Control del inventario se refiere a la gestión de bienes físicos, centrándose en un recuento preciso y actualizado de cada artículo en el inventario y dónde se encuentra, así como en la recuperación eficiente de los artículos. Las tecnologías relevantes incluyen bases de datos informáticas, códigos de barras, identificación por radiofrecuencia (RFID) y el uso de robots para la recuperación.

La gestión del inventario tiene como objetivo ejecutar la política de inventarios definida por la empresa. La gestión de inventario a menudo se logra utilizando sistemas de planificación de recursos empresariales (ERP), que generan órdenes de compra, órdenes de producción e informes que detallan el inventario actual disponible, entrante y listo para ordenar.

Planificación de inventario establece detalles de políticas operativas, como puntos de reorden específicos de artículos y cantidades de pedidos, y predice la demanda futura y los plazos de entrega de los proveedores. Los componentes importantes de un proceso de planificación de inventario incluyen escenarios hipotéticos para compensar el inventario disponible, analizar cómo los cambios en la demanda, los plazos de entrega y las políticas de almacenamiento afectarán los pedidos, así como la gestión de excepciones y contingencias.

Optimización del Inventario utiliza un proceso analítico que calcula valores para los parámetros de planificación de inventario (por ejemplo, puntos de reorden y cantidades de pedidos) que optimizan una meta numérica o “función objetivo” sin violar una restricción numérica. Por ejemplo, una función objetivo podría ser lograr el costo operativo de inventario más bajo posible (definido como la suma de los costos de mantener el inventario, los costos de ordenar y los costos de escasez), y la restricción podría ser lograr una tasa de cumplimiento de al menos 90%. Utilizando un modelo matemático del sistema de inventario y pronósticos de probabilidad de la demanda de artículos, la optimización del inventario puede sugerir rápida y automáticamente cómo administrar mejor miles de artículos de inventario.

¿Está confundido acerca de qué es la IA y qué es el aprendizaje automático? ¿No está seguro de por qué saber más le ayudará con su trabajo de planificación de inventario? No te desesperes. Estarás bien y te mostraremos cómo algo de lo que sea puede ser útil.

¿Qué es y qué no es?

¿Qué es la IA y en qué se diferencia del ML? Bueno, ¿qué hace alguien hoy en día cuando quiere saber algo? Lo buscan en Google. Y cuando lo hacen, comienza la confusión.

Una fuente dice que la metodología de la red neuronal llamada aprendizaje profundo es un subconjunto del aprendizaje automático, que es un subconjunto de la IA. Pero otra fuente dice que el aprendizaje profundo ya es parte de la IA porque en cierto modo imita la forma en que funciona la mente humana, mientras que el aprendizaje automático no intenta hacer eso.

Una fuente dice que hay dos tipos de aprendizaje automático: supervisado y no supervisado. Otro dice que hay cuatro: supervisada, no supervisada, semisupervisada y de refuerzo.

Algunos dicen que el aprendizaje por refuerzo es aprendizaje automático; otros lo llaman IA.

Algunos de nosotros, los tradicionalistas, llamamos a muchas de ellas “estadísticas”, aunque no todas lo son.

Al nombrar los métodos, hay mucho espacio tanto para la emoción como para el arte de vender. Si un proveedor de software cree que usted quiere escuchar la frase "IA", es posible que la diga por usted sólo para hacerlo feliz.

Mejor centrarse en lo que sale al final.

Puede evitar algunas exageraciones confusas si se concentra en el resultado final que obtiene de alguna tecnología analítica, independientemente de su etiqueta. Hay varias tareas analíticas que son relevantes para los planificadores de inventario y los planificadores de demanda. Estos incluyen agrupamiento, detección de anomalías, detección de cambios de régimen y análisis de regresión. Los cuatro métodos suelen, aunque no siempre, clasificarse como métodos de aprendizaje automático. Pero sus algoritmos pueden surgir directamente de la estadística clásica.

Agrupación

Agrupar significa agrupar cosas que son similares y distanciarlas de cosas que son diferentes. A veces, agrupar es fácil: para separar geográficamente a sus clientes, simplemente ordénelos por estado o región de ventas. Cuando el problema no es tan obvio, puede utilizar datos y algoritmos de agrupamiento para realizar el trabajo automáticamente, incluso cuando se trata de conjuntos de datos masivos.

Por ejemplo, la Figura 1 ilustra un grupo de “perfiles de demanda”, que en este caso divide todos los artículos de un cliente en nueve grupos según la forma de sus curvas de demanda acumuladas. El grupo 1.1 en la parte superior izquierda contiene artículos cuya demanda se ha ido agotando, mientras que el grupo 3.1 en la parte inferior izquierda contiene artículos cuya demanda se ha acelerado. La agrupación también se puede realizar con proveedores. La elección del número de clústeres normalmente se deja a criterio del usuario, pero ML puede guiar esa elección. Por ejemplo, un usuario puede indicarle al software que "divida mis partes en 4 grupos", pero el uso de ML puede revelar que en realidad hay 6 grupos distintos que el usuario debe analizar. 

