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.

Muchas empresas que buscan mejorar su proceso de pronóstico no saben por dónde empezar. Puede ser confuso lidiar con el aprendizaje de nuevos métodos estadísticos, asegurarse de que los datos estén correctamente estructurados y actualizados, acordar quién es el "propietario" del pronóstico, definir qué significa propiedad y medir la precisión. Habiendo visto esto durante más de cuarenta años de práctica, escribimos este blog para delinear el enfoque central y alentarlo a mantenerlo simple desde el principio.

1. Objetividad. Primero, comprenda y comunique que el proceso de Planificación y Pronóstico de la Demanda es un ejercicio de objetividad. El enfoque está en obtener aportes de varias fuentes (partes interesadas, clientes, gerentes funcionales, bases de datos, proveedores, etc.) y decidir si esos aportes agregan valor. Por ejemplo, si anula un pronóstico estadístico y agrega 20% a la proyección, no debe simplemente asumir que lo hizo correctamente automáticamente. En su lugar, sea objetivo y verifique si eso anula el aumento o la disminución de la precisión del pronóstico. Si descubre que sus anulaciones empeoraron las cosas, ha ganado algo: esto informa el proceso y sabe cómo analizar mejor las decisiones de anulación en el futuro.

2. Trabajo en equipo. Reconocer que la previsión y la planificación de la demanda son deportes de equipo. Acuerde quién será el capitán del equipo. El capitán es responsable de crear los pronósticos estadísticos de referencia y de supervisar el proceso de planificación de la demanda. Pero los resultados dependen de que todos los miembros del equipo realicen contribuciones positivas, proporcionen datos, sugieran metodologías alternativas, cuestionen las suposiciones y ejecuten las acciones recomendadas. Los resultados finales son propiedad de la empresa y de cada una de las partes interesadas.

3. Medición. No se obsesione con los puntos de referencia de precisión de los pronósticos de la industria. Cada SKU tiene su propio nivel de "previsibilidad", y es posible que esté gestionando cualquier número de elementos difíciles. En su lugar, cree sus propios puntos de referencia basados en una secuencia de métodos de pronóstico cada vez más avanzados. Los pronósticos estadísticos avanzados pueden parecer abrumadoramente complejos al principio, así que comience de manera simple con un método básico, como pronosticar la demanda promedio histórica. Luego, mida qué tan cerca está ese pronóstico simple de la demanda real observada. A partir de ahí, desarrolle técnicas que se ocupen de complicaciones como la tendencia y la estacionalidad. Mida el progreso utilizando métricas de precisión calculadas por su software, como el error porcentual absoluto medio (MAPE). Esto permitirá que su empresa mejore un poco cada ciclo de pronóstico.

4. Tiempo. Luego concentre sus esfuerzos en hacer que la previsión sea un proceso independiente que no se combine con el complejo proceso de optimización del inventario. La gestión de inventario se basa en una sólida previsión de la demanda, pero se centra en otros temas: qué comprar, cuándo comprar, cantidades mínimas de pedido, existencias de seguridad, niveles de inventario, plazos de entrega de los proveedores, etc. Deje que la gestión de inventario pase a más adelante . Primero construya "músculo de pronóstico" creando, revisando y evolucionando el proceso de pronóstico para tener una cadencia regular. Cuando su proceso haya madurado lo suficiente, póngase al día con la velocidad creciente de los negocios aumentando el ritmo de su proceso de previsión a una cadencia mensual como mínimo.

Observaciones

Revisar el proceso de previsión de una empresa puede ser un paso importante. A veces sucede cuando hay rotación de ejecutivos, a veces cuando hay un nuevo sistema ERP, a veces cuando hay un nuevo software de pronóstico. Cualquiera que sea el evento precipitante, este cambio es una oportunidad para repensar y refinar cualquier proceso que haya tenido antes. Pero tratar de comerse todo el elefante de una sola vez es un error. En este blog, describimos algunos pasos discretos que puede seguir para lograr una evolución exitosa hacia un mejor proceso de pronóstico.

Descubra cómo se utilizan los pronósticos con estas 4 preguntas.

A menudo, las empresas insisten en que "no usan pronósticos" para planificar el inventario. A menudo usan métodos de punto de pedido y tienen dificultades para mejorar la entrega a tiempo, la rotación de inventario y otros KPI. Si bien no piensan en lo que están haciendo como un pronóstico explícito, ciertamente usan estimaciones de la demanda futura para desarrollar puntos de reorden como mínimo/máximo.

Independientemente de cómo se llame, todo el mundo trata de estimar la demanda futura de alguna manera y utiliza esta estimación para establecer políticas de almacenamiento e impulsar pedidos. Para mejorar la planificación del inventario y asegurarse de no realizar pedidos excesivos o insuficientes y crear grandes desabastecimientos e hinchazón del inventario, es importante comprender exactamente cómo utiliza su organización las previsiones. Una vez que comprenda esto, puede evaluar si se puede mejorar la calidad de los pronósticos.

Intente obtener respuestas a las siguientes preguntas. Revelará cómo se utilizan las previsiones en su empresa, incluso si cree que no utiliza previsiones.

