La demanda intermitente se produce cuando muchos periodos no tienen ninguna demanda y las transacciones aparecen de forma ocasional e irregular. Es habitual en recambios, inventario de mantenimiento, componentes industriales y productos de baja rotación. Como tanto el momento como el tamaño de la demanda son inciertos, los métodos pensados para ventas estables suelen dar resultados engañosos.
Una buena previsión de la demanda intermitente no promete predecir el próximo pedido exacto. Estima la probabilidad y el rango de la demanda y conecta esa incertidumbre con las decisiones de stock, servicio y red.
¿Qué hace que la demanda sea intermitente?
Un volumen bajo no basta. Un producto puede vender una unidad cada semana y seguir siendo regular. La demanda intermitente incluye periodos repetidos sin demanda e intervalos irregulares entre transacciones. Se vuelve errática cuando los pedidos distintos de cero también varían mucho de tamaño.
Los recambios son un ejemplo clásico, porque la demanda suele surgir de una avería del equipo. El mantenimiento planificado puede aportar una parte más predecible, mientras que las averías imprevistas siguen siendo inciertas. La antigüedad de los activos, el tamaño del parque instalado, la geografía, las condiciones de uso y la fiabilidad pueden influir en las necesidades futuras.
Por qué fallan las previsiones tradicionales
Una media móvil simple o un modelo de suavizado exponencial pueden repartir una demanda dispersa de forma uniforme en el tiempo. Una media de 0,4 unidades al mes no significa que la demanda vaya a llegar de forma regular; puede significar una pequeña probabilidad de necesitar varias unidades de golpe.
Las rachas largas sin demanda aportan información, pero no demuestran que el riesgo futuro sea cero. Del mismo modo, un pedido grande puede ser una anomalía, un proyecto o un cambio real. Tratarlo automáticamente como una tendencia puede generar exceso de inventario.
Las previsiones puntuales ocultan estas diferencias. En la previsión de la demanda intermitente, las previsiones probabilísticas estiman la probabilidad de distintas cantidades de demanda durante el plazo de entrega correspondiente. Así los planificadores tienen la información necesaria para comparar el coste de tener stock con las consecuencias para el servicio de quedarse cortos.
Métodos de previsión de la demanda intermitente
El método de Croston supuso un avance importante porque estimaba el tamaño de la demanda por separado del intervalo entre demandas. Enfoques posteriores, como el ajuste de Syntetos-Boylan y el método de Teunter-Syntetos-Babai, corrigieron sesgos conocidos y el riesgo de obsolescencia.
Ningún método es el mejor para todos los SKU. En la previsión de la demanda intermitente, la elección del modelo debe reflejar la intermitencia, la irregularidad, el ciclo de vida y la decisión que se quiere apoyar. La IA actual puede evaluar varios modelos, aprender de artículos relacionados, incorporar señales adicionales y actualizar las clasificaciones a medida que cambia el comportamiento.
El histórico de demanda es solo uno de los datos de partida. Algunas señales útiles son:
Tamaño, ubicación y antigüedad del parque instalado
Datos de fiabilidad y de tasa de averías
Calendarios de mantenimiento planificado y listas de materiales
Sustituciones de referencias y opciones de sustitución
Proyectos, campañas y pedidos puntuales conocidos
Plazos de entrega de proveedores y avisos de descatalogación
La demanda futura conocida debe separarse de la base estadística. El mantenimiento planificado y los pedidos confirmados no deben mezclarse a ciegas con la demanda impredecible por averías.
Conecta la previsión con las decisiones de inventario
La previsión de la demanda intermitente solo importa cuando sirve para tomar mejores decisiones de inventario.
La política de inventario debe tener en cuenta la probabilidad de demanda durante el plazo de entrega, el tamaño del pedido, la variabilidad del aprovisionamiento, el valor del artículo, su criticidad y el servicio objetivo.
No todos los recambios necesitan el mismo nivel de servicio. Los componentes críticos para la seguridad o para la operación pueden justificar una disponibilidad muy alta. Los artículos importantes pero aplazables pueden aceptar un objetivo más bajo, y los no críticos o sustituibles pueden centralizarse o suministrarse bajo pedido.
