La planificación de la demanda va más allá de la simple previsión de las necesidades de productos; se trata de garantizar que su empresa satisfaga las demandas de los clientes con precisión, eficiencia y rentabilidad. La última tecnología de planificación de la demanda aborda desafíos clave como la precisión de las previsiones, la gestión de inventarios y la capacidad de respuesta al mercado. En este blog, presentaremos tendencias críticas de planificación de la demanda, que incluyen información basada en datos, previsión probabilística, planificación por consenso, análisis predictivo, modelado de escenarios, visibilidad en tiempo real y previsión multinivel. Estas tendencias le ayudarán a mantenerse a la vanguardia, optimizar su cadena de suministro, reducir costes y mejorar la satisfacción del cliente, posicionando a su empresa para el éxito a largo plazo.

Perspectivas basadas en datos

La analítica avanzada, el aprendizaje automático y la inteligencia artificial (IA) se están convirtiendo en elementos fundamentales de la planificación de la demanda. Tecnologías como Smart UP&O permiten a las empresas analizar conjuntos de datos complejos, identificar patrones y realizar predicciones más precisas. Este cambio hacia información basada en datos ayuda a las empresas a responder rápidamente a los cambios del mercado, lo que minimiza los desabastecimientos y reduce el exceso de inventario.

Predicción Probabilística

La previsión probabilística se centra en predecir una variedad de resultados posibles en lugar de una sola cifra. Esta tendencia es particularmente importante para gestionar la incertidumbre y el riesgo en la planificación de la demanda. Ayuda a las empresas a prepararse para diversos escenarios de demanda, mejorando la gestión del inventario y reduciendo la probabilidad de desabastecimiento o exceso de existencias.

Pronóstico por consenso

La fabricación moderna está avanzando hacia un enfoque integrado en el que los departamentos y las partes interesadas colaboran más estrechamente. La previsión colaborativa implica compartir información a lo largo de la cadena de suministro, desde los proveedores hasta los distribuidores y los equipos internos. Este enfoque elimina los silos y garantiza que todos trabajen hacia un objetivo común, lo que conduce a una cadena de suministro más sincronizada y eficiente.

Análisis predictivo y prescriptivo

El análisis predictivo pronostica resultados futuros en función de datos históricos y tendencias, lo que ayuda a las empresas a anticipar las fluctuaciones de la demanda. Por ejemplo, Smart Demand Planner (SDP) automatiza la previsión para ajustar los niveles de inventario y producción en consecuencia.

El análisis prescriptivo va más allá y ofrece recomendaciones prácticas. Por ejemplo, Smart Inventory Planning and Optimization (IP&O) prescribe políticas de inventario óptimas en función de los niveles de servicio, los costos y los riesgos. En conjunto, estas herramientas permiten tomar decisiones proactivas, lo que permite a las empresas predecir y optimizar sus respuestas a los desafíos futuros.

Modelado de escenarios

El modelado de escenarios se está convirtiendo en una parte clave de la planificación de la demanda, ya que permite a las empresas simular diferentes escenarios y evaluar su impacto en las operaciones. Este método ayuda a las empresas a crear estrategias adaptables para gestionar las incertidumbres de manera eficaz. Smart IP&O mejora esta capacidad al ofrecer ¿Qué pasaría si…? Escenarios que permiten a los usuarios probar diferentes políticas de inventario antes de implementarlas. Al ajustar variables como los niveles de servicio o las cantidades de pedidos, las empresas pueden visualizar los efectos en los costos y los niveles de servicio, lo que les permite seleccionar la estrategia óptima para minimizar los riesgos y controlar los costos.

Visibilidad en tiempo real

A medida que las cadenas de suministro se vuelven más globales e interconectadas, la visibilidad en tiempo real de los inventarios y las actividades de la cadena de suministro es crucial. Una mejor colaboración con proveedores y distribuidores, combinada con datos en tiempo real, permite a las empresas tomar decisiones más rápidas e informadas. Esto ayuda a optimizar los niveles de inventario, reducir los plazos de entrega y mejorar la resiliencia general de la cadena de suministro.

