Los objetivos de suministro diarios no funcionan al calcular las existencias de seguridad

Los CFO nos dicen que necesitan gastar menos en inventario y sin que afecte a las ventas. Una forma de hacerlo es dejar de usar los objetivos diarios de suministro para determinar los puntos de pedido y las reservas de existencias de seguridad. Así es como funciona un modelo de suministro diario:

1. Calcule el promedioa de la demanda diaria y multiplique la demanda diaria por el tiempo de entrega del proveedor por días para obtener la demanda de tiempo de entrega
2. Elija un búfer de suministro por días (es decir, 15, 30, 45 días, etc.). Use búferes más grandes para elementos más importantes y búferes más pequeños para elementos menos importantes.
3. Agregue los días de reserva deseados del suministro a la demanda durante el tiempo de entrega para obtener el punto de reorden. Pida más cuando el inventario disponible esté por debajo del punto de reorden.

Este enfoque es erroneo por las siguientes razones:

1. El promedio no tiene en cuenta la estacionalidad ni la tendencia: no verá patrones obvios a menos que pase mucho tiempo ajustándolos manualmente.
2. El promedio no tiene en cuenta cuán predecible es un artículo: tendrá un exceso de existencias de artículos predecibles y una escasez de artículos menos predecibles. Esto se debe a que los mismos días de suministro para diferentes artículos generan un riesgo de agotamiento de existencias muy diferente.
3. El promedio no le dice a un planificador cómo el nivel de inventario afecta el riesgo de falta de existencias: no tendrá idea de si tiene existencias insuficientes, excesivas o si tiene suficiente.

Hay muchos otros enfoques de "regla general" que son igualmente problemáticos. Puedes aprender más sobre ellos en este blog. 

Una mejor manera de planificar la cantidad correcta del inventario de seguridad es aprovechar los modelos de probabilidad que identifican exactamente cuánto inventario se necesita contando el riesgo de desabastecimiento que está dispuesto a aceptar. A continuación se muestra una captura de pantalla de Smart Inventory Optimization que hace exactamente eso. En primer lugar, detalla los niveles de servicio previstos (probabilidad de no agotarse) asociados con la lógica de suministro de los días actuales. El planificador ahora puede ver las partes en las que el nivel de servicio previsto es demasiado bajo o demasiado costoso. Luego pueden hacer correcciones inmediatas enfocándose en los niveles de servicio deseados y el nivel de inversión en inventario. Sin esta información, un planificador no sabrá si los días previstos de existencias de seguridad son demasiado, demasiado poco o simplemente correctos, lo que resulta en excesos y escasez que cuestan participación de mercado e ingresos. 

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.

Al decidir los parámetros correctos de almacenamiento de repuestos y piezas de servicio, es importante distinguir entre piezas de servicio consumibles y reparables. Estas diferencias a menudo son pasadas por alto por el servicio software de planificación de piezas y puede resultar en errores estimaciones de los requisitos de almacenaje. Se requieren diferentes enfoques al planificar los consumibles frente a las piezas de repuesto reparables.

Primero, definamos estos dos tipos de repuestos.

• Partes consumibles son repuestos contenidos dentro del equipo que se reemplazan en lugar de repararse cuando fallan. Los ejemplos de piezas consumibles incluyen baterías, filtros de aceite, tornillos, pastillas de freno, etc. Las piezas de repuesto consumibles tienden a ser piezas de menor costo para las cuales el reemplazo es más barato que la reparación o la reparación puede no ser posible.
• Partes reparables son piezas que se pueden reparar y volver a poner en servicio después de fallar debido a causas como desgaste, daños o corrosión. Las piezas de servicio reparables tienden a ser más caras que las piezas consumibles, por lo que la reparación suele ser preferible al reemplazo. Los ejemplos de piezas reparables incluyen motores de tracción en vagones de ferrocarril, motores a reacción, fotocopiadoras, etc.

El software tradicional de planificación de piezas de repuesto no cumple con los requisitos

El software tradicional de planificación de piezas no está bien adaptado para lidiar con la aleatoriedad tanto en el lado de la demanda como en el lado de la oferta de las operaciones de MRO.

Aleatoriedad del lado de la demanda
La planificación de repuestos consumibles requiere el cálculo de parámetros de control de inventario (como puntos de pedido y cantidades de pedido, niveles mínimo y máximo y existencias de seguridad). La planificación para administrar las piezas de servicio reparables requiere el cálculo de la cantidad correcta de repuestos. En ambos casos, el análisis debe basarse en modelos de probabilidad del uso aleatorio de consumibles o la avería aleatoria de piezas reparables. Para más de 90% de estas partes, la demanda es “intermitente” (a veces llamado "érratica"). Los métodos tradicionales de previsión de repuestos no se desarrollaron para hacer frente a la demanda intermitente. Confiar en los métodos tradicionales conduce a costosos errores de planificación. Para los consumibles, esto significa desabastecimientos evitables, costos excesivos de mantenimiento y mayor obsolescencia del inventario. Para las piezas reparables, esto significa un tiempo de inactividad excesivo del equipo y los costos correspondientes por un rendimiento poco confiable y la interrupción de las operaciones.

