• Author / Uploaded
• Carola Guzmán

Citation preview

www.slimstock.com

Simplificando la previsión de la demanda y la optimización de inventarios Las empresas deben rentabilizar al máximo el uso de su capital para ser competitivas en un mercado global. Les suena familiar, ¿verdad? Desde hace varias décadas, fabricantes y distribuidores atribuyen a la optimización de inventarios la máxima prioridad. Pero todavía es habitual encontrar situaciones que aplican métodos basados en la intuición como elementos de parametrización y cálculo para gestionar la demanda y los stocks. En este artículo vamos a ver la importancia de emplear herramientas específicas para esta especialidad tan relevante en la cadena de suministro.

Simplificando la previsión de la demanda y la optimización de inventarios Las empresas deben rentabilizar al máximo el uso de su capital para ser competitivas en un mercado global. Les suena familiar, ¿verdad? Desde hace varias décadas, fabricantes y distribuidores atribuyen a la optimización de inventarios la máxima prioridad. Pero todavía es habitual encontrar situaciones que aplican métodos basados en la intuición como elementos de parametrización y cálculo en la optimización de inventarios. En la mayoría de casos, la optimización de inventarios se considera un aspecto demasiado complejo de abordar si se tiene que gestionar de forma poco automatizada o mediante hojas de cálculo (que por cierto, siempre fallan en el momento más inoportuno). A ello hay que añadir la vorágine diaria a la que se ven sometidos los planificadores, obligados a reaccionar más que a planificar. Y abordar toda esta problemática con el ERP suele ser de gran complejidad, ya que su finalidad es cubrir la gestión transaccional de la empresa. Por definición, la optimización del inventario es la respuesta al equilibrio entre el nivel de servicio deseado y del valor del stock necesario para cumplir con este nivel de servicio. Una problemática común es que los equipos de ventas desean un nivel de servicio elevado en todos los artículos del surtido, para minimizar así la venta perdida. Sin embargo, si tomamos como definición de nivel de servicio el % de unidades que queremos servir directamente del stock o bien el número de veces que vamos a entregar una línea de pedido en fecha y cantidad cuando nos la solicitan, un valor cercano al 100% supondría en realidad un stock de seguridad muy elevado. Veamos a continuación la curva de relación entre el nivel de servicio y el valor del stock: el valor del stock crece exponencialmente según aumenta el nivel de servicio.

1

Consideremos el gráfico anterior: cualquier empresa que se encuentre por encima de la curva tiene un valor en stock por encima del necesario para cumplir con el nivel de servicio definido. Esto arroja dos realidades: por una parte, que con el nivel de inventario existente podemos dar un mejor nivel de servicio, y por otra, que si consideramos que el nivel de servicio es el adecuado, podemos cumplirlo con un menor nivel de inventario. Siendo así de fácil y simple, ¿por qué las empresas encuentran dificultades en obtener estas mejoras? Esto se debe en gran medida a que las prácticas para calcular los niveles de servicio e inventario están basadas en la intuición y no en un enfoque numérico. Las empresas clasifican los SKUs en categorías y cada categoría mantiene un determinado número de semanas de cobertura. Esto significa que el nivel de stock de seguridad para cada SKU es igual a la suma de las previsiones de la demanda proyectada de un determinado número de semanas. No obstante, hay otros factores que también pueden influir en el cálculo del stock de seguridad. Por ejemplo, una mejora importante se puede conseguir calculando el nivel de inventario por cada SKU (Referencia-Almacén), haciendo así una operación más ‘objetiva’. Si tomamos como ejemplo un SKU cuya demanda sigue un perfil de distribución normal, la fórmula aceptada por la mayoría de libros de texto para determinar el stock de seguridad en una determinada ubicación es la siguiente:

Los factores utilizados en esta fórmula son los siguientes:  Z : Valor tabulado según el nivel de servicio asignado al SKU  : Plazo de entrega medio en días (sin unidad)  σD : Variación de la demanda por día  : Demanda media por día  σPE : Variación en el plazo de entrega (sin unidad) Veamos un sencillo ejemplo de cálculo aplicando la fórmula anterior en dos escenarios distintos: Escenario 1: Imaginemos un SKU con demanda media de 500 uds/día y una desviación media de 75 uds. El proveedor que lo suministra tiene un plazo de entrega de 15 días y una desviación media del plazo de entrega de 1 día. El nivel de servicio que hemos asignado a este SKU es del 95% (Z=1,645). En este caso, aplicando la fórmula anterior para el cálculo del stock de seguridad obtendremos:

2

Escenario 2: Disponemos para el mismo SKU de un proveedor más barato y que tiene el mismo plazo de entrega. La única parte negativa es que es menos fiable que el anterior. La desviación en el plazo de entrega para este proveedor es de 5 días. En este caso, aplicando la fórmula anterior para el cálculo del stock de seguridad obtendremos:

La incertidumbre en el plazo de entrega tiene mayor impacto que la incertidumbre en la demanda. Esto nos lleva a considerar que la fiabilidad en la entrega a la hora de seleccionar proveedores debe tomarse como un factor de mayor importancia que el precio, ya que los costes encubiertos pueden no justificar su elección. Lo que ocurre al emplear modelos de cálculo del stock de seguridad basados en la experiencia, intuición o en valores que ya pocos recuerdan porqué se usan, es que tienden a protegerse con un número de unidades en stock más elevado de lo necesario. Además, no suelen tener la misma valoración una rotura de stock que un exceso de stock. Para el planificador, la penalización en el primer caso suele ser mucho mayor, mientras que para la empresa puede ser distinta, ya que intervendrán otros factores según sea un artículo A, para un cliente A o ambos a la vez.

Pero no quedarse sin stock no es necesariamente una buena señal. Un buen indicador para evaluar la fiabilidad del stock de seguridad es contabilizar el número de veces que se recurre al mismo. Si nunca llega a usarse, probablemente tengamos un valor excesivo, en cuyo caso deberíamos replantearnos los cálculos anteriores.

La importancia de una buena clasificación ABC Los gestores de stock saben por dónde empezar cuando hay varias decenas de miles de referencias. La clave en este caso es: segmenta y vencerás. Una buena clasificación ABC es siempre el punto de partida para saber dónde concentrar el tiempo y la energía. La mayor parte de los beneficios financieros procederán de ser capaces de contar con el valor de inventario adecuado para los artículos A. Además, el planificador debe priorizar el seguimiento de los artículos A frente al resto del surtido. El camino a seguir para pasar del modelo basado en la intuición al modelo basado en fórmulas, aunque fácil de implementar, sufre todavía algunas reticencias. Para las empresas que decidan cambiar al modelo de cálculo del stock de seguridad, citamos algunos puntos a tener presentes:

3



Evitar la falta de confianza en el resultado de una simple fórmula, “ya que mi negocio es mucho más complejo”. Incluso en las empresas afectadas por un alto número de variables, (ciclos de vida, promociones, sustituciones…), esta fórmula nos garantiza resultados comprensibles y repetitivos, basados en datos y valores objetivos que proporcionarán al planificador la base para el análisis de situaciones excepcionales.



Tener siempre en mente el ahorro financiero que puede aportar: Reducción de los costes de almacenaje, financieros, de transporte urgente o de reducción en la obsolescencia de productos, entre otros.



No requiere modificar los procesos de la empresa, ya que lo que estamos implementando son mejoras aplicables al ámbito local del área de gestión de materiales.



No supone un proyecto que requiera del rediseño del sistema de información existente. En muchos casos se pueden obtener mejoras sustanciales con herramientas disponibles en el mercado que han sido específicamente diseñadas para esta especialidad de la optimización del inventario.

En resumen, a todos aquellos lectores que deseen abordar un proyecto de optimización del inventario, recomendamos empezar con una regla básica: no es bueno pretender llegar muy lejos con demasiada rapidez. Hemos visto que el simple cálculo del stock de seguridad con valores objetivos traerá mejoras cuyo resultado es fácil de interpretar y revisar. En el caso de que haya que gestionar grandes volúmenes de SKUs, existen sistemas de simulación y cálculo en el mercado específicamente diseñados para ello. En este caso, la evaluación del retorno de la inversión del proyecto es el indicador clave para justificar o no su implementación. Para finalizar, hemos visto que es relativamente fácil aplicar la fórmula para el cálculo del stock de seguridad. Sin embargo, ésta requiere disponer de valores relacionados con la demanda de los productos. Vamos a refrescar por tanto este concepto de previsión de la demanda.