Pronóstico multinivel

Esto implica realizar previsiones en diferentes niveles de la jerarquía de productos, como artículos individuales, familias de productos o incluso líneas de productos completas. La previsión multinivel es vital para las empresas con carteras de productos complejas, ya que garantiza que las previsiones sean precisas tanto a nivel micro como macro.

La planificación de la demanda es un aspecto decisivo de la gestión moderna de la cadena de suministro, que ofrece a las empresas la capacidad de mejorar la eficiencia operativa, reducir los costes y satisfacer mejor las demandas de los clientes. El uso de plataformas avanzadas como Smart IP&O mejora significativamente la precisión de las previsiones y la gestión del inventario, lo que permite responder con rapidez a las fluctuaciones del mercado. Las previsiones estadísticas automatizadas, combinadas con funciones como la previsión jerárquica y las anulaciones de previsiones, garantizan que las previsiones sean precisas y adaptables, lo que conduce a decisiones de planificación más realistas. Además, con herramientas como el modelado de escenarios, las empresas pueden explorar varios escenarios de demanda en toda su jerarquía de productos, lo que facilita la toma de decisiones informada al proporcionar información sobre los posibles resultados y riesgos. Este enfoque permite a las empresas anticipar el impacto de los cambios de políticas, tomar mejores decisiones y, en última instancia, optimizar su inventario y la gestión general de la cadena de suministro, manteniéndose a la vanguardia de las tendencias clave en el proceso.

En este blog, analizaremos el pronóstico automático para proyecciones de demanda de series temporales, centrándonos en técnicas, desafíos y mejores prácticas clave. Existen múltiples métodos para predecir la demanda futura de un artículo, y esto se vuelve complejo cuando se trata de miles de artículos, cada uno de los cuales requiere una técnica de pronóstico diferente debido a sus patrones de demanda únicos. Algunos artículos tienen una demanda estable, otros tienen una tendencia al alza o a la baja y algunos presentan estacionalidad. Seleccionar el método correcto para cada elemento puede resultar abrumador. Aquí exploraremos cómo la previsión automática simplifica este proceso.

La previsión automática se vuelve fundamental en la gestión de proyecciones de demanda a gran escala. Con miles de elementos, no resulta práctico seleccionar manualmente un método de pronóstico para cada uno. La previsión automática utiliza software para tomar estas decisiones, garantizando precisión y eficiencia en el proceso de previsión. Su importancia radica en su capacidad para manejar de manera eficiente necesidades de pronóstico complejas y a gran escala. Elimina la necesidad de selección manual, ahorrando tiempo y reduciendo errores. Este enfoque es particularmente beneficioso en entornos con diversos patrones de demanda, donde cada artículo puede requerir un método de pronóstico diferente.

Consideraciones clave para una previsión eficaz

1. Desafíos de la previsión manual:
   • Inviabilidad: Elegir manualmente métodos de pronóstico para miles de artículos es inmanejable.
   • Inconsistencia: el error humano puede generar pronósticos inconsistentes e inexactos.
2. Criterios para la selección del método:
   • Medición de errores: el criterio principal para seleccionar un método de pronóstico es el error de pronóstico típico, definido como la diferencia entre los valores previstos y reales. Este error se promedia a lo largo del horizonte de pronóstico (por ejemplo, pronósticos mensuales durante un año).
   • Análisis de reserva: esta técnica simula el proceso de esperar a que transcurra un año ocultando algunos datos históricos, haciendo pronósticos y luego revelando los datos ocultos para calcular errores. Esto ayuda a elegir el mejor método en tiempo real.
3. Torneo de pronóstico:
   • Comparación de métodos: diferentes métodos compiten para pronosticar cada elemento, ganando el método que produce el error promedio más bajo.
   • Ajuste de parámetros: cada método se prueba con varios parámetros para encontrar la configuración óptima. Por ejemplo, se puede intentar un suavizado exponencial simple con diferentes factores de ponderación.

