Reabastecimiento de Inventario Priorizado en Excel con forecast probabilísticos

La incertidumbre es un aspecto irreducible del forecast. Sin embargo, en el siglo XX, surgió el forecast estadístico con la esperanza de que, con modelos matemáticos adecuados, la incertidumbre pudiera eliminarse. Como resultado, las primeras teorías de supply chain minimizaron o descartaron la incertidumbre, ya que se esperaba que técnicas de mejor forecast eliminasen este problema o, en su defecto, lo hicieran inconsecuente. Aunque bien intencionados, estos enfoques resultaron defectuosos, ya que tras un siglo de modelado estadístico, la incertidumbre sigue siendo rotundamente irreducible. En 2012, Lokad fue pionero en una perspectiva de supply chain alternativa, una que abraza y cuantifica la incertidumbre. Este enfoque utiliza forecast probabilístico en lugar de los clásicos forecast de series de tiempo. En esta guía, y con la hoja de cálculo de Microsoft Excel adjunta, aplicamos forecast probabilísticos al problema de reabastecimiento de inventario. Este enfoque da como resultado una política de reabastecimiento de inventario priorizado, demostrada aquí a través de Excel. Nuestro objetivo es doble: primero, popularizar este enfoque entre una audiencia que puede no sentirse cómoda con herramientas de software más avanzadas; y segundo, demostrar que abrazar la incertidumbre requiere una mentalidad determinada más que herramientas sofisticadas.

Download: probabilistic-inventory-replenishment.xlsx

1. The Inventory Replenishment Problem

La problemática de reabastecimiento de inventario se centra en identificar la mejor lista de compras – una que tenga en cuenta las principales restricciones financieras y objetivos de la empresa. El método para producir tal lista debe funcionar igualmente bien sin importar las limitaciones presupuestarias, dado que se intenta maximizar el retorno sobre la inversión por cada dólar gastado. El problema es que todos los SKUs compiten por los mismos dólares, por lo que el retorno financiero de almacenar cada unidad dada de un SKU debe ser cuantificado y clasificado en el contexto de todas las unidades adicionales de cada SKU.

1.1 The Prioritized Inventory Replenishment Solution

El proceso de clasificar el inventario, tal como se describió anteriormente, requiere una perspectiva a nivel micro. Para comparar el retorno de agregar cualquier unidad dada de un SKU a una lista de compras, se deben considerar varios factores. Específicamente, la probabilidad de su venta, proporcionada por un forecast probabilístico de demanda, y los motores económicos — por ejemplo, el margen de ganancia bruta y el precio de compra. Cada cantidad considerada, a su vez, debe equilibrarse respecto de las restricciones internas y externas (como la capacidad limitada de almacén, multiplicadores de lote y MOQs/MOVs, etc.). Los casos extremos, tales como cuando dos (o más) unidades tienen una rentabilidad esperada igual, deben ser incorporados en una política de reabastecimiento de inventario mediante la evaluación de la importancia relativa de cada producto. Los SKUs no deben verse de forma aislada, sino en grupos. Algunos SKUs, a pesar de tener márgenes de ganancia más bajos en forma aislada (como la leche), son más importantes ya que facilitan las ventas de productos con altos márgenes. Así, la recompensa financiera por mantener niveles de servicio de un producto con menor margen – uno que facilita otras ventas – representa otro motor (“cobertura de faltante de stock”)¹. Un enfoque de Reabastecimiento de Inventario Priorizado (PIR), que utiliza forecast probabilístico como insumo, toma en consideración todos los factores descritos anteriormente.

