Punto de Reorden (Supply Chain)

learn menu
Por Joannès Vermorel, última actualización en abril de 2012

El punto de reorden es el nivel de inventario de un SKU que indica la necesidad de realizar un pedido de reposición. El punto de reorden se ve clásicamente como la suma de la demanda de tiempo de entrega más el stock de seguridad. A un nivel más fundamental, el punto de reorden es un pronóstico cuantil de la demanda futura. El cálculo de un punto de reorden optimizado generalmente implica el tiempo de entrega, el nivel de servicio y el pronóstico de demanda. Confiar en un pronóstico de cuantil nativo mejora en gran medida la calidad del punto de reorden para la mayoría de los negocios minoristas y de fabricación.

El concepto que describimos aquí con el nombre de “punto de reorden” también se conoce como ROP, nivel de reorden o nivel de activación de reorden.

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

Estimación cuantil de la demanda

Un aspecto poco comprendido de la gestión de inventario es que el punto de reorden representa un pronóstico cuantil de la demanda para un horizonte igual al tiempo de entrega. De hecho, el punto de reorden representa la cantidad de inventario que, con una confianza del τ% (el nivel de servicio deseado), no será superada por la demanda. Si la demanda supera este umbral, un evento que ocurre solo con una frecuencia de 1-τ, se produce un faltante de stock.

Cuantiles nativos vs extrapolados

Los modelos de pronóstico cuantil son complicados de escribir. Como resultado, la mayoría de los software de pronóstico solo ofrecen pronósticos promedio. Sin embargo, como se mencionó anteriormente, los puntos de reorden son fundamentalmente pronósticos de demanda cuantil. Por lo tanto, el método más popular para compensar la falta de modelos de cuantiles nativos consiste en extrapolar los pronósticos promedio como pronósticos cuantil.

La extrapolación se basa típicamente en la suposición de que el error de pronóstico sigue una distribución normal. Nuestra guía sobre existencias de seguridad describe en detalle cómo se puede extrapolar un pronóstico promedio en un pronóstico cuantil. Sin embargo, en la práctica, la suposición de que el error sigue una distribución normal es débil. De hecho, la distribución normal:

  • Converge demasiado rápidamente hacia cero, mucho más rápido que las distribuciones empíricas observadas en el comercio minorista y la fabricación.
  • Es perfectamente suave mientras que la demanda se produce en pasos integrales. El impacto negativo de esta suavidad es más fuerte en la demanda intermitente.
  • No es adecuada para niveles de servicio altos (en la práctica, valores superiores al 90%). De hecho, cuanto más lejos de la mediana (50%), menos precisa es la aproximación normal.

Regla general: cuándo favorecer los cuantiles nativos

A pesar del costo computacional adicional, los cuantiles nativos aportan beneficios significativos, desde el punto de vista de la optimización de inventario, cuando:

  • Los niveles de servicio son superiores al 90%.
  • La demanda es intermitente, con menos de 3 unidades vendidas por período (día, semana, mes, según la agregación).
  • Los pedidos a granel, es decir, un solo cliente que compra más de 1 unidad a la vez, representan más del 30% del volumen de ventas.

En la práctica, el error del punto de reorden (ver sección a continuación) se reduce típicamente en más del 20% si se cumple alguna de esas tres condiciones. Esta mejora se explica principalmente por el hecho de que la extrapolación utilizada para convertir un pronóstico promedio en uno cuantil se convierte en el eslabón más débil del cálculo.

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

Dado que el punto de reorden no es más que un pronóstico cuantil, es posible evaluar la precisión de este pronóstico mediante el uso de la función de pérdida pinball.

Reducir la pérdida pinball para su inventario solo se puede lograr a través de mejores pronósticos (cuantiles o extrapolados). Como regla general, una reducción del 1% en la pérdida pinball generará entre un 0.5% y un 1% de reducción de las existencias de seguridad, manteniendo la misma frecuencia de faltantes de stock.

Con esto, se vuelve posible comparar estrategias alternativas de inventario con su práctica actual. Si una estrategia alternativa reduce el error general, entonces significa que esta estrategia es mejor para su empresa.

El proceso puede parecer un poco confuso porque aplicamos el término precisión en un contexto donde no pueden existir pronósticos (si la empresa, por ejemplo, no tiene ningún proceso de pronóstico en su lugar). El truco es que los niveles de inventario objetivo por sí solos representan pronósticos implícitos de demanda cuantil. La función de pérdida pinball le permite evaluar la calidad de esos pronósticos implícitos.

