Punto de reorden (cadena de suministro)

Por Joannès Vermorel, última actualización: abril de 2012

El punto de reorden es el nivel de inventario de una SKU que señala la necesidad de realizar una orden de reabastecimiento. El punto de reorden es la suma de la demanda de tiempo de entrega y las existencias de seguridad. El cálculo de un punto de reorden optimizado generalmente incluye al tiempo de entrega, el pronóstico de la demanda y el nivel de servicio. Valerse de un pronóstico cuantílico nativo aumenta considerablemente la calidad de los puntos de reorden para la mayoría de las actividades comerciales minoristas y de fabricación.

El punto de reorden es un concepto importante no solo para la optimización del inventario, sino también para su automatización. De hecho, la mayoría de los ERP y los software de gestión de inventario asocian un ajuste de punto de reorden a cada SKU para ofrecer cierto grado de automatización en la gestión del inventario.

Cálculo cuantílico de la demanda

Un aspecto poco comprendido de la gestión del inventario es que el punto de reorden representa un pronóstico cuantílico de la demanda para un horizonte que equivale al tiempo de entrega. De hecho, el punto de reorden representa la cantidad de inventario que, con una probabilidad de τ% (el nivel de servicio deseado), no será superada por al demanda. Si la demanda sobrepasa este umbral, algo que sucede con una frecuencia de solo 1-&tau, se llega a la situación de falta de existencias.

Pronósticos cuantílicos nativos vs. extrapolados

Los modelos de pronóstico cuantílico son complicados de expresar por escrito. Como resultado, la mayoría de los software de pronóstico solo entregan pronósticos de media. No obstante, como se explicaba anteriormente, los puntos de reorden son, fundamentalmente, pronósticos de demanda cuantílicos. Por lo tanto, la solución más popular para la falta de modelos cuantílicos nativos consiste en extrapolar pronósticos de media en pronósticos cuantílicos.

La extrapolación generalmente se basa en la suposición de que el error de pronóstico sigue una distribución normal. Nuestra guía sobre existencias de seguridad describe en detalle cómo un simple pronóstico de media puede ser extrapolado en un pronóstico cuantílico. En la práctica, sin embargo, la suposición de que el error sigue una distribución normal no se sostiene. De hecho, la distribución normal:

• Converge demasiado rápidamente hacia el cero, mucho más rápidamente que las distribuciones empíricas observadas en los sectores minorista y de fabricación.
• Es perfectamente suave mientras que la demanda sigue pasos integrales. El impacto negativo de esta suavidad se ve principalmente en la demanda intermitente.
• No es adecuada para niveles de servicio elevados (básicamente niveles que superen el 90 %). De hecho, cuanto más se aleja de la mediana (50 %), menos precisa resulta la aproximación normal.
  

Regla general: cuándo favorecer los pronósticos cuantílicos nativos

A pesar del overhead de cálculo adicional, los pronósticos cuantílicos nativos aportan beneficios significativos desde el punto de vista de la optimización del inventario, cuando:

• Los niveles de servicio superan el 90 %.
• La demanda es intermitente, con menos de 3 unidades vendidas por período (día, semana, mes, según la agregación).
• Las órdenes mayoristas ( un solo cliente compra más de 1 unidad en una sola vez) representan más del 30 % del volumen de ventas.
  

En la práctica, el error del punto de reorden (ver la sección a continuación) generalmente se reduce de más del 20 % si alguna de esas tres condiciones se cumple. La explicación de esta mejora se encuentra mayormente en el hecho de que la extrapolación utilizada para hacer de un pronóstico de media un pronóstico cuantílico se convierte en el eslabón más débil del cálculo.

Precisión de los puntos de reorden a través de la función de pérdida pinball

Debido a que el punto de reorden no es otra cosa que un pronóstico cuantílico, es posible evaluar la precisión del pronóstico a través del uso de la función de pérdida pinball.

Con esto, resulta posible comparar estrategias alternativas de existencias con su práctica actual. Si una estrategia alternativa reduce el error total, esto significa que esa estrategia es mejor para su empresa.

El proceso puede parecer un poco confuso, porque aplicamos el término precisión en un contexto en el que tal vez no existan pronósticos (si la empresa no utiliza ya un proceso de pronóstico, por ejemplo). El truco es que los niveles de inventario objetivo por sí mismos representan pronósticos cuantílicos de demanda implícitos. La función de pérdida pinball le permite evaluar la calidad de esos pronósticos implícitos.

