Verdadero o falso: El pronóstico no importa para la gestión del inventario de repuestos.

A primera vista, esta afirmación parece evidentemente falsa. Después de todo, las previsiones son cruciales para planificar los niveles de existencias, ¿verdad?

Depende de lo que entiendas por “previsión”. Si te refieres a un pronóstico de un solo número de la vieja escuela (“la demanda del artículo CX218b será de 3 unidades la próxima semana y de 6 unidades la semana siguiente”), entonces no. Si se amplía el significado de pronóstico para incluir una distribución de probabilidad que tenga en cuenta las incertidumbres tanto de la demanda como de la oferta, entonces sí.

La realidad clave es que muchos artículos, especialmente repuestos y repuestos, tienen una demanda impredecible e intermitente. (Los plazos de entrega de los proveedores también pueden ser erráticos, especialmente cuando las piezas provienen de un OEM atrasado). Hemos observado que, si bien los fabricantes y distribuidores generalmente experimentan una demanda intermitente de solo 20% o más de sus artículos, el porcentaje aumenta a 80%+ para las empresas basadas en MRO. Esto significa que los datos históricos a menudo muestran períodos de demanda cero intercalados con períodos aleatorios de demanda distinta de cero. A veces, estas demandas distintas de cero son tan bajas como 1 o 2 unidades, mientras que en otras ocasiones aumentan inesperadamente a cantidades varias veces mayores que su promedio.

Este no es el tipo de datos que normalmente enfrentan sus pares “planificadores de la demanda” en el comercio minorista, productos de consumo y alimentos y bebidas. Esas personas suelen trabajar con cantidades mayores que tienen proporcionalmente menos aleatoriedad. Y pueden navegar por características que mejoran las predicciones, como tendencias y patrones estacionales estables. En cambio, el uso de repuestos es mucho más aleatorio, lo que supone un obstáculo para el proceso de planificación, incluso en la minoría de casos en los que hay variaciones estacionales detectables.

En el ámbito de la demanda intermitente, el mejor pronóstico disponible se desviará significativamente de la demanda real. A diferencia de los productos de consumo con volumen y frecuencia de medianos a altos, el pronóstico de una pieza de servicio puede fallar por cientos de puntos porcentuales. Un pronóstico de una o dos unidades, en promedio, siempre fallará cuando la demanda real sea cero. Incluso con inteligencia empresarial avanzada o algoritmos de aprendizaje automático, el error al pronosticar las demandas distintas de cero seguirá siendo sustancial.

Quizás debido a la dificultad de hacer pronósticos estadísticos en el ámbito del inventario, la planificación del inventario en la práctica a menudo se basa en la intuición y el conocimiento del planificador. Desafortunadamente, este enfoque no abarca decenas de miles de piezas. La intuición simplemente no puede hacer frente a toda la gama de posibilidades de demanda y plazos de entrega, y mucho menos estimar con precisión la probabilidad de cada escenario posible. Incluso si su empresa tiene uno o dos pronosticadores intuitivos excepcionales, las jubilaciones de personal y las reorganizaciones de la línea de productos significan que no se puede confiar en los pronósticos intuitivos en el futuro.

La solución radica en cambiar el enfoque de los pronósticos tradicionales a predecir probabilidades para cada escenario de demanda potencial y plazo de entrega. Este cambio transforma la conversación de un “plan de un solo número” poco realista a un rango de números con probabilidades asociadas. Al predecir las probabilidades de cada demanda y posibilidad de plazo de entrega, puede alinear mejor los niveles de existencias con la tolerancia al riesgo de cada grupo de piezas.

El software que genera escenarios de demanda y plazos de entrega, repitiendo este proceso decenas de miles de veces, puede simular con precisión cómo se comportarán las políticas de almacenamiento actuales frente a estas políticas. Si el rendimiento en la simulación no es suficiente y se prevé que se agote con más frecuencia de la que se siente cómodo o que le quede un exceso de inventario, la realización de escenarios hipotéticos permite realizar ajustes en las políticas. Luego puede predecir cómo se comportarán estas políticas revisadas frente a demandas aleatorias y plazos de entrega. Puede llevar a cabo este proceso de forma iterativa y perfeccionarlo con cada nuevo escenario hipotético o apoyarse en políticas prescritas por el sistema que logren un equilibrio óptimo entre riesgo y costos.

