Políticas de reabastecimiento
Las políticas de reabastecimiento que compiten por SKU sobre los mismos escenarios y cómo se elige la ganadora por menor costo total esperado.
AInventory evalúa cinco políticas de reabastecimiento (Cobertura Fija, Newsvendor Analítico, Varianza Proporcional, Error Estándar Histórico, Empírica Bootstrap) sobre una cascada de cuatro niveles, y elige la de menor costo total esperado. El Manual de Usuario 2026 muestra una vista simplificada de dos políticas (Dinámica/RMSE); aquí documentamos el modelo de cinco. Ver ESTRUCTURA.md §5.1.
La mecánica común
Toda política calcula un stock objetivo B: la cantidad de inventario que se quiere tener disponible al inicio de la ventana de análisis. El pedido resultante es:
Q = max(0, B − IP₀)
donde IP₀ = inventario inicial + inventario en tránsito. Si el inventario posicionado ya supera B, no se ordena nada (Q = 0).
Las cinco políticas se evalúan sobre los mismos escenarios Monte Carlo para el mismo SKU y con la misma semilla, lo que garantiza que sus costos sean directamente comparables. La ganadora es la que minimiza el costo total esperado:
política* = argmin_{p} E[costo_total(p)]
Esta comparación sobre escenarios idénticos elimina el ruido muestral: la diferencia entre políticas refleja diferencias reales en su desempeño, no artefactos de distintas realizaciones aleatorias.
Las cinco políticas
Cobertura Fija
B = N · μ_W
La perilla es N (número de periodos de cobertura, explorado en el grid 2, 3, 4, 5, 6, 7, 8). μ_W es la demanda esperada en la ventana W.
Es la política más intuitiva: "quiero tener stock para N periodos". No hace ningún supuesto sobre la forma de la distribución de demanda; su única palanca es cuántos periodos cubrir. Es robusta cuando la demanda es estable y el planificador tiene criterio sobre el horizonte razonable de cobertura. Su debilidad es que no se adapta a la volatilidad: dos SKUs con la misma μ_W pero distinta varianza recibirán el mismo B aunque sus riesgos sean muy distintos.
Newsvendor Analítico
q* = c_s / (c_s + c_h)
B = μ_W + z_{q*} · σ_W
donde c_s es el costo de shortage, c_h es el costo de holding, z_q* es el cuantil Normal estándar en q*, y σ_W proviene de los escenarios.
No tiene perilla: el punto óptimo emerge directamente de la estructura de costos. Esta es la solución del modelo newsvendor clásico (también llamado modelo del vendedor de periódicos): bajo demanda normal y costos lineales, el nivel de servicio óptimo es exactamente q*. Funciona bien con demanda estable y errores simétricos. Cuando la demanda tiene colas asimétricas o la distribución real dista de la Normal, su desempeño se degrada, razón por la que compite contra las otras cuatro en lugar de ser la política por defecto.
Varianza Proporcional
B = μ_W + k · √μ_W
La perilla es k. Asume que la desviación estándar de la demanda crece aproximadamente como la raíz cuadrada de la media —un supuesto coherente con distribuciones de tipo Poisson o negativo-binomial—, lo que hace que el safety stock escale con el nivel de demanda en lugar de ser absoluto.
Esta política es especialmente útil en SKUs de baja rotación o demanda intermitente, donde la variabilidad absoluta es pequeña pero la variabilidad relativa (coeficiente de variación) puede ser alta. Al no depender de σ_W estimada a partir de los errores históricos, es menos sensible a la calidad del historial.
Error Estándar Histórico
B = μ_W + k · RMSE_hist
La perilla es k. El RMSE histórico (Root Mean Squared Error) mide el tamaño promedio de los errores de pronóstico pasados. Este valor es un proxy directo de la incertidumbre del forecast: si el pronóstico históricamente se equivoca por ±50 unidades, el safety stock debería reflejar esa magnitud.
La fortaleza de esta política es su robustez: no requiere ningún supuesto distribucional, solo que los errores pasados sean representativos de los futuros. Su debilidad es que el RMSE histórico puede quedar desactualizado si el comportamiento de la demanda cambia estructuralmente (por ejemplo, tras un lanzamiento o una discontinuación).
Empírica Bootstrap
B = μ_W + k · σ_W
La perilla es k (grid 0,1, 0,5, 1,0, 1,5, 2,0, 2,5, 3,0, 3,5, 4,0, 4,5, 5,0; k = 0 se descarta). Aquí σ_W se calcula directamente desde el bundle de escenarios —no desde el histórico crudo—, lo que la hace coherente con la distribución empírica de la demanda simulada, incluyendo sus asimetrías y valores extremos.
Con histórico amplio (producto maduro), esta es la política más precisa porque incorpora toda la información disponible sobre el comportamiento real de la demanda. Capta colas gruesas y patrones estacionales que las fórmulas paramétricas aproximan. Con poco histórico, la σ_W empírica puede ser ruidosa, razón por la que las políticas paramétricas son más relevantes cuando el histórico es escaso o moderado.
Cómo se elige la política ganadora
Para cada valor de la perilla (o sin perilla, en el caso del Newsvendor Analítico), el sistema simula el desempeño de la política sobre los escenarios Monte Carlo y calcula el costo total esperado = holding + shortage. La política y el valor de perilla que producen el menor costo total esperado ganan:
(política*, k*) = argmin_{(p, k)} E[holding(p,k) + shortage(p,k)]
El resultado visible para el planificador es la política ganadora, el valor de k elegido, el pedido Q recomendado y el desglose de costos esperados. Las otras cuatro políticas y sus costos quedan disponibles en el detalle del SKU para que el planificador pueda entender por qué ganó la que ganó.
Las cinco políticas ven exactamente los mismos escenarios. Un planificador que revisa los resultados verá que la tabla de la vista de resumen y el detalle del SKU producen los mismos números: la semilla fija garantiza que cualquier cálculo posterior sobre el mismo conjunto de escenarios sea reproducible.