Demanda de lead
La demanda de lead (también llamada demanda de lead time) es la demanda total entre el momento actual y el tiempo anticipado para la entrega después de la siguiente si se realiza un reorden ahora para reabastecer el inventario. Este retraso se denomina tiempo de entrega. Dado que la demanda de lead es una demanda futura (aún no observada), este valor se pronostica típicamente usando análisis de series de tiempo.
El concepto de demanda de lead se aplica, entre otros, a negocios de venta minorista, mayorista y de manufactura, donde se mantiene inventario para atender a los clientes.
En el análisis clásico de safety stock, el reorder point es la suma de la demanda de lead y el componente de safety stock. La demanda de lead mediana puede interpretarse como la estimación de la demanda que tiene un 50% de probabilidades de estar por encima o por debajo de la future demand al considerar N días, donde N es el tiempo de entrega. Así, si la demanda de lead se utiliza como reorder point con un safety stock cero, el nivel de servicio esperado sería del 50%.
Sin embargo, con el enfoque más moderno de quantile viewpoint, se calcula directamente una estimación intencionadamente sesgada de la demanda de lead mediante previsión cuantil. Desde el punto de vista cuantil, el reorder point no es más que una estimación intencionadamente sesgada de la demanda de lead. El sesgo se ajusta para alcanzar el nivel de servicio deseado.
En ambos casos (clásico o cuantil), la accurate estimation de la demanda de lead es crítica para alcanzar un buen nivel de optimización de inventario, es decir, utilizar la cantidad mínima de inventario para lograr objetivos específicos de nivel de servicio.
El truco de Lokad
La forma más natural de pensar en la demanda futura es como una demanda futura agregada por día, semana o mes. A través de esta agregación, la previsión es simplemente la extensión de la curva de demanda pasada hacia el futuro. Luego, una vez especificado un tiempo de entrega, la demanda de lead se calcula como la suma de los valores pronosticados para los próximos N períodos.
Sin embargo, este enfoque indirecto no es óptimo porque el criterio que se está optimizando (es decir, la previsión por período) no es el que impacta en el inventario (es decir, la previsión por tiempo de entrega). Esta discrepancia, introducida por la propia agregación, también explica por qué se observan previsiones precisas al aprovechar una tecnología de previsión cuantil en lugar de una tecnología de previsión clásica.