00:00:07 Planificación de requerimientos de materiales impulsada por la demanda (DDMRP)
00:00:39 La gran idea detrás de DDMRP y el MRP tradicional
00:02:21 Tiempo de entrega desacoplado en DDMRP y su impacto en el supply chain
00:05:42 Ecuación de flujo neto en DDMRP y su efectividad
00:07:48 La importancia de distinguir la demanda conocida de la demanda desconocida en DDMRP
00:09:00 Explosión desacoplada y sus consecuencias.
00:10:25 Selección manual de puntos de desacoplamiento y preocupaciones sobre la intervención humana.
00:12:02 La importancia de la optimización numérica impulsada por máquina.
00:14:00 La prioridad relativa de DDMRP y los problemas para mantener los supuestos fundamentales.
00:16:01 Crítica a la optimización de porcentajes en lugar de centrarse en los impulsores económicos.
00:17:18 Comparando la efectividad de DDMRP y Flow Casting.
00:18:37 La falta de aportes restantes de DDMRP cuando se eliminan las recetas numéricas disfuncionales.
00:19:48 La utilidad del promedio móvil en el dominio de la frecuencia como aportación de DDMRP.
00:22:12 Reflexiones finales.
Resumen
En una entrevista, Kieran Chandler y Joannes Vermorel discuten la Planificación de Requerimientos de Materiales Impulsada por la Demanda (DDMRP), un método para mejorar la eficiencia del supply chain utilizando puntos de desacoplamiento o stock buffers. Aunque DDMRP tiene innovaciones como el desacoplamiento estratégico, la ecuación de flujo neto, la explosión desacoplada y la prioridad relativa, Vermorel plantea preocupaciones sobre su dependencia de la intervención manual y el enfoque en la optimización. Él enfatiza la necesidad de automatización y de priorizar los economic drivers sobre los porcentajes. Vermorel sugiere que los algoritmos modernos de optimización numérica harían redundante a DDMRP, pero reconoce su valioso aporte al usar promedios móviles en el dominio de la frecuencia para patrones de demanda erráticos. En general, él cree que las técnicas modernas son mejores para la supply chain optimization.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, discute la Planificación de Requerimientos de Materiales Impulsada por la Demanda (DDMRP) con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la supply chain optimization. Ellos exploran la gran idea detrás de DDMRP, sus aplicaciones prácticas y las cuatro innovaciones principales que afirma ofrecer.
DDMRP es un método de planificación y ejecución de múltiples niveles que tiene como objetivo mejorar la eficiencia del supply chain mediante la colocación estratégica de puntos de desacoplamiento o stock buffers. Estos puntos de desacoplamiento están diseñados para ayudar a las organizaciones a superar las limitaciones de los softwares clásicos de Planificación de Requerimientos de Materiales (MRP), los cuales pueden tener dificultades para realizar cálculos precisos en un supply chain complejo.
Vermorel explica que el software MRP funciona representando las relaciones entre los distintos componentes y subcomponentes en un producto, como un coche, en forma de gráfico. Este gráfico representa las dependencias entre las diferentes partes y ayuda a calcular los requisitos para producir el producto terminado. Sin embargo, el software MRP a menudo carece de precisión y puede producir resultados pobres.
DDMRP intenta mejorar estas limitaciones introduciendo puntos de desacoplamiento en el gráfico. Estos puntos representan componentes o partes que tienen inventario, lo que significa que se puede asumir que están siempre disponibles. Esto permite el cálculo de lead times que son numéricamente mucho más bajos que los que produciría el software MRP clásico. Vermorel señala que, aunque este enfoque puede mejorar la línea base proporcionada por el MRP tradicional, aún está lejos de lo que se podría lograr con métodos numéricos modernos.
Una de las críticas que plantea Vermorel acerca de DDMRP es que, aunque los puntos de desacoplamiento pueden reducir los lead times calculados, el supply chain todavía conserva una cantidad significativa de inercia. Esto significa que, a pesar de la apariencia de mejoras, el desempeño real del supply chain puede no estar tan optimizado como parece.
El desacoplamiento estratégico implica introducir puntos en el supply chain donde los lead times pueden ser reducidos, acortando así el lead time total. Vermorel sostiene que, aunque este enfoque puede reducir numéricamente los lead times, no disminuye de manera significativa la inercia en la red en su conjunto. El desafío radica en el problema semántico de entender cómo los puntos de desacoplamiento estratégicos afectan al supply chain en su totalidad.
