00:00:07 Stock de seguridad y sus inconvenientes.
00:00:39 Definición y concepto de stock de seguridad.
00:02:05 Orígenes del concepto de stock de seguridad y por qué sigue siendo popular.
00:04:10 Problemas con el stock de seguridad: ignorar la estacionalidad y supuestos irreales de distribución normal.
00:07:15 Situaciones donde el stock de seguridad no funciona y la necesidad de enfoques alternativos.
00:09:06 Cómo los stocks de seguridad subestiman el riesgo y conducen a sobreinventario.
00:12:00 La paradoja de los stocks de seguridad y su ineficiencia para abordar las incertidumbres.
00:13:20 Decisiones accionables y control en la gestión de supply chain.
00:15:00 Enfoques alternativos entre los stocks de seguridad y métodos probabilísticos.
00:16:00 Refinamiento de modelos paramétricos en supply chain.
00:18:54 El problema del desperdicio en el stock de seguridad y sus consecuencias.
00:20:37 El papel de los forecasts y su impacto en el stock de seguridad.
00:22:29 Abordando errores en la gestión de supply chain para mejoras.
00:23:01 Mensaje clave: No confíes en modelos matemáticos anticuados en supply chain.
Resumen
En esta entrevista, Kieran Chandler y el fundador de Lokad, Joannes Vermorel, discuten los inconvenientes del stock de seguridad en supply chain management. Stock de seguridad, el inventario adicional para amortiguar la variabilidad de la demanda, puede ser excesivamente conservador, resultando en sobreinventario y desperdicio. Su popularidad se debe a su simplicidad y a la mejora histórica sobre los cálculos manuales, pero no tiene en cuenta las complejas incertidumbres de la supply chain. El modelo se basa en una distribución normal para la demanda y los lead times lo cual es irrealista, y no se ajusta a grandes desviaciones o eventos sorpresivos. En cambio, Vermorel sugiere un enfoque probabilístico para una mejor optimización y gestión de inventario, mientras se abordan las consecuencias de la incertidumbre y se mejoran los procesos después del forecast.
Resumen Extendido
En esta entrevista, el presentador Kieran Chandler y el fundador de Lokad, Joannes Vermorel, discuten el concepto de stock de seguridad y sus deficiencias en la gestión de supply chain. El stock de seguridad se refiere al inventario adicional comprado para protegerse contra la variabilidad en la demanda y los lead times. A pesar de su simplicidad, este método es a menudo demasiado conservador, llevando a sobreinventario y desperdicio de inventario. La entrevista explora los orígenes del stock de seguridad, sus limitaciones y enfoques alternativos para los profesionales de supply chain.
El stock de seguridad surgió de la idea de que, dado un forecast de demanda, una empresa debe mantener más inventario del pronosticado para reducir el riesgo de faltante de stock. Este inventario adicional, o “stock de seguridad”, sirve como amortiguador para las posibles fluctuaciones en la demanda. Con el tiempo, la industria ha convergido en un método específico para calcular el stock de seguridad: asumir que la demanda futura y los lead times futuros están distribuidos normalmente (Gaussiano) y aplicar este modelo para determinar el buffer necesario.
Según Vermorel, la popularidad del stock de seguridad se puede atribuir a su nombre tranquilizador y al hecho de que, históricamente, representaba una mejora sobre los cálculos manuales. Las primeras computadoras en los años 60 y 70 tenían dificultades con cálculos más complejos, por lo que los cálculos de stock de seguridad ofrecían una solución lo suficientemente buena en ese entonces. Sin embargo, muchos profesionales continuaron confiando en el stock de seguridad incluso a medida que las capacidades computacionales avanzaron, lo que llevó a su uso generalizado hoy en día.
El problema fundamental con el stock de seguridad es la suposición de que toda la incertidumbre se puede reducir a una distribución normal tanto para la demanda como para los lead times. Este supuesto es particularmente problemático para los lead times. Al confiar en los cálculos del stock de seguridad, las empresas tienden a crear una fracción constante de su demanda como buffer, ignorando factores tales como la estacionalidad. Aunque los forecasts de demanda a menudo tienen en cuenta las fluctuaciones estacionales, la incertidumbre en estos forecasts no se ajusta de manera similar.
