Resumen

El análisis avanzado de la cadena de suministro de Smart Software explota múltiples métodos avanzados. Dos de los más importantes son el “bootstrapping estadístico” y la “simulación Monte Carlo”. Dado que ambos involucran muchos números aleatorios que vuelan, la gente a veces se confunde acerca de cuál es cuál y para qué sirven. Por eso, esta nota. En pocas palabras: el arranque estadístico genera escenarios de demanda para la previsión. La simulación de Monte Carlo utiliza los escenarios para la optimización del inventario.

arranque

Bootstrapping, también llamado "remuestreo", es un método de estadísticas computacionales que utilizamos para crear escenarios de demanda para la previsión. La esencia del problema de pronóstico es exponer los posibles futuros que su empresa podría enfrentar para que pueda averiguar cómo administrar los riesgos comerciales. Los métodos de pronóstico tradicionales se enfocan en calcular los futuros "más probables", pero no llegan a presentar el panorama completo del riesgo. Bootstrapping proporciona un número ilimitado de escenarios hipotéticos realistas.

Bootstrapping hace esto sin hacer suposiciones poco realistas sobre la demanda, es decir, que no es intermitente o que tiene una distribución de tamaños en forma de campana. Esas suposiciones son muletas para simplificar las matemáticas, pero el arranque es un procedimiento, no una ecuación, por lo que no necesita tales simplificaciones.

Para el tipo de demanda más simple, que es una aleatoriedad estable sin estacionalidad ni tendencia, el arranque es muy fácil. Para tener una idea razonable de cuál podría ser el valor de una sola demanda futura, elija una de las demandas históricas al azar. Para crear un escenario de demanda, haga múltiples selecciones aleatorias del pasado y únalas. Hecho. Es posible agregar un poco más de realismo "variando" los valores de demanda, es decir, agregando o restando un poco de aleatoriedad adicional a cada uno, pero incluso eso es simple.

La figura 1 muestra un arranque simple. La primera línea es una secuencia corta de la demanda histórica de un SKU. Las siguientes líneas muestran escenarios de demanda futura creados al seleccionar aleatoriamente valores del historial de demanda. Por ejemplo, las siguientes tres demandas pueden ser (0, 14, 6), o (2, 3, 5), etc.

Figura 1: Ejemplo de escenarios de demanda generados por un arranque simple

Las operaciones de mayor frecuencia, como los pronósticos diarios, traen consigo patrones de demanda más complejos, como la doble estacionalidad (p. ej., día de la semana y mes del año) y/o tendencia. Esto nos desafió a inventar una nueva generación de algoritmos de arranque. Recientemente obtuvimos una patente de EE. UU. para este avance, pero la esencia es la descrita anteriormente.

Simulación del Monte Carlo

Montecarlo es famoso por sus casinos que, al igual que el bootstrapping, invocan la idea de la aleatoriedad. Los métodos de Monte Carlo se remontan a mucho tiempo atrás, pero el ímpetu moderno vino con la necesidad de hacer algunos cálculos peludos sobre dónde volarían los neutrones cuando explota una bomba atómica.

La esencia del análisis de Monte Carlo es esta: “Nuestro problema es demasiado complicado para analizarlo con ecuaciones de papel y lápiz. Entonces, escribamos un programa de computadora que codifique los pasos individuales del proceso, coloque los elementos aleatorios (por ejemplo, en qué dirección se dispara un neutrón), déle cuerda y observe cómo funciona. Dado que hay mucha aleatoriedad, ejecutemos el programa un millón de veces y promediemos los resultados”.

Al aplicar este enfoque a la gestión de inventario, tenemos un conjunto diferente de eventos que ocurren aleatoriamente: por ejemplo, una demanda de un tamaño determinado llega un día aleatorio, un reabastecimiento de un tamaño determinado llega después de un tiempo de espera aleatorio, recortamos un PO de reabastecimiento de un tamaño determinado cuando las existencias caen hasta un punto de pedido determinado o por debajo de él. Codificamos la lógica que relaciona estos eventos en un programa. Lo alimentamos con una secuencia de demanda aleatoria (consulte el arranque anterior), ejecutamos el programa durante un tiempo, digamos un año de operaciones diarias, calculamos métricas de rendimiento como Tasa de llenado y Promedio de inventario disponible, y "tiramos los dados" volviendo a ejecutar el programa muchas veces y promediando los resultados de muchos años simulados. El resultado es una buena estimación de lo que sucede cuando tomamos decisiones gerenciales clave: “Si establecemos el punto de reorden en 10 unidades y la cantidad de la orden en 15 unidades, podemos esperar obtener un nivel de servicio de 89% y un promedio disponible de 21 unidades.” Lo que la simulación está haciendo por nosotros es exponer las consecuencias de las decisiones de gestión basadas en escenarios de demanda realistas y matemáticas sólidas. Las conjeturas se han ido.

La figura 2 muestra parte del funcionamiento interno de una simulación de Monte Carlo de un sistema de inventario en cuatro paneles. El sistema utiliza una política de control de inventario Min/Max con Min=10 y Max=25. No se permiten pedidos atrasados: tienes el bien o pierdes el negocio. Los plazos de entrega del reabastecimiento suelen ser de 7 días, pero a veces de 14. Esta simulación duró un año.

