Prondéstico de los requerimientos de la cadena de suministros la tierra... pero seguiran siete aos la abundancia seré olvidada... GENESIS 41; 28-30 a planeacién y el control de las actividades de logistica y de la cade- na de suministros requieren estimados precisos de los volumenes de producto y de servicio que serén manejados por la cadena de sumi- Estrategia de inventario + Pronésticos + Decisianes de inventario Estrategia de transporte + Desisiones de programacien * Fundamentos «de compras y suministros ‘del transporte + Decisiones de ranspone i 3 ‘aclente / £1 producto + Servicio de logistics almacanamianto Decisiones de ubicacién proceso de planaacién de rednistros, Estos estimados de ordinerio se presentan en le forma de pro- Nésticos y predicciones. Sin embargo, por lo regular no es responsabili dad Unica de quien esté al frente de la logistica el generar los pronésticos generales para la empresa. Es més probable que esta tarea se asigne a marketing, planeacién econémica o a un grupo especialmente confor- mado. Bajo ciertas circunstancias, en particular en la planeacion de corto plazo, como el control de inventarios, la magnitud de los pedidos o la Programacién del transporte, el responsable de la logistica con frecuen- Gia enfrenta la necesidad de asumir la labor de generar este tipo de infor- macion, Por ello, este capitulo es una vision general de las técnicas de pronéstico que se utilizaran més probablemente para la planeacion y control de la logistica El andlisis esta dirigido principalmente al pronéstico de la demanda, La necesidad de proyacciones de la demanda es un requerimiente gene- ral a lo largo del proceso de planeacién y control. Sin embargo, también podrian necesitarse ciertos tipos de problemas de planeacién, como. control de inventarios, compras econémicas y control de costos, pro Nésticos de los tiempos de espera, precios y costos. Las técnicas de pronastices analizadas en este capitulo son igualmente aplicables. Cuando Ia incertidumbre de la variable de prediccién es tan alta que las técnicas estandar de prondsticos y su aplicaci6n en la planeacion de la eadena de suministros llevan a resultados insatisfactorios, se necesita- ran otros métodos de planeacién. El pronéstico de colaboracién es un método contemperdneo para la prediccién de la demanda. También se analizan estas alternativas para los pronésticos tradicionales. NATURALEZA DE LOS PRONOSTICOS EI prondstico de los niveles de demanda es vital para la firma como un todo, ya que pro- porciona los clatos de entrada para la planeacién y control de todas las areas funcionales, incluyendo logistica, marketing, produccién y finanzas, Los niveles de demanda y su programacién afectan en gran medida los niveles de capacidad, las necesidades finanicie- ras y la estructura general del negocio. Cada rea funcional tiene sus propios problemas, especiales de prondstico. Los pronésticos en logistica se relacionan con la naturaleza es- pacial asf como temporal de la demanda, el grado de variabilidad y su aleatoriedad, Demanda espacial versus demanda temporal ‘Tiempo o temporal se refiere a los niveles de demanda comunes en los pronésticos, La va- riacidn de la demanda en el tiempo es resultado del crecimiento o dectinacién de fos indi- «ces de ventas, variacion estacional del patron de demanda, asi como de las fluctuaciones generales ocasionadas por multiples factores. La mayor parte de los métodos de pronés- tico a corto plazo se relacionan con este tipo de variacién temporal, a menudo denomina- dla como series de tiempo. La logistica tiene tanto dimensiones de espacio como de tiempo. Es decir, el respon- sable de la logistica deberd saber dénde tendré lugar el volumen de demanda y cudndi lo hard. Se necesita localizaciGn espacial de la demanda para planear la ubicacién del alma- cén, equilibrar los niveles de inventario a través de la red de logistica y asignar geogesti ‘camente recursos de transportacién, Las téenicas de pronéstico deberdin seleccionarse pa- Capitulo 8 Pronéstico de los requerimientos de la cactena de suministros 287288 ra reflejar las diferencias geograficas que puedan afectar los patrones de demanda, Las técnicas también pueden diferir, dependiendo de que toda la demanda sea pronosticada y luego desagrupada por ubicacién geografica (prondstico de arriba hacia abajo), o si ca- a ubicacién geogrifica es pronosticada en forma individual y luego agrupada, si es ne- cesario (prondstico de abajo hacia arriba) Demanda irregular versus demanda regular ‘Los responsables de la logistica acomodan los productos en grupos para diferenciar nive- les de servicio entre ellos.o simplemente para manejarlos de forma distinta. Estos grupos y los articulos individuales dentro de ellos forman distintos patrones de demanda en el tiempo. Cuando la demanda es “regular”, tipicamente podra representarse por alguno de los patrones generales que se muestran en la figura 8-1, Es decir, los patrones de deman- da por lo regular podrin descomponerse en componentes de tendencia, estacionales ¥ aleatorios. En tanto las variaciones aleatorias sean una pequefta proporcién de la varia ‘cidn restante en la serie de tiempo, se obtendra en general un adecuado pronéstico a par- ‘ir de los procedimientos de prondstico tradicionales. ‘Cuando la demanda para los articulos es intermitente, debido a un bajo volumen general y a un alto grado de incertidumbre en cuanto al momento y la cantidad en que se pre- sentard el nivel de demanda, se dice que la serie de tlempo es desproporcionada o irregu- lar, como en la figura 8-2. Este patron a menudo se encuentra en los productos que se es én introduciendo o retiraindase de la linea de productos, demandados por relativamente pocos clientes, divididos entre muchas ubicaciones de inventario y de manera que la de- manda en cada ubicacién es baja 0 es derivada de la demanda por otros articulos. Tales patrones de demanda son particularmente dificiles de pronosticar utilizando las téenicas, mas populares, Sin embargo, debido a que tales articulos representan hasta 50% de los pro- ductos que las empresas manejan, representan un prablema especial de prondstica de fa demanda para el responsable de la logistica Demanda derivada versus demanda independiente La naturaleza de la demanda puede diferir en gran medida, cependiendo de la operacién sle la empresa para Ia cual el responsable de Ia logistica dlebe planear, Por un lado, la deman- dda es generada por parte de muchos clientes, la mayorfa de los cuales adquieren en forma individual solo una fraccidn del volumen total distribuido por la empresa. Se dice que esta dlemanda es independiente. Por otro lado, la demanda es derivada a partir de los requer mientos especificados en un programa de produccidin, y se dice que esta demanda es depen diente, Por ejemplo, el némero de lantas nuevas que se ordenaran a un proveedor sera un multiplo del nimero de automéviles nuevos que el fabricante construira. Esta diferencia fundamental ocasiona formas altemnativas en las que los requerimientos se pronostican. ‘Cuando la demanda es independiente, los procedimientos de prondsticos estadisticos funcionan bien. La mayoria de los modelos de prondsticos de corto plazo estan basados en. condiciones de independencia o aleatoriedad en la demanda. En contraste, los patrones de demanda derivada son altamente sesgados y no aleatorios. El entendimiento de estos ses- 08 reemplaza la necesidad de pronosticar, ya que la demanda se conoce con certeza. El pronéstico de los requerimientos mediante el procedimiento de demanda deriva- da da por resultado prondsticos perfectos en la medida en que la demanda de! producto final se conozca con certeza. Este tipo de pracedimienta es un buen ejemplo de la forma Parte IV. Estrategia de inventarioFigura 8-1 Algunos patrones tipicos de demanda “regular” {@) Patria de demands aleatorio o nivelado sin elementas estacionales 0 de tendencia 2505 200 g 150 5 # rescenian 100 | Ventas promod wo 0... > —_ 1. 0 5 10 15 20 28 Tiempo (b) Patrdn de demanda aleatorio con tendencia creciente pero-sin élementos estacionales 2505 200 4 g 1504 s 100 4 © Ventas reales so 4 Ventas promedio 8} 7 o 5 10 16 20 25 Tiempo (6) Un patron de demands aleatorio, tanto con elementos de tendeneia como estacionales 00 700 600 4 2 900 5 400 s 300 Ventas reales 200 Tendencia en las ventas 100 — Tendencia y ventas estacionales sjustadas a a 10 20 20 40 Tiempo Capitulo 8 Prondstico de los requerimientos ce la caetena de suministros 289290 Figura 8-2 Ejemplo de un patron de demanda irregular E 3 como el prondstico se mejora mediante el reconocimiento de sesgos, regularidades y pa- frones sistematicos que se presentan en la demand en el tiempo. Cuando las causas para la variacidn de la demand se desconocen y son resultado de muchos factores, se presen- tala aleatoriedad. Los procedimientos de prondstica estadistico tratan de manera efectiva con este tiltimo caso, y seran el enfoque central del resto de este capitulo. Ejemplo La division de equipos de potencia de un gran fabricante produce una linea de motores eléctricos de potencia fraccional para clientes industriales, quienes a su vez los utilizan en productos finales, como limpiadores de pisos y pulidoras. Aunque no son productos par- ticularmente complejos, cada motor puede contener 50 a 100 partes individuales. Los pro- ‘gramas de producci6n se desarrollaron a partir de pedidos en firme que recibio la