Cómo pronosticar la demanda de suministros MRO industriales
Una máquina está fuera de servicio. La pieza de repuesto que necesita tiene un plazo de entrega OEM de 20 semanas. El consumo intermitente, impulsado por fallos, hace que los métodos estándar de previsión no sean fiables, por lo que necesita un marco basado en la criticidad y los datos de fallos.
La mayoría de los equipos de compras fracasan porque tratan la previsión de MRO como la previsión de productos terminados. Vemos las consecuencias a diario: compradores corriendo tras componentes obsoletos mientras sus sistemas SAP muestran niveles saludables de stock de piezas que nunca volverán a usar.
Por qué las previsiones estándar fallan para las piezas de repuesto MRO
Extrapolar el consumo histórico no tiene en cuenta la naturaleza intermitente, impulsada por fallos, de las piezas industriales. Una pieza que falla una vez cada 18 meses no sigue una curva de distribución normal.
Los modelos tradicionales de transacciones de alta frecuencia asumen compras constantes y repetibles. La demanda MRO es diferente. Como señala el análisis de Verusen sobre las tendencias de demanda MRO, la demanda es intermitente y está impulsada por fallos, lo que hace ineficaces esos modelos basados en el consumidor. Los eventos de mantenimiento predictivo, no los patrones de consumo, deben impulsar sus previsiones. Sin este cambio, tendrá un exceso de stock de seguridad o se enfrentará al riesgo de rotura de stock en componentes críticos para la misión.
Empiece por la criticidad, no por el historial de consumo
Priorizar el inventario en función de la criticidad del activo es el paso fundamental. Un sensor de 50 $ que detiene una línea de producción es más importante que un variador de 5.000 $ con una copia de seguridad redundante. Clasifique cada pieza por el impacto operativo de su fallo antes de asignar cualquier modelo de previsión.
Esto contradice el instinto de centrarse en los artículos de alto valor. Si un componente es crítico, su previsión debe priorizar la disponibilidad sobre la rotación de inventario.
Paso 1: Clasifique su inventario con el análisis ABC-XYZ
La clasificación ABC-XYZ es la base de cualquier marco serio de previsión MRO. Combina el valor del consumo (ABC) con la variabilidad de la demanda (XYZ).
Análisis ABC clasifica los artículos por valor de consumo anual. Análisis XYZ clasifica los artículos por variabilidad de la demanda. Su intersección le indica exactamente cómo gestionar cada SKU.
| Clase | Patrón de demanda | Enfoque de previsión | Estrategia de reabastecimiento |
| AX | Alto valor, demanda estable | Previsión estadística, bajo stock de seguridad | Puntos de pedido regulares |
| AY | Alto valor, variabilidad moderada | Series temporales con suavizado | Mayor stock de seguridad, supervisar tendencias |
| AZ | Alto valor, demanda intermitente | Modelos basados en fallos o de ML | Niveles de stock basados en la criticidad |
| BX | Valor medio, demanda estable | Media móvil simple | Puntos de pedido estándar |
| CY | Bajo valor, demanda variable | Revisión manual | Pedido por lotes |
| CZ | Bajo valor, demanda errática | No se necesita previsión | Reponer tras fallo o usar Request Board |
Este marco te ayuda a evitar aplicar un solo modelo a cada SKU. Para los artículos CZ, pronosticar es una pérdida de tiempo. Para los artículos AZ, es una cuestión de supervivencia operativa.
Paso 2: Señales de demanda impulsadas por fallos del modelo
Una vez que hayas clasificado tu inventario, reemplaza los pronósticos basados en el consumo por otros impulsados por fallos. El desencadenante del reabastecimiento debe ser un evento de mantenimiento, no una revisión periódica del stock.
