El impacto del mundo digital en la cadena de suministro
La disrupción digital ha transformado el mundo, obligando a las empresas a adaptarse, explorando nuevas soluciones digitales y adoptando estrategias digitales. Según Mckinsey, este cambio de mentalidad estratégica es capaz de multiplicar por cuatro el retorno de la inversión en la cadena de suministro.
Las tecnologías digitales como Big Data, Analytics, Inteligencia Artificial y Machine Learning ayudan a optimizar procesos, tener una toma de decisiones más asertiva, construir una cadena de suministro totalmente conectada digitalmente y tener una visión integral de la misma, entre muchos otros beneficios.
Big data: Optimización del departamento de compras
El impacto de la inteligencia artificial en la cadena de suministro
La inteligencia artificial lleva más tiempo colaborando para construir un mundo más digital de lo que piensas: en la década de 1950, una generación de científicos y matemáticos ya tenía una idea clara de cuál sería este concepto. El punto culminante es Alan Turing, quien preparó un estudio llamado “Maquinaria e Inteligencia de Computación” en el que discutió cómo las máquinas podrían ser más inteligentes y cómo sería posible probar su progreso.
Setenta años después, la pandemia del covid-19 hace surgir el tema, en una verdadera carrera en la que diferentes empresas compiten por adaptarse a los nuevos modelos digitales y generar eficiencia. Dentro de estos esfuerzos, está el sector de la cadena de suministro: con picos en la demanda generados por el aislamiento social de algunos productos y las dificultades de transporte en todo el mundo, los datos pueden ser un gran apoyo en la vida cotidiana.
Esto incluye, por supuesto, la inteligencia artificial en sí: un concepto más amplio de crear máquinas capaces de pensar como humanos. No es sorprendente que una encuesta de IBM muestre que el 46% de los ejecutivos de compras dicen que la inteligencia artificial y las aplicaciones en la nube serán las áreas más importantes de inversión en operaciones digitales en los próximos tres años.
La inversión tiene sentido y es una tendencia mundial. En un reciente estudio de McKinsey sobre inversiones en inteligencia artificial, algunas de las empresas entrevistadas, en varios sectores, afirman que al menos el 20% de su EBIT (ganancias antes de intereses e impuestos) ya proviene de aplicaciones relacionadas con la IA. Al menos la mitad de las empresas afirman haber comenzado a utilizar este tipo de aplicaciones durante el año 2020.
Dentro de la cadena de suministro, el estudio muestra que las funciones en las que estas nuevas aplicaciones son más utilizadas involucran la optimización de la red logística y mejoras en el inventario y la gestión de inventarios. Ya hemos hablado de temas como este antes en el blog de Soluparts, abordando el uso de tecnologías inmersivas como otra tendencia tecnológica para el sector.
Aplicación de la cadena de suministro
Pero, después de todo, ¿cuál es el papel de los robots dentro de la cadena de suministro? ¿Cómo estar preparado para el departamento de compras 4.0 y cómo encaja la inteligencia artificial en este?
Todo este proceso forma parte de una cadena de suministro inteligente, capaz de aportar al menos tres beneficios: mayor eficiencia, transparencia y mejor dimensionamiento de la demanda en el tiempo.
En este contexto, la inteligencia artificial asume un papel destacado, en el que empresas líderes del sector ya han invertido -al menos desde 2018- en la automatización de tareas repetitivas que van desde la emisión de órdenes de compra, facturas, gestión de contratos hasta la gestión global de procesos. Según un estudio de Harvard de hace tres años, el análisis predictivo ya se veía como una tendencia dentro de la industria, capaz de mejorar la previsión de la demanda y mejorar los costos.
Además de estos factores, se agregan sensores en las máquinas para identificar cuándo se requerirá mantenimiento e incluso el uso de blockchain para ajustar las redes de suministro flexibles, pero este es el tema de otro artículo. Por el momento, un concepto clave relacionado con la aplicación de la inteligencia artificial dentro del sector de la cadena de suministro es el de torre de control digital.
