1. La configuración será sencilla.

Solo necesitamos alimentar nuestros historiales de demanda en nuestros nuevos métodos estadísticos, y podemos comenzar a planificar de manera más efectiva. No del todo: se trata de la tecnología y el proceso. Estás invirtiendo en un nuevo procesos de negocio para desarrollar pronósticos para impulsar la estrategia comercial y las decisiones de planificación de inventario. Tomará tiempo involucrar a todas las partes interesadas: ventas, marketing, compras, operaciones y mantenimiento/técnicos (para el inventario de repuestos). ¿Quién es el dueño del pronóstico? ¿Cómo será la jerarquía de previsión de sus artículos? ¿De dónde provendrá la mayor parte del conocimiento empresarial? ¿Existe un proceso de consenso que utilizará el conocimiento del negocio para personalizar los pronósticos a su situación particular? ¿Todos entienden los métodos estadísticos? ¿Hay acuerdo sobre los valores subyacentes que equilibran los costos de mantenimiento, pedido y (especialmente) escasez? ¿Está preparado para tomar decisiones a lo largo de la curva de compensación crucial que relaciona los costos de inventario con los niveles de servicio al cliente? ¿Cómo planea medir la precisión/error de pronóstico? ¿Entiende la gerencia el concepto de "valor agregado de pronóstico" mediante el cual rastrea el error con cada versión del pronóstico (error estadístico versus error de pronóstico de ventas versus error de consenso)? Sin este contexto y con la participación acordada de las partes interesadas clave, el sistema aún se implementará pero se utilizará en silo

2. Todo lo que necesito son datos históricos de demanda y luego puedo comenzar a hacer pronósticos.

Casi. Consiguiendo bueno Los datos no son fáciles. ¿Están completos y correctos los datos de su historial de demanda? ¿Los datos de su proveedor (p. ej., plazos de entrega) también están completos y son correctos? ¿Ha reconocido las necesidades especiales de los artículos nuevos y al final de su vida útil? Claro, TI podría exportar un archivo de datos de demanda agregada (semanal o mensual), pero ¿cómo sabe que es correcto? Cuando se registran pedidos y envíos, se incluyen en una variedad de códigos de transacciones diferentes. Tienes que saber cómo componer tu señal de demanda.  ¿Pedidos o envíos? ¿Incluir o excluir devoluciones? ¿Qué pasa con las transferencias de almacén? ¿Qué pasa con las devoluciones que ocurren muchos períodos después del envío inicial? ¿Cómo interpretará mi ERP el pronóstico? Pero espere... estamos usando una solución con un conector ERP que promete que los datos fluirán de un lado a otro sin problemas. Un conector ERP ciertamente cubrirá la transferencia de datos históricos y resultados de pronósticos entre sistemas, pero no mejorará la mala calidad de los datos. También debe asegurarse de que el conector ERP tenga la flexibilidad de determinar cómo componer su historial de demanda. Por ejemplo, si está codificado para extraer ciertos tipos de transacciones que quizás no desee o requiera transacciones diferentes que no incluye, necesitará personalizaciones. También existe el problema de la sustitución del producto y/o los cambios de ubicación, es decir, el Producto A se elimina gradualmente y se convierte en el Producto B, o ahora el Producto A se envía desde un almacén diferente. Suena simple, pero si esto sucede con frecuencia en miles de elementos, debe tenerse en cuenta como parte de un proceso de pronóstico automático. De lo contrario, sus usuarios deben administrar manualmente esta actualización constante. Entonces pierdes economías de escala. Más "disputas de datos" significa más problemas, más errores y plazos de decisión incumplidos. Las actualizaciones menos frecuentes pueden significar pronósticos menos precisos, lo que conduce a un exceso de inventario para algunos artículos e inventario insuficiente para otros.

3. Si obtenemos un mejor pronóstico, tendremos el inventario correcto, reduciremos los desabastecimientos y aumentaremos el servicio.

