos.

Tanto el modelo causal como el extrapolativo se basan en datos históricos. Sin embargo, es posible que tenga información adicional que no se refleja en los números que se encuentran en el registro histórico. Por ejemplo, es posible que sepa que las condiciones competitivas pronto cambiarán, tal vez debido a descuentos de precios, tendencias de la industria, la aparición de nuevos competidores o el anuncio de una nueva generación de sus propios productos. Si estos eventos ocurren durante el período para el cual usted está pronosticando, pueden arruinar la precisión de los pronósticos puramente estadísticos. La función de ajuste gráfico de Smart Demand Planner le permite incluir estos factores adicionales en sus pronósticos a través del proceso de ajuste gráfico en pantalla.

Tenga en cuenta que aplicar ajustes del usuario al pronóstico es un arma de doble filo. Si se utiliza adecuadamente, puede mejorar la precisión de los pronósticos al explotar un conjunto más rico de información. Si se utiliza de forma promiscua, puede añadir ruido adicional al proceso y reducir la precisión. Le recomendamos que utilice ajustes de juicio con moderación, pero que nunca acepte ciegamente las predicciones de un método de pronóstico puramente estadístico. También es muy importante medir el valor añadido previsto. Es decir, el valor agregado al proceso de pronóstico por cada paso incremental. Por ejemplo, si aplica anulaciones basadas en conocimientos comerciales, es importante medir si esos ajustes agregan valor al mejorar la precisión del pronóstico. Smart Demand Planner admite la medición del valor agregado del pronóstico mediante el seguimiento de cada pronóstico considerado y la automatización de los informes de precisión del pronóstico. Puede seleccionar pronósticos estadísticos, medir sus errores y compararlos con los anulados. Al hacerlo, informa el proceso de previsión para que se puedan tomar mejores decisiones en el futuro. 

Pronósticos de múltiples niveles

Otra situación común implica la previsión de múltiples niveles, donde se pronostican varios elementos como un grupo o incluso puede haber varios grupos, y cada grupo contiene varios elementos. Generalmente llamaremos a este tipo de pronóstico Pronóstico multinivel. El mejor ejemplo es el pronóstico de líneas de productos, donde cada artículo es miembro de una familia de artículos y el total de todos los artículos de la familia es una cantidad significativa.

Por ejemplo, como en la siguiente figura, es posible que tenga una línea de tractores y desee pronósticos de ventas para cada tipo de tractor y para toda la línea de tractores.

Ilustración de pronósticos de productos de múltiples niveles

 Smart Demand Planner proporciona pronósticos acumulativos y descendentes. Esta función es crucial para obtener pronósticos completos de todos los artículos de productos y el total de su grupo. El método Roll Down/Roll Up dentro de esta función ofrece dos opciones para obtener estos pronósticos:

Acumular (de abajo hacia arriba): esta opción inicialmente pronostica cada artículo individualmente y luego agrega los pronósticos a nivel de artículo para generar un pronóstico a nivel de familia.

Desplazar hacia abajo (de arriba hacia abajo): alternativamente, la opción de desplazamiento hacia abajo comienza formando el total histórico a nivel de familia, lo pronostica y luego asigna proporcionalmente el total al nivel de artículo.

Al utilizar Roll Down/Roll Up, tiene acceso a la gama completa de métodos de pronóstico proporcionados por Smart Demand Planner tanto a nivel de artículo como de familia. Esto garantiza flexibilidad y precisión en la previsión, atendiendo a las necesidades específicas de su negocio en diferentes niveles jerárquicos.

La investigación sobre pronósticos no ha establecido condiciones claras que favorezcan el enfoque de pronóstico de arriba hacia abajo o de abajo hacia arriba. Sin embargo, el enfoque ascendente parece preferible cuando los historiales de los artículos son estables y el énfasis está en las tendencias y patrones estacionales de los artículos individuales. La estrategia descendente suele ser una mejor opción si algunos elementos tienen un historial muy ruidoso o si el énfasis está en la previsión a nivel de grupo. Dado que Smart Demand Planner hace que sea rápido y fácil probar un enfoque tanto ascendente como descendente, debe probar ambos métodos y comparar los resultados. Puede utilizar la función "Retener lo actual" de Smart Demand Planner en "Pronóstico versus real" para probar ambos enfoques con sus propios datos y ver cuál produce un pronóstico más preciso para su negocio. 

