Es la hora de la Digitalizaciones en la cadena de suministro. se aceleran todas las inversiones y proyectos on hold que hasta ahora NO eran prioritarias, este es el momento de hacerlas. Y no hay excusas.

Para gestionar las funciones esenciales de la empresa, se han implementado numerosos sistemas de gestión de la información. Por ejemplo, los sistemas de ejecución de fabricación (MES) son capaces de gestionar indicadores clave de rendimiento (KPI) como la duración del ciclo de fabricación, el rendimiento, el desempeño efectivo total de la instalación, etc. Por lo general, la planificación de recursos de la empresa engloba la gestión de la información de diversas funciones como la contabilidad financiera, la contabilidad de gestión y los recursos humanos, así como los KPI asociados. 

Los sistemas de gestión de almacenes (WMS) gestionan generalmente la planificación, el personal y la información de
la empresa para garantizar la trazabilidad SKU y las actividades operativas. mientras que los sistemas de gestión de las relaciones con los clientes (CRM) se encargan de la información relacionada con los pedidos finales de los clientes, el perfiles de los clientes, las operaciones de marketing, etc. 

La información transaccional se registra actualmente en estos sistemas de gestiónde la información y representa el patrimonio de datos, incluyendo el historial y el comportamiento empresarial. El mercado promueve nuevos requisitos, como : •El origen del producto – Garantiza la transparencia sobre los materiales y componentes que se utilizan para fabricar el producto final, lo que permite a los proveedores respetar las reglas y protegerse contra las imitaciones y falsificaciones. •El estado de la expedición – Utiliza datos de seguimiento y rastreo para verificar la ubicación de los productos y comunicar proactivamente si surgen discrepancias. •Los efectos de agentes externos – Permite realizar un seguimiento de la temperatura, los daños y la información sobre la humedad de los productos conforme van avanzando en la cadena de suministro para identificar los problemas eventuales. •El marketing – Comunica la historia de la cadena de suministro a los clientes para demostrar que se cumplen los requisitos e incrementar la confianza del comprador. •La gestión de la recuperación – Identifica rápidamente y recupera únicamente el material o el lote fabricado afectado en caso de problemas de calidad. •La calidad y sostenibilidad – Recopila y agrega los datos de trazabilidad relacionados con la calidad y sostenibilidad de una sola plataforma. •La gestión de riesgos – Identifica proactivamente y gestiona los riesgos en toda la cadena de suministro. 

Estas nuevas capacidades se diseñan e implementan cada vez más utilizando las nuevas tecnologías de datos y análisis. Acabar con los silos de información entre sistemas monolíticos es actualmente un objetivo indispensable para el análisis de casos prácticos, pues las correlaciones, las estadísticas, el machine learning u otras capacidades algorítmicas mejorarán la productividad y la eficacia de las operaciones. 

MODELO BASADO EN REGLAS 

La mayoría de los sistemas de gestión de información utilizan modelos basados en reglas. No obstante, manejan generalmente silos de información. 

Muchas familias de algoritmos como los sistemas expertos o la investigaciónoperativa ofrecen características muy interesantes para hacer frente a múltiplesretos de la cadena de suministro, que ilustramos en los siguientes ejemplos: -Un planificador de rutas eficiente utiliza generalmente el algoritmo de Dijkstra. –Un optimizador de espacio, ya sea para la gestión de las existencias de un almacén o un transportista, se basa en un algoritmo de cuadro delimitador mínimo (minimum bounding box). –

– Un sistema eficaz de recomendación de transportistas puede implementarse utilizando algoritmos de satisfacción de restricciones en los que las variables como costes, tiempos de espera, calidad y emisión de carbono pueden expresarse como restricciones a optimizar. 