El pronóstico de la demanda es un componente de un proceso más grande. Si tiene otro departamento que aplica reservas incorrectas (demasiado o muy poco stock de seguridad), entonces gran parte del beneficio de un pronóstico más preciso se pierde. Tiene que mirar holísticamente la previsión dentro del contexto de la gestión de inventario. No puede obtener el beneficio máximo (y en algunos casos, ningún beneficio) a menos que tenga en cuenta todos componentes que incluyen niveles de reserva, como existencias de seguridad y puntos de pedido, reglas de pedido y gestión de plazos de entrega internos/de proveedores. No es raro que los compradores implementen Reglas de juego políticas de inventario, como ordenar con anticipación o inflar el pronóstico para reducir el riesgo de agotamiento. El comportamiento opuesto en el que una señal de pedido desencadenada por el pronóstico se difiere a una fecha posterior para evitar que se realice un pedido "demasiado pronto" es igualmente frecuente. Este tipo de comportamiento se basa en una respuesta de evitación del dolor eso ocurre dentro de las empresas que tienen un proceso de planificación de inventario ad-hoc que no conecta holísticamente el pronóstico con la estrategia de inventario.  

4. Cuantos más modelos de pronóstico, mejor.

 Esto es cierto en algunos casos. En un giro irónico, cuantos más modelos para elegir a veces significa que tendrá más posibilidades de elegir el equivocado. Esto ocurre incluso cuando hay un sistema automatizado que selecciona el método correcto. Esto se debe a que la mayoría de los sistemas de pronóstico automatizados aún cometen el error de seleccionar métodos basados en el mejor ajuste a la demanda pasada. Este enfoque retrospectivo generalmente da como resultado un rendimiento deficiente cuando se mira hacia adelante en el tiempo; esto se puede probar esperando un poco y luego comparando la demanda pronosticada con la real (o, si no quiere esperar, ocultando algunos de los datos recientes y pronosticándolos, en cuyo caso los reales ya están disponibles). En principio, tener más modelos podría ser útil, pero lo importante es comprender el enfoque para la selección de modelos. Además, la mayoría de los modelos de pronóstico producen un pronóstico de un solo número ("La demanda del producto A será de 17 unidades el próximo mes") sin ninguna indicación de la incertidumbre del pronóstico o el margen de error. Sin conocer el margen de error, no puede apreciar y administrar racionalmente el riesgo de pronóstico.

En nuestro software, ofrecemos una selección automatizada de series de tiempo que elige entre docenas de técnicas probadas sobre la base del rendimiento futuro estimado, no ajustado a datos pasados. También vamos más allá del pronóstico de un solo número utilizando métodos probabilísticos para generar miles de escenarios de pronóstico para evaluar la incertidumbre del pronóstico. Descubrimos que este enfoque es considerablemente más preciso para ciertos tipos de datos que la selección de torneo tradicional. Entonces, en estas situaciones, la cantidad de modelos que recomendamos usar es "¡Uno!" ¿Eso lo hace inferior? Por supuesto que no. Tómese el tiempo para ajustar sus modelos para ver qué funciona mejor para su negocio.

5. Con el software adecuado, cualquiera puede hacer bien el trabajo.

Ojalá fuera así. Sin embargo, después de nuestra participación en décadas de implementaciones, está claro que no todos deberían estar en el teclado de planificación de la demanda. El trabajo no necesita un superhéroe, pero ciertos rasgos contribuyen al éxito:

• Tener una perspectiva de toda la empresa. Tantos problemas en la planificación de la demanda se derivan del pensamiento convencional. Un proceso de planificación adecuado pone de manifiesto la necesidad de la participación de todas las partes interesadas, por lo que un usuario incapaz de pensar más allá de su feudo anterior puede ser una responsabilidad.
• Ser innumerable. Un usuario que no se sienta cómodo con los números tendrá dificultades.
• Apreciando la aleatoriedad. Esto es similar a la aritmética pero va más allá. La mayor parte de la fricción en la planificación de la demanda y la optimización del inventario se deriva de la aleatoriedad: en la demanda del producto, en el tiempo de entrega del proveedor, etc. Sin una buena idea de cómo la aleatoriedad causa problemas, un usuario a menudo se sorprenderá de lo mal que resultan sus decisiones.
• Ser indiferente. El software de primer nivel alienta a los usuarios a jugar "¿qué pasaría si?" escenarios para ver cómo modificar las soluciones calculadas automáticamente para obtener resultados aún mejores. Si el usuario nunca entra en un "¿qué pasaría si?" mentalidad, ellos tendrán un bajo rendimiento. Además, jugar con escenarios alternativos es una de las mejores maneras de crear una sensación instintiva de la aleatoriedad en el sistema.

Conclusión

Las cinco razones descritas aquí muestran por qué implementar un sistema de pronóstico, planificación de la demanda u optimización de inventario no es tan simple como encender el software, importar sus datos históricos y obtener capacitación de usuarios sobre cómo operar el software. Está implementando un nuevo proceso para planificar su negocio y determinar la política de almacenamiento que impulsará el gasto en inventario y afectará su capacidad para captar ventas. Sin embargo, el esfuerzo bien vale la pena. Según un Instituto de Previsión Empresarial (IBF) Blog, una reducción de 1% en el error por debajo del pronóstico en una empresa de $50 millones genera un ahorro de hasta $1,52M. Por el contrario, los beneficios de una reducción de 1% en el error de pronóstico excesivo fueron $1.28M, lo que arrojó un beneficio promedio de $1.4M. ¡Esto significa que puede ahorrarle a su negocio $260,000 anualmente por cada $10 millones en ingresos! 

Hay un viejo chiste rancio: "Hay dos tipos de personas: los que creen que hay dos tipos de personas y los que no". Podemos modificar ese chiste: "Hay dos tipos de personas: los que saben que hay tres tipos de análisis de la cadena de suministro y los que aún no han leído este blog".

Los tres tipos de análisis de la cadena de suministro son "descriptivos", "predictivos" y "prescriptivos". Cada uno juega un papel diferente para ayudarlo a administrar su inventario. El software moderno de la cadena de suministro le permite aprovechar los tres.

Analítica descriptiva

Los análisis descriptivos son el material de los tableros. Te dicen "lo que está pasando ahora". En esta categoría se incluyen cifras resumidas como el dinero invertido actualmente en inventario, el nivel actual de servicio al cliente y la tasa de llenado, y los plazos de entrega promedio de los proveedores. Estas estadísticas son útiles para realizar un seguimiento de sus operaciones, especialmente cuando realiza un seguimiento de los cambios en ellas de un mes a otro. Confiarás en ellos todos los días. Requieren bases de datos corporativas precisas, procesadas estadísticamente.

Análisis predictivo

El análisis predictivo se manifiesta más comúnmente como pronósticos de demanda, a menudo desglosados por producto y ubicación y, a veces, también por cliente. Estas estadísticas proporcionan una alerta temprana para que pueda preparar la producción, el personal y la adquisición de materias primas para satisfacer la demanda. También proporcionan predicciones del efecto de los cambios en las políticas operativas, por ejemplo, ¿qué sucede si aumentamos la cantidad de nuestro pedido del Producto X de 20 a 25 unidades? Puede confiar en Predictive Analytics periódicamente, tal vez semanal o mensualmente, cuando busca lo que está sucediendo ahora para ver qué sucederá a continuación. Predictive Analytics utiliza Descriptive Analytics como base, pero agrega más capacidad. El análisis predictivo para la previsión de la demanda requiere un procesamiento estadístico avanzado para detectar y estimar características de la demanda de productos como tendencia, estacionalidad y Cambio de regimén. El análisis predictivo para la gestión de inventario utiliza pronósticos de demanda como entradas en los modelos de funcionamiento de las políticas de inventario, que a su vez proporcionan estimaciones de métricas de rendimiento clave, como niveles de servicio, tasas de llenadoy costos de operación.