Aplicado en empresas líderes desde antes de la pandemia, según la Universidad de Harvard, consiste en brindar información de punta a punta sobre las cadenas de suministro globales. Esta “torre” no es más que un centro de control que funciona todos los días de la semana y, a partir de la información visualizada en 3D y gráficos, es posible controlar con antelación problemas de entrega o falta de stock.
Crear esto no es una tarea fácil. Un estudio reciente de Oxford proporciona información detallada sobre el tema y, en resumen, proporciona información de que una infraestructura básica de inteligencia artificial depende de diferentes fuentes de datos.
Además de los tradicionales, como ERP y sistemas de gestión de clientes, este tipo de inteligencia también necesita datos de productos físicos: sensores en productos, etiquetas, ubicaciones y máquinas. En este conjunto, Internet de las cosas (IoT) juega un papel fundamental, ya que permite vincular un objeto físico a información digital mediante una identificación única.
Beneficios de la inteligencia artificial
El hecho es que tecnologías como estas no son una “ola pasajera”. Un estudio de 2019 de McKinsey que examinó más de 400 casos de uso de inteligencia artificial en 19 sectores muestra que el uso en la gestión de suministros y marketing / ventas representa la mayoría (dos tercios) de todas las oportunidades de inteligencia artificial a nivel mundial.
Dentro del marketing, por ejemplo, la inteligencia artificial puede generar un valor anual de entre 1,4 billones y 2,6 billones de dólares, y dentro del sector de la cadena de suministro, esos valores pueden alcanzar los 1,2 billones de dólares en 2 billones de dólares en suministro y fabricación de productos.
Desafíos en la aplicación de la inteligencia artificial en la cadena de suministro
Invertir en estas tecnologías no es un proceso fácil. El estudio citado anteriormente muestra que la falta de confianza en los algoritmos de inteligencia artificial, que reproducen comportamientos sesgados según los sesgos humanos implícitos en los datos, es uno de ellos, así como la falta de “casos de éxito” en el sector: mientras que la automatización tiene claros beneficios y muestra un segmento con un claro retorno de la inversión, algunos puntos como la evaluación de riesgos, son más desafiantes, ya que aún no cuentan con métricas bien definidas para medirlos en el corto plazo.
Además, la escasez de mano de obra calificada para apoyar a las empresas es un gran desafío. Como se trata de aplicaciones nuevas, es necesario esperar un tiempo para que haya un número importante de personas capacitadas para manejar la tecnología.
Ante este escenario, los investigadores de Harvard plantean la pregunta: en un futuro con procesos automatizados de extremo a extremo, se minimizará la necesidad de trabajo humano.
Entonces, ¿qué será de los humanos en la cadena de suministro? La necesidad de recapacitar, o volver a formarse, será un punto fundamental para garantizar puestos de trabajo.
Analistas capaces de extraer insights de los datos, utilizar herramientas digitales y familiarizarse con los algoritmos serán parte de la nueva rutina que debe afrontar el sector. Aun así, no hay una visión clara de cómo se reorganizarán estos puestos de trabajo, corresponde a las empresas del sector diseñar lo que quieren para el futuro y, a partir de ahí, diseñar los nuevos roles que debe tener el sector.
El caso es que la colaboración entre ambos debe ser fundamental (y las máquinas no sustituirán por completo el rol humano dentro de la operación). En definitiva, se deben crear al menos tres nuevas líneas de trabajo:
- Los “formadores”, capaces de construir proyectos de IA desde cero y asegurarse de que funcionan;
- Los “explicadores”, que tomarán la información de los datos recopilados por las máquinas;
- Los “seguidores”, capaces de evaluar la disponibilidad de los sistemas y asegurarse de que no estén caídos.
Concentrarse en el futuro
El futuro ya es parte de la estrategia: una encuesta realizada por Accenture Strategy ya muestra que el 90% de los ejecutivos de la cadena de suministro cree que su fuerza laboral se adaptará a las tecnologías digitales y el 92% dice que podrá trabajar con máquinas más inteligentes y de manera más natural.