MACHINE LEARNING

El machine learning permite crear modelos inteligentes, conocidos como algoritmos. Los modelos inteligentes son diferentes de los modelos basados en reglas ya que ningún humano ha definido las reglas. Las reglas se establecen en base a un historial de datos mediante el procesamiento de transacciones por etapas, lo que permite a las empresas: -Conocer el nivel de cobertura óptima de las existencias para cada SKU, teniendo en cuenta factores como la estacionalidad y las reservas de seguridad. –Conocer el plazo de entrega de un proveedor para evaluar el nivel de riesgo y/o cuestionar su desempeño.–Evaluar el riesgo de fallo de un activo para optimizar el plan de mantenimiento. —

Muchas de estas tareas ya existen en las empresas y el machine learning permite sobre todo aumentar la rapidez, la precisión y la disponibilidad. Cuando se implementa un modelo de este tipo, la empresa puede utilizarlo como sistema de recomendación. Todas las decisiones son tomadas por seres humanos, que son responsables de las acciones, asistidos por los procesos implementados para gestionar el riesgo y la estrategia de decisiones. 

MODELO DE INTELIGENCIA ARTIFICIAL

Un modelo de inteligencia artificial ofrece un nuevo servicio a la empresa, ya sea para mejorar su desempeño u ofrecer nuevos servicios. En este modelo, la decisión se automatiza (se aplica la recomendación del modelo de machine learning) y los operadores supervisan el funcionamiento del autómata. A continuación se presentan varios ejemplos: •La automatización de la programación de las intervenciones de mantenimiento utilizando la predicción de fallos de activos. En este caso, vamos un paso másallá de la detección del fallo de un activo y de la automatización de la planificación de la operación de mantenimiento. ••La automatización de un pedido a un proveedor si el modelo detecta que la demanda del cliente va a aumentar. En este caso, un algoritmo de machine learning que conoce las tendencias del mercado puede detectar
la evolución de la demanda y recomendar que se realice el pedido. Antes de automatizar un pedido a un proveedor, el sistema debe verificar todos los niveles de SKU, el plazo de entrega, el tiempo necesario para la fabricación, etc., para asegurarse de que la decisión de realizar un pedido es pertinente, como lo haríaun ser humano. 

PREDICCIÓN DE LA DEMANDA 

El machine learning no es un nuevo concepto en la planificación de la demanda. Las aplicaciones de planificación de la demanda han venido utilizando los datos para prever la demanda de los clientes por lo menos desde comienzos del siglo XXI1. 

Lo que ha cambiado es la sofisticación de las herramientas, que actualmente integran muchos más datos de entrada y por lo tanto permiten realizar un análisismucho más preciso. Para prever el número de gorras de béisbol que un distribuidor venderá en los próximos seis meses aparentemente deben considerarse una infinidad de datos: el contexto económico, el tiempo, el equipo que haya ganado la Serie Mundial de béisbol, el precio del algodón, etc. Estos datos de entrada, que tienen todos diferentes grados de importancia, pueden ofrecer una visión mucho más precisa del futuro que la simple observación de la demanda del año anterior, que es lo que la mayoría de las empresas hace si no se realiza ningún análisis de datos adicional. 

Una de las principales ventajas que ofrece la IA para predecir la demanda es la rapidez con la que la tecnología permite procesar un gran volumen de datos. Ahora bien, una ventaja aún más importante es la posibilidad que ofrece el programa de mejorar continuamente. 

El programa comparará constantemente sus predicciones con los resultados reales, identificando bits de datos que ayudan a explicar por qué la predicción era errada. 

OPTIMIZACIÓN DE PRECIOS 

Además de ayudar a las empresas a predecir con mayor precisión el número de clientes potenciales, las herramientas de IA están ayudándoles a predecir cuánto estándispuestos a paga, un dato que reviste la misma importancia

Dos de los ejemplos más evidentes de optimización de precios basada en la IA son Uber y Lyft, cuyos precios cambian cada segundo según el número de conductores disponibles y la demanda de los clientes. Además, pueden incorporar otros factores como las condiciones meteorológicas, lo que podría incidir en lo que la gente está dispuesta a pagar por una carrera. 