compa- ‘ia, pero que serdn enviados en una fecha futura, y por el prondstica de ser los motores mas esténdar “listos para uso". Segtin estos requerimientos, se desarroll6 un programa compilado para una produccién anticipada de tres meses, el cual mostraba el momento cen el que un modelo particular de motor seria producido y en qué cantidad. Luego era la- bor del gerente de materiales asegurar que todos los subcomponentes y materiales estu- vieran disponibles para produccién cuando fuera necesario. Se utilizaron dos métodos genceales para determinar los requerimientos para la pla- neacidn de suministro. Para aquellos materiales utilizados en la mayoria de los motores Producidos (alambre de cobre, hoja cle acero y pintura) se realiz6 un pronéstico de la tasa de utilizacién general. Luego se efectuaron las compras para respaldar un inventario. Los componentes de alto valor y hechos a la medida, como el eje y el cojinete del rotor, se ad- quirieron de acuerdo con los requerimientos del programa de produccién. Los requeri- mientos para adquirir estos componentes se derivaron del programa compilado, “explo- tando” la lista de materiales. Por ejemplo, suponga que se van a fabricar tres modelos de motor en un mes particular. Se produciran 200, 300 y 400 motores para cada modelo. Ca la modelo requiere el mismo eje del roter, pero los modelos 1 y 2 requieren dos cojinetes cada uno y el modelo3 requiere solo un cojinete. Por ello, los requerimientos para 900 ejes Parte IV Estrategia de inventariode rotor y 1,400 cojinetes simplemente se erivan de la lista de materiales para cada mode Jo de motor y luego se combinan por tipo de componente para formar los requerimientos totales para cada parte Obsérvese que la compatiia esta utifizando una combinacién de procedimientos de pronéstico estadistico y de demanda derivada para planear el flujo del suministro de ma- teriales. El prondstico estadistico se utiliz6 efectivamente en 20% de las materias primas, La planeacién para requerimientos se reserv6 para el restante 10% de alto valor, ua adwon, ap atias eum aaueduiODsap exed por uoraesoduNOIsaC] doade eos unas op fo anda & ofapoin eumse “sajeuorseys9 & euepua} ap sar0}22} So) exed eysnfe 35 21 sorpowiord 2p ojapour un aonposd anb exepeinduso> uo epeseg oasesay oumruparcid ofa|lu0 >, ssuppapxog ‘eduoy 2p auas e| ue pepileuonessa 9p 4 exxmepuny ap uopeuen ey weaydya anb o2tseq of@pour jap seanslgns sezmstuos sod w7uain ‘ogaisod of ap epgpaus eu “so oonsptag, ‘sequan 2p eziony 3 saxopopuas soy anb ef “seiua ap wzion of op souowuade se} as1eqe20Uapong ——_e| ap OPEUIST, Boye> e19 u9 UdeD seann>afa sauonuide op sop 04 yeinb & sp08 saxopsey od Sopinyut o> of eaUPU} 95.6 so}DNS Ua}SKO ON "evOsEed pos wm on omyspuDie ofuer-opayy Jovour un avo uapand soyods soon mb ap upiosodns wun eseq as RDN visa jued ap onINSUO coe peta fue LarpoqN 0x99 aus}u09 £[eus0) “OoRRUAISIS SHURA ose oxpayy ‘sj anb sou sorteuoysono ap etuanoos run aprerpaus opeSausjut s soyadyo 9p joued uy exdpa Was oc :Sepeuo|209/98 OoNSOUOId ap SeolUDeI ap UOWNSON L-B CIEL 292oe -ouepayy ‘ouerpay-oH303, open open pain ‘oueypayy-o1403, ‘ouerpayy-o1303, ‘ouepany-o1103, open ‘ouepan-or103) ‘sista p eed sajesjuao uos sopediezal ‘ ‘expaey ez0ceur “everday evoseur ‘oueadDy aqueydape ‘sauope aout ouuoo sod 0 o1s}puluode oj pou 2! ie] sepuapuny seuapsodoid vaed v2 ued ueuiquuoo as sauorse20 ua epiyes-epenue ap sojapoul A somuiewoUNa9 SOjepOU 57] ssopyeads9 sono v seaqde Rasa 96 ‘sjquodstp ou arusumjeuriot ‘ap sopoau sors zezyian exed >esojgezea sr] fantuns wechao ,uesnea,anb sajgeuea ses Uo> epee -soayspaard wied saezan spond ogsado oun exo os sguauodioa sesuno serpour sopeyuasaiday os susuoduse sos axtsodsa sopeututouap “Sojeuouepun, siouedusoo sos uo ecuon 9p aos wun aeuodiwooop eI}U OpOIPLE EL ~epesed uo seus age svidoyense sequmsp se|sepiea exed exopernduso sod upyeeynunys ean a5 SU san 30] ap opouad jo aig espaid sp 4] 5 [yn> J04 exe UORID9p op 5} gas ‘sesunse0]sonwouryed ap ‘exsuyseresstusrud 2p porous souopeues seypmu waist “uOpeND9 & ap o1pow 40d oirany fe eopUPHSAKOA con 4 eonpwayeu uodenos un opuvzmm ePuapAN 9p ou wan eSnle FONDA He apope, ap SIEUY isapit ssopexpuy _ptuiouers epee -epeayue ap ojapoyy cepaesepenua 2p O1PPON wuppedpque @ eadwio2 ap uorouaur ap seysonzu, wooepBOURDS SP PON |boysaiar ap o}9pO ensads ssypuy jpanalgo oonsouorg. yeUspuDs 9p. ssuopsa sora, 293soja ua opeseg oer-0 ae hepa semi te! Oa oma coxspidop osonid can ae eaode suas pe opie tempi songuaatsoy nope ogni tn pe ou Hop si ms asp ood ee ipa unansps aus 9p an puer oduay 9p yn ap topo so vo an fie me onpunas PURO FL Ue ras ean aan apa ed pape a ea ee ous seo season shane pean asoensod 9p some FapOR SACU PI cero eee so speonpe runny uo see vwpepnde nied mn send poop donor ssn sonbnuad op sosbond op opp sua! Op spond snd o8re -ouRNp ayy, ump open ope aaa oe oie | (09) 4-g eIqeL, 294a ee “pueweroden] sous dur Suaguios os yoeouddy wos nds we Jo uorepae pute Moudopeag ererseet Sr (hone 9p EO) OL WEN GEA “ace sed (00g op ugmN20) OT uN “2a ome ‘oan somo pu" paoya ELDAR ‘prge sd (st ap ous8e-onsay sem (eo 80429 equeapnriag jo ssneund at gan spss seg eaenpe's (exer 15995 Ca ‘san Cngengr r 295no emiten una seal del cambio, sino hasta que éste ha ocurrido. Debido a esto, se dice que las proyecciones de estos modelos demoran los cambios fundamentales en las series de tiempo, y que son débiles para sefalar los puntos criticos antes de que se presenten, Esta no es necesariamente una limitacién notable cuando los prondsticos se realizan sobre ho- rizontes de tiempo cortos, a menos que los cambios sean particularmente espectaculares. Métodos causales La premisa basica sobre la que se construyen los métodos causales para pronésticos es ‘que el nivel de la variable pronosticada se deriva det nivel de otras variables relaciona- das. Por ejemplo, sise sabe que el servicio al cliente tiene un efecto positivo sobre las ven- tas, entonces al conocer el nivel proporcionado del servicio al cliente podra proyectarse el nivel de las ventas, Podrfamos decir que el servicio “causa” las ventas. En la medida que puedan describirse adecuadas relaciones de causa y efecto, los modelos causales pueden ser bastante buenos para anticipar cambios mayores en las series de tiempo y para pro- nosticar de manera precisa sobre un periodo de mediano a largo. Los modelos causales vienen en una variedad de formas: estadisticos, en el caso de los modelos de regresidn y econométricos; y descriptivos, como en el caso de las modelos de entrada-salida, ciclo de vida y simulaci6n por computadora. Cada modelo deriva su validez a partir de los patrones de informacién historica que establecen la asociacién en- ttre las variables para prediccién y la variable que se pronosticars. Un problema principal con esta categoria de modelos de prondstico es que con fre- cuencia resulta dificil encontrar verdaderas variables causales. Cuando se encuentran, stt asociacién con la variable que se pronosticaré con frecuencia es preocupantemente baja Las variables causales que guian a la variable de pronéstico en el tiempo son incluso mas dificiles de encontrar. Con demastada frecuencia, el tiempo para adquirir la informacion para las variables conducentes consume todo el tiempo 0 la mayor parte del periodo de ‘uno a seis meses, en el que se encuentra que tales variables dirigen al pronéstico. Los mo- delos basados en técnicas de regresién y econémicas pueden experimentar un error de pronéstico importante debido a estos problemas. TECNICAS UTILES PARA LOS RESPONSABLES DE LA LOGISTICA 296 En general, el responsable de la logistica no tiene que preocuparse directamente del am- plio espectro de téenicas de pronéstico y prediccién disponibles. Debido a que varias seg- mentos de la organizacién tequieren informaci6n pronosticada, en especial el pronéstico de ventas, la actividad de pronosticar por lo general se centraliza en las éreas de marke- ting, planeacin o anilisis econémico de la empresa. Los prondsticos para periodes me- iano y largo por lo regular se le proporcionan al responsable de la logistica. A menos que exista la necesidad de desarrollar prondsticos especificos de largo plaza, la labor del tes- ponsable de la logistica estard limitada a los prondsticos de corto plazo que ayudan en el control de inventarios, programacién de envios, planeacién de la carga de almacén y si- milares. Con base en el grado de sofisticacién, utilidad potencial y probabilidad de la dis- ponibilidad de informacién, slo un ntimero limitado de las métodos descritos en la tabla 8-1 requieren ser considerados con detalle. Esto se debe a que en numerosos estudio se ha demostrado que los modelos “simples” de la variedad de series de tiempo con fre- Parte IV. Estrategia de inventario‘cuencia predicen tan bien o mejor que las versiones mas sofisticadas y complejas. Los mo- delos de series de tiempo pueden ser superiores a los modelos causales. En general, la complejidad de los modelos de pronéstico no inerementa la precisidn predictiva!. Por ello, a continuacién se analizan tres metodologias basicas de prondstico de series de tiem- po: nivelacién exponencial, descomposicién clasica de series de tiempo y andlisis de re- gresién multiple. Nivelacion o ajuste exponencial Tal ver, la técnica més itil para el prondstica de corto plazo sea el ajuste exponencial. Es simple, requiere que una cantidad minima de informacién sea conservada para su