Los algoritmos detrás de la previsión automática eficaz

La previsión automática es altamente computacional pero factible con tecnología moderna. El proceso implica:

• Segmentación de datos: Dividir los datos históricos en segmentos ayuda a gestionar y aprovechar diferentes aspectos de los datos históricos para realizar pronósticos más precisos. Por ejemplo, para un producto con demanda estacional, los datos pueden segmentarse por temporadas para capturar tendencias y patrones específicos de cada temporada. Esta segmentación permite a los pronosticadores hacer y probar pronósticos de manera más efectiva.
• Simulaciones repetidas: El uso de simulaciones deslizantes implica probar y refinar pronósticos repetidamente durante diferentes períodos. Este método valida la precisión de los métodos de pronóstico aplicándolos a diferentes segmentos de datos. Un ejemplo es el método de ventana deslizante, donde una ventana de tamaño fijo se mueve a través de los datos de la serie temporal, generando pronósticos para cada posición para evaluar el desempeño.
• Optimización de parámetros: La optimización de parámetros implica probar múltiples variantes de cada método de pronóstico para encontrar el que tenga mejor rendimiento. Al ajustar parámetros, como el factor de suavizado en los métodos de suavizado exponencial o el número de observaciones pasadas en los modelos ARIMA, los pronosticadores pueden ajustar los modelos para mejorar el rendimiento.

Por ejemplo, en nuestro software permitimos que varios métodos de pronóstico compitan por el mejor desempeño en un elemento determinado. El conocimiento de la previsión automática se traslada inmediatamente a la media móvil simple, la media móvil lineal, el suavizado exponencial único, el suavizado exponencial doble, el suavizado exponencial de Winters y el pronóstico promocional. Esta competencia garantiza que se seleccione el método más adecuado basándose en evidencia empírica, no en juicios subjetivos. El ganador del torneo es el método más cercano a predecir valores de datos nuevos a partir de los antiguos. La precisión se mide mediante el error absoluto promedio (es decir, el error promedio, ignorando los signos menos). El promedio se calcula sobre un conjunto de pronósticos, cada uno usando una porción de los datos, en un proceso conocido como simulación deslizante, que hemos explicado anteriormente en un blog anterior.

Métodos utilizados en la previsión automática

Normalmente, hay seis métodos de pronóstico extrapolativo que compiten en el torneo de pronóstico automático:

• media móvil simple
• Media móvil lineal
• Suavizado exponencial simple
• Suavizado exponencial doble
• Versión aditiva del suavizado exponencial de Winters
• Versión multiplicativa del suavizado exponencial de Winters

Los dos últimos métodos son apropiados para series estacionales; sin embargo, quedan automáticamente excluidos del torneo si hay menos de dos ciclos estacionales completos de datos (por ejemplo, menos de 24 períodos de datos mensuales u ocho períodos de datos trimestrales). Estos seis métodos clásicos basados en suavizado han demostrado ser fáciles de entender, fáciles de calcular y precisos. Puedes excluir cualquiera de estos métodos del torneo si tienes preferencia por algunos de los competidores y no por otros.

La previsión automática de datos de series temporales es esencial para gestionar proyecciones de demanda a gran escala de manera eficiente y precisa. Las empresas pueden lograr una mayor precisión de los pronósticos y optimizar sus procesos de planificación automatizando la selección de métodos de pronóstico y utilizando técnicas como el análisis de reservas y los torneos de pronóstico. Adoptar estas técnicas avanzadas de pronóstico garantiza que las empresas se mantengan a la vanguardia en entornos de mercado dinámicos y tomen decisiones informadas basadas en proyecciones de datos confiables.

Las empresas que dependen de hojas de cálculo para la planificación de la demanda, la previsión y la gestión de inventario a menudo se ven limitadas por las limitaciones inherentes de las hojas de cálculo. Esta publicación examina los inconvenientes de los enfoques tradicionales de gestión de inventario causados por las hojas de cálculo y sus costos asociados, comparándolos con los importantes beneficios que se obtienen al adoptar tecnologías de planificación de última generación.

Las hojas de cálculo, si bien son flexibles por su infinita capacidad de personalización, son fundamentalmente de naturaleza manual y requieren una importante gestión de datos, aportación humana y supervisión. Esto aumenta el riesgo de errores, desde simples errores al ingresar datos hasta complejos errores de fórmula, que causan efectos en cascada que impactan negativamente en los pronósticos. Además, a pesar de los avances en las funciones colaborativas que permiten que varios usuarios interactúen con una hoja común, los procesos basados en hojas de cálculo suelen estar aislados. El titular de la hoja de cálculo posee los datos. Cuando esto sucede, comienzan a surgir muchas fuentes de datos veraces. Sin la confianza de una fuente de datos acordada, prístina y actualizada automáticamente, las organizaciones no tienen la base necesaria a partir de la cual se pueden construir modelos predictivos, pronósticos y análisis.

