en un Publicación anterior, analicé uno de los problemas más espinosos que a veces enfrentan los planificadores de demanda: trabajar con datos de demanda de productos caracterizados por lo que los estadísticos llaman sesgo, una situación que puede requerir costosas inversiones en inventario. Este tipo de datos problemáticos se encuentran en varios escenarios diferentes. En al menos uno, la combinación de demanda intermitente y promociones de ventas muy efectivas, el problema se presta a una solución efectiva.

Revisando los términos, recuerde que el “nivel de servicio” es la probabilidad de no agotarse mientras espera que llegue una orden de reposición, mientras que la “tasa de llenado” es el porcentaje de la demanda que se satisface inmediatamente con el stock. En mi publicación anterior, "El flagelo de la asimetría", señalé que cierto tipo de distribución de la demanda, que tiene una "cola larga a la derecha", conducirá a tasas de llenado que pueden ser mucho más bajas que los niveles de servicio. También señalé que, a veces, la única forma de mejorar la tasa de llenado es aumentar el nivel de servicio objetivo a un nivel inusualmente alto, lo que puede resultar costoso.

En esta publicación, analizaré la solución del problema en un caso especial: la asimetría resultante de promociones de ventas efectivas combinadas con "demanda intermitente". La demanda intermitente tiene una gran proporción de valores cero, con valores distintos de cero mezclados al azar. Las promociones de ventas exitosas, obviamente positivas, tienen un inconveniente: pueden confundir la "señal de demanda" con picos en su historial de demanda y pueden socavar los pronósticos y sesgar los cálculos de existencias de seguridad. Cuando la demanda intermitente y las promociones de ventas efectivas son la fuente de la asimetría de sus datos, existen métodos para solucionar el problema y lograr tasas de cumplimiento más altas y pronósticos de demanda más precisos.

Cómo las promociones aumentan la asimetría

Las promociones exitosas aumentan abruptamente la demanda de artículos. Esto crea anomalías, o "valores atípicos", que contribuyen a formar una distribución sesgada. Sabiendo cuándo ocurrieron promociones en el pasado, podemos ajustar el registro de demanda pasada de un artículo. Producimos un historial de demanda alternativo como si no hubiera habido promociones, reemplazando los valores atípicos con valores más representativos del nivel "natural" de demanda. Estos ajustes reducen la asimetría de la demanda. La reducción del sesgo puede conducir a reducciones significativas tanto en los pronósticos esperados como en las existencias de seguridad, que se suman para formar puntos de pedido.

Es probable que se repitan las promociones exitosas. Cuando eso sucede, los efectos de promoción se pueden agregar a los pronósticos de demanda para aumentar su precisión. El efecto de las futuras promociones en la gestión del inventario será aumentar el riesgo de desabastecimiento, por lo que una respuesta sensata es trabajar a nivel operativo para generar un suministro temporal, en una cantidad ajustada al impacto estimado de las promociones anteriores en los artículos afectados.

Uso del modelado de eventos para mejorar la previsión de la demanda

Es posible modelar el impacto de eventos similares y aplicarlo a eventos planificados en el futuro. Si lo hace, puede mejorar su pronóstico de dos maneras importantes: al proyectar la sacudida de la demanda que espera de un evento planificado; y racionalizando los picos en el pasado que fueron causados por eventos, haciendo que su actividad de referencia sea más visible y predecible con mayor precisión. Hacemos mucho de esto en SmartForecasts, así que permítame usar nuestra experiencia allí para mostrarle lo que quiero decir.

El modelado de eventos implica los siguientes pasos:
• Estimación automática del impacto de promociones anteriores (que es un resultado útil en sí mismo).
• Ajuste de la demanda histórica para eliminar estadísticamente el efecto de las promociones.
• Creación de previsiones sin promoción.
• Revisar las previsiones de los períodos de tiempo futuros en los que se prevén promociones.

A este tipo de análisis lo llamamos “pronóstico de promociones”. Usamos la palabra "promociones" para describir lo que hace usted mismo para mejorar sus resultados. Usamos "eventos" para describir lo que el mundo te hace, generalmente en detrimento tuyo; los ejemplos incluyen huelgas, cortes de energía, incendios en almacenes y otros sucesos desafortunados.

