Si escucha la frase "cambio de régimen" en las noticias, inmediatamente piensa en algún evento geopolítico tenso. Los estadísticos usan la frase de manera diferente, de una manera en la que adquiere gran relevancia para la planificación de la demanda y la optimización del inventario. Este blog trata sobre el "cambio de régimen" en el sentido estadístico, lo que significa un cambio importante en el carácter de la demanda de un artículo de inventario.

El historial de demanda de un artículo es el combustible que alimenta las máquinas de previsión de los planificadores de demanda. En general, cuanto más combustible, mejor, lo que nos brinda una mejor solución sobre el nivel promedio, la volatilidad, el tamaño y la frecuencia de los picos, la forma de cualquier patrón de estacionalidad y el tamaño y la dirección de cualquier tendencia.

Pero hay una gran excepción a la regla que predica “a más datos mejores resultados”. Si hay un cambio importante y la nueva demanda no se parece a la antigua, entonces los datos antiguos se vuelven peligrosos.

El software moderno puede hacer pronósticos precisos de la demanda de artículos y sugerir opciones inteligentes para los parámetros de inventario, como los puntos de pedido y las cantidades de los pedidos. Pero la validez de estos cálculos depende de la relevancia de los datos utilizados en su cálculo. Los datos desfasados de un antiguo régimen ya no reflejan la realidad actual, por lo que incluirlos en los cálculos crea un error de pronóstico para los planificadores de demanda y un exceso de existencias o de falta de existencias inaceptables para los planificadores de inventario.

Dicho esto, si tuviera que soportar un cambio de régimen reciente y desechar los datos obsoletos, tendría muchos menos datos con los que trabajar. Esto tiene sus propios costos, porque todas las estimaciones calculadas a partir de los datos tendrían una mayor incertidumbre estadística aunque estarían menos sesgadas. En este caso, sus cálculos tendrían que basarse más en una combinación de análisis estadístico y su propio juicio experto.

En este punto, puede preguntar "¿Cómo puedo saber si ha habido un cambio de régimen y cuándo?" Si ha estado en el trabajo por un tiempo y se siente cómodo mirando diagramas de tiempo de demanda de artículos, generalmente reconocerá el cambio de régimen cuando lo vea, al menos si no es demasiado sutil. La Figura 1 muestra algunos ejemplos reales que son obvios.

Figura 1: Cuatro ejemplos de cambio de régimen en la demanda de artículos del mundo real

Desafortunadamente, los cambios menos obvios aún pueden tener efectos significativos. Además, la mayoría de nuestros clientes están demasiado ocupados para revisar manualmente todos los artículos que administran, incluso una vez por trimestre. Cuando supera, digamos, los 100 elementos, la tarea de observar todas esas series temporales se vuelve onerosa. Afortunadamente, el software puede hacer un buen trabajo al monitorear continuamente la demanda de decenas de miles de artículos y alertarlo sobre cualquier artículo que pueda necesitar su atención. Además, puede hacer arreglos para que el software no solo detecte el cambio de régimen, sino que también excluya automáticamente de sus cálculos todos los datos recopilados antes del cambio de régimen más reciente, si corresponde. En otras palabras, puede obtener tanto una advertencia automática de cambio de régimen como una protección automática contra el cambio.

Para obtener más información sobre los conceptos básicos del cambio de régimen, consulte nuestro blog anterior sobre el tema: https://smartcorp.com/blog/demandplanningregimechange/  

Un ejemplo con números:

Si desea obtener más información, siga leyendo para ver un ejemplo numérico de cuánto cambio de régimen puede alterar el cálculo de un punto de pedido para una pieza de repuesto crítica. Aquí hay un escenario para ilustrar el punto.

Guión

• Objetivo: calcular el punto de pedido necesario para controlar el riesgo de desabastecimiento mientras se espera la reposición. Suponga que el riesgo de desabastecimiento objetivo es de 5%.
• Suponga que el artículo tiene demanda diaria intermitente, con muchos días de demanda cero.
• Suponga que la demanda diaria tiene una distribución de Poisson con un promedio de 1,0 unidades por día.
• Suponga que el plazo de reposición es siempre de 30 días.
• La demanda del tiempo de entrega será aleatoria, por lo que tendrá una distribución de probabilidad y el punto de pedido será el 95^º percentil de la distribución.
• Suponga que el efecto del cambio de régimen es aumentar o disminuir la demanda diaria media.
• Suponga que hay un año de datos diarios disponibles para estimar la demanda unitaria diaria media.