El objetivo es vincular los datos del tiempo medio entre fallos (MTBF) con tus desencadenantes de reabastecimiento. Si un variador servo tiene un MTBF conocido de 5 años y tienes 10 en operación, deberías planificar aproximadamente 2 fallos por año. Este enfoque de modelado estocástico es mucho más preciso que mirar lo que compraste el año pasado. La investigación sobre métodos y modelos de pronóstico para inventario de mantenimiento confirma que los sistemas de apoyo al pronóstico adaptados mejoran los resultados de la gestión del inventario de mantenimiento.
La matemática de la demanda impulsada por fallos
Para componentes con una tasa de fallo constante, la distribución de Poisson es el modelo estándar. La probabilidad de observar exactamente k fallos en un período dado es:
P(k) = (λ^k * e^-λ) / k!
Donde λ es el número esperado de fallos durante ese período. Si tienes 10 variadores con un MTBF de 5 años, tu tasa esperada de fallos es 2 por año. La probabilidad de experimentar 3 o más fallos en un solo año es de aproximadamente 32%. Eso no es un riesgo de cola; es una casi certeza en un horizonte de 3 años. Tu cálculo de stock de seguridad debe cubrir esta variabilidad, no solo el promedio.
Un error común es ignorar la variabilidad del plazo de entrega. Una pieza con un plazo de entrega de 20 semanas requiere niveles de stock distintos a los de una con un plazo de entrega de 2 semanas.
La fórmula de la demanda durante el plazo de entrega
El cálculo estándar del punto de pedido bajo incertidumbre es:
Punto de pedido = (Demanda diaria esperada × Plazo de entrega en días) + Stock de seguridad
Para piezas impulsadas por fallos, la demanda diaria esperada es tu tasa anual de fallos dividida entre 365. El stock de seguridad es una función de la desviación estándar de la demanda durante el plazo de entrega y de tu nivel de servicio deseado. Para un nivel de servicio del 95%, el valor z es 1.65. Para el 99%, es 2.33.
Considera un variador Siemens 6SE7021-8EB87-0AA1 con un plazo de entrega de 20 semanas desde el OEM. Tu planta opera 12 de estos variadores, cada uno con un MTBF documentado de 6 años. Tu tasa esperada de fallos es 2 por año. El plazo de entrega es de 140 días. La demanda esperada durante el plazo de entrega es de 0.77 unidades. Si la desviación estándar de la demanda durante el plazo de entrega es 0.9, tu stock de seguridad para un nivel de servicio del 95% es 1.65 × 0.9 = 1.5 unidades. Redondea hacia arriba: necesitas un punto de pedido de 2 unidades en stock. Si solo almacenas 1, tienes aproximadamente un 30% de probabilidad de quedarte sin stock antes de que llegue el reemplazo.
Pronóstico durante la volatilidad de la cadena de suministro
La matemática de la tasa de fallos anterior supone un plazo de entrega estable. Cuando la logística global se ve interrumpida, un plazo de entrega de 20 semanas puede extenderse a 30 o 40 semanas sin previo aviso. Tu pronóstico debe incluir un factor de inflación del plazo de entrega basado en el rendimiento actual del proveedor.
Si tu OEM cotizó 20 semanas pero entregó en 26 durante los últimos tres pedidos, tu plazo de entrega de planificación es de 26 semanas, no de 20. Recalcula tu punto de reorden con el plazo de entrega real.
Para las piezas ya marcadas como obsoletas o al final de su vida útil, la cuestión del plazo de entrega deja de tener sentido. Tu previsión debería activar una decisión de abastecimiento antes de que se consuma la última unidad. Cuando tu modelo identifica un accionamiento crítico con un plazo de entrega efectivo de 26 semanas y solo 1 unidad en stock, la previsión ha cumplido su función. El siguiente paso es encontrar una fuente alternativa verificada.
Paso 3: Usa aprendizaje automático para la demanda intermitente
Los modelos estadísticos estándar se desmoronan ante la demanda intermitente. Los algoritmos de aprendizaje automático, específicamente las Máquinas de Vectores de Soporte (SVM), han demostrado ser eficaces para abordar estos patrones de demanda dispersa. Un estudio de caso sobre SVM para la previsión de la demanda de [inventario MRO(https://automa.net/blog/best-strategies-managing-mro-inventory) | researchgate.net] demuestra cómo estos modelos manejan los datos erráticos que derrotan a los métodos tradicionales.