Analítica prescriptiva

Los análisis prescriptivos no tratan sobre lo que está sucediendo ahora o lo que sucederá a continuación, sino sobre lo que debe hacer a continuación, es decir, recomiendan decisiones destinadas a maximizar el rendimiento del sistema de inventario. Puede confiar en Prescriptive Analytics para posicionar mejor toda su política de inventario. Prescriptive Analytics utiliza Predictive Analytics como base y luego agrega capacidad de optimización. Por ejemplo, el software Prescriptive Analytics puede calcular automáticamente las mejores opciones para los valores futuros de Min's y Max's para miles de artículos de inventario. Aquí, "mejor" podría significar los valores de Min y Max para cada artículo que minimizan el costo operativo (la suma de los costos de mantenimiento, pedido y escasez) mientras se mantiene un piso 90% en la tasa de cumplimiento de artículos.

Ejemplo

La siguiente figura muestra cómo el análisis de la cadena de suministro puede ayudar al administrador de inventario. Las columnas muestran tres indicadores clave de rendimiento (KPI) previstos: nivel de servicio, inversión en inventario y costos operativos (costos de mantenimiento + costos de pedido + costos de escasez).

 Figura 1: Los tres tipos de análisis utilizados para evaluar escenarios de planificación

Las filas muestran cuatro políticas de inventario alternativas, expresadas como escenarios. El escenario "En vivo" informa sobre los valores de los KPI el 1 de julio de 2018. El escenario "99% All" cambia la política actual al elevar el nivel de servicio de todos los elementos a 99%. El escenario de “75 piso/99 techo” eleva los niveles de servicio que son demasiado bajos hasta 75% y reduce los niveles de servicio muy altos (es decir, caros) hasta 95%. El escenario de "Optimización" prescribe niveles de servicio específicos del artículo que minimizan los costos operativos totales.

El escenario "Live 07-01-2018" es un ejemplo de análisis descriptivo. Muestra el rendimiento de referencia actual. Luego, el software le permite al usuario probar cambios en la política de inventario mediante la creación de nuevos escenarios "Qué pasaría si" que luego podrían convertirse en escenarios con nombre para una mayor consideración. Los siguientes dos escenarios son ejemplos de Predictive Analytics. Ambos evalúan las consecuencias de sus políticas de control de inventario recomendadas, es decir, los valores mínimos y máximos recomendados para todos los artículos. El escenario de "Optimización" es un ejemplo de Prescriptive Analytics porque recomienda la mejor política de compromiso.

Considere cómo se comparan los tres escenarios alternativos con el escenario de referencia "en vivo". El escenario “99% All” eleva las métricas de disponibilidad de artículos, aumentando el nivel de servicio de 88% a 99%. Sin embargo, hacerlo aumenta la inversión total en inventario de $3 millones a alrededor de $4 millones. Por el contrario, el escenario de “75 piso/99 techo” aumenta tanto el nivel de servicio como reduce el efectivo inmovilizado en el inventario en alrededor de $300,000. Finalmente, el escenario de “Optimización” logra un nivel de servicio 80%, una reducción del 88% actual, pero recorta más de $2 millones del valor del inventario y reduce los costos operativos en más de $400,000 anualmente. A partir de aquí, los gerentes podrían probar otras opciones, como devolver parte de los ahorros de $2 millones para lograr un nivel de servicio promedio más alto.

Resumen

Los paquetes de software modernos para la planificación y la optimización del inventario deben ofrecer tres tipos de análisis de la cadena de suministro: descriptivo, predictivo y prescriptivo. Su combinación permite a los administradores de inventario realizar un seguimiento de sus operaciones (descriptivo), pronosticar dónde estarán sus operaciones en el futuro (predictivo) y optimizar sus políticas de inventario en respuesta a la anticipación de condiciones futuras (prescriptivo).