La ecuación de flujo neto, el segundo punto de discusión, es un método simplista para mantener los puntos de buffer en el supply chain. Considera el stock disponible, restando la demanda garantizada o las unidades calificadas, para determinar el stock restante para atender la demanda incierta. Vermorel cree que es correcto que DDMRP (Demand Driven Material Requirements Planning) distinga entre demanda conocida y desconocida. Muchas de las primeras implementaciones de ERP (Enterprise Resource Planning) pronosticarían ingenuamente toda la demanda, incluyendo la porción que ya está garantizada. Vermorel argumenta que este enfoque es fundamentalmente defectuoso, ya que intenta predecir un futuro que ya es conocido, lo que conduce a dificultades en el forecast.
La tercera innovación clave discutida es la explosión desacoplada, que aborda las consecuencias de introducir dos tipos de nodos en el gráfico del supply chain: nodos maestros y puntos de desacoplamiento. Los puntos de desacoplamiento son ubicaciones en el supply chain donde la propagación de los lead times se detiene en el cálculo (pero no en la realidad), y se mantiene un cierto grado de inventario. La explosión desacoplada consiste en simplificar la Bill of Material (BOM) al omitir los nodos secundarios y conectar directamente con los puntos de desacoplamiento. Esta simplificación del gráfico tiene como objetivo agilizar el proceso del supply chain.
Vermorel expresa su preocupación por la dependencia de la intervención manual en la gestión del supply chain, específicamente en lo que respecta a la introducción de un “Yokai” en el gráfico para mitigar las consecuencias sin sentido de recetas numéricas simplistas numerical recipes. Explica que los practicantes del supply chain a menudo son responsables de elegir los puntos de desacoplamiento, los cuales pueden no ser estables o consistentes con el tiempo. Esto se debe a la naturaleza cambiante del entorno del supply chain, así como a la posibilidad de que los proveedores cambien sus estrategias o ubicaciones.
La discusión enfatiza la necesidad de automatización en este proceso, ya que depender de la intervención humana puede conducir a ineficiencias e imprecisiones. Vermorel señala que no es un buen uso del tiempo de los practicantes del supply chain seleccionar manualmente los puntos de desacoplamiento para productos complejos con miles de partes. Esto es especialmente cierto dado que las condiciones del mercado están en constante cambio, lo que dificulta a los practicantes predecir o tener en cuenta con precisión cada variable.
Pasando al concepto de prioridad relativa en la gestión del supply chain, Vermorel explica que esto implica clasificar los ítems en términos de la cantidad de stock objetivo. Si bien este método tiene mérito, él cree que sería más efectivo clasificar los ítems en función de sus fortalezas económicas. La introducción de nodos de primera clase al estilo DDMRP (demand-driven material requirements planning), o puntos de desacoplamiento, en el gráfico del supply chain se basa en la suposición de que el stock siempre está disponible. Cuando se viola esta suposición, todo el sistema puede fallar.
Las prioridades relativas pretenden abordar este problema al dar prioridad a los ítems que se desvían más de la suposición central de disponibilidad continua. Aunque Vermorel reconoce que esto es una parte sensata de la metodología general, también señala que aún implica un nivel de intervención y priorización humana, lo cual puede no ser el enfoque más eficiente o preciso.
Discuten la efectividad de la Planificación de Requerimientos de Materiales Impulsada por la Demanda (DDMRP) en la optimización del supply chain. Vermorel critica DDMRP, afirmando que se centra en optimizar porcentajes en lugar de optimizar aspectos financieros como el costo del stock, el desperdicio y la falta de servicio. Argumenta que las decisiones de supply chain deberían priorizarse de acuerdo con los objetivos comerciales generales expresados como economic drivers.
Vermorel compara DDMRP con flowcasting, señalando que, aunque flowcasting tiene algunas matemáticas fundamentalmente incorrectas, ofrece insights valiosos que permanecerían relevantes incluso después de corregir las matemáticas. Por otro lado, DDMRP se considera una mejora incremental sobre una línea base defectuosa. Vermorel sugiere que el uso de algoritmos modernos de optimización numérica haría redundante a DDMRP.
