- El buen uso de los datos, a través del aprendizaje automático o Machine Learning, para anticiparse a las eventualidades, puede hacer la diferencia entre el éxito o fracaso en la red de suministro en momentos críticos. Algunas empresas han aprovechado el momento y han logrado incrementar en más de 4% sus ventas en tan solo 6 meses.
Por: Sergio Luján Hoffmann, Director de Data Science en NEORIS México
El concepto de entorno VUCA (por sus siglas en inglés, Volatile, Uncertain, Complex and Ambiguous), surgido luego de finalizada la Guerra Fría, ha cobrado especial relevancia con otro evento mundial: la pandemia ¿Por qué? La llegada del Covid-19 puso a prueba las cadenas de suministro de todo tipo de empresas alrededor del mundo y fue un punto de inflexión para las compañías, ya que se vieron en la necesidad de repensar no solo sus planes inmediatos, sino la manera en la que debían gestionar, de manera eficiente y rápida, la cadena de suministro para que evitar afectar a sus clientes.
Es justamente en estos entornos donde se hace cada vez más imperativo que las empresas estén preparadas y adapten sus cadenas de suministro para hacerlas más ágiles, resilientes y flexibles para afrontar los desafíos que se les presenten. Si bien existen distintas dimensiones para hacer frente a la coyuntura, estamos convencidos de que los datos son la piedra angular para lograrlo.
Es imposible pensar en optimizar la cadena de suministro ―cuyos costos, en promedio, superan el 10% de los costos totales― con procesos de pronóstico donde se estima cuando hay situaciones de incertidumbre, o con procesos de planeación que, muchas veces, son alimentados con datos erróneos de transacciones, inventarios y otros relacionados con la oferta y demanda de productos o servicios. Como resultado, las empresas tienen la tarea de identificar los formatos y cantidades óptimas de sus productos o servicios para atender las necesidades cambiantes de los clientes.
A los retos de la escasez de semiconductores ―que ya está en la mira de las potencias mundiales― y las disrupciones en las cadenas de suministro, se suma el desafío de las compañías de encargarse de los altos inventarios, al tiempo que buscan tener lista la oferta para sus clientes.
Para resolver esto, es fundamental tener los datos necesarios dispuestos para su uso para que las compañías se enfoquen en el corazón de todo proceso de planeación: el pronóstico de la demanda.
Para los líderes de la cadena de suministro, la optimización del proceso de pronóstico de la demanda tiene una mayor prioridad con respecto a otras iniciativas como el traqueo o la automatización. La razón de esto es que, contar con un proceso de pronóstico de la demanda ágil, que aumente las capacidades de los equipos de planeación y que integre factores internos y externos, permite considerar casos de uso adicionales de Machine Learning tales como la optimización de inventarios, optimización de compras e, incluso, algoritmos de recomendación para la venta cruzada y promociones.
En NEORIS, a través de una oferta de soluciones de Machine Learning, trabajamos con nuestros clientes para optimizar sus procesos de pronóstico de la demanda. Para ello, integramos tanto variables internas del negocio como variables externas (clima o días festivos) en un modelo de Machine Learning que permite entregar predicciones para millones de combinaciones de SKUs, tiendas o clientes.
Gracias a esto, algunos clientes han desarrollado casos de uso adicionales como pedido sugerido, con lo cual han incrementado sus ventas en más de 4% en tan solo 6 meses.
Es una realidad que el aprendizaje automático o Machine Learning ha posibilitado la identificación rápida de aquellos elementos clave para el éxito de la cadena de suministro. Este tipo de tecnología, aplicada a los procesos empresariales, ha servido a muchas compañías alrededor del mundo a afrontar de la mejor manera los momentos difíciles, complejos o inciertos.
Ciertamente, las organizaciones están llamadas a adoptar la tecnología como parte esencial de su crecimiento. Solo de esta manera, tendrán bases sólidas y robustas para enfrentar tiempos de crisis sin poner en riesgo su productividad y eficiencia.
Acerca del autor
Sergio Luján. Es Director en México de Data Science en NEORIS.
Tiene más de 13 años de experiencia en la industria de la tecnología cuenta con un MBA de la escuela de negocios IE Business School. Actualmente participa en el programa de estadística y ciencia de datos de MIT, fue Asesor de Gartner especializado en transformación digital y análisis de datos. Se incorporó a NEORIS en el 2020 a liderar la práctica de análisis de datos e inteligencia artificial en México.
