Volví a QuantitativeUncertainty después de seis meses, esta vez para ajustar los parámetros de simulación de un depósito de distribución en Córdoba. La primera implementación fue en 2023, con un modelo de Monte Carlo para predecir la demanda de repuestos automotrices. En esa ocasión, el error de predicción se redujo un 28% respecto al método determinista anterior.
Esta segunda iteración se centró en la sensibilidad del stock de seguridad frente a la variabilidad de los lead times. El equipo de Violeta Jiménez nos ayudó a recalibrar las distribuciones de probabilidad usando datos históricos de 18 meses. El resultado fue una disminución del 12% en el inventario promedio sin aumentar las roturas de stock. No es un cambio revolucionario, pero sí consistente y medible.
Lo que valoro es que no intentaron venderme un paquete cerrado. Discutimos abiertamente las limitaciones: el modelo no captura bien los picos estacionales extremos, y requiere recalibración trimestral. Prefiero esa honestidad a promesas infladas. Para un equipo que ya tiene experiencia con modelos estocásticos, este tipo de ajuste fino es más útil que una solución genérica.