En resumen, el concepto de stock de seguridad, aunque simple y aparentemente tranquilizador, es defectuoso debido a su dependencia de supuestos de distribución normal para la demanda y los lead times. Este enfoque a menudo conduce a sobreinventario y a inventario desperdiciado, ya que no tiene en cuenta la compleja naturaleza de la incertidumbre en la supply chain. A medida que avanza la discusión, la entrevista pretende explorar métodos alternativos para la optimización de supply chain que vayan más allá de las limitaciones de los cálculos tradicionales de stock de seguridad.
La conversación comienza con un análisis del modelo clásico de stock de seguridad, el cual Vermorel argumenta es una pobre aproximación para gestionar las incertidumbres en supply chain.
Vermorel explica que la suposición del modelo de stock de seguridad de una distribución normal para la demanda y los lead times es irrealista. Por ejemplo, los lead times podrían ser consistentemente cortos, salvo en casos de faltante de stock de proveedor, lo que podría llevar a lead times mucho más largos. Esto da como resultado una distribución que no tiene forma de campana, sino más bien un pico alrededor del tiempo nominal y una cola larga para eventos raros.
El modelo de stock de seguridad también falla al no tener en cuenta grandes desviaciones o eventos sorpresivos que pueden tener un impacto significativo en las supply chain. Estos eventos, como la gripe aviar que afecta las ventas de pollo, no se consideran en el modelo de distribución normal. En la práctica, estas grandes desviaciones ocurren con la frecuencia suficiente para causar problemas.
Se podría suponer que una subestimación del riesgo conduciría a más faltantes de stock, pero en la práctica, los profesionales de supply chain se adaptan e inflan sus stocks de seguridad para compensar el riesgo subestimado. Lo hacen introduciendo factores de inflación, ya sea explícitamente o fijando objetivos de nivel de servicio más altos. Esto conduce a un sobreinventario, lo cual es contradictorio para un modelo diseñado para garantizar seguridad.
El problema de este enfoque es que el stock de seguridad inflado se aplica de manera uniforme a todos los productos, resultando en sobreinventarios e ineficiencias. Esto se agrava por profesionales que microgestionan sus forecasts pero luego inflan sus stocks de seguridad, esencialmente negando la precisión de sus cálculos.
Vermorel sugiere que un enfoque probabilístico es más adecuado para gestionar las incertidumbres en supply chain. Este enfoque reconoce que los stocks de seguridad son inseguros e ineficaces. En realidad, no existen montones separados de stock de trabajo y stock de seguridad en almacenes; solo hay un único conjunto de stock. La pregunta es si este stock es adecuado para servir a los clientes.
Para comunicar este mensaje a los clientes que insisten en tener un buffer de stock de seguridad, Vermorel enfatiza que los stocks de seguridad son inseguros e ineficaces. En cambio, un enfoque probabilístico que modele con precisión las incertidumbres en la supply chain puede conducir a una mejor optimización y gestión de inventario.
Vermorel explica que los stocks de seguridad pueden distraer a las empresas de centrarse en las decisiones que pueden tomar, como las órdenes de compra y las órdenes de fabricación. Afirma que los enfoques probabilísticos son más adecuados para la gestión de supply chain, ya que permiten un mejor control sobre las decisiones que afectan directamente a la supply chain.
Sin embargo, Chandler señala que los enfoques probabilísticos son complejos, ya que requieren diferentes curvas de demanda para cada artículo en un catálogo. Pregunta si existe una solución intermedia para supply chain executives que sea menos compleja que el enfoque de Lokad pero más avanzado que los cálculos de stock de seguridad. Vermorel admite que, aunque existe una paradoja en el análisis estadístico moderno, es posible utilizar modelos paramétricos más complejos. Sin embargo, estos modelos rápidamente se vuelven difíciles de manejar y comprender, a menudo derivando en una notación matemática opaca. Como resultado, Vermorel sugiere que puede ser más sencillo utilizar técnicas de machine learning que puedan ajustarse a cualquier distribución, aunque carezcan de fórmulas explícitas.
