A día de hoy nos encontramos con empresas que tienen dificultades para diferenciar sus estrategias de inventario según los patrones de la demanda. ¿Alguna vez ha escuchado requerimientos como «Ponga un mes de stock para asegurar nuestras ventas»?
En varios sectores industriales o de distribución, esta práctica, basada en un número de días de cobertura, no se diferencia en función de los productos.
Un mes puedes vender 10.000 y al mes siguiente 5.000, ¿cuánto cuesta un mes de stock?
“Un mes de stock”, no significa nada. Significa algo a posteriori, cuando se hace un seguimiento de las rotaciones de inventario, pero no es relevante para decidir cuándo reponer el inventario
Fórmulas estadísticas y factores de variabilidad
Durante décadas, se han propuesto fórmulas estadísticas para dimensionar el stock de seguridad en función del historial de consumo y el objetivo de alcanzar un nivel de servicio determinado.
DDMRP propone, para los buffers dinámicos, establecer factores de variabilidad para dimensionar la zona roja de seguridad.
El planteamiento puede parecer básico, pero la experiencia demuestra que para los artículos con una demanda recurrente y, por lo tanto, los candidatos a un buffer de inventario dinámico, estos factores de variabilidad proporcionan una respuesta mucho mejor que las fórmulas de stock de seguridad. Las fórmulas de stock de seguridad a menudo conducen a niveles más altos y son por naturaleza estáticas. DDMRP ha recuperado el sentido común en la identificación y gestión de la variabilidad, y da significado y visibilidad a esta clasificación.
La fórmula estadística sigue siendo una opción adecuada para los artículos con consumo esporádico, para los que es apropiado un buffer estático.
¿Cómo se definen los rangos de variabilidad y los factores de variabilidad que se aplicarán a la zona roja?
Coeficiente de variabilidad
El método más común para clasificar los artículos en función de la variabilidad de la demanda es utilizar el coeficiente de variabilidad:
Según su portfolio de artículos se pueden calcular los coeficientes de variabilidad y establecer familias de variabilidad. A cada familia se le asigna un factor de variabilidad adecuado. En Intuiflow, este proceso se lleva a cabo mediante una funcionalidad de creación de perfiles de buffer de inventario, que permite establecer los ajustes de stock para miles de artículos en pocos segundos.
Recomendamos que este cálculo de CoV se realice en base a la demanda real diaria, ya que es con la que con la que nuestros planificadores tienen que tomar decisiones.
También es posible calcular este CoV sobre una base semanal o mensual, lo que lleva a valores más bajos. Los umbrales de las categorías de variabilidad deben adaptarse, pero en la mayoría de los casos existe una fuerte correlación entre la variabilidad medida sobre una base semanal o diaria: los artículos con variabilidad baja / media / alta / muy alta seguirán siendo los mismos.
Los artículos con una variabilidad muy alta a menudo deben examinarse con más detalle: ¿hay clientes que hacen grandes pedidos para una fecha? ¿Deben excluirse los picos de demanda de la evaluación de la variabilidad? ¿Deben almacenarse realmente estos artículos? Si realmente hay que almacenarlos, ¿no sería mejor opción un buffer estático?
Los límites de los coeficientes de variabilidad
Un coeficiente de variabilidad es una buena base para diferenciar las categorías de variabilidad de los artículos, pero no determina completamente la señal de demanda.
Por ejemplo, los dos artículos A y B que aparecen a continuación tendrán el mismo CoV, mientras que sus señales de demanda son significativamente diferentes. En función del plazo de reposición, el artículo B necesitará una zona roja más alta.
Inteligencia artificial y clustering
La ciencia de los datos proporcionan un enfoque más completo para caracterizar las señales de demanda. Como ejemplo, el siguiente gráfico muestra 7 artículos que tienen señales de demanda similares, lo que no es necesariamente obvio para el ojo humano …
Todos estos artículos se pueden asociar a la señal de demanda genérica que se muestra a continuación:
Estos artículos tienen valores de CoV entre el 50% y el 150%, lo que nos habría llevado a clasificarlos en diferentes categorías, aunque sus señales sean similares.
Mediante un enfoque de inteligencia artificial, podemos definir grupos de artículos (perfiles de buffer) agrupados por similitud de patrones de demanda, y correr simulaciones en segundo plano para validar los parámetros de la zona roja de nuestros buffers dinámicos. Cuantos más datos se aporten al motor de aprendizaje automático, mejor será el resultado.
El enfoque tradicional de CoV suele suponer una mejora significativa sobre el existente, y tiene la ventaja de la simplicidad y la legibilidad. La inteligencia artificial permite generar agrupaciones de artículos más detalladas, pero debe seguir siendo comprensible y legible para garantizar que los planificadores puedan confiar en ella.
Si quiere saber cómo Intuiflow integra IA y Demand Driven, no dude en ponerte en contacto con nosotros…
