Si sigues las noticias sobre análisis de la cadena de suministro, se encontrará con más frecuencia con la frase “pronóstico probabilístico”. Si esta frase es desconcertante, sigue leyendo.

Probablemente ya sepa lo que significa "pronóstico". Y probablemente también sepa que parece haber muchas maneras diferentes de hacerlo. Y probablemente haya escuchado pequeñas frases picantes como "todo pronóstico es incorrecto". Así que sabes que algún tipo de matemágica podría calcular que "el pronóstico es que venderá 100 unidades el próximo mes", y luego podría vender 110 unidades, en cuyo caso tiene un error de pronóstico 10%.

Es posible que no sepa que lo que acabo de describir es un tipo particular de pronóstico llamado "pronóstico puntual". Un pronóstico puntual se llama así porque consta de un solo número (es decir, un punto en la recta numérica, si recuerda la recta numérica de su juventud).

Pronósticos puntuales tienen una virtud: Son simples. También tienen un defecto: dan lugar a afirmaciones sarcásticas como “todas las previsiones están equivocadas”. Es decir, en la mayoría de los casos realistas, es poco probable que el valor real sea exactamente igual al pronóstico. (Lo cual no es gran cosa si el pronóstico es lo suficientemente cercano).

Esto nos lleva al "pronóstico probabilístico". Este enfoque es un paso adelante, porque en lugar de producir un pronóstico de un solo número (punto), produce una distribución de probabilidad para el pronóstico. Y a diferencia de los modelos extrapolativos tradicionales que se basan únicamente en los datos históricos, los pronósticos probabilísticos tienen la capacidad de simular valores futuros que no están anclados al pasado.

“Distribución de probabilidad” es una frase prohibitiva, que evoca algunas matemáticas arcanas de las que quizás hayas oído hablar pero que nunca hayas estudiado. Afortunadamente, la mayoría de los adultos tienen suficiente experiencia de vida para tener una comprensión intuitiva del concepto. Cuando se desglosa, es bastante sencillo de entender.

Imagina el simple acto de lanzar dos monedas. Puede llamar a esto diversión inofensiva, pero yo lo llamo un "experimento probabilístico". El número total de caras que salgan en las dos monedas será cero, uno o dos. Lanzar dos monedas es un "experimento aleatorio". El número resultante de cabezas es una "variable aleatoria". Tiene una “distribución de probabilidad”, que no es más que una tabla de la probabilidad de que la variable aleatoria tenga alguno de sus posibles valores. La probabilidad de obtener dos caras cuando las monedas son justas resulta ser ¼, al igual que la probabilidad de que no salga cara. La probabilidad de una cara es ½.

Comencemos reconociendo que el aumento de los ingresos es bueno para usted y que aumentar la disponibilidad de las piezas de repuesto que proporciona es bueno para sus clientes.

Pero también reconozcamos que aumentar la disponibilidad de artículos no necesariamente conducirá a mayores ingresos. Si planifica incorrectamente y termina teniendo un exceso de inventario, el efecto neto puede ser bueno para sus clientes, pero definitivamente será malo para usted. Debe haber alguna forma correcta de hacer que esto sea beneficioso para todos, si tan solo se puede reconocer.

Para tomar la decisión correcta aquí, debe pensar sistemáticamente sobre el problema. Eso requiere que utilice modelos probabilísticos del proceso de control de inventario.

un escenario

Consideremos un escenario específico y realista. Muchos factores influyen en los resultados:

• El artículo: Una pieza de repuesto específica de bajo volumen.
• Demanda media: promedio de 0,1 unidades por día (por lo tanto, altamente "intermitente")
• Desviación estándar de la demanda: 0,35 unidades por día (por lo tanto, muy variable o “sobredispersada”).
• Plazo medio de entrega del proveedor: 5 días.
• Costo unitario: $100.
• Costo de mantenimiento por año como % del costo unitario: 10%.
• Costo de pedido por corte de orden de compra: $25.
• Consecuencias del desabastecimiento: pérdida de ventas (por lo tanto, un mercado competitivo, sin pedidos pendientes).
• Costo de escasez por venta perdida: $100.
• Objetivo de nivel de servicio: 85% (por lo tanto, 15% de probabilidad de desabastecimiento en cualquier ciclo de reabastecimiento).
• Política de control de inventario: revisión periódica/pedido hasta (también llamada política en (T,S))

Política de control de inventario

Una palabra sobre la política de control de inventario. La política (T,S) es una de varias que son comunes en la práctica. Aunque existen otras políticas más eficientes (p. ej., no esperan a que pasen T días para hacer el ajuste de stock), (T,S) es una de las más sencillas y, por lo tanto, bastante popular. Funciona de esta manera: cada T días, verifica cuántas unidades tiene en stock, digamos X unidades. Luego, solicita unidades SX, que aparecen después del tiempo de entrega del proveedor (en este caso, 5 días). La T en (T,S) es el “intervalo de pedido”, el número de días entre pedidos; la S es el "pedido hasta el nivel", la cantidad de unidades que desea tener disponibles al comienzo de cada ciclo de reposición.

Para aprovechar al máximo esta política, debe elegir sabiamente los valores de T y S. Elegir sabiamente significa que no puede ganar adivinando o usando guías simples de reglas generales como "Mantenga un promedio de 3 veces la demanda promedio disponible". Las malas elecciones de T y S perjudican tanto a sus clientes como a sus resultados. Y quedarse demasiado tiempo con opciones que alguna vez fueron buenas puede resultar en un rendimiento deficiente si alguno de los factores anteriores cambia significativamente, por lo que los valores de T y S deben recalcularse de vez en cuando.