apliea- ccién continua, se ha observado que es la mas precisa entre los modelos competidores de su clase, y es autoadaptable a los cambios fundamentales en la informacion pronosticada. Es un tipo de promedio movil, donde las observaciones pasadas no reciben la misma ponderacién, En ver. de ello, las observaciones que son mas recientes reciben mayor pons deracién que las anteriores. Tal esquema de ponderacién geométrica puede reducirse a una simple expresién que Incluye sélo al prondstico del period mas reciente y a la demanda real para el periodo ac tual. De esta forma, el pronéstico de demanda para el siguiente periodo estard dado por ( H Pronéstico nuevo = « (demanda real) + (1 al(prondstice previo} donde « es un factor de ponderacisn, comdnmente denaminado como la constante de ajuste exponencial, con valores entre 0'y 1. Obsérvese que el efecto de toda la historia es- ‘4 ineluido en el pronéstico anterior, de manera que solo se requiere conservar un niime- 10 en todo momento para rep resentar la historia de la demanda, Ejemplo ‘Suponga que se pronosticé un nivel de demanda de 1,000 unidades para el presente mes. La demanda real para el mes presente son 950 unidades. El valor de la constante de ajus- te es = 0.3. El valor esperado para la demanda del siguiente mes, de acuerdo con la ecua- ‘ci6n (8-1), seria Prondstico nuevo = 0.31950) + 0.7(1,000) = 985 unidades Este prondstico se vuelve el pronéstico anterior cuando el procedimiento se repita el pré- ximo mes. ¥ ast sucesivamente, Por conveniencia podemos escribir este modelo de “s6lo de nivel” como FiqnaA,t (1-aF, (6-2) Para un resamen de estos resultados, ver Robin M. Hogarth y Planning: An Evaluation”, Manggertent Science, Vol. 27, Niim. 2 ( 108 Maksidakis, “Forecasting and rode 1981), pags. 15-138. Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 297298 donde t= periode de tiempo presente «= constante de ajuste exponencial A, = demanda en el periodo t F, = pronéstico para el periodo t F,.1 = pronéstico para el periodo siguiente a f, 0 el siguiente periodo Esta es idéntica a la ecuacién (8-1) Ejemplo a siguiente informaci6n trimestral representa una serie de tiempo de la demanda para un producto: i 2 3 a ‘Aiio pasado 1,200 700 900 100-> Este afo 14001000 P=? ‘Quisiéramos pronosticar la demanda para el tercer trimestfe de este ao, Asumiremos que = 0.2 y que el pronéstico anterior se construye a pyftir del promedio de los cuatro trimestres del iltimo aio. Por ello, F, = (1,200 + 700 + 996 + 1,100)/4 <9753Comenzamos, con el pronéstico del primer trimestre y luego continyzamos con los ofiulos hasta que al- -cancemos el tercer trimestre, El prondstico para el primer trimestre del estan es 0:24, + 0.2) F, = 0,261,100) + 0.8(975) 4,000) EI prondstico para el segundo trimestre cle eSte ao es 2A, + (1 OBE, 0.21,400) + 0.8(1,000) Fl prondstico para el tercer trimestre de est stg Fa=0.2A, + (1 .2(1,000) + 0.8(7,080) 068 Resumiendo, 1 2 3 € 720 700 7100 1400, 1,000 1000 1,080 1,068 Parte IV. Estrategia de inventarioLa eleccidn del valor adecuado para la constante de ajuste exponencial requiere un grado de discernimiento. Cuanto més alto sea el valor de a, mayor seré la ponderacién ‘que se otorgue sobre los niveles més recientes de la demanda. Esto permite que el modelo responda més répido a los cambios en la serie de tiempo. Sin embargo, un valor de « de- masiado alto puede volver “nervioso” al pronéstico y rastrear variaciones aleatorias en la serie de tiempo en vez de los cambios fundamentales. Cuanto mas pequefio sea el valor de ‘a, mayor seré el peso otorgado a la historia de la demanda para el prondstico de la deman- da fatura y mayor seri el retraso de tiempo para responder a los cambios fundamentales en el nivel de la demanda, Valores bajos de « proporcionan pronésticos muy “estables” ‘que no son sujetos a fuertes influencias debido a la aleatoriedad en la serie de tiempo, Los valores acordados para a tipicamente van de 0.01 a 03, aunque es posible u valores més altos para periodos cortos cuando se presenten cambios anticipados, como una recesién, una campaia promocional agresiva pero temporal, la suspensién de algu- nos productos en la linea, 0 el inicio del procedimiento de pronéstico cuando no se dispo- ne de ventas histéricas 0 étas son muy pocas. Una buena regla cuando se busca un valor para a es seleccionar uno que permita al modelo de prondstico identificar los cambios principales que ocurren en las series de tiempo y promediar las fluctuaciones aleatorias. Esta serd una @ para minimizar el error de pronéstico. Correccién por tendencia E] modelo basico de ajuste exponencial da buienos resultados cuando se aplica a un pa- trGn de series de tiempo, como se muestra en la figura &-I(a), 0 cuando los cambios en los ‘componentes de tendencia y estacionalidad no son tan grandes. Sin embargo, cuando ‘existe una tendencia importante o-un patron estacional significativo en la informaci6n, e! retraso inherente de prondstico en este tipo de modelo puede arrojar errores inaceptables de pronéstico. Por fortuna, el modelo puede extenderse para proporeionar un mejor se~ guimiento cuando los elementos de tendencia y de estacionalidad son signiticativos a Partir de la aleatoriedad de la informacion, como se muestra en la figura 8-1} y (0). La corroccién del modelo basico para pronosticar retrasos de tiempo debidos a la tendencia es una simple modificacién de forma al modelo de “s6lo nivel” en la ecuacién (8-2). La version de tendencia corregida del modelo es un conjunto de ecuaciones que pueden expresarse como Su = 9A, + (1 aS, + T) (8.3) Tray = BlSuy - S$) + (1 BIT, Fir = Sta + Tess donde los simbolos adiciones no definides con anterioridad son, F..3 = pronéstico con tendencia corregida para el periodo t+1 'S, = pronéstico inicial pare el periodo ¢ tendencia para el periodo t = eonstante de ajuste de tendencia Ejemplo Recuerde el ejemplo anterior que tenia la siguiente informacién: Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 299"TRIMESTER T 2 3 £ Seguimos buscando tener un pronéstico para el tercer correccién por tendencia. Utilizaremos un valor arbi diode la demanda del sltimo aio) y(I pone 0.3 « permanece en el valor previo pronéstico. El prondstico para el primer trimes) = 2% HO) =9.5> feo Tinars Utilizando los resultados del primer trimestre, el prondstico para el segundo trimestre de este ano es a 8 5) = 211.400} + .8(1,000 + 7.5) = 1.086 Ty = 3(1,086 - 7,000) + .7(7.6) = 31.05 F,= 1,086 + 31.05 = 1,117.05 Utilizando los resultados del segundo trimestre, el pronéstico para el tercer trimestre de este ao es, S3= .2(1,000) + .8(1,086 + 31.05) = 1,093.64 T, = .3(1,093.64 — 1,086) + .7(31.05) = 24.03 f= 1,083.68 + 24.03 = 1,117.67, 044118) Resumiendo, “TRMESTRE ‘Arto pasado 1,200 700 Este ato 1400 1,000 Pronisticn 008 L701 Correccién por tendencia y estacionalidad Ademds de la tencencia, también pueden considerarse los efectos de las fluctuaciones es- tacionales en las series de tiempo, Antes de aplicar este tipo de modelo, deben cumplirse dos condiciones. 1. Debe existir una az6n conocida para los picos y valles periddicos en el patrén de la demanda, y estos picos y valles deben presentarse en el mismo tiempo cada afo. 2. La variacién estacional debe ser mayor que las variaciones aleatorias, 0 “ruido”” 300 Parte IV. Estrategia de inventario‘Si Ja demanda estacional no-es estable, significativa ni discernible con respecto de las varia- cionesaleatorias, entonces se vuelve extremadamente dificil el desarrollo de un modelo que prediga en forma precisa la direccidn de la demanda del siguiente periodo, Si éste es el ca- 50, una forma basica del modelo de nivelacién exponencial, con un alto valor para la cons tante de ajuste para reducir los efectos del retraso, podra generar un menor error de pronds- tico que con ef modelo mas complicado. Se tequiere cautela en la seleccién del modelo, El modelo de ajuste de tendencia-estacionalidad se constraye alrededor del concepto de pronosticar el indice de la demanda real a la tendencia, y luego se desestacionaliza pa- 1a generar el pronéstico. Las ecuaciones para este modelo son, Sy. = ASI) + 1 ~aS,+ Tp (6) Troy = BS. - 8) #1 BIT, (8.7) j= 4A,/S) +1 (88) Bee Beat Tellus (8.9) donde los simbolos no definidos con anterioridad son F..4 = pronéstico-corregido en tendencia y estacionalidad para el periodo t + 1 ‘y= constante de juste sobre ol indice de estacionalidad [,= indice de estacionalidad para el periodo ¢ L = el tiempo para una estacién completa ‘La solucién de este modelo implica los mismos procedimientos que para las versiones an- teriores, El ntimero de célculos hace que resulte impréctico medit los pronésticos en for- ma manual. Los paquetes para computadoras, como el méidulo de pronésticos de LOG- WARE? se desarrollaron no sélo para realizar el pronéstico, sino también para ayudar al usuario a establecer los valores iniciales para iniciar el proceso de pronéstico y determi- nar las mejores constantes de ajuste, Definicion del error de pronéstico En la medida en que el futuro no es reflejado perfectamente por el pasado, el pronéstico dle la demanda futura por lo general tendra cierto grado de error. Dado que el ajuste ex- ponencial es una prediccién de la demanda promedio, se busca proyectar un rango den- tro del cual caer la demanda real. Esto requiere un pronéstico esta Elerror en el prondstico se refiere a lo cerca quie se halla el pronéstico del nivel