La conversación luego se centra en el problema del dinero desperdiciado debido a los stocks de seguridad. Vermorel cree que el enfoque en los stocks de seguridad y el forecast de la demanda está mal orientado, ya que no aborda otras fuentes de incertidumbre, como los lead times. También señala que la idea de un forecast perfecto es una ilusión, ya que los forecasts siempre serán imperfectos. En cambio, los profesionales de supply chain deberían centrarse en las consecuencias de la incertidumbre y trabajar en mejorar sus procesos después del forecast.
En muchas situaciones, es difícil mejorar significativamente sobre un promedio móvil bien ajustado para el forecast de demanda. Vermorel explica que culpar a los forecasts por las discrepancias a menudo es inútil, ya que los verdaderos problemas suelen estar en los pasos que siguen. Anima a los profesionales de supply chain a centrarse en mejorar estas áreas, ya que a menudo representan oportunidades de mejora de bajo costo para lograr ganancias sustanciales.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a explicar por qué este método no funciona y también a discutir cuáles son las alternativas que están a disposición de los profesionales de supply chain. Entonces, Joannes, antes de abordar los problemas del stock de seguridad, quizás deberíamos comenzar explicando un poco más sobre él. ¿Cómo definirías el stock de seguridad?
Joannes Vermorel: El stock de seguridad surgió de la idea de que, una vez que tienes un forecast, si colocas una cantidad de stock que es igual a tu forecast y si tu forecast está equilibrado, entonces tienes un 50% de probabilidad de quedarte sin stock. Esa es prácticamente la definición de un forecast de demanda equilibrado. Por lo tanto, como consecuencia, necesitas tener más stock del que pronosticas. Esta diferencia entre lo pronosticado y lo que realmente se necesita para cubrir razonablemente la demanda futura es lo que se conoce como stock de seguridad. El concepto general es agregar un buffer adicional sobre tu forecast promedio.
Sin embargo, hoy en día, el stock de seguridad tiene una definición mucho más restringida. La industria convergió en una forma de calcular el stock de seguridad, que básicamente es asumir que la demanda futura y los lead times futuros están distribuidos normalmente. Y al decir “normalmente”, me refiero a Gaussiano. Entonces, este modelo específico se aplica para calcular cuánto deberías colocar en este stock de seguridad.
Kieran Chandler: ¿Cuándo surgieron estas ideas y por qué es algo en lo que el mercado está tan obsesionado?
Joannes Vermorel: Creo que el nombre de stock de seguridad es bueno. Suena tranquilizador y nunca debemos subestimar el poder de una buena marca. Los stocks de seguridad se sienten más seguros. Parece ser una buena jugada decir, “Estamos actuando de manera segura, tenemos esos stocks de seguridad.” Si tienes que elegir entre un método seguro y uno inseguro, por supuesto, elegirías el seguro.
Así que, creo que tener un nombre pegadizo fue parte de lo que hizo exitoso este enfoque tan específico. Por otro lado, durante mucho tiempo, las computadoras eran extremadamente débiles. Pasamos de cálculos realizados a mano, donde una distribución normal era lo mejor que podíamos hacer —lo cual era mejor que no tener ninguna numerical recipe—. Luego, en la era de las primeras computadoras, a finales de los 60 y principios de los 70, fue lo suficientemente bueno. Creo que muchos profesionales simplemente se quedaron dormidos y todo el asunto se quedó allí.
Sin embargo, el concepto clave de tener la idea de este buffer adicional todavía tiene sentido hoy en día. Lo que no tiene sentido es decir que toda la incertidumbre se puede colapsar en una distribución normal, tanto para la demanda como para los lead times. Esto es especialmente absurdo en lo que respecta a los lead times.
Kieran Chandler: Esta idea de que es inseguro podría parecer un poco extrema para algunas personas. ¿Por qué pensamos que es un poco inseguro? ¿De dónde provienen estas dificultades clave con el stock de seguridad?