Por el contrario, los sistemas de planificación avanzada como Smart IP&O están diseñados para superar estas limitaciones. Dichos sistemas están diseñados para ingerir datos automáticamente a través de API o archivos de sistemas ERP y EAM, transformar esos datos utilizando herramientas ETL integradas y pueden procesar grandes volúmenes de datos de manera eficiente. Esto permite a las empresas gestionar tareas complejas de inventario y previsión con mayor precisión y menos esfuerzo manual porque la recopilación, agregación y transformación de datos ya están realizadas. La transición a sistemas de planificación avanzados es clave para optimizar los recursos por varias razones.

Las hojas de cálculo también tienen un problema de escala. Cuanto más crece el negocio, mayor es el número de hojas de cálculo, libros de trabajo y fórmulas. El resultado es un conjunto de interdependencias rígidas y estrechamente entrelazadas que se vuelven difíciles de manejar e ineficientes. Los usuarios tendrán dificultades para manejar el aumento de la carga y la complejidad con tiempos de procesamiento lentos y la incapacidad de administrar grandes conjuntos de datos y enfrentar desafíos al colaborar entre equipos y departamentos.

Por otro lado, los sistemas de planificación avanzados para la optimización del inventario, la planificación de la demanda y la gestión de inventario son escalables y están diseñados para crecer con el negocio y adaptarse a sus necesidades cambiantes. Esta escalabilidad garantiza que las empresas puedan seguir gestionando su inventario y sus previsiones de forma eficaz, independientemente del tamaño o la complejidad de sus operaciones. Al hacer la transición a sistemas como Smart IP&O, las empresas no sólo pueden mejorar la precisión de su gestión y pronóstico de inventario, sino también obtener una ventaja competitiva en el mercado al ser más receptivos a los cambios en la demanda y más eficientes en sus operaciones.

Beneficios de saltar: Una empresa de servicios eléctricos luchaba por mantener la disponibilidad de piezas de repuesto sin tener un exceso de existencias para más de 250.000 piezas en una red diversa de instalaciones de generación y distribución de energía. Reemplazó su proceso de planificación heredado de veinte años que hacía un uso intensivo de hojas de cálculo con Smart IP&O y una integración en tiempo real a su sistema EAM. Antes de Smart, solo podían modificar los niveles mínimo/máximo y de stock de seguridad con poca frecuencia. Cuando lo hicieron, casi siempre fue porque ocurrió un problema que desencadenó la revisión. Los métodos utilizados para cambiar los parámetros de almacenamiento dependieron en gran medida de la intuición y de los promedios del uso histórico. La empresa de servicios públicos aprovechó los escenarios hipotéticos de Smart para crear gemelos digitales de políticas de almacenamiento alternativas y simuló cómo se comportaría cada escenario en indicadores clave de rendimiento, como el valor del inventario, los niveles de servicio, las tasas de cumplimiento y los costos de escasez. El software identificó aumentos y disminuciones mínimos y máximos específicos que se implementaron en su sistema EAM, impulsando reabastecimientos óptimos de sus repuestos. El resultado: una importante reducción de inventario de $9 millones que liberó efectivo y valioso espacio de almacén al mismo tiempo que mantuvo los niveles de servicio objetivo de 99%+.