Descargar: reorder-point-accuracy.xlsx

La hoja de cálculo de Microsoft Excel anterior ilustra el modo de evaluar la precisión de su punto de reorden utilizando la pérdida pinball. La hoja incluye varias columnas de datos de entrada:

• Nombre del producto: solo por cuestiones de legibilidad.
• Nivel de servicio: la probabilidad deseada de no llegar a una situación de falta de existencias.
• Tiempo de entrega: el retraso para completar una operación de reabastecimiento.
• Punto de reorden: el umbral (a menudo llamado Mín) que desencadena un reabastecimiento. Los puntos de reorden son los valores cuya precisión de evalúa
• Día N: la cantidad de unidades vendidas durante ese día. El diseño utilizado para esta hoja es práctico, porque permite calcular la demanda de tiempo de entrega mediante la función OFFSET en Excel (ver a continuación).
  

Luego, la hoja incluye dos columnas de resultados:

• Demanda de tiempo de entrega: representa la demanda total entre el inicio del Día 1 y el final del Día N (donde N es igual al tiempo de entrega expresado en días). Aquí, la función OFFSET se utiliza para hacer la suma a lo largo de una cantidad variable de días utilizando el tiempo de entrega como argumento.
• Pérdida pinball: representa la precisión del punto de reorden. Este valor depende de la demanda de tiempo de entrega, el punto de reorden y el nivel de servicio. En Excel, utilizamos la función IF para distinguir el caso de sobrepronóstico del caso de subpronóstico.
  

Por cuestiones de uniformidad en el análisis, la configuración de los datos de entrada (puntos de reorden, niveles de servicio y tiempos de entrega) debe ser extraída al mismo tiempo. Según las convenciones que seguimos en esta hoja, este momento puede ser el final del Día 0 o justo antes del inicio del Día 1. Luego, esas configuraciones son validadas mediante la comparación con datos de ventas posteriores.

Por último, una vez que se calcula el valor de pérdida pinball para cada SKU, calculamos la suma de las pérdidas pinball en la esquina inferior derecha de la hoja. Al comparar los dos métodos para calcular los puntos de reorden, el método que logra la menor pérdida pinball total es el mejor.

Función de pérdida pinball, preguntas y respuestas

La función de pérdida pinball me suena extraña. ¿No es que han sido ustedes los que han inventado esta función para impulsar el rendimiento relativo de Lokad?

La función de pérdida pinball es conocida desde hace décadas. Si usted está de acuerdo con la hipótesis de que el punto de reorden debería ser definido como el valor que cubre la demanda con una cierta probabilidad (el nivel de servicio), entonces las estadísticas de manual indican que la pérdida pinball es la función que debería ser utilizada para evaluar su estimador cuantílico. Los primeros trabajos sobre el tema datan de fines de los años setenta, pero si desea consultar material más actualizado, puede leer Koenker, Roger (2005) Quantile Regression, Cambridge University Press.

¿Cómo pueden acceder a la calidad del punto de reorden para una SKU en particular con función la pérdida pinball?

No es posible evaluar la calidad del punto de reorden para una sola SKU mirando un solo punto en el tiempo. A menos que su nivel de servicio se encuentre muy cerca del 50 %, la pérdida pinball presenta una fuerte varianza. Como resultado, necesita calcular un promedio de los valores de pérdida para varias docenas de fechas distintas para obtener un promedio fiable al observar una sola SKU. Sin embargo, en la práctica, le sugerimos que, en cambio, calcule el promedio de pérdidas para varias SKU (en lugar de para varias fechas). Con una base de datos que contenga más de 200 SKU, la pérdida pinball es generalmente un indicador bastante estable, incluso si considera solamente un punto en el tiempo para realizar una evaluación.

La pérdida pinball reacciona marcadamente a niveles de servicio muy elevados. ¿Esto significa que ante niveles de servicio muy elevados generará niveles de existencias muy elevados?

