Apuesto a que sus equipos de mantenimiento y reparación estarían de acuerdo con incurrir en mayores riesgos de falta de existencias uno alguno piezas de repuesto si supieran que los ahorros de reducción de inventario se utilizarían para distribuir la inversión en inventario de manera más efectiva para otro repuestos y aumentar los niveles generales de servicio.

Duplicaré que su equipo de finanzas, a pesar de que siempre se enfrenta al desafío de reducir los costos, respaldaría un aumento saludable del inventario si pudiera ver claramente que los ingresos se benefician de un mayor tiempo de actividad, menos agilidades y mejoras en el nivel de servicio claramente superan los costos de inventario adicionales y riesgo

La curva de compensación de piezas de repuesto permitirá a los equipos de planificación de repuestos comunicar adecuadamente los riesgos y costos de cada decisión de inventario. Es una misión crítica para la planificación de piezas y la única forma de ajustar los parámetros de almacenamiento de forma proactiva y precisa para cada pieza. Sin él, los planificadores, para todos los efectos, están "planificando" con los ojos vendados porque no podrán comunicar las verdaderas compensaciones asociadas con las decisiones de almacenamiento.

Por ejemplo, si se recomienda un aumento propuesto a los niveles mínimos/máximos de un importante grupo de productos básicos de repuestos, ¿cómo sabe si el aumento es demasiado alto, demasiado bajo o correcto? ¿Cómo se puede afinar el cambio para miles de repuestos? No lo harás y no puedes. Su toma de decisiones de inventario se basará en decisiones reactivas, viscerales y generales que causan que los niveles de servicio se resientan y los costos de inventario se disparen.

Entonces, ¿qué es exactamente una curva de compensación de repuestos?

Es una predicción numérica basada en hechos que detalla cómo los cambios en los niveles de existencias influirán en el valor del inventario, los costos de mantenimiento y los niveles de servicio. Por cada cambio de unidad en el nivel de inventario hay un costo y un beneficio. La curva de compensación de repuestos identifica estos costos y beneficios a través de diferentes niveles de existencias. Permite a los planificadores descubrir el nivel de existencias que mejor equilibra los costes y los beneficios de cada artículo individual.

Aquí hay dos ejemplos simplificados. En la Figura 1, la curva de compensación de repuestos muestra cómo cambia el nivel de servicio (probabilidad de no agotarse) según el nivel de pedido. Cuanto mayor sea el nivel de reorden, menor será el riesgo de falta de existencias. Es fundamental saber cuánto servicio está ganando dada la inversión en inventario. Aquí puede justificar que un aumento de inventario de un punto de pedido de 35 a 45 bien vale la pena la inversión de 10 unidades adicionales de stock porque los niveles de servicio saltan de poco menos de 70% a 90%, lo que reduce el riesgo de falta de existencias para la pieza de repuesto de 30% a 10%!

​

Figura 1: Costo versus nivel de servicio

Figura 2: Nivel de servicio frente al tamaño del inventario

En este ejemplo (Figura 2), la curva de compensación expone un problema común con el inventario de repuestos. A menudo, los niveles de existencias son tan altos que generan rendimientos negativos. Después de una cierta cantidad de existencias, cada unidad adicional de existencias no compra más beneficios en forma de un mayor nivel de servicio. Las disminuciones de inventario pueden justificarse cuando está claro que el nivel de existencias ha superado con creces el punto de rendimientos decrecientes. Una curva de compensación precisa expondrá el punto en el que ya no es ventajoso agregar stock.

Mediante el aprovechamiento #pronóstico probabilístico para impulsar la planificación de piezas, puede comunicar estas compensaciones con precisión, hacerlo a escala en cientos de miles de piezas, evitar malas decisiones de inventario y equilibrar los niveles de servicio y los costos. En Smart Software, nos especializamos en ayudar a los planificadores de repuestos, directores de administración de materiales y ejecutivos financieros que administran MRO, repuestos y repuestos para comprender y explotar estas relaciones.

