El exceso de inventario puede perjudicar tanto la estabilidad financiera como la eficiencia operativa. Cuando una organización tiene exceso de inventario, inmoviliza capital en un exceso de inventario que podría no venderse, lo que aumenta los costos de almacenamiento y el riesgo de obsolescencia del inventario. Además, los fondos utilizados para comprar el exceso de inventario podrían haberse invertido mejor en otras áreas de la empresa, como marketing o investigación y desarrollo. El exceso de inventario también obstaculiza el flujo de efectivo, ya que el dinero queda bloqueado en el inventario en lugar de estar disponible para las necesidades operativas inmediatas. Gestionar el inventario de manera eficaz es fundamental para mantener un balance general saludable y garantizar que los recursos se asignen de manera óptima. A continuación, se analizan en profundidad las principales causas del exceso de inventario, sus implicaciones y posibles soluciones.

1 Pronóstico inexacto de la demanda

Una de las principales causas del exceso de existencias es la previsión incorrecta de la demanda. Cuando las empresas se basan en métodos de previsión obsoletos o en datos insuficientes, pueden sobreestimar fácilmente la demanda, lo que da lugar a un exceso de existencias. Un claro ejemplo es la industria de la confección, donde las tendencias de la moda pueden cambiar rápidamente. Una conocida marca de moda se enfrentó recientemente a problemas tras sobreestimar la demanda de una nueva línea de ropa basándose en un análisis de datos erróneo, lo que dio lugar a un inventario sin vender.

Para abordar este problema, las empresas pueden implementar nuevas tecnologías que seleccionen automáticamente los mejores métodos de pronóstico para los datos, incorporando tendencias y patrones estacionales para garantizar la precisión. Al mejorar la precisión de los pronósticos, las empresas pueden alinear mejor su inventario con la demanda real, lo que conduce a una gestión de inventario más precisa y menos escenarios de exceso de existencias. Por ejemplo, un minorista de hardware que utiliza Smart Demand Planner redujo los errores de pronóstico en 15%, lo que demuestra el potencial para una mejora significativa en la gestión de inventario.

2 Gestión inadecuada del inventario

Una gestión eficaz del inventario es fundamental para evitar el exceso de existencias. Sin sistemas precisos para hacer un seguimiento de los niveles de inventario, las empresas pueden pedir un exceso de existencias e incurrir en mayores gastos. Este problema suele deberse a la dependencia de hojas de cálculo o sistemas ERP ineficientes que carecen de integración de datos en tiempo real.

Las tecnologías de vanguardia brindan visibilidad en tiempo real de los niveles de inventario, lo que permite a las empresas automatizar y optimizar los procesos de reabastecimiento. Una gran empresa de servicios eléctricos enfrentó desafíos para mantener la disponibilidad de piezas de repuesto sin sobreabastecerse, administrando más de 250 000 números de piezas en una red diversa de instalaciones de generación y distribución de energía. La empresa reemplazó su sistema obsoleto con Smart IP&O y lo integró en tiempo real con su sistema de gestión de activos empresariales (EAM). Smart IP&O le permitió a la empresa de servicios públicos utilizar escenarios hipotéticos, creando gemelos digitales de políticas de almacenamiento alternativas y simulando el rendimiento en indicadores clave de rendimiento, como el valor del inventario, los niveles de servicio, las tasas de llenado y los costos de faltante. Esto le permitió a la empresa de servicios públicos realizar ajustes específicos a sus parámetros de almacenamiento, que luego se implementaron en su sistema EAM, lo que impulsó la reposición óptima de repuestos.

El resultado fue significativo: una reducción de $9 millones en inventario, liberando efectivo y valioso espacio de almacenamiento mientras se mantenían los niveles de servicio objetivo de más de 99%.

3 proyecciones de ventas demasiado optimistas

Las empresas, especialmente las que se encuentran en fases de crecimiento, pueden predecir mayores ventas de las que logran, lo que genera un exceso de inventario destinado a satisfacer una demanda anticipada que nunca se materializa. Un ejemplo de esto es el caso reciente de un fabricante de vehículos eléctricos que proyectó altas ventas para su camión, pero enfrentó retrasos en la producción y una demanda menor a la esperada, lo que resultó en un exceso de existencias de componentes y piezas. Este error de cálculo provocó un aumento de los costos de almacenamiento y una tensión en los recursos financieros.