Ahora bien, no son solo los innovadores de la Silicon Valley los que están desarrollando la IA para elaborar una política dinámica de precios, pues la IA se integra cada vez más en la gestión de la cadena de suministro en casi todos los sectores. Gartner estima que aproximadamente 1.000 empresas habían adoptado la optimización de precios basada en IA a finales de 2018 y el margen de crecimiento sigue siendo enorme: el mismo estudio estima que 10.000 empresas del segmento B2B exclusivamente podrían beneficiarse de la tecnología de optimización de precios. 

La conclusión es que una predicción de la demanda más precisa conduciría a una cadena de suministro más eficaz que permitiría obtener importantes ahorros de costes y aumentar los beneficios. Particularmente en el comercio minorista, es común que las empresas recurran al sobreaprovisionamiento de existencias para reducir las probabilidades de perder clientes. Aunque no son productos perecederos y pueden devolverse o venderse en algún momento, el exceso de existencias ocupa espacio, lleva tiempo y finalmente cuesta dinero, que podríainvertirse en algo que aporte un valor real en ese momento. Puesto que las herramientas que integran la IA permiten predecir la demanda con mucha mayor precisión, los mayoristas, minoristas y cualquier empresa cuya actividad implique la compra y venta de productos podrán hacer que su inventario corresponda mejor a los deseos de los clientes

GESTIÓN DE FLOTA 

La IA ha contribuido a mejorar la situación de manera espectacular en los últimos años. Los mismos factores que han transformado los viajes personales, que hace una década dependían aún considerablemente de los mapas de papel y de la ayuda que se pedía a extraños para encontrar una dirección, han transformado la forma en las empresas gestionan sus flotas. 

Un excelente ejemplo es UPS. Durante décadas, la empresa ha establecido rutas precisas para los conductores con el fin de recortar el tiempo de entrega, economizar combustible y reducir al mínimo las probabilidades de accidente. Una de las características de la estrategia ha sido la de evitar giros a la izquierda (o a la derecha en los países donde se conduce por la izquierda), debido a que los giros a la izquierda suelen provocar más accidentes que los giros a la derecha y, además, requieren normalmente una espera más larga. 

Sin embargo, en los últimos años UPS ha potenciado sus técnicas de reducciónde tiempo gracias a su propio sistema de mapeo basado en IA, ORION (On-Road Integrated Optimization Navigation). 

Para cada ruta, ORION analiza más de 200.000 opciones. Desde el despliegue del algoritmo en 2012, la empresa afirma que ha economizado una media de 6 a 8 millas en las rutas diarias de cada conductor, es decir, ¡un total de 100 millones de millas menos al año! Esto ha generado un ahorro de combustible de 50 millones de $ al año, pero la reducción total de gastos debido a la disminucióndel número de horas extras a pagar, del mantenimiento y las reparaciones ha sido mucho mayor; a finales de 2016, UPS afirmó que ORION había permitido economizar entre 300 y 400 millones de $. 

EXPEDICIONES MÁS SEGURAS Y PREDECIBLES 

Por más que se planifiquen las operaciones de la cadena de suministro, siempre existe la posibilidad de que surjan imprevistos. La ruta que permitiría entregar la mercancía lo másrápidamente posible también puede presentar un mayor riesgo de interrupción debido a la inestabilidad política, la criminalidad o el descontento del personal. La IA puede aportar a las empresas una visión más clara de los riesgos relacionados con las operaciones de la cadena de suministro, lo que les permite minimizar las probabilidades de interrupción. 

Las empresas recurren cada vez más al análisis predictivo para ayudarles a evitar los problemas que costarían tiempo y dinero. 

Pongamos por ejemplo el problema de la piratería y otros delitos que pueden interrumpir la cadena de suministro. Del mismo modo que la policía utiliza cada vez más plataformas que le permiten mantenerse informada en tiempo real sobre los delitos y analizar los datos históricos de la delincuencia de cualquier zona de una ciudad, las empresas tendrán acceso a recursos similares que les ayudarán a identificar los lugares más seguros para almacenar y  transportar las mercancías.