Joannes Vermorel: El stock de seguridad, para darte una idea de cómo funciona, comienza con tu demanda. Lo que terminas haciendo es crear un stock que es una cierta fracción de la demanda. Así, si pronosticas 100, podrías agregar 80 unidades, lo cual es el 80% de tu demanda original, y ese es tu stock de seguridad. Esa es una consecuencia directa de elegir un nivel de servicio específico con un supuesto de distribución normal sobre la demanda.
El problema es que al hacer esto, ignoras completamente la estacionalidad. Tu forecast de demanda suele ser estacional, y eso es muy previsible. Pero la realidad es que la incertidumbre también es estacional.
Kieran Chandler: Estás sugiriendo que el modelo clásico de stock descarta por completo todos los patrones que afectan la incertidumbre. También mencionas que aplicar una distribución normal a la demanda es bastante exagerado. ¿Puedes elaborar un poco más sobre eso?
Joannes Vermorel: Por supuesto. Aplicar una distribución normal, particularmente a los lead times, puede ser engañoso. Por ejemplo, considera a un proveedor que generalmente te entrega en dos días. En Europa, generalmente se tarda solo un día en enviar los artículos, por lo que tu lead time suele ser de dos días. Sin embargo, si tu proveedor experimenta un faltante de stock, el retraso podría ser de hasta tres meses.
Kieran Chandler: Entonces, ¿no es una curva en forma de campana, verdad?
Joannes Vermorel: Absolutamente no. Es un patrón completamente diferente. Vemos un pico significativo alrededor de tu lead time nominal, seguido de la posibilidad de retrasos extensos. Esto ocurre si te enfrentas a un evento específico, como un faltante de stock de proveedor. Por lo tanto, es una mala aproximación modelar esto como una distribución normal — es como intentar encajar un cuadrado en un círculo.
Kieran Chandler: ¿Esto implica que cualquier pequeña variabilidad o incertidumbre interrumpe la efectividad del stock de seguridad?
Joannes Vermorel: De hecho, cualquier elemento que pueda interrumpir el status quo, que pueda desencadenar una situación donde la demanda de un producto se evapora, hace inadecuado el modelo de stock de seguridad. Por ejemplo, si estás vendiendo pollo, y se reporta un brote de gripe aviar, la gente podría dejar de consumir pollo durante seis meses. Esta es una desviación significativa de la norma, y no se considera en una distribución normal.
Kieran Chandler: Entonces, ¿son comunes las grandes desviaciones en las supply chains reales?
Joannes Vermorel: Sorprendentemente, sí. Aunque no ocurren constantemente para todos los productos, cualquier gran empresa tendrá al menos algunas grandes sorpresas cada trimestre. Sin embargo, los modelos de safety stock sugieren que tales grandes desviaciones no existen. Cuando optimizas tu supply chain bajo esta suposición, y luego ocurren tales desviaciones, puede resultar muy costoso.
Kieran Chandler: Dadas estas irregularidades y sorpresas, ¿sería mejor un enfoque probabilístico? ¿Cuáles son los beneficios clave de este enfoque sobre los safety stocks?
Joannes Vermorel: Cuando tienes un modelo que subestima significativamente tu riesgo, puede conducir a niveles de stock inadecuados stock levels. En teoría, el safety stock debería contrarrestar esto amortiguando la demanda inesperada. Sin embargo, en la práctica, los profesionales de supply chain se adaptan de una manera que puede exacerbar el problema. Utilizan modelos de safety stock que subestiman el riesgo, apuntando a un alto nivel de servicio, como el 98%. Pero debido a que el riesgo está subestimado, el nivel de servicio real es inferior.
Kieran Chandler: En términos de eventos extremos tanto en el tiempo como en la demanda, es probable que obtengas, digamos, un nivel de servicio del 85 por ciento. Esto está muy lejos de tu objetivo del 98 por ciento para el nivel de servicio. ¿Entonces, qué haces?