En este video blog, exploramos el papel integral que desempeñan los modelos de inventario en la configuración de los procesos de toma de decisiones de los profesionales de diversas industrias. Estos modelos, ya sean simulaciones informáticas tangibles o construcciones mentales intangibles, sirven como herramientas fundamentales para gestionar las complejidades de los entornos empresariales modernos. La discusión comienza con una descripción general de cómo se utilizan estos modelos para predecir resultados y optimizar las operaciones, enfatizando su relevancia en un panorama de mercado en constante evolución.

​La discusión explora más a fondo cómo varios modelos influyen claramente en los procesos de toma de decisiones estratégicas. Por ejemplo, los modelos mentales que los profesionales desarrollan a través de la experiencia a menudo guían las respuestas iniciales a los desafíos operativos. Estos modelos son subjetivos y se construyen a partir de conocimientos personales y encuentros pasados ​​con situaciones similares, lo que permite una toma de decisiones rápida e intuitiva. Por otro lado, los modelos basados ​​en computadora proporcionan un marco más objetivo. Utilizan datos históricos y cálculos algorítmicos para pronosticar escenarios futuros, ofreciendo una base cuantitativa para decisiones que deben considerar múltiples variables y resultados potenciales. Esta sección destaca ejemplos específicos, como el impacto del ajuste de las cantidades de los pedidos en los costos de inventario y la frecuencia de los pedidos o los efectos de los tiempos de entrega fluctuantes en los niveles de servicio y la satisfacción del cliente.

En conclusión, mientras que los modelos mentales proporcionan un marco basado en la experiencia y la intuición, los modelos informáticos ofrecen una perspectiva más detallada y basada en números. La combinación de ambos tipos de modelos permite un proceso de toma de decisiones más sólido, equilibrando el conocimiento teórico con la experiencia práctica. Este enfoque mejora la comprensión de la dinámica del inventario y equipa a los profesionales con las herramientas para adaptarse a los cambios de manera efectiva, garantizando la sostenibilidad y la competitividad en sus respectivos campos.

Para algunos de nuestros clientes, el clima tiene una influencia significativa en la demanda. Los fenómenos meteorológicos extremos de corto plazo, como incendios, sequías, olas de calor, etc., pueden tener una influencia significativa en el corto plazo sobre la demanda.

Hay dos formas de incluir el clima en un pronóstico de demanda: indirecta y directamente. La ruta indirecta es más fácil utilizando el enfoque basado en escenarios de Planificador de la demanda. El enfoque directo requiere un proyecto especial personalizado que requiere datos adicionales y modelos hechos a mano.

Contabilidad indirecta del tiempo

El modelo estándar integrado Planificador de la demanda (SDP) se adapta a los efectos climáticos de cuatro maneras:

1. Si el mundo se está calentando, enfriando, secando o humedeciendo constantemente de maneras que impactan sus ventas, SDP detecta estas tendencias automáticamente y las incorpora a los escenarios de demanda que genera.
2. Si tu negocio tiene un ritmo regular en el que ciertos días de la semana o ciertos meses del año tienen consistentemente una demanda mayor o menor que el promedio, SDP también detecta automáticamente esta estacionalidad y la incorpora a sus escenarios de demanda.
3. A menudo es la aleatoriedad del clima lo que interfiere con la precisión del pronóstico. A menudo nos referimos a este efecto como "ruido". El ruido es un término general que incorpora todo tipo de problemas aleatorios. Además del clima, un estallido geopolítico, la quiebra sorpresa de un banco regional o el atascamiento de un barco en el Canal de Suez pueden agregar sorpresas a la demanda de productos, y lo han hecho. SDP evalúa la volatilidad de la demanda y la reproduce en sus escenarios de demanda.
4. Anulaciones de gestión. La mayoría de las veces, los clientes permiten que SDP genere automáticamente decenas de miles de escenarios de demanda. Pero si los usuarios sienten la necesidad de modificar pronósticos específicos utilizando su conocimiento interno, SDP puede hacerlo mediante anulaciones de la administración.

Contabilidad directa del clima

A veces, un usuario podrá articular su experiencia en la materia vinculando factores externos a su empresa (como tasas de interés, costos de materias primas o tendencias tecnológicas) con sus propias ventas agregadas. En estas situaciones, Smart Software puede organizar proyectos especiales únicos que proporcionen modelos alternativos ("causales") para complementar nuestros modelos de pronóstico estadístico estándar. Póngase en contacto con su representante de Smart Software para analizar un posible proyecto de modelado causal.

Mientras tanto, no olvides tu paraguas.