En resumen, la solución PIR se puede resumir en tres pasos:

1. Construir un forecast probabilístico de demanda.

2. Enumerar todas las cantidades de compra factibles.

3. Clasificar todas las cantidades de compra factibles según los motores económicos.

1.2 Prioritized Inventory Replenishment in Excel

Utilizando datos financieros de una tienda ficticia, incluyendo los motores económicos listados en la sección anterior, esta hoja de cálculo de Excel modela la política de reabastecimiento de inventario para tres SKUs (bolígrafos, teclados y estanterías)². Las consecuencias financieras de cada unidad adicional de SKU (si se ordena), y la probabilidad de venderla, se ilustran en la hoja Charts (ver Figura 1). Los diagramas y gráficos se actualizarán dependiendo de los insumos y de las suposiciones del modelo (por ejemplo, niveles de stock inicial, precios de compra y venta, etc.) en la hoja Control Tower (Figura 2). Se genera una lista detallada de opciones de decisión factibles en la hoja Micro purchasing decisions (Figura 3) basada en insumos clave. Estos insumos son los forecast probabilísticos de demanda de la hoja Distribution generators (Figura 4) y los insumos de la hoja Control Tower. Finalmente, se recoge y clasifica en una tabla la lista de decisiones de reabastecimiento de inventario priorizado en términos del retorno sobre la inversión esperado (ver la hoja Ranked purchasing decisions en la Figura 5).

2. Probabilistic Demand Forecast

En este contexto, un forecast probabilístico es un conjunto de todos los valores de demanda probables futuros y sus respectivas probabilidades. Abraza la incertidumbre inherente de la demanda futura y puede construirse para cualquier período de tiempo. Al igual que un forecast de series de tiempo tradicional, se identifica un único valor de demanda, el más probable (los puntos blancos en la Figura 6) y una línea de tendencia (la línea gris que conecta los puntos blancos). Sin embargo, un forecast probabilístico integra la incertidumbre mediante la adición de todos los valores de demanda posibles (aunque no todos con la misma probabilidad). Este enfoque se puede observar en la Figura 6, donde diferentes intervalos de confianza representan valores de demanda con distintas probabilidades.

Los puntos blancos en la Figura 6 representan los valores de demanda más probables en intervalos futuros fijos. Existe una banda de color que acompaña y que corresponde a un rango de valores alternativos de demanda futura: una distribución de probabilidad en color. Este color se desvanece a lo largo del eje vertical cuanto más se aleja del punto blanco, representando una mayor incertidumbre y menor probabilidad. En general, las bandas de color se desvanecen a medida que transcurre el tiempo (a lo largo del eje horizontal), ya que la incertidumbre se intensifica con el paso del tiempo. Sin embargo, independientemente de la incertidumbre, siempre hay al menos un valor que es el más probable, y esto se representa en todo momento por los puntos blancos. Un ejemplo de una distribución de probabilidad para un punto en el tiempo se ilustra en la Figura 7.

La Figura 7 expresa los datos destacados de la Figura 6 como un histograma de probabilidad, con valores numéricos explícitos que indican la probabilidad de diferentes valores de demanda. Se mantiene la codificación por colores para facilitar la comprensión (recuerde, los colores más tenues son menos probables; los colores más densos, más probables). En este ejemplo, el valor de demanda más probable es de 167 unidades (+/-), por lo que el punto blanco en el rango de valores recortado de la Figura 6 se posiciona directamente sobre la barra más alta del histograma. Sin embargo, también asignamos probabilidades de demanda a valores de demanda extremadamente bajos y altos (alrededor de 80 y 260 unidades, respectivamente, ambos de un naranja muy tenue). Esto demuestra la potencial riqueza de datos de un forecast probabilístico y se incluyen histogramas similares en la hoja de cálculo de Excel, uno para cada uno de nuestros SKUs (ver Figura 4). Utilizando estos histogramas (como en la Figura 7 anterior), se pueden identificar los valores de demanda (en unidades) con probabilidades de ocurrencia no nulas y tomarlos en cuenta en el PIR.

2.1 The Construction of a Probabilistic Forecast

Aunque es posible construir un verdadero forecast probabilístico con datos históricos en Excel, es, sin duda, la herramienta menos capaz para este propósito. En general, los detalles de construir un forecast probabilístico de grado producción están fuera del alcance de este documento; por ello se seleccionaron forecasts probabilísticos sintéticos por simplicidad. Los parámetros de estos forecasts sintéticos pueden ser manipulados en Distribution generators (ver Figura 4). Sin embargo, se recomienda estudiar primero la configuración predeterminada antes de realizar ajustes.