Otra empresa del mercado de repuestos de automoción tuvo dificultades para pronosticar con precisión las piezas que se demandaban de forma intermitente, lo que a menudo daba lugar a un exceso de existencias y a la falta de existencias. El uso de tecnología basada en IA permitió a la empresa reducir significativamente los pedidos pendientes y las ventas perdidas, y las tasas de cumplimiento mejoraron de 93% a 96% en tan solo tres meses. Al aprovechar las tecnologías de previsión de Smart IP&O, la empresa pudo generar estimaciones precisas de la demanda acumulada durante los plazos de entrega, lo que proporcionó una mejor visibilidad de los posibles escenarios de demanda. Esto permitió optimizar los niveles de inventario, reducir los costos de almacenamiento y mejorar la eficiencia financiera al alinear el inventario con la demanda real.

4 Descuentos por compras al por mayor

El atractivo de los ahorros de costos que ofrecen las compras al por mayor puede impulsar a las empresas a comprar más de lo necesario, lo que inmoviliza el capital y el espacio de almacenamiento. Esto suele generar problemas de almacenamiento cuando se piden existencias excedentes para obtener un descuento.

Para abordar este desafío, las empresas deben sopesar los beneficios de los descuentos por volumen frente a los costos de mantener un exceso de inventario. La tecnología de última generación puede ayudar a identificar la estrategia de compra más rentable al equilibrar los ahorros inmediatos con los costos de almacenamiento a largo plazo. Al implementar Smart IP&O, MNR pudo pronosticar con precisión los requisitos de inventario y optimizar sus procesos de gestión de inventario. Esto llevó a una reducción de 8% en el inventario de piezas, alcanzando un alto nivel de servicio al cliente de 98,7% y reduciendo el crecimiento del inventario de nuevos equipos de un estimado de 10% a solo 6%.

5 Fluctuaciones estacionales de la demanda

La dificultad para alinear el inventario con la demanda estacional puede generar un excedente de existencias una vez que finaliza el período pico de ventas. Los fabricantes de juguetes, por ejemplo, pueden producir demasiados juguetes con temas navideños y luego enfrentar una demanda baja después de las fiestas. La industria de la moda a menudo experimenta desafíos similares, ya que ciertos estilos se vuelven obsoletos a medida que cambian las estaciones. Las últimas tecnologías pueden ayudar a las empresas a anticipar los cambios de la demanda estacional y ajustar los niveles de inventario en consecuencia. Al analizar los datos de ventas anteriores y predecir las tendencias futuras, las empresas pueden prepararse mejor para las fluctuaciones estacionales, minimizar el riesgo de exceso de existencias y mejorar la rotación del inventario.

6 Variabilidad del tiempo de entrega del proveedor

Los plazos de entrega poco fiables de los proveedores pueden dar lugar a un exceso de existencias como protección contra los retrasos. Si los plazos de entrega mejoran o la demanda disminuye inesperadamente, las empresas pueden tener un exceso de inventario. Por ejemplo, un distribuidor de piezas de automóviles puede acumular componentes para mitigar los retrasos de los proveedores, pero de repente descubre que los plazos de entrega mejoran.

La tecnología avanzada puede ayudar proporcionando datos en tiempo real y análisis predictivos para gestionar mejor la variabilidad de los plazos de entrega. Estas herramientas permiten a las empresas ajustar dinámicamente sus pedidos, lo que reduce la necesidad de contar con un stock de seguridad excesivo.

7 Políticas de inventario inadecuadas

Las políticas de inventario obsoletas o incorrectas, como configuraciones de mínimos y máximos defectuosas, pueden provocar pedidos excesivos. Sin embargo, el uso de tecnología moderna para revisar y actualizar periódicamente las políticas de inventario garantiza que se ajusten a las necesidades comerciales y las condiciones del mercado actuales. Al mantener las políticas actualizadas, las empresas pueden reducir el riesgo de exceso de existencias debido a errores de procedimiento. Un estudio de caso reciente demostró cómo un importante minorista utilizó Smart IP&O para revisar las políticas de inventario, lo que resultó en una reducción de 15% en el exceso de existencias.