4

Previsión de la Demanda “Lo mejor es enemigo de lo bueno” La previsión de la demanda ha generado en los últimos años intensos debates sobre cuál es el mejor resultado usando sofisticados modelos estadísticos. Sin embargo, y aunque puede existir una gran variedad de perfiles de consumo, la gran mayoría de ellos responden a los que aparecen a continuación o presentan combinaciones de ellos:

Demanda regular en cantidad y frecuencia

Tendencia elevada

Demanda regular en cantidad e irregular en frecuencia

Estacional

Demanda con Picos irregulares

Demanda irregular en Cantidad y Frecuencia

Los gráficos anteriores representan productos con demanda regular en cantidades y frecuencia, con una clara tendencia al alza (lanzamiento del producto), con demanda regular en cantidad pero irregular en frecuencia, estacional, con picos de demanda o erráticos en cantidad y frecuencia. El primer paso para una buena gestión de la demanda es segmentar el surtido de productos. El modelo de cálculo que se aplique debe depender del comportamiento de la demanda. Algunos métodos de cálculo de previsiones de venta ampliamente conocidos son los siguientes:

5

       

Suavizado Exponencial Simple Suavizado Exponencial Doble Regresión Lineal Media Móvil Simple Media Móvil Ponderada Regresión Lineal Método de Descomposición …

No se asuste, no vamos a describir todos y cada uno de ellos. Nos limitaremos en este artículo a exponer brevemente el cálculo del Suavizado Exponencial Simple, por su facilidad de uso y por su amplia aplicación en los sistemas de cálculo de previsiones. El método de Suavizado Exponencial Simple (conocido también como Alisamiento Exponencial o Suavización Exponencial Simple) es una de las metodologías más extendidas para calcular las previsiones de demanda de artículos que siguen una distribución normal cuando se dispone de una serie de datos temporales para poder estimar el comportamiento futuro. Su nombre se debe a que cada incremento del pasado se reduce en (1 – α) por lo que se considera válido que la importancia de los datos disminuye en la medida en que son más antiguos. Para generar una previsión usando el método de Alisamiento Exponencial se requiere la previsión más reciente, la demanda que se presentó para ese período y una constante de suavizado (α).

Ft = F (t-1) + α * [A (t-1) – F (t-1)]

La previsión calculada en el período t Ft será igual a la previsión del período anterior, t-1 (Ft-1) más α por el error del período anterior (A t-1 – Ft-1). El valor del parámetro alfa puede oscilar entre 0 y 1. Cuando el valor de alfa es relativamente bajo se reducen las variaciones de corto plazo asociadas a la demanda, lo cual parece razonable cuando la demanda real tiene un comportamiento relativamente estable. Por el contrario, cuando la demanda presenta cambios significativos en el corto plazo, es mejor usar valores de alfa más elevados. El método del Suavizado Exponencial presenta buenos resultados cuando el patrón de la demanda no presenta ni tendencia ni estacionalidad. Sin embargo, si la serie de tiempo tiene una tendencia creciente se tenderá a subestimar la demanda real y de forma análoga, cuando la demanda presente una tendencia decreciente el Alisamiento Exponencial tenderá a sobrestimar el valor de la demanda real.

6

Para mejorar la calidad de las previsiones en este tipo de artículos (que siguen una distribución normal y presentan tendencia en la serie de tiempo) es aconsejable aplicar el método de Suavizado Exponencial Doble, conocido también como Método de Holt Winters. La tendencia es un incremento o decremento sistemático en el promedio de la serie a través del tiempo. Luego, el método de Suavizado Exponencial Doble lo que busca es incorporar la tendencia en una previsión del suavizado exponencial. Todo lo explicado hasta ahora es perfectamente aplicable cuando el volumen de datos a emplear es bajo. Es decir, cuando tenemos un número reducido de SKUs, 1 solo punto de stock o almacén y no es necesario gestionar las promociones de productos. Pero este sería un entorno irreal. Incluso aunque seamos partidarios de automatizar al máximo con herramientas de cálculo avanzadas como Slim4 de Slimstock, es necesaria la supervisión del aprovisionador para que éste se encargue de todas aquellas excepciones que puedan aparecer en la gestión de materiales, tales como:     

Excepciones de Previsiones Excepciones de Compras / Fabricación Excepciones de Inventario Excepciones de error …o las configuradas por el usuario

Es necesario incorporar en los métodos de cálculo de previsiones factores como el patrón de la demanda, estacionalidades y tendencias, entre otros. Slim4 de Slimstock, permite automatizar la clasificación de los artículos según el patrón de la demanda y aplicar el método de cálculo más apropiado para cada SKU, calculando y aplicando estacionalidades y tendencias a ese nivel.