En las prácticas convencionales de supply chain, se considera que la demanda sigue una distribución normal, sin embargo, esto es una excepción. En las supply chains del mundo real, la mayoría de los SKUs se desvía de los patrones de distribución normal. Dada esta realidad, seleccionamos deliberadamente tres patrones de distribución diferentes: normal (para teclados), binomial negativa (para bolígrafos) y bimodal (para estanterías – una mezcla de dos patrones binomiales negativas). A continuación se proporciona la justificación para esta suposición.

Por ejemplo, asumimos que las estanterías son compradas tanto por particulares como por empresas (por ejemplo, escuelas), por lo que utilizamos una distribución bimodal. En la configuración predeterminada para estanterías, hay una demanda frecuente de particulares, con una o dos unidades compradas por cliente. Esto representa la primera moda de la distribución (ver Figura 4). Las empresas, sin embargo, representan fuentes de demanda menos frecuentes pero realizan pedidos mayores (mayores que los que tienden a hacer los particulares). Cuando esto ocurre, su demanda se suma a la generada por las compras de particulares, y aparece la segunda moda de la distribución. Esta segunda moda se desplaza hacia la derecha (representando valores altos de demanda) y es notablemente menor que la primera moda, reflejando que ocurre con menor frecuencia (Figura 4). Nuestro modelo también asume que los bolígrafos son comprados por particulares con una demanda ocasionalmente alta (por ejemplo, estudiantes que compran antes de los exámenes). Finalmente, para reflejar el hecho de que una distribución normal ocurre ocasionalmente, las ventas de teclados siguen un patrón de distribución normal.

En Distribution generators (Figura 4), se pueden editar las distribuciones de demanda cambiando los parámetros en las celdas manipulables. Por ejemplo, aumentar la media para los teclados (ver “NORM parameters” en la Figura 4) de 40 a 50 resultará en un desplazamiento de 10 unidades hacia la derecha en la distribución. Como resultado de este aumento en la demanda media, el ROI esperado para todas las unidades de teclado aumentará. De manera similar, se pueden hacer modificaciones a los parámetros de las distribuciones binomial negativa (bolígrafos) y bimodal (estanterías).

Dado que Excel carece de la expressividad para este tipo de cálculos, esta demostración limita las modificaciones a 100 unidades por producto. Por ejemplo, establecer la media de los teclados en 99 resultará en que casi el 50% de las unidades de demanda no se puedan calcular en la hoja Micro purchasing decisions.

2.2 Selección de un Horizonte para un Forecast Probabilístico de Demanda

Normalmente, los forecast se dividen en intervalos diarios/semanales/mensuales, aunque estos períodos discretos tienen una utilidad y valor limitados desde una perspectiva de reposición. La demanda durante el próximo lead time no puede ser cubierta por las decisiones de compra realizadas hoy a menos que se permitan backorders, porque cualquier unidad comprada llegará después de un período igual al lead time. Así, la demanda debería cubrirse con el stock disponible y el stock en pedido de la tienda (véase la Figura 8), asumiendo que las unidades en pedido lleguen antes de la demanda. Por lo tanto, el forecast probabilístico se ocupa de la demanda entre puntos de reorden o, en otras palabras, de la demanda durante el Período de reorden 1 (véase la Figura 9). La demanda más distante en el futuro se cubrirá con pedidos futuros (véase Período de reorden 2, en la Figura 9).

En teoría, el forecast probabilístico de demanda debería construirse en el marco temporal equivalente a Período de reorden 1 – esta ventana de tiempo se conoce como Ventana de responsabilidad A (véase la Figura 9). Para ello, tendríamos que hacer proyecciones futuras para el stock disponible y el stock en pedido al final del lead time. Sin embargo, la demanda durante el lead time – para la cual ya tomamos decisiones durante el período de pedido anterior – también es probabilística, y ello resultaría en niveles de stock que son distribuciones de probabilidad en sí mismas³. Al permitir backorders (una práctica común en algunos verticales), se puede construir un forecast probabilístico sobre un período conjunto (lead time más Período de reorden 1, según la Figura 9, también conocido como Ventana de responsabilidad B).