de de- manda teal. Se expresa adecuadamente en forma estadistica como desviacion esténdat, varianza o desviacién absoluta media, Histéricamente, la desviacién absoluta media (DAM) se ha utilizado como la medida del error de pronéstico en referencia a la nivela- iGn exponeneial. Los primeros partidarios del ajuste exponencial preferian la dlesviacién ‘estindar como la medida adecuada, pero aceptaron el calcul més simple de la DAM de- bido a la memoria limitada de las primeras computadoras. Ya que las computadoras ac~ tuales tienen una cantidad adecuada de memoria para la labor de prondstico, la desvia~ Gin estindar se desarrolla como la medida del error de pronéstico. jware disponible con este libro, Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 301302 E] error de prondstico se define como Error de pronéstico = Demanda real ~ Demanda pronosticada (8-10) Dado que la demanda pronosticada es un valor de media aritmética, la suma de los erro- res de prondstico sobre numerosos perioelas deberd ser igual a cero. Sin embargo, la mag nitud del erzor de prondstico puede obtenerse al elevar al cuadrado los errores, lo quie eli- minaré la cancelacién de los errores positives y negativos. De esta manera se desarrolla la forma comtin de la desviacién estdndar, y se corrige para el grado de libertad que se per- did en la generacién del prondstico; es decie, « en el modelo de prronéstico de "s6lo nivel”. La expresién para esta desviacidn estindar’ es A 5.2 en) N-T donde For estindar del prondstico jemanda real en el periodo t yronestico para el periodo t jmero de periodos de prondstico t La forma de la distribucién de frecuencia de los errores de pronéstico se vuelve im- portante al realizar afirmaciones sobre el pronéstico. En la figura 8-3 se muestran dos for- ‘mas tipicas generalizadas de la distribucién del error de pronéstico. Suponiendo que el modelo de pronéstico da seguimiento al promedio de los niveles de demanda real en for- ma adecuada, y que la variacién de la demanda real sobre el prondstico es pequefia en re lacién con el nivel de prondstico, la distribucién de la frecuencia normal, o las aproxima- ciones a ella, sera una forma que con probabilidad se encontraré en la prictica. Este sera ‘especialmente el caso de la distribucién de los errores de pronéstico promedio. Se aplica ‘el teorema del limite central! la distribucidn de frecuencia normal sera la forma de dis- tribucidn adecuada. Cuando el intervalo de pronéstico es corto, puede resultar una distri- bucidn sesgada, como la que se muestra en la figura 8-3(b). Una forma de determinar la distribuciin de frecuencia que se aplica'a cualquier st tuaci6n particular es mediante prueba chi cuadrada de bondad del ajuste.’ En forma al- tera, la siguiente prueba puede utilizarse para seleccionar entre la forma de distribucién normal (simétrica) y la de dlstribucién exponencial como una representacién simple de distribucién sesgada. En una distribucién normal, cerca dle 2% de las abservaciones exceden un nivel de dos desviaciones estandar por encima de la media, En una distribucién expo- Sn forma altem, el error cuadrstico medio y el error de raiz cuadrada media son fornulaciones popw= Inres, Difieren en cuanto a si la raiz cuadrada stoma de In stuma de los errores cuadraticns y sie tealiza ‘una correccidn pata los prados de libertad perdielos. Los geados de libertad perdides dependen del ni mero de constantes de ajuste estimadas en las ecuaciones modelo, Para una definicion, consulte agin buen libro sobre estadistica aplicacla, John Neter, William Wasser: an, G.A. Gilmore Api Statist (Boston: Ally y Bacon, 1988), pigs 262-203 i. Parte IV Estrategia de inventarioFigura 8-3 : = eesrcnss (ab Errors distfbuidor normalmente tipicas de error de pronéstico. zg ° (@) Eroressesgados nencial, la probabilidad de exceder la media por mas de 2.75 desviactones estin- dares cerca de 2%. Por lo tanto, siel ntimero de desviaciones estandar que equi- valen a 98% de todas las observaciones es cercano a 2, debers utilizarse una distri- ‘buciGn normal. Si es superior a 27, deberd utilizarse fa distribucién exponencial.® Ejemplo Recuerde el pronéstica de “s6lo nivel” que tenia la siguiente informacion y resultados: “TARE i 2 3 4 Aiiopasado 12007090100 Esteaito 1400 1,000 Pronéstico 1,001,080 __1,068 © Rober G Brown, Materials Managensent Sustems (Naeva York: John Wiley & Sons, 1977), pig. 16. Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 303304 Ahora estimemos el error esténdar del pronéstico (S,) para los dos periodes (N = 2) para Tos cuales se realiz6 el prondstico y los valores de clemanda real se encuentran disponi« bles. Suponiendo que la demanda se distribuye en forma normal sobre el prondstico, po- demos desarrollar un intervalo de confianza de 95% alrededor del pronéstico del tercer trimestre. Con base en la ecuacién (8-11), estimamos $,. {1400 10007 + (1.000 - 1 080% 2 407,92 EI mejor estimad para el nivel de demanda real (1) para el tercer trimestre con Zags, = 1.96 a partir de una tabla de distribucién normal (ver apéndice A) es Y=F,+ 28) 1,064 ~ 1.96(407.92) 1,064 = 800 Por ello, el range de confianza de 95% para el pronéstico de la demanda actual (Y) es, 264 < ¥< 1,964 Monitoreo del error de pronéstico Una de las ventajas mas notables del uso del ajuste exponencial para el pronéstico de cor- to plazo es su capacidad de adaptarse a los patrones cambiantes en la serie de tiempo. Lo bien que el modelo mantenga su precisiGn se relaciona directamente con el valor de la constante de ajuste en cualquier punto en el tiempo. Por lo tanto, los procedimientos so- fisticados de prondstico implican el monitoreo del error de pronéstico y realizar ajustes ‘en los valores de las constantes de ajuste. Sila serie de tiempo es estable, se seleccionaran ‘valores relativamente bajos. Durante periodos de cambio rapido, se utilizarian valores al- tos. Al no estar limitado a valores sencillos, el error de pronéstico puede ser reducido, en ‘especial cuando los patrones de demanda son dindmicos. ‘Un meétodo popular para monitorear el error de pronéstico es mediante una senal de seguimiento. La sefal de seguimiento es una comparaci6n, por lo general una propor: ion, del error de pronéstico actual para un promedio de los errores de pronéstica pasa- dos. Esta proporcién puede ser evaluada en forma continua o periddica. Como resultado de este célculo, las constantes de nivelacién exponencial pueden ser recalculadas 0 espe- cificadas de nuevo sila proporcién excede un limite de control especifico. En general, los mejores valores de constantes de nivelaci6n son los que minimizan el ‘error de pronéstico en el tiempo para una serie de tiempo estable. El ajuste de estos valo- res, a medida que las caracteristicas de la serie de tiempo cambian, ofrece mayor oportu- nidad para reducir el error de pronéstico. Los modelos de adaptacién que permiten que las constantes de ajuste se revisen en forma continua se desempeftan bien cuando la serie dee tiempo de la demanda esta cambiando muy rapido, pero no parecen desempenarse bien durante periodos estables. Por lo contrario, as constantes de ajuste revisadias para li- mites especificos ofrecen un buen desempeno durante los periados de demanda estable y funcionan notablemente bien durante periodos de cambio réppido o repentina en las. se- Parte IV Estrategia de inventarioFigura 8-4 Ejemplo del = Datos de la demanda desempeno de un —— Ajuste del modelo. ‘modelo de ajuste exponencial bien especificado. 3 Periadas do tiempo ries? Flowers sugirié valores éptimos para estas constantes de ajuste especificadas.* El desemperio de un modelo de ajuste exponencial bien definido debers parecerse a los tilti- mos periodos de la serie de tiempo mostrada en la figura 8-4 Descomposicion clasica de series de tiempo Una categoria de modelos de pronéstico que ha resultado titil durante aftos es la descom- posicidn de series de tiempo. Estos métodos incluyen el andlisis espectral, el andlisis clisico dle series de tiempo, y el andlisis de series de Fourier. Aqui se cubre el anélisis de la descom- osicién de series de tiempo, prineipalmente debido a su simplicidad matemitica y a st po- pularidad, ademis de que los métodos mas elegantes no han mostrado mayor precisién. El pronéstico clasico por descomposicién de series de tiempo esta construico sobre la filosofia de que un patrén de ventas histéricas puede descompanerse en cuatro catego rias: tendencia, variacién estacional, variacién ciclica y variacién residual o aleatoria. La tendencia representa el movimiento a largo plazo de las ventas ocasionado por factores, ‘como cambios en la poblacién, cambios en el desempenio de marketing de la empresa y cambios fundamentales en la aceptacion del mercado de los productos y servicios de la ‘empresa. La variacién estacional se refiere a las cimas y valles regulares en la serie de tiempo. que por lo general se repiten cada 12 meses. Las fuerzas que causan esta variacién regular incluyen cambios climaticos, patrones de compra controlados por fechas del ca lendarioy por la disponibilidad de los bienes. La variaci6n ciclica son las ondulaciones de largo plazo (més de un ato) en el patrén de demanda, La variacidn residual o aleatoria es 7 A pont de experimentos de simulacién por computadora, segtin lo informade por D. Clay Whybark, “A Comparison of Adaptive Forecasting Techniques", Lagistrs aed Transportatan Review, Vol, Niim-3, (2972), pgs. 13.25, 5 A-Dale Flowers, “A Simulation Study of Smoothing Constant Limits for an Adaptive Forecasting Sys tem”, Journal of Operations Monagement, Vol. 1, Nim.2 (noviembre de 1980), pags. 85.94 Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 305306 la parte de las ventas totales que no es explicada por componentes de tendencia, estacio- nalidad ciclicos. Si la serie de tiempo estd bien descrita por los otros tres componentes, la-variacidn residual debers ser aleatoria E] anailiss clisico de series dle tiempo combina cada tipo de la variacién de ventas de la siguiente forma FHTXSKOxKR (e-12) donde F = pronéstico de demanda (en unidades 0 en $) T= nivel de tendencia {en unidades 0 en $} = indice de estacionalidad C= indice cictico R= indice residual En la practica, ef modelo con frecuencia se reduce s6lo-a los componentes de tenden- cia y de estacionalidad. Esto se hace porque un modelo bien especificado posee un valor del indice residual (R) de LO y esto no afecta al pronéstico, y porque resulta dificil en mu- ‘chos casos descomponer la variaci6n ciclica a partir de la variaci6n aleatoria. Tratar el in- ice ciclico (C) como igual a 1.0 no es tan grave como inicialmente podria parecer, porque ‘el modelo se actualiza por lo regular cuando se dispone de nueva informacién. El efecto de la variacién ciclica tiende a compensarse en el proceso de actualizacién.