A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

En el complejo mundo de las cadenas de suministro, mantener el inventario adecuado de piezas es un equilibrio constante. Si una fábrica o una aerolínea se queda sin un componente específico, las operaciones pueden detenerse, causando retrasos costosos. Pero si un almacén se llena de piezas que nunca se usan, el dinero se queda inactivo en los estantes y los artículos podrían terminar volviéndose obsoletos. Este desafío es especialmente difícil para las piezas de repuesto utilizadas en maquinaria y vehículos. A diferencia de la demanda de artículos cotidianos como el pan o las baterías, que la gente compra regularmente, las piezas de repuesto a menudo permanecen sin tocar durante meses o incluso años, solo para ser necesarias repentinamente cuando una máquina se avería. Este patrón, donde largos periodos de silencio son interrumpidos por solicitudes raras e impredecibles, crea un problema de pronóstico único. Las herramientas de predicción estándar, que funcionan bien para ventas constantes, suelen fallar aquí. Tienden a suponer que una pieza será necesaria pronto simplemente porque las matemáticas así lo dicen, lo que genera una acumulación de inventario innecesario, o bien pasan por alto el momento raro en que realmente se requiere una pieza.

Un equipo de investigadores del Colegio de Logística de la Fuerza Aérea en China ha desarrollado un nuevo enfoque para resolver este rompecabezas específico. Crearon un sofisticado modelo computacional diseñado para manejar estos patrones de demanda erráticos y "con exceso de ceros" (zero-inflated), donde la mayoría de los meses no muestran demanda alguna. Los investigadores probaron su sistema utilizando un conjunto de datos del mundo real que contenía registros de demanda de más de 2,600 piezas de repuesto diferentes, rastreando su uso durante un periodo de más de cuatro años. El objetivo era predecir si una pieza sería necesaria en los meses venideros y, de ser así, cuántas unidades se requerirían. Su nuevo modelo, al que llaman Dynamic Adaptive Fusion Transformer, funciona dividiendo la tarea de predicción en dos preguntas distintas: primero, ¿se necesitará la pieza? y segundo, si se necesita, ¿cuántas se requerirán? Al tratar estas como problemas separados y luego combinar cuidadosamente las respuestas, el modelo aprende a reconocer la diferencia entre una verdadera falta de necesidad y un pico de demanda poco común.

Los investigadores descubrieron que este enfoque dividido, combinado con un mecanismo que permite al modelo ajustar su propia confianza, mejoró significamente la precisión. En sus pruebas, el nuevo modelo fue mucho mejor para evitar falsas alarmas que los métodos anteriores. Cuando la demanda real de una pieza era cero, el nuevo modelo predecía una necesidad cercana a cero, deteniendo eficazmente el pedido de piezas que simplemente se quedarían allí acumulando polvo. Específicamente, el modelo redujo el error al predecir meses de demanda cero a un nivel muy bajo, superando con creces a los métodos estadísticos tradicionales y otras herramientas modernas de aprendizaje automático. Sin embargo, el estudio también reveló una compensación. Si bien el modelo se volvió excelente para saber cuándo no pedir, ocasionalmente se volvió ligeramente más cauteloso al predecir picos grandes y repentinos de demanda. Logró suprimir el ruido de los falsos positivos, pero a veces subestimó el tamaño de una solicitud urgente y genuina.

Para entender cómo funciona esto, imagine el modelo como un sistema que primero revisa un calendario y un registro histórico para decidir si es probable que ocurra una solicitud. Si el historial muestra que la pieza no se ha usado en mucho tiempo, el sistema se inclina fuertemente hacia la predicción de cero. Si el historial muestra actividad reciente, desplaza su atención hacia la estimación de la cantidad. Los investigadores construyeron un sistema de "puerta" (gating) que actúa como un controlador de tráfico, decidiendo cuánto peso dar a la suposición de "¿ocurrirá?" frente a la de "¿cuántos?". Esto permite que el modelo sea flexible. En los meses donde los datos sugieren un periodo tranquilo, el modelo predice con confianza cero. En los meses donde los datos insinúan actividad, abre la puerta para predecir un número positivo. Este ajuste dinámico es lo que permite al sistema manejar la extrema imprevisibilidad de las piezas de repuesto sin confundirse con los largos periodos de silencio.

