La previsión de las necesidades de inventario es una variante especializada de la previsión que se centra en el extremo superior del rango de posible demanda futura.

Para simplificar, considere el problema de pronosticar las necesidades de inventario para un solo período de anticipación, digamos un día antes. Por lo general, el trabajo de pronóstico consiste en estimar el nivel más probable o promedio de demanda del producto. Sin embargo, si el inventario disponible es igual a la demanda promedio, existe una probabilidad de aproximadamente 50% de que la demanda exceda el inventario y resulte en pérdida de ventas y/o pérdida de buena voluntad. Fijar el nivel de inventario en, digamos, diez veces la demanda promedio probablemente eliminará el problema de los desabastecimientos, pero con la misma seguridad resultará en costos de inventario inflados.

El truco de la optimización del inventario es encontrar un equilibrio satisfactorio entre tener suficiente inventario para satisfacer la mayor parte de la demanda sin comprometer demasiados recursos en el proceso. Por lo general, la solución es una combinación de criterio empresarial y estadísticas. La parte crítica es definir un nivel de servicio de inventario aceptable, como satisfacer 95% de demanda inmediatamente desde el stock. La parte estadística es estimar el percentil 95 de la demanda.

Cuando no se trata de demanda intermitente, a menudo se puede estimar el nivel de inventario requerido asumiendo una curva de demanda en forma de campana (normal), estimando tanto el centro como el ancho de la curva de campana y luego usando una fórmula estadística estándar para estimar el percentil deseado. La diferencia entre el nivel de inventario deseado y el nivel promedio de demanda se denomina "existencia de seguridad" porque protege contra la posibilidad de desabastecimiento.

Cuando se trata de demanda intermitente, la curva en forma de campana es una aproximación muy pobre a la distribución estadística de la demanda. En este caso especial, Smart aprovecha la tecnología patentada para la demanda intermitente que está diseñada para pronosticar con precisión los rangos y producir una mejor estimación del stock de seguridad necesario para lograr el nivel de servicio de inventario requerido.

Descubra cómo se utilizan los pronósticos con estas 4 preguntas.

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

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

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

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

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

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

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

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

Si últimamente tenías la cabeza en alto, es posible que hayas notado alguna locura adicional fuera de la cancha de baloncesto: el fracaso del Silicon Valley Bank. Aquellos de nosotros en el mundo de la cadena de suministro tal vez hayamos descartado la quiebra del banco como un problema de otra persona, pero ese lamentable episodio también contiene una gran lección para nosotros: la importancia de hacer bien las pruebas de estrés.

Él El Correo de Washington Recientemente se publicó un artículo de opinión de Natasha Sarin llamado “Los reguladores se perdieron los problemas de Silicon Valley Bank durante meses. Este es el por qué." Sarin describió las fallas en el régimen de pruebas de estrés impuesto al banco por la Reserva Federal. Un problema es que las pruebas de estrés son demasiado estáticas. El factor de estrés de la Fed para el crecimiento del PIB nominal fue un escenario único que enumeraba valores supuestos durante los próximos 13 trimestres (ver Figura 1). Esas 13 proyecciones trimestrales pueden ser la opinión consensuada de alguien sobre cómo se vería un mal día para el cabello, pero esa no es la única forma en que podrían desarrollarse las cosas. Como sociedad, se nos enseña a apreciar una mejor manera de mostrar las contingencias cada vez que el Servicio Meteorológico Nacional nos muestra las trayectorias proyectadas de los huracanes (consulte la Figura 2). Cada escenario representado por una línea de color diferente muestra una posible trayectoria de tormenta, y las líneas concentradas representan la más probable. Al exponer las rutas de menor probabilidad, se mejora la planificación de riesgos.

Al realizar pruebas de estrés en la cadena de suministro, necesitamos escenarios realistas de posibles demandas futuras que podrían ocurrir, incluso demandas extremas. Smart proporciona esto en nuestro software (con mejoras considerables en nuestros métodos Gen2). El software genera una gran cantidad de escenarios de demanda creíbles, suficientes para exponer el alcance completo de los riesgos (consulte la Figura 3). Las pruebas de estrés tienen que ver con la generación de cantidades masivas de escenarios de planificación, y los métodos probabilísticos de Smart son una desviación radical de las aplicaciones S&OP deterministas anteriores, ya que se basan completamente en escenarios.