Desviación de la demanda “En teoría, la teoría y la práctica son iguales. En la práctica, no lo son.” Por defecto, el lector debe asumir que las previsiones serán erróneas. Por ello es importante evaluar la desviación entre lo que se estimó y lo que realmente sucedió o está sucediendo. Técnicamente, el error de la previsión es una simple resta entre lo vendido y lo que estaba previsto vender: e = At - Ft

7

En esta fórmula:  

At es la demanda real en el período t Ft es la demanda prevista en el período t

La forma más habitual de tener una visión objetiva de la certeza de las previsiones de productos con una demanda regular es a través de los indicadores MAD y la señal de rastreo (TS):  

MAD mide el error promedio de la previsión (en valor absoluto) La señal de rastreo (conocida también como Tracking Signal o TS) mide la desviación de la previsión respecto a la variación de la demanda. Del mismo modo, se puede interpretar como el número de MAD (Desviación Media Absoluta o Mean Absolute Deviation) el hecho de que la previsión esté sobre o bajo la demanda real. La fórmula que se utiliza para obtener la señal de rastreo es la siguiente:

En esta fórmula:   

At es la demanda real en el período t Ft es la previsión calculada en el período t n es el número de períodos

En la práctica, la señal de rastreo nos informa de que no estamos acertando en el cálculo de las previsiones y que deberíamos revisar los parámetros de este SKU. Es crítico que el aprovisionador pueda disponer de estos cálculos para tomar acciones al respecto y lo antes posible. Veamos un ejemplo de cálculo muy didáctico donde se aplica la fórmula anterior: Período

1 2 3 4 5 6 7 8 9

Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

At Ft Error Abs. Sumatorio Demanda Previsiones ( At - Ft ) Error Absoluto 200 230 260 160 260 240 260 300 300 350 240 210

220 213 237 240 253 243 290 323 303

60 47 3 20 47 57 60 83 93

60 107 110 130 177 234 294 377 470

MAD

Error N (At - Ft)

Sumatorio Error N

Señal de Rastreo TS

60,00 53,50 36,67 32,50 35,40 39,00 42,00 47,13 52,22

-60 47 3 20 47 57 60 -83 -93

-60 -13 -10 10 57 114 174 91 -2

-1,00 -0,24 -0,27 0,31 1,61 2,92 4,14 1,93 -0,04

8

En la práctica, cuando la señal de rastreo supera un determinado valor durante varios períodos consecutivos, es recomendable revisar el comportamiento de la demanda de dicho artículo, ya que lo que nos está indicando es que el sistema no logra acertar en el cálculo de la previsión. Slim4 calcula periódicamente este valor y, mediante la gestión de excepciones, avisa al planificador de las desviaciones en la señal de rastreo por encima/debajo de un valor determinado.

Estacionalidad Algunos productos presentan unos patrones de demanda que se reproducen cíclicamente. Algunos ejemplos muy claros son las luces de Navidad, los bañadores, los helados o los abrigos. Menos obvios son los productos cuya demanda puede variar durante el mes, la semana o el día. Por ejemplo, el consumo de energía eléctrica a lo largo del día o el día de compra de carne fresca en el supermercado a lo largo de la semana. Los picos de consumo eléctrico, por ejemplo, suelen ser de lunes a viernes a primera hora de la mañana (entre las 6 y las 8 horas). Para todos estos casos, un indicador útil y comúnmente utilizado es el índice estacional. El índice estacional es una estimación de cuánto estará la demanda por encima o por debajo de la demanda media del producto durante un período determinado. Supongamos que la demanda media de un bañador de caballero es de 100 unidades al mes. Sin embargo, en julio es de 175 y en septiembre de 35. Los índices estacionales de la demanda para los meses de julio y septiembre son 1,75 (175/100) y 0,35 (35/100) respectivamente. El período en este caso es mensual, pero puede ser diario, semanal o mensual dependiendo de la base de la estacionalidad de la demanda. La demanda media de todos los períodos es un valor que se calcula con la media de todos los valores y al que también se le llama demanda desestacionalizada. Veámoslo más claramente con un sencillo ejemplo: supongamos que las ventas de un producto son las que se reflejan en la tabla inferior. No hay tendencia, pero se aprecia cierta estacionalidad. El producto ha tenido unas ventas anuales de 400 unidades con una demanda media trimestral de 100 unidades. Histórico de Ventas Estacional Año

