Simulador de Stock de Seguridad

¿Qué es la simulación Monte Carlo de stock de seguridad?

Monte Carlo modela incertidumbre ejecutando miles de escenarios aleatorios de demanda y tiempo de entrega. A diferencia de la fórmula analítica, puede manejar distribuciones no normales, variables correlacionadas y dinámicas complejas.

La simulación genera muestras DDLT extrayendo demanda diaria de una distribución especificada durante un tiempo de entrega aleatorio. Tras miles de iteraciones, la distribución DDLT revela el stock de seguridad necesario.

Comparar resultados analíticos y simulados valida supuestos. Si difieren significativamente, sugiere que la distribución subyacente no es normal.

Formula: Para cada iteración i = 1..N: DDLT_i = Σ(j=1..LT_i) D_j Stock de Seguridad = Percentil(DDLT, SL%) − media(DDLT) ROP = Percentil(DDLT, SL%)

Ejemplo de cálculo

μ_d = 30/día, σ_d = 8, μ_LT = 5 días, σ_LT = 1,5, 95% SL, 10.000 iteraciones: SS analítico = 79. SS simulado = 83. 5% de diferencia indica ligera no normalidad.

Cuándo usar esta calculadora

• Un analista de inventario validando fórmulas analíticas de stock de seguridad contra simulación para artículos de demanda lenta o intermitente
• Un planificador de cadena de suministro probando el impacto de la reducción de variabilidad del tiempo de entrega en el stock de seguridad requerido
• Un científico de datos explorando distribuciones de demanda no normales para determinar si la fórmula estándar sobreestima o subestima los requisitos de stock
• Un equipo logístico ejecutando escenarios hipotéticos para cuantificar los ahorros de stock de seguridad al mejorar la consistencia del tiempo de entrega del proveedor

Errores comunes a evitar

• Ejecutar muy pocas iteraciones para niveles de servicio extremos — 1,000 iteraciones pueden parecer suficientes, pero los percentiles de cola al 99%+ requieren al menos 10,000 para estabilizarse; use 50,000 para 99.5%+
• Asumir que la demanda siempre se distribuye normalmente — muchos artículos del mundo real tienen demanda Poisson, gamma o intermitente; el valor de la simulación radica en probar estos escenarios no normales
• Ignorar la diferencia entre resultados simulados y analíticos — si divergen significativamente, su suposición de distribución de demanda es incorrecta y la fórmula analítica puede ser engañosa
• Usar simulación sin entender el modelo subyacente — la simulación es tan buena como sus distribuciones de entrada; parámetros basura producen resultados basura

Cómo interpretar los resultados

• Si el stock de seguridad simulado es mayor que el analítico, la distribución real de la demanda tiene colas más pesadas que la suposición normal — necesita más reserva de la que sugiere la fórmula
• Si el stock de seguridad simulado es menor que el analítico, la fórmula es conservadora y puede estar manteniendo exceso de inventario
• La forma del histograma DDLT revela el verdadero patrón de demanda: forma de campana confirma normalidad, sesgo a la derecha sugiere Poisson o gamma, bimodal sugiere patrones de demanda mixtos

Normas y referencias relacionadas

• Simulación de Monte Carlo — muestrea repetidamente la demanda y el plazo de entrega para construir la distribución empírica de la demanda durante el plazo de entrega (DDLT) en lugar de asumir normalidad
• Law, Simulation Modeling and Analysis — referencia metodológica para el número de réplicas y el análisis de intervalos de confianza en simulaciones estocásticas de inventario
• Marco de stock de seguridad de APICS/ASCM — aporta la línea base analítica (fórmula normal) con la que se compara la simulación para revelar el sesgo de la distribución

Preguntas frecuentes

¿Cuántas iteraciones para resultados precisos?

10.000 dan resultados estables (±1-2%). Para niveles extremos (99,5%+) use 50.000-100.000.

¿Cuándo usar Poisson en lugar de Normal?

Poisson para artículos lentos (demanda promedio < 10/día). Normal para artículos rápidos (> 20/día). Para demanda intermitente considere Croston.