® El valor de tendencia (T) en el mocielo puede determinarse por varios métodos, como ajustar una linea “por simple vista”, empleando alguna forma de promedio movil, 0 uti- lizando el método de los minimos cuadrados. El método popular de los cuadrados minimos es tuna técnica matematica que minimi: za la suma de las diferencias cuadréticas entre la informacién real y la linea de tencden propuesta. Se puede obtener una linea de minimos cuadrados para toda forma de linea de tendeencia, ya sea lineal ono lineal. La expresién matemética para una linea de tenden- cia lineal es T =2 + bt, donde f es el tiempo, T es el nivel de demanda promedio, 0 tendencia, yay b son coeficientes que se determinaran para la serie de tiempo en particular. Estos ‘coeficientes se obtienen mediante Lai Nove (a-13) y a (3-14) donde N= el mimero de observaciones utilizadas en ef desarrollo de la linea de tendencias D, = la demanda real en ol tiempo t B = demanda promedio para W periodas F = promedio de t durante N periodos 9 El modelo en ocasiones se expresa en forma aditiva como P= T+S+C +R, Parte IV. Estrategia de inventarioLas Lineas de tendencia no Hineales son matemsticamente mas complejas y no se analizan anc? 7 opie ae anaconda mise ets epee pon valor aa ace ‘que cambia para cada periodo que se pronostica. Fste indice es una razén de la demanda real en un tiempo dado para la demanda promedio. La demanda promedio puede repre- ssentarse por tn solo promedio de la demanda real sobre un period especificado, por lo ge- neral de un afio; un promedio movil, o la linea de tendencia. Puesto que la linea de tenden- cia se analiz6 anteriormente, se utilizar como la base del inelice de estacionalidad. Por ello, Si= D,/T, (3-15) donde 'S, = indice de estacionalidad en el tiempo t T, = valor de tendencia determinado a partir de T= a+ bt Por tiltimo, el prondstieo se realiza para el tiempo ¢ en el futuro de la siguiente manera: Fa (TS) (3-16) donde F,= la demanda pronosticada en el tiempo t L \umero de periodos en el ciclo estacional Estas ideas se ilustran mejor con un ejemplo. Ejemplo Un fabricante de ropa para jovencitas debe tomar decisiones de cantidad de compra y es tablecer programas de produccicn y logistica con base en reservaciones del mercado (ventas). Se especificaron cinco estaciones del ao para propésitos promocionales y de planeacién: verano, transestacional, otofo, festividades y primavera. Se obtuve informa- ‘ci6n de las ventas para aproximadamente dos y medio aos (ver tabla 8-2). Se requiere un pronéstico para dos estaciones por delante del periodo contable actual para asegurar las ‘compras y el tiempo de espera de produccién adecuacos. En este caso, el periodo de pro- néstico fue la temporada de festividades, incluso aunque las ventas para el periode de ‘lofo intermedio todavia no se conocian. La primera tarea fue encontrar la linea de tendencia utilizando las ecuaciones (8-13) y (8-14), Asumiende una tendencia de linea recta, el coeficiente b fue 1.218, 217 ~ (12)(14, 726.92N6.5) 650— 12)(6.5F b 486.13 yelcoeficiente 2 como 14,726.92 ~ 486.1316.5) 1,567.08 1D andlisis de Is lneas de tendencia no lineales se puede encontrar en John Neter, William Wasser- man y Michael H. Kutner, Applied Lineay Regression Mvels (Homewood, TL: Irwin, 1983) eapitulo 1. Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 307Pinion Vewras(D) Varo ne foie Pace Pesos0 enna (6000) ° ()revpenciarstacionn soso oe ventas © 2 beet ae oy = 2/4) ($0005) Verano 1 § 9458 9,858 1 $12,053 078, Trans-temporada 2 11342 23081 4 1Rs39 092: tone s 14489) 43467 913028 an Festividades 15784 63016 6 13.512 Liz Primavera 5 17.269 8645 313,998 12 Verano 6 risit 6308 aR 079 Trans-tomporada 7 12.623 ssa 914.970 ost ‘Otono 8 16.086 128,688 6 15,886 tot Festividades 15,098 162,882 si 15,982 ad Primavera 10 21030 n930 = 100 16.428 128 Verano 12.788) toss 1216.15 076 174m 092 17887 sis 18,373, 20945 $14,726.92 78/ 12)= 65 Valores pronnsticades. Por demplo, T= 1154708 + 486-1413) = 1787. Pky = Ty ¥ Sigg 2 = 1797 1.08 Tabla 8-2 Prondstico de series de tiompo a partir de la informacién de ventas de un fabricante de ropa 308 Porlo tanto, la ecuacién de tendlencia fue T,= 11,567.08 + 486.13¢ A partir de esta ecuacidn de linea de tendencia, los valores se proyectaron mediante sus- tituci6n en Ja ecuaciGn anterior de cada valor de f; ver columna 5 dela tabla 8:2. Los indices estacionales se calcularon segiin la ecuacién (8-15) y se despliegan en la columna 6 de la tabla 8-2. Para propésitos de pronéstico, se utilizé la temporada disponi ble més reciente, principalmente debido a que los fndices no varian mucho de un ato a ‘otro, Si este no fuera el caso, se habrian promediado los indices de varios afos El pronéstico para la temporada de festividades (periodo 14) fue Yyq = (11,567.08 + 486.13(14)) 1.14 20,945 (en $0005) El pronéstico para el periodo de otofie (periodo 13) se realizd en forma similar. Parte IV. Estrategia de inventarioAnalisis de regresion multiple En los modelos de pronéstico analizades hasta aqui, el tiempo es la tinica variable que se ha considerado. En la medida que otras variables muestran una relacién con la demanda, és las también pueden ineluirse en un modelo para pronosticar las ventas, El andlisis de re- _gresién miiltiple es una técnica estadistica que ayuda a determinar él grado de asociacién entre un mmero de variables seleccionadias y la demanda. A partir ele este andlisis, se de- sarrolla un modelo que puede utilizar mas de una variable para predecir la cemanda fu- tura, La informacién sobre las variables dle prediccisn (independientes) luego se convier- te mediante la ecuacién de regresin para proporcionar un pronéstico de demanda. Ejemplo Reconsidere el problema del fabricante de ropa analizade anterior mente. Un métod alter: nativo para pronesticar sobre el intervalo de dos estaciones fue el uso de un modelo de tegte~ sién, de preferencia donde las variables independientes “dirigieran” la variable de de- manda en el tiempo. Esto permitié que se obtaviera informacién sobre las variables lependientes con anticipacién del perindo de prondstico. Se clesarroli6 una ecuacién de estas para la temporada de ventas de verano: F=-3,016 + 1.211X, + B.7SX, + 109% (6-17) donde F = ventas promedio estimadas de verano (en miles de délares) ‘tiempa en afios (1981 = 1) namero de cuentas de compras durante la temporada (a partir de fas reservacio- nes anticipadas) X= cambio neto mensual en la deuda a plazos de los consumidores (porcentaje) EI modelo fue 99% (R? = 0,99) de la variacién total en la demanda, y el nivel de 5% fue esta- clisticamente significative, La ecuacién estimo una prediccién precisa dle la demanda, Por emplo, las ventas reales para la temporada de verano de 1996 fueron $207750,000. Las en« tradas del modelo para 1996 fueron X, = 6, X, = 2.732 y X, = 8.63, y cuando se sustituyeron en la ecuacién (8-17), se obtuvo un prondstico de ventas de $20.9 millones 0 $20/900,000. Aunque s¢ requiere conocimiento razonable de la metodologgia estadistica para cons- truir tal modelo, hay software para computadora, como SPSS" y BMDP? para realizar andlisis de regresi6n, disponibles facilmente tanto para microcomputadoras como para computadoras centrales. Estos programas realizan los calculos necesarios para ajustar una linea ordinaria de minimos cuadrados a la informaciin y para proporcionar informa- cién estadistica para evaluar el ajuste. Sin embargo, deberd tenerse cuidado en el uso de estos paquetes estadisticos, ya que por si mismos no pueden garantizar un modelo v que se encuentre libre de problemas estadisticas y de expecificaciones.!