Para comprender cómo el modelado de eventos puede ayudarlo a lidiar con la asimetría al hacer pronósticos de demanda para artículos de gran volumen, considere las Figuras 1-3.

La Figura 1 muestra que el patrón de demanda de este artículo es claramente estacional, y el pronóstico es estacional y "ajustado", lo que significa que el intervalo de incertidumbre del pronóstico ("margen de error", que se muestra en líneas cian) es muy estrecho.

La figura 2 muestra una historia alternativa en la que una promoción en junio de 2014 revirtió el mínimo estacional habitual asociado con las ventas de junio. Este patrón de demanda se pronosticó mediante el torneo de pronóstico automático en SmartForecasts, como se muestra en la figura 1. Esta vez, la promoción alteró el patrón estacional lo suficiente como para crear un pronóstico no estacional inapropiado y que tiene un margen de error mucho mayor.

Finalmente, la Figura 3 muestra cómo el pronóstico de promoción maneja el mismo escenario promocionado, conservando un pronóstico estacional e incorporando al pronóstico una estimación del efecto de una promoción repetida planificada en 2015.

El caso de la demanda intermitente

En la Figura 1, el artículo era un bien terminado de gran volumen y la tarea era la previsión de la demanda. El modelado de promociones también es útil cuando se trata de la tarea de establecer existencias de seguridad y puntos de pedido para artículos con demanda intermitente, ya sean productos terminados, componentes o repuestos. La demanda intermitente muy a menudo tiene una distribución sesgada que dificulta lograr una alta disponibilidad de artículos con una pequeña inversión en inventario.

La Figura 4 ilustra el problema que una promoción exitosa puede crear accidentalmente para la gestión de inventario. Si tal aumento surge de la demanda natural no promovida, entonces la única forma de mantener altas tasas de llenado es proporcionar existencias de seguridad lo suficientemente grandes como para hacer frente a estos aumentos repentinos. En este caso, el gran aumento de la demanda de 500 unidades en febrero de 2013 fue el resultado de una promoción única.

Tener en cuenta las promociones para mejorar la gestión de inventario

Sin darse cuenta, tratar el pico en el ejemplo anterior como parte de la variabilidad natural de la demanda da como resultado una tasa de cumplimiento deficiente. Para lograr un nivel de servicio objetivo de, digamos, 95% con un plazo de entrega de un mes, se requeriría un punto de pedido de 38 unidades, calculado como la suma de un pronóstico esperado durante el plazo de entrega de reabastecimiento de un mes de 21 unidades complementado con un inventario de seguridad de 17 unidades. Esta inversión daría como resultado una tasa de llenado decepcionante de solo 36%.

Sin embargo, reconocer que el pico es una promoción única y reemplazar las 500 unidades con 0 obviamente marcaría una gran diferencia. El punto de pedido caería de 38 unidades a 31 (la suma de una demanda esperada de 7 unidades y un stock de seguridad de 24 unidades) y la tasa de llenado aumentaría a 94%.

Por supuesto, no está bien descartar picos de demanda inconvenientes cuando hacen que la vida sea incómoda; tiene que haber una “historia comercial” válida detrás del ajuste de la demanda histórica. Si el pico es el resultado de un error de procesamiento de datos, entonces, por supuesto, arréglelo. Si el pico coincide con una promoción, reemplazar el pico con, digamos, la demanda media (a menudo cero, como en este ejemplo) dará como resultado una inversión en inventario mucho más sostenible que aún cumple con los objetivos de rendimiento agresivos. Las futuras promociones del mismo tipo en el mismo artículo requerirán un esfuerzo adicional para prepararse para el aumento temporal de la demanda, pero el punto de reorden recomendado será correcto a largo plazo.

Thomas Willemain, PhD, cofundó Smart Software y actualmente se desempeña como vicepresidente sénior de investigación. El Dr. Willemain también se desempeña como Profesor Emérito de Ingeniería Industrial y de Sistemas en el Instituto Politécnico Rensselear y como miembro del personal de investigación en el Centro de Ciencias de la Computación, Instituto de Análisis de Defensa.