Se puede asumir que los niveles actuales de stock disponible y stock en pedido cubrirán la demanda durante el período del lead time. Si ocurre un evento de desabastecimiento, cualquier demanda subsiguiente se cubrirá con backorders. Estos backorders serán atendidos por las decisiones de compra a nivel micro tomadas a partir de hoy. Esto nos permite tratar el stock disponible y el stock en pedido como valores discretos (en lugar de aleatorios)⁴.

3. Identificando Opciones de Decisión de Reposición Factibles

En un escenario real de reposición de inventario, se necesitaría delinear todas las opciones de decisión factibles, porque no existe una forma directa de pasar de un forecast probabilístico a la única mejor decisión (cantidad de compra, en este caso) para cada producto. En lugar de una única elección perfecta, un enfoque probabilístico presenta un rango de decisiones posibles que hay que considerar en términos de factibilidad.

Factibilidad aquí tiene el sentido literal de que una decisión es inmediatamente ejecutable; puede implementarse “tal como está” sin cálculos o chequeos adicionales. Por ejemplo, una decisión es “factible” si es rentable y satisface todas nuestras restricciones (p.ej., MOQs, EOQs, tamaños de lote, envíos completos de contenedores, y cualquier otra restricción que pueda existir en nuestra supply chain)⁵.

En cada línea de la hoja Micro purchasing decisions (Figuras 3 y 10), debemos considerar la adición de una unidad más de stock a nuestro pedido de compra para un producto en particular⁶. Nuestro “presente” (o Día 1 de este experimento) comienza en la línea 29, la cual muestra el nivel actual de stock. Esto se calcula como la suma de Stock Disponible y Stock en Pedido. Si decidimos añadir una unidad al pedido de compra, entonces la cantidad total de compra se computará en la Columna L como la suma de todas las unidades consideradas hasta el momento para la compra (véanse las notas en la Figura 10).

Una vez identificadas estas decisiones de inventario factibles, calcularemos y clasificaremos la recompensa económica de cada compra posible. Tenga en cuenta que no evaluamos la recompensa de compra para las unidades que actualmente se encuentran en stock disponible o stock en pedido (columnas F y G en la Figura 10). Dado que ya compramos estas unidades, la recompensa económica teórica se determinó (y clasificó) en una fecha anterior. Por ejemplo, si observamos los datos de teclados en la Figura 10, actualmente hay 26 unidades en stock. Por lo tanto, comenzaremos los cálculos en la línea 29 y consideraremos si debemos pedir nuestra primera unidad de stock adicional (lo que aumentaría los niveles de stock de 26 a 27 unidades).

3.1 Evaluando Decisiones de Compra Factibles

Para elegir la mejor cantidad de compra para cada producto, es necesario calcular el retorno monetario esperado a nivel unitario para cada cantidad factible para cada producto (considerando el futuro incierto representado por el forecast probabilístico). Este es un concepto de valor esperado adaptado al nivel más granular de la toma de decisiones de inventario.

En realidad, se debe considerar todo tipo de impulsores económicos al tratar de calcular el retorno esperado para cada decisión factible⁷. Para los fines de esta demostración, estos son los factores que consideraremos:

• Sell price: Cuánto cobramos a los clientes por el producto.
• Carrying/Storage cost: Cuánto nos cuesta mantener el producto en inventario.
• Buy price: Cuánto nos cuesta comprar el producto a nuestro proveedor/mayorista.
• Stockout cover: Se explica a continuación en detalle, ya que es un impulsor menos conocido pero no por ello menos importante⁸.

Stockout cover representa un incentivo financiero para mantener una unidad de un producto en stock, pero no con el objetivo explícito de venderlo. Este impulsor económico se utiliza para modelar la importancia relativa de un producto frente a otros. Incentiva evitar un evento de faltante de stock para productos que podrían considerarse menos importantes debido a sus contribuciones de margen directo, ya que estos productos pueden contribuir de manera significativa a los márgenes de beneficio de forma indirecta. Como tal, se asemeja más a un impulsor de recompensa⁹. Aunque este impulsor es difuso, es crucial identificar todos los productos críticos (incluso aquellos que no son generadores de margen directo).