Los experimentos demostraron que este método es particularmente efectivo para piezas que se usan raramente pero son críticas cuando se necesitan. Al reducir el número de veces que el modelo predice incorrectamente una necesidad de una pieza que en realidad no es necesaria, el sistema ayuda a las organizaciones a ahorrar dinero en almacenamiento y a evitar el desperdicio de pedir existencias obsoletas. Los investigadores señalaron que, aunque el modelo no es perfecto para predecir el tamaño exacto de un pico de demanda masivo y repentino, su capacidad para evitar falsas alarmas es una mejora importante. En el contexto de la gestión de inventarios, donde el costo de mantener existencias adicionales puede ser alto, esta precisión es valiosa. El estudio sugiere que, para muchas piezas de repuesto, la mejor estrategia es ser muy cuidadoso al predecir una necesidad a menos que la evidencia sea sólida, en lugar de suponer que la demanda podría aparecer solo para estar seguros.

Los investigadores probaron su modelo contra varios otros métodos, incluyendo técnicas estadísticas antiguas y modelos de aprendizaje profundo más nuevos. Los resultados fueron claros: el nuevo modelo produjo menos errores totales y fue mucho mejor identificando los meses donde no habría demanda. De hecho, al observar específicamente los meses donde no se necesitaban piezas, las predicciones del nuevo modelo fueron significativamente más cercanas a cero que las de los otros métodos. Esto significa que evitó con éxito el error común de las "predicciones positivas espurias", donde un modelo ve un patrón que no existe y pide piezas innecesariamente. El estudio también confirmó que cada parte de su nuevo sistema desempeñaba un papel vital. Eliminar la parte que verifica la ocurrencia de la demanda hacía que el modelo fuera peor al manejar los meses de demanda cero, mientras que eliminar la parte que verifica el tamaño de la demanda lo hacía menos preciso cuando las piezas eran realmente necesarias. La combinación de estos elementos, gestionada por el mecanismo de fusión adaptativa, creó un sistema que era más robusto que cualquier componente individual por sí solo.

Si bien el modelo destaca en prevenir el exceso de pedidos, los investigadores reconocieron que todavía tiene margen de mejora en lo que respecta a la predicción de la magnitud de eventos de alto volumen y poco frecuentes. En sus pruebas, el modelo a veces predijo un número menor de piezas de las que se necesitaban durante un aumento repentino. Esto sugiere que, aunque el sistema es excelente para saber cuándo permanecer en silencio, todavía puede ser un poco conservador cuando llega el ruido de un pico de demanda real. Los autores proponen que el trabajo futuro podría implicar la adición de reglas específicas para manejar estos pchos extremos o combinar la salida del modelo con políticas de stock de seguridad para asegurar que nunca se pierdan las piezas críticas. Por ahora, el estudio demuestra que, al descomponer el problema de pronóstico en piezas más pequeñas y manejables y dejar que el modelo decida cómo ponderarlas, es posible crear un sistema mucho más inteligente para gestionar el mundo impredecible de las piezas de repuesto.

Las implicaciones de este trabajo se extienden más allá de los sectores militar o de aviación, donde se encuentran los investigadores. Cualquier industria que dependa del mantenimiento de equipos con piezas que se utilizan con poca frecuencia podría beneficiarse de este enfoque. Desde la fabricación industrial hasta la reparación automotriz, el desafío de predecir la demanda intermitente es universal. El éxito del Dynamic Adaptive Fusion Transformer sugiere que el futuro de la gestión de inventarios no reside en intentar forzar una predicción única y simple sobre datos complejos, sino en construir sistemas que puedan comprender los diferentes estados de la demanda y adaptar su estrategia en consecuencia. Al aprender a distinguir entre una verdadera falta de necesidad y un momento raro de alta actividad, estos sistemas pueden ayudar a las empresas a operar de manera más eficiente, manteniendo sus cadenas de suministro ajustadas sin arriesgar la disponibilidad de las piezas que más necesitan.