Todas las organizaciones que utilizan equipos necesitan piezas de repuesto. Todos ellos deben hacer frente a cuestiones que son genéricas sin importar cuál sea su negocio. Sin embargo, algunos de los problemas son específicos de la industria. Esta publicación analiza un problema universal que se manifiesta en una planta nuclear y que es especialmente grave para cualquier empresa de servicios eléctricos.

El problema universal de la calidad de los datos

A menudo publicamos sobre los beneficios de convertir los datos de uso de piezas en decisiones inteligentes de gestión de inventario. El modelado de probabilidad avanzado admite la generación de escenarios de demanda realistas que se integran en simulaciones detalladas de Monte Carlo que exponen las consecuencias de decisiones como las elecciones de Min y Max que rigen la reposición de repuestos.

Sin embargo, toda esa tecnología analítica nueva y brillante requiere datos de calidad como combustible para el análisis. Para algunos servicios públicos de todo tipo, el mantenimiento de registros no es un punto fuerte, por lo que la materia prima que se analiza puede corromperse y ser engañosa. Recientemente nos topamos con la documentación de un claro ejemplo de este problema en una planta de energía nuclear (ver Scala, Needy y Rajgopal: Toma de decisiones y compensaciones en la gestión del inventario de piezas de repuesto en las empresas de servicios públicos. Asociación Estadounidense de Gestión de Ingeniería, 30.ª Conferencia Nacional ASEM, Springfield, MO. octubre de 2009). Scala et al. documentó el historial de uso de una pieza crítica cuya ausencia resultaría en una reducción de la potencia de la instalación o en un cierre. El registro de uso de la planta para esa parte abarcó más de ocho años de datos. Durante ese tiempo, el historial de uso oficial reportó nueve eventos en los que se produjo una demanda positiva con tamaños que oscilaban entre una y seis unidades cada uno. También hubo cinco eventos marcados por demandas negativas (es decir, devoluciones a almacén) que oscilaron entre una y tres unidades cada uno. La investigación cuidadosa descubrió que el verdadero uso ocurrió en solo dos eventos, ambos con una demanda de dos unidades. Obviamente, calcular los mejores valores Mín./Máx. para este artículo requiere datos de demanda precisos.

El problema especial de la salud y la seguridad

En el contexto de negocios “normales”, la escasez de piezas de repuesto puede dañar tanto los ingresos actuales como los ingresos futuros (relacionados con la reputación como proveedor confiable). Sin embargo, para una empresa de servicios eléctricos, Scala et al. observó un nivel mucho mayor de consecuencias asociadas a los desabastecimientos de piezas de repuesto. Estos incluyen no solo un mayor riesgo financiero y de reputación, sino también riesgos para la salud y la seguridad: “Las ramificaciones de no tener una pieza en stock incluyen la posibilidad de tener que reducir la producción o, muy posiblemente, incluso el cierre de una planta. Desde una perspectiva a más largo plazo, hacerlo podría interrumpir el servicio crítico de energía para los clientes residenciales, comerciales y/o industriales, al tiempo que daña la reputación, la confiabilidad y la rentabilidad de la empresa. Una empresa de servicios eléctricos fabrica y vende un solo producto: electricidad. Perder la capacidad de vender electricidad puede dañar gravemente los resultados de la empresa, así como su viabilidad a largo plazo”.

Razón de más para que las empresas eléctricas sean líderes y no rezagadas en el despliegue de los modelos de probabilidad más avanzados para la previsión de la demanda y la optimización del inventario.

¿Qué hace cuando pronostica un artículo con demanda intermitente, como una pieza de repuesto, con una demanda promedio de menos de una unidad por mes? La mayor parte del tiempo la demanda es cero, pero la parte es significativa en un sentido comercial; no se puede ignorar y se debe pronosticar para asegurarse de tener el stock adecuado.

Tus elecciones tienden a centrarse en algunas opciones:

Opción 1: Redondea a 1 cada mes, por lo que tu pronóstico anual es 12.

Opción 2: Redondee a 0 cada mes, de modo que su pronóstico anual sea 0.

Opción 3: método de pronóstico "igual que el mismo mes del año pasado" para que el pronóstico coincida con el real del año pasado.