3.2 Calculando la Puntuación de Cada Decisión Factible

La consecuencia económica total (o purchase reward) de una decisión de reposición de inventario es la suma de todos los impulsores económicos, incluyendo expected margin, expected inventory cost y stockout cover (definidos en detalle a continuación). Storage cost se incluye en estos cálculos como un impulsor negativo, actuando como una contrafuerza para equilibrar nuestras decisiones de reposición de inventario.

A continuación, se presenta un análisis de las implicaciones económicas de las fórmulas en cada columna, utilizando la línea 29 de la hoja Micro purchasing decisions como ejemplo (véase la Figura 12)

Para calcular la recompensa esperada de cada decisión, necesitamos los siguientes impulsores:

Gross margin (columna E) = Sell price – Buy Price.

Sell probability (columna Q) = ver la fórmula en la hoja¹⁰.

Not sell probability (sin columna) = 100% - Sell Probability

Expected margin (columna R) = Gross margin * Sell Probability/100.

Aggressiveness factor (columna S) = Rango de 0 a 1. Se ha seleccionado 0.8 para esta herramienta.

Stockout cover (columna T) = Sell price * Aggressiveness factor * Sell probability

Storage cost (columna U)

Expected inventory cost (columna V) = Storage cost * Not sell probability¹¹.

Utilizando los datos anteriores, el purchase reward para cada decisión de inventario a nivel micro (cada unidad de cada producto) se calcula de la siguiente manera:

Purchase reward (columna W) = Expected margin + Stockout cover + Expected inventory cost.

Una vez que tengamos la estimación del purchase reward, podremos calcular la puntuación final que usaremos posteriormente para clasificar todas las decisiones consideradas.

Score (columna Y) = Purchase reward / Investment (columna X)¹².

Dado que stockout cover es un impulsor difuso que incorpora tanto retornos directos como indirectos, purchase reward no es una reflexión estricta del retorno esperado de una decisión de inventario aislada. Si se desea calcular este tipo de retorno, se excluiría stockout cover de esta fórmula¹³.

4. Clasificación de Decisiones Factibles de Reposición de Inventario

Una vez que tenemos la puntuación para cada decisión de compra de inventario factible (para cada producto), se genera una lista que se ordena en orden descendente (de mayor a menor) en Ranked purchasing decisions (véase la Figura 13). Cada decisión de inventario factible se clasifica en términos de ROI positivo %. A cada decisión se le asigna también una clasificación ordinal (primero, segundo, tercero, etc.) (véase la columna A en la misma figura).

Ranked purchasing decisions presenta filas codificadas por colores para cada producto (teclados, bolígrafos y estanterías), utilizado aquí para demostrar cómo la elección de añadir una única unidad extra de cualquier producto dado interactúa con cada otra unidad extra de cada otro producto. Cada una de estas decisiones de inventario influye colectivamente en el ROI. Finalmente, se calcula un valor de inversión acumulada (columna AA, Figura 13). Este valor puede utilizarse para indicar cuándo se debe terminar con las decisiones de compra en función de las restricciones presupuestarias, aunque este es solo uno de los posibles indicadores de terminación¹⁴.

5. Determinando los Criterios de Terminación

A la hora de seleccionar un punto de terminación (tanto en Ranked purchasing decisions como en la realidad), los criterios variarán según una serie de variables. Por ejemplo, se podría tener un presupuesto modesto y, por tanto, maximizar el ROI es problemático dado unos márgenes especialmente ajustados. Alternativamente, es posible que se tenga un objetivo general de nivel de servicio y se deba equilibrar esta prioridad con el impulso de maximizar los márgenes de beneficio.

Para ser aún más específicos, los criterios de terminación podrían abarcar un impulso por maximizar el ROI con objetivos de nivel de servicio variables para cada producto o categoría. Los criterios de terminación son, por tanto, una elección estratégica que debe hacerse tras una reflexión sincera sobre los objetivos empresariales generales de la compañía. La Prioritized inventory replenishment (PIR) es notablemente flexible en este sentido; los criterios de terminación para cada ciclo de compra pueden ajustarse utilizando el mismo procedimiento general de clasificación.