A pesar de las críticas, Vermorel reconoce un insight positivo de DDMRP: el uso de promedios móviles en el dominio de la frecuencia, en contraposición al dominio del tiempo. Explica que promediar la demanda sobre un período fijo (dominio del tiempo) es menos efectivo que promediar la demanda sobre las últimas 100 unidades servidas (dominio de la frecuencia). Este enfoque se comporta mejor numéricamente al tratar con patrones de demanda erráticos y puntiagudos. En conclusión, Vermorel ve valor en el análisis en el dominio de la frecuencia en DDMRP, pero cree que las técnicas modernas de optimización numérica están mejor adaptadas para la optimización del supply chain.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a entender si este método realmente funciona en la práctica al observar las cuatro grandes innovaciones. Entonces, Joannes, tocamos el tema en la introducción, pero ¿cuál es la gran idea detrás de DDMRP?
Joannes Vermorel: La gran idea es que se parte de una perspectiva muy clásica del MRP, en la que todo se reduce al análisis de un gráfico de dependencias. Solo para aclarar para quienes nos escuchan, digamos que quieres construir un producto terminado, como un coche. Necesitas partes, pero las partes que necesitas para un coche son en sí mismas ensamblajes que también requieren sus propias partes. Así, tienes una jerarquía de componentes, como un coche que necesita una unidad de aire acondicionado, y la unidad de aire acondicionado necesita una bomba, una válvula, y así sucesivamente. Cuando piensas en un producto y todas las partes que necesita, básicamente es un gráfico matemático, similar a un mapa del metro con sus líneas.
Este gráfico comienza con el producto terminado en la parte superior y se expande hacia los subcomponentes, y luego cada componente tiene sub-subcomponentes y así sucesivamente, de manera recursiva. Si tienes un producto muy complejo, puedes tener un gráfico muy complejo que representa todas las partes hasta los materiales más básicos. El MRP, el software de planificación de recursos de manufactura, primero representa esta información, de modo que puedes tener representado este gráfico de dependencias. Luego, realiza una serie de cálculos para ayudarte a producir y ejecutar todos esos requisitos para obtener los productos terminados. Típicamente, no hace un trabajo tan bueno al realizar muchos de esos cálculos, y DDMRP proporciona una serie de recetas para hacerlo funcionar mejor.
Kieran Chandler: Entonces, ¿cómo funciona eso realmente en la práctica, y dirías que es en cierto modo una simplificación excesiva?
Joannes Vermorel: La primera innovación que afirman es el desacoplamiento de los lead times. Debemos darnos cuenta de que su línea base para la mejora son recetas numéricas sin sentido, increíblemente ingenuas desde una perspectiva de optimización numérica. Si eliges correctamente los puntos de desacoplamiento, mejorarás en comparación con una línea base muy pobre. Te vuelves menos disfuncional, pero eso no significa que estés ni cerca de lo que podrías obtener con métodos numéricos modernos reales.
La idea clave de los puntos de desacoplamiento es que, en lugar de que cada nodo sea como cualquier otro nodo, decidimos que tenemos ciudadanos de primera clase, los puntos de desacoplamiento, y ciudadanos de segunda clase donde no se desacoplan. En cada punto que se desacopla, esta parte o componente va a tener inventario, y por lo tanto se puede asumir que esto está siempre disponible. En lugar de tomar el camino más largo para la manufactura, tomas el camino más largo hasta la manufactura hasta que llegas a uno de esos puntos de desacoplamiento.
Pero mi primera crítica al lead time desacoplado es que, sí, cuando introduces esos puntos de desacoplamiento, terminas con un lead time que es numéricamente mucho más bajo. Sin embargo, tu supply chain aún tiene mucha más inercia. Has manipulado la forma en que calculas el lead time al introducir esos puntos de desacoplamiento.
Kieran Chandler: Pero la inercia aún existe, estamos más allá de lo que dices. Así es como terminan diciendo que introdujimos puntos estratégicos de desacoplamiento y podemos reducir el lead time en un 80%. Hablando numéricamente, terminas con un lead time mucho más corto, pero la realidad es que no has reducido la inercia que tienes en tu red en general por un factor tan grande como el que tienes con esos puntos de desacoplamiento. Hay un problema semántico aquí, y tal vez lo aborde en los conceptos. Pasemos al segundo punto de iteración en DDMRP, la ecuación de flujo neto. Básicamente, es una forma de mantener esos puntos buffer y, por lo tanto, usar cosas como pre-orders, cosas que ya sabemos que van a suceder. ¿Qué tan bien funciona esto realmente en la práctica?