Joannes Vermorel: Utilizas la bala de plata, que es un parámetro multiplicativo extra para tu safety stock. Comienzas con tu modelo con la suposición de distribución normal, luego, debido a que literalmente todos los que han estado utilizando safety stock se han dado cuenta de que tenemos estos problemas, necesitamos inflar nuestros safety stocks. Las empresas van a introducir estos factores de inflación de dos formas. O bien, introduces explícitamente un factor, o bien, indicas en el software que deseas un nivel de servicio del 98 por ciento, pero ingresas 99.9 porque es la manera de obtener empíricamente ese 98 por ciento.
Lo que está ocurriendo es que, debido a que tu modelo subestima tu riesgo, inflas tus safety stocks de manera bastante uniforme. Esto crea un problema significativo al generar excesos de stock sustanciales. La paradoja es que tienes un modelo que subestima el riesgo, por lo que inflas tus safety stocks en todas partes y, al final, generas muchos excesos de stock. Es curioso porque comienzas con algo que se llama safety stocks, pero es inherentemente inseguro debido a este mismo proceso.
Kieran Chandler: Entonces, lo que estás diciendo es que siempre estás afinando para un escenario de peor caso. Todos afinan para ese día cuando realmente necesitan el stock, y luego, si el stock o la demanda cambia, siguen teniendo ese factor de seguridad adicional en su lugar.
Joannes Vermorel: Sí, y vas a tener este safety stock adicional en todas partes. Las personas van a micromanipular sus forecasts, pasando mucho tiempo afinando el forecast. Calcularán todo hasta el último gramo para ser súper precisos y luego, gracias a este safety stock, lo redondean todo a la siguiente tonelada métrica, simplemente porque tienen este factor de inflación que se aplica de manera uniforme en todos los productos. Estoy un poco estereotipando, pero es una aproximación vaga de lo que realmente está ocurriendo o de lo que he visto suceder muchas veces.
Kieran Chandler: Entonces, ¿cómo lidias con aquellos clientes que están convencidos de que necesitan ese valor de safety adicional, ese safety stock, ese amortiguador? ¿Cuál es el mensaje clave que necesitas transmitirles?
Joannes Vermorel: El mensaje clave es, primero, que los safety stocks son inseguros y también ineficaces. Es una ficción. En tu almacén, no tienes dos tipos de stock; stock operativo que atiende la demanda y safety stocks que atienden la incertidumbre. Solo tienes un montón de stock. La pregunta es si esa cantidad de stock es adecuada para atender a tus clientes. En realidad, no tienes tanto control sobre el nivel de stock porque no controlas la demanda de los clientes. Lo que sí controlas son las órdenes de compra o las órdenes de fabricación que emites.
El problema con los safety stocks es que te distraen de las decisiones que puedes tomar y que están en tus manos y que tienen un impacto físico real en tus supply chains, tales como las órdenes de compra, órdenes de suministro o órdenes de fabricación. El mensaje clave sería enfocarse en la decisión que estás tomando, y no en los parámetros relativamente arbitrarios de tu ERP.
Kieran Chandler: El problema con un enfoque probabilístico es que es relativamente complejo. Tienes una curva de demanda diferente para cada artículo en tu catálogo, mientras que lo bueno del safety stock es que es relativamente simplista. Solo estás agregando un cierto amortiguador para cada artículo. ¿Existe algo intermedio para los ejecutivos de supply chain que puedan utilizar? ¿Algo no tan complejo como el enfoque probabilístico de Lokad, pero un poco mejor y más avanzado que una aproximación de safety stock?
Joannes Vermorel: Creo que estamos tocando una pequeña paradoja del análisis estadístico moderno. El safety stock es un enfoque paramétrico en estadística, en el que tienes un modelo con parámetros tales como la media y la varianza, y utilizas este modelo para ajustar los parámetros. Sin embargo, puedes darte cuenta rápidamente de que este modelo paramétrico es completamente inadecuado para la situación, como un cuadrado es una muy mala aproximación de un círculo. Puedes intentar agregar más complejidad al modelo, pero muy pronto se vuelve críptico y difícil de entender para los profesionales de supply chain.