Aleatoriedad del lado de la oferta
La planificación de piezas de repuesto consumibles debe tener en cuenta la aleatoriedad en el reabastecimiento de los plazos de entrega de los proveedores. La planificación de piezas reparables debe tener en cuenta la aleatoriedad en los procesos de reparación y devolución, ya sea que de los que se proporcionen internamente o se contraten. Los planificadores que gestionan estos artículos a menudo ignoran los datos de interés dentro de la empresa. En cambio, pueden cruzar los dedos y esperar que todo salga bien, o pueden invocar su instinto para "selecionar a ojo" y luego esperar que todo salga bien. Esperar y adivinar no puede vencer al modelo de probabilidad adecuado. Desperdicia millones anualmente en inversiones de capital innecesarias y tiempo de inactividad evitable del equipo.

Ya sea que esté utilizando 'Mín./Máx.' o 'punto de pedido' y 'cantidad de pedido' para determinar cuándo y cuánto reabastecer, su enfoque puede generar o negar grandes eficiencias. Errores clave a evitar:

1. No recalibrar regularmente
2. Si se revisa solo el Min/Max, hay un problema
3. El uso de métodos de pronóstico no está a la altura de la tarea
4. Asumir que los datos son demasiado lentos o impredecibles

“Tenemos más de 150.000 combinaciones SKU x Ubicación. Nuestra demanda es intermitente. Dado que se mueve lentamente, no necesitamos volver a calcular nuestros puntos de pedido con frecuencia. Lo hacemos tal vez una vez al año, pero revisamos los puntos de pedido cada vez que hay un problema”. – Gerente de Materiales.

Este enfoque reactivo conducirá a millones en exceso de existencias, roturas de existencias y mucho tiempo perdido revisando datos cuando "algo sale mal". Sin embargo, he escuchado este mismo estribillo a muchos profesionales de inventario a lo largo de los años. Claramente, necesitamos compartir porqué este pensamiento es totalmente erróneo.

Es cierto que para muchas partes, un recálculo de los puntos de pedido con datos históricos actualizados y plazos de entrega podría no cambiar mucho, especialmente si hay patrones como la tendencia o la estacionalidad. Sin embargo, muchas partes se beneficiarán de un recálculo, especialmente si los plazos de entrega o la demanda reciente han cambiado. Además, la probabilidad de un cambio significativo que requiera un nuevo cálculo aumenta cuanto más espere. Finalmente, esos meses con nula demanda también influyen en las probabilidades y no deben ser ignorados. Sin embargo, el punto clave es que es imposible saber qué cambiará o no cambiará en su pronóstico, por lo que es mejor recalibrar regularmente.

Este caso de datos real ilustra un escenario donde brilla la recalibración regular y automatizada: los beneficios de las respuestas rápidas a patrones de demanda cambiantes y como estos se suman rápidamente. En el ejemplo anterior, el eje X representa los días y el eje Y representa la demanda. Si tuviera que esperar varios meses entre recalibrar sus puntos de pedido, sin duda haría el pedido demasiado pronto. Al recalibrar su punto de reorden con mucha más frecuencia, captará el cambio en la demanda y permitirá pedidos mucho más precisos.

En lugar de esperar hasta que tenga un problema, vuelva a recalibrar todas las piezas en cada ciclo de planificación al menos una vez al mes. Al hacerlo, aprovecha los datos más recientes y ajusta proactivamente la política de almacenamiento, evitando así problemas que causarían revisiones manuales y escasez o exceso de inventario.

La naturaleza de sus datos (potencialmente variados) también debe combinarse con las herramientas de pronóstico adecuadas. Si los registros de algunas partes muestran tendencias o patrones estacionales, el uso de métodos de pronóstico de objetivos para adaptarse a estos patrones puede marcar una gran diferencia. De manera similar, si los datos muestran valores cero frecuentes (demanda intermitente), los métodos de pronóstico que no se basan en este caso especial pueden arrojar fácilmente resultados poco confiables.

Automatice, recalibre y revise las excepciones. El software especialmente diseñado lo hará automáticamente. Piénselo de otra manera: ¿es mejor depositar una gran cantidad de dinero en el inversiones una vez al año o en el "costo promedio en euros" depositando cantidades más pequeñas en que sector en el que decida invertir en fracciones mensuales? Recalibrar las políticas con regularidad generará rendimientos máximos con el tiempo, tal como lo hará el promedio del costo en euros para su cartera de inversiones.

¿Con qué frecuencia recalibra sus políticas de almacenamiento? ¿Por qué?

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