Hay desventajas obvias para cada opción y no mucha ventaja para ninguna de ellas. La opción 1 a menudo resulta en un sobre pronóstico significativo. La opción 2 a menudo da como resultado una previsión significativamente inferior a la esperada. La opción 3 da como resultado un pronóstico que casi garantiza que perderá significativamente el real, ya que no es probable que la demanda aumente exactamente en el mismo período. Si DEBE pronosticar el artículo, normalmente recomendaríamos la opción 3, ya que es la respuesta más probable que el resto de la empresa entendería. 

Pero una mejor manera es no pronosticarlo en absoluto en el sentido habitual y, en su lugar, utilizar un "punto de reorden predictivo" relacionado con el nivel de servicio deseado. Para calcular un punto de reorden predictivo, puede usar el algoritmo de arranque de Markov patentado de Smart Software para simular todas las demandas posibles que podrían ocurrir durante el tiempo de entrega, luego identifique el punto de reorden que producirá su nivel de servicio objetivo.

Luego, puede configurar su sistema ERP para pedir más cuando el inventario disponible supere el punto de reorden en lugar de cuando se pronostique que llegará a cero (o cualquier reserva de existencias de seguridad que se ingrese). 

Esto hace que los pedidos tengan más sentido común sin las suposiciones innecesarias que se requieren para pronosticar una pieza de bajo volumen demandada intermitentemente.

¿Cuál es la diferencia y por qué es importante para la planificación del inventario?

Aquellos que son nuevos en el juego de planificación de piezas a menudo se confunden con las muchas variaciones en los nombres de las piezas. Este blog señala distinciones que tienen o no importancia operativa para alguien que administra una flota de piezas de repuesto y cómo esas diferencias afectan la planificación del inventario.

Por ejemplo, ¿cuál es la diferencia entre piezas de "repuesto" y piezas de "reemplazo"? En este caso, la diferencia es su origen. Se compraría una pieza de repuesto al fabricante del equipo, mientras que una pieza de repuesto se compraría a otra empresa. Para alguien que administra una flota de repuestos, la diferencia sería dos entradas diferentes en su base de datos de piezas: la fuente sería diferente y el precio unitario probablemente sería diferente. Es posible que también haya una diferencia en la vida útil de las piezas de las dos fuentes. Las piezas "OEM" pueden ser más duraderas que las piezas más baratas del "mercado de accesorios". (Ahora tenemos cuatro términos diferentes que describen estas piezas). Estas distinciones serían importantes para optimizar un inventario de repuestos. El software que calcula los puntos de pedido óptimos y las cantidades de los pedidos llegaría a diferentes respuestas para piezas con diferentes costos unitarios y diferentes tasas de reemplazo.

Quizás la distinción más grande es entre partes "consumibles" y "reparables" o "giratorias". La distinción clave entre ellos es su costo. Es una tontería tratar de reparar un tornillo desgastado; simplemente tíralo y usa otro. Pero también es una tontería tirar un componente de $50,000 si se puede reparar por $5,000. Optimizar la gestión de inventario para flotas de cada tipo de pieza requiere matemáticas muy diferentes. Con los consumibles, las partes pueden considerarse anónimas e intercambiables. Con los “giratorios”, cada parte debe modelarse esencialmente de forma individual. Tratamos a cada uno como un ciclo a través de estados de "operativo", "en reparación" y "en espera/repuesto". Las decisiones sobre piezas reparables a menudo se manejan mediante un proceso de presupuesto de capital, y la pregunta analítica más destacada es "¿cuál debería ser el tamaño de nuestro grupo de repuestos?"

Hay otras distinciones que se pueden hacer entre las partes. La criticidad es un atributo importante. Las consecuencias de la falla de una pieza pueden variar desde “podemos tomarnos nuestro tiempo para obtener un reemplazo” hasta “esto es una emergencia; que esas máquinas vuelvan a funcionar pronto”. Al determinar cómo administrar las piezas, siempre debemos lograr un equilibrio entre los beneficios de tener un mayor stock de piezas y los costos en dólares. La criticidad cambia el equilibrio hacia ir a lo seguro con inventarios más grandes. A su vez, esto dicta objetivos de planificación más altos para las métricas de disponibilidad de piezas, como los niveles de servicio y las tasas de llenado, lo que conducirá a mayores puntos de pedido y/o cantidades de pedidos.

