Gestione dell'inventario dei pezzi di ricambio con la tecnologia dei quantili

Joannes Vermorel

La gestione dei pezzi di ricambio e di servizio è tanto strategicamente importante quanto difficile. In un mondo in cui la maggior parte dei produttori di attrezzature e rivenditori operano in mercati estremamente competitivi, un alto livello di servizio alla base clienti esistente è una priorità strategica per molti attori.

Non solo un’elevata disponibilità di pezzi di ricambio aiuta a costruire una base fedele di clienti, le aziende produttrici di prodotti/attrezzature hanno anche scoperto i servizi come un flusso di ricavi spesso molto redditizio e ricorrente che è tipicamente più resiliente ai cicli economici rispetto alle vendite di attrezzature.

Tuttavia, gestire efficientemente un inventario di pezzi di ricambio rappresenta ancora una grande sfida. Nonostante un’industria della tecnologia di previsione e pianificazione degli stock che ha diversi decenni di storia, la gestione dei pezzi di ricambio è rimasta difficile per diverse ragioni:

• Grande numero di pezzi: Anche i produttori di attrezzature più piccoli possono facilmente trovarsi a gestire più di centomila pezzi di ricambio.
• Elevato requisito di livello di servizio: Le mancanze di magazzino sono spesso molto costose, pertanto alti livelli di servizio sono fondamentali in molti settori.
• Domanda sporadica: La domanda di pezzi di ricambio è tipicamente scarsa e intermittente, il che significa che solo volumi molto bassi sono richiesti occasionalmente.

Perché la tecnologia di previsione standard si comporta male

Purtroppo, la combinazione di questi fattori rende la tecnologia standard di inventario e previsione poco adatta alla pianificazione dei pezzi di ricambio. Nella teoria classica della previsione e della pianificazione degli stock, una previsione viene prodotta applicando modelli come la media mobile, la regressione lineare e Holt Winters e si presta molta attenzione all’errore di previsione, che viene ottimizzato misurando MAPE o indicatori simili indicators. La trasformazione in un livello di stock suggerito avviene in un secondo momento tramite un’analisi classica delle scorte di sicurezza.

Nel caso di serie temporali sparse (chiamate anche slow movers: unità a basso volume e vendite sporadiche), questa metodologia fallisce. Il problema principale nella previsione dei slow movers è che fondamentalmente stiamo prevedendo zeri. Questo è intuitivamente ovvio quando si guarda la storia della domanda di un tipico portafoglio di pezzi di ricambio su base giornaliera, settimanale o addirittura mensile: Di gran lunga il punto dati più frequente è zero, che in alcuni casi può costituire più del 50% di tutti i punti dati registrati.

La sfida della previsione dei slow movers: Buone prestazioni statistiche e buona pratica di inventario non sono la stessa cosa.

Applicando la teoria classica della previsione a questo tipo di set di dati, la migliore previsione per un prodotto a lento movimento è per definizione uno zero. Una previsione “buona” dal punto di vista statistico restituirà principalmente zeri, il che è ottimale dal punto di vista matematico, ma non utile dal punto di vista dell’ottimizzazione dell’inventario.

Il metodo classico separa completamente la previsione dal riapprovvigionamento. Il problema è che la situazione difficilmente può essere migliorata con una previsione “migliore”. Quello che conta effettivamente nella pratica è l’accuratezza del livello di inventario risultante (punto di riordino), che non viene misurata né ottimizzata.

Cambiare la visione dall’accuratezza della previsione alla gestione del rischio

Quando si tratta di slow movers, riteniamo che l’approccio giusto non sia considerare il problema come una questione di previsione e cercare di prevedere la domanda (che è per lo più zero). Piuttosto, l’analisi dovrebbe fornire una risposta alla domanda su quanta inventario è necessaria per garantire il livello di servizio desiderato. Il punto fondamentale dell’analisi non sono previsioni di domanda più accurate, ma una migliore analisi del rischio. Cambiamo radicalmente la visione qui.

Determinare e ottimizzare direttamente il Punto di Riordino

Le previsioni quantili consentono di prevedere direttamente l’inventario ottimale che fornisce il livello di inventario desiderato: Un bias è introdotto appositamente dall’inizio per alterare le probabilità di sovra e sotto previsione.

I confronti con la tecnologia di previsione classica nel settore alimentare, non alimentare, hardware, lusso e ricambi mostrano in modo coerente che le previsioni quantili portano a un miglioramento delle prestazioni superiore al 25%, che corrisponde a una riduzione di oltre il 25% dell’inventario o del 25% delle scorte esaurite.

Secondo noi, risolvendo il problema della previsione della domanda intermittente e scarsa nella gestione dei ricambi, la tecnologia quantile non solo fornisce un forte aumento delle prestazioni, ma rende anche obsolete le previsioni classiche.

Whitepaper sulla gestione dei ricambi disponibile per il download

Scarica il whitepaper Gestione delle scorte di ricambi con la tecnologia quantile per una discussione approfondita dell’argomento. Ulteriori whitepaper e risorse sulla previsione quantile e sulla gestione degli inventari sono disponibili sulla nostra pagina delle risorse.

Hai commenti, domande o esperienze da condividere sulla gestione dei ricambi? Partecipa nei commenti qui sotto, il tuo contributo è molto prezioso per il nostro team.

Commenti dei lettori (1)

Ottimo post sulla tecnologia di gestione degli inventari. Direi per esperienza che affrontare la previsione della gestione del rischio è un rischio stesso quando non lo fai tu stesso e ti affidi agli altri per fare il lavoro. Chris Toff (5 anni fa)