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 se repite un gran número de veces, la media de los resultados obtenidos converge hacia el valor medio teórico (la expectativa matemática) de dicho experimento.
Hagámoslo sencillo. Si tira un dado una vez, obtendrá un valor de 1, 2, 3, 4, 5 o 6. Todo es muy variable.
Si tira el mismo dado 100 veces y saca una media de los valores obtenidos, obtendrá aproximadamente 3,5. Pruébelo y verá. ¿No le convence? Lance el dado 10.000 veces y verá. También puede hacer la prueba con la función aleatoria de Excel, que lleva menos tiempo…
En la cadena de suministro, esta ley de los grandes números es muy importante. Dice que cuanto más se agregue una señal, menor será la variabilidad y, por tanto, la incertidumbre.
Esto tiene muchas ventajas. Por ejemplo, si hace una previsión a nivel familia, será más fiable que a nivel detallado.
Pongamos un ejemplo. Su previsión de ventas totales de camisetas en Europa para el mes de junio es mucho más fiable que su previsión de ventas de su camiseta azul de la talla S en la tienda de Milán el próximo miércoles.
Si puede almacenar un producto semiterminado que pueda utilizarse para fabricar múltiples variantes de productos terminados, podrá responder más fácilmente a la demanda aleatoria de múltiples variantes, con diferenciación diferida.
La variabilidad de la demanda a la que se enfrenta para el stock del almacén central es menor que en la de sus centros de distribución secundarios, y menor que en las tiendas.
Si mantiene los productos en un almacén central, podrá enviarlos a las tiendas lo más tarde posible, en función del consumo real. De este modo, le resultará más fácil garantizar la disponibilidad centralizada de las existencias adecuadas para satisfacer la demanda global. A continuación, puede definir una lógica de flujo de reposición sencilla y de bajo riesgo para enviar los productos a la tienda adecuada, o incluso en un sistema de «click & collect».
Curiosamente, muchas soluciones informáticas van en contra de esto. La lógica convencional de DRP, por ejemplo, le animará a desarrollar conjuntos de previsiones detalladas -por país, por tienda, por cliente- y luego retroalimentar esta necesidad a través de una lógica similar al cálculo de las necesidades MRP.
En otras palabras, hacemos la previsión al nivel más detallado -por lo que hacemos la previsión más errónea posible- y luego añadimos todos estos errores aguas arriba, cruzando los dedos para que se compensen entre sí… Por supuesto, el esfuerzo de hacer previsiones detalladas moviliza muchos más recursos de la empresa.
Los entusiastas del aprendizaje automático también empujan en esta dirección: cuanto más detallado sea, más capaz será de asociar factores causales -promoción local, número de visitantes de este fin de semana, meteorología local, etc.- para que el modelo de IA pueda sacar conclusiones.
Eso sin tener en cuenta que la previsión de que la tienda de Milán venderá la camiseta azul de la talla S el próximo miércoles no tiene sentido, porque este trimestre probablemente la tienda de Milán venda unas 3 camisetas azules de la talla S. O 2. O 1. O cero. O 6.
Peor aún, las soluciones a menudo exigen que los productos se envíen rápidamente a la tienda, para estar «lo más cerca posible del cliente». Esta es la receta para tener demasiado inventario, en el lugar equivocado…
La ley de los grandes números es sencilla y de sentido común, y debería guiarle a la hora de diseñar su cadena de suministro y sus prácticas de planificación:
- Si puede situar puntos de desacoplamiento aguas arriba, en componentes o productos semiterminados, su respuesta a la demanda aleatoria será más ágil y fiable que en los productos terminados. En este caso, haga sus previsiones directamente a este nivel, en lugar de hacerlo aguas abajo en la cadena.
- Despliegue sus existencias en su red de distribución lo más tarde posible, con un plazo de entrega corto y un flujo de reposición basado en el consumo reciente.
- Centre sus previsiones en los niveles globales: deje que el nivel detallado reaccione al consumo real. Asegúrese de que sus equipos locales de ventas y planificadores de la demanda no pierden el tiempo haciendo previsiones equivocadas.
