No, no ese tipo de cambio de régimen: nada aquí sobre misiles de crucero y bombarderos furtivos. Y no, no estamos hablando del otro tipo de cambio de régimen que golpea más cerca de casa: barajar el C-Suite en su empresa.

“Cambio de régimen” tiene un tercer significado que es relevante para su profesión como planificador de demanda o administrador de inventario. Para los investigadores en economía y finanzas, el cambio de régimen significa cambios repentinos en el carácter mismo de una serie temporal de observaciones aleatorias. La serie temporal aleatoria en cuestión aquí es la secuencia de conteos de demanda diarios (o semanales o mensuales) para sus productos y artículos de inventario.

La mayoría del software de pronóstico utiliza algoritmos estadísticos para procesar la demanda histórica. Puede agregar pasos adicionales, como incorporar inteligencia de campo del personal de ventas, pero todo comienza con el historial de demanda de cualquier artículo que deba administrar.

La pregunta que plantea el cambio de régimen es, ¿qué datos utiliza? La respuesta simple es "Todo", porque eso conduce a los pronósticos más precisos, pero solo si su mundo de datos es estable. Si su mundo de datos es turbulento, usar todos los datos significa que está basando los pronósticos en condiciones pasadas. A su vez, ingresar datos obsoletos en su algoritmos de pronóstico conduce inevitablemente a una reducción de la precisión del pronóstico.

Tenga en cuenta que lidiar con un cambio de régimen no es lo mismo que lidiar con valores atípicos. Los valores atípicos suelen ser excepciones únicas causadas por eventos transitorios, como una torcedura en su cadena de suministro causada por una gran tormenta de nieve que obstruye todas las rutas de tránsito. Por el contrario, el cambio de régimen persiste durante un período más largo y, por lo tanto, es capaz de causar más daño a sus pronósticos. He aquí una analogía: los valores atípicos tienen que ver con el clima y el cambio de régimen tiene que ver con el clima.

Las formas más drásticas de cambio de régimen son existenciales. La Figura 1 muestra un ejemplo de un cambio existencial: no hubo demanda durante mucho tiempo, y de repente hubo demanda. Si no tenía demanda de un artículo porque no existía pero retiene valores de demanda cero en su base de datos, y luego el artículo se activa y tiene ventas, la transición de nada a algo es un cambio de régimen extremo. Incluir todos esos valores de demanda cero desde antes del "Día Uno" seguramente sesgará los pronósticos estadísticos por debajo de donde deberían estar. Lo mismo sucede si elimina un producto pero sigue registrando una demanda cero: incluir todos esos ceros recientes degrada sus pronósticos de demanda.

En principio, el mantenimiento cuidadoso de registros debería eliminar estos problemas. Debe registrar solo valores cero significativos. Si tiene un elemento nuevo, comience a grabar cuando se publique. Si ya no tiene demanda de un artículo y no espera ninguna, elimínelo de su base de datos o al menos pronostique una demanda cero.

Desafortunadamente, hay una diferencia entre el principio y la práctica. Vemos muchos casos en los que los registros de datos de elementos nuevos e inactivos no se mantienen correctamente, con "ceros falsos" confundidos con "ceros reales". Este problema no es necesariamente el resultado de la incompetencia: por lo general, es un subproducto de la escala del problema, con muy pocas personas tratando de realizar un seguimiento de demasiados elementos.

Estos cambios de régimen existencial son relativamente fáciles de manejar en comparación con formas más sutiles, que parecen afectar a más elementos. La figura 2 muestra dos ejemplos de cambios de régimen en un patrón de ventas continuas. Hay una serie de factores que pueden cambiar la demanda de un artículo: el rendimiento de la fuerza de ventas, los esfuerzos de marketing y publicidad, las acciones de la competencia y del proveedor, la aparición de nuevos clientes o la desaparición de clientes antiguos, etc. 1 unidad por día pero de repente se duplica (o viceversa), eso es un cambio de régimen. En el nuevo orden mundial, la demanda es de 2 unidades/día y los pronósticos deberían reflejar eso. En cambio, los algoritmos de pronóstico estadístico pronosticarán muy poca demanda si se alimentan todos los datos, incluidos los anteriores al cambio de régimen.

