1. La funcionalidad ERP integrada se integra en la Gestión de pedidos.

Considere lo que significa "gestión de la demanda", "planificación de la demanda" y "previsión". Estos términos implican cierta funcionalidad estándar para la colaboración, el análisis estadístico y la generación de informes para respaldar un proceso de planificación de la demanda profesional. Sin embargo, en la mayoría de los sistemas ERP, la "gestión de la demanda" consiste en ejecutar MRP y conciliar la oferta y la demanda con el fin de realizar pedidos, es decir, "gestión de pedidos". Tiene muy poco que ver con la planificación de la demanda, que es un proceso discreto centrado en desarrollar las mejores predicciones posibles de la demanda futura al combinar el análisis estadístico con el conocimiento comercial de eventos, promociones e inteligencia de la fuerza de ventas. La mayoría de los sistemas ERP ofrecen poca capacidad estadística y, cuando se ofrecen, el usuario puede elegir entre algunos métodos estadísticos que debe aplicar manualmente desde una lista desplegable o programar ellos mismos. Está integrado en el proceso de gestión de pedidos, lo que permite al usuario posiblemente cómo el pronóstico podría afectar el inventario. Sin embargo, no hay ninguna capacidad para administrar el pronóstico, mejorar la calidad del pronóstico, aplicar y rastrear anulaciones de administración, colaborar, medir la precisión del pronóstico y rastrear “Valor agregado de pronóstico.” 

2. Los métodos de planificación de ERP a menudo se basan en reglas generales simplistas.

Los sistemas ERP siempre ofrecerán mínimo, máximo, stock de seguridad, punto de pedido, cantidad de pedido y pronósticos para impulsar las decisiones de reabastecimiento. Pero, ¿qué pasa con los métodos subyacentes utilizados para calcular estos importantes impulsores? En casi todos los casos, los métodos proporcionados no son más que regla de oro enfoques que no tienen en cuenta la demanda o la variabilidad del proveedor. Algunos ofrecen "objetivo de nivel de servicio", pero confían erróneamente en la suposición de una distribución normal ("curva en forma de campana"), lo que significa que las existencias de seguridad requeridas y los puntos de reorden recomendados por el sistema para lograr el objetivo de nivel de servicio van a ser planos. salir mal si sus datos no se ajustan al modelo teórico ideal, que a menudo es muy poco realista. Estos cálculos demasiado simplificados tienden a hacer más daño que bien.  

3. Probablemente seguirás usando hojas de cálculo durante al menos 2 años después de la compra.

La mayoría de las veces, si tuviera que implementar una nueva solución ERP, sus datos antiguos quedarían varados. Por lo tanto, no se puede usar ninguna funcionalidad ERP nativa para pronósticos, establecer políticas de almacenamiento como Mín./Máx., etc., y se verá obligado a volver a las hojas de cálculo engorrosas y propensas a errores durante al menos dos años (un año para implementar como mínimo y otro año para recoger al menos 12 meses de historial). Difícilmente una transformación digital. El uso de la mejor solución evita este problema. Puede cargar datos de su sistema ERP heredado y no interrumpir su implementación de ERP. Esto significa que en el día 1 de la puesta en marcha de ERP puede completar su nuevo sistema ERP con mejores entradas para los pronósticos de demanda, las existencias de seguridad, los puntos de pedido y la configuración mín./máx..

4. El ERP no está diseñado para hacerlo todo

La mentalidad de “Hacer todo en ERP/Un solo proveedor” fue un mensaje de marketing promovido por las empresas de ERP, particularmente SAP, para que usted, el cliente, gaste 100% de su presupuesto de TI con ellos. Ese mensaje de marketing ha sido repetido a los usuarios por grupos de analistas, firmas de TI e integradores de sistemas, ahogando las voces racionales que preguntaban: "¿Por qué quieres depender tanto de una empresa hasta el punto de utilizar una tecnología de planificación de inventario y previsión inferior? ” La gran cantidad de fallas de TI y los enormes costos de implementación han hecho que muchas empresas reconsideren su enfoque de ERP. Con la llegada de las aplicaciones de planificación especializadas nacidas en la nube sin huella de TI, el camino a seguir es un ERP "delgado" centrado en los fundamentos (contabilidad, gestión de pedidos, finanzas) pero respaldado por aplicaciones de planificación especializadas. 

La experiencia de los consultores de ERP radica en cómo su sistema está diseñado para automatizar ciertos procesos comerciales y cómo se puede configurar o personalizar el sistema. Sus consultores no son especialistas en los enfoques adecuados para la planificación de existencias, pronósticos y planificación de inventario. Entonces, si está tratando de comprender qué enfoque de planificación de la demanda es el adecuado para su negocio, ¿cómo debe amortiguar adecuadamente (por ejemplo, “¿Deberíamos hacer un reabastecimiento mínimo/máximo o basado en el pronóstico?” “¿Deberíamos usar el método de pronóstico X?”), por lo general no lo encontrará y, si lo hace, ese recurso se dispersará bastante. 

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).

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! 

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