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.

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.

1. Pronosticar es un arte que requiere una combinación de juicio profesional y análisis estadístico objetivo. Los pronósticos de demanda exitosos requieren una predicción de referencia que aproveche los métodos de pronóstico estadístico. Una vez establecido, el proceso puede centrarse en la mejor manera de ajustar los pronósticos estadísticos en función de sus propios conocimientos y conocimientos comerciales.

2. El proceso de pronóstico suele ser iterativo. Es posible que deba realizar varios ajustes a su pronóstico inicial antes de estar satisfecho. Es importante poder generar y comparar pronósticos alternativos de forma rápida y sencilla. El seguimiento de la precisión de estos pronósticos a lo largo del tiempo, incluidas las alternativas que no se utilizaron, ayuda a informar y mejorar el proceso.

3. La credibilidad de los pronósticos depende en gran medida de las comparaciones gráficas con datos históricos. Una imagen vale más que mil palabras, por lo tanto, muestre siempre los pronósticos a través de pantallas gráficas disponibles al instante con informes numéricos de apoyo.

4. Una de las principales tareas técnicas en el pronóstico es hacer coincidir la elección de la técnica de pronóstico con la naturaleza de los datos. Los procesos efectivos de previsión de la demanda emplean capacidades que identifican el método correcto a utilizar. Las características de una serie de datos como tendencia, estacionalidad o cambios abruptos en el nivel sugieren ciertas técnicas en lugar de otras. Una selección automática, que selecciona y utiliza automáticamente el método de previsión adecuado, ahorra tiempo y garantiza que su previsión de referencia sea lo más precisa posible.

5. Los procesos exitosos de pronóstico de la demanda funcionan en conjunto con otros procesos comerciales. Por ejemplo, la previsión puede ser un primer paso esencial en el análisis financiero. Además, las previsiones precisas de demanda de productos y ventas son entradas fundamentales para los procesos de control de inventario y planificación de la producción de una empresa de fabricación.

6. Un buen proceso de planificación reconoce que los pronósticos nunca son exactamente correctos. Debido a que algunos errores se infiltran incluso en el mejor proceso de pronóstico, uno de los complementos más útiles para un pronóstico son las estimaciones honestas de su margen de error y sesgo de pronóstico.

Los pronósticos de ventas a menudo son inexactos simplemente porque el equipo de ventas se ve obligado a dar un número a pesar de que realmente no saben cuál será la demanda de sus clientes. Deje que los equipos de ventas vendan. No se moleste en jugar el juego de fingir que acepta estos pronósticos cuando ambas partes (cadena de ventas y suministro) saben que a menudo no es más que un WAG. Haz esto en su lugar:

• Aceptar la variabilidad de la demanda como un hecho de la vida. Desarrolle un proceso de planificación que no una mejor cuenta de trabajo para la variabilidad de la demanda.

• Acuerde un nivel de riesgo de desabastecimiento que sea aceptable para todos los grupos de artículos.

• Una vez que se acuerde el riesgo de desabastecimiento, use el software para generar una estimación precisa del stock de seguridad necesario para contrarrestar la variabilidad de la demanda.

• Obtenga aceptación. Los clientes deben estar dispuestos a pagar un precio más alto por unidad para que usted brinde niveles de servicio extremadamente altos. Los vendedores deben aceptar que es más probable que ciertos artículos tengan pedidos pendientes si priorizan la inversión en inventario en otros artículos.

• El uso de un proceso de inventario de seguridad # consensuado garantiza que esté almacenando en búfer adecuadamente y estableciendo las expectativas correctas con las ventas, los clientes, las finanzas y la cadena de suministro.

Cuando haces esto, liberas a todas las partes de tener que jugar el juego de predicción para el que no estaban equipados en primer lugar. Obtendrá mejores resultados, como niveles de servicio más altos con costos de inventario más bajos. Y con mucho menos señalar con el dedo.

¿Qué es todo el alboroto en torno al término "pronóstico probabilístico"? ¿Es solo un término de marketing más reciente que algunos proveedores de software y consultores han acuñado para fingir innovación? ¿Hay alguna diferencia tangible real en comparación con las técnicas anteriores de "mejor ajuste"? ¿No son todos los pronósticos probabilísticos de todos modos?

Para responder a esta pregunta, es útil pensar en lo que realmente le dice el pronóstico en términos de probabilidades. Un pronóstico "bueno" debe ser imparcial y, por lo tanto, arrojar una probabilidad de 50/50 de ser mayor o menor que el real. Un pronóstico "malo" generará amortiguadores subjetivos (o deprimirá artificialmente el pronóstico) y dará como resultado una demanda sesgada hacia arriba o hacia abajo. Considere a un vendedor que reduce intencionalmente su pronóstico al no informar las ventas que espera cerrar para ser "conservador". Sus pronósticos tendrán un sesgo de pronóstico negativo ya que los datos reales casi siempre serán más altos de lo que predijeron. Por otro lado, considere un cliente que proporciona un pronóstico inflado a su fabricante. Preocupados por los desabastecimientos, sobrestiman la demanda para asegurar su suministro. Su pronóstico tendrá un sesgo positivo ya que los datos reales casi siempre serán más bajos de lo que predijeron. 