* «Gn producto de SPSS, Inc, 444 N’ Michigan Ave, Chicago Th 2 Un producto de BMDP Statistical Software, 1964 Westwood Blvd, Los Angeles, CA ¥ Para un andlisis ele estos problemas, véase Marija J. Norusis, SSS/PC+ (Chicago: SPSS, Inc, 1986), cap. 17: Neter, Wasserman y Kater, Appin Linear Regression Models op i Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 309PROBLEMAS ESPECIALES DE PREDICCION PARA LOS RESPONSABLES DE LA LOGISTICA 310 [En ocasiones se encuentran problemas especiales al tratar de predecir los requerimientos, Es- tas dreas ce problemas son el arranque, la demanda irregular, el prondstico regional y el error de pronéstico. Aunque no todos estos problemas son Unicos para Ia logistica, son de gran preocupacién para el responsable de ella al determinar los requerimientos en forma precisa. Arranque El responsable de la Logistica con frecuencia enfrenta el problema de predecir los niveles de requerimientos para los productos y servicios para los que no existe suficiente historia para iciar el proceso de pronéstico, La introduccidn de nuevos productos o servicios y la nece- sidad de proporcionar apoyo logistico para ellos crean las condiciones de areanque comu- nes, Se han utilizado distintos enfoques durante este periodo temprano de pronéstico. Primero, ponga la estimacién inicial en manos del personal de marketing hasta que se comience a desarrollar un historial de ventas. Ellos conocertin mejor el nivel de esfuer- 20 promocional, la respuesta temprana del cliente y la aceptacicin esperada del cliente. Una vez que se haya generado una historia de demanda razonable, digamos en seis me- ses, se podrn utilizar los métodlos establecidtos de prondstico con cierta confianza ‘Segundo, se podria hacer un estimado a partir del patron de demanda de productos si- imilares dentro de la linea. Aunque muchas compaftias rotan su linea de productos en prome= dio una vez cada cinco afios, algunos productos son radicalmente nuievos. Con frecuencia representan cambios en tamaio, estilo. se trata de una revisién de los productos existentes. Por tanto, los patrones de demanda experimentados con anterioridad podirén proporcionar una perspectiva y una base para la estimacién inicial de la demanda para los nuevos productos. Tercero, siel modelo de nivelacién exponencial se utiliza para pronosticar, la constan- te de ajuste exponencial se puede fijar en un nivel alto (0.5 0 mayor) durante el periodo inicial de pronéstico. Luego se reducira a un nivel normal una vez que se haya genera- do un historial de demanda adecuado. Demanda irregular El problema de la demanda irregular se ha descrito anteriormente y se ilustré en la figura 8.2, Representa la condicién donde existe tanta variacién aleatoria en el patron de deman- ida que puede opacar para los patrones de tendencia y estacionalidad. La concdicién de de- manda irregular se presenta cuando dos 0 tres veces la desviacién estindar de la informa- cidn histérica excede el pronéstico del mejor modelo que puede ajustarse a la serie de tiempo. El patron de demanda irregular se presenta con frecuencia debide a varios mot ‘yos:el patron de demanda esta dominado por grandes y espordlicos pedidos del cliente; la demanda puede derivarse de la demanda de otros productos 0 servicios; el pico estacio- nal nose ha tomado en cuenta; o el patrén de demanda pudiera ser resultado de informa- cin excepcional, personas externas o condiciones poco comunes. Los patrones de demanda irregular por naturaleza son dificiles de predecir con exac- titud por métodos matematticos, debide a la amplia variabilidad en la serie de tiempo:sin embargo, se pueden ofrecer algunas sugerencias acerca de emo tratarlos. Primero, bus- sgue motivos evidentes para la irregularidad y utilicelos para generar el pronéstico. Sepa Parte IV. Estrategia de inventarioreel prondstico de los productos con demanda irregular de los que muestran wn patrGn re- {gular y utilice métodos de pronéstico adecuados para cada uno. Ejemplo Un fabricante de quimicos tiene un producto en su Iinea que se utiliza para limpiar man- zanas al momento de la cosecha, Dependienda del tamaito del cultivo de manzanas, las, ventas del producto pueden variar de manera considerable cada ano. Se utilizé ajuste ex- ponencial para pronesticar éste y otros productos en la linea. Los niveles de inventario en Tos almacenes que se establecieron con base en este pronéstico por lo general se quedaban. cortos 0 con un gran exeedente de las necesidades razonables. Al agrupar este producto de demanda irregular con los que tenian patrones de demanda regular no permitia a la ‘companiia tomar ventaja de los motivos bésicos por los que el nivel de demanca cambia- baa lo largo del arto. Segundo, no reaccione en forma répida a los cambios en el patron de demanda para tales productos 0 servicios si no se han podido encontrar causas atribuibles para los des- plazamientos de demanda. En vez de ello, utilice un método de prondstico simple y esta- ble que no reaccione rapido ante el cambio, como el modelo de ajuste exponencial con un valor bajo de constante de nivelacién o un método de regresién que se reajuste con una frecuencia no menor a una base anual. Tercero, debido a que la demanda irregular con frecuencia se presenta en articulos de ‘baja demanda, la exactitud del pronéstico puede no ser un asunto demasiado relevante. Si cel pronéstico se utiliza para establecer niveles de inventario, manejar un poco mas de in- ventario para compensar la inexactitud del prondstico puede resultar mas econémico que fratar de manejar el prondstico de manera cuidadosa, Pronéstico regional Aunque la mayor parte del andlisis en este capitulo se ha dirigido al prondstico de la demanda relativa al tiempo, también se ha considerado la agrupacién o desagrupacién _geografica del pronéstico. Es deci, el responsable de la logistica debe decidir si toma un ronéstico de la demand totaly la distribuye proporcionalmente por regiones, por ejem- lo, por territorios de almacenes o plantas, o si pronostica cada regidn en forma indepen- diente, La cuestién es lograr la mayor precisién en el pronéstico a nivel regional. Pronos- ticar todas las demandas en forma simulténea con frecuencia seré mas exacto que la suma de los prondsticos regionales individuales. $i esto es asi, la distribucién proporcional det pronéstico en conjunto con las regiones individuales pudiera preservar suficiente preci ‘sin como para dar mejores resultados que el pronéstico individual. Las investigaciones sobre el tema no han proporcionado una respuesta definitiva sobre cual meétodo es mejor Por ello, Los responsables de la logistica deberan estar conscientes de ambas posibilidades ‘y comparar los métodos para su situacién particular Error de pronéstico La tiltima consideraci6n es aprovechar al maximo las técnicas de pronéstico disponibles. El anilisis hasta este punto se ha centrado en el uso de modelos y métodos individuales. En Capitulo 8 Pronéstico de los requerimientos de la cactena de suministros 311312 la practica, ningdn modelo de prondstico individ ual puede ser ef mejor en toda ocasi6n. En ver. de ello, la combinaci6n de los resultados de varios modelos puede generar pro- nésticos mas estables y precisos.'* Fl siguiente ejemplo muestra la combinacidn de miiltiples métodes de pronéstico de acuerdo con su error de prondstico. Esto por lo general funciona bien para prondsti- cos de largo plazo, Para pronésticos de corto plazo, pronésticos igualmente ponderados han demostrado ser en particular fuertes, y ofrecen mayor precision de pronéstica que los ponderaclos en forma desigual.!9 Ejemplo Reconsidere el problema de prondstico del fabricante de ropa. Debido a que existian cin- co estaciones para ventas, no habia garantia de que un método de pronéstico fuera con- sistentemente superior a través de todas las estaciones. De hecho, se utilizaron cuatro mé- toclos. Habia un modelo de regresion (R) que predecia las ventas con base en las dos ‘variables: 1) mimero de cuentas, y 2) el cambio en la deuda del consumidor. Se utilizaron dios versiones (ES,, ES,) de un modelo de ajuste exponencial. El cuarto modelo fue el pro~ nnistico interno de la compaiia basaco en el juicio y la experiencia directiva (MP). Elerror de pronéstico promedio obtenido mediante el uso de cada método durante las distintas temporadias de wentas se muestra en la figura 8-5. Una forma de combinar la informacién de cada modelo de pronéstico es ponderar Ios resultados de acuerdo con el error historico promedio que produjeron. De esta forma, ningtin resultado de modelo ser eliminado ni existirs completa dependencia en el resul- tado de modelo que parecis mejor en forma hist6rica. Para ilustrar este esquema de ponsleraciGn, consicere los resultados de la temporada de venta de otofio mostrados en la figura 8-5. El error promedio para cada modelo fue Mj 10%, R = 0.7%, Es, = 1.2% y ES, = 8.4%, Los pesos deberdn ser inversamente proporcio- nalesal ertor de prondstico y en la misma proporcién a sus respectivos porcentajes. La ta- bla 8-3 muestra el céleculo de los factores de ponderacién. Por tiltimo, dados los resultados de pronéstico de cada modelo y los factores de pon- deracién, se puede calcular un pronéstico panderado promedio, como el mostrade en la figura 8-4. El valor de pronéstico final para la estacién de ventas de ototio- es $207208,000 yy representa datos provenientes de un ntimero de fuentes de pronéstico. ‘Un métocio del sistema experto para combinar métodos de prondstico ha mostrado prometedores resultados, en especial para periodos de prondstico de corto plazo menores un ao, Conacide como prondstico basado en reglas, se combinan varios métodos de se- Ni Lawienee, BH, Edmundson, M.J-€7Connes, "The Accuracy of Combining Judgemental and Sta- tistical Fonecas is”, Management Science, Vol 3, Nm 12 (diciembre