La realidad de la gestión del inventario es que lograr un nivel de servicio del 99,9 % requiere una gran cantidad de inventario. De hecho, 99,9 % significa que usted no desea tener que costear más de 1 día de falta de existencias cada 3 años. Con la fórmula de existencias de seguridad clásica, el uso de un nivel de servicio muy elevado no genera niveles elevados de inventario.. Sin embargo, el uso de un nivel de servicio muy elevado en la fórmula no genera necesariamente un nivel de servicio equivalente en la práctica. En resumen, usted puede ingresar 99,9 % en el software, pero, en realidad, el nivel de servicio observado no será superior al 98 %. Esta situación se debe a la suposición de que la demanda se distribuye normalmente. Esta suposición, utilizada en la fórmula de cálculo de existencias de seguridad clásica, es incorrecta y lleva a una falsa sensación de seguridad. Los pronósticos cuantílicos, en cambio, responden mucho más agresivamente a los niveles de servicio elevados (es decir, con niveles elevados de existencias). No obstante, estos pronósticos simplemente reflejan la realidad en un modo más preciso. Niveles de servicio muy elevados implican niveles de existencias elevados. No se puede obtener el 100 % de nivel de servicio, es necesario transigir.

En su hoja de cálculo de ejemplo, ustedes utilizan datos diarios. ¿Se pueden utilizar datos semanales?

Si sus tiempos de entrega son prolongados y pueden ser expresados en semanas en lugar de días, entonces, sí, se pueden utilizar datos históricos agregados en semanas; la aproximación debería ser buena. Sin embargo, si sus tiempos de entrega son, en promedio, menores de 3 semanas, entonces la discrepancia introducida por un redondeo semanal puede ser muy significativa. En esas situaciones, debería considerar datos agregados diariamente. Los datos diarios podrían complicar un poco el manejo de los datos en la hoja de cálculo de Excel, debido a la abundancia de datos. Sin embargo, en la práctica, la función de pérdida pinball no ha sido diseñada para ser calculada en una hoja de cálculo Excel, excepto que esto se haga solo como prueba de concepto. El único aspecto que realmente interesa es el de proporcionar datos diarios al sistema de optimización de inventario.

Errores de concepto: el punto de reorden lleva a órdenes grandes infrecuentes

Valerse de los puntos de reorden no implica nada sobre la calidad de la gestión del inventario. De hecho, debido a que los puntos de reorden pueden ser modificados continuamente (generalmente mediante automatización software), cualquier estrategia de mantenimiento de existencias puede ser representada mediante valores de puntos de reorden ad-hoc que cambian con el tiempo.

Las órdenes grandes e infrecuentes se hallan en empresas que no actualizan en forma dinámica sus puntos de reorden. Sin embargo, la causa del problema no son los puntos de reorden per se, sino la falta de automatización software que actualizaría regularmente esos puntos de reorden.

Varios proveedores con diferentes tiempos de entrega

La cantidad del inventario que se compara con el punto de reorden es generalmente la suma de las existencias disponibles y las existencias pedidas. De hecho, al realizar una orden, es necesario anticipar las existencias que ya están en camino.

La situación puede ser complicada si la misma orden puede ser enviada a varios proveedores que entregan las mismas SKU con tiempos de entrega diferentes (y, generalmente, también con precios diferentes). En una situación de este tipo, una orden pendiente realizada a un proveedor local puede ser entregada antes que una orden pendiente anterior realizada a un proveedor lejano.

Para modelizar con más precisión una situación de dos proveedores, es necesario introducir un segundo punto de reorden para cada SKU. El primer punto de reorden desencadena el reabastecimiento de un proveedor lejano (suponiendo que este proveedor es más económico; de otro modo, no habría razón para comprarle a él), mientras que el segundo se abastece del proveedor local.

Debido a que el proveedor local tiene un tiempo de entrega más breve, el segundo punto de reorden es menor que el primero. Intuitivamente, las órdenes se realizan al proveedor local solo cuando es muy probable que se llegue a una situación de falta de existencias y es demasiado tarde para enviar una orden al proveedor lejano.

La solución de Lokad

Los pronósticos cuantílicos son superiores para calcular los puntos de reorden en la mayoría de las situaciones encontradas en los sectores minorista y de fabricación. La fortaleza del método puede ser explicada simplemente por el hecho de que, en estadística, las medidas directas superan a las medidas indirectas. Sin embargo, no queremos decir con esto que los pronósticos de media sean inútiles. Los pronósticos de media tienen muchos otros usos además del estricto cálculo del punto de reorden. Por ejemplo, cuando se trata de visualizar pronósticos, los pronósticos cuantílicos tienden a ser más difíciles de comprender.