Por lo tanto, si está planificando inventarios de servicios y repuestos, deje de preocuparse por predecir la demanda como lo hacen los planificadores de demanda tradicionales del comercio minorista y de CPG. En cambio, concéntrese en cómo sus políticas de almacenamiento resistirán la aleatoriedad del futuro, ajustándolas en función de su tolerancia al riesgo. Para hacer esto, necesitará el conjunto adecuado de software de soporte a la toma de decisiones, y así es como Smart Software puede ayudar.

¿Las empresas de MRO realmente priorizan la reducción del exceso de inventario de repuestos? Desde un punto de vista organizativo, nuestra experiencia sugiere que no necesariamente. Las discusiones en las salas de juntas generalmente giran en torno a la expansión de flotas, la adquisición de nuevos clientes, el cumplimiento de acuerdos de nivel de servicio (SLA), la modernización de la infraestructura y la maximización del tiempo de actividad. En industrias donde los activos respaldados por repuestos cuestan cientos de millones o generan ingresos significativos (por ejemplo, minería o petróleo y gas), el valor del inventario simplemente no sorprende y las organizaciones tienden a pasar por alto cantidades masivas de inventario excesivo.

Considere una agencia de transporte público. En la mayoría de las ciudades importantes, los presupuestos operativos anuales superarán los $3 mil millones. Los gastos de capital para trenes, vagones de metro e infraestructura pueden alcanzar cientos de millones al año. En consecuencia, un inventario de repuestos valorado en $150 millones podría no captar la atención del director financiero o del director general, ya que representa un pequeño porcentaje del balance. Además, en las industrias basadas en MRO, muchas piezas necesitan soportar flotas de equipos durante una década o más, lo que hace que el stock adicional sea un activo necesario. En algunos sectores, como el de los servicios públicos, incluso se puede incentivar la tenencia de existencias adicionales para garantizar que los equipos se mantengan en buen estado.

Hemos visto surgir preocupaciones sobre el exceso de existencias cuando el espacio del almacén es limitado. Recuerdo que, al principio de mi carrera, fui testigo del patio ferroviario de una agencia de transporte público lleno de ejes oxidados valorados en más de $100.000 cada uno. Me dijeron que los ejes se vieron obligados a quedar expuestos a los elementos debido a la falta de espacio en el almacén. El costo de oportunidad asociado con el espacio consumido por el stock adicional se convierte en una consideración cuando se agota la capacidad del almacén. La consideración principal que prevalece sobre todas las demás decisiones es cómo el stock garantiza altos niveles de servicio para los clientes internos y externos. Los planificadores de inventarios se preocupan mucho más por las consecuencias de los desabastecimientos que por las compras excesivas. Cuando una pieza faltante provoca un incumplimiento del SLA o una línea de producción caída, lo que genera multas millonarias y una producción irrecuperable, es comprensible.

A las empresas con uso intensivo de activos se les escapa un punto importante. Eso es el El stock adicional no protege contra el desabastecimiento; les contribuye. Cuanto más exceso tenga, menor será su nivel general de servicio porque el efectivo necesario para comprar piezas es finito y el efectivo gastado en exceso de existencias significa que no hay efectivo disponible para las piezas que lo necesitan.. Incluso las empresas MRO financiadas con fondos públicos, como las agencias de servicios públicos y de tránsito, reconocen la necesidad de optimizar el gasto, ahora más que nunca. Como compartió un gerente de materiales: “Ya no podemos solucionar los problemas con bolsas de dinero en efectivo de Washington”. Por lo tanto, deben hacer más con menos, asegurando una asignación óptima entre las decenas de miles de piezas que gestionan.

Aquí es donde entra en juego el software de optimización de inventario de última generación, que predice el inventario requerido para niveles de servicio específicos, identifica cuándo los niveles de existencias generan retornos negativos y recomienda reasignaciones para mejorar los niveles de servicio generales. Smart Software ha ayudado a las empresas basadas en MRO con uso intensivo de activos a optimizar los niveles de reorden en cada pieza durante décadas. Llámenos para obtener más información. 

Sin lugar a dudas, medir la precisión de los pronósticos es una parte importante del proceso de planificación de la demanda. Este cuadro de mando de pronóstico podría construirse basándose en uno de dos puntos de vista contrastantes para calcular métricas. El punto de vista del error pregunta: "¿a qué distancia estaba el pronóstico de lo real?" El punto de vista de la precisión pregunta: "¿Qué tan cerca estuvo el pronóstico de lo real?" Ambas son válidas, pero las métricas de error proporcionan más información.