Descargar: reorder-point-accuracy.xlsx

La hoja de Microsoft Excel anterior ilustra cómo evaluar la precisión del punto de reorden utilizando la función de pérdida pinball. La hoja incluye varias columnas de entrada:

  • Nombre del producto: solo para legibilidad.
  • Nivel de servicio: la probabilidad deseada de no tener un faltante de stock.
  • Tiempo de entrega: el retraso para completar una operación de reabastecimiento.
  • Punto de reorden: el umbral (llamado frecuentemente Min) que activa el reabastecimiento. Los puntos de reorden son los valores que se están probando en cuanto a su precisión.
  • Día N: el número de unidades vendidas durante este día. El diseño elegido en esta hoja es práctico, porque luego se vuelve posible calcular la demanda de avance mediante la función OFFSET en Excel (ver más abajo).

Luego, la hoja incluye dos columnas de salida:

  • Demanda de avance: que representa la demanda total entre el inicio de Día 1 y el final de Día N (donde N es igual al tiempo de entrega expresado en días). Aquí, se utiliza la función OFFSET para hacer una suma sobre un número variable de días utilizando el tiempo de entrega como argumento.
  • Pérdida pinball: que representa la precisión del punto de reorden. Este valor depende de la demanda de avance, el punto de reorden y el nivel de servicio. En Excel, estamos utilizando la función IF para distinguir el caso de sobrepronósticos del caso de subpronósticos.

Para la consistencia del análisis, las configuraciones de entrada (puntos de reorden, niveles de servicio y tiempos de entrega) deben extraerse al mismo tiempo. Según las convenciones que seguimos en esta hoja, este tiempo puede ser al final de Día 0 o justo antes del comienzo de Día 1. Luego, esas configuraciones se validan con datos de ventas que ocurren posteriormente.

Atención: En la mayoría de los ERPs, los valores históricos de los puntos de reorden, los tiempos de entrega y los niveles de servicio no se conservan. Por lo tanto, si desea comparar sus puntos de reorden, debe comenzar tomando una instantánea de esos valores. Luego, debe esperar una duración que cubra la mayoría de los tiempos de entrega. En la práctica, no es necesario esperar hasta que se cubra el tiempo de entrega más largo. Para obtener una referencia significativa, puede conformarse con una duración que cubra, digamos, el 80% de sus tiempos de entrega.

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

Pérdida pinball, Preguntas/Respuestas

Esta pérdida pinball parece sospechosa. ¿No inventaste esta función solo para aumentar el rendimiento relativo de Lokad?

La función de pérdida pinball se conoce desde hace décadas. Si estás de acuerdo con la hipótesis de que el punto de reorden debe definirse como un valor que cubra la demanda con una cierta probabilidad (el nivel de servicio), entonces las estadísticas de los libros de texto indican que la pérdida pinball es la única función que se debe utilizar para evaluar tu estimador de cuantiles. Los primeros trabajos sobre el tema datan de finales de la década de 1970, pero para materiales más recientes, consulta Koenker, Roger (2005) Quantile Regression, Cambridge University Press.

¿Cómo puedes evaluar la calidad del punto de reorden para un solo SKU con la pérdida pinball?

No puedes evaluar la calidad del punto de reorden para un solo SKU al observar un solo punto en el tiempo. A menos que tu nivel de servicio esté muy cerca del 50%, la pérdida pinball tiene una fuerte varianza. Como resultado, debes promediar los valores de pérdida en varias docenas de fechas distintas para obtener una estimación confiable al observar un solo SKU. Sin embargo, en la práctica, sugerimos en su lugar promediar las pérdidas en muchos SKUs (en lugar de muchas fechas). Con un conjunto de datos que contiene más de 200 SKUs, la pérdida pinball suele ser un indicador bastante estable de inteligencia de negocios (BI), incluso si solo consideras un solo punto en el tiempo para realizar la referencia.

La pérdida pinball reacciona de manera muy fuerte a niveles de servicio muy altos. ¿Va a crear inventarios muy grandes en caso de niveles de servicio muy altos?

