Simulador de Estoque de Segurança

O que é simulação Monte Carlo de estoque de segurança?

Monte Carlo modela incerteza executando milhares de cenários aleatórios de demanda e lead time. Diferente da fórmula analítica, pode lidar com distribuições não normais e dinâmicas complexas.

A simulação gera amostras DDLT extraindo demanda diária de uma distribuição especificada durante um lead time aleatório. Após milhares de iterações, a distribuição DDLT revela o estoque necessário.

Comparar resultados analíticos e simulados valida premissas. Se diferirem significativamente, sugere que a distribuição subjacente não é normal.

Formula: Para cada iteração i = 1..N: DDLT_i = Σ(j=1..LT_i) D_j Estoque de Segurança = Percentil(DDLT, SL%) − média(DDLT) ROP = Percentil(DDLT, SL%)

Exemplo de cálculo

Com μ_d = 30 unidades/dia, σ_d = 8, μ_LT = 5 dias, σ_LT = 1,5 dia e 10.000 iterações a 95% de nível de serviço: SS analítico = 80 unidades. A simulação dá DDLT média = 151 e P95 = 233, logo SS simulado = 233 − 151 = 82 unidades. A diferença de 2,5% indica leve não normalidade na distribuição da DDLT.

Quando usar esta calculadora

• Um analista de inventário validando fórmulas analíticas de estoque de segurança contra simulação para itens de demanda lenta ou intermitente
• Um planejador de cadeia de suprimentos testando o impacto da redução da variabilidade do lead time no estoque de segurança necessário
• Um cientista de dados explorando distribuições de demanda não normais para determinar se a fórmula padrão superestima ou subestima os requisitos de estoque
• Uma equipe logística executando cenários hipotéticos para quantificar as economias de estoque de segurança ao melhorar a consistência do lead time do fornecedor

Erros comuns a evitar

• Executar poucas iterações para níveis de serviço extremos — 1.000 iterações podem parecer suficientes, mas percentis de cauda a 99%+ requerem pelo menos 10.000 para estabilizar; use 50.000 para 99.5%+
• Assumir que a demanda sempre se distribui normalmente — muitos itens do mundo real têm demanda Poisson, gamma ou intermitente; o valor da simulação reside em testar estes cenários não normais
• Ignorar a diferença entre resultados simulados e analíticos — se divergem significativamente, sua suposição de distribuição de demanda está errada e a fórmula analítica pode ser enganosa
• Usar simulação sem entender o modelo subjacente — a simulação é tão boa quanto suas distribuições de entrada; parâmetros ruins produzem resultados ruins

Como interpretar os resultados

• Se o estoque de segurança simulado é maior que o analítico, a distribuição real da demanda tem caudas mais pesadas que a suposição normal — você precisa de mais buffer do que a fórmula sugere
• Se o estoque de segurança simulado é menor que o analítico, a fórmula é conservadora e você pode estar mantendo excesso de inventário
• A forma do histograma DDLT revela o verdadeiro padrão de demanda: forma de sino confirma normalidade, enviesamento à direita sugere Poisson ou gamma, bimodal sugere padrões de demanda mistos

Normas e referências relacionadas

• Simulação de Monte Carlo — amostra repetidamente a demanda e o lead time para construir a distribuição empírica da demanda durante o lead time (DDLT) em vez de assumir normalidade
• Law, Simulation Modeling and Analysis — referência metodológica para o número de réplicas e a análise de intervalos de confiança em simulações estocásticas de estoque
• Estrutura de estoque de segurança da APICS/ASCM — fornece a linha de base analítica (fórmula normal) com a qual a simulação é comparada para expor a assimetria da distribuição

Perguntas frequentes

Quantas iterações para resultados precisos?

10.000 dão resultados estáveis (±1-2%). Para níveis extremos (99,5%+) use 50.000-100.000.

Quando usar Poisson ao invés de Normal?

Poisson para itens lentos (demanda média < 10/dia). Normal para itens rápidos (> 20/dia). Para demanda intermitente considere Croston.