Come misurare la variabilità della domanda…. E perché dovresti pensarci due volte prima di usarla per dimensionare le scorte

Ecco una storia su un tentativo di dimensionare i buffer di inventario, misurando la variabilità della domanda. Si basa su una storia vera e ci sono lezioni apprese dall’esperienza reale.

Ti racconterò la storia con parole e dati. Ho compilato un set di dati e lo condividerò insieme allo strumento Excel che ho usato per analizzarlo. Il link per il download è più in basso. Avrà più senso se leggi prima la storia introduttiva.

Stiamo lavorando con un’azienda manifatturiera di medie dimensioni. Lo scopo del progetto è caratterizzare la domanda e utilizzarla per dimensionare le scorte di magazzino. In quanto tale, potrebbe essere rilevante per la produzione per magazzino o su ordine. E anche le aziende di distribuzione potrebbero trovarlo utile.

L’azienda, come tante altre, ha un lead time cliente più breve del lead time di produzione. E molto più breve del lead time delle materie prime. Hanno previsioni limitate (valutate da “eque” per alcuni prodotti a “inesistenti” per altri). Sanno che non possono semplicemente inserire le previsioni in MRP e elaborare un piano per produrre e acquistare. Hanno bisogno di dimensionare le scorte in base all’incertezza della domanda futura.

Innanzitutto, dobbiamo definire le unità. C’è una gamma di quantità nel volume della domanda, da poche dozzine di unità al mese a molte migliaia. Quindi, la risposta alla domanda “Quanto magazzino dovremmo tenere?” non viene risposto in modo significativo in unità di misura, in questo caso “pezzi” e “cartoni”. Mille pezzi è tanto o poco? Dipende dalla domanda. Quindi, il primo obiettivo è misurare un giorno di domanda per ogni articolo. Chiamalo ADU (utilizzo medio giornaliero), Day of Demand, Day of Supply. Useremo la domanda giornaliera come unità di misura.

I dati sono in un’unica tabella. Ha solo tre colonne: Articolo, Settimana e Qtà. Questo sarà rassicurante per alcuni di voi che hanno guadato i nostri set di dati più grandi!

È una lunga tabella. Questo esempio ha 20 articoli e tre anni di domanda, riepilogati settimanalmente. Nell’esempio reale c’erano molti più prodotti, ma ne ho creati 20 perché bastano per raccontare questa storia.

È naturale voler vedere questi dati in una matrice. Con gli elementi come righe e le settimane come colonne. E potremmo creare una tabella pivot per mostrarlo in questo modo, se lo volessimo.

Voglio mostrarti come eseguire questi calcoli sotto forma di tabella perché è molto più flessibile e potente in questo modo. Se costruissimo una matrice e poi cambiasse il numero di elementi, o il numero di settimane, anche la struttura cambierebbe. Questo è un esempio del nostro principio da calcolare in Tabelle normalizzate come parte del Metodo di sviluppo rapido in Excel.

Se vuoi cambiare questi dati e aggiungerne di tuoi, le funzioni continueranno a funzionare. Anche se hai 100 articoli e 5 anni di storia.

Vedrai che ogni riga mostra una settimana di domanda per il primo articolo, quindi passa all’articolo successivo. Un totale di 3150 righe per 20 articoli di prodotto e 157 settimane. Se si trattasse di 300.000 righe per 2000 prodotti, funzionerebbe comunque perfettamente. Potrebbe volerci circa un minuto per calcolare invece di 6 secondi. Se utilizziamo il metodo di sviluppo veloce di Excel per calcolare nelle tabelle, è più flessibile e molto più potente.

Il set di dati completo e la cartella di lavoro che ho usato per analizzarlo è qui.

Utilizzo dei numeri di riga per definire un intervallo all’interno di una colonna

Voglio introdurre una tecnica che ci permetta di calcolare i valori per ogni elemento in una tabella come questa. Vogliamo applicare una formula a una sottosezione di una colonna. Questo dovrebbe corrispondere a tutti i record per il primo elemento “FC1001”, dalla prima settimana all’ultima settimana.