Estos tipos de pronósticos de un número descritos anteriormente son problemáticos. Nos referimos a estas predicciones como "pronósticos puntuales", ya que representan un punto (o una serie de puntos a lo largo del tiempo) en un gráfico de lo que podría suceder en el futuro. No brindan una imagen completa porque para tomar decisiones comerciales efectivas, como determinar cuánto inventario almacenar o la cantidad de empleados disponibles para respaldar la demanda, se requiere información detallada sobre cuánto más bajo o más alto será el real. En otras palabras, necesita las probabilidades de cada posible resultado que podría ocurrir. Entonces, por sí mismo, el pronóstico puntual no es probabilístico.   

Para obtener un pronóstico probabilístico, debe conocer la distribución de las posibles demandas en torno a ese pronóstico. Una vez que calcula esto, el pronóstico se convierte en "probabilidad". La forma en que los sistemas de pronóstico y los profesionales, como planificadores de demanda, analistas de inventario, gerentes de materiales y directores financieros, determinan estas probabilidades es el núcleo de la pregunta: "¿qué hace que un pronóstico sea probabilístico?"     

Distribuciones normales
La mayoría de los pronósticos y los sistemas/software que los producen comienzan con una predicción de la demanda. Luego, calculan el rango de posibles demandas en torno a ese pronóstico al hacer suposiciones teóricas incorrectas sobre la distribución. Si alguna vez usó un "intervalo de confianza" en su software de pronóstico, esto se basa en una distribución de probabilidad alrededor del pronóstico. La forma en que se determina este rango de demanda es asumiendo un tipo particular de distribución. La mayoría de las veces esto significa asumir una forma de campana, también conocida como distribución normal. Cuando la demanda es intermitente, algunos sistemas de optimización de inventario y previsión de la demanda pueden suponer que la demanda tiene forma de Poisson. 

Después de crear el pronóstico, la distribución supuesta se aplica alrededor del pronóstico de demanda y luego tiene su estimación de probabilidades para cada demanda posible, es decir, un "pronóstico probabilístico". Estas estimaciones de la demanda y las probabilidades asociadas se pueden usar para determinar valores extremos o cualquier valor intermedio si se desea. Los valores extremos en los percentiles superiores de la distribución (es decir, 92%, 95%, 99%, etc.) se utilizan con mayor frecuencia como entradas para los modelos de control de inventario. Por ejemplo, los puntos de pedido de piezas de repuesto críticas en una empresa de servicios eléctricos pueden planificarse en función de un nivel de servicio de 99,51 TP3T o incluso superior. Mientras que una pieza de servicio no crítica podría planificarse en un nivel de servicio 85% o 90%.

El problema de hacer suposiciones sobre la distribución es que estas probabilidades se equivocarán. Por ejemplo, si la demanda no se distribuye normalmente pero está forzando una curva normal/en forma de campana en el pronóstico, entonces, ¿cómo es posible que las probabilidades sean incorrectas? Específicamente, es posible que desee saber el nivel de inventario necesario para lograr una probabilidad 99% de no quedarse sin existencias y la distribución normal le indicará que almacene 200 unidades. Pero cuando se compara con la demanda real, descubre que 200 unidades solo llenaron la demanda por completo en 40/50 observaciones. Entonces, en lugar de obtener un nivel de servicio 99%, ¡solo logró un nivel de servicio 80%! Esta es una falla gigantesca que resulta de intentar encajar una clavija cuadrada en un agujero redondo. El error lo habría llevado a tomar una reducción de inventario incorrecta.

Las distribuciones estimadas empíricamente son inteligentes
Para producir un pronóstico probabilístico inteligente (lectura precisa), primero debe estimar la distribución de la demanda empíricamente sin suposiciones ingenuas sobre la forma de la distribución. Smart Software hace esto mediante la ejecución de decenas de miles de escenarios simulados de demanda y tiempo de entrega. Nuestra solución aprovecha técnicas patentadas que incorporan simulación Monte Carlo, Bootstrapping estadístico y otros métodos. Los escenarios están diseñados para simular la incertidumbre y la aleatoriedad de la vida real tanto de la demanda como de los plazos de entrega. Las observaciones históricas reales se utilizan como entradas principales, pero la solución también le dará la opción de simular a partir de valores no observados. Por ejemplo, el hecho de que 100 unidades hayan sido la demanda histórica máxima no significa que esté garantizado alcanzar un máximo de 100 en el futuro. Después de terminar los escenarios, sabrá la probabilidad exacta de cada resultado. El pronóstico “puntual” se convierte entonces en el centro de esa distribución. Cada período futuro a lo largo del tiempo se expresa en términos de la distribución de probabilidad asociada con ese período.

Líderes en Pronóstico Probabilístico
Smart Software, Inc. fue la primera empresa en introducir el arranque estadístico como parte de un sistema de software de pronóstico de demanda disponible comercialmente hace veinte años. En ese momento se nos otorgó una patente de EE. UU. y se nos nombró finalista en los Premios a la Excelencia Corporativa APICS para la Innovación Tecnológica. Nuestro Investigación patrocinada por la NSF que condujo a este y otros descubrimientos fueron fundamentales para avanzar en la previsión y la optimización del inventario. Estamos comprometidos con la innovación continua, y usted puede encuentre más información sobre nuestra patente más reciente aquí.