La curva de nivel de servicio muestra el coste en inventario de cada punto adicional de disponibilidad. Pasar del 90 % al 95 % de servicio puede ser rentable para una pieza y muy caro para otra. Por eso la optimización debe trabajar sobre toda la cartera en lugar de maximizar cada artículo por separado.
La ubicación y la red importan
La demanda puede parecer intermitente en cada almacén local y, en cambio, más estable en el conjunto de la red. Centralizar el inventario de demanda poco frecuente permite agrupar el riesgo, pero los compromisos de tiempo de respuesta pueden exigir cierto stock local.
La optimización de inventario multinivel complementa el probabilistic forecasting decidiendo cuánto inventario tener y dónde. Planificar cada almacén por separado suele duplicar la protección. La optimización a nivel de red equilibra el inventario central, regional, local y de los técnicos frente al servicio y el coste.
Prevé al nivel en el que se toma la decisión y usa la información jerárquica cuando convenga. Las decisiones de stock local necesitan el contexto de la demanda y los plazos de entrega locales, pero los productos, regiones o activos relacionados pueden aportar información útil cuando el histórico individual es escaso.
Ciclo de vida, sustituciones y reparables
El comportamiento intermitente cambia a lo largo de la introducción, el crecimiento, la madurez, el declive y el final de la vida del producto. Los recambios nuevos tienen poco histórico y pueden preverse a partir de productos análogos, planes del parque instalado e información de ingeniería. Los artículos en declive necesitan detectar cambios estructurales para que un histórico desfasado no mantenga un stock innecesario.
Las sustituciones de referencias deben modelarse correctamente. Prever por separado la pieza antigua y la que la sustituye puede dividir el histórico de demanda y dejar inventario inmovilizado. Las opciones de sustitución deben reflejarse tanto en la previsión como en la decisión de stock.
Las piezas reparables necesitan una lógica distinta, porque el tiempo de reparación actúa como plazo de aprovisionamiento. El colchón debe tener en cuenta las averías, el rendimiento de la reparación, la variabilidad del tiempo de reparación y el número de artículos que circulan por el circuito de reparación.
La descatalogación por parte del proveedor obliga a decidir compras de última oportunidad. El análisis de escenarios debe comparar la posible demanda futura, las obligaciones pendientes con el parque instalado, la sustitución, la reparación y el coste del stock sobrante.
Mide los resultados que importan
Las métricas tradicionales de error porcentual funcionan mal cuando la demanda real es cero. La evaluación debe combinar medidas adecuadas para la demanda intermitente con la calibración probabilística, el sesgo, el cumplimiento del servicio, los envíos urgentes, la inversión en inventario y el exceso por clase de demanda.
Una previsión puede ser imperfecta desde el punto de vista estadístico y, aun así, dar lugar a una buena decisión de stock. Al revés, una buena precisión agregada puede ocultar faltas en piezas críticas y excesos en artículos de baja rotación. Los resultados de negocio son la prueba definitiva.
La planificación por excepciones mantiene la carga de trabajo bajo control. Los modelos deben recalcular continuamente los artículos rutinarios, mientras los planificadores se centran en los cambios relevantes, como un contrato nuevo, un pedido inusual, una interrupción de un proveedor, un hito del ciclo de vida o un riesgo de alto impacto.
Un proceso práctico
Limpia el histórico de transacciones y separa devoluciones, correcciones y hechos no recurrentes.
Clasifica la demanda como regular, variable, intermitente, errática, nueva, en declive o inactiva.
Selecciona y compara modelos estadísticos o de IA adecuados.
Añade señales del parque instalado, el mantenimiento, la fiabilidad, el ciclo de vida y el área comercial.
Genera distribuciones de probabilidad para el plazo de entrega correspondiente.
Define objetivos de servicio según la criticidad y el valor de negocio.
Optimiza el inventario en cada combinación de SKU y ubicación y en toda la red.
Automatiza el aprovisionamiento y prioriza las excepciones.
Mide el servicio, el sesgo, las acciones urgentes, el inventario y el exceso.
Vuelve a prever y a optimizar cuando cambian las condiciones.
Mejora la previsión de la demanda intermitente con decisiones de inventario más inteligentes
ToolsGroup combina el probabilistic forecasting con la optimización de inventario y multinivel, y ayuda a las organizaciones a convertir la demanda dispersa en mejor servicio, menos exceso y decisiones de planificación más centradas.