1. ¿Es su pronóstico una estimación período por período a lo largo del tiempo que se usa para predecir qué inventario disponible habrá en el futuro y desencadena sugerencias de pedidos en su sistema ERP?

2. ¿O se usa su pronóstico para derivar un punto de reorden pero no se usa explícitamente como un controlador por período para generar órdenes? Aquí, puedo predecir que venderemos 10 por semana según el historial, pero no estamos cargando 10, 10, 10, 10, etc., en el ERP. En su lugar, derivo un punto de reorden o Mín. que cubre el tiempo de entrega de dos períodos + cierta cantidad de reserva para ayudar a proteger contra el agotamiento de existencias. En este caso, pediré más cuando llegue a 25.

3. ¿Su pronóstico se usa como una guía para que el planificador ayude a determinar subjetivamente cuándo debe ordenar más? Aquí, predigo 10 por semana y evalúo el inventario disponible periódicamente, reviso el tiempo de entrega esperado y decido, dadas las 40 unidades que tengo disponibles hoy, que tengo "suficiente". Por lo tanto, no hago nada ahora, pero volveré a consultar en una semana.

4. ¿Se utiliza para configurar pedidos abiertos con proveedores? Aquí, predigo 10 por semana y acepto una orden de compra general con el proveedor de 520 por año. Luego, los pedidos se hacen con anticipación para que lleguen en cantidades de 10 una vez por semana hasta que se consuma el pedido general.

Una vez que obtenga las respuestas, puede preguntar cómo se crean las estimaciones de la demanda. ¿Es un promedio? ¿Está derivando la demanda sobre el tiempo de entrega a partir de un pronóstico de ventas? ¿Hay un pronóstico estadístico generado en alguna parte? ¿Qué métodos se consideran? También será importante evaluar cómo se utilizan las existencias de seguridad para protegerse contra la variabilidad de la oferta y la demanda. Más sobre todo esto en un próximo artículo.

Todas las organizaciones que utilizan equipos necesitan piezas de repuesto. Todos ellos deben hacer frente a cuestiones que son genéricas sin importar cuál sea su negocio. Sin embargo, algunos de los problemas son específicos de la industria. Esta publicación analiza un problema universal que se manifiesta en una planta nuclear y que es especialmente grave para cualquier empresa de servicios eléctricos.

El problema universal de la calidad de los datos

A menudo publicamos sobre los beneficios de convertir los datos de uso de piezas en decisiones inteligentes de gestión de inventario. El modelado de probabilidad avanzado admite la generación de escenarios de demanda realistas que se integran en simulaciones detalladas de Monte Carlo que exponen las consecuencias de decisiones como las elecciones de Min y Max que rigen la reposición de repuestos.

Sin embargo, toda esa tecnología analítica nueva y brillante requiere datos de calidad como combustible para el análisis. Para algunos servicios públicos de todo tipo, el mantenimiento de registros no es un punto fuerte, por lo que la materia prima que se analiza puede corromperse y ser engañosa. Recientemente nos topamos con la documentación de un claro ejemplo de este problema en una planta de energía nuclear (ver Scala, Needy y Rajgopal: Toma de decisiones y compensaciones en la gestión del inventario de piezas de repuesto en las empresas de servicios públicos. Asociación Estadounidense de Gestión de Ingeniería, 30.ª Conferencia Nacional ASEM, Springfield, MO. octubre de 2009). Scala et al. documentó el historial de uso de una pieza crítica cuya ausencia resultaría en una reducción de la potencia de la instalación o en un cierre. El registro de uso de la planta para esa parte abarcó más de ocho años de datos. Durante ese tiempo, el historial de uso oficial reportó nueve eventos en los que se produjo una demanda positiva con tamaños que oscilaban entre una y seis unidades cada uno. También hubo cinco eventos marcados por demandas negativas (es decir, devoluciones a almacén) que oscilaron entre una y tres unidades cada uno. La investigación cuidadosa descubrió que el verdadero uso ocurrió en solo dos eventos, ambos con una demanda de dos unidades. Obviamente, calcular los mejores valores Mín./Máx. para este artículo requiere datos de demanda precisos.

El problema especial de la salud y la seguridad

En el contexto de negocios “normales”, la escasez de piezas de repuesto puede dañar tanto los ingresos actuales como los ingresos futuros (relacionados con la reputación como proveedor confiable). Sin embargo, para una empresa de servicios eléctricos, Scala et al. observó un nivel mucho mayor de consecuencias asociadas a los desabastecimientos de piezas de repuesto. Estos incluyen no solo un mayor riesgo financiero y de reputación, sino también riesgos para la salud y la seguridad: “Las ramificaciones de no tener una pieza en stock incluyen la posibilidad de tener que reducir la producción o, muy posiblemente, incluso el cierre de una planta. Desde una perspectiva a más largo plazo, hacerlo podría interrumpir el servicio crítico de energía para los clientes residenciales, comerciales y/o industriales, al tiempo que daña la reputación, la confiabilidad y la rentabilidad de la empresa. Una empresa de servicios eléctricos fabrica y vende un solo producto: electricidad. Perder la capacidad de vender electricidad puede dañar gravemente los resultados de la empresa, así como su viabilidad a largo plazo”.