8 Promociones y campañas de marketing

La falta de alineación entre las iniciativas de marketing y la demanda real de los clientes puede hacer que las empresas sobreestimen el impacto de las promociones, lo que da como resultado inventario sin vender. Por ejemplo, una empresa de cosméticos puede producir en exceso un producto de edición limitada, esperando una gran demanda que no se materialice. Aprovechar Smart IP&O puede ayudar a alinear las iniciativas de marketing con las expectativas de demanda realistas, evitando el exceso de existencias. Al integrar los planes de marketing con las previsiones de demanda, las empresas pueden optimizar sus estrategias promocionales para que se adapten mejor a los intereses reales de los clientes.

9. Miedo a los desabastecimientos

Las empresas suelen mantener niveles de inventario más altos para evitar desabastecimientos, lo que puede provocar pérdidas de ventas y clientes insatisfechos. Este temor puede llevar a las empresas a acumular un exceso de existencias como red de seguridad, especialmente en sectores en los que la satisfacción y la retención del cliente son cruciales. Un ejemplo notable es el de una gran cadena minorista que aumentó significativamente su inventario de artículos para el hogar para evitar desabastecimientos. Si bien esta estrategia inicialmente ayudó a satisfacer la demanda de los clientes, más tarde resultó en un exceso de inventario a medida que los patrones de compra de los consumidores se estabilizaron. Este exceso de existencias contribuyó a una caída de las ganancias de casi 90% en el segundo trimestre, en gran parte debido a las rebajas y la liquidación del exceso de existencias.

Para mitigar estas situaciones, las empresas pueden utilizar herramientas avanzadas de planificación y optimización de inventario para proporcionar previsiones precisas de la demanda. Por ejemplo, un importante fabricante de productos electrónicos utilizó la solución Smart IP&O para reducir los niveles de inventario en 20% sin afectar a los niveles de servicio, lo que redujo los costes de forma eficaz y mantuvo la satisfacción del cliente al garantizar que tuvieran la cantidad adecuada de existencias a mano.

10 Compensación excesiva por problemas en la cadena de suministro

Las empresas pueden acumular un exceso de existencias para protegerse contra las interrupciones constantes de la cadena de suministro, pero esto puede generar problemas de almacenamiento. Por ejemplo, una empresa de tecnología puede acumular componentes para evitar posibles contratiempos en la cadena de suministro, lo que da como resultado un exceso de inventario y un aumento de los costos. Los sistemas avanzados pueden ayudar a las empresas a anticipar y responder mejor a los desafíos de la cadena de suministro, equilibrando la necesidad de existencias de seguridad con el riesgo de exceso de existencias. Una empresa de tecnología utilizó Smart IP&O para optimizar su estrategia de inventario, reduciendo el exceso de existencias en 20% y manteniendo la resiliencia de la cadena de suministro.

11 Plazos de entrega largos y proveedores poco fiables

Los plazos de entrega prolongados y los proveedores poco fiables pueden hacer que las empresas pidan más existencias de las necesarias para cubrir posibles déficits de suministro. Sin embargo, los artículos menos críticos que se prevé que alcancen niveles de servicio muy altos representan oportunidades para reducir el inventario. Al apuntar a niveles de servicio más bajos en artículos menos críticos, el inventario tendrá el "tamaño adecuado" con el tiempo para alcanzar el nuevo equilibrio, lo que reducirá los costos de mantenimiento y el valor del inventario disponible. Un importante sistema de transporte público redujo el inventario en más de $4,000,000 mientras mejoraba los niveles de servicio utilizando nuestra tecnología de vanguardia.

12 Falta de visibilidad del inventario en tiempo real

Sin información en tiempo real sobre el inventario, las empresas suelen pedir más existencias de las necesarias, lo que genera ineficiencias y mayores costos. Smart IP&O permitió a las empresas de Seneca modelar la demanda en cada ubicación de almacenamiento y, mediante una planificación basada en el nivel de servicio, determinar cuánto almacenar para lograr el nivel de servicio requerido. Al ejecutar y comparar diferentes escenarios, pueden definir y actualizar fácilmente las políticas de almacenamiento óptimas para cada representante de soporte técnico y cada almacén.