Trimestre

1 2 3

1 122 130 132

2 108 100 98

3 81 73 71

4 90 96 99

total 401 399 400

Demanda Media

128

102

75

95

400

Índice Estacional

1,28

1,02

0,75

0,95

4

9

Los índices estacionales trimestrales se han calculado dividiendo la demanda del trimestre entre la demanda media. Es decir, el índice estacional del Trimestre 1 es 1,28 (128/100). Para tomar en consideración la estacionalidad calculada en las previsiones de venta, sigamos con el ejemplo del producto anterior. Supongamos que las previsiones de venta para el próximo año son 420 unidades. Para calcular las previsiones de venta trimestrales, teniendo en cuenta la estacionalidad, operaremos de la siguiente forma:

Demanda media trimestral = 420/4 = 105 unidades Previsiones: 1er Trimestre = 105 x 1,28 = 134,4 uds 2er Trimestre = 105 x 1,02 = 107,1 uds 3er Trimestre = 105 x 0,75 = 78,75 uds 4er Trimestre = 105 x 0,95 = 99,75 uds

Una vez más, no parecería complicado si lo que estamos gestionando son unas centenas de SKUs. Pero si tenemos que trabajar con miles, deberemos dedicar mucho tiempo a los cálculos y tenemos alta posibilidad de error usando herramientas ofimáticas. Slim4 calcula de forma periódica la estacionalidad y aplica los índices estacionales a las previsiones de venta de forma completamente automática.

Gestión de Promociones Uno de los factores más desestabilizantes y perturbadores en la cadena de suministro son las promociones de productos. Las promociones presentan dificultades en muchos aspectos: en el cálculo de las previsiones, en las entregas o en los efectos colaterales como la canibalización de productos. Pueden además aparecer roturas de stock (o ventas perdidas) si las previsiones han sido pesimistas. Esto provocará pérdida de beneficios en el corto plazo y, lo que es más dañino, la potencial pérdida del cliente al que hemos obligamos a buscar productos sustitutivos de otras marcas. Si las previsiones han sido demasiado optimistas, por el contrario, corremos el riesgo de generar pérdidas debido a la caducidad u obsolescencia de los productos promocionados. A todo ello hay que añadir que las promociones de productos de larga duración provocarán el fenómeno conocido como Promotion Post Dip Effect. Esto quiere decir que una promoción del 3x2 en pasta dentífrica no hará que usemos más pasta a diario, solo hará que tardaremos más en comprar de nuevo. Eso sí, puede que el cliente decida que, aprovechando la oferta, también es el

10

momento de cambiar de cepillo de dientes. Otro ejemplo de este efecto es una promoción de refrescos de cola que consigue aumentar las ventas de patatas fritas. Pero más allá de las consideraciones sobre el impacto positivo o negativo que pueden aportar las promociones, es conveniente tener en cuenta algunos puntos: En primer lugar, es necesario identificar y separar de las ventas normales aquél incremento de ventas que se haya debido a la promoción. Para ello, en principio, hay que aplicar 2 acciones:  

Dividir las ventas en 2 categorías: normal y promocional Generar un histórico de la demanda, diferenciando los períodos donde se ha producido demanda promocional de la demanda regular