Figura 2 Ejemplo de cambio en la demanda media y muestra de la demanda diaria aleatoria

La Figura 2 muestra una forma de este escenario. El panel superior muestra que la demanda diaria promedio aumenta de 1,0 a 1,5 después de 270 días. El panel inferior muestra una forma en que podría aparecer el valor de la demanda diaria de un año. (En este punto, puede sentir que calcular todo esto es complicado, incluso para lo que resulta ser un escenario simplificado. ¡Es por eso que tenemos software!)

Análisis

El cálculo exitoso del punto de reorden adecuado dependerá de cuándo ocurra el cambio de régimen y cuán grande sea el cambio. Simulamos cambios de régimen de varios tamaños en varios momentos dentro de un período de 365 días. Alrededor de una demanda base de 1,0 unidades por día, estudiamos cambios en la demanda ("cambio") de ±25% y ±50%, así como un caso de referencia sin cambios. Ubicamos el tiempo del cambio ("t.break") en 90, 180 y 270 días. En cada caso, calculamos dos estimaciones del punto de reorden: el valor "ideal" dado un conocimiento perfecto de la demanda promedio en el nuevo régimen ("ROP.true"), y el valor estimado de la demanda media calculado ignorando el cambio de régimen y utilizando todos los datos de demanda del último año (“ROP.all”).

La Tabla 1 muestra las estimaciones del punto de pedido calculado en 100 simulaciones. El bloque central es el caso de referencia, en el que no hay cambio en la demanda diaria, que se mantiene fija en 1 unidad por día. El bloque de color en la parte inferior es el escenario de aumento más extremo, con una demanda que aumenta a 1,5 unidades/día ya sea en un tercio, la mitad o dos tercios del año.

Podemos sacar varias conclusiones de estas simulaciones.

ROP.true: la elección correcta para el punto de pedido aumenta o disminuye según el cambio en la demanda media después del cambio de régimen. La relación no es lineal simple: la tabla abarca un rango del 600% mas del nivel de lademanda (0,25 a 1,50) pero un rango del 467% de lospuntos de pedido (de 12 a 56).

ROP.all: Ignorar el cambio de régimen puede conducir a sobreestimaciones brutas del punto de reorden cuando la demanda cae y subestimaciones brutas cuando la demanda aumenta. Como era de esperar, cuanto más tarde cambia el régimen, peor es el error. Por ejemplo, si la demanda aumenta de 1,0 a 1,5 unidades por día durante dos tercios del año sin que se dé cuenta, el punto de pedido calculado de 43 unidades se quedaría 13 unidades por debajo de lo que debería ser.

Una palabra de precaución: la Tabla 1 muestra que basar los cálculos de los puntos de reorden usando solo datos posteriores a un cambio de régimen generalmente obtendrá la respuesta correcta. Lo que no muestra es que las estimaciones pueden ser inestables si hay muy poco historial de demanda después del cambio. Por lo tanto, en la práctica, debe esperar para reaccionar al cambio de régimen hasta que se haya acumulado una cantidad decente de observaciones en el nuevo régimen. Esto podría significar utilizar todo el historial de demanda, tanto antes como después del cambio, hasta que, por ejemplo, se hayan acumulado 60 o 90 días de historial antes de ignorar los datos anteriores al cambio.

Tabla 1 Puntos de pedido correctos y estimados para diferentes escenarios de cambio de régimen

Cliente como maestro

Nuestros clientes son grandes maestros que siempre nos han ayudado a cerrar la brecha entre la teoría de los libros de texto y la aplicación práctica de la previsión y la planificación de la demanda. Nuestra última parte de la educación se refiere a los "pedidos generales" y cómo contabilizarlos como parte del proceso de planificación de la demanda. 

Expansión del libro de texto de teoría del inventario

La teoría del inventario de libros de texto se centra en las tres políticas de reposición más utilizadas: (1) Política de revisión periódica de pedidos hasta el final, designada (T, S) en los libros (2) Política de revisión continua con cantidad de pedido fija, designada (R, Q) y (3) revisión continua de la política, designada (s, S) pero generalmente denominada "Mín./Máx.". Nuestros clientes han señalado que su proceso de pedido real a menudo incluye el uso frecuente de "pedidos generales". Este blog se centra en cómo incorporar pedidos generales en el proceso de planificación de la demanda y detalla cómo ajustar los objetivos de almacenamiento en consecuencia.