¿Cómo te proteges del cambio de régimen? La respuesta es la misma para el dictador más cruel o el planificador de demanda más inocente: Inteligencia. Y debido a que las amenazas son muchas, la inteligencia se automatiza mejor. Los sistemas de software modernos tienen la capacidad de examinar decenas de miles de elementos en busca de signos de cambio de régimen. Luego, el software puede llamar su atención sobre los elementos problemáticos y pedirle que designe qué datos recientes usar en los cálculos. O el software puede detectar y corregir automáticamente el cambio de régimen, trabajando rápidamente a una escala que derrotaría fácilmente a cualquier persona ocupada que trabaja "a mano".

Quants y colapsos financieros

Dedico gran parte de mi tiempo a desarrollar nuevos métodos cuantitativos para la previsión estadística, la previsión de la demanda y la optimización del inventario. Para mí, esta es una forma atractiva de contribuir a la sociedad. Pero sé que la forma más prudente de desarrollar algoritmos es apartarme un poco y mirar con escepticismo mi propio trabajo.

La necesidad de este escepticismo me fue resaltada recientemente cuando leí el libro de Scott Patterson Los cuantos: cómo una nueva generación de expertos en matemáticas conquistó Wall Street y casi lo destruyó (Publicación de la corona, 2010). Este libro revisó los "quants" cuyos complejos modelos financieros fueron en gran parte responsables del colapso financiero en 2007. Mientras leía y pensaba "¿Qué les pasaba a estos tipos?" Empecé a preguntarme si nosotros, los cuantitativos de la cadena de suministro, éramos culpables de algunos de los mismos pecados.

Modelos versus Instintos

En general, el campo de la cadena de suministro se ha quedado atrás de las finanzas en términos del uso de modelos estadísticos. Mis colegas de la universidad y yo estamos trabajando en eso, pero tenemos un largo camino por recorrer. Algunas cadenas de suministro son bastante sofisticadas técnicamente, pero muchas, quizás más, se manejan esencialmente tanto por instinto como por números. ¿Es más seguro evitar los análisis que confiar en los modelos?

Lo que hace que el instinto visceral sea peligroso es que es muy amorfo. Todos los que trabajan mucho tiempo en un trabajo desarrollan instintos, pero la longevidad no es lo mismo que la sabiduría. Es posible aprender todas las lecciones equivocadas durante una larga carrera. También es posible perder la oportunidad de aprender las lecciones correctas porque es posible que nunca surjan ciertos escenarios informativos en la carrera de una persona. También es posible tener días buenos y días malos; incluso los gurús pueden equivocarse. El instinto visceral también es antiproductivo, ya que todas las decisiones tienen que pasar por ese instinto, lo que se convierte en un cuello de botella empresarial. Y Golden Guts finalmente alcanzan sus años dorados y toman su Golden Watch y se van a un Golden Sunset; en ese momento, cualquier experiencia que haya estado presente ha salido por la puerta.

Por el contrario, los modelos tienen ciertas ventajas. En relación con el instinto visceral, los modelos son:

• Explícito: La teoría de la operación de la cadena de suministro se expone para que todos la vean.
• Adaptativo: debido a que la teoría es visible, puede revisarse, criticarse, probarse con datos y evolucionar.
• Consistentes: los modelos pueden ser más o menos ciertos, pero no están sujetos a la variabilidad de un día a otro.
• Integral: al menos potencialmente, los modelos pueden acumular una amplia gama de experiencia empírica, incluidos escenarios nunca encontrados durante la carrera de una persona.
• Instructivo: Los modelos son colecciones de relaciones entre variables. Si se hacen visibles las “tripas” del modelo, los usuarios pueden aprender acerca de esas relaciones.

Error de modelo

Sin embargo, a pesar de todas sus virtudes, los modelos también pueden estar equivocados. De hecho, eso es un hecho. Una forma constructiva de vivir con esto está codificada en el famoso aforismo del Dr. George Box, uno de los mejores modeladores del último medio siglo: “Todos los modelos están equivocados. Algunos son útiles.

Los modelos financieros cuantitativos estaban equivocados al ser demasiado simplificados. Comenzaron con una creencia casi religiosa en la eficiencia de los mercados y desarrollaron modelos estadísticos que hacían ciertas suposiciones que tenían más probabilidades de ser ciertas en el mundo físico que en el mundo financiero. Entre estos estaban las distribuciones normales de los cambios en los precios de los activos y la independencia de los eventos en varios rincones del mercado. También asumieron la racionalidad humana.

Debería ser un poco alarmante que las suposiciones de independencia y distribución normal también sean la base de muchos de los modelos en el software de la cadena de suministro. De hecho, existen modelos alternativos de la dinámica de la cadena de suministro que no requieren estos supuestos simplificadores, por lo que este es un riesgo innecesario que corren muchos, quizás la mayoría, de los usuarios del software de la cadena de suministro.