La realidad de la gestión de inventario es que lograr un nivel de servicio del 99.9% requiere una enorme cantidad de inventario. De hecho, el 99.9% significa que no quieres tener más de 1 día de faltante de stock cada 3 años. Con la fórmula clásica de existencias de seguridad, utilizar un nivel de servicio muy alto no genera inventarios masivos. Sin embargo, utilizar un nivel de servicio muy alto en la fórmula tampoco produce un nivel de servicio equivalente en la práctica. En resumen, puedes ingresar 99.9% en tu software, pero en realidad, tu nivel de servicio observado no superará el 98%. Esta situación se debe a la suposición de que la demanda sigue una distribución normal. Esta suposición, utilizada en la fórmula clásica de existencias de seguridad, es incorrecta y genera una falsa sensación de seguridad. Los cuantiles, sin embargo, responden de manera mucho más agresiva a los niveles de servicio altos (es decir, inventarios más grandes). Sin embargo, los cuantiles simplemente reflejan la realidad de manera más precisa. Los niveles de servicio muy altos implican inventarios muy altos. No puedes obtener un nivel de servicio del 100%, debes hacer un compromiso.

En tu hoja de muestra, utilizas datos diarios. ¿Qué tal si utilizamos datos semanales en su lugar?

Si tus tiempos de entrega son largos y se pueden expresar en semanas en lugar de días, entonces sí, puedes utilizar datos históricos agregados semanalmente, la aproximación debería ser buena. Sin embargo, si tus tiempos de entrega son en promedio más cortos que 3 semanas, entonces la discrepancia introducida por el redondeo semanal puede ser muy significativa. En esas situaciones, realmente deberías considerar datos agregados diariamente. Los datos diarios pueden complicar un poco el manejo de datos dentro de la hoja de Excel debido a la verbosidad de los datos. Sin embargo, en la práctica, la pérdida pinball no está destinada a ser calculada dentro de una hoja de Excel, excepto con fines de prueba de concepto. El aspecto que realmente importa es alimentar el sistema de optimización de inventario con datos diarios.

Concepto erróneo: el punto de reorden conduce a grandes pedidos poco frecuentes

Confiar en los puntos de reorden no implica nada sobre la calidad de la gestión de inventario. De hecho, como los puntos de reorden pueden cambiarse continuamente (normalmente a través de la automatización del software), cualquier estrategia de almacenamiento puede representarse mediante valores de puntos de reorden ad hoc que varían con el tiempo.

Los pedidos grandes y poco frecuentes se encuentran en empresas que no actualizan dinámicamente sus puntos de reorden. Sin embargo, el problema no es causado por los puntos de reorden en sí, sino por la falta de automatización del software que actualizaría regularmente esos puntos de reorden.

Múltiples proveedores con tiempos de entrega distintos

La cantidad de inventario que se debe comparar con el punto de reorden suele ser la suma del stock en mano más el stock en pedido. De hecho, al realizar un pedido, uno debe anticipar el stock que ya está en camino.

La situación puede complicarse si el mismo pedido puede ser enviado a múltiples proveedores que entregan los mismos SKU con diferentes tiempos de entrega (y típicamente también con diferentes precios). En tal situación, un backorder realizado a un proveedor local puede ser entregado antes que un backorder más antiguo realizado a un proveedor distante.

Para modelar de manera más precisa una situación de dos proveedores, se vuelve necesario introducir un segundo punto de reorden para cada SKU. El primer punto de reorden desencadena el reabastecimiento desde el proveedor distante (asumiendo que este proveedor es más barato, de lo contrario no tiene sentido comprarle a este proveedor), mientras que el segundo punto de reorden se abastece del proveedor local.

Dado que el proveedor local tiene un tiempo de entrega más corto, el segundo punto de reorden es más bajo que el primero. Intuitivamente, los pedidos se realizan al proveedor local solo cuando se vuelve altamente probable que se agote el stock y que ya sea demasiado tarde para pedir al proveedor distante.

Cuidado con Lokad

Los pronósticos de cuantiles son superiores para calcular los puntos de reorden en la mayoría de las situaciones que se encuentran en el comercio minorista y la fabricación. La fortaleza del enfoque se puede explicar de la manera más simple por el hecho de que, en estadísticas, las mediciones directas superan a las mediciones indirectas. Sin embargo, no implicamos que los pronósticos de media sean inútiles. Los pronósticos de media tienen muchos otros usos más allá del cálculo estricto del punto de reorden. Por ejemplo, cuando se trata de visualizar los pronósticos, los cuantiles tienden a ser más difíciles de comprender.