Pero dejamos la alerta: antes de incorporarse a las nuevas tecnologías y procesos innovadores, evalúe y comprenda hasta qué punto la inversión dará sus frutos a largo plazo si se aplica en su escenario específico. Obtenga más información sobre este análisis de viabilidad en nuestro artículo.
Para obtener más información sobre otras tecnologías que deberían dar forma al comportamiento de la industria en los próximos años, siga los artículos de Soluparts sobre aplicaciones inteligentes dentro de la cadena de suministro en los próximos años.
Machine Learning: a tecnologia de ponta a favor da cadeia de suprimentos
La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo están permitiendo cambios en los estándares en todos los campos de acción que podamos imaginar, e incluso están ayudando a la industria en lo que respecta a la cadena de suministro: desde la adquisición, el pago, la planificación y la producción hasta la llegada al destino final, es posible que este proceso se optimice de una manera que nunca se realiza mediante un análisis tradicional.
Un subconjunto de inteligencia artificial, que permite que un algoritmo, sistema o software pueda aprender por sí solo a partir de pruebas en un conjunto de datos, sin haber sido programado para hacerlo; se puede definir el concepto de machine learning, o aprendizaje automático.
A partir de las observaciones y los datos obtenidos a través del uso, el aprendizaje automático entrena un modelo de computadora, combinando resultados predichos y reales. De esta forma, cuanta más información se expone, mejor es su funcionamiento y asertividad a la hora de realizar sus tareas de forma autónoma.
Deep Learning
El Deep Learning, por otro lado, es una versión más avanzada del aprendizaje automático que surgió en 2010, en la que a las computadoras se les enseña a aprender por sí mismas para realizar tareas como los humanos, incluida la identificación de imágenes, el reconocimiento de voz y las predicciones.
Esta tecnología hace posible que la computadora reconozca patrones en varias capas de procesamiento, en lugar de simplemente organizar y ejecutar datos. Este conjunto de algoritmos modelan abstracciones de alto nivel compuestas de información lineal y no lineal.
La relevancia de estas tecnologías crece cada vez más debido a sus diversas ventajas. En la era de la tecnología de la información, donde la complejidad solo aumenta, los procesos logísticos ágiles y eficientes juegan un papel central.
No es una coincidencia que un estudio de McKinsey en 2019 muestre que se espera que el aprendizaje profundo genere ganancias anuales de $3,5 billones a $5,8 billones para empresas de todo el mundo.
La importancia del Machine Learning en la cadena de suministro
Cuando hablamos de cadena de suministro, estamos tratando con grandes cantidades de datos complejos. Con Machine Learning, puede analizar esta información y utilizar los hallazgos para mejorar su gestión: a medida que los productos se mueven, el sistema puede comparar estos datos con el historial de la empresa para identificar posibles retrasos y hacer sugerencias para acelerar la cadena, por ejemplo.
Las tendencias estacionales son algunos de los datos que se pueden utilizar para pronosticar demandas específicas y administrar la fabricación y el suministro. No debemos olvidar cómo suministrar buenos productos, con calidad, es algo fundamental en este sector, y con el aprendizaje automático, la monitorización funciona para evitar defectos y errores en la entrega, potenciando el funcionamiento de la cadena.
Otro punto positivo de esta tecnología es la posibilidad de analizar toda la documentación necesaria para tratar con los proveedores, lo que conlleva mejores acuerdos y una gestión más eficaz.
Ventajas prácticas de usar Machine Learning en la cadena de suministro
Claramente, al menos cinco beneficios operativos están presentes en la cadena de suministro diaria, según Louis Columbus en un artículo publicado en Forbes:
Control de inventario más preciso
Con algoritmos y desde aplicaciones que los ejecutan, con Machine Learning, el análisis de conjuntos de datos grandes y diversos se realiza rápidamente, lo que optimiza la precisión de la demanda y reduce los errores de pronóstico.