Razón de más para que las empresas eléctricas sean líderes y no rezagadas en el despliegue de los modelos de probabilidad más avanzados para la previsión de la demanda y la optimización del inventario.

Fuera del trabajo, es posible que haya escuchado el famoso dicho "Correlación no es causalidad". Puede sonar como una tontería teórica que, aunque involucrada en un Premio Noble reciente en economía, no es relevante para su trabajo como planificador de la demanda. De ser así, es posible que solo tengas razón en parte.

Modelos extrapolativos vs causales

La mayoría de los pronósticos de demanda utilizan modelos extrapolativos. También llamados modelos de series de tiempo, estos pronostican la demanda usando solo los valores pasados de la demanda de un artículo. Los gráficos de valores pasados revelan la tendencia, la estacionalidad y la volatilidad, por lo que son buenos para muchas cosas. Pero existe otro tipo de modelo, los modelos causales, que potencialmente pueden mejorar la precisión de los pronósticos más allá de lo que puede obtener de los modelos extrapolativos.

Los modelos causales aportan más datos de entrada a la tarea de previsión: información sobre supuestos "impulsores" de previsión externos al historial de demanda de un artículo. Los ejemplos de factores causales potencialmente útiles incluyen variables macroeconómicas como la tasa de inflación, la tasa de crecimiento del PIB y los precios de las materias primas. Los ejemplos que no están vinculados a la economía nacional incluyen las tasas de crecimiento específicas de la industria y el gasto publicitario propio y de la competencia. Estas variables generalmente se utilizan como entradas para los modelos de regresión, que son ecuaciones con la demanda como salida y variables causales como entradas.

Pronóstico utilizando modelos causales

Muchas empresas tienen un proceso S&OP que implica una revisión mensual de pronósticos estadísticos (extrapolativos) en los que la gerencia ajusta los pronósticos según su criterio. A menudo, esta es una forma indirecta y subjetiva de trabajar con modelos causales en el proceso sin hacer el modelo de regresión.

Para hacer realmente un modelo de regresión causal, primero debe designar una lista de variables predictoras causales potencialmente útiles. Estos pueden provenir de su experiencia en la materia. Por ejemplo, suponga que fabrica vidrio para ventanas. Gran parte de su vidrio puede terminar en casas nuevas y edificios de oficinas nuevos. Por lo tanto, la cantidad de casas y oficinas nuevas que se están construyendo son variables predictoras plausibles en una ecuación de regresión.

Aquí hay una complicación: si está usando la ecuación para predecir algo, primero debe predecir los predictores. Por ejemplo, las ventas de vidrio del próximo trimestre pueden estar fuertemente relacionadas con el número de viviendas nuevas y edificios de oficinas nuevos el próximo trimestre. Pero, ¿cuántas casas nuevas habrá el próximo trimestre? Ese es su propio problema de pronóstico. Entonces, tiene un modelo de pronóstico potencialmente poderoso, pero tiene trabajo adicional que hacer para que sea utilizable.

Hay una forma de simplificar las cosas: si las variables predictoras son versiones "retrasadas" de sí mismas. Por ejemplo, la cantidad de nuevos permisos de construcción emitidos hace seis meses puede ser un buen predictor de las ventas de vidrio el próximo mes. No tiene que predecir los datos del permiso de construcción, solo tiene que buscarlos.

¿Es una relación causal o simplemente una correlación espuria?

Los modelos causales son el verdadero negocio: hay un mecanismo real que relaciona la variable predictora con la variable predicha. El ejemplo de predecir las ventas de vidrio a partir de los permisos de construcción es un ejemplo.

Una relación de correlación es más dudosa. Existe una asociación estadística que puede o no proporcionar una base sólida para la previsión. Por ejemplo, suponga que vende un producto que atrae más a los holandeses pero no se da cuenta. Los holandeses son, en promedio, las personas más altas de Europa. Si sus ventas están aumentando y la altura promedio de los europeos está aumentando, puede usar esa relación con buenos resultados. Sin embargo, si la proporción de holandeses en la zona euro está disminuyendo mientras que la estatura promedio está aumentando porque la mezcla de hombres versus mujeres se está desplazando hacia los hombres, ¿qué puede salir mal? Esperará que las ventas aumenten porque la estatura promedio está aumentando. Pero sus ventas son principalmente a los holandeses, y su proporción relativa de la población se está reduciendo, por lo que sus ventas realmente van a disminuir. En este caso, la asociación entre las ventas y la altura del cliente es una correlación espuria.

¿Cómo se puede saber la diferencia entre relaciones verdaderas y espurias? El estándar de oro es hacer un experimento científico riguroso. Pero no es probable que esté en condiciones de hacerlo. En cambio, debe confiar en su “modelo mental” personal de cómo funciona su mercado. Si sus corazonadas son correctas, entonces sus modelos causales potenciales se correlacionarán con la demanda y los modelos causales le darán sus frutos, ya sea para complementar los modelos extrapolables o para reemplazarlos.