La precisión se representa como un porcentaje entre cero y 100, mientras que los porcentajes de error comienzan en cero pero no tienen límite superior. Los informes de MAPE (error porcentual absoluto medio) u otras métricas de error pueden denominarse informes de “precisión del pronóstico”, lo que desdibuja la distinción. Por lo tanto, es posible que desee saber cómo pasar del punto de vista del error al punto de vista de la precisión que defiende su empresa. Este blog describe cómo con algunos ejemplos.

Las métricas de precisión se calculan de manera que cuando lo real es igual al pronóstico, la precisión es 100% y cuando el pronóstico es el doble o la mitad de lo real, entonces la precisión es 0%. Los informes que comparan el pronóstico con el real a menudo incluyen lo siguiente:

• El actual
• La previsión
• Error unitario = Pronóstico – Real
• Error absoluto = Valor absoluto del error unitario
• Error absoluto % = Error Abs / Real, como %
• Precisión % = 100% – Error absoluto %

Mire un par de ejemplos que ilustran la diferencia en los enfoques. Digamos que Real = 8 y el pronóstico es 10.

El error de unidad es 10 – 8 = 2

Error absoluto de % = 2/8, como % = 0,25 * 100 = 25%

Precisión = 100% – 25% = 75%.

Ahora digamos que el real es 8 y el pronóstico es 24.

El error de unidad es 24– 8 = 16

Error absoluto de % = 16/8 como % = 2 * 100 = 200%

Precisión = 100% – 200% = negativo se establece en 0%.

En el primer ejemplo, las mediciones de precisión proporcionan la misma información que las mediciones de error, ya que el pronóstico y lo real ya están relativamente cerca. Pero cuando el error es más del doble del real, las mediciones de precisión llegan a cero. Indica correctamente que el pronóstico no era del todo exacto. Pero el segundo ejemplo es más preciso que el tercero, donde el valor real es 8 y el pronóstico es 200. Esa es una distinción que un rango de precisión de 0 a 100% no registra. En este último ejemplo:

El error de unidad es 200 – 8 = 192

Error absoluto de % = 192/8, como % = 24 * 100 = 2,400%

Precisión = 100% – 2,400% = negativo se establece en 0%.

Las métricas de error continúan proporcionando información sobre qué tan lejos está el pronóstico de lo real y posiblemente representan mejor la precisión del pronóstico.

Alentamos a adoptar el punto de vista del error. Simplemente espera que un pequeño porcentaje de error indique que el pronóstico no estuvo lejos de lo real, en lugar de esperar un gran porcentaje de precisión para indicar que el pronóstico estuvo cerca de lo real. Este cambio de mentalidad ofrece los mismos conocimientos y al mismo tiempo elimina las distorsiones.

¿En qué se diferencia la planificación de inventario para mantenimiento, reparación y operaciones (MRO) en comparación con la planificación de inventario en entornos de fabricación y distribución? En resumen, es la naturaleza de los patrones de demanda combinada con la falta de conocimiento empresarial procesable.

Patrones de demanda

Los fabricantes y distribuidores tienden a centrarse en los mejores vendedores que generan la mayor parte de sus ingresos. Estos artículos suelen tener una demanda alta que es relativamente fácil de pronosticar con modelos tradicionales de series de tiempo que aprovechan tendencias y/o estacionales predecibles. Por el contrario, los planificadores de MRO casi siempre se ocupan de una demanda intermitente, que es más escasa, más aleatoria y más difícil de pronosticar. Además, las cantidades fundamentales de interés son diferentes. En última instancia, a los planificadores de MRO les importa más la pregunta “cuándo”: ¿Cuándo se romperá algo? Mientras que los demás se centran en la cuestión de “cuántas” unidades vendidas.

Conocimiento del negocio

Los planificadores de fabricación y distribución a menudo pueden contar con la recopilación de comentarios de los clientes y de ventas, que pueden combinarse con métodos estadísticos para mejorar la precisión de los pronósticos. Por otro lado, los rodamientos, engranajes, consumibles y piezas reparables rara vez están dispuestos a compartir sus opiniones. Con MRO, el conocimiento empresarial sobre qué piezas se necesitarán y cuándo simplemente no es confiable (excepto el mantenimiento planificado cuando se reemplazan piezas consumibles de mayor volumen). Por lo tanto, el éxito de la planificación de inventarios MRO llega sólo hasta donde los lleve la capacidad de sus modelos de probabilidad para predecir el uso futuro. Y como la demanda es tan intermitente, no pueden superar Go con los enfoques tradicionales.