La forma inteligente de elegir los valores correctos de T y S es usar modelos probabilísticos codificados en software avanzado. El uso de software es esencial cuando tiene que escalar y elegir valores de T y S que sean correctos no para un artículo sino para cientos o miles.

Análisis de Escenario

Pensemos en cómo ganar dinero en este escenario. ¿Cuál es el lado positivo? Si no hubiera gastos, este rubro podría generar un promedio de $3.650 por año: 0,1 unidades/día x 365 días x $100/unidad. Se restarán de eso los costos operativos, compuestos por costos de mantenimiento, pedidos y faltantes. Cada uno de ellos dependerá de sus elecciones de T y S.

El software proporciona números específicos: la configuración de T = 321 días y S = 40 unidades dará como resultado costos operativos anuales promedio de $604, dando un margen esperado de $3,650 – $604 = $3,046. Ver Tabla 1, columna izquierda. Este uso de software se denomina "análisis predictivo" porque traduce las entradas del diseño del sistema en estimaciones de un indicador clave de rendimiento, el margen.

Ahora piensa si puedes hacerlo mejor. El objetivo de nivel de servicio en este escenario es 85%, que es un estándar algo relajado que no llamará la atención. ¿Qué pasaría si pudiera ofrecer a sus clientes un nivel de servicio 99%? Eso suena como una clara ventaja competitiva, pero ¿reduciría su margen? No si ajusta correctamente los valores de T y S.

Establecer T = 216 días y S = 35 unidades reducirá los costos operativos anuales promedio a $551 y aumentará el margen esperado a $3,650 – $551 = $3,099. Ver Tabla 1, columna derecha. Aquí está el ganar-ganar que queríamos: mayor satisfacción del cliente y aproximadamente 2% más de ingresos. Este uso del software se denomina "análisis de sensibilidad" porque muestra cuán sensible es el margen a la elección del objetivo de nivel de servicio.

El software también puede ayudarlo a visualizar la dinámica compleja y aleatoria de los movimientos de inventario. Un subproducto del análisis que llenó la Tabla 1 son los gráficos que muestran las rutas aleatorias tomadas por las existencias a medida que disminuyen durante un ciclo de reabastecimiento. La figura 1 muestra una selección de 100 escenarios aleatorios para el escenario en el que el nivel de servicio objetivo es 99%. En la figura, solo 1 de los 100 escenarios resultó en un desabastecimiento, lo que confirma la precisión de la elección del pedido hasta el nivel.

Resumen

La gestión de los inventarios de piezas de repuesto a menudo se realiza al azar utilizando el instinto, el hábito o la regla empírica obsoleta. Volarlo de esta manera no es un camino confiable y reproducible hacia un mayor margen o una mayor satisfacción del cliente. La teoría de la probabilidad, destilada en modelos de probabilidad y luego codificada en software avanzado, es la base para una guía coherente y eficiente sobre cómo administrar las piezas de repuesto en función de los hechos: características de la demanda, plazos de entrega, objetivos de nivel de servicio, costos y otros factores. Los escenarios analizados aquí ilustran que es posible lograr niveles de servicio más altos y un margen más alto. Una multitud de escenarios que no se muestran aquí ofrecen formas de lograr niveles de servicio más altos pero pierden margen. Usa el programa.

Muchos de nuestros clientes que vieron cómo la demanda se agotaba durante la pandemia ahora ven que la demanda regresa. Algunos están viendo un aumento significativo de la demanda. Otros clientes en industrias críticas como los plásticos, la biotecnología, los semiconductores y la electrónica vieron aumentos repentinos de la demanda desde abril pasado. Para obtener sugerencias sobre cómo hacer frente a estas situaciones, siga leyendo.

El aumento de la demanda suele crear dos problemas: la incapacidad para cumplir con los pedidos y la incapacidad para reabastecerse debido a la sobrecarga de proveedores. Esta situación requiere cambios en la forma en que utiliza su software de planificación avanzada. Aquí hay tres consejos para ayudarle a sobrellevar la situación.

Consejo #1: reduzca su enfoque temporal

En tiempos normales (¿los recuerdas?), más datos implicaban mejores resultados. Hoy en día, los datos antiguos envenenan tus cálculos, ya que representan condiciones que ya no se aplican. Debe basar las previsiones y otros cálculos en datos de la situación actual. Dónde cortar los datos anteriores puede ser obvio a partir de un gráfico de los datos, o puede decidir establecer una fecha de corte "razonable" basada en un consenso de colegas. Smart Software ha desarrollado algoritmos de aprendizaje automático que identifican automáticamente la cantidad de datos históricos que se deben alimentar de manera óptima al modelo de pronóstico. Esté atento a estas mejoras en el software que se implementarán pronto. Mientras tanto, realice pruebas de precisión utilizando datos reales retenidos utilizando diferentes fechas de inicio históricas. La función de pronóstico vs. real de Smart admitirá esto automáticamente.

Consejo #2: Aumente el ritmo de su planificación

Cuando las operaciones son estables, puede establecer sus políticas de inventario y confiar en que serán adecuadas durante mucho tiempo. Cuando los tiempos son turbulentos, es importante aumentar la frecuencia de sus ciclos de planificación para evitar que la configuración de políticas anterior se aleje demasiado de la óptima.  Recalibración más frecuente de sus políticas de almacenamiento y los pronósticos significan que será más rápido para captar las tendencias que sorprenderán a su competencia y lo mantendrán siempre un paso por delante. Con un software capaz de seleccionar automáticamente los valores óptimos, el software puede realizar todo ese trabajo de una sola vez. Debe revisar esos cambios y posiblemente modificarlos, pero tiene sentido dejar que el software haga la mayor parte del trabajo.