Joannes Vermorel: La ecuación de flujo neto tiene algo de sentido, en realidad. Es una ecuación increíblemente simplista: el stock disponible menos la demanda ya garantizada, lo que ellos llaman unidades calificadas. Entonces, lo que tienes con eso es el stock que queda disponible para atender la demanda incierta. La ecuación de flujo neto te da la cantidad de stock que tienes para cubrir aquellas cosas que no son ya una cuestión pura de ejecución, porque ya sabes que van a llegar con casi ninguna incertidumbre.
Creo que DDMRP es correcto para distinguir las cosas muy separadas que ya se conocen de lo desconocido. Por ejemplo, si tienes un proceso de manufactura complejo y quizá estás atendiendo a otros clientes industriales y el cliente puede decirte dentro de dos meses, “Quiero que se entreguen mil unidades en esta fecha,” y tienes tiempo para hacerlo, en ese punto debes ejecutar esta entrega. No se involucra ningún forecast. Si tus tiempos de entrega son inferiores a dos meses en total, entonces básicamente se trata de una cuestión pura de ejecución sin incertidumbre alguna.
Por supuesto, la gente aún puede cancelar sus pedidos y demás, pero digamos que es bastante seguro. Es muy diferente a que, quizá dentro de dos meses, aparezca un cliente y realmente pida mil unidades. Creo que DDMRP es totalmente correcto al afirmar que no se debe intentar tener este tipo de enfoque super ingenuo, que es forecast de todo, incluso lo que ya se conoce.
La pregunta es, ¿por qué incluso están afirmando eso? Bueno, es porque la mayoría de los sistemas ERP, muchas de las implementaciones tempranas, estaban haciendo cosas increíblemente ingenuas. Decían, “Simplemente vamos a tomar el camino fácil, que es como el camino tonto,” y forecast la demanda, toda ella, incluida la parte que ya está garantizada. Pero es muy tonto porque entonces se está tratando de adivinar un futuro que ya se conoce, y ¿adivina qué? Es muy difícil forecast. Así que, si ya sabes algo sobre el futuro, ni siquiera deberías tratar de usar estadísticas para descubrirlo, ya lo sabes.
Kieran Chandler: Si pasamos a la tercera innovación clave, esta llamada “explosión desacoplada” suena realmente dramática. ¿Qué está pasando aquí?
Joannes Vermorel: Esta es otra consecuencia de introducir dos tipos de nodos en tu gráfico de requerimientos. Recuerda, introdujimos nodos master en el gráfico que son esos puntos de desacoplamiento, que son los puntos que detienen la propagación del tiempo de entrega en el cálculo, no en la realidad, sino en el cálculo, y que son los puntos donde querrás asegurar cierto grado de inventario. Lo que dicen es que en lugar de permitir que la lista de materiales se propague de nodo a nodo directamente diciendo, “Tomo la lista de materiales y se propaga a mis nodos padres, los subcomponentes que
Kieran Chandler: Mis padres, los subcomponentes que necesito para construir el producto terminado, estoy diciendo que básicamente cuando se desacoplan, dicen que la lista de materiales, vamos a saltarnos completamente todos los nodos de segunda categoría para saltar directamente a los puntos de desacoplamiento. Así que, de alguna manera, nuevamente, es una técnica de simplificación de gráficos. Quiero decir, se basa en esta jerarquía en el gráfico que fue introducida con nodos de primera categoría y nodos de segunda categoría. Y, ¿quién está eligiendo en realidad esos nodos de primera categoría, si estás mirando algo como un avión, que tiene millones de niveles diferentes? Quiero decir, ¿quién está tomando realmente esas decisiones?
Joannes Vermorel: Los profesionales de supply chain, lo cual también es para mí una gran causa de preocupación, porque básicamente, sí, puedes introducir manualmente una jerarquía en un gráfico para mitigar las consecuencias sin sentido de recetas numéricas muy simplistas. Así que sí, eso funcionará de alguna manera. Pero, en efecto, terminas con profesionales de supply chain que necesitan introducir manualmente tales puntos de desacoplamiento. ¿Y adivina qué? En realidad, no es estable. Lo que sería una buena elección para esos puntos de desacoplamiento no es algo estable. ¿Por qué? Porque si hay una pieza que decides externalizar, ya sabes, para comprar de un proveedor o para comprar de un proveedor que esté más cerca o, por el contrario, mucho más distante, puedes cambiar de forma bastante profunda lo que está ocurriendo en torno a lo que dependa de esta pieza en tu red de supply chain.