Pero incluso con suposiciones de modelos más sólidas y realistas, no se puede negar que el error del modelo es un riesgo constante. Entonces, ¿puedes ser víctima de tus modelos? Por supuesto que puede.

Autoprotección: mire los datos

Cada profesional de la cadena de suministro que utiliza modelos, entonces, está sujeto al riesgo de modelo. Pero a diferencia de las decisiones basadas en la intuición, las decisiones basadas en cálculos de modelos pueden exponerse y compararse con los resultados del mundo real. La verificación repetida es la mejor manera de protegerse contra el error del modelo, porque no solo prueba si el modelo es realista, sino que también indica cuándo es el momento de actualizar el modelo.

Como se señaló anteriormente, un modelo es un conjunto de relaciones funcionales entre variables clave. Esas relaciones tienen parámetros que ajustan el modelo al contexto operativo actual. Por ejemplo, los modelos de la cadena de suministro a menudo se basan, en parte, en estimaciones de la volatilidad de la demanda. Los datos históricos de demanda se utilizan para calcular los valores numéricos de estos parámetros. Si cambia la volatilidad de la demanda, el modelo se vuelve obsoleto y es probable que produzca recomendaciones inapropiadas. Por lo tanto, la buena práctica exige actualizaciones frecuentes de los parámetros del modelo.

Incluso cuando los valores de los parámetros son actuales, todavía puede haber problemas debido a relaciones funcionales incorrectas. Por ejemplo, considere la relación entre la media y la desviación estándar de la demanda de repuestos. En términos generales, cuanto mayor sea la demanda promedio, mayor será la volatilidad de la demanda medida por la desviación estándar.

Ahora considere modelos simplificados de la “vieja escuela” que describen la demanda de repuestos como un proceso de Poisson. El proceso de Poisson es muy útil y relativamente simple, por lo que a menudo aparece en las clases de Estadística 101. Debido a su relativa simplicidad, los modelos de Poisson son las ratas blancas del análisis de la cadena de suministro de repuestos, es decir, las personas realizan experimentos informáticos y desarrollan teorías basadas en el comportamiento de los modelos de demanda de Poisson. Para los modelos de Poisson, la desviación estándar de la demanda es igual a la raíz cuadrada de la media. Sin embargo, cuando observamos los datos de demanda real de nuestros clientes, descubrimos que la relación real entre la media y la desviación estándar de la demanda se describe mejor mediante una relación de ley de potencia más general. Por lo tanto, el modelo simple puede usar estimaciones precisas de la media y la desviación estándar, pero aun así no reflejar con precisión su relación. Esto, a su vez, conduce a recomendaciones incorrectas sobre los puntos de pedido de piezas de repuesto. Verificar datos reales es el mejor antídoto contra las suposiciones arrogantes.

Qué hacer a continuación

No siento que los modelos actuales de la cadena de suministro estén al borde de crear el tipo de colapso que vimos al comienzo de la Gran Recesión. Pero aquellos de nosotros que somos expertos en la cadena de suministro debemos mostrar más madurez profesional que nuestros colegas financieros. Necesitamos no enamorarnos de nuestros modelos, y debemos alertar a nuestros clientes para corregir la higiene del modelo.

Por lo tanto, usuarios de modelos, lávense las manos con frecuencia a medida que comienza la temporada de gripe, y laven sus modelos minuciosamente a través de datos duros para asegurarse de que los modelos en los que confían estén actualizados y se basen en la realidad. Ambos pasos lo protegerán de ser víctima de sus modelos y le permitirán explotar sus ventajas sobre la administración por intuición.

Apéndice: Consejos técnicos

El análisis de la cadena de suministro proporciona varios tipos de resultados. En el ámbito de la previsión y la planificación de la demanda, la comprobación empírica obvia es comparar las previsiones con los valores reales de la demanda que finalmente se revelan. Este mismo “pronosticar y luego verificar” El enfoque también se puede utilizar en la generación de pronósticos. En el ámbito de la gestión de inventario, los modelos pueden basarse en pronósticos para recomendar opciones de políticas, como puntos de pedido y cantidades de pedidos o valores mínimos y máximos. Existe una forma inteligente de confirmar la precisión de las recomendaciones de puntos de reorden y Min's. ver nuestro blog La métrica de precisión de pronóstico correcta para la planificación de inventario