El software ha proporcionado a los técnicos de campo evidencia que no tenían antes, mostrándoles su consumo real, la frecuencia de uso de piezas y la justificación de las políticas de almacenamiento, utilizando 90% como la norma de nivel de servicio objetivo. Los técnicos de campo han adoptado su uso, con resultados significativos: el inventario de "Zero Turns" se ha reducido de $400K a menos de $100K, la "tasa de primera solución" supera los 90% y la inversión total en inventario ha disminuido en más de 25%, de $11 millones a $ 8 millones .

En conclusión, el exceso de existencias amenaza seriamente la rentabilidad y la eficiencia de las empresas, lo que genera mayores costos de almacenamiento, capital inmovilizado y posible obsolescencia de los productos. Estos problemas pueden agotar los recursos y limitar la capacidad de una empresa para responder a los cambios del mercado. Sin embargo, el exceso de existencias se puede gestionar de manera eficaz si se comprenden sus causas, como una previsión de la demanda inexacta, plazos de entrega prolongados y proveedores poco fiables. La implementación de soluciones sólidas impulsadas por IA como Smart IP&O puede ayudar a las empresas a optimizar los niveles de inventario, reducir el exceso de existencias y mejorar la eficiencia operativa. Al aprovechar las herramientas avanzadas de previsión y optimización de inventario, las empresas pueden encontrar el equilibrio adecuado para satisfacer la demanda de los clientes y minimizar los costos relacionados con el inventario.

La gestión de inventario basada en pronósticos, o lógica MRP (planificación de requisitos de materiales), es una metodología de planificación anticipada para gestionar el inventario. Este método garantiza que las empresas puedan satisfacer la demanda sin exceso de existencias, lo que inmoviliza el capital, o falta de existencias, lo que puede provocar pérdidas de ventas y clientes insatisfechos.

Al anticipar la demanda y ajustar los niveles de inventario en consecuencia, este enfoque ayuda a mantener el equilibrio adecuado entre tener suficiente stock para satisfacer las necesidades de los clientes y minimizar los costos de exceso de inventario. Las empresas pueden optimizar las operaciones, reducir el desperdicio y mejorar la satisfacción del cliente al predecir las necesidades futuras. Analicemos cómo funciona esto.

Conceptos básicos de la gestión de inventarios basada en pronósticos

Modelos de dinámica de inventario: Los modelos de dinámica de inventario son fundamentales para comprender y gestionar los niveles de inventario. El modelo más simple, conocido como modelo “diente de sierra”, demuestra que los niveles de inventario disminuyen con la demanda y se reponen justo a tiempo. Sin embargo, los escenarios del mundo real suelen requerir modelos más sofisticados. Al incorporar elementos estocásticos y variabilidad, como las simulaciones de Monte Carlo, las empresas pueden tener en cuenta las fluctuaciones aleatorias en la demanda y el tiempo de entrega, proporcionando un pronóstico más realista de los niveles de inventario.

plataforma IP&O mejora el modelado de la dinámica del inventario a través de capacidades avanzadas de simulación y análisis de datos. Al aprovechar la IA y los algoritmos de aprendizaje automático, nuestra plataforma IP&O puede predecir los patrones de demanda con mayor precisión, ajustando los modelos en tiempo real en función de los datos más recientes. Esto conduce a niveles de inventario más precisos, lo que reduce el riesgo de desabastecimiento y exceso de existencias.

Determinación de la cantidad y el momento del pedido: La gestión eficaz del inventario requiere saber cuándo y cuánto pedir. Esto implica pronosticar la demanda futura y calcular el tiempo de reposición de existencias. Al predecir cuándo el inventario alcanzará los niveles de seguridad, las empresas pueden planificar sus pedidos para garantizar un suministro continuo.

Nuestras últimas herramientas destacan por optimizar las cantidades y los plazos de los pedidos mediante el uso de análisis predictivos e inteligencia artificial. Estos sistemas pueden analizar grandes cantidades de datos, incluidas ventas históricas y tendencias del mercado. Al hacerlo, proporcionan pronósticos de demanda más precisos y optimizan los puntos de reorden, asegurando que el inventario se reponga justo a tiempo y sin exceso.