Podrías optar por modelos explícitos más complejos, pero estos se vuelven muy difíciles en términos de notación matemática. En realidad, es más sencillo utilizar técnicas de machine learning, que son un poco más opacas pero pueden ajustarse a cualquier tipo de distribución. La realidad es que, al querer combinar adecuadamente la incertidumbre de los plazos de entrega con la demanda, no puedes esperar una fórmula simple y cerrada. Va a ser complicado, pase lo que pase, pero también es necesario tener en cuenta las interacciones sutiles entre los plazos de entrega y la demanda.
Kieran Chandler: Hemos hablado mucho sobre el desperdicio en el safety stock y de que es dinero desperdiciado. ¿Por qué es algo que la gente no ha intentado mejorar, y por qué no se le ha prestado atención?
Joannes Vermorel: Creo que es porque el safety stock es bien entendido por muchos profesionales de supply chain. Tienden a subestimar que tener una buena comprensión de la demanda futura es solo el comienzo. La demanda futura no es la única fuente de incertidumbre; los plazos de entrega futuros son otra fuente, y hay otros problemas también. Los profesionales pueden distraerse con el forecast puro de la demanda, y también existe la ilusión de que, si pueden solucionar el problema del forecast de una vez por todas, todos los demás problemas se resolverán.
Kieran Chandler: Parece que existe la creencia de que tener un forecast perfecto elimina todos los demás problemas. Sin embargo, sugieres que esto es una ilusión, y que lo que debemos hacer es abrazar el enfoque probabilístico, reconociendo que el forecast siempre será imperfecto. ¿Puedes profundizar en esto?
Joannes Vermorel: Absolutamente. El enfoque probabilístico se trata de renunciar al sueño de un forecast perfecto. Es aceptar que los forecasts siempre serán imperfectos y lidiar con las consecuencias de esta imperfección. Por ejemplo, una de las consecuencias es la necesidad de comenzar a considerar el impacto de las incertidumbres, tales como los safety stocks, que son una manera muy cruda de modelar las consecuencias de esta incertidumbre.
Kieran Chandler: Entonces, ¿estás sugiriendo que se culpa al forecast innecesariamente?
Joannes Vermorel: Sí, eso es exactamente lo que estoy diciendo. Con los safety stocks, la gente tiende a culpar al forecast cuando, en realidad, el forecast estaba tan bueno como podía estar. Es difícil hacerlo mucho mejor que un promedio móvil bien ajustado. Claro, puedes mejorarlo un poco considerando factores como la estacionalidad, pero incluso entonces, es difícil reducir el error en más de un tercio. Así que, culpar al forecast es irrelevante. Muy a menudo, los errores reales se cometen después, y ahí es donde podemos hacer mejoras significativas.
Kieran Chandler: Mientras concluyamos, ¿cuál es el mensaje clave para los ejecutivos de supply chain? ¿Deben empezar a descartar sus cálculos de safety stock y abrazar los faltantes de stock, o entender mejor sus forecasts?
Joannes Vermorel: El mensaje clave es no confiar en modelos matemáticos que fueron inventados principalmente para el cálculo manual. No es razonable gestionar tu supply chain basándote en un método que no requiere computadoras. Así como no tendría sentido tener un gran número de mochilas por si acaso los camiones dejan de funcionar. El problema con los safety stocks es que persisten debido a un buen branding y a lo que parece ser una oscura tecnicidad de la optimización de supply chain. Sugeriría desafiar tus suposiciones al tratar la optimización numérica de tu supply chain. No necesitas ser un matemático para hacerlo. Solo verifica si estas suposiciones se corresponden con la realidad de tu supply chain.
Kieran Chandler: Ya veo, entonces, ¿podríamos ver un cambio de referirnos a “safety stocks” a “unsafety stocks” en el futuro?
Joannes Vermorel: ¿Quién sabe? Muy bien podría ser el caso.
Kieran Chandler: Gracias, Joannes. Eso es todo por esta semana. Gracias a nuestros oyentes por sintonizar, y nos vemos la próxima vez. Adiós por ahora.