Gestión de la precisión del pronóstico: El error de pronóstico es una parte inevitable de la gestión de inventario, pero la mayoría de las empresas no lo rastrean. Como dijo Peter Drucker: "No se puede mejorar lo que no se mide". Una empresa mundial de fabricación de alta tecnología que utilizaba un proceso de pronóstico basado en hojas de cálculo tuvo que crear manualmente sus pronósticos de referencia y sus informes de precisión de los pronósticos. Dada la carga de trabajo de los planificadores y los procesos aislados, simplemente no actualizaban sus informes con mucha frecuencia y, cuando lo hacían, los resultados tenían que distribuirse manualmente. La empresa no tenía forma de saber cuán preciso era un pronóstico determinado y no podía citar sus errores reales por grupo de piezas con confianza. Tampoco sabían si sus pronósticos estaban superando a un método de control. Después de que Smart IP&O entró en funcionamiento, el módulo de planificación de la demanda lo automatizó. Smart Demand Planner ahora vuelve a pronosticar automáticamente su demanda en cada ciclo de planificación utilizando métodos de aprendizaje automático y guarda informes de precisión para cada pieza x ubicación. Cualquier anulación que se aplique a los pronósticos ahora se puede comparar automáticamente con la línea de base para medir el valor agregado del pronóstico, es decir, si el esfuerzo adicional para realizar esos cambios mejoró la precisión. Ahora que existe la capacidad de automatizar el pronóstico estadístico de referencia y producir informes de precisión, esta empresa tiene una base sólida desde la cual mejorar su proceso de pronóstico y la precisión del pronóstico resultante.

Hágalo bien y manténgalo bien:  Otro cliente del negocio de repuestos ha utilizado las soluciones de previsión de Smart desde 2005: ¡casi 20 años! Se enfrentaron a desafíos al pronosticar piezas con demanda intermitente vendidas para respaldar su negocio de posventa de automóviles. Al reemplazar su enfoque basado en hojas de cálculo y cargas manuales a SAP con pronósticos estadísticos de demanda y stock de seguridad de SmartForecasts, pudieron reducir significativamente los pedidos pendientes y las ventas perdidas, con tasas de cumplimiento que mejoraron de 93% a 96% en solo tres meses. La clave de su éxito fue aprovechar el método patentado de Smart para pronosticar la demanda intermitente: el método de arranque "Smart-Willemain" generó estimaciones precisas de la demanda acumulada durante el tiempo de entrega que ayudó a garantizar una mejor visibilidad de las posibles demandas.

Conexión de pronósticos al plan de inventario: Los sistemas de planificación avanzados respaldan la gestión de inventario basada en pronósticos, que es un enfoque proactivo que se basa en pronósticos y simulaciones de demanda para predecir posibles resultados y sus probabilidades asociadas. Estos datos se utilizan para determinar los niveles óptimos de inventario. La previsión basada en escenarios o probabilística contrasta con la naturaleza más reactiva de los métodos basados en hojas de cálculo. Un cliente desde hace mucho tiempo en el negocio de las telas, anteriormente tuvo que lidiar con excesos y desabastecimientos debido a la demanda intermitente de miles de SKU. No tenían forma de saber cuáles eran sus riesgos de desabastecimiento y, por lo tanto, no podían modificar proactivamente las políticas para mitigar el riesgo más que hacer suposiciones muy generales que tendían a generar un exceso de existencias. Adoptaron el software de planificación de inventario y demanda de Smart Software para generar simulaciones de demanda que identificaron valores mínimos disponibles y cantidades de pedido óptimos, manteniendo la disponibilidad del producto para envío inmediato, destacando las ventajas de un enfoque de gestión de inventario basado en pronósticos.

Mejor colaboración:  Compartir previsiones con proveedores clave ayuda a garantizar el suministro. Kratos Space, parte de Kratos Defense & Security Solutions, Inc., aprovechó los pronósticos inteligentes para brindar a sus fabricantes por contrato mejores conocimientos sobre la demanda futura. Utilizaron los pronósticos para asumir compromisos sobre compras futuras que permitieron al CM reducir los costos de materiales y los plazos de entrega de los sistemas diseñados bajo pedido. Esta colaboración demuestra cómo las técnicas avanzadas de pronóstico pueden conducir a una colaboración significativa en la cadena de suministro que genera eficiencias y ahorros de costos para ambas partes.

​

Para algunos de nuestros clientes, el clima tiene una influencia significativa en la demanda. Los fenómenos meteorológicos extremos de corto plazo, como incendios, sequías, olas de calor, etc., pueden tener una influencia significativa en el corto plazo sobre la demanda.

Hay dos formas de incluir el clima en un pronóstico de demanda: indirecta y directamente. La ruta indirecta es más fácil utilizando el enfoque basado en escenarios de Planificador de la demanda. El enfoque directo requiere un proyecto especial personalizado que requiere datos adicionales y modelos hechos a mano.

