Por Dr. Juan Pedro Sepúlveda Rojas.

La búsqueda de la eficiencia por parte de las empresas debe ser una constante en el tiempo, y en momentos de crisis económicas, esta regla se vuelve aún más relevante. Entre las maneras de alcanzar esta eficiencia, se encuentra el lograr un ajuste adecuado entre la oferta de productos de la empresa con la demanda de sus clientes. No obstante, este objetivo es, muchas veces, difícil de alcanzar. Por ejemplo, suele suceder que el inventario de los artículos de temporada se vende totalmente. Sin embargo, lo que para algunos puede parecer un éxito, puede ser visto por otros como un quiebre de stock, si los clientes continúan demandando estos artículos.

En este sentido, las actividades cotidianas de las empresas suelen alejarlas de la búsqueda de la eficiencia en sus operaciones, contribuyendo al uso de técnicas sub óptimas para la planificación de las operaciones, y en particular, en nuestro caso, la gestión de inventarios. En muchas ocasiones, me ha tocado escuchar que el personal a cargo de esta labor realiza cálculos de reposición basados en promedios (la clásica técnica de la media móvil), mientras que otros simplemente utilizan lo sugerido por el ERP, sin cuestionarse cómo se llega al cálculo de esa cantidad sugerida. Esto sucede también por la falta de visibilidad que genera una gran cantidad de SKU.

Un paso bastante razonable es clasificar los artículos que posee la empresa de acuerdo a su importancia. Comúnmente, se emplea el ingreso por venta generado por cada artículo, aunque pueden existir otros (criticidad, volumen, etc.). Por lo general, se usa la regla ABC para hacer esta clasificación, con lo que a los artículos tipo A, que representan aproximadamente el 80% de las ventas (y suelen ser pocas unidades, generalmente alrededor del 20% del total de SKUs), se les debe prestar gran atención y definir políticas de inventario específicas para cada uno de esos artículos.

Como se mencionó anteriormente, debe existir una coherencia entre la demanda de cada SKU y su política de inventario. Si la demanda es incierta, debemos usar alguna política que considere esta situación (nunca EOQ). Las más clásicas suelen ser las políticas (s,S), (R,s,S), (s,Q).

Por otra parte, si tenemos un artículo de temporada, la política del “vendedor de diarios” (Newsboy model) suele ser sumamente útil y más precisa que otras políticas (también existen extensiones de este modelo para múltiples períodos). Algo similar, aunque existen modelos un poco más complejos, ocurre con los artículos perecibles.

Solo es posible aplicar modelos determinísticos (EOQ y sus extensiones) en casos en los cuales la demanda del artículo tiene poca variabilidad. Silver, Pyke y Peterson, en su libro “Inventory Management and Production Planning and Scheduling”, mencionan que es posible utilizar políticas de inventario que utilizan demanda constante si el coeficiente de variación de la demanda es igual o menor a 0,3.

Muchas veces suelen confundirse los pronósticos de demanda con la cantidad a reponer. Este caso solo podría ser válido si el costo de ordenar el artículo fuera nulo o casi nulo. Si no es el caso, el pronóstico de la demanda debe ser diferente de la cantidad a reponer.

Los pronósticos de demanda son un insumo para las políticas de inventario, por lo que es fundamental llevar a cabo una adecuada estimación de la demanda. Esta estimación debe ser realizada para cada SKU (en particular, para los artículos del tipo A). Para ello, es necesarioobservar la serie de tiempo y ver cómo se comporta en el tiempo. Es muy diferente estimar la demanda por arroz, aceite o pan, que aquella por un televisor o artículos de alta tecnología.

Hay que analizar si la demanda es estable en el tiempo, si posee algún tipo de tendencia (al alza o a la baja), el instante del ciclo de vida en el cual se encuentre el artículo, si existe estacionalidad o comportamientos cíclicos de la demanda en el tiempo. Para esto, la inspección visual de la serie de tiempo de la demanda suele ser muy útil. Sin embargo, cuando el volumen de SKU es muy alto, esta labor puede llegar a ser tediosa o imposible de realizar. En estos casos, existen otras alternativas, como por ejemplo, el factor de autocorrelación de la demanda.

Las técnicas más utilizadas en el ámbito de los pronósticos suelen ser el promedio móvil, suavizamiento exponencial, modelo de Holt y modelo de Winter. Los dos primeros sirven para series de tiempo relativamente estables (demanda estacionaria); el modelo de Holt sirve cuando existe tendencia en la serie de tiempo, mientras que el de Winter se usa cuando la serie de tiempo, además, posee estacionalidad.

Por tanto, el promedio móvil no debe ser considerado como la única técnica de pronóstico a emplear, ni debe aplicarse indiscriminadamente a todos los artículos. La demanda de cada artículo podría tener un comportamiento diferente y, por lo tanto, un modelo de pronóstico distinto. Es importante volver a mencionar que cada vez se cuenta con un mayor volumen de información de los artículos. Por ende, las empresas deben comenzar a prepararse para administrar eficientemente esta gran cantidad de datos. Tratados adecuadamente a través de técnicas como minería de datos, predictive analytics y Big Data, puede significar una ventaja competitiva fundamental en esta era de la información.