El primer panel muestra un escenario complejo de demanda aleatoria en el que no hay demanda los fines de semana, pero la demanda generalmente aumenta cada día de lunes a viernes. El segundo panel muestra el número aleatorio de unidades disponibles, que sube y baja con cada ciclo de reabastecimiento. El tercer panel muestra los tamaños aleatorios y los tiempos de los pedidos de reposición que llegan del proveedor. El panel final muestra la demanda insatisfecha que pone en peligro las relaciones con los clientes. Este tipo de detalle puede ser muy útil para comprender mejor la dinámica de un sistema de inventario.

Figura 2: Detalles de una simulación de Monte Carlo

La Figura 2 muestra solo una de las innumerables formas en que podría desarrollarse el año. Generalmente, queremos promediar los resultados de muchos años simulados. Después de todo, nadie lanzaría una moneda al aire una vez para decidir si era una moneda justa. La Figura 3 muestra cómo cuatro métricas de rendimiento clave (KPI) varían de un año a otro para este sistema. Algunas métricas son relativamente estables en todas las simulaciones (tasa de llenado), pero otras muestran una variabilidad más relativa (costo operativo = costo de mantenimiento + costo de pedido + costo de escasez). Observando los gráficos, podemos estimar que las opciones de Min=10, Max=25 conducen a un costo operativo promedio de alrededor de $3,000 por año, una tasa de llenado de alrededor de 90%, un nivel de servicio de alrededor de 75% y un promedio de encendido. mano de unos 10

Figura 3: Variación en los KPI calculados durante 1000 años simulados

De hecho, ahora es posible responder a una pregunta de gestión de mayor nivel. Podemos ir más allá de "¿Qué pasará si hago tal y tal cosa?" a “¿Cuál es el mejor ¿Qué puedo hacer para lograr una tasa de relleno de al menos 90% para este artículo al costo más bajo posible? El matemágica  detrás de este salto hay otra tecnología clave llamada "optimización estocástica", pero nos detendremos aquí por ahora. Baste decir que el software SIO&P de Smart puede buscar en el "espacio de diseño" de los valores mínimo y máximo para encontrar automáticamente la mejor opción.

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.

Descubra cómo se utilizan los pronósticos con estas 4 preguntas.

A menudo, las empresas insisten en que "no usan pronósticos" para planificar el inventario. A menudo usan métodos de punto de pedido y tienen dificultades para mejorar la entrega a tiempo, la rotación de inventario y otros KPI. Si bien no piensan en lo que están haciendo como un pronóstico explícito, ciertamente usan estimaciones de la demanda futura para desarrollar puntos de reorden como mínimo/máximo.

Independientemente de cómo se llame, todo el mundo trata de estimar la demanda futura de alguna manera y utiliza esta estimación para establecer políticas de almacenamiento e impulsar pedidos. Para mejorar la planificación del inventario y asegurarse de no realizar pedidos excesivos o insuficientes y crear grandes desabastecimientos e hinchazón del inventario, es importante comprender exactamente cómo utiliza su organización las previsiones. Una vez que comprenda esto, puede evaluar si se puede mejorar la calidad de los pronósticos.

Intente obtener respuestas a las siguientes preguntas. Revelará cómo se utilizan las previsiones en su empresa, incluso si cree que no utiliza previsiones.

1. ¿Es su pronóstico una estimación período por período a lo largo del tiempo que se usa para predecir qué inventario disponible habrá en el futuro y desencadena sugerencias de pedidos en su sistema ERP?

2. ¿O se usa su pronóstico para derivar un punto de reorden pero no se usa explícitamente como un controlador por período para generar órdenes? Aquí, puedo predecir que venderemos 10 por semana según el historial, pero no estamos cargando 10, 10, 10, 10, etc., en el ERP. En su lugar, derivo un punto de reorden o Mín. que cubre el tiempo de entrega de dos períodos + cierta cantidad de reserva para ayudar a proteger contra el agotamiento de existencias. En este caso, pediré más cuando llegue a 25.

3. ¿Su pronóstico se usa como una guía para que el planificador ayude a determinar subjetivamente cuándo debe ordenar más? Aquí, predigo 10 por semana y evalúo el inventario disponible periódicamente, reviso el tiempo de entrega esperado y decido, dadas las 40 unidades que tengo disponibles hoy, que tengo "suficiente". Por lo tanto, no hago nada ahora, pero volveré a consultar en una semana.

4. ¿Se utiliza para configurar pedidos abiertos con proveedores? Aquí, predigo 10 por semana y acepto una orden de compra general con el proveedor de 520 por año. Luego, los pedidos se hacen con anticipación para que lleguen en cantidades de 10 una vez por semana hasta que se consuma el pedido general.

Una vez que obtenga las respuestas, puede preguntar cómo se crean las estimaciones de la demanda. ¿Es un promedio? ¿Está derivando la demanda sobre el tiempo de entrega a partir de un pronóstico de ventas? ¿Hay un pronóstico estadístico generado en alguna parte? ¿Qué métodos se consideran? También será importante evaluar cómo se utilizan las existencias de seguridad para protegerse contra la variabilidad de la oferta y la demanda. Más sobre todo esto en un próximo artículo.

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.