La planificación de la demanda con pedidos abiertos es diferente

Los pedidos generales son contratos con proveedores por cantidades fijas de reposición que llegan a intervalos fijos. Por ejemplo, puede acordar con su proveedor recibir 20 unidades cada 7 días a través de un pedido abierto en lugar de 60 a 90 unidades cada 28 días según la política de revisión periódica. Los pedidos generales contrastan aún más con las políticas de revisión continua, según las cuales tanto los programas de pedidos como las cantidades de los pedidos son aleatorios. En general, es eficiente incorporar flexibilidad en el proceso de reabastecimiento para que ordene solo lo que necesita y cuando lo necesite. Según ese estándar, Min/Max debería tener más sentido y las políticas generales deberían tener menos sentido.

El caso de las políticas generales

Sin embargo, aunque la eficiencia es importante, nunca es la única consideración. Uno de nuestros clientes, llamémosle Compañía X, explicó el atractivo de las pólizas generales en sus circunstancias. La empresa X fabrica piezas de alto rendimiento para motocicletas y vehículos todo terreno. Convierten el acero en bruto en cosas geniales. Pero deben lidiar con el acero. El acero es caro. El acero es voluminoso y pesado. El acero no es algo conjurado de la noche a la mañana sobre la base de un pedido especial. El gerente de inventario de la empresa X no desea realizar pedidos grandes pero de tamaño aleatorio en momentos aleatorios. No quiere cuidar de una montaña de acero. Sus proveedores no quieren recibir pedidos de cantidades aleatorias en momentos aleatorios. Y la empresa X prefiere repartir sus pagos. El resultado: pedidos generales.

El error fatal en las políticas generales

Para la Compañía X, los pedidos generales están destinados a igualar las compras de reabastecimiento y evitar acumulaciones difíciles de manejar de pilas de acero antes de que estén listas para usar. Pero la lógica detrás de las políticas de inventario de revisión continua aún se aplica. Se producirán aumentos repentinos en la demanda, que de otro modo serían bienvenidos, y pueden crear desabastecimientos. Asimismo, las pausas en la demanda pueden crear un exceso de demanda. A medida que pasa el tiempo, queda claro que una política general tiene un defecto fatal: solo si los pedidos generales coinciden exactamente con la demanda promedio pueden evitar un inventario descontrolado en cualquier dirección, hacia arriba o hacia abajo. En la práctica, será imposible igualar exactamente la demanda promedio. Además, la demanda promedio es un objetivo móvil y puede subir o bajar.

Cómo incorporar pedidos abiertos cuando se planifica la demanda 

Una política general tiene ventajas, pero la rigidez es su talón de Aquiles. Los planificadores de la demanda a menudo improvisan ajustando los pedidos futuros para manejar los cambios en la demanda, pero esto no se aplica a miles de artículos. Para que la política de reabastecimiento de inventario sea sólida frente a la aleatoriedad de la demanda, sugerimos una política híbrida que comience con pedidos generales pero que conserve la flexibilidad para solicitar automáticamente (no manualmente) suministro adicional según sea necesario. Complementar la política general con una copia de seguridad Mín./Máx. permite realizar ajustes sin intervención manual. Esta combinación capturará algunas de las ventajas de los pedidos abiertos mientras protege el servicio al cliente y evita el inventario descontrolado.

El diseño de un proceso de planificación de la demanda que tenga en cuenta los pedidos abiertos requiere la elección de cuatro parámetros de control. Dos parámetros son el tamaño fijo y el tiempo fijo de la política general. Dos más son los valores de Min y Max. Esto deja al gerente de inventario enfrentando un problema de optimización de cuatro dimensiones. El software de optimización de inventario avanzado permitirá evaluar las opciones para los valores de los cuatro parámetros y respaldar las negociaciones con los proveedores cuando se elaboran pedidos generales.

Recientemente, tuve una conversación interesante con un gerente de inventario y el vicepresidente de finanzas. Estábamos discutiendo los beneficios de poder optimizar automáticamente tanto los puntos de pedido como las cantidades de los pedidos. Al vicepresidente de finanzas le preocupaba que, dado que su gran proveedor requería cantidades mínimas de pedido, no podría beneficiarse. Dijo que sus proveedores tenían todo el poder, obligándolo a aceptar cantidades mínimas masivas de pedidos y atando sus manos. Si bien se sintió mal por esto, vio un lado positivo: no tenía que hacer ninguna planificación. Aceptaría una gran inversión en inventario, pero sus niveles de servicio al cliente serían excepcionales. Quizás se asumió que la gran inversión en inventario era el costo de hacer negocios.