Figura 1: Agrupación de artículos según las formas de su demanda acumulada

Detección de anomalías

La previsión de la demanda se realiza tradicionalmente mediante la extrapolación de series temporales. Por ejemplo, el suavizado exponencial simple funciona para encontrar el “medio” de la distribución de la demanda en cualquier momento y proyectar ese nivel hacia adelante. Sin embargo, si ha habido un aumento o disminución repentino y único en la demanda en el pasado reciente, ese valor anómalo puede tener un efecto significativo pero no deseado en el pronóstico a corto plazo. Igual de grave para la planificación de inventarios, la anomalía puede tener un efecto enorme en la estimación de la variabilidad de la demanda, que va directamente al cálculo de los requisitos de existencias de seguridad.

Es posible que los planificadores prefieran encontrar y eliminar dichas anomalías (y tal vez hacer un seguimiento fuera de línea para descubrir el motivo de la rareza). Pero nadie que tenga un gran trabajo que hacer querrá escanear visualmente miles de gráficos de demanda para detectar valores atípicos, eliminarlos del historial de demanda y luego volver a calcular todo. La inteligencia humana podría hacer eso, pero la paciencia humana pronto fallaría. Los algoritmos de detección de anomalías podrían hacer el trabajo automáticamente utilizando métodos estadísticos relativamente sencillos. Podrías llamar a esto “inteligencia artificial” si lo deseas.

Detección de cambio de régimen

La detección de cambios de régimen es como el hermano mayor de la detección de anomalías. El cambio de régimen es un cambio sostenido, más que temporal, en uno o más aspectos del carácter de una serie temporal. Si bien la detección de anomalías suele centrarse en cambios repentinos de la demanda media, el cambio de régimen podría implicar cambios en otras características de la demanda, como su volatilidad o su forma distributiva.  

La Figura 2 ilustra un ejemplo extremo de cambio de régimen. La demanda de este artículo tocó fondo alrededor del día 120. Las políticas de control de inventario y los pronósticos de demanda basados en datos más antiguos estarían tremendamente fuera de lugar al final del historial de demanda.

Figura 2: Un ejemplo de cambio de régimen extremo en un artículo con demanda intermitente

También en este caso se pueden desarrollar algoritmos estadísticos para resolver este problema, y sería justo llamarlos “aprendizaje automático” o “inteligencia artificial” si así estuviera motivado. El uso de ML o AI para identificar cambios de régimen en el historial de la demanda permite que el software de planificación de la demanda utilice automáticamente solo el historial relevante al realizar pronósticos en lugar de tener que seleccionar manualmente la cantidad de historial para introducirlo en el modelo. 

Análisis de regresión

El análisis de regresión relaciona una variable con otra mediante una ecuación. Por ejemplo, las ventas de marcos de ventanas en un mes pueden predecirse a partir de los permisos de construcción expedidos unos meses antes. El análisis de regresión se ha considerado parte de la estadística durante más de un siglo, pero podemos decir que es "aprendizaje automático", ya que un algoritmo encuentra la manera precisa de convertir el conocimiento de una variable en una predicción del valor de otra.

Resumen

Es razonable estar interesado en lo que sucede en las áreas de aprendizaje automático e inteligencia artificial. Si bien la atención prestada a ChatGPT y sus competidores es interesante, no es relevante para el aspecto numérico de la planificación de la demanda o la gestión de inventario. Los aspectos numéricos del ML y la IA son potencialmente relevantes, pero hay que intentar ver a través de la nube de publicidad que rodea a estos métodos y centrarse en lo que pueden hacer. Si puede hacer el trabajo con métodos estadísticos clásicos, puede hacerlo y luego ejercer su opción de pegar la etiqueta ML a cualquier cosa que se mueva.

Los clientes a menudo nos preguntan por qué una recomendación de almacenamiento es "tan alta". Aquí hay una pregunta que recibimos recientemente:

Durante nuestra última reunión de equipo, encontramos algunos elementos con brechas anormales entre nuestro ROP actual y el ROP sugerido por Smart en un nivel de servicio 99%. La preocupación es que el sistema indica que el punto de reorden tendrá que aumentar sustancialmente para lograr un nivel de servicio 99%. ¿Podría por favor ayudarnos a entender el cálculo?

Cuando revisamos los datos, quedó claro para el cliente que la ROP calculada por Smart era realmente correcta. Llegamos a la conclusión de que (1) lo que realmente querían era un objetivo de nivel de servicio mucho más bajo y (2) no habíamos hecho una buena explicación de lo que realmente significaba "nivel de servicio". 