En segundo lugar, hay que realizar el seguimiento del impacto de las promociones en la demanda. Al tener separadas las promociones de la demanda normal, el seguimiento es mucho más fácil. Solo habrá que examinar la diferencia entre la demanda actual y las previsiones de base calculadas. La precisión de las previsiones de la promoción puede también obtenerse comparando las previsiones calculadas para la promoción con la demanda actual. Esta segmentación permite evaluar el resultado de las promociones y permitirá eliminar incidentes recurrentes, como ocurre en general con las proyecciones muy optimistas. Al mismo tiempo, permite analizar las promociones por grupo de productos y diferenciar las promociones rentables de las que no lo son. Pueden darse situaciones contraproducentes y difíciles de detectar si no tenemos las promociones correctamente identificadas en el sistema. Veámoslo con un ejemplo: Se detecta una disminución en los beneficios generados por un grupo de productos. Sin embargo, las ventas se han mantenido en los mismos niveles. El análisis revela que las promociones realizadas sobre algunos productos del grupo han provocado un incremento en sus ventas, en detrimento de otros productos del mismo grupo. La trampa está en que los productos que se pusieron en promoción tenían márgenes de beneficio inferiores, lo que ha provocado una disminución en el beneficio global generado por todo el grupo de productos. En tercer lugar, es necesario utilizar modelos cuantitativos para calcular la previsión de las promociones. Para refrescar la memoria: los modelos cuantitativos son modelos de cálculo que se basan en datos históricos que se supone que son relevantes para el futuro. Y finalmente, siempre que sea posible, analizar los resultados obtenidos. El beneficio de hacer este análisis es que algunos factores que afectan la demanda como el precio, la posición en el lineal o el embalaje, se conocerán con antelación y podrán aplicarse a promociones futuras.

11

Simulaciones What-If En general, uno de los valores más difíciles de obtener cuando abordamos el análisis en una empresa es el valor del nivel de servicio. Ya hemos visto que este valor tiene un fuerte impacto en el cálculo del stock de seguridad. Siendo este un valor estratégico, es necesario poder demostrar la variación en los niveles de stock y su coste según la elección realizada. Es una funcionalidad ampliamente utilizada en los sistemas actuales: disponer de capacidades de simulación de distintos escenarios para la toma de decisiones. Veamos el siguiente ejemplo de un SKU con los siguientes datos logísticos:     

Plazo de entrega : 15 días Frecuencia de pedido: 7 días Cantidad mínima de compra : 2.000 unidades Demanda media mensual : 9.800 unidades Precio de compra unitario : 1,36€

¿Cuál es el nivel de stock de seguridad para distintos niveles de servicio ? Mediante los procesos de simulación de Slim4 obtenemos en segundos los siguientes resultados: Simulación Nivel de Servicio vs Stock de Seguridad Nivel de Servicio

Stock de Seguridad (uds)

Stock de Seguridad

90 95 97 98 99 99,99

1141 1710 2084 2359 2793 5016

1.552 2.326 2.834 3.208 3.798 6.822

€ € € € € €

12

Mediante la funcionalidad de simulación, se ofrece al aprovisionador valores objetivos calculados en segundos por Slim4 y que deben ayudar a la toma de decisiones empresariales como la definición del nivel de servicio.

Conclusión Este whitepaper pretende mostrar al lector de forma generalista alguno de los puntos más importantes para mejorar la previsión de la demanda y la optimización del inventario. Los puntos que abordamos, y muchos otros como la cantidad óptima de compra, la optimización de las órdenes de compra según formato de embalaje o el importe mínimo de compra (portes pagados, llenado de contenedores...), están disponibles en Slim4 de Slimstock, resultado de 25 años de presencia en el mercado y con más de 750 clientes en todo el mundo. Aunque la mayoría de conceptos serán conocidos por el lector, su aplicación en la gestión diaria se hace difícil si no se dispone de las herramientas informáticas que lo soporten. La implementación y uso adecuado de Slim4 en las empresas aporta, entre otros, los siguientes beneficios:

Publicado por Slimstock, líder en previsión de la demanda y optimización de inventarios Desde 1993, Slimstock es sinónimo de la mejor previsión de demanda, una gestión de stock más eficiente, un análisis claro del inventario y un stock fiable. Tenemos más de 750 clientes en todo el mundo que incluyen grandes, medianas y pequeñas empresas. Infórmate sobre cómo podemos ayudarte llamándonos al 902 876 961 o vía www.slimstock.com

13