Empujé hacia atrás y señalé que él no era tan impotente como se sentía. Todavía tenía el control de la otra mitad del proceso de adquisición: aunque no podía controlar cuánto ordenar, podía controlar cuándo ordenar ajustando el punto de reorden. En otras palabras, siempre hay espacio para un análisis cuantitativo cuidadoso en la gestión de inventario, incluso cuando tiene una mano atada a la espalda.

Un ejemplo

Para poner algunos números detrás de mi argumento, creé un escenario y luego lo analicé usando nuestra metodología para mostrar cuán importante puede ser usar software de optimización de inventario incluso en situaciones limitadas. En este escenario, la demanda de artículos tiene un promedio de 2,2 unidades por día, pero varía significativamente según el día de la semana. Digamos que el proveedor imaginario insiste en una cantidad mínima de pedido de 500 unidades (muy desproporcionado con respecto a la demanda) y completa los pedidos de reabastecimiento en tres o diez días en proporciones iguales (bastante inconsistente). Para repartir la culpa, supongamos también que el cliente imaginario del proveedor imaginario usa la regla tonta de que el punto de pedido debe ser 10% de la cantidad mínima de pedido. (¿Por qué esta regla? Demasiadas empresas usan reglas generales simples/simplistas en lugar de un análisis adecuado).

Entonces, tenemos un caso base en el que la cantidad de pedido es de 500 unidades y el punto de reorden es de 50 unidades. En este caso, la tasa de llenado es de 1001 TP2T, pero la cantidad promedio de unidades disponibles es de 330. Si el cliente simplemente redujera el punto de pedido de 50 a 15, la tasa de llenado seguiría siendo 99,51 TP2T, pero el stock promedio disponible caería por 11% a 295 unidades. Usando la mano que no está atada a su espalda, el gerente de inventario podría reducir su inversión en inventario en más de 10%, lo que sería una ganancia notable.

Por cierto, si se suprimiera la cantidad mínima de pedido, el cliente sería libre de llegar a una solución nueva y mucho mejor. Establecer la cantidad de pedido en 45 y el punto de reorden en 25 lograría una tasa de llenado de 99% a costa de un nivel disponible diario de solo 35 unidades: casi una reducción de 90% en la inversión de inventario: una mejora importante sobre el statu quo.

Posdata

Estos cálculos son posibles utilizando nuestro software, que puede hacer visibles las relaciones desconocidas entre las opciones de diseño del sistema de inventario (p. ej., cantidad de pedido y punto de reorden) y los indicadores clave de rendimiento (p. ej., unidades promedio disponibles y tasa de llenado). Armado con esta capacidad para realizar estos cálculos, ahora se pueden considerar arreglos alternativos con el proveedor. Por ejemplo, ¿qué pasa si, a cambio de pagar un precio más alto por unidad, el proveedor acepta un MOQ más bajo? El uso del software para realizar un análisis de los indicadores clave de rendimiento utilizando los costos y MOQ "qué pasaría si" revelaría el costo por unidad y MOQ que se necesitaría para desarrollar un trato más rentable. Una vez identificadas, todas las partes se benefician. El proveedor ahora genera un mejor margen sobre las ventas de sus productos, y el comprador tiene un inventario considerablemente menor, lo que produce una reducción del costo de mantenimiento que empequeñece el costo adicional por unidad. todos ganan

Este blog proporciona una descripción general de este tema escrito para no expertos. Eso

• explica por qué es posible que desee leer este blog.
• enumera los diversos tipos de "mantenimiento de la máquina".
• explica qué es el “modelado probabilístico”.
• describe modelos para predecir el tiempo de inactividad.
• explica lo que estos modelos pueden hacer por usted.

Importancia del tiempo de inactividad

Si fabrica cosas para la venta, necesita máquinas para hacer esas cosas. Si sus máquinas están en funcionamiento, tiene una gran oportunidad de ganar dinero. Si sus máquinas no funcionan, pierde oportunidades de ganar dinero. Dado que el tiempo de inactividad es tan fundamental, vale la pena invertir dinero y pensar en minimizar el tiempo de inactividad. Por pensamiento me refiero a matemáticas de probabilidad, ya que tiempo de inactividad de la máquina es inherentemente un fenómeno aleatorio. Modelos de probabilidad puede orientar las políticas de mantenimiento.