Por lo tanto, tus puntos de desacoplamiento deberían, técnicamente, incluso si funciona de alguna manera introducir esta jerarquía en el gráfico, no existir ninguna razón para pensar que son estacionarios y que puedes seleccionarlos una sola vez para que sean buenos para siempre. Así que mi perspectiva es que esto debería hacerse de manera completamente automática. Ya sabes, aquí estamos hablando de recetas numéricas, y decimos que tenemos una receta numérica disfuncional, y decimos que con muchas ideas y ajustes humanos, podemos tener una receta numérica que sea un poco mejor.
Kieran Chandler: De acuerdo, básicamente, cuando los humanos se involucran, siempre logramos estropear las cosas de alguna manera.
Joannes Vermorel: Sí, pero además, no se está haciendo un buen uso del tiempo de esos profesionales de supply chain. Quiero decir, como estabas describiendo, si tienes un producto complejo con miles de partes, ¿por qué querrías invertir potencialmente cientos, si no miles, de horas hombre de tus expertos en supply chain para seleccionar manualmente esos puntos de desacoplamiento? Podrías decir, oh, tienen ideas tan increíbles, ¿no? Pero la realidad es que es muy ruidoso. Miles de partes, las condiciones del mercado están cambiando constantemente, no necesariamente de forma radical, pero al menos cambiando un poco todo el tiempo. Así que, necesitamos refrescar eso. Es algo que, de forma profunda, debería hacerlo la máquina. Ya sabes, no hay valor añadido. Es un caso puro de optimización numérica.
Kieran Chandler: Bien, pasemos a la innovación final aquí, que es la prioridad relativa. Básicamente se trata de clasificar en términos de la cantidad de stock objetivo, y supongo que hay grandes críticas aquí. Preferiríamos clasificar por fortalezas económicas, ¿estás de acuerdo con eso?
Joannes Vermorel: Sí, pero nuevamente, también varias cosas. Primero, esas prioridades relativas, ¿por qué se introducen? Quiero decir, parten de la idea de que el MRP clásico tiene una perspectiva binaria sobre cosas como, “¿Estoy bien o no estoy bien?” Y dicen, “¿Por qué? Es, ya sabes, crudo, super crudo.” Y la respuesta es, sí, es tan crudo hasta el punto de que
Kieran Chandler: Eso es completamente absurdo y, de nuevo, en los años 50, la gente en términos de optimización numérica ya estaba haciendo cosas que eran más inteligentes que eso. Así que, una línea base muy, muy mala. Bien, ahora, todo el estilo DDMRP introduce nodos de primera categoría llamados esos puntos de desacoplamiento en tu gráfico, y tienes una suposición que viene con ello, que es que el stock siempre está disponible. Entonces, cuando esta suposición se viola, obviamente, todo se desmorona porque tu explosión desacoplada se construye sobre esta suposición, tus horizontes de tiempo descompuestos están basados en esta suposición. Por lo tanto, básicamente, necesitas volver a encarrilar tu sistema de supply chain con tu suposición central, y básicamente las prioridades relativas al precio dicen que debes actuar con rapidez para las cosas que se desvían más de tu suposición central, que es la disponibilidad continua para esos puntos de desacoplamiento.
Joannes Vermorel: Es cierto, en efecto, eso tiene sentido, es parte de la receta. Pero también, adivina qué, terminas con una priorización que es en parte incorrecta. Estoy cuestionando la misma motivación, la motivación es volver a encarrilar el sistema con respecto a la suposición de que necesitas tener DDMRP para funcionar en primer lugar. Es como la serpiente que se muerde la cola. Introduces una metodología, esta metodología viene con sus suposiciones, y tus cálculos numéricos no garantizan que esas suposiciones se mantendrán durante el curso del sistema. Así que, necesitas introducir ajustes para tener algún tipo de bucle de retroalimentación que te permita volver a encarrilarte con respecto a tus propias suposiciones. Pero eso no significa que volvamos a encarrilar algo alineado con el objetivo final del negocio, y ahí radica mi crítica. Estás optimizando contra porcentajes, como porcentaje de precisión, porcentaje de cumplimiento, porcentaje de niveles de servicio, lo cual, nuevamente, optimizar en porcentaje es algo malo. Quieres tener porcentajes en euros, y eso se conecta con la perspectiva final, que es el costo del stock, el costo del desperdicio, el costo de la falta de servicio. Y, por otro lado, tienes todos los costos y recompensas de servir a los clientes a tiempo.
