La gestión de piezas de repuesto presenta numerosos desafíos, como averías inesperadas, horarios cambiantes y patrones de demanda inconsistentes. Los métodos de pronóstico tradicionales y los enfoques manuales son ineficaces para hacer frente a estas complejidades. Para superar estos desafíos, este blog describe estrategias clave que priorizan los niveles de servicio, utilizan métodos probabilísticos para calcular los puntos de pedido, ajustan periódicamente las políticas de almacenamiento e implementan un proceso de planificación dedicado para evitar un inventario excesivo. Explore estas estrategias para optimizar el inventario de repuestos y mejorar la eficiencia operativa.

Línea inferior por adelantado

1. La gestión de inventario es Gestión de riesgos.

2. No puede gestionar bien el riesgo o a escala con planificación subjetiva – Necesita saber servicio vs. costo.

3. No es variabilidad de la oferta y la demanda ese es el problema, es cómo lo manejas.

4. Las piezas de repuesto tienen intermitente pedir por lo que los métodos tradicionales no funcionan.

5.Regla de oro Los enfoques no tienen en cuenta la variabilidad de la demanda y asignan incorrectamente las existencias.

6.Uso Optimize el nivel de servicio considerablemente,  (compensaciones entre servicio y costo) para impulsar las decisiones sobre acciones.

7.probabilístico enfoques tales como arranque producir estimaciones precisas de los puntos de pedido.

8.Clasificar partes y asigne objetivos de nivel de servicio por clase.

9.Recalibrar a menudo – miles de piezas tienen puntos de reorden antiguos y obsoletos.

10.Partes reparables requieren un tratamiento especial.

Céntrese en las causas fundamentales reales

Demanda intermitente

• Movimiento lento, irregular o esporádico con un gran porcentaje de valores cero.
• Los valores distintos de cero se mezclan al azar: los picos son grandes y variados.
• No tiene forma de campana (la demanda normalmente no se distribuye alrededor del promedio).
• Al menos 70% de las piezas típicas de una empresa de servicios públicos se demandan de forma intermitente.

demanda normal

• Muy pocos períodos de demanda cero (la excepción son las piezas de temporada).
• A menudo exhibe patrones de tendencia, estacionales o cíclicos.
• Menores niveles de variabilidad de la demanda.
• Tiene forma de campana (la demanda normalmente se distribuye alrededor del promedio).

No confíes en los promedios

• OK para determinar el uso típico durante períodos de tiempo más largos.
• A menudo pronostica con más "precisión" que algunos métodos avanzados.
• Pero... insuficiente para determinar qué almacenar.

No búfer con múltiplos de promedios

Ejemplo: Dos partes igualmente importantes, así que tratémoslas igual.
Pediremos más cuando el inventario disponible sea ≤ 2 x la demanda promedio de tiempo de entrega.

Utilice las curvas de compensación del nivel de servicio para calcular el stock de seguridad

Probabilidades normales estándar

Está bien para la demanda normal. ¡No funciona con demanda intermitente!

No use distribuciones normales (en forma de campana)

• Obtendrá la curva de compensación incorrecta:

– por ejemplo, tendrá como objetivo 95% pero logrará 85%.

– por ejemplo, tendrá como objetivo 99% pero logrará 91%.

• Esta es una gran falta con implicaciones costosas:

– Se agotará con más frecuencia de lo esperado.

– Comenzará a agregar búferes subjetivos para compensar y luego el exceso de existencias.

– La falta de confianza/las dudas sobre los resultados paralizan la planificación.

Por qué los métodos tradicionales fallan en la demanda intermitente: 

Los métodos tradicionales no están diseñados para abordar problemas fundamentales en la gestión de piezas de repuesto.

Necesidad: distribución de probabilidad (no en forma de campana) de la demanda durante un tiempo de entrega variable.

• Obtener: Predicción de promedio demanda en cada mes, no un total sobre el tiempo de entrega.
• Obtener: Modelo de variabilidad reforzado, generalmente el modelo Normal, generalmente incorrecto.

Necesidad: exposición de compensaciones entre la disponibilidad de artículos y el costo del inventario.

• Obtener: nada de esto; en cambio, obtenga muchas decisiones inconsistentes y ad-hoc.

Utilice Bootstrapping estadístico para predecir la distribución:

Luego explote la distribución para optimizar las políticas de almacenamiento.

¿Cómo funciona Bootstrapping?

24 meses de datos históricos de demanda.

Escenarios Bootstrap para un plazo de ejecución de 3 meses.

¡Bootstrapping alcanza el objetivo de nivel de servicio con una precisión de casi 100%!

• Operación de Almacenamiento Nacional.

Tarea: Pronostique los niveles de existencias de inventario para 12 000 SKU con demanda intermitente en los niveles de servicio 95% y 99%

Resultados:

En el nivel de servicio 95%, 95.23% no se agotó.

En el nivel de servicio 99%, 98.66% no se agotó.

Esto significa que puede confiar en la producción para establecer expectativas y realizar con confianza ajustes de stock específicos que reduzcan el inventario y aumenten el servicio.