Políticas de mantenimiento de máquinas

El mantenimiento es su defensa contra el tiempo de inactividad. Existen varios tipos de políticas de mantenimiento, que van desde "No hacer nada y esperar a que falle" hasta enfoques analíticos sofisticados que involucran sensores y modelos de probabilidad de falla.

Una lista útil de políticas de mantenimiento es:

• Sentarse y esperar problemas, luego sentarse un poco más preguntándose qué hacer cuando los problemas inevitablemente suceden. Esto es tan tonto como suena.
• Igual que el anterior, excepto que se prepara para el fracaso de minimizar el tiempo de inactividad, por ejemplo, el almacenamiento de piezas de repuesto.
• Comprobación periódica de problemas inminentes junto con intervenciones como la lubricación de piezas móviles o la sustitución de piezas desgastadas.
• Basar la programación del mantenimiento en datos sobre el estado de la máquina en lugar de depender de un programa fijo; requiere la recopilación y el análisis continuos de datos. Esto se llama mantenimiento basado en la condición.
• Usar los datos sobre el estado de la máquina de forma más agresiva al convertirlos en predicciones de tiempo de falla y sugerencias de pasos a seguir para retrasar la falla. Esto se llama mantenimiento predictivo.

Los últimos tres tipos de mantenimiento se basan en matemáticas de probabilidad para establecer un programa de mantenimiento, o determinar cuándo los datos sobre el estado de la máquina requieren intervención, o calcular cuándo podría ocurrir una falla y cuál es la mejor manera de posponerla.

Modelos de probabilidad de falla de la máquina

El tiempo que una máquina funcionará antes de que falle es una variable aleatoria. Así es el tiempo que pasará abajo. La teoría de la probabilidad es la parte de las matemáticas que trata con variables aleatorias. Las variables aleatorias se describen por sus distribuciones de probabilidad, por ejemplo, ¿cuál es la probabilidad de que la máquina funcione durante 100 horas antes de que se apague? 200 horas? O, de manera equivalente, ¿cuál es la probabilidad de que la máquina siga funcionando después de 100 o 200 horas?

Un subcampo llamado "teoría de la confiabilidad" responde a este tipo de preguntas y aborda conceptos relacionados como el tiempo medio antes de la falla (MTBF), que es un resumen abreviado de la información codificada en la distribución de probabilidad del tiempo antes de la falla.

La Figura 1 muestra datos sobre el tiempo antes de la falla de las unidades de aire acondicionado. Este tipo de trama representa la distribución de probabilidad acumulada y muestra la posibilidad de que una unidad haya fallado después de que haya transcurrido cierto tiempo. La Figura 2 muestra un función de confiabilidad, trazando el mismo tipo de información en un formato inverso, es decir, representando la posibilidad de que una unidad siga funcionando después de que haya transcurrido cierto tiempo.

En la Figura 1, las marcas azules junto al eje x muestran los momentos en los que se observaron fallas en los acondicionadores de aire individuales; Estos son los datos básicos. La curva negra muestra la proporción acumulada de unidades que fallaron a lo largo del tiempo. La curva roja es una aproximación matemática a la curva negra, en este caso una distribución exponencial. Los gráficos muestran que alrededor del 80 por ciento de las unidades fallarán antes de las 100 horas de funcionamiento.

Figura 1 Función de distribución acumulativa del tiempo de actividad de los aires acondicionados

Los modelos de probabilidad se pueden aplicar a una pieza, componente o subsistema individual, a un conjunto de piezas relacionadas (p. ej., "el sistema hidráulico") oa una máquina completa. Cualquiera de estos puede describirse mediante la distribución de probabilidad del tiempo antes de que falle.

La Figura 2 muestra la función de confiabilidad de seis subsistemas en una máquina para excavar túneles. El gráfico muestra que el subsistema más fiable son los brazos de corte y el menos fiable es el subsistema de agua. La confiabilidad de todo el sistema podría aproximarse multiplicando las seis curvas (porque para que el sistema funcione como un todo, todos los subsistemas deben estar funcionando), lo que daría como resultado un intervalo muy corto antes de que algo salga mal.

Figura 2 Ejemplos de distribuciones de probabilidad de subsistemas en una tuneladora

Varios factores influyen en la distribución del tiempo antes de la falla. Invertir en mejores piezas prolongará la vida útil del sistema. También lo hará la inversión en redundancia. Lo mismo ocurrirá con la sustitución de pars usados por nuevos.