Para obtener visualizaciones explícitas de nuestras posibles decisiones de reposición de inventario, existen tres gráficos para cada producto en el dashboard de Charts (hoja 3, véase la Figura 14). De particular interés es “Driving forces_product name” (en la Figura 14 se utiliza el ejemplo de Keyboard), que muestra la evolución del ROI dadas las diferentes cantidades de compra a nivel unitario.

Como es evidente en el gráfico, existe un punto en el que un incremento en las cantidades de compra resultará en un ROI negativo. Esto se debe a que, a cierto nivel, no tiene sentido comprar más unidades, ya que nuestros márgenes esperados se verán críticamente reducidos por el aumento de los expected inventory costs.

Una vez determinados los criterios de terminación, las decisiones de reposición de inventario priorizadas se agregan por SKU, lo que a su vez actualiza la Cantidad, Investment y Expected fillrate reached in Output-Purchase Recommendation para cada SKU (véase la Figura 15). Se pueden modificar las restricciones presupuestarias ($0 a $1450), lo cual actualizará, a su vez, la lista de compras recomendada. Para mayor comodidad, el control tower cuenta con dos bloques adicionales: Base Case – hard copy y Changes to base scenario. El primero es estático y muestra la configuración predeterminada para la demostración tal y como fue diseñada por Lokad; el segundo muestra la diferencia entre cualquier modificación realizada y la configuración predeterminada de Lokad.

La lista de recomendaciones de compra en Control tower representa el objetivo de esta demostración (véase la Figura 15).

6. Conclusión

Los forecasts tradicionales de series temporales son simplemente incapaces de capturar el nivel de granularidad necesario para tomar decisiones de reabastecimiento de inventario que reflejen la incertidumbre futura y la totalidad de las limitaciones y factores impulsores de uno. Esto es porque carecen de una dimensión explícita de incertidumbre, representada por valores de probabilidad para los resultados futuros esperados. Dado que una serie temporal tradicional es efectivamente ciega a este tipo de datos, un método clásico de afrontamiento como stock de seguridad equivale a una conjetura; si es insuficiente, se pierden ventas rentables con ROI esperado positivo; si es excesivo, se reduce el ROI al almacenar unidades que (como se demuestra en la hoja de cálculo) tienen ROI esperado negativo.

La reposición de inventario priorizada, utilizando probabilistic forecasts, es nuestra solución a este problema. Este enfoque considera las opciones de reabastecimiento de inventario en conjunto, en lugar de aisladas. Al hacerlo, la recompensa financiera esperada de nuestras decisiones de reabastecimiento de inventario puede ser completamente cuantificada y revelada. La base de este enfoque es abrazar la incertidumbre y aprovechar los insumos de probabilistic forecasts. A su vez, se puede obtener una mayor comprensión de qué niveles de servicio (por SKU) generan recompensas financieras significativas, en lugar de establecer metas arbitrarias.

El enfoque PIR demostrado en este documento fue construido utilizando datos sintéticos y parámetros reducidos. Estas decisiones se tomaron para adaptar una herramienta común (Excel) a un propósito poco común (PIR). Entre otras concesiones necesarias, los SKUs y las unidades se limitaron (a 3 y 100, respectivamente) para reducir el tiempo de procesamiento, ya que el volumen de datos de un catálogo completo (sin mencionar los datos de múltiples tiendas) sería demasiado laborioso de procesar. Además, no se añadieron restricciones de supply chain. Crucialmente, Excel no está diseñado para procesar variables aleatorias - un paso clave en la generación de probabilistic forecasts y en la política PIR. Estas limitaciones no se aplican a una solución PIR de grado de producción.

Los profesionales de supply chain cuyos negocios han superado Excel son bienvenidos a enviar un correo a contact@lokad.com para concertar una demostración de una solución PIR de grado de producción.