Calcular el tiempo de entrega: El tiempo de entrega es el período desde que se realiza un pedido hasta que se recibe el stock. Varía según la disponibilidad de componentes. Por ejemplo, si un producto se ensambla a partir de varios componentes, el plazo de entrega lo determinará el componente con el plazo de entrega más largo.

Las soluciones inteligentes impulsadas por IA mejoran el cálculo del tiempo de entrega al integrarse con los sistemas de gestión de la cadena de suministro. Estos sistemas rastrean el desempeño de los proveedores y los plazos de entrega históricos para proporcionar estimaciones de plazos de entrega más precisas. Además, las tecnologías inteligentes pueden alertar a las empresas sobre posibles retrasos, lo que permite realizar ajustes proactivos en los planes de inventario.

Cálculo del stock de seguridad: El stock de seguridad actúa como un amortiguador para proteger contra la variabilidad en la oferta y la demanda. Calcular el stock de seguridad implica analizar la variabilidad de la demanda y establecer un nivel de stock que cubra la mayoría de los escenarios potenciales, minimizando así el riesgo de desabastecimiento.

La tecnología IP&O mejora significativamente el cálculo del stock de seguridad mediante análisis avanzados. Al monitorear continuamente los patrones de demanda y las variables de la cadena de suministro, los sistemas inteligentes pueden ajustar dinámicamente los niveles de existencias de seguridad. Los algoritmos de aprendizaje automático pueden predecir picos o caídas de la demanda y ajustar el stock de seguridad en consecuencia, garantizando niveles óptimos de inventario y minimizando los costos de mantenimiento.

La importancia de una previsión precisa en la gestión de inventarios

Una previsión precisa es clave para minimizar los errores de previsión, que pueden provocar un exceso de inventario o desabastecimiento. Técnicas como la utilización de datos históricos, la mejora de la entrada de datos y la aplicación de métodos de pronóstico avanzados ayudan a lograr una mayor precisión. Los errores de pronóstico pueden tener implicaciones financieras importantes: un pronóstico excesivo genera un exceso de inventario, mientras que un pronóstico insuficiente conduce a la pérdida de oportunidades de ventas. Gestionar estos errores mediante el seguimiento sistemático y el ajuste de los métodos de previsión es crucial para mantener niveles óptimos de inventario.

El stock de seguridad garantiza que las empresas satisfagan las necesidades de los clientes incluso si la demanda real se desvía de la previsión. Este colchón protege contra picos imprevistos de demanda o retrasos en el reabastecimiento. Los pronósticos precisos, la gestión eficaz de errores y el uso estratégico del stock de seguridad mejoran la gestión de inventario basada en pronósticos. Las empresas pueden comprender la dinámica del inventario, determinar las cantidades y los plazos correctos para los pedidos, calcular plazos de entrega precisos y establecer niveles de existencias de seguridad adecuados.

El uso de tecnología de vanguardia como IP&O proporciona ventajas significativas al ofrecer información de datos en tiempo real, análisis predictivos y modelos adaptativos. Esto conduce a una gestión de inventario más eficiente, costos reducidos y una mayor satisfacción del cliente. En general, IP&O permite a las empresas planificar mejor y responder rápidamente a los cambios del mercado, garantizando que mantengan el equilibrio de inventario adecuado para satisfacer las necesidades de los clientes sin incurrir en costos innecesarios.

​El software de planificación de la demanda y pronóstico estadístico desempeña un papel fundamental en la gestión empresarial eficaz al incorporar funciones que mejoran significativamente la precisión de los pronósticos. Un aspecto clave implica la utilización de modelos extrapolativos o basados ​​en suavizado, que permiten a las empresas hacer predicciones rápidamente basadas únicamente en datos históricos. Esta base basada en el desempeño pasado es crucial para comprender tendencias y patrones, especialmente en variables como las ventas o la demanda de productos. El software de pronóstico va más allá del mero análisis de datos al permitir combinar el juicio profesional con pronósticos estadísticos, reconociendo que el pronóstico no es un proceso único para todos. Esta flexibilidad permite a las empresas incorporar conocimientos humanos y de la industria en el modelo de pronóstico, lo que garantiza una predicción más matizada y precisa.