Una vez que se dispone de una distribución de probabilidad, se puede utilizar para responder a cualquier cantidad de preguntas hipotéticas, como se ilustra a continuación en la sección Beneficios de los modelos.

Enfoques para modelar la confiabilidad de la máquina

Los modelos de probabilidad pueden describir las unidades más básicas, como componentes individuales del sistema (Figura 2), o conjuntos de unidades básicas, como máquinas completas (Figura 1). De hecho, una máquina completa se puede modelar como una sola unidad o como una colección de componentes. Si se trata una máquina completa como una sola unidad, la distribución de probabilidad de vida útil representa un resumen del efecto combinado de las distribuciones de vida útil de cada componente.

Si tenemos un modelo de una máquina completa, podemos saltar a modelos de colecciones de máquinas. Si, en cambio, comenzamos con modelos de la vida útil de los componentes individuales, de alguna manera debemos combinar esos modelos individuales en un modelo general de la máquina completa.

Aquí es donde las matemáticas pueden ponerse peludas. El modelado siempre requiere un equilibrio sabio entre la simplificación, para que algunos resultados sean posibles, y la complicación, para que cualquier resultado que surja sea realista. El truco habitual es asumir que las fallas de las piezas individuales del sistema ocurren de manera independiente.

Si podemos suponer que las fallas ocurren de manera independiente, generalmente es posible modelar colecciones de máquinas. Por ejemplo, suponga que una línea de producción tiene cuatro máquinas que producen el mismo producto. Tener un modelo de confiabilidad para una sola máquina (como en la Figura 1) nos permite predecir, por ejemplo, la posibilidad de que solo tres de las máquinas sigan funcionando dentro de una semana. Incluso aquí puede haber una complicación: la probabilidad de que una máquina que funciona hoy siga funcionando mañana a menudo depende de cuánto tiempo haya pasado desde su última falla. Si el tiempo entre fallas tiene una distribución exponencial como la de la Figura 1, resulta que el tiempo de la próxima falla no depende de cuánto tiempo ha pasado desde la última falla. Desafortunadamente, muchos o incluso la mayoría de los sistemas no tienen distribuciones exponenciales de tiempo de actividad, por lo que la complicación persiste.

Peor aún, si comenzamos con modelos de confiabilidad de muchos componentes individuales, avanzar hasta predecir los tiempos de falla para toda la máquina compleja puede ser casi imposible si tratamos de trabajar directamente con todas las ecuaciones relevantes. En tales casos, la única forma práctica de obtener resultados es utilizar otro estilo de modelado: la simulación Monte Carlo.

La simulación de Monte Carlo es una forma de sustituir la computación por el análisis cuando es posible crear escenarios aleatorios de operación del sistema. El uso de la simulación para extrapolar la confiabilidad de la máquina a partir de la confiabilidad de los componentes funciona de la siguiente manera.

1. Comience con las funciones de distribución acumulativa (Figura 1) o funciones de confiabilidad (Figura 2) de cada componente de la máquina.
2. Cree una muestra aleatoria de la vida útil de cada componente para obtener un conjunto de tiempos de falla de muestra consistentes con su función de confiabilidad.
3. Utilizando la lógica de cómo se relacionan los componentes entre sí, calcule el tiempo de falla de toda la máquina.
4. Repita los pasos 1 a 3 muchas veces para ver la gama completa de posibles vidas útiles de la máquina.
5. Opcionalmente, promedie los resultados del paso 4 para resumir la vida útil de la máquina con métricas como el MTBF o la posibilidad de que la máquina funcione más de 500 horas antes de fallar.

El paso 1 sería un poco complicado si no tenemos un buen modelo de probabilidad para la vida útil de un componente, por ejemplo, algo como la línea roja en la Figura 1.

El paso 2 puede requerir una contabilidad cuidadosa. A medida que avanza el tiempo en la simulación, algunos componentes fallarán y serán reemplazados, mientras que otros seguirán funcionando. A menos que la vida útil de un componente tenga una distribución exponencial, su vida útil restante dependerá de cuánto tiempo el componente haya estado en uso continuo. Así que este paso debe dar cuenta de los fenómenos de marcar a fuego o desgastar.

El paso 3 es diferente de los demás en que requiere algo de matemática básica, aunque de un tipo simple. Si la Máquina A solo funciona cuando los componentes 1 y 2 funcionan, entonces (suponiendo que la falla de un componente no influya en la falla del otro)

Probabilidad [A funciona] = Probabilidad [1 funciona] x Probabilidad [2 funciona].

