La forma clásica de pensar sobre replenishment consiste en establecer una cantidad objetivo por SKU. Esta cantidad objetivo típicamente adopta la forma de un punto de reorden que se ajusta de forma dinámica en función del demand forecast para el SKU. Sin embargo, a lo largo de los años en Lokad, nos hemos dado cuenta de que este enfoque era muy débil en la práctica, sin importar lo buenos que fueran los forecast (clásicos).

Los prácticos expertos en supply chain suelen superar este enfoque (clásico) con un truco sencillo: en lugar de analizar los SKU de forma aislada, se toman un paso atrás y observan el panorama completo, teniendo en cuenta que todos los SKU compiten por el mismo presupuesto. Luego, los practicantes eligen los SKU que parecen ser los más urgentes. Este enfoque supera el método habitual del punto de reorden porque, a diferencia de este último, da prioridad a ciertos reabastecimientos. Y como todo gerente de negocio sabe, incluso una priorización de tareas muy básica es mejor que no tener ninguna priorización.

Para reproducir este buen “truco”, a principios de 2015 actualizamos Lokad hacia una forma más poderosa de política de pedidos conocida como prioritized ordering. Esta política adopta precisamente el punto de vista de que todos los SKU compiten por la siguiente unidad a comprar. Gracias a esta política, estamos obteniendo lo mejor de ambos mundos: avanzados statistical forecasts combinados con el tipo de expertise de dominio que hasta ahora no estaba disponible para el software.

Sin embargo, la política de [prioritized ordering] requiere una scoring function para operar. Dicho de forma simple, esta función convierte los forecast junto a un conjunto de variables económicas en un valor de score. Al asignar un score específico a cada SKU y a cada unidad de estos SKU, esta scoring function ofrece la posibilidad de ordenar todas las decisiones de compra “atómicas”. Con “atómico” nos referimos a la compra de 1 unidad extra para 1 SKU. Como resultado, la scoring function debería estar lo más alineada posible con los business drivers. Sin embargo, si bien elaborar scoring functions aproximadas basadas en “reglas generales” resulta razonablemente sencillo, definir una scoring function adecuada es un ejercicio complejo. Sin entrar demasiado en las tecnicidades, el principal desafío reside en el aspecto “iterativo” de los reabastecimientos, donde los carrying costs siguen acumulando cargos hasta que las unidades se venden. Calcular 1 paso adelante es fácil, 2 pasos adelante un poco más difícil, y N pasos adelante es, en realidad, bastante complicado.

No hace mucho, logramos resolver este problema con la stock reward function. Esta función descompone los desafíos a través de tres variables económicas: el margen de beneficio por unidad, el coste por unidad de faltante de stock y el coste de inventario por unidad. A través de la stock reward function, se puede obtener el impacto económico real desglosado en márgenes, faltante de stock y costes de inventario.

La stock reward function representa una alternativa superior a todas las scoring functions que hemos utilizado hasta ahora. De hecho, incluso puede considerarse como un mini framework que se puede ajustar con un conjunto pequeño (pero bastante expresivo) de variables económicas para abordar de la mejor manera los objetivos estratégicos de comerciantes, fabricantes o mayoristas. Recomendamos usar esta función siempre que se utilicen forecast probabilístico.

A lo largo de las próximas semanas, actualizaremos gradualmente todas nuestras plantillas de Envision y materiales de documentación para reflejar esta nueva capacidad de Lokad.