Comencemos reconociendo que el aumento de los ingresos es bueno para usted y que aumentar la disponibilidad de las piezas de repuesto que proporciona es bueno para sus clientes.

Pero también reconozcamos que aumentar la disponibilidad de artículos no necesariamente conducirá a mayores ingresos. Si planifica incorrectamente y termina teniendo un exceso de inventario, el efecto neto puede ser bueno para sus clientes, pero definitivamente será malo para usted. Debe haber alguna forma correcta de hacer que esto sea beneficioso para todos, si tan solo se puede reconocer.

Para tomar la decisión correcta aquí, debe pensar sistemáticamente sobre el problema. Eso requiere que utilice modelos probabilísticos del proceso de control de inventario.

un escenario

Consideremos un escenario específico y realista. Muchos factores influyen en los resultados:

• El artículo: Una pieza de repuesto específica de bajo volumen.
• Demanda media: promedio de 0,1 unidades por día (por lo tanto, altamente "intermitente")
• Desviación estándar de la demanda: 0,35 unidades por día (por lo tanto, muy variable o “sobredispersada”).
• Plazo medio de entrega del proveedor: 5 días.
• Costo unitario: $100.
• Costo de mantenimiento por año como % del costo unitario: 10%.
• Costo de pedido por corte de orden de compra: $25.
• Consecuencias del desabastecimiento: pérdida de ventas (por lo tanto, un mercado competitivo, sin pedidos pendientes).
• Costo de escasez por venta perdida: $100.
• Objetivo de nivel de servicio: 85% (por lo tanto, 15% de probabilidad de desabastecimiento en cualquier ciclo de reabastecimiento).
• Política de control de inventario: revisión periódica/pedido hasta (también llamada política en (T,S))

Política de control de inventario

Una palabra sobre la política de control de inventario. La política (T,S) es una de varias que son comunes en la práctica. Aunque existen otras políticas más eficientes (p. ej., no esperan a que pasen T días para hacer el ajuste de stock), (T,S) es una de las más sencillas y, por lo tanto, bastante popular. Funciona de esta manera: cada T días, verifica cuántas unidades tiene en stock, digamos X unidades. Luego, solicita unidades SX, que aparecen después del tiempo de entrega del proveedor (en este caso, 5 días). La T en (T,S) es el “intervalo de pedido”, el número de días entre pedidos; la S es el "pedido hasta el nivel", la cantidad de unidades que desea tener disponibles al comienzo de cada ciclo de reposición.

Para aprovechar al máximo esta política, debe elegir sabiamente los valores de T y S. Elegir sabiamente significa que no puede ganar adivinando o usando guías simples de reglas generales como "Mantenga un promedio de 3 veces la demanda promedio disponible". Las malas elecciones de T y S perjudican tanto a sus clientes como a sus resultados. Y quedarse demasiado tiempo con opciones que alguna vez fueron buenas puede resultar en un rendimiento deficiente si alguno de los factores anteriores cambia significativamente, por lo que los valores de T y S deben recalcularse de vez en cuando.

La forma inteligente de elegir los valores correctos de T y S es usar modelos probabilísticos codificados en software avanzado. El uso de software es esencial cuando tiene que escalar y elegir valores de T y S que sean correctos no para un artículo sino para cientos o miles.

Análisis de Escenario

Pensemos en cómo ganar dinero en este escenario. ¿Cuál es el lado positivo? Si no hubiera gastos, este rubro podría generar un promedio de $3.650 por año: 0,1 unidades/día x 365 días x $100/unidad. Se restarán de eso los costos operativos, compuestos por costos de mantenimiento, pedidos y faltantes. Cada uno de ellos dependerá de sus elecciones de T y S.

El software proporciona números específicos: la configuración de T = 321 días y S = 40 unidades dará como resultado costos operativos anuales promedio de $604, dando un margen esperado de $3,650 – $604 = $3,046. Ver Tabla 1, columna izquierda. Este uso de software se denomina "análisis predictivo" porque traduce las entradas del diseño del sistema en estimaciones de un indicador clave de rendimiento, el margen.

Ahora piensa si puedes hacerlo mejor. El objetivo de nivel de servicio en este escenario es 85%, que es un estándar algo relajado que no llamará la atención. ¿Qué pasaría si pudiera ofrecer a sus clientes un nivel de servicio 99%? Eso suena como una clara ventaja competitiva, pero ¿reduciría su margen? No si ajusta correctamente los valores de T y S.

Establecer T = 216 días y S = 35 unidades reducirá los costos operativos anuales promedio a $551 y aumentará el margen esperado a $3,650 – $551 = $3,099. Ver Tabla 1, columna derecha. Aquí está el ganar-ganar que queríamos: mayor satisfacción del cliente y aproximadamente 2% más de ingresos. Este uso del software se denomina "análisis de sensibilidad" porque muestra cuán sensible es el margen a la elección del objetivo de nivel de servicio.