Para la mayoría de las plantas, estos datos viven en el CMMS, el ERP y los registros de mantenimiento.
La brecha que ningún algoritmo cierra en el circuito humano
Cada modelo de ML desplegado en plantas europeas comparte el mismo punto ciego: ignora el conocimiento tácito de los técnicos de mantenimiento que han trabajado en la línea durante 15 años. Saben que el robot KUKA de la línea 3 falla con más frecuencia en agosto, cuando sube la temperatura ambiente.
Un enfoque puramente de ML trata estas ideas como ruido. Un enfoque con intervención humana las trata como características.
Un flujo de trabajo práctico para combinar la salida de ML con el juicio del técnico
Organiza una reunión de revisión mensual con el equipo de mantenimiento, no solo con compras. Revisa la previsión de ML para los próximos 90 días de tus 20 piezas críticas principales. Haz una pregunta: ¿esto coincide con lo que ves en planta?
El variador de frecuencia de la línea de envasado lleva dos semanas emitiendo un zumbido agudo. La pieza de repuesto que almacenaste para el husillo del CNC es de la revisión incorrecta; la máquina fue modernizada el año pasado. Estas son señales de demanda que ningún conjunto de datos histórico contiene porque están ocurriendo ahora.
Registra estos ajustes en el CMMS como notas estructuradas. Con el tiempo, construyes un bucle de retroalimentación: el modelo de ML aprende de las correcciones del técnico y el técnico ve su aporte reflejado en una mejor disponibilidad de stock.
Los datos que necesitas para que el ML funcione
Antes de invertir en cualquier herramienta de ML, audita la calidad de tus datos. El conjunto mínimo viable de datos para una sola pieza incluye:
- Fecha y hora de la falla
- Identificador del activo y ubicación
- Número de pieza y fabricante
- Modo de falla (según los códigos de tu CMMS)
- Acción de mantenimiento realizada (reparar vs. reemplazar)
- Plazo de entrega desde el pedido hasta la recepción
- Notas del técnico (texto libre)
La mayoría de las plantas tienen estos datos dispersos entre el CMMS, el ERP y hojas de cálculo de Excel. El modelo de ML solo es tan bueno como tu capacidad para unir estas tablas. Empieza estandarizando tus códigos de fallo y exigiendo al equipo de mantenimiento que seleccione de un menú desplegable en lugar de escribir texto libre.
Cuando ML es la herramienta equivocada
Para piezas clasificadas como CZ con un consumo casi nulo, ML no aporta nada. La demanda es tan escasa que ningún algoritmo puede encontrar un patrón. La previsión correcta es simple: reordenar ante el fallo, o usar un tablero de solicitudes de mercado cuando ocurra el fallo.
Para piezas AZ con un historial real de fallos, ML sí compensa. Pero si tus datos de MTBF no son fiables porque los eventos de mantenimiento no se registraron durante dos años, el modelo producirá disparates con apariencia de certeza.
Paso 4: Aplicar el análisis BOM a las compras de mantenimiento
El análisis BOM para las compras de mantenimiento te ayuda a entender qué componentes se comparten entre múltiples activos. Cuando un mismo número de pieza aparece en 15 BOM de máquinas diferentes, su criticidad es mayor de lo que su tasa de fallo individual sugiere.
No puedes prever la demanda de una pieza que ya no existe en el catálogo de tu proveedor, pero sí puedes prever el riesgo de necesitarla. Ese riesgo debe desencadenar una decisión: encontrar una alternativa verificada, almacenar las últimas unidades disponibles o planificar una modernización.
La encuesta de MRO de aviación de Oliver Wyman destaca que la tensión en la cadena de suministro está aumentando en todos los sectores, con la previsión de la demanda de repuestos convirtiéndose en una prioridad de gestión de costes. Para las piezas obsoletas, el horizonte de previsión no es un trimestre. Es el ciclo de vida restante del activo.
