El supply chain es sensible a muchos factores lo que complica ser capaces de ser precisos en el forecasting
La consciencia de la importancia de una buena planificación en la cadena de suministro ha ido creciendo en el tiempo sobre todo a raíz de la pandemia Covid-19 y los últimos eventos geopolíticos como guerras y conflictos comerciales.
No cabe ninguna duda que ser agiles y resilientes en el contexto internacional en el cual nos encontramos es fundamental para permanecer competitivos.
La planificación de la demanda para estar presente en el mercado cuando y como nos necesitan nuestros clientes es fundamental.
Para esto, el punto de partida es la predicción de la demanda.
El problema es que muchos sectores y en muchas ocasiones han fracasado en el intento
Los desafíos que se enfrentan las empresas para predecir correctamente la demanda y que este forecast sea fiable son variados.
A continuación, agrupamos los desafíos comunes de cualquier empresa, independientemente del sector:
- Múltiples forecasts: cada departamento (comercial, compras, etc.) realiza sus predicciones. Estas en la mayoría de los casos no son alineadas entre ellas porque cada departamento tiene sus visiones, datos y objetivos. Por lo tanto, esto genera desde el comienzo de la cadena ineficiencias. Considerando que el punto de partida de la planificación de la demanda es su predicción, si no existe una sola fuente de “verdad” vamos inevitablemente a generar confusión e ineficiencias. Esto no nos lleva a tomar decisiones optimas, generando mermas en los márgenes.
- Metodologías tradicionales limitadas: pongamos que la fuente de “verdad” sea única y que todos los departamentos estén de acuerdo o que generan solo un forecast. El siguiente desafío inmediato es que las metodologías tradicionales utilizadas para realizar estas predicciones son sumamente limitadas. Los modelos matemáticos o estadísticos tradicionales son incapaces de incorporar variables externas en el análisis para ser sensibles a los eventos y circunstancias externas reduciendo considerablemente la precisión de las predicciones. Adicionalmente, tienen ciertas limitaciones en la cantidad de datos y variables (aunque sean internas) que se puedan considerar. Para esto la solución están en el machine learning y técnicas de optimización operativas basadas en inteligencia artificial (link al post sobre esto).
- Retos relacionados con los datos: en muchas ocasiones los datos para generar predicciones de calidad están dispersos y no estructurados. Por lo que se genera un desperdicio de esta información que puede ser muy valiosa para el forecasting.
- Procesos manuales y alta probabilidad de error: el factor humano juega un papel fundamental en la calidad de estas predicciones. Queda claro que la capacidad de cálculo y de análisis de las maquinas es muy superior a la del humano. Podemos ser más creativos en realizar una pintura pero la maquina siempre va a ser más rápida y precisa en realizar “sumas y restas”. Por lo tanto, seguir operando nuestras empresas con un bajo nivel de digitalización es inevitablemente una gran desventaja que nos lleva a perder competitividad cada minuto que pasa.
¿Que hacer enfrentar estos desafíos de la cadena de suministro?
Las soluciones a estos desafíos comunes también son agnósticas al sector.
El Optimal Machine Learning como lo definen en este artículo en Harvard Business Review es la solución a muchos de estos problemas.
Consiste en aplicar técnicas y modelos de machine learning con una visión de negocio y operativa, para que las soluciones obtenidas con un alto rigor científico y analítico tengan un impacto real en las operaciones de las empresas. Es fundamental en este sentido unir tecnología, análisis y negocio para que estos mundos hablen el mismo idioma y puedan encontrar sinergias.
Afortunadamente, se están realizando muchos avances en este sentido. Hay soluciones en el mercado que se basan en estos principios (como StockerAI) y que pueden apoyar a abordar estos retos.
Esta metodología acompañada con una consciencia que hay que cambiar ciertos procesos y manera de hacer las cosas en nuestras empresas permitirán salir adelante en este entorno tan cambiante.
Nos queda claro el futuro que tenemos adelante
La transformación digital y la toma de decisiones basadas en datos son inevitables para seguir operando con competitividad en el mercado. La inteligencia artificial, como el aprendizaje automático (machine learning) juegan un rol clave para la resolución de retos y desafíos comunes en el contexto actual tan dinámico y competitivo.
