menu icon
close

¿Histórico, previsión, o ambos?

Por Bernard Milian
demand-based forecasts

Para dimensionar nuestro inventario y reponer nuestros productos, tenemos que hacer supuestos relacionados con la demanda. Usando un enfoque Demand Driven, la cadena de suministro se programa en función del consumo real, pero para que éste se produzca, debe haberse asegurado de tener los productos disponibles, suministrados en base a unas hipótesis sobre la demanda.

Los buffers del DDMRP se dimensionan, y se adaptan automáticamente, utilizando el consumo medio diario. La forma de calcular este consumo medio diario se define durante el diseño del modelo, y se ajusta si es necesario durante su aplicación.

Por supuesto, este consumo medio diario es una estimación. El consumo real de los próximos días diferirá de esta estimación. El objetivo es, por tanto, establecer una regla de cálculo del consumo medio diario que sea razonable para que los buffers calculados respondan correctamente al rango de demandas reales al que estaremos expuestos.

En un mundo VUCA, el pasado ya no es un indicador del futuro

Estamos atrapados en un dilema. ¿Cuáles son los datos necesarios para evaluar el consumo medio diario? Tenemos datos históricos de consumo. También tenemos datos de eventos futuros que podrían influir en el consumo. O no.

También sabemos que nuestro entorno es cada vez más volátil, incierto, complejo y ambiguo, lo que significa que el futuro no puede ser una proyección del pasado. Aquí estamos.

Cuando diseñamos nuestro modelo «Demand Driven», nos preocupamos de decidir los puntos de desacoplamiento de forma que se reduzcan los plazos de entrega de cada posición gestionada, lo que nos permitirá adaptar nuestra cadena de suministro paso a paso. Esto significa que, si nuestro consumo real difiere significativamente del consumo medio diario utilizado para dimensionar nuestros buffers, nos adaptaremos más rápidamente.

El falso debate de las previsiones

Habrá notado que desde el principio de este artículo hemos hablado de «supuestos relacionados con la demanda» y otras «estimaciones». He tenido cuidado de no utilizar la palabra «previsión». Lo he hecho deliberadamente para no iniciar un debate.

A lo largo de las décadas, la previsión se ha convertido en una disciplina propia en muchas empresas, con equipos dedicados, “revisiones de la demanda”, sofisticados programas informáticos de IA y predicción, enfoques probabilísticos, etc. Sin embargo, la fiabilidad de las previsiones se está estancando o incluso deteriorando, simplemente porque el entorno es cada vez menos predecible. Muchas empresas gastan mucha energía en medir la fiabilidad de las previsiones y discuten sobre la mejor manera de medirla: sesgo, mape, wmape, valor añadido de la previsión, etc.

Varios estudios muestran que el consenso resultante del proceso de previsión colaborativa no suele dar estadísticamente un resultado mucho mejor que una previsión «ingenua» basada, por ejemplo, en un simple ajuste exponencial. En resumen, se gastan muchos recursos para un resultado generalmente decepcionante.

Entonces entra en juego el cambio a Demand Driven, ya se lo dije: nada mejor que la demanda real, EL consumo medio diario.

Pero tenemos que establecer una regla general para calcularlo. Si basamos nuestro cálculo en el histórico, debemos determinar un horizonte temporal y limpiar nuestro histórico de datos erróneos. También debemos tener en cuenta nuestro crecimiento o estacionalidad.

En definitiva, hay que aplicar las técnicas típicas del proceso de previsión.

¿Histórico, previsiones o ambos?

Algunas recomendaciones obtenidas de la aplicación de DDMRP en implantaciones:

Si no tiene una previsión disponible:

  • Calcular el consumo medio diario a partir de los datos históricos y asignar factores de crecimiento o estacionales.
  • También se puede crear una pseudo previsión para proyectar los supuestos históricos de los datos en el módulo S&OP -proyectando en base al año pasado con coeficientes de corrección, por ejemplo- y evaluar diferentes escenarios.

Si tiene previsiones:

  • Calcule para cada artículo el consumo medio diario histórico, así como la previsión media diaria. Obsérvese que estas dos medidas son promedios sobre horizontes temporales definidos, para suavizar el ruido de la variabilidad de la demanda.
  • Compare estas dos medidas y determine, para cada artículo qué medida tiene más sentido: la histórica, la prevista o una mezcla de ambas. Esta determinación puede hacerse por artículo, según los conocimientos del planificador, o bien de forma masiva, según reglas que tengan en cuenta, por ejemplo, el ciclo de vida de los artículos o los eventos promocionales.

Algunos ejemplos:

  • En el caso del lanzamiento de nuevos productos, utilice la previsión o los datos que tenga del producto o productos sustituidos por el nuevo producto.
  • En el caso de los productos promocionales, utilice la previsión al menos al inicio y al final de la promoción.
  • Para un producto maduro: el histórico o la combinación suelen dar mejores resultados.

¿Cómo establecer el consumo medio diario en los componentes?

Las consideraciones anteriores se aplican directamente a los productos acabados / artículos con una demanda independiente.

Para los componentes de niveles inferiores de la lista de materiales (BOM), o de la red de distribución, cuando se disponga de las previsiones de los padres, recomendamos explosionar las previsiones en los hijos.

Este desglose puede hacerse como:

  • La disminución de las ventas diarias proyectadas en los padres, teniendo en cuenta los coeficientes de la lista de materiales y la compensación de los plazos de entrega – en otras palabras, sólo explotando el ritmo de la previsión de ventas.
  • Tasa de consumo de los artículos hijos basada en las fluctuaciones previstas de stock en los niveles de los padres. Este segundo método permite alinear los buffers de los hijos con el stock anticipado, o con limitaciones vinculadas a la capacidad. Es preferible, pero requiere un buen nivel de madurez en la gestión del DDS&OP.

¿Histórico por defecto, previsiones por excepción? ¿Previsión por defecto, histórico por excepción?

Aproximadamente correcto es mejor que precisamente equivocado. El consumo medio diario utilizado para dimensionar Buffers de reposición sigue siendo una estimación, por lo que es más importante ser pragmático que científicamente exacto.

Tenemos clientes que utilizan los datos históricos por defecto -ya que les resultan menos sesgados-, excepto en los periodos promocionales, en los que cambian a las previsiones.

Tenemos clientes que, por defecto, dimensionan sus buffers en función de las previsiones -sobre todo para producto terminado- porque consideran que la precisión de la previsión es razonable, y por excepción pasan a los datos históricos. A veces esta elección inicial se hace por razones de aceptación: venimos de una lógica fuertemente centrada en las previsiones, no saltemos a un territorio desconocido…

En cualquier caso, vigile el comportamiento de sus buffers: si bajan demasiado o suben demasiado y lo relacionamos con una inadecuada decisión sobre el modo de cálculo (en este caso habría sido mejor calcular sobre previsión/histórico/ambas), adáptese.

Adapte el método de cálculo directamente al resultado sobre el comportamiento de su stock y sus plazos de entrega, en lugar de intentar en vano mejorar la fiabilidad de sus previsiones… ¡lo que cuenta es el resultado para sus clientes!

Póngase en contacto con nosotros

Comparta esta historia, elija su plataforma

Facebook
Twitter
LinkedIn

Blogs recientes

Suscríbase a nuestra newsletter

También puede interesarle

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

Two fresh pizzas on wooden boards, one with basil and cheese, and the other with various toppings, surrounded by ingredients.

Pizza desacoplada

Aunque él no lo sepa, su pizzero favorito está muy familiarizado con el concepto de punto de desacoplamiento. La semana pasada llamé por teléfono a