Usando il nostro Fast Excel Method, inserisci la formula nella riga 8. Le macro automatizzate nel modello applicheranno questa formula all’intera tabella di dati. Le prime due formule restituiscono la prima e l’ultima riga dei numeri dell’intervallo per ogni elemento. Nell’esempio qui, l’elemento FC1001 inizia dalla riga 11 e continua fino alla riga 167. Nel download, vedrai che questo è stato applicato a tutti gli elementi.

Possiamo utilizzare i risultati di queste semplici formule per eseguire tutti i calcoli di cui abbiamo bisogno nella stessa tabella di dati normalizzata.

Il primo è una semplice somma sull’intero intervallo di date. Questo forse non è così utile nella pratica, poiché non vorremmo fare una media su tre anni di dati. L’ho inserito per illustrare il concetto.

Il metodo del doppio indice per selezionare l’intervallo

Abbiamo parlato molto della formula INDEX. Com’è la nostra formula preferita e cose del genere. INDICE di solito restituisce una singola cella, basata su un numero di riga (e talvolta di colonna) e un intervallo. In questo metodo, utilizziamo due INDICE per selezionare l’inizio e la fine di un intervallo.

I numeri di riga sono l’inizio e la fine dell’intervallo. (Nota, non è necessario utilizzare “@” menzionato qui per questa applicazione.)

La cartella di lavoro di esempio mostra come applicare una media mobile su un perioso, 90 giorni, anziché sull’intera cronologia. Ci sono alcuni calcoli che riconoscono il fatto che i tuoi dati potrebbero non avere date che distano esattamente 90 giorni l’una dall’altra. Ci sono alcuni ulteriori calcoli per gestirlo ed è meglio visualizzarlo all’interno della cartella di lavoro. Il foglio si chiama “WeeklyDemand”.

Calcolo della variabilità in una tabella normalizzata

Il calcolo per la variabilità utilizza il coefficiente di variazione, COV.

La formula è: DEVIAZIONE STANDARD / MEDIA

Usiamo la stessa tecnica per calcolare ogni elemento: DEV ST, Media (formula MEDIA) e quindi COV è DEV ST/MEDIA.

Quindi, usa una tabella pivot per riassumere i risultati e possiamo vedere il valore COV per ogni elemento.

C’è una certa gamma di valori. Ci aspetteremmo che fosse tra zero e uno. E il più basso è 0,17 e il più alto 0,81.

Quindi, eccoci qua. Abbiamo un giorno di domanda definito. Possiamo calcolare qual è un giorno di domanda in unità. Quindi impostiamo il dimensionamento del buffer su gruppi di articoli, definiti da un multiplo di giorni di domanda. Un articolo ad alta variabilità ha, ad esempio, 60-90 giorni di copertura dell’inventario, mentre un articolo a bassa variabilità ha 15-30 giorni.

Naturalmente, dobbiamo considerare i tempi di consegna per il rifornimento dell’articolo. Ma in questa linea di pensiero, la variabilità è uno dei fattori principali nel decidere quante azioni deteniamo per tamponare l’incertezza. Nel DDMRP, ad esempio, uno dei pochi fattori nel dimensionamento della zona cuscinetto è un fattore di variabilità, definito come Deviazione standard/Utilizzo medio giornaliero.

Aspetta. Tempo per controllare se ciò è significativo!

Prima di procedere con l’applicazione di queste misurazioni, vale la pena fare un controllo di senso. E questo è ciò che abbiamo fatto in questo esempio. Dividi gli elementi in categorie: alta, media e bassa incertezza. Un elemento nella categoria di alta incertezza sarebbe nel terzo superiore quando si tratta di domanda imprevedibile. Coinvolgi pianificatori che hanno familiarità con gli articoli. E prima di mostrare loro i risultati, chiedi loro di indovinare la categoria per un campione di articoli.

Se questa misurazione della variabilità è un buon indicatore di incertezza, allora le ipotesi dei programmatori e gli indicatori stessi dovrebbero, almeno il più delle volte. Non ti aspetteresti che corrispondano perfettamente, ovviamente, ma dovrebbero farti capire se sta effettivamente mostrando ciò che dovrebbero mostrare.