Métodos para MRO

En la práctica, es común que las empresas de MRO y con uso intensivo de activos administren inventarios recurriendo a niveles mínimos y máximos estáticos basados en múltiplos subjetivos del uso promedio, complementados con anulaciones manuales ocasionales basadas en intuiciones. El proceso se convierte en una mala mezcla de estático y reactivo, con el resultado de que se pierde mucho tiempo y dinero en acelerarlo.

Existen métodos de planificación alternativos basados más en matemáticas y datos, aunque este estilo de planificación es menos común en MRO que en otros dominios. Hay dos enfoques principales para modelar averías de piezas y máquinas: modelos basados en la teoría de la confiabilidad y modelos de “mantenimiento basado en la condición” basados en monitoreo en tiempo real.

Modelos de confiabilidad

Los modelos de confiabilidad son los más simples de los dos y requieren menos datos. Suponen que todos los artículos del mismo tipo, digamos una determinada pieza de repuesto, son estadísticamente equivalentes. Su componente clave es una "función de riesgo", que describe el riesgo de fallo en el siguiente breve intervalo de tiempo. La función de riesgo se puede traducir en algo más adecuado para la toma de decisiones: la “función de supervivencia”, que es la probabilidad de que el artículo siga funcionando después de X cantidad de uso (donde X podría expresarse en días, meses, millas, usos, etc.). La Figura 1 muestra una función de riesgo constante y su correspondiente función de supervivencia.

Figura 1: Función de riesgo constante y su función de supervivencia

Una función de riesgo que no cambia implica que sólo los accidentes aleatorios provocarán una falla. Por el contrario, una función de riesgo que aumenta con el tiempo implica que el artículo se está desgastando. Y una función de riesgo decreciente implica que un elemento se está asentando. La Figura 2 muestra una función de riesgo creciente y su correspondiente función de supervivencia.

Figura 2: Función de riesgo creciente y su función de supervivencia

Los modelos de confiabilidad se utilizan a menudo para piezas económicas, como sujetadores mecánicos, cuyo reemplazo puede no ser ni difícil ni costoso (pero aún así puede ser esencial).

Mantenimiento bajo condiciones

Los modelos basados en monitoreo en tiempo real se utilizan para respaldar el mantenimiento basado en la condición (CBM) de artículos costosos como los motores a reacción. Estos modelos utilizan datos de sensores integrados en los propios elementos. Estos datos suelen ser complejos y propietarios, al igual que los modelos de probabilidad respaldados por los datos. La ventaja del monitoreo en tiempo real es que se pueden ver los problemas que se avecinan, es decir, el deterioro se hace visible y los pronósticos pueden predecir cuándo el elemento alcanzará su línea roja y, por lo tanto, deberá retirarse del campo de juego. Esto permite un mantenimiento o reemplazo individualizado y proactivo del artículo.

La Figura 3 ilustra el tipo de datos utilizados en CBM. Cada vez que se utiliza el sistema, se contribuye a su desgaste acumulativo. (Sin embargo, tenga en cuenta que a veces el uso puede mejorar el estado de la unidad, como cuando llueve ayuda a mantener fresca una pieza de maquinaria). Puede ver la tendencia general ascendente hacia una línea roja después de la cual la unidad requerirá mantenimiento. Puede extrapolar el desgaste acumulado para estimar cuándo llegará a la línea roja y planificar en consecuencia.

Figura 3: Ilustración del monitoreo en tiempo real para el mantenimiento basado en condiciones

Que yo sepa, nadie fabrica tales modelos de sus clientes de productos terminados para predecir cuándo y cuánto ordenarán su próximo pedido, tal vez porque los clientes se opondrían a usar monitores cerebrales todo el tiempo. Pero CBM, con su complejo monitoreo y modelado, está ganando popularidad para sistemas que no pueden fallar, como los motores a reacción. Mientras tanto, los modelos clásicos de confiabilidad todavía tienen mucho valor para gestionar grandes flotas de artículos más baratos pero aún esenciales.

El enfoque inteligente
Los enfoques de confiabilidad y mantenimiento basados en condiciones anteriores requieren una carga excesiva de recopilación y limpieza de datos que muchas empresas de MRO no pueden manejar. Para esas empresas, Smart ofrece un enfoque que no requiere el desarrollo de modelos de confiabilidad. En cambio, explota los datos de uso de una manera diferente. Aprovecha los modelos basados en probabilidad tanto de uso como de tiempos de entrega de proveedores para simular miles de escenarios posibles para tiempos de entrega de reabastecimiento y demanda. El resultado es una distribución precisa de la demanda y los plazos de entrega para cada pieza consumible que se puede aprovechar para determinar los parámetros óptimos de almacenamiento. La Figura 4 muestra una simulación que comienza con un escenario de demanda de repuestos (gráfico superior) y luego produce un escenario de suministro disponible para opciones particulares de valores mínimos y máximos (línea inferior). Los indicadores clave de rendimiento (KPI) se pueden estimar promediando los resultados de muchas de estas simulaciones.