Por lo tanto, no es necesario mantener un volumen de inventario muy grande, ya que el flujo de productos se actualiza y monitorea constantemente en tiempo real. Otro punto interesante es que el análisis de nivel de inventario también identifica cuándo los productos están perdiendo popularidad o se están volviendo obsoletos.
Reducción de costos
Además de reducir los costos de almacenamiento, al fomentar la mejora en la calidad del control y reducir los desperdicios, se produce, en consecuencia, una disminución de los gastos. Machine Learning también mejora el rendimiento logístico, con una mejor elección de rutas, modal y agente de carga, por ejemplo, minimizando los riesgos de retrasos y costos.
También considerando el cronograma de mantenimiento y el historial de desempeño de los equipos, el aprendizaje automático evita operaciones inadecuadas de máquinas con bajo desempeño y advierte sobre el tiempo de mantenimiento programado, buscando siempre minimizar los costos operativos.
Alto desempeño
Con modelos entrenados capaces de aprendizaje continuo, es posible obtener información a partir del análisis de conjuntos de datos grandes y diversos para mejorar el desempeño de la gestión de la cadena de suministro, mejorando la precisión de la previsión de la demanda desde una perspectiva de extremo a extremo, excelente especialmente en un mundo post-covid-19 que cambia rápidamente.
Inspecciones de calidad
Machine Learning sobresale en el reconocimiento visual de patrones, generando muchas aplicaciones potenciales para la inspección física y el mantenimiento de activos en toda la red de la cadena de suministro. Resultado: inspecciones de calidad y automatizadas para una gestión sólida sin que se produzcan errores humanos.
A través de los sensores de IoT combinados con el aprendizaje automático, las empresas están extendiendo la vida útil de sus principales activos, incluidas las máquinas, los motores, los equipos de transporte y almacenamiento, encontrando nuevos patrones en los datos de uso recopilados.
Prácticas administrativas facilitadas
La gestión de la relación con los proveedores se simplifica en función del historial y los datos proporcionados con cada compra. Para facilitar el trabajo de cotización, por ejemplo, es posible generar una hoja de cálculo electrónica estandarizada para todos los proveedores de la empresa.
Reducción de fraude
Al automatizar las inspecciones y los procesos de auditoría basados en análisis en tiempo real, los algoritmos pueden aumentar la calidad de la entrega del producto y reducir el riesgo de fraude, ya que detectan anomalías o desviaciones de los estándares normales rápidamente.
Otro ejemplo es que dicha herramienta también previene el abuso de credenciales privilegiadas, una de las principales infracciones dentro de una cadena de suministro.
¿Cómo llegar allá?
El software que integra sistemas entre proveedores y fabricantes es fundamental para que la recogida y tratamiento de datos se realice de forma automática, facilitando la toma de decisiones.
Para que esta optimización se materialice, todas las organizaciones que forman parte de la cadena de suministro deben modernizarse al mismo tiempo, pudiendo brindar datos de calidad y de manera consistente.
No olvide que luego de ser integrado en el sistema, el aprendizaje automático debe ser monitoreado constantemente por profesionales calificados para que la empresa esté segura de que los datos obtenidos están acordes con las necesidades y expectativas del negocio y que genere información calificada que efectivamente contribuya a la toma de decisiones.
Conclusión
Con el alto volumen de datos a los que somos sometidos dentro de una empresa, procesarlos y analizarlos con herramientas de gestión convencionales se ha vuelto ineficiente. Por lo tanto, los nuevos métodos son esenciales para mantener el pleno funcionamiento de la industria.
El aprendizaje automático permite optimizar la cadena de suministro mediante algoritmos de IA que localizan rápidamente los factores más influyentes para el éxito de una cadena de suministro, mientras aprenden constantemente durante este proceso.
La mejora de la eficiencia de la cadena de suministro desempeña un papel fundamental en cualquier empresa, ya que aumenta las ganancias y facilita la superación de los desafíos. En el blog de Soluparts, puede encontrar varios contenidos sobre cómo optimizar la cadena de suministro utilizando la tecnología.