Si, en cambio, la Máquina A funciona si el componente 1 funciona o el componente 2 funciona o ambos funcionan, entonces

Probabilidad [A falla] = Probabilidad [1 falla] x Probabilidad [2 fallas]

entonces Probabilidad [A funciona] = 1 – Probabilidad [A falla].

El paso 4 puede implicar la creación de miles de escenarios para mostrar la gama completa de resultados aleatorios. La computación es rápida y barata.

El paso 5 puede variar según los objetivos del usuario. Calcular el MTBF es estándar. Elija otros que se adapten al problema. Además de las estadísticas de resumen proporcionadas por el paso 5, se pueden trazar ejecuciones de simulación individuales para desarrollar la intuición sobre la dinámica aleatoria del tiempo de actividad y el tiempo de inactividad de la máquina. La Figura 3 muestra un ejemplo de una sola máquina que muestra ciclos alternos de tiempo de actividad y tiempo de inactividad que dan como resultado el tiempo de actividad del 85%.

Figura 3 Un escenario de muestra para una sola máquina

Beneficios de los modelos de confiabilidad de la máquina

En la Figura 3, la máquina está funcionando 85% del tiempo. Eso puede no ser lo suficientemente bueno. Es posible que tenga algunas ideas sobre cómo mejorar la confiabilidad de la máquina, por ejemplo, tal vez pueda mejorar la confiabilidad del componente 3 comprando una versión mejor y más nueva de un proveedor diferente. ¿Cuánto ayudaría eso? Eso es difícil de adivinar: el componente 3 puede ser solo uno de varios y quizás no el eslabón más débil, y cuánto vale el cambio depende de qué tan mejor sea el nuevo. Tal vez debería desarrollar una especificación para el componente 3 que luego pueda comprar a proveedores potenciales, pero ¿cuánto tiempo tiene que durar el componente 3 para tener un impacto material en el MTBF de la máquina?

Aquí es donde vale la pena tener un modelo. Sin un modelo, estás confiando en conjeturas. Con un modelo, puede convertir la especulación sobre situaciones hipotéticas en estimaciones precisas. Por ejemplo, podría analizar cómo un aumento de 10% en MTBF para el componente 3 se traduciría en una mejora en MTBF para toda la máquina.

Como otro ejemplo, suponga que tiene siete máquinas que producen un producto importante. Calcula que debe dedicar seis de las siete para cumplir con un pedido importante de su gran cliente, dejando una máquina para manejar la demanda de una cantidad de clientes pequeños misceláneos y para servir como repuesto. Se podría usar un modelo de confiabilidad para cada máquina para estimar las probabilidades de varias contingencias: las siete máquinas funcionan y la vida es buena; seis máquinas funcionan para que al menos puedas mantener contento a tu cliente clave; solo funcionan cinco máquinas, así que tienes que negociar algo con tu cliente clave, etc.

En resumen, los modelos de probabilidad de fallas de máquinas o componentes pueden proporcionar la base para convertir los datos de tiempo de falla en decisiones comerciales inteligentes.

Leer más sobre  Maximice el tiempo de actividad de la máquina con el modelado probabilístico

Leer más sobre   Pronóstico probabilístico para demanda intermitente

Usted conoce la situación: encuentra la mejor manera de administrar cada artículo del inventario calculando los puntos de pedido adecuados y los objetivos de reposición, luego aumenta o disminuye la demanda promedio, o cambia la volatilidad de la demanda, o cambian los tiempos de entrega de los proveedores, o cambian sus propios costos . Ahora sus antiguas políticas (puntos de pedido, existencias de seguridad, niveles mín./máx., etc.) han quedado obsoletas, justo cuando creía que las había entendido bien. Aprovechar el software avanzado de planificación y optimización de inventario le brinda la capacidad de abordar de manera proactiva las influencias externas en constante cambio en su inventario y demanda. Para hacerlo, deberá recalibrar regularmente los parámetros de almacenamiento en función de la demanda y los plazos de entrega en constante cambio.

Recientemente, algunos clientes potenciales han expresado su preocupación de que, al modificar regularmente los parámetros de control de inventario, están introduciendo "ruido" y agregando complicaciones a sus operaciones. Un visitante de nuestro stand en la Conferencia del grupo de usuarios de Microsoft Dynamics de la semana pasada comentó:

“No queremos alterar las operaciones cambiando las políticas con demasiada frecuencia e introduciendo ruido en el sistema. Ese ruido pone nervioso al sistema y causa confusión entre el equipo de compras”.