Si buscas en Google “tipos de repuestos”, descubrirás otras clasificaciones y distinciones. Desde nuestra perspectiva en Smart Software, las palabras importan menos que los números asociados con las piezas: costos unitarios, tiempo medio antes de la falla, tiempo medio de reparación y otros aportes técnicos a nuestros productos que resuelven cómo administrar las piezas para obtener el máximo beneficio.

A menudo nos encontramos con métodos de planificación de puntos de pedido basados en Excel. En esta publicación, detallamos un enfoque que utilizó un cliente antes de continuar con Smart. Describimos cómo funcionaba su hoja de cálculo, los enfoques estadísticos en los que se basaba, los pasos que los planificadores siguieron en cada ciclo de planificación y sus motivaciones declaradas para usar (y realmente gustarles) esta hoja de cálculo desarrollada internamente.

Su proceso mensual consistía en actualizar un nuevo mes de datos reales en la "hoja de puntos de pedido". Una fórmula incrustada volvió a calcular el punto de pedido (ROP) y el nivel de pedido hasta (máx.). Funcionó así:

• ROP = Demanda LT + Stock de Seguridad
• Demanda LT = demanda diaria promedio x días de tiempo de entrega (se supone constante para simplificar las cosas)
• Inventario de seguridad para piezas con plazos de entrega prolongados = Desviación estándar x 2,0
• Stock de seguridad para piezas con plazos de entrega cortos = Desviación estándar x 1,2
• Max = ROP + cantidad mínima de pedido dictada por el proveedor

Los promedios históricos y las desviaciones estándar utilizaron 52 semanas de historial continuo (es decir, la semana más nueva reemplazó a la semana más antigua en cada período). La desviación estándar de la demanda se calculó utilizando la función "stdevp" en Excel.

Cada mes, se volvió a calcular un nuevo ROP. Tanto la demanda promedio como la desviación estándar fueron modificadas por la demanda de la nueva semana, que a su vez actualizó la ROP.

El ROP predeterminado siempre se basa en la lógica anterior. Sin embargo, los planificadores harían cambios bajo ciertas condiciones:

1. Los planificadores aumentarían el Min para piezas económicas para reducir el riesgo de recibir un golpe de entrega a tiempo (OTD) en una pieza económica.

2. La hoja de Excel identificó cualquier parte con una ROP recién calculada que era ± 20% diferente de la ROP actual.

3. Los planificadores revisaron las piezas que superaban el umbral de excepción, propusieron cambios y obtuvieron la aprobación de un gerente.

4. Los planificadores revisaron los elementos con aciertos OTD y aumentaron el ROP en función de su intuición. Los planificadores continuaron monitoreando esas partes durante varios períodos y bajaron el ROP cuando sintieron que era seguro.

5. Una vez que se determinaron el ROP y la cantidad máxima, el archivo de resultados revisados se envió a TI, quien lo cargó en su ERP.

6. El sistema ERP luego gestionaba el reabastecimiento diario y la gestión de pedidos.

Objetivamente, este fue quizás un enfoque superior al promedio para la gestión de inventario. Por ejemplo, algunas empresas desconocen el vínculo entre la variabilidad de la demanda y los requisitos de existencias de seguridad y confían exclusivamente en la regla de los métodos o la intuición. Sin embargo, hay problemas con su enfoque:

1. Actualizaciones manuales de datos
Las hojas de cálculo requerían actualización manual. Para volver a calcular, se requerían varios pasos, cada uno con su propia dependencia. Primero, era necesario ejecutar un volcado de datos desde el sistema ERP. En segundo lugar, un planificador necesitaría abrir la hoja de cálculo y revisarla para asegurarse de que los datos se hayan importado correctamente. En tercer lugar, necesitaban revisar el resultado para asegurarse de que se calculó como se esperaba. En cuarto lugar, se requerían pasos manuales para devolver los resultados al sistema ERP.