Pero no te detengas ahí: con Soluparts, también tienes un socio especializado en negociación para la compra de materiales indirectos. Con un equipo multicultural y una amplia experiencia en la negociación con proveedores, estamos ubicados en los mercados más estratégicos del mundo para facilitar sus compras. Contáctenos para obtener más información.
Big data: Otimizando o departamento de compras
El término “big data” puede parecer un viejo conocido, y no es en vano. Desde 2013, el tema ha mostrado una trayectoria de aumento en el volumen de búsqueda y un gran número de empresas afirman utilizarlo en las áreas más diversas.
Fuente: Tendencias de Google
El término apareció por primera vez en 2005, poco después de que Roger Mougalas creara otro término muy popular en ese período, “web 2.0”. Manteniendo el enfoque en big data, es una capacidad para analizar volúmenes exorbitantes de datos, que nunca podrían cruzarse utilizando métodos tradicionales de análisis de datos.
En 2014, un artículo de Harvard Magazine argumentó que este nuevo procesamiento de información era capaz de cambiar el mundo. ¿Y cómo podría ser eso posible?
Según el material publicado, la clave del big data no está en la cantidad de datos disponibles, sino en la inmensa calidad de los conocimientos generados a partir del procesamiento de la información mediante algoritmos.
Gary King, profesor de Harvard, ya citó un ejemplo eficaz de esta nueva forma de procesar datos: este año, Google analizó grupos de términos de búsqueda por región en Estados Unidos para prevenir brotes de gripe. Aunque notable, el profesor argumentó que esto era una pequeña fracción de lo que se podría hacer, si las empresas estuvieran dispuestas a invertir en él y analizar sus datos.
Actualmente, el gigante de las búsquedas en Silicon Valley ha anunciado que está ayudando a los estados de E.U.A. llevar la vacuna covid-19 a más personas más rápidamente. Esto se hace a través de la Intelligent Vaccine Impact Solution (IVI y ya ha provocado importantes resultados, según la multinacional.
Aun así, esta no es una tendencia que las empresas hayan adoptado rápidamente. En 2013, un estudio de la consultora norteamericana Bain & Company mostró que solo el 4% de las empresas tenían la combinación adecuada de personas, herramientas, datos e intenciones para obtener información valiosa a partir de los datos.
Dentro de la cadena de suministro, también hay desafíos a superar: el rol de contratar profesionales capaces de recolectar datos, tecnología para capturarlos y combinarlos. Aún así, se pueden cosechar importantes beneficios, como la capacidad de proyectar las demandas con mayor facilidad, reducir las fallas, mejorar la gestión y los resultados.
En general, quien se unió primero a esta tendencia, en diferentes sectores, lo hizo bien. Según la consultora, al analizar más de 400 empresas, fue posible diferenciarlas a través de las siguientes ventajas:
- Estas empresas tienen el doble de probabilidades de estar en la cima de las clasificaciones de desempeño financiero dentro de sus sectores.
- Cinco veces más probabilidades de tomar decisiones más rápido que sus competidores
- Tres veces más probabilidades de ejecutar las decisiones según lo planeado
El impacto del big data en el departamento de compras
Profundizando en los desafíos específicos para el sector de compras, la consultora norteamericana McKinsey cita dos obstáculos principales para la adopción de estas herramientas en el sector: los líderes de la industria tienen poca o ninguna afinidad con las técnicas de análisis utilizadas por los científicos de datos; y el hecho de que las empresas carecen de un proceso estructurado para explorar, evaluar y capturar oportunidades dentro del sector.
En cuanto al potencial de beneficios a obtener, la consultoría destaca dos:
- Amplíe el conjunto de datos para el análisis además de los datos tradicionales que se mantienen en los sistemas de planificación de recursos empresariales (ERP) y gestión de la cadena de suministro (SCM).