Esta visión se basa en los paradigmas de ayer. Si bien, por lo general, no debe cambiar una producción inmediata, ignorar los cambios a corto plazo en las políticas que impulsan la planificación de la producción futura y el reabastecimiento de pedidos causará estragos en sus operaciones. Nos guste o no, el ruido ya está ahí en forma de demanda extrema y variabilidad de la cadena de suministro. Arreglar los parámetros de reabastecimiento, actualizarlos con poca frecuencia o solo revisarlos en el momento del pedido significa que sus operaciones de la cadena de suministro solo podrán reaccionar a los problemas en lugar de identificarlos de manera proactiva y tomar medidas correctivas.

Modificar las políticas con recalibraciones a corto plazo es adaptarse a una situación fluida en lugar de ser cautivo de ella. Podemos mirar a los juegos de la NFL del fin de semana pasado para una analogía simple. Imagínese al mariscal de campo de su equipo favorito que se niega constantemente a llamar a un audible (cambiar la jugada justo antes de que se saque el balón) después de ver la formación defensiva. Esto daría como resultado muchas oportunidades perdidas, ineficiencia y unidades estancadas que podrían costarle la victoria al equipo. ¿Qué te gustaría que hiciera tu mariscal de campo?

La demanda, los plazos de entrega, los costos y las prioridades comerciales a menudo cambian y, como han demostrado estos últimos 18 meses, a menudo cambian considerablemente. Como líder de la cadena de suministro, tiene una opción: mantener los parámetros fijos, lo que resulta en muchas cancelaciones de pedidos y aceleraciones instintivas, o modificar de manera proactiva los parámetros de control de inventario. Llamar a lo audible al recalibrar sus políticas a medida que cambian las señales de oferta y demanda es el movimiento correcto.

Aquí hay un ejemplo. Suponga que está administrando un artículo crítico controlando su punto de pedido (ROP) en 25 unidades y su cantidad de pedido (OQ) en 48. Puede sentirse como una roca de estabilidad al aferrarse a esos dos números, pero al hacerlo puede dejar que otros números fluctúen dramáticamente. Específicamente, sus futuros niveles de servicio, tasas de llenado y costos operativos podrían reiniciarse mientras usted se obsesiona con mantener el ROP y el OQ de ayer. Cuando se determinó originalmente la política, la demanda era estable y los plazos de entrega eran predecibles, lo que generaba niveles de servicio de 99% en un artículo importante. Pero ahora la demanda está aumentando y los plazos de entrega son más largos. ¿Realmente va a esperar el mismo resultado (nivel de servicio 99%) utilizando los mismos conjuntos de entradas ahora que la demanda y los plazos de entrega son tan diferentes? Por supuesto que no. Suponga que sabe que, dados los cambios recientes en la demanda y el tiempo de entrega, para lograr el mismo objetivo de nivel de servicio de 99%, debe aumentar el ROP a 35 unidades. Si mantuviera el ROP en 25 unidades, su nivel de servicio caería a 92%. ¿Es mejor saber esto de antemano o verse obligado a reaccionar cuando se enfrenta a desabastecimientos?

Lo que hace el software de planificación y optimización de inventario es hacer visibles las conexiones entre las métricas de rendimiento como la tasa de servicio y los parámetros de control como ROP y ROQ. Lo invisible se vuelve visible, permitiéndole hacer ajustes razonados que mantienen sus métricas donde las necesita ajustando las palancas de control disponibles para su uso. El uso de métodos de pronóstico probabilístico le permitirá generar Predicciones clave de rendimiento (KPP) de rendimiento y costos al tiempo que identifica acciones correctivas a corto plazo, como movimientos de inventario específicos que ayudan a evitar problemas y aprovechar oportunidades. No hacerlo pone la planificación de su cadena de suministro en una camisa de fuerza, al igual que el mariscal de campo que se niega a escuchar.

Es cierto que un entorno empresarial en constante cambio requiere una vigilancia constante y una reacción ocasional. Pero el software adecuado de optimización de inventario y previsión de la demanda puede volver a calcular sus parámetros de control a escala con unos pocos clics del mouse y dar pistas a su sistema ERP sobre cómo mantener todo en curso a pesar de la constante turbulencia.  El ruido ya está en su sistema en forma de variabilidad de la oferta y la demanda. ¿Será proactivamente audible o se apegará a un plan anterior y cruzará los dedos para que las cosas salgan bien?