7. Overview of the Spreadsheet

7.1 Read Me

Esta hoja sirve como página de aterrizaje para el usuario. Hay un enlace a un tutorial en línea (el que estás leyendo ahora).

7.2 Micro purchasing decisions

Esta es la segunda hoja y está dedicada al análisis financiero de alta granularidad de todas las opciones de decisiones de reabastecimiento factibles. Tenga en cuenta que no se realiza manipulación manual de datos aquí. Esta hoja solo muestra los resultados de los cálculos basados en los insumos de las hojas Control Tower y Distribution generators.

Key features:

• Las filas con formato condicional son “decisiones pasadas” y no se pueden alterar. Recomendamos usar una aplicación de escritorio, ya que la versión de Excel basada en navegador a veces es poco confiable en términos de formato.
• Al pasar el cursor sobre cada encabezado de columna se revelará una definición o nota útil.

7.3 Charts

Esta es la tercera hoja y está dedicada a visualizar los principales impulsores que intervienen en las decisiones de reabastecimiento de inventario. Tenga en cuenta que no se realiza manipulación manual de datos aquí. Esta hoja está diseñada para ayudar al profesional a visualizar (y así comprender mejor) el funcionamiento interno del proceso PIR.

Key features:

• Tres gráficos por SKU (teclado, bolígrafo y estantería).
• El gráfico de “driving forces” visualiza los principales impulsores para cada decisión a nivel unitario (por cada SKU). Por ello, el eje x contiene únicamente las unidades de un SKU que aún no han sido pedidas.
• Otros dos gráficos (“increments of fill rate” y “probabilistic demand forecast”) contienen todas las unidades de stock – stock en mano y las unidades que se pueden pedir.

7.4 Ranked purchasing decisions

Esta es la cuarta hoja y está dedicada a listar todas las decisiones de reabastecimiento factibles, ordenadas por ROI/score de mayor a menor. Esta lista se genera automáticamente a partir de los datos de la hoja 2 (Micro purchasing decisions). Las decisiones factibles se muestran en relación unas con otras (véase “Key features” a continuación). Tenga en cuenta que no se realiza manipulación manual de datos aquí. Dependiendo de los cambios realizados en los insumos de las hojas 5 y 6, esta lista cambiará.

Key features:

• Las decisiones factibles de reabastecimiento de inventario se ordenan de mayor a menor según ROI/score.
• La inversión acumulada se calcula para las decisiones ordenadas (véase la columna AA en la hoja 4).
• Al pasar el cursor sobre cada encabezado de columna se revelará una definición o nota útil.

7.5 Control tower-mini optimizer

Esta es la quinta hoja y resume las suposiciones del modelo (insumos) y las decisiones recomendadas (resultados). Los datos en las celdas manipulables pueden modificarse para alterar las suposiciones del modelo y, por ende, sus resultados.

Key features:

• Tres bloques para asistir en la demostración: “Control tower” para la manipulación manual de insumos; “Base Case – Hard copy” para mostrar la configuración predeterminada; y “Changes to base scenario” para mostrar la diferencia entre la configuración actualizada y la predeterminada (véase la hoja 5).
• Un cuarto bloque (“Model Assumptions”), ubicado bajo “Control tower”, está dedicado a manipular las suposiciones de stock inicial (véase la hoja 5).
• Solo se pueden cambiar los datos en las celdas manipulables.

7.6 Distribution generators

Esta es la sexta hoja y está dedicada a la generación de probabilistic demand forecasts. Los parámetros en las celdas manipulables pueden modificarse, lo que hará que las distribuciones se actualicen y muestren nuevos valores de probabilidad de demanda.

Key features:

• Un gráfico de distribución por SKU.
• Cada SKU tiene un patrón de distribución diferente (razonamiento explicado en la sección 2.1).
• Hay una tabla a la izquierda de la serie de gráficos de distribución, dedicada a la manipulación de los parámetros de las distribuciones.
• Solo se pueden cambiar los parámetros en las celdas manipulables.
• Al pasar el cursor sobre los encabezados de columna relevantes (en la tabla) se revelará una definición o nota útil.

Notes