La otra falla en las pruebas de estrés de la Fed fue que fueron diseñadas con meses de anticipación pero nunca actualizadas para las condiciones cambiantes. Los planificadores de la demanda y los gerentes de inventario aprecian intuitivamente que las variables clave como la demanda de artículos y el tiempo de entrega del proveedor no solo son muy aleatorias, incluso cuando las cosas son estables, sino que también están sujetas a cambios abruptos que deberían requerir una reescritura rápida de los escenarios de planificación (consulte la Figura 4, donde la demanda promedio salta dramáticamente entre las observaciones 19 y 20). Los productos Gen2 de Smart incluyen nueva tecnología para detectar tales "cambios de régimen” y cambiando automáticamente los escenarios en consecuencia.

Los bancos se ven obligados a someterse a pruebas de estrés, por muy defectuosas que sean, para proteger a sus depositantes. Los profesionales de la cadena de suministro ahora tienen una manera de proteger sus cadenas de suministro mediante el uso de un software moderno para realizar pruebas de estrés de sus planes de demanda y decisiones de gestión de inventario.

Figura 1: Escenarios utilizados por la Fed para hacer pruebas de estrés a los bancos.

Figura 2: Escenarios utilizados por el Servicio Meteorológico Nacional para predecir las trayectorias de los huracanes

Figura 3: Escenarios de demanda del tipo generado por Smart Demand Planner

Figura 4: Ejemplo de cambio de régimen en la demanda del producto después de la observación #19

Ya sea que usted mismo las entienda en detalle o confíe en un buen software, las matemáticas son un hecho de la vida para cualquier persona en la gestión del inventario y previsión de la demanda que pretende seguir siendo competitivo en el mundo moderno.

Recientemente, en una conferencia, el presentador principal de un taller de administración de inventario proclamó con orgullo que no necesitaba "matemáticas de alto nivel", lo que interpretó como algo más allá de las matemáticas de primaria.

Las matemáticas no son el primer amor de todos. Pero si realmente te preocupas por hacer bien tu trabajo, no puedes abordar el trabajo con una mentalidad de escuela primaria. Las tareas de la cadena de suministro, como la previsión de la demanda y la gestión del inventario, son inherentemente matemáticos. Un blog asociado con edX, un sitio reconocido de cursos universitarios en línea, tiene una excelente publicación sobre este tema, en https://www.mooc.org/blog/how-is-math-used-in-supply-chain. Permítanme citar la introducción de dicho curso:

Las matemáticas y la cadena de suministro van de la mano. A medida que crecen las cadenas de suministro, la creciente complejidad impulsará a las empresas a buscar formas de gestionar la toma de decisiones a gran escala. No pueden volver a cómo eran hace 100 años, o incluso hace dos años antes de la pandemia. En cambio, las nuevas tecnologías ayudarán a optimizar y administrar las muchas partes móviles. Las habilidades logísticas, las tecnologías de optimización y las habilidades organizativas utilizadas en la cadena de suministro requieren matemáticas.

Nuestros clientes no necesitan ser expertos en matemáticas de la cadena de suministro, solo necesitan poder manejar el software que contiene las matemáticas. El software combina la experiencia de los usuarios y la experiencia en la materia para producir resultados que marcan la diferencia entre el éxito y el fracaso. Para hacer su trabajo, el software no puede detenerse en matemáticas de sexto grado; necesita probabilidad, estadística y teoría de optimización.

Depende de nosotros, los proveedores de software, empaquetar las matemáticas de tal manera que lo que entra en los cálculos sea todo lo que sea relevante, incluso si es complicado; y que lo que sale sea claro, relevante para la toma de decisiones y defendible cuando deba justificar sus recomendaciones a la alta dirección.

Las matemáticas de sexto grado no pueden advertirle cuándo la forma en que propone administrar una pieza de repuesto crítica significará una probabilidad de 70% de no alcanzar su objetivo de disponibilidad. No puede decirle cuál es la mejor manera de ajustar sus puntos de pedido cuando un proveedor llama y dice: "Tenemos un problema de entrega". No puede salvar su pellejo cuando hay un pedido sorprendentemente grande y tiene que descubrir rápidamente la mejor manera de configurar algunos pedidos especiales acelerados sin romper el presupuesto operativo.

Por lo tanto, respete la sabiduría popular y no traiga un cuchillo a un tiroteo.

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