Ogni volta che abbiamo eseguito questo controllo di significatività, i risultati non sono stati buoni. Non c’era alcuna correlazione. Più o meno come una selezione casuale. Oh no.

Analisi – Immersione nei dati

Quando abbiamo esaminato ogni elemento, c’era una buona ragione per cui ogni risultato inaspettato restituiva la variabilità che aveva. Ad esempio, ecco un articolo: FC1011. Volume medio, COV=0,7 che lo renderebbe un’elevata variabilità. E presumibilmente alta incertezza.

“Ah, potrebbe essere perché ne vendiamo molto in estate. Ma non è un grosso problema, succede lo stesso ogni anno”

Planner

Quindi, abbiamo un modello di stagionalità. Questa sarebbe anche variabilità. Ma non il tipo di variabilità che è un ottimo indicatore di incertezza. Ma non è tutto.

E quello viene gradualmente eliminato. Abbiamo venduto molto nel 2020 ma è stato sostituito da un altro articolo. I nuovi articoli avranno una crescita opposta.

Un altro planner

E così andò avanti. Abbiamo esaminato ogni elemento, elencando gli esempi di variabilità prevedibile. Alla fine abbiamo escogitato quattro temi principali.

  • Stagionalità. Due principali tendenze stagionali: una ha avuto un picco nei mesi estivi (da giugno ad agosto, questa era un’azienda dell’emisfero settentrionale) e un altro gruppo di prodotti che ha venduto bene in inverno. C’erano anche alcune tendenze minori che avevano doppi picchi.
  • Ciclo di vita del prodotto. Prodotti introdotti, quelli vecchi gradualmente eliminati. O una domanda matura costante nel corso dell’intera storia. L’aumento era meno accurato da prevedere rispetto all’eliminazione graduale. Ma in generale, tre gruppi che potresti prevedere in misura maggiore o minore.
  • Campagne e promozioni. La catena di vendita al dettaglio e di distribuzione di questa azienda aveva spesso promozioni. Ciò ha avuto un impatto considerevole sulla domanda futura. E spesso abbastanza prevedibile.
  • Variazione mensile. Alcuni articoli sono stati ordinati solo una volta al mese o hanno avuto un grande effetto a mazza da hockey alla fine del mese. La misurazione della variabilità a livello mensile lo avrebbe eliminato, ma non era applicabile per altri prodotti.

Nei dati di esempio, per semplicità, abbiamo rappresentato la stagionalità e il ciclo di vita del prodotto.

Se guardi tutti gli articoli contemporaneamente, ottieni questo piatto di spaghetti.

Inutile dire che ci sono troppi elementi per dargli un senso.

Tuttavia, una volta che abbiamo ordinato gli articoli nelle categorie per il ciclo del prodotto e la stagionalità, vengono visualizzati questi modelli prevedibili.

Così anche, iniziamo a vedere qualcosa di simile con i cicli di prodotto.

Questo mostra tre principali gruppi di cicli di prodotti: il Gruppo 1 mostra una domanda costante nel corso della storia; Prodotti del Gruppo 2 a fine vita e in decelerazione; Il gruppo 3 è in rapido aumento con l’introduzione di nuovi prodotti.

I gruppi 2 e 3 sia per la stagionalità che per il ciclo del prodotto hanno una variabilità molto maggiore rispetto al gruppo 1.

E gran parte di questa variabilità è prevedibile: ha più a che fare con i cicli previsti e meno con l’incertezza casuale che l’inventario è destinato a tamponare.

Ora, non è vero che l’andamento della stagionalità sia perfettamente prevedibile. Oppure il lancio di un nuovo prodotto raggiungerà tutti i suoi obiettivi di vendita e niente di più.