2. Talla única para todas las existencias de seguridad
O en este caso, “una de dos tallas sirve para todos”. La elección de utilizar una desviación estándar de 2x y 1,2x para artículos con plazos de entrega largos y cortos, respectivamente, equivale a niveles de servicio de 97,71 TP3T y 88,41 TP3T. Este es un gran problema ya que es lógico que no todas las partes de cada grupo requieran el mismo nivel de servicio. Algunas partes tendrán un mayor dolor por falta de existencias que otras y viceversa. Por lo tanto, los niveles de servicio deben especificarse en consecuencia y ser proporcionales a la importancia del artículo. Descubrimos que estaban experimentando golpes OTD en aproximadamente 20% de sus piezas de repuesto críticas, lo que requería anulaciones manuales del ROP. La causa raíz fue que en todos los artículos con plazos de entrega cortos estaban planificando un objetivo de nivel de servicio de 88.4%. Por lo tanto, lo mejor que pudieron haber obtenido fue almacenar 12% de ese momento, incluso si "según el plan". Hubiera sido mejor planificar objetivos de nivel de servicio de acuerdo con la importancia de la pieza.

3. El inventario de seguridad es inexacto.  Los artículos que se planean para esta empresa son repuestos para apoyar equipos de diagnóstico. La demanda en la mayoría de estas partes es muy intermitente y esporádica. Por lo tanto, la elección de usar un promedio para calcular la demanda de tiempo de entrega no era irrazonable si acepta la necesidad de ignorar la variabilidad en los tiempos de entrega. Sin embargo, la confianza en un Distribución normal determinar el inventario de seguridad fue un gran error que resultó en inventarios de seguridad inexactos. La empresa declaró que sus niveles de servicio para artículos con plazos de entrega prolongados se encontraban en el rango de 90% en comparación con su objetivo de 97,7%, y que compensaron la diferencia con los envíos urgentes. Los niveles de servicio logrados para artículos con plazos de entrega más cortos fueron de aproximadamente 80%, a pesar de que el objetivo era 88,4%. Calcularon las existencias de seguridad de forma incorrecta porque su demanda no tiene "forma de campana", pero eligieron las existencias de seguridad asumiendo que así era. Esta simplificación da como resultado la falta de objetivos de nivel de servicio, lo que obliga a la revisión manual de muchos elementos que luego deben ser "supervisados manualmente durante varios períodos" por un planificador. ¿No sería mejor asegurarse de que el punto de reorden cumpliera con el nivel de servicio exacto que deseaba desde el principio? Esto garantizaría que alcance sus niveles de servicio y minimice la intervención manual innecesaria.

Hay un cuarto problema que no está en la lista pero que vale la pena mencionar. La hoja de cálculo no pudo rastrear tendencias o patrones estacionales. Los promedios históricos ignoran la tendencia y la estacionalidad, por lo que la demanda acumulada durante el tiempo de entrega utilizada en el ROP será sustancialmente menos precisa para las piezas de tendencia o estacionales. El equipo de planificación reconoció esto pero no sintió que fuera un problema legítimo, razonando que la mayor parte de la demanda era intermitente y no tenía estacionalidad. Es importante que el modelo detecte la tendencia y la estacionalidad de los datos intermitentes, si existen, pero no encontramos que sus datos exhiban estos patrones. Entonces, acordamos que esto no era un problema. para ellos. Pero a medida que el ritmo de planificación aumenta hasta el punto de que la demanda se reparte a diario, incluso la demanda intermitente muy a menudo resulta tener una estacionalidad de día de la semana y, a veces, de semana del mes. Si no corre a una frecuencia más alta ahora, tenga en cuenta que puede verse obligado a hacerlo pronto para mantenerse al día con una competencia más ágil. En ese momento, el procesamiento basado en hojas de cálculo simplemente no podrá mantenerse al día.

En conclusión, no use hojas de cálculo. No conducen a análisis hipotéticos significativos, requieren demasiado trabajo y la lógica subyacente debe simplificarse para que el proceso sea lo suficientemente rápido como para que sea útil. En resumen, opte por soluciones especialmente diseñadas. Y asegúrese de que se ejecuten en la nube.