de 1986), pags, 1521-1522; Essam Mahmoud, Accuracy in Forecasting: A Survey” ura of Foracisting (abi junio de 1988), pip. 139; Spyro Makridakis, Robert L: Winkler, “Average of Forecasts Some Empirical Result”, Marinoni Ske (septiembze de 1983), pg. 987, Victor Zamowits, "The Accuracy of Individual and Group Fore casts from Business Outlook Surveys", Jona ofFortasting (enerormarzo de 1984), pig. 10 'S Fred Collopy 3 J-Seott Armstrong "Rule ved Forecasting: Developmen! and Validation ofan Expert Systems, Approach to Combining Time Series Extrapolations", Management Scene, Vol 38, Nem 10 (G9), pg 1998-1414 Parte IV Estrategia de inventario:ort? 13, t oO MJ RES, ES:|MJ A ES;ES,|MJ R ES,ES;/MJ R ES\ES:|MJ R ESLES. Verano Hrans-temporadal Oto Festividedes | Primavera Btemporadas —3temporadas 2temporadas 2 temporadas 2 temporadas 3 : = 3 2 a — 3 MJ = Prondstica de la compania (opinion directive) R= Resultados del modelo de regresién ES; = Modelo 1 de ajuste expanencial ES, = Modelo 2 de ajuste expanencial (ajuste exponencial y modelo de regresion combinados) Figura 8-5 Error de prondstico para cuatra técnicas de prondstice aplicado a las, ventas de un fabricante de ropa. Tabla 8-3. Célculo de los pesos del modelo o maps Dae timo. Po ioe wometoels = Gs oseiwons _ maneenes upton meevencen ec mane’ _PasngMnag My 90 0.466 215 on R a7 0.036 ad 058 ES, 12 106 1587 033 ES, aa 035, 230 os asay 1.000 ey TOO Capitulo 8 Pronéstico de Tos requerimientos de la caciona de suministros 313,TRS DE RONGETCG PRENCETICD FACTOR BE. Paonia DEL MODELO PONSDERACIN FOND ERADA ‘Modelo de regresin (R) $20,367,000 058 $11,813,000 Nivélacién exponencial (ES, 29,400,000 03 6,732,000 ‘Modelo combinado de ajuste exponential regresin (ES, 17,660,000 0.08 883,000 ‘Opinion directiva (Mi) 19,500,000 0.08 789,000 Prondsticn de promediio ponderado, 20,208,000 2 Delatabla ® Proméetico da modelo mulipicado por el factor de pondracion. Tabla 8-4 Pronéstica de promedio ponderade de le temporada de venta de otono utilizando varias técnicas de prondstico, ries de tiempo y se aplican reglas deducidas por expertos de pronésticos a los datos de entrada y a la aplicacién del modelo, Las reglas son distintas declaraciones del tipo ST- ENTONCES que guian las acciones para mejorar el pronéstico. Collopy y Armstrong de- sarrollaron 99 reglas de ese tipo, algunos ejemplos de las cuales son: ‘+ SI a observacién es externa, ENTONCES establezca la observacién igual a dos des- viaciones estindar con respecto ala media. * Para un modelo de ajuste exponencial, Sl alta (constante se suavizaci6n) se calcula max yor que 0.7, ENTONCES utilice 07. SI alfa es mentor que 0.2, ENTONCES utilice 0.2. ‘+ Sila informacién temprana es irrelevante, ENTONCES elimine esa informacin. ‘Silas observaciones se juzgan irregulares con base en el conocimiento de la aplica- cin, ENTONCES ajuste las observaciones anteriores al andlisis para eliminar sus efectos de corto plazo.' Al aplicar estas y otras reglas a miltiples métodos de prondstico, como el recorrido alea torio (uitilizando la observacién mas reciente), la nivelacion exponenial y la tegresi6n, se puede obtener una importante reduccién en el error de pronéstico. Esto es especialmen- te valiclo cuando las series de tiempo muestran tendencias importantes, baja incertidum- bre y estabilidad, y si quien pronostica tiene adecuado conocimiento de la aplic ‘uno de los métodos se ponclera en forma equivalente. PRONOSTICOS DE COLABORACION Los métados de pronéstico que se han ilustrado hasta este punto funcionan mejor cuan- do la demanda no muestra mucha variabilidad. Sin embargo, la demanda irregular, con alta incertidumbre y dinémica, ocasionada por factores como promaciones, pocos com- -pradores que adquicren en grandes cantidades, compras estacionales/ciclicas, y deman- ‘da creada por “desastres naturales” crean un problema especial. Aunque se han ofrecido algunos lineamientos para manejar el caso de la demanda irregular, el pronéstico de cola- “Toa 314 Parte IV. Estrategia deinventarioboraciGn se recomienda como tan metodo mejotado, especial para la planeacion de canal de los procesos de negocio. Esté basado en la premisa de que “dos cabezas son mejor que una”, Es decir, es mas probable que multiples métodos jsroduzean prondsticos mas preci- sos que tno solo, ‘Er prompted sflaboealidn eerie evar ie pronbeiiee veal lage: tradas de multiples participantes, ya sea que ellos provengan de distintas dreas funcionales dentro de una misma empresa (marketing, operaciones, logistica, finanzas, compras, et- «cétera) 0 de distintos miembros en un canal de suministros, como vendedores, transpor- tistas y compradores, El objetivo es reducir el error de pronéstico. Esto puede lograrse mejor cuando cada parte aporta una perspectiva tinica al proceso de prondstico. Los com- pradores 0 el personal de marketing pueden encontrarse mas cercanos al consumicor fi- nal y pueden tener mejor “Sensibilidad” de la demanda final. Por otro lado, los vendedo- res 0 el personal de compras pueden ser coordinados para suministrar en desabastos y limitacion de capacidad que puedan presentar un tope sobre la demanda o que en tiltima instaneia puedan afectar el precio del producto, que a su ve7.afecta el precio y los niveles, de demanda del producto. Bl personal de transporte o los transportistas pueden ser capa ces de predecir los tiempos de entrega que afectan el servicio al cliente y las ventas. El pronéstico mediante la colaboracién requiere manejar un equipo de diversas per- sonas con todas las complicaciones inherentes a tal proceso. Sin embargo, puecien identi- ficarse los pasos clave administrativos, muchos de los cuales se enumeran ac} ‘+ Alguien debe ser lider del proceso y proporcionar la comunicacién necesaria y los calendarios de juntas del grupo. * Deberin identificarse los tipos de informacién necesaria para el pronéstico, asf co- mo los procesos para obtenerla, incluyendo el momento, las cantidades y la(s) per- sona(s) responsable + Deberin establecerse métodos pare procesar la informaciGn de miltiples fuentes, ti- pos y formatos, asi como las ponderaciones que se utilizarén para combinar y recon- eiliar los prondsticos de las maltiples partes. ‘= Se requieren métodlos para traducir el pronéstico final en la forma que la necesita cada parte, como ventas, eavios y SKUs en total, y por dliente, cuenta, territorio de servicio, etcétera + Debers disponerse de un proceso para revisar y actualizar el pronéstico sobre una bbase de tiempo real. ‘+ Deberan establecerse medidas para evaluiar el prondstico y para cleterminar si el prondstico de colaboraciGn representa una mejora por encima de los métocios tradi- cionales ‘+ Losbeneficios para cada parte del pronéstico de colaboracién deberan ser obvies y reales. E| pronéstico de colaboracisn es un proceso complejo inherentemente inestable, es decir, el pronéstico siempre tendré la tendencia de regresar a los miembros individua- les que tealizan sus propias predieciones. La colaboracion efieaz requiere coparticipacion, coordinacién, compromiso y entendimiento de que no es facil de lograr. Sin embargo. los beneficios de un prondstico mas preciso en las situaciones de prondstico mas dificiles, a como los beneficios de una mejor comunicacién intrafuncional y entre organizacién bien pueden justificar el esfuerzo extra requevido para operar en una alianza Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 315Aplicaciones A pesar dle que el software de apoyo para el prondstico de colaboracion es nuevo y bajo constante revisiGn, varias companias notables han informado éxito adelantado a medida que experimentan can el método del pronéstico de colaboracién, Heineken USA (la cerve- cera) ha pedido a 100 de sus distribuidores independientes de cerveza que envien pronds- ticos en forma electronica a Heineken USA White Plains, en Nueva York, oficina que utili- za un software de terceras, Implicando cerca de 40"% del volumen total de Heineken, esta disposicidn recorts los tiempos del ciclo de pedidos de 12 semanas a s6lo cuatro o cinco.” ‘Ace Hardware, detallista de equipo de $2,800 millones, experiments con el pronésti- 0 conjunto para reabastecimiento con Manco, proveedor de cintas, pegamentos y adhe- sivos, Mediante un software basado en la Web, Manco obtavo acceso a la base de datos de ‘Ace. Ace presenté a Manco su prondstico para los articulos a través de la pantalla de un navegador de Web, pero Manco tiene la oportunidad de modificar el prondstico antes de Tevarlo a su sistema de planeacién de la produccién, Ace y Manco observan las mismas pantallas en tiempo real e intercambian mensajes antes de llegar a un consenso del pro- néstico. La exactitud del prondstico se revisa sobre una base mensual. En lo pasado, la precisicin del pronéstico era de 20% por encima o por debaja de la demanda real. Ahora, es menor de 10 por ciento.! FLEXIBILIDAD Y RAPIDA RESPUESTA: UNA ALTERNATIVA PARA EL PRONOSTICO 316 Las ventas de algunos productos o servicios son tan impredecibles que el uso de los tipos de ‘métodos de prondstico ya descritos da por restltado wna posibilidad tan alta cle error de pro- Inéstico que los hace imprscticos. Los patrones de demanda irregular son un ejemplo, y por ello se requiere una altermativa. Al reconocer que no existe un mejor pronéstico sino quie es- evar hasta que la cemanda del cliente se materialice, es una base para responder en forma precisa a la