El software también puede ayudarlo a visualizar la dinámica compleja y aleatoria de los movimientos de inventario. Un subproducto del análisis que llenó la Tabla 1 son los gráficos que muestran las rutas aleatorias tomadas por las existencias a medida que disminuyen durante un ciclo de reabastecimiento. La figura 1 muestra una selección de 100 escenarios aleatorios para el escenario en el que el nivel de servicio objetivo es 99%. En la figura, solo 1 de los 100 escenarios resultó en un desabastecimiento, lo que confirma la precisión de la elección del pedido hasta el nivel.

Resumen

La gestión de los inventarios de piezas de repuesto a menudo se realiza al azar utilizando el instinto, el hábito o la regla empírica obsoleta. Volarlo de esta manera no es un camino confiable y reproducible hacia un mayor margen o una mayor satisfacción del cliente. La teoría de la probabilidad, destilada en modelos de probabilidad y luego codificada en software avanzado, es la base para una guía coherente y eficiente sobre cómo administrar las piezas de repuesto en función de los hechos: características de la demanda, plazos de entrega, objetivos de nivel de servicio, costos y otros factores. Los escenarios analizados aquí ilustran que es posible lograr niveles de servicio más altos y un margen más alto. Una multitud de escenarios que no se muestran aquí ofrecen formas de lograr niveles de servicio más altos pero pierden margen. Usa el programa.

Mejore la precisión de la prediccion, optimice el inventario y maximice los niveles de servicio

En este video, el Dr. Thomas Willemain, cofundador y vicepresidente senior de investigación, habla sobre cómo mejorar la precisión de los pronósticos midiendo el error de pronóstico. Comenzamos con una descripción general de los distintos tipos de métricas de error: error dependiente de escala, error porcentual, error relativo y métrica de error sin escala. Si bien algunos errores son inevitables, hay formas de reducirlos, y las métricas de pronóstico son ayudas necesarias para monitorear y mejorar la precisión del pronóstico. Luego explicaremos el problema especial de la demanda intermitente y los problemas de división por cero. Tom concluye explicando cómo evaluar los pronósticos de múltiples artículos y cómo a menudo tiene sentido usar promedios ponderados, ponderando los artículos de manera diferente por volumen o ingresos.

Planificación de inventario desde la perspectiva de un físico

En un mundo perfecto, Just in Time (JIT) sería la solución adecuada para la gestión de inventario. Si puede predecir exactamente lo que necesita y dónde lo necesita y sus proveedores pueden obtener lo que necesita sin demora, entonces no necesita mantener mucho inventario localmente. Pero como dice el dicho del famoso pugilista Mike Tyson, “todos tienen un plan hasta que les dan un puñetazo en la boca”. Y el último golpe en la boca para la cadena de suministro global fue el Bloqueo del Canal de Suez de la semana pasada que retuvo $9.6B en el comercio con un costo estimado de $6.7M por minuto.[1]. Las interrupciones de estos y otros eventos similares deben modelarse y tenerse en cuenta en su planificación.

La suposición de que puedes exactamente Predice el futuro era evidente en las leyes de Isaac Newton. Desde la década de 1920 con la introducción de la física cuántica, la incertidumbre se volvió fundamental para nuestra comprensión de la naturaleza. La incertidumbre está integrada en la realidad fundamental. También debe integrarse en los procesos de planificación de la oferta y la demanda. Sin embargo, con demasiada frecuencia, los eventos del cisne negro, como el bloqueo del Canal de Suez, se consideran anomalías y, como resultado, se descartan al planificar. No es suficiente mirar hacia atrás en retrospectiva y proclamar que debería haberse esperado. Es necesario hacer algo para abordar la ocurrencia de otros eventos similares en el futuro y planificar los niveles de existencias en consecuencia.

Debemos ir más allá del pensamiento de "distribución de cola delgada" donde se descuentan los resultados extremos y planificar para "colas gruesas". Entonces, ¿cómo ejecutamos un plan JIT del mundo real cuando se trata de planificar el inventario? Para hacer esto, el primer paso es estimar el tiempo de entrega realista para obtener un artículo. Sin embargo, la estimación es difícil debido a la incertidumbre del tiempo de entrega. Utilizando los plazos de entrega reales de los proveedores en la base de datos de su empresa y los datos externos, puede desarrollar una distribución de posibles plazos de entrega y demandas futuras dentro de esos plazos de entrega. Pronóstico probabilístico le permitirá tener en cuenta las interrupciones y los eventos inusuales al no limitar sus estimaciones a lo que se ha observado únicamente en su propia demanda a corto plazo y datos de tiempo de entrega. Podrás generar posibles resultados con probabilidades asociadas para cada ocurrencia.

Una vez que tenga una estimación del tiempo de entrega y la distribución de la demanda, puede especificar el nivel de servicio necesitas tener para esa parte. Utilizando soluciones como Optimización de inventario inteligente (SIO), podrá almacenar con confianza en función del riesgo de agotamiento de existencias objetivo con un costo mínimo de mantenimiento de inventario. También puede considerar dejar que la solución prescriba objetivos de nivel de servicio óptimos mediante la evaluación de los costos de inventario adicional frente al costo de falta de existencias.