Establezca niveles de servicio objetivo según la frecuencia y el tamaño del pedido

Recalibrar los puntos de pedido con frecuencia

• Las ROP estáticas provocan exceso y escasez.
• A medida que aumenta el tiempo de entrega, también debería hacerlo el ROP y viceversa.
• A medida que disminuye el uso, también debería hacerlo la ROP y viceversa.
• Cuanto más espere para recalibrar, mayor será el desequilibrio.
• Montañas de piezas ordenadas demasiado pronto o demasiado tarde.
• Desperdicia el tiempo de los compradores al realizar pedidos incorrectos.
• Genera desconfianza en los sistemas y fuerza los silos de datos.

hacer un plan Rotables (Piezas de reparación) de manera diferente

Resumen

1. La gestión de inventario es Gestión de riesgos.

2. No puede gestionar bien el riesgo o a escala con planificación subjetiva – Necesita saber servicio vs. costo.

3. No es variabilidad de la oferta y la demanda ese es el problema, es cómo lo manejas.

4. Las piezas de repuesto tienen intermitente pedir por lo que los métodos tradicionales no funcionan.

5.Regla de oro Los enfoques no tienen en cuenta la variabilidad de la demanda y asignan incorrectamente las existencias.

6.Uso Optimize el nivel de servicio considerablemente,  (compensaciones entre servicio y costo) para impulsar las decisiones sobre acciones.

7.probabilístico enfoques tales como arranque producir estimaciones precisas de los puntos de pedido.

8.Clasificar partes y asigne objetivos de nivel de servicio por clase.

9.Recalibrar a menudo – miles de piezas tienen puntos de reorden antiguos y obsoletos.

10.Partes reparables requieren un tratamiento especial.

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.

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.

Al administrar piezas de servicio, no sabe qué fallará y cuándo porque las fallas de las piezas son aleatorias y repentinas. Como resultado, los patrones de demanda suelen ser extremadamente intermitentes y carecen de una tendencia significativa o una estructura estacional. El número de combinaciones de pieza por ubicación suele ser de cientos de miles, por lo que no es factible revisar manualmente la demanda de piezas individuales. No obstante, es mucho más sencillo implementar un sistema de planificación y previsión para respaldar la planificación de repuestos de lo que podría pensar.

Esta conclusión se basa en cientos de implementaciones de software que hemos dirigido a lo largo de los años. Los clientes que gestionan repuestos y piezas de servicio (estas últimas para consumo interno/MRO) y, en menor medida, piezas del mercado de accesorios (para reventa a bases instaladas), han implementado constantemente nuestro software de planificación de piezas más rápido que sus pares en fabricación y distribución.

La razón principal es el papel en la fabricación y distribución del conocimiento comercial sobre lo que podría suceder en el futuro. En un entorno tradicional de fabricación y distribución B2B, hay clientes y equipos de ventas y marketing que venden a esos clientes. Hay objetivos de ventas, expectativas de ingresos y presupuestos. Esto significa que hay mucho conocimiento comercial sobre lo que se comprará, lo que se promocionará, cuyas opiniones deben tenerse en cuenta. Se requiere un ciclo de planificación complejo. En cambio, a la hora de gestionar repuestos, cuentas con un equipo de mantenimiento que repara los equipos cuando se estropean. Aunque a menudo hay programas de mantenimiento como guía, lo que se necesita más allá de una lista estándar de piezas consumibles a menudo se desconoce hasta que una persona de mantenimiento está en el sitio. En otras palabras, simplemente no hay el mismo tipo de conocimiento comercial disponible para los planificadores de piezas cuando toman decisiones de almacenamiento.

Sí, eso es una desventaja, pero también tiene una ventaja: no hay necesidad de producir un pronóstico de demanda consensuado período por período con todo el trabajo que requiere. Al planificar las piezas de repuesto, normalmente puede omitir muchos de los pasos necesarios para un fabricante, distribuidor o minorista típico. Estos pasos saltables incluyen:  

1. Creación de pronósticos en diferentes niveles del negocio, como familia de productos o región.
2. Compartir el pronóstico de la demanda con ventas, marketing y clientes.
3. Revisar anulaciones de pronósticos de ventas, marketing y clientes.
4. Acordar una previsión consensuada que combine estadística y conocimiento empresarial.
5. Medir el “valor agregado de pronóstico” para determinar si las anulaciones hacen que el pronóstico sea más preciso.
6. Ajuste de la previsión de demanda para futuras promociones conocidas.
7. Contabilización de la canibalización (es decir, si vendo más del producto A, venderé menos del producto B).

Liberados de un proceso de creación de consenso, los planificadores de repuestos y los administradores de inventario pueden confiar directamente en su software para predecir el uso y las políticas de almacenamiento requeridas. Si tienen acceso a un solución probada en el campo que aborda la demanda intermitente, pueden "ponerse en marcha" rápidamente con pronósticos de demanda más precisos y estimaciones de puntos de pedido, existencias de seguridad y sugerencias de pedidos. Su atención se puede centrar en obtener datos precisos sobre el uso y el tiempo de entrega del proveedor. La parte "política" del trabajo puede limitarse a obtener el consenso de la organización sobre los objetivos de nivel de servicio y los presupuestos de inventario.

​