Funciones como pronosticar múltiples artículos como grupo, considerar la demanda impulsada por la promoción y manejar patrones de demanda intermitentes son capacidades esenciales para las empresas que manejan carteras de productos diversas y condiciones de mercado dinámicas. La implementación adecuada de estas aplicaciones brinda a las empresas herramientas de pronóstico versátiles, lo que contribuye significativamente a la toma de decisiones informadas y la eficiencia operativa.

Modelos extrapolativos

Nuestras soluciones de pronóstico de la demanda admiten una variedad de enfoques de pronóstico, incluidos modelos de pronóstico extrapolativos o basados en suavizamiento, como el suavizado exponencial y los promedios móviles. La filosofía detrás de estos modelos es simple: intentan detectar, cuantificar y proyectar hacia el futuro cualquier patrón repetitivo en los datos históricos.

  Hay dos tipos de patrones que se pueden encontrar en los datos históricos:

• Tendencia
• Estacionalidad

Estos patrones se ilustran en la siguiente figura junto con datos aleatorios.

Ilustración de datos de series de tiempo aleatorias, estacionales y de tendencia

Si el patrón es una tendencia, entonces los modelos extrapolativos, como el suavizado exponencial doble y el promedio móvil lineal, estiman la tasa de aumento o disminución en el nivel de la variable y proyectan esa tasa en el futuro.

Si el patrón es estacionalidad, entonces modelos como Winters y el suavizamiento exponencial triple estiman multiplicadores estacionales o factores de suma estacionales y luego los aplican a las proyecciones de la porción no estacional de los datos.

Muy a menudo, especialmente en el caso de los datos de ventas minoristas, intervienen patrones tanto de tendencia como estacionales. Si estos patrones son estables, se pueden aprovechar para dar pronósticos muy precisos.

A veces, sin embargo, no hay patrones obvios, de modo que los gráficos de los datos parecen ruido aleatorio. A veces los patrones son claramente visibles, pero cambian con el tiempo y no se puede confiar en que se repitan. En estos casos, los modelos extrapolativos no intentan cuantificar ni proyectar patrones. En cambio, intentan promediar el ruido y hacer buenas estimaciones del punto medio de la distribución de los valores de los datos. Estos valores típicos se convierten entonces en pronósticos. A veces, cuando los usuarios ven una trama histórica con muchos altibajos, se preocupan cuando el pronóstico no replica esos altibajos. Normalmente, esto no debería ser motivo de preocupación. Esto ocurre cuando los patrones históricos no son lo suficientemente fuertes como para justificar el uso de un método de pronóstico que replique el patrón. Quiere asegurarse de que sus pronósticos no sufran el "efecto de movimiento" que se describe en este entrada en el blog.

El pasado como predictor del futuro.

El supuesto clave implícito en los modelos extrapolativos es que el pasado es una buena guía para el futuro. Esta suposición, sin embargo, puede fracasar. Algunos de los datos históricos pueden estar obsoletos. Por ejemplo, los datos podrían describir un entorno empresarial que ya no existe. O bien, el mundo que representa el modelo puede estar listo para cambiar pronto, dejando todos los datos obsoletos. Debido a factores tan complicados, los riesgos del pronóstico extrapolativo son menores cuando se pronostica sólo a corto plazo en el futuro.

Los modelos extrapolativos tienen la ventaja práctica de ser baratos y fáciles de construir, mantener y utilizar. Sólo requieren registros precisos de los valores pasados de las variables que necesita pronosticar. A medida que pasa el tiempo, simplemente agrega los últimos puntos de datos a la serie temporal y vuelve a pronosticar. Por el contrario, los modelos causales que se describen a continuación requieren más pensamiento y más datos. La simplicidad de los modelos extrapolativos se aprecia más cuando se tiene un problema de pronóstico masivo, como hacer pronósticos de la demanda de un día para otro para los 30.000 artículos en el inventario de un almacén.

Ajustes de juicio

Los modelos extrapolativos se pueden ejecutar en modo completamente automático con Demand Planner sin necesidad de intervención. Los modelos causales requieren un juicio sustancial para una selección inteligente de variables independientes. Sin embargo, ambos tipos de modelos estadísticos pueden mejorarse mediante ajustes de juicio. Ambos pueden beneficiarse de sus conocimientos.

