En un esfuerzo por reducir el despilfarro y eliminar la redundancia, muchas empresas se han expuesto a mayores riesgos de interrupción de la cadena de suministro, a pesar de las fuertes inversiones en análisis de datos en torno a la predicción de la demanda, lo que, en principio, debería reducir la incertidumbre. Este artículo sostiene que el fracaso de los modelos de predicción de la demanda se debe al hecho de que no tienen en cuenta la forma en que se generan los datos, sino que se limitan a explorar las relaciones aparentes en los datos agregados que se han transferido desde otras funciones de la organización. Al analizar la agregación mediante un proceso que los autores denominan modelado de incertidumbre, los científicos de datos pueden identificar nuevos parámetros para incorporarlos a los modelos de predicción, lo que aporta más información a las predicciones y las hace más precisas.

•••

La pandemia de la COVID-19 ha provocado interrupciones generalizadas en la cadena de suministro en todo el mundo:escasez de chips están obligando a los fabricantes de automóviles y equipos médicos a reducir la producción, mientras que el bloqueo deel Canal de Suez y la falta decontenedores de transporte han inflado los plazos de entrega y los precios de envío. Sus efectos se han visto exacerbados por prácticas de gestión comofabricación justo a tiempo que tienen como objetivo reducir los despidos en las operaciones: con los despidos, han desaparecido los amortiguadores de seguridad que antes estaban disponibles para las cadenas de suministro empresariales.

Por supuesto, las empresas entendieron los riesgos que implicaba eliminar los amortiguadores en la cadena de suministro, que era cuando invertían cada vez más enanálisis de datos sofisticados. Si pudieran entender mejor los cuellos de botella en sus cadenas de suministro, se pensaba que las empresas, en teoría, podrían operar con menos redundancia sin correr riesgos adicionales. Pero las interrupciones persistir.

Nuestroinvestigación al otro lado múltiple las industrias, incluida la farmacéutica y los bienes de consumo, que avanzan rápidamente, muestran que la razón de esta persistencia no se debe tanto a las deficiencias del software como a su implementación. Para empezar, los directores tienden a basar sus análisis en las unidades departamentales. Si bien los equipos de ventas y marketing pueden aportar información y datos importantes, los responsables de la toma de decisiones operativas suelen no solicitar sus opiniones.

Además, las soluciones analíticas se centran exclusivamente en la propia cadena de suministro de la empresa.mejores prácticas siguen siendo específicos para cada caso y los modelos de análisis con demasiada frecuencia permanecen desconectados de las tendencias del ecosistema más amplio. Como ilustran los ejemplos citados anteriormente, una perturbación aparentemente local puede acumularse en todo el mundo.

¿Cuál es la mejor manera en que las empresas pueden evitar estas trampas? Empecemos por analizar con más detalle lo que implica el análisis de datos.

¿Qué son los análisis de datos?

Los métodos analíticos basados en datos se pueden clasificar en tres tipos:

Análisis descriptivos.

Se ocupan de las preguntas de «qué pasó» y «qué está sucediendo» y están repletos de herramientas visuales, como gráficos circulares, diagramas de dispersión, histogramas, tablas de resumen estadístico y tablas de correlación. Cadena de artículos deportivosLa tienda Gamma, por ejemplo, utiliza gráficos estadísticos de control de procesos para identificar los problemas de fidelización de los clientes en la tienda.

Análisis predictivo.

Son algoritmos estadísticos avanzados para pronosticar el futuro valores de las variables de las que dependen los responsables de la toma de decisiones. Abordan la cuestión de «qué pasará en el futuro». Las predicciones que se generan normalmente se basan en datos históricos observados sobre la respuesta de la decisión, varios a los cambios externos (por ejemplo, a los cambios en los tipos de interés o las condiciones meteorológicas). Minoristas comoAmazon se basan en los datos predictivos de la demanda de los clientes al hacer pedidos a los proveedores, mientras que los productores de bienes de consumo que se mueven rápidamente, comoProcter & Gamble y Unilever han invertido en análisis predictivos para anticipar mejor la demanda de sus productos por parte de los minoristas.

Análisis prescriptivo.

Esto ayuda a los responsables de la toma de decisiones informándoles sobre las posibles consecuencias de sus decisiones y prescribiéndoles estrategias prácticas destinadas a mejorar el rendimiento empresarial. Se basan en modelos matemáticos que estipulan una función objetivo y un conjunto de restricciones para situar los problemas del mundo real en un marco algorítmico. Las compañías aéreas han estado aprovechando los análisis prescriptivos para optimizar dinámicamente los precios de los billetes a lo largo del tiempo. Empresas de logística, comoARRIBA, aplique también análisis prescriptivos para encontrar las rutas de entrega más eficientes.

Las empresas suelen utilizar todos estos métodos y reflejan las etapas de la toma de decisiones: desde el análisis de una situación hasta la predicción de los principales factores del rendimiento y, luego, el análisis de optimización que da como resultado una decisión. El eslabón débil de esta secuencia es la