Figura 4: Un ejemplo de simulación de demanda de repuestos e inventario disponible

Puede leer sobre el enfoque de Smart para la previsión de repuestos aquí: https://smartcorp.com/wp-content/uploads/2019/10/Probabilistic-Forecasting-for-Intermittent-Demand.pdf

La previsión automática es la característica más popular y más utilizada de SmartForecasts y Smart Demand Planner. Crear pronósticos automáticos es fácil. Pero, la simplicidad del Pronóstico Automático enmascara una poderosa interacción de varios métodos altamente efectivos de pronóstico. En este blog, discutimos parte de la teoría detrás de esta característica principal. Nos enfocamos en el pronóstico automático, en parte debido a su popularidad y en parte porque muchos otros métodos de pronóstico producen resultados similares. El conocimiento de la previsión automática se traslada inmediatamente a la media móvil simple, la media móvil lineal, el suavizado exponencial único, el suavizado exponencial doble, el suavizado exponencial de Winters y la previsión promocional.

Torneo de pronóstico

El pronóstico automático funciona mediante la realización de un torneo entre un conjunto de métodos competitivos. Debido a que las computadoras personales y la computación en la nube son rápidas, y debido a que hemos codificado algoritmos muy eficientes en el motor de pronóstico automático de SmartForecasts, es práctico adoptar un enfoque puramente empírico para decidir qué método de pronóstico extrapolativo usar. Esto significa que puede darse el lujo de probar una serie de enfoques y luego quedarse con el que mejor pronostique la serie de datos particular en cuestión. SmartForecasts automatiza completamente este proceso al probar los diferentes métodos de pronóstico en un torneo de pronóstico simulado. El ganador del torneo es el método que más se acerca a predecir nuevos valores de datos a partir de los antiguos. La precisión se mide por el error absoluto promedio (es decir, el error promedio, ignorando cualquier signo menos). El promedio se calcula sobre un conjunto de pronósticos, cada uno de los cuales utiliza una parte de los datos, en un proceso conocido como simulación deslizante.

Simulación deslizante

La simulación deslizante recorre repetidamente porciones cada vez más largas de los datos históricos, en cada caso pronosticando con anticipación el número deseado de períodos en su horizonte de pronóstico. Suponga que hay 36 valores de datos históricos y necesita pronosticar seis períodos por delante. Imagine que desea evaluar la precisión del pronóstico de algún método en particular, digamos un promedio móvil de cuatro observaciones, en la serie de datos en cuestión.

En un punto de la simulación deslizante, los primeros 24 puntos (solo) se utilizan para pronosticar los valores de datos históricos del 25 al 30, que consideramos temporalmente como desconocidos. Decimos que los puntos 25-30 están “retenidos” del análisis. Calcular los valores absolutos de las diferencias entre los seis pronósticos y los valores históricos reales correspondientes proporciona una instancia de cada pronóstico absoluto de 1 paso, 2 pasos, 3 pasos, 4 pasos, 5 pasos y 6 pasos. error. Repetir este proceso usando los primeros 25 puntos proporciona más instancias de errores de 1 paso, 2 pasos, 3 pasos adelante, etc. El promedio de todas las estimaciones de error absoluto obtenidas de esta manera proporciona un resumen de precisión de un solo número.

Métodos utilizados en la previsión automática

Normalmente, hay seis métodos de pronóstico extrapolativo que compiten en el torneo de pronóstico automático:

• media móvil simple
• Media móvil lineal
• Suavizado exponencial simple
• Suavizado exponencial doble
• Versión aditiva del suavizado exponencial de Winters
• Versión multiplicativa del suavizado exponencial de Winters

Los dos últimos métodos son apropiados para series estacionales; sin embargo, se excluyen automáticamente del torneo si hay menos de dos ciclos estacionales completos de datos (por ejemplo, menos de 24 períodos de datos mensuales u ocho períodos de datos trimestrales).

Estos seis métodos clásicos basados en el suavizado han demostrado ser fáciles de entender, fáciles de calcular y precisos. Puede excluir cualquiera de estos métodos del torneo si tiene preferencia por algunos de los competidores y no por otros.