demanda. Si los procesos de la cadena de suministros pueden hacerse flexibles y que respondan répidamente a los requerimientos de demanda, tendremos poca necesi- ad de pronésticos. Después de todo, los prondsticos estadisticos suponen las propiedades comunes de que las observaciones en las series de tiempo sean aleatorias, incependientes Yy que cada observacién sea una parte pequefta del total. Cuando existe un desfase de tiem- ‘poen que el suministro cubre la demanda, los pronésticos funncionan para establecer fos ni- veles de produccidn, compas ¢ inventarios, de manera que el suministro esté disponible cuando la demanda se presente. Modificar la naturaleza de la cadena de suministros para que los procesos puedan responder en forma flexible y eficiente a los requerimientos espe- cificos de cada solicitud del cliente, y que esto se haga de manera casi instanténea, hace que los pronésticos sean innecesarios. Cuando la demanda es muy impredecible, debera estu- John Verity, “Collaborative Forecasting: Vision Quest", Conpirterwoeld Coniorrce, Vo. 1, Neim. 45 noviembre de 1997), pgs. 2-14 28James A. Cooke, “Why ACE is Becoming THE PLACE”, Logistics Management & Distribution Report Vol. 41, Num. 3 fmarzo de 2002), pags. 32-36, Parte IV Estrategia de inventariodiarse este método alternativo, Sin embargo, en muchos casos, cuando la demanda es “ gular’, suministrar una demanda pronosticada sigue siendo la opcidn proferida. Ejemplo National Bicycle observ que las bicicletas deportivas (de diez velocidades y de montafa) se habjan convertido en articulas de moda, que se venelian en parte debido a sus patrones, de colores brillantes y complejos que cambiaban cada ano. La incapacidad de National para predecir los pattones de color que estarian en auge cada afio le ocasionaba que se produjeran en exceso algunos colores y en déficit otros, generando grandes pérdidas, Pa- 1 superar este problema de pronéstico, la compaitia creé un sistema de pedidos a la me- dida por medio del cual se media a los clientes para saber sus dimensiones de estructura ideales y les invitaban a-escoger su patrén de color favorito de una amplia seleccisn. Su bicicleta ideal entonces se fabricaba en la planta altamente flexible ce la compania en Kashi- ‘wara y se entregaba a su puerta dos semanas después.” COMENTARIOS FINALES EL responsable de logistica con frecuencia requiere proporcionar sus propios prondsticos, de demanda, tiempo de espera, precios y costas, para utilizarlos en la planeaciGn y con- trol estratégico y operativo. Muchas veces, los pronésticos de largo plazo necesarios son proporcionados fuera de la funcién logistica 0 s6lo son parcialmente responsabilidad del sencargado de esta area. Esto es particularmente cierto para la planeaciGn estratégica, Por ello, este capitulo se ha enfocado en los métodos de prondstico de corto y mediano plazo que con mayor probabilidad utilizaré el responsable de la logistica. Dentro de este perio do se analizaron las ténicas que han demostrado la mayor utilidad: ajuste exponencial, descomposicisn clasica de series ce tiempo y regresion multiple Brevemente se analizaron varios problemas especiales de la generacién de un pro- néstica, Estos incluyeron arrancar el pronéstico con poca o sin ninguna informacién pre- vvia sobre la serie de tiempo; tratar con patrones de series de tiempo irregulares; pronosti- car la demanda dentro de segmentos geograticos; y utilizar modelos de pronéstico en sombinacion para reducir el error de prondstico. El gerente de logistica también debe estar consciente de una alternativa para el pro- néstieo que pueda requerirse cuando la demanda sea tan impredecible que los resultados del pronéstico no sean satisfactorios, Al disefiar la cadena de suministros para una flexi- bilidad y rapida respuesta, el suministro puede cubrir la demanda a medida que ésta se presenta, con lo cual no se necesitarfan los pronésticos. PREGUNTAS Varios de los problemas de este capitulo pueden resolverse, 0 al menos en forma parcial, con laayuda de software de computadara, El paquete de software més popular en este capitulo es P Marshall |. Fisher, Janice H. Hammond, Walter R. Obermeyer, Ananth Raman, “Making Supply Meet [Demand in an Uncertain World’, Haraard Business Review, Vol 72 (mayerjunio 1994), pigs. 83-89.en adelante. Capitulo 8 Prondstico de los requerimientos ce Ja cactena de suministros 317318 FORECAST (F) de LOGWARE, El icono de CD | F apareceré donde el software FORE- EAST fe asin Seb pice nk rae tee path tees mi He 1. gPor qué y hasta qué punto esté el responsable de la logistica interesado en el prondstico dle la demanda? 7 610 7 710 8 560 8 700 ° 580 9 670 10 610 10 60 u 650 a 730 2 700 2 730 B 670 1B 760 4 700 4 730 15 70 8 10 16 70 16 870 v 760 7 890 18 20 18 870 1 780 9 880 » 900 20 880 a 0 a 930 2 70 2 930 B 820 B 900 4 800 24 80 2 7% 2 890 % 760 2» 80 2 770 7 870 8 70 28 840 » 700 29 860 30 740 30 910 a 70 31 870 2 670 32 60 3 690 3B 840 u 470" u 50? 35 670 % 730 36 690 36, 750 a 20 7 70 38 650 38 760 » 610 39 m0 324 Parte IV. Estrategia de inventarioFINce bos. aos ARO PAsADo Ese Aso Seana UNUZAGON/GAL, SEMANA LULZACON; GAL Souna _WNUZACON, cat 40 20 40 70 4 oi0 a 750 2 590 2 750 8 610 a 70 u 600 4 750 45 630 Ss 46 00 45 v 630 a 8 tt 8 » 10 ” » 590 50 5 10 51 52 (Dic 630 52 (Dic) Totales 3590 Festiva, © Periodo promacional Figura 1 Utilizacién de combustible en lunes en una estacién de bajo volumen durante aproximadamente los ultimas dos anos. Galones por dia Festividad 0 26 38 82 5 78 a 108 [> Primer ate ————|>——— Segundo ato ———+] Lunes de la semana Capitulo 8 Pronéstico de los requerimientos de la cadena de suministros 325Decisiones sobre politicas de inventarios roneluyen en el inventaric MICHAEL C. BERGERAC ‘Ex Dinector EjecuTtvo. REVLON, INC, © inventarios son acumulaciones de materias primas, provisiones, componentes, trabajo en proceso y productos terminados que apa- recen en numerosos puntos a lo largo del canal de produccién y de logis tica de una empresa, segun se muestra en la figura 9-1. Los inventarios Se hayan con frecuencia en lugares como almacenes. patios, pisos de Estrategia de inventario cies «Bee oe brent Sig Randle evens Snbom seamoas Tanto Teese en amare sane eS ae eowenn eae * Decisiones de logisticos Deseo! a as rece, eer PLANEACION Estrategia de ubieacién + Decisiones de ubicacién + El proceso de planeacién de red 326las tiendas, equipe de transporte y en los estantes de las tiendas de me- nudeo. Tener estes inventarios disponibles puede costar, al afo, entre 20 y 40% de su valor. Por lo tanto, administrar cuidadosamente los niveles de inventario tiene un buen sentido economico. Aunque se ha avanzado mucho para reducir los inventarios mediante diferentes sistemas, como el sistema justo 4 tiempo (just-in-time), la comprensién del tiempo, la respuesta rapida y las practicas de colaboracién aplicadas en todo el ca- nal de suministros, la inversion anual en inventarios realizada por fabri cantes, minoristas y mayoristas comerciales, cuyas ventas representan alrededor de 99% del PNB, es casi 12% del producto nacional brute de Estados Unidos.' Este capitulo esta dedicado al manejo de inventarios que permanecen en el canal de suministros Hay mucho por aprender sobre el manejo de inventarios y este cay tulo 6s especialmente largo por eso; sin embargo, ol toma puede verse en tres partes importantes. Primero, los inventarios se manejan con mas frecuencia como articulas individuales localizados en puntos de al macenamiento Unicos. Este tipo de control de inventarios ha sido inves- tigado ampliamente con diversos métodos para muchas aplicaciones especificas. Segundo, se vera el cantrol de inventarias come la adminis- tracion del inventario en su conjunto. La alta gerencia esté particular- mente interesada en esta perspectiva, por su necesidad de controlar la Wersi6n general de inventarios, en vez de controlar las unidades in duales que se mantengan en existencia. Por ultimo, se examinara el ma- nejo de inventarios entre multiples ubicaciones y multiples niveles den- tro de la cadena de suministros. EVALUACION DE LOS INVENTARIOS 328 Hay numerosas razones por las cuales los inventarios estén presentes en un canal de su- ministros; aun asi, en anos recientes, el mantenimiento de inventarios ha sido totalmente riticado como innecesario y antiecondmico. Consideremos por qué una empresa pudlie- ra querer inventarios en algunos niveles ce sus operaciones, y por qué esa misma empresa querria mantenerlos al minimo. Argumentos a favor de los inventarios Las razones para mantener los inventarios se relacionan con el servicio af cliente o para ccostear economias indirectamente derivadas de ellos. Consideremos brevemente algunas de estas razones Mejorar el servicio al cliente ‘Los sistemas de operacidn quizd no estén disehados para responder, de manera instanté: nea, a los requerimientos que los clientes hacen de los productos o servicios, Los inventarios, suntinistean un nivel de disponibilidad del producto 0 servicio que, cuando se localiza cerca del cliente, puede satisfacer altas expectativas del cliente por la disponibilidad de! producto. Disponer de estos inventarios para los clientes no sélo puede mantener las ven- tas, sino que también puede aumentarlas. 1 Oficina del Censo de Estados Unidos, Statist DC, 2001), pigs 623, 644, 657. 1 Abstract of the Lnited States 2001, 1218 ed. (Washington, Parte IV Estrategia de inventario