Paso 5: Gestión del inventario de componentes de automatización obsoletos
El inventario obsoleto requiere un marco de decisión diferente al del stock activo. El objetivo es minimizar tanto el coste de mantener stock muerto como el coste de una máquina parada sin reemplazo disponible.
Para los componentes en activos de producción en funcionamiento, la cuestión es si almacenar la última compra o buscar una alternativa verificada. Para los componentes ya reemplazados, el stock excedente debe monetizarse en lugar de darse de baja. Cuando tu previsión identifica una pieza como de alto riesgo por obsolescencia, la solución no es un mejor modelo estadístico. Es una fuente verificada de la pieza física.
El marco de previsión en la práctica
El marco completo es sencillo: clasificar por criticidad, modelar con datos de fallos, aplicar ML a la demanda intermitente y usar el análisis BOM para detectar componentes compartidos y obsoletos. El resultado es un conjunto de disparadores de reposición y estrategias de abastecimiento adaptadas a cada clase de inventario.
| Paso | Acción | Resultado |
| 1 | Clasificación ABC-XYZ | Segmentación del inventario |
| 2 | Modelado de la demanda impulsado por fallos | Disparadores de reposición basados en MTBF |
| 3 | ML para demanda intermitente | Mejora de la precisión del pronóstico en repuestos críticos |
| 4 | Análisis de BOM | Mapa de componentes compartidos y riesgo de obsolescencia |
| 5 | Estrategia de inventario obsoleto | Decisiones de última compra frente a alternativas verificadas |
Las cifras muestran por qué esto importa. Se proyecta que el gasto global en MRO de aviación alcance los 119 mil millones de dólares para 2034, según el pronóstico de gasto en MRO de IATA, y se espera que la flota mundial de aeronaves crezca un 37% para 2036, según el análisis de crecimiento de flota de Oliver Wyman. La presión sobre la disponibilidad de repuestos no hace más que aumentar.
La parte difícil no es el método de pronóstico. Cuando tu análisis detecta un accionamiento obsoleto con un plazo de entrega de 20 semanas, no necesitas mejores datos. Necesitas una fuente verificada de la pieza física, hoy. Ahí es donde AutomaSEARCH conecta tu pronóstico con inventario real disponible en stock en una red verificada de proveedores.
Preguntas frecuentes
¿Cómo distingues entre demanda independiente y dependiente para piezas de MRO?
La demanda independiente de piezas de MRO proviene de eventos impredecibles como averías de máquinas o programas de mantenimiento preventivo. La demanda dependiente está vinculada a un plan de producción específico, como un filtro que se cambia cada vez que una máquina ejecuta un lote. Para la previsión, trátalas por separado: usa datos de fallos y programas de mantenimiento para la demanda independiente, y vincula la demanda dependiente directamente a tu previsión de producción.
¿Cuáles son los principales desafíos al pronosticar la demanda de componentes PLC y de accionamiento descatalogados?
Los componentes descatalogados no tienen datos históricos de consumo y presentan una tasa de fallo impredecible. Los principales desafíos son los largos plazos de entrega (a menudo 20 semanas o más), el riesgo de rotura de stock en una máquina crítica y el alto coste de mantenimiento de una pieza que quizá nunca se utilice. Aquí es donde la gestión del inventario obsoleto requiere un enfoque distinto al de la previsión estándar.
¿Cómo influye la criticidad de la máquina en la previsión de inventario MRO?
La criticidad de la máquina determina el coste de una rotura de stock. Para una máquina crítica, el coste del tiempo de inactividad supera con creces el coste de mantenimiento de una pieza de repuesto. Tu previsión debe priorizar estos artículos con mayor stock de seguridad y disparadores de reposición más rápidos. Para las máquinas no críticas, puedes aceptar un mayor riesgo de rotura de stock y mantener niveles de inventario más bajos.