Contabilidad indirecta del tiempo

El modelo estándar integrado Planificador de la demanda (SDP) se adapta a los efectos climáticos de cuatro maneras:

1. Si el mundo se está calentando, enfriando, secando o humedeciendo constantemente de maneras que impactan sus ventas, SDP detecta estas tendencias automáticamente y las incorpora a los escenarios de demanda que genera.
2. Si tu negocio tiene un ritmo regular en el que ciertos días de la semana o ciertos meses del año tienen consistentemente una demanda mayor o menor que el promedio, SDP también detecta automáticamente esta estacionalidad y la incorpora a sus escenarios de demanda.
3. A menudo es la aleatoriedad del clima lo que interfiere con la precisión del pronóstico. A menudo nos referimos a este efecto como "ruido". El ruido es un término general que incorpora todo tipo de problemas aleatorios. Además del clima, un estallido geopolítico, la quiebra sorpresa de un banco regional o el atascamiento de un barco en el Canal de Suez pueden agregar sorpresas a la demanda de productos, y lo han hecho. SDP evalúa la volatilidad de la demanda y la reproduce en sus escenarios de demanda.
4. Anulaciones de gestión. La mayoría de las veces, los clientes permiten que SDP genere automáticamente decenas de miles de escenarios de demanda. Pero si los usuarios sienten la necesidad de modificar pronósticos específicos utilizando su conocimiento interno, SDP puede hacerlo mediante anulaciones de la administración.

Contabilidad directa del clima

A veces, un usuario podrá articular su experiencia en la materia vinculando factores externos a su empresa (como tasas de interés, costos de materias primas o tendencias tecnológicas) con sus propias ventas agregadas. En estas situaciones, Smart Software puede organizar proyectos especiales únicos que proporcionen modelos alternativos ("causales") para complementar nuestros modelos de pronóstico estadístico estándar. Póngase en contacto con su representante de Smart Software para analizar un posible proyecto de modelado causal.

Mientras tanto, no olvides tu paraguas.

Para demasiadas empresas, una pieza fundamental de la investigación de datos –la medición de la incertidumbre de la demanda– se maneja mediante reglas generales simples pero inexactas. Por ejemplo, los planificadores de la demanda a menudo calculan el stock de seguridad mediante un múltiplo definido por el usuario del pronóstico o promedio histórico. O pueden configurar su ERP para pedir más cuando el inventario disponible llegue a 2 veces la demanda promedio durante el tiempo de entrega para artículos importantes y 1,5 veces para los menos importantes. Este es un gran error con costosas consecuencias.

La elección de varios acaba siendo un juego de adivinanzas. Esto se debe a que ningún ser humano puede calcular exactamente cuánto inventario almacenar considerando todas las incertidumbres. Los múltiplos de la demanda promedio del tiempo de entrega son fáciles de usar, pero nunca se puede saber si el múltiplo utilizado es demasiado grande o demasiado pequeño hasta que es demasiado tarde. Y una vez que lo sabes, toda la información ha cambiado, por lo que debes adivinar nuevamente y luego esperar y ver cómo resulta la última suposición. Con cada nuevo día, tiene una nueva demanda, nuevos detalles sobre los plazos de entrega y es posible que los costos hayan cambiado. La suposición de ayer, por muy educada que sea, ya no es relevante hoy. Una planificación adecuada del inventario debe estar libre de conjeturas sobre el inventario y las previsiones. Las decisiones deben tomarse con información incompleta, pero adivinar no es el camino a seguir.

Saber cuánto amortiguar requiere un análisis estadístico basado en hechos que pueda responder con precisión preguntas como:

• ¿Cuánto stock adicional se necesita para mejorar los niveles de servicio en 5%?
• Cuál será el impacto en la entrega a tiempo si el inventario se reduce en 5%
• Qué nivel de servicio objetivo es más rentable.
• ¿Cómo se verá afectado el riesgo de desabastecimiento por los plazos de entrega aleatorios que enfrentamos?

La intuición no puede responder a estas preguntas, no abarca miles de partes y, a menudo, se equivoca. Los datos, las matemáticas de probabilidad y el software moderno son mucho más eficaces. Impulsarse no es el camino hacia la excelencia sostenida.