Entonces, ¿qué significa realmente un "nivel de servicio 99%"? 

Cuando se trata del objetivo que ingresa en su software de optimización de inventario, significa que el nivel de existencias para el artículo en cuestión tendrá un 99% de posibilidades de poder satisfacer las necesidades del cliente. de inmediato.  Por ejemplo, si tiene 50 unidades en stock, existe una probabilidad de 99% de que la próxima demanda caiga en algún lugar en el rango de 0 a 50 unidades.

Lo que nuestro cliente quiso decir fue que el 99% del momento en que un cliente hizo un pedido, fue entregado en su totalidad dentro del plazo de entrega indicado por el cliente. En otras palabras, no necesariamente de inmediato, sino cuando se prometió.  

Obviamente, cuanto más tiempo se dé a sí mismo para entregar a un cliente, mayor será su nivel de servicio. Pero esa distinción a menudo no se entiende explícitamente cuando los nuevos usuarios del software de optimización de inventario realizan escenarios hipotéticos en diferentes niveles de servicio. Y eso puede llevar a una confusión considerable. Calcular los niveles de servicio en función de la disponibilidad inmediata de existencias es un estándar superior: más difícil de cumplir pero mucho más competitivo.

Nuestros clientes de fabricación a menudo cotizan los niveles de servicio en función de los plazos de entrega a sus clientes, por lo que no es esencial que entreguen inmediatamente desde el estante. Por el contrario, nuestros clientes en los espacios de distribución, mantenimiento, reparación y operaciones (MRO) y repuestos, normalmente deben enviar el mismo día o dentro de las 24 horas. Para ellos es una necesidad competitiva enviar de inmediato y hacerlo en su totalidad.

Al ingresar los niveles de servicio objetivo utilizando su software de optimización de inventario, tenga en cuenta esta distinción. Elija el nivel de servicio según el porcentaje de tiempo que desea enviar el inventario completo, de inmediato desde el estante.  

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.

Belmont, MA, junio de 2023 – Smart Software, Inc., proveedor de soluciones de optimización de inventario, planificación y pronóstico de la demanda líderes en la industria, anunció hoy la concesión de la patente estadounidense 11,656,887, “SISTEMA Y MÉTODO PARA SIMULAR LA DEMANDA Y OPTIMIZAR LOS PARÁMETROS DE CONTROL PARA UNA PLATAFORMA TECNOLÓGICA”.

La patente dirige “soluciones técnicas para analizar datos históricos de demanda de recursos en una plataforma tecnológica para facilitar la gestión de un proceso automatizado en la plataforma”. Una aplicación importante es la optimización de los inventarios de piezas.

Los aspectos de la invención incluyen: un proceso de arranque avanzado que convierte una única serie temporal observada de demanda de artículos en un número ilimitado de escenarios de demanda realistas; a proceso de predicción del rendimiento que ejecuta simulaciones Monte Carlo de una política de control de inventario propuesta para evaluar su desempeño; y un proceso de mejora del desempeño que utiliza el proceso de predicción del rendimiento para explorar automáticamente el espacio de diseños de sistemas alternativos para identificar valores óptimos de los parámetros de control, seleccionando aquellos que minimicen el costo operativo y al mismo tiempo garanticen un nivel objetivo de disponibilidad del artículo.

La nueva tecnología analítica descrita en la patente formará la base para el próximo lanzamiento de la próxima generación ("Gen2") de Planificador de demanda inteligente™ y Smart IP&O™. Los clientes y revendedores actuales pueden obtener una vista previa de Gen2 comunicándose con su representante de ventas de Smart Software.

La investigación subyacente a la patente fue autofinanciada por Smart, complementada con subvenciones competitivas para investigación de innovación en pequeñas empresas de la Fundación Nacional de Ciencias de EE. UU.

Acerca de Smart Software, Inc.
Fundada en 1981, Smart Software, Inc. es líder en brindar a las empresas soluciones de optimización de inventario, planificación y previsión de la demanda para toda la empresa. Las soluciones de optimización de inventario y previsión de la demanda de Smart Software han ayudado a miles de usuarios en todo el mundo, incluidos clientes como Disney, Arizona Public Service, Ameren y la Cruz Roja Americana. La plataforma de optimización y planificación de inventario de Smart, Smart IP&O, brinda a los planificadores de la demanda las herramientas para manejar la estacionalidad de las ventas, las promociones, los productos nuevos y antiguos, las jerarquías multidimensionales y las piezas de servicio y bienes de capital con demanda intermitente. También proporciona a los administradores de inventario estimaciones precisas del inventario óptimo y del stock de seguridad necesarios para cumplir con los pedidos futuros y lograr los niveles de servicio deseados. Smart Software tiene su sede en Belmont, Massachusetts, y nuestro sitio web es www.smartcorp.com.