menu icon
close

¿Cómo puedes gestionar decenas o cientos de miles de artículos con simplicidad?

Por Bernard Milian

Si vives en un entorno industrial o de distribución, es probable que tu cartera de productos se haya multiplicado en los últimos diez o veinte años. Diferenciación de marketing, personalización, artículos personalizados, profundidad de las redes de distribución: son posiblemente decenas o cientos de miles de referencias para gestionar.

En otras palabras, decenas o cientos de miles de referencias cuyo stock debe ser dimensionado, que debe ser reabastecido en el momento adecuado, cuyo flujo debe ser establecido para garantizar la disponibilidad para sus clientes de acuerdo con sus compromisos.

La complejidad puede llevar a las empresas a desarrollar soluciones complejas. Para gestionar estas carteras, no hay duda de que los procesos deben ser automatizados.

Si escuchas el canto de la sirena de la tecnología tal vez se vea impulsado a implementar motores de inteligencia artificial para desarrollar predicciones sobre sus innumerables artículos, para predecir la incertidumbre de estas previsiones y deducir el stock de seguridad, moduladas a partir de la raíz cuadrada de la variabilidad de los plazos de entrega, por supuesto…

¿Es posible gestionar esa complejidad y al mismo tiempo mantenerla simple?

En varias ocasiones, he tenido preguntas de interlocutores que habían estudiado la metodología DDMRP, habían recibido formación o leído uno de los libros de referencia, y que tenían dudas sobre la posibilidad de utilizar este enfoque a gran escala.

Una de las objeciones es el enfoque «más o menos correcto» del tamaño de las existencias. Se toma un factor de plazo de entrega, alrededor de X% para «plazo de entrega medio», se combina con un factor de variabilidad de aproximadamente Y% para «baja variabilidad», se obtienen perfiles de buffer, se aplican, se ve lo que pasa y se corrige a medida que se avanza.

Estoy de acuerdo: para las mentes científicas puede ser sorprendente e incluso preocupante. Si tienes años de experiencia operativa en la gestión de la cadena de suministro, será menos impactante, porque sabes que estamos en la encrucijada de la ciencia, las humanidades y la dinámica de los sistemas complejos, y que todo esto es difícil de poner en ecuaciones.

El enfoque «más o menos correcto» significa centrarse en diseñar un modelo que sea relevante y apropiado para el negocio, pero no significa jugar a los dados.

De hecho, Demand Driven rima con Data Driven. Para dimensionar las existencias y asignar perfiles de buffer relevantes, analizamos los historiales de demanda diaria, calculamos las desviaciones estándar y los coeficientes de variabilidad, evaluamos la estacionalidad y las tendencias, evaluamos los riesgos de los flujos de suministro, simulamos retroactivamente la eficiencia de los buffers, e incluso, sí, posiblemente utilizamos inteligencia artificial.

En el transcurso de los proyectos implementados en cientos de sitios y millones de artículos, esto nos ha llevado a desarrollar conjuntos básicos de ajuste, que se aplican a través de un asistente de software «Smart Buffer Profiler». Con unos pocos clics, este asistente nos permite asignar perfiles de buffer a miles de artículos, comparar el ajuste propuesto con las existencias actuales y validar la relevancia del dimensionamiento mediante el muestreo. Ahora es común con este enfoque combinado con el conocimiento de los planificadores para obtener un modelo de inventario DDMRP bien calibrado en un par de días.

La simplicidad es el núcleo de la metodología DDMRP, pero eso no significa simplificación excesiva.

Los elementos que permiten simplificar son:

  • La agrupación de los artículos por perfil de buffer, es decir, la definición de reglas comunes para conjuntos de artículos que deben comportarse de manera similar debido a sus características. Un científico de datos llamaría a esto agrupación.
  • El establecimiento de procesos regulares (durante DDS&OP) para ajustar la asignación de perfiles de buffer de acuerdo con la evolución de las características del artículo y el comportamiento histórico, guiados por asistentes de software.
  • Consideración fácil y masiva de la variabilidad de la oferta a través de factores de ajuste de zona.
  • El recálculo dinámico de los buffers a lo largo del tiempo, a través de la fórmula de cálculo integrada durante el diseño del modelo. No más campañas de recálculo del stock de seguridad basadas en fórmulas de fuga.
  • Supervisión diaria orquestada por la excepción, tanto para las prioridades de planificación como para las alertas de ejecución.
  • El uso de la simulación para anticipar, por excepción, situaciones de riesgo.

Y sobre todo… la fácil comprensión del modelo por parte de los equipos que lo gestionan y mejoran.

Así que, si tiene grandes carteras de artículos comprados, fabricados o distribuidos, puede ir allí con confianza: el enfoque DDMRP se ha industrializado y sigue progresando, para permitirle gestionar entornos cada vez más complejos con facilidad.

Póngase en contacto con nosotros

Comparta esta historia, elija su plataforma

Facebook
Twitter
LinkedIn

Blogs recientes

Suscríbase a nuestra newsletter

También puede interesarle

A row of pipes releasing streams of water into a reservoir, illustrating a water filtration or supply system.

Optimizar el Flow, no los inventarios

Existen numerosas soluciones informáticas para optimizar los inventarios de productos. Basta con buscar en Google «optimización de stock» … En realidad, el stock no puede

Person in a suit sitting at a poker table with their head in their hands appearing frustrated.

Adicción a las previsiones

Durante los Juegos Olímpicos de París 2024 se hicieron todo tipo de predicciones sobre las posibilidades de medalla de los distintos países. Algunos incluso desarrollaron

A vibrant, multicolored 3D wave-like graph with peaks and valleys, representing data points on a grid with a dark gradient background. The colors range from yellow, green, blue, to red, creating a dynamic, abstract visualization.

La ley de los grandes números

En matemáticas, la ley de los grandes números es un principio fundamental de la teoría de la probabilidad, que establece que cuando un experimento aleatorio