Así que, estoy completamente de acuerdo con la idea de priorizar las decisiones, pero estoy en total desacuerdo con la idea de priorizar decisiones para poder retroalimentar tu metodología. Necesitas priorizar las decisiones de modo que se retroalimente con los objetivos empresariales globales expresados como impulsores económicos para el negocio en su conjunto. Es decir, lo que tu supply chain está entregando en su totalidad.
Kieran Chandler: Bien, ahora comencemos a juntar las cosas. Hemos descrito muchas de las fallas de DDMRP. ¿Deberíamos descartarla completamente como técnica?
Joannes Vermorel: Es interesante porque, la semana pasada, estábamos discutiendo flow casting. Lo de flow casting tenía unas matemáticas que eran dramáticamente incorrectas, y por lo tanto incluso degradaban la situación en comparación con la línea base, que ya era bastante mala. Pero algunas de las ideas que tenía eran profundamente verdaderas y, de hecho, sobrevivirían si arregláramos las matemáticas para que funcionaran. Es muy curioso porque DDMRP es algo así como lo opuesto. Básicamente, es algo que funciona de manera incremental sobre una línea base muy, muy mala. Si retrocedes y dices, en lugar de intentar parchear algo que es muy malo, empecemos directamente con buenas bases, que es hacer optimización numérica de la manera correcta con algoritmos apropiados, como algoritmos probabilísticos basados en gráficos adecuados. Entonces, no estoy seguro de que una vez que te hayas pasado a un marco numérico moderno y adecuado para realmente hacer una optimización, porque esa es la cuestión, los sistemas MRP clásicos realmente no están optimizando nada en un sentido moderno donde tú realmente
Kieran Chandler: Haciendo todo eso básicamente para parchear recetas numéricas profundamente disfuncionales, ahora, si removemos las recetas numéricas disfuncionales, ¿qué queda?
Joannes Vermorel: La respuesta es muy, muy poca. Ahí es donde, por ejemplo, flow casting era muy diferente porque si eliminas las partes numéricas disfuncionales de flow casting, las otras partes que quedan son profundamente interesantes, y creo que son profundamente correctas. DDMRP, mucho menos.
Kieran Chandler: Si fuéramos a terminar con una nota más positiva, ¿hay algún insight que nos brinde DDMRP que sea realmente bueno?
Joannes Vermorel: Sí, creo que uno de ellos es que el promedio móvil funciona, e incluso funciona con mayor frecuencia mejor en el dominio de la frecuencia en lugar del dominio del tiempo. Volvamos a eso. Para aquellos de ustedes que tal vez hayan aprendido en la escuela de ingeniería acerca de la transformada de Fourier, saben que se pueden estudiar series de tiempo en el dominio del tiempo o en el dominio de la frecuencia. Eso es algo que se hace muy frecuentemente en acústica.
Cuando la gente piensa en forecast de la demanda frecuentemente, el promedio móvil puede funcionar cuando tienes una demanda que es estacionaria. Típicamente, cuando la gente piensa en forecast de promedios móviles, están pensando en hacer un análisis en el dominio del tiempo. Entonces, ¿qué significa eso? Promediar la demanda durante las últimas semanas es un período fijo; ese es mi dominio del tiempo.
El dominio de la frecuencia consiste en pensar, en lugar de promediar durante las últimas semanas –y tres semanas son fijas– digo que voy a promediar mi demanda sobre las últimas 100 unidades servidas. La buena noticia es que esa cuestión de las últimas 100 unidades se comportará de manera mucho más numérica con respecto a una demanda que es algo súper errática y con picos.
El promedio móvil en el dominio de la frecuencia es realmente interesante. Por cierto, DDMRP con esos buffers, en realidad son forecasts, forecasts de promedio móvil realizados en el dominio de la frecuencia en lugar de ser realizados en el dominio del tiempo. De alguna manera lo redescubrieron, pero es un insight muy bueno. Es muy valioso que analizar las cosas en el dominio de la frecuencia funcione y tenga profundas implicaciones para la supply chain. Es un ángulo muy interesante para optimizar.
Creo que ese es el ángulo. No estoy seguro de si la gente de DDMRP lo ve así, pero creo que es un insight muy genial y muy bueno que vino de DDMRP.
Kieran Chandler: Espero que hayan avanzado de alguna manera en reparar algunas de esas relaciones. De todos modos, eso es todo por esta semana. Muchas gracias por sintonizar. Si estás de acuerdo o en desacuerdo, asegúrate de dejarnos un comentario, y nos veremos de nuevo la próxima vez. Adiós por ahora.