Tuttavia, il punto è che ci sono una serie di effetti di variabilità mescolati a qualsiasi dato sulla domanda. E ognuno di questi effetti ha un elemento prevedibile. Quindi, in molti casi la variabilità aggregata è un indicatore debole dell’incertezza perché non stiamo considerando fino a che punto un effetto può essere certo. L’effetto della stagionalità e del ciclo del prodotto in questo esempio prevale sull’effetto delle fluttuazioni casuali della domanda.

Quando eliminiamo gli effetti della stagionalità e dei cicli di prodotto, possiamo misurare ciò che resta. E poi quella variabilità è molto più vicina a qualcosa che sostituirà l’incertezza. Ora ci sono cinque gruppi di variabilità che rappresentano ciò che resta dopo la neutralizzazione della stagionalità e dei cicli dei prodotti. Gruppo più alto significa più variabilità. Questi gruppi sono stati confermati dai progettisti come molto più rappresentativi dell’incertezza della domanda.

Questo grafico finale mostra un grafico a dispersione di questi gruppi di variabilità (variabilità casuale se lo si desidera) rispetto alla misurazione COV originale.

In ogni gruppo di variabilità esiste un’ampia gamma di valori COV. Non c’è quasi alcuna correlazione, il che mostra che la maggior parte della variabilità misurata era dovuta agli effetti più prevedibili che sono stati eliminati.

Ci sono due elementi nel gruppo più basso che hanno il 5° e il 7° COV più alto. Ci sono due voci nel secondo gruppo più alto che hanno il 4° e il 5° COV più basso.

Che cosa significa tutto questo?

Se utilizziamo il COV come un fattore importante per dimensionare l’inventario, è possibile che effetti di variazione prevedibili stiano determinando gran parte di tale misurazione. Il che significa che è probabile che l’inventario tamponerà i cambiamenti prevedibili della domanda in alcuni articoli e la mancanza di inventario necessaria per coprire la domanda imprevedibile in altri. Torniamo all’annoso problema di scorte insufficienti di alcuni articoli e troppo in altri.

Aspetta, potresti dire. È tutta variazione della domanda. L’inventario sta lavorando per tamponarlo, indipendentemente dalla causa e dall’effetto. Bene, questo ha senso solo se non hai intenzione di fare nulla per gli effetti più prevedibili. In pratica, i pianificatori conoscono bene gli effetti della stagione, dei cicli dei prodotti, delle campagne e delle promozioni on demand. Non ignoreranno quell’intelligenza critica, ma tenderanno a ignorare gli obiettivi dell’inventario. Se le persone che stanno pianificando non hanno fiducia nel sistema, ignoreranno il sistema. Questo conta tanto per i sistemi di pianificazione e pianificazione MRP “scatola nera” quanto per i fogli di calcolo del dimensionamento dell’inventario.

Allora, cosa facciamo invece?

La soluzione è non replicare il processo che descrivo qui per arrivare ai gruppi di variabilità casuale. Racconto questa storia per evidenziare i pericoli di inserire semplicemente una cronologia della domanda in una misurazione della variabilità. Si tratterebbe di un processo alquanto contorto: prendere la cronologia della domanda, identificare i modelli prevedibili, allocare gli elementi a quei gruppi e quindi rimuovere il modello del gruppo dalla cronologia e misurare il COV rimanente. Quindi possiamo quindi inserire quel COV in una formula di dimensionamento dell’inventario.

Il compito di comprendere i modelli e applicarli alla domanda futura ha un nome: Previsione! Se ci prendiamo la briga di controllare le parti prevedibili della variazione della domanda, perché non applicarla direttamente al processo di pianificazione? Una previsione sarà più efficace nel gestire la risposta a modelli alquanto prevedibili. Naturalmente la previsione otterrà alcune cose giuste e alcune cose sbagliate. L’inventario è lì per quando sbaglia le cose. Quindi anche misurare la previsione è importante. E forse una misura di incertezza molto più rilevante.

Per saperne di più sulle previsioni, organizzo un webinar il 14 aprile 2022 – “Come la previsione si adatta a un processo di successo per la pianificazione della catena di approvvigionamento”

Ulteriori informazioni e registrati qui.

Lascia un commento

Torna su