- Aplicar métodos estadísticos altamente efectivos a nuevas fuentes de datos, combinándolos con los existentes.
De forma práctica, la consultora KPMG mostró cómo las cadenas de suministro están utilizando este tipo de tecnología a diario:
Fuente: KPMG
En otras palabras: la cadena de suministro del futuro tendrá algoritmos y análisis de datos como punto esencial.
¿Cómo desplegar? Con “modelos de madurez”
¿Cómo llevar esta discusión a la práctica? Mediante modelos de evolución (traducción gratuita de Big Data Maturity Models). Existen diferentes enfoques sobre cómo se podría hacer esto, pero un estudio realizado por investigadores sobre el tema destaca tres:
El primero es el modelo de Charles Poirier: en 1999, recomendó que se siguieran cuatro pasos:
- Abastecimiento y logística: caracterizado por excelencia funcional y programas como reducción de proveedores, reducción de inventarios y reducción de costos;
- Excelencia interna: uso de costos basados en actividades y gestión de procesos;
- Construcción de redes: desarrollo de procesos diferenciados en toda la empresa y planificación cooperativa;
- Líder de la industria: uso extensivo de herramientas tecnológicas, vínculos de oferta y demanda y una visión global.
Luego, Carnegie Mellon University define los siguientes pasos: planificar, suministrar, fabricar, entregar y devolver.
Finalmente, el modelo adoptado por los investigadores, que consta de cuatro fases:
1. Enfoque funcional:
Pocos procesos de la cadena de suministro y flujos de datos están bien documentados y comprendidos. Los roles organizativos, las responsabilidades y las asociaciones con los proveedores no están bien definidos.
La información básica, que no está disponible en toda la organización, se recopila electrónicamente de muchas bases de datos diferentes con acceso limitado.
2. Integración interna:
La información específica del proceso se recopila y comparte dentro de la fábrica mediante sistemas integrados y bases de datos internas.
En este punto, las asociaciones con proveedores ya están bien definidas y clasificadas. Los recursos se gestionan a niveles funcionales y multifuncionales.
3. Integración externa:
Las prácticas se extienden ahora a los puntos de interfaz con clientes y proveedores, identificando los más estratégicos, así como la principal información que la empresa necesita para apoyar sus procesos de negocio.
Además, se implementa una colaboración de procesos eficaz con clientes clave y la información se recopila y comparte electrónicamente con partes de la cadena de valor.
4. Colaboración en toda la empresa:
La tecnología de la información juega un papel importante en esta etapa. Los clientes y proveedores trabajan para definir una estrategia y principios mutuamente beneficiosos y definir objetivos de desempeño en tiempo real.
La tecnología de la información ahora automatiza la integración de los procesos comerciales en estas empresas, respaldando una cadena de suministro basada completamente en la estrategia.
Aplicabilidad de big data en el departamento de compras
Además de los temas discutidos aquí, es posible seguir la implementación de big data en el departamento de compras a través de otros materiales producidos por Soluparts. Además del core business de las áreas y empresas, con la adopción de big data, otros departamentos pueden beneficiarse del uso masivo e inteligente de datos.
Uno es el cumplimiento. Realizar auditorías y estandarizar procesos puede convertirse en tareas mucho más rápidas con el uso de datos capaces de reunir diferentes fuentes en un solo lugar, por ejemplo.
La estandarización de procesos también es un punto que se puede ayudar a través del big data, ya que la tecnología es capaz de recopilar datos estructurados y no estructurados en un solo lugar.
Con una política de adopción de datos más resistente, las organizaciones también se vuelven más resistentes. Nuevamente, el big data es una consecuencia natural para las empresas que aprovechan al máximo el potencial de los datos e invierten en Investigación y Desarrollo (I & D), lo que las ayuda a ser cada vez más rentables e innovadoras.
Antes de invertir en big data en su departamento, asegúrese de leer nuestro artículo con consejos para cosechar buenos resultados con la implementación de tendencias innovadoras: Cómo escapar del efecto manada.