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.

Por qué la planificación basada en escenarios ayuda a los planificadores a gestionar mejor el riesgo y crear mejores resultados.

Si está leyendo esto, probablemente sea un profesional de la cadena de suministro con responsabilidades en la previsión de la demanda, la gestión de inventario o ambas. Si vives en el 21^º siglo, usa algún tipo de software que lo ayude a hacer su trabajo. Pero, fundamentalmente, ¿qué hace su software por usted?

Tradicionalmente, el software ha servido como vehículo de entrega de ecuaciones. Incluso si decidió en algún momento su vida que usted y las ecuaciones no se llevan bien, aún pueden hacer algo por usted y puede vivir con ellas, siempre que algún software mantenga todas esas matemáticas a una distancia segura.

Esto está bien, hasta donde llega. Pero en Smart Software creemos que le iría mejor cambiando sus ecuaciones por escenarios. La mayoría de las veces, el objetivo de una ecuación es dar "la respuesta", normalmente en forma de número, como "la demanda del próximo mes de SKUxxx será de 105 unidades". Resultados como estos son útiles, pero incompletos.

Se puede pensar en la previsión como un problema informático, pero es más útil pensar en ella como un ejercicio de gestión de riesgos. El pronóstico de la ecuación de 105 unidades no incluye ninguna indicación de la incertidumbre en el pronóstico, aunque siempre hay alguna. No le ayuda a pensar en contingencias plausibles: ¿y si la demanda es de más de 105 unidades? ¿Y si es por menos de 105? ¿Podría llegar tan alto como 130 o tan bajo como 80? ¿Es 80 incluso remotamente probable?

Aquí es donde el análisis basado en escenarios destaca notablemente. Una definición de "escenario" es "una secuencia postulada de eventos". Nuestra definición es más extensa: un escenario es “una secuencia postulada de eventos y sus probabilidades asociadas de que ocurran”. Los escenarios son la mejor herramienta de planificación hipotética. El pronóstico por ecuación pronosticará una demanda de 105 unidades. La previsión de escenarios produce un conjunto de posibles cifras de demanda, algunas más probables y otras menos. Si hay pocos o ningún escenario tan bajo como 80, puede dejar pasar esa contingencia.

Más o menos ¿Cuánto?

Aquellos que están mejor versados en pronósticos basados en ecuaciones podrían protestar porque el software basado en ecuaciones a veces brinda indicaciones del "más o menos" de un pronóstico, completo con una curva en forma de campana que indica la probabilidad relativa de varias contingencias. Sin embargo, cuando ve una distribución perfecta en forma de campana, sabe que se le pide que confíe en una suposición teórica que solo es válida algunas veces.

Los pronósticos de escenarios no se basan en esa suposición. De hecho, no necesitan confiar en ningún supuesto matemático preconcebido cuyo principal punto de venta es que simplifica el análisis. No necesita un análisis simplificado, necesita un análisis realista basado en hechos.

El software de última generación produce pronósticos de escenarios, no solo para la planificación de la demanda sino también para la gestión de inventario. La demanda es una entrada clave para el software de inventario, junto con el comportamiento del proveedor, como se refleja en los plazos de reposición. Tanto la demanda como la oferta deben pronosticarse si desea ver las consecuencias de, por ejemplo, elegir un punto de pedido de 15 y una cantidad de pedido de 25.

Los sistemas de inventario son lo que se denomina "sensibles a la ruta", lo que significa que cualquier secuencia particular de valores de demanda producirá un rendimiento diferente que los mismos valores de demanda en un orden diferente. Por ejemplo, si todos los períodos de mayor demanda se juntan, uno tras otro, tendrá muchas más dificultades para mantenerse abastecido que si los mismos períodos de alta demanda se espacian con tiempo para reabastecerse entre ellos. Los escenarios reflejan estas diferencias con suficiente detalle para generar métricas de rendimiento promedio que reflejen las diversas contingencias inherentes a la demanda incierta.

La Figura 1 ilustra la diferencia entre un pronóstico basado en ecuaciones y escenarios de pronóstico. Las celdas verdes contienen 10 meses de demanda de una pieza de repuesto. Las celdas azules contienen un pronóstico basado en ecuaciones que exige una demanda promedio de 1,5 unidades en los meses 11, 12 y 13. Las celdas de color pistacho contienen pronósticos de ocho escenarios, aunque en la práctica nuestro software generaría decenas de miles de escenarios. Ahora, los escenarios también promedian 1,5 unidades por mes, pero van más allá y muestran la amplia variedad de formas en que podrían desarrollarse los próximos tres meses. Por ejemplo, si se lee verticalmente, la demanda mensual podría oscilar entre 0 y 3. Si se lee horizontalmente, los totales de tres meses podrían oscilar entre 0 y 6, en comparación con la estimación basada en ecuaciones de 4,5. Continuando con este ejemplo de juguete, si tiene 5 unidades disponibles y el tiempo de reabastecimiento es mayor a 3 meses, el modelo basado en ecuaciones dice que estará bien durante los próximos 3 meses, pero los resultados basados en escenarios dicen que tiene 1 posibilidad en 8 (12.5%) posibilidad de desabastecimiento. De manera equivalente, tiene un nivel de servicio 87.5%. Si la pieza es crítica y su objetivo es un nivel de servicio 95%, corre el riesgo de perder su objetivo de disponibilidad de artículos.

Figura 1: Comparación de pronósticos basados en ecuaciones y basados en escenarios

Resumen

Recuerde, el pronóstico basado en ecuaciones le brinda información, pero información superficial. La previsión basada en escenarios puede decirle no solo qué resultado es más probable, sino también qué tan confiable es cualquiera de las predicciones que contempla, y esto le permite aplicar su criterio para equilibrar el riesgo y los gastos de almacenamiento, todo automatizado para escalar a una gran cantidad. catálogo de artículos.