Tomemos el ejemplo de una empresa que busca un lugar para instalar un nuevo almacén. La empresa desea pagar lo menos posible y reducir al mínimo los riesgos para su personal y sus productos. Gracias a los registros locales de delincuencia, la aplicación de análisis de datos puede generar un mapa térmico  de la zona basado en el índice de delincuencia. 

En el caso de una cadena de suministro internacional, el problema no es tanto la tecnología, sino los datos disponibles. La eficacia de los algoritmos depende de los datos y, en muchos casos, los datos necesarios no están disponibles. Las fuerzas policiales en los paísesindustrializados prósperos están empezando apenas a digitalizar sus datos. En muchas otras jurisdicciones, los informes de incidentes, los registros de detenciones y otros datos claves siguen durmiendo en los archivadores . En todo el mundo, gracias a la tecnología y a las políticas públicas, este tipo de datos se digitalizará cada vez más y estará disponible tanto para los particulares como para las empresas que tendrán la posibilidad de analizarlos. En ciertos casos, será el sector público que los pondrá a disposición del público a través de portales “open data” en línea. En otros casos, serán empresas privadas las que recopilaránestos datos y los venderán.

DRONES Y VEHÍCULOS AUTÓNOMOS 

Los vehículos sin conductor ya están generando grandes cambios en la actividad de los almacenes de todo el mundo. A finales de 2019, Amazon contaba con una flota de 45.000 vehículos guiados automáticamente para transportar los productos en sus numerosos almacenes1. La empresa está experimentando con otros tipos de robot, en particular Pegasus, un robot que utiliza la IA para seleccionar el producto correcto entre varios productos y transportarlo a continuación al lugar apropiado2. Amazon estima que la utilización cada vez mayor de los robots permitirá reducir los costes laborales, las lesiones e, igualmente, incrementar la productividad puesto que las máquinas no conocen el cansancio. 

La utilización de los vehículos autónomos fuera de los límites claramente definidos del almacén es un reto más complejo, pero eso no frenará a las másgrandes empresas mundiales. En 2019, Walmart empezó a probar furgonetas autónomas sin conductor para transportar productos entre dos almacenes en Bentonville, Arkansas. Independientemente de que el proyecto piloto, realizado con el vehículo autónomo Gatik, tenga éxito o no, no cabe duda de que la visiónde Walmart se hará realidad algún día para la empresa y otros grandes minoristas. Para Walmart, la tecnología de vehículos autónomos puede representar una necesidad fundamental, pues la venta en línea de la megaempresa nunca ha sido rentable debido a los altos costes de entrega. En un ecosistema de mercado cada vez más digital, encontrar la manera de generar beneficios en líneano es una opción, sino una condición indispensable para su supervivencia. 

Por último, no hay que olvidar los drones. No es fácil predecir cuándo se generalizará la comercialización de dispositivos aéreos no tripulados, pero es evidente que no tardará. El supuesto líder del uso de drones para la entrega de paquetes es Amazon, que ya tiene un nombre para su futuro sistema de entrega con drones: Amazon Prime Air. UPS y CVS también han formalizado un acuerdo de cooperación que permitió entregar por primera vez una receta médica con un dron en  USA en 2019.

Principales conclusiones 

En las conclusiones, los cuatro ponentes resumieron en otros tantos puntos las modificaciones a las que se tiene que ver sometida la cadena de suministro para adaptarse al escenario que la crisis sanitaria dejará en el sector:1.Análisis de riesgos. Hemos estado en una zona de confort que no existía y debemos plantearnos cómo actuar ante situaciones improvistas.2.Aumentar la capacidad de reacción. La flexibilidad ya no es una opción es una necesidad, para lo cual la digitalización resulta imprescindible.3.Visibilidad con proveedores y clientes. Sólo de esta forma se sabrá qué papel juega cada operador en la cadena de suministro.4.Colaboración. Ahora mismo, y en un futuro cercano, no se trata de realizar una competencia feroz, sino de asegurar los flujos y la estabilidad.

Una mirada al futuro: la nueva gestión del Supply chain post Pandemia

Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información.

ACEPTAR
Aviso de cookies