Tanto el modelo causal como el extrapolativo se basan en datos históricos. Sin embargo, es posible que tenga información adicional que no se refleja en los números que se encuentran en el registro histórico. Por ejemplo, es posible que sepa que las condiciones competitivas pronto cambiarán, tal vez debido a descuentos de precios, tendencias de la industria, la aparición de nuevos competidores o el anuncio de una nueva generación de sus propios productos. Si estos eventos ocurren durante el período para el cual usted está pronosticando, pueden arruinar la precisión de los pronósticos puramente estadísticos. La función de ajuste gráfico de Smart Demand Planner le permite incluir estos factores adicionales en sus pronósticos a través del proceso de ajuste gráfico en pantalla.

Tenga en cuenta que aplicar ajustes del usuario al pronóstico es un arma de doble filo. Si se utiliza adecuadamente, puede mejorar la precisión de los pronósticos al explotar un conjunto más rico de información. Si se utiliza de forma promiscua, puede añadir ruido adicional al proceso y reducir la precisión. Le recomendamos que utilice ajustes de juicio con moderación, pero que nunca acepte ciegamente las predicciones de un método de pronóstico puramente estadístico. También es muy importante medir el valor añadido previsto. Es decir, el valor agregado al proceso de pronóstico por cada paso incremental. Por ejemplo, si aplica anulaciones basadas en conocimientos comerciales, es importante medir si esos ajustes agregan valor al mejorar la precisión del pronóstico. Smart Demand Planner admite la medición del valor agregado del pronóstico mediante el seguimiento de cada pronóstico considerado y la automatización de los informes de precisión del pronóstico. Puede seleccionar pronósticos estadísticos, medir sus errores y compararlos con los anulados. Al hacerlo, informa el proceso de previsión para que se puedan tomar mejores decisiones en el futuro. 

Pronósticos de múltiples niveles

Otra situación común implica la previsión de múltiples niveles, donde se pronostican varios elementos como un grupo o incluso puede haber varios grupos, y cada grupo contiene varios elementos. Generalmente llamaremos a este tipo de pronóstico Pronóstico multinivel. El mejor ejemplo es el pronóstico de líneas de productos, donde cada artículo es miembro de una familia de artículos y el total de todos los artículos de la familia es una cantidad significativa.

Por ejemplo, como en la siguiente figura, es posible que tenga una línea de tractores y desee pronósticos de ventas para cada tipo de tractor y para toda la línea de tractores.

Ilustración de pronósticos de productos de múltiples niveles

 Smart Demand Planner proporciona pronósticos acumulativos y descendentes. Esta función es crucial para obtener pronósticos completos de todos los artículos de productos y el total de su grupo. El método Roll Down/Roll Up dentro de esta función ofrece dos opciones para obtener estos pronósticos:

Acumular (de abajo hacia arriba): esta opción inicialmente pronostica cada artículo individualmente y luego agrega los pronósticos a nivel de artículo para generar un pronóstico a nivel de familia.

Desplazar hacia abajo (de arriba hacia abajo): alternativamente, la opción de desplazamiento hacia abajo comienza formando el total histórico a nivel de familia, lo pronostica y luego asigna proporcionalmente el total al nivel de artículo.

Al utilizar Roll Down/Roll Up, tiene acceso a la gama completa de métodos de pronóstico proporcionados por Smart Demand Planner tanto a nivel de artículo como de familia. Esto garantiza flexibilidad y precisión en la previsión, atendiendo a las necesidades específicas de su negocio en diferentes niveles jerárquicos.

La investigación sobre pronósticos no ha establecido condiciones claras que favorezcan el enfoque de pronóstico de arriba hacia abajo o de abajo hacia arriba. Sin embargo, el enfoque ascendente parece preferible cuando los historiales de los artículos son estables y el énfasis está en las tendencias y patrones estacionales de los artículos individuales. La estrategia descendente suele ser una mejor opción si algunos elementos tienen un historial muy ruidoso o si el énfasis está en la previsión a nivel de grupo. Dado que Smart Demand Planner hace que sea rápido y fácil probar un enfoque tanto ascendente como descendente, debe probar ambos métodos y comparar los resultados. Puede utilizar la función "Retener lo actual" de Smart Demand Planner en "Pronóstico versus real" para probar ambos enfoques con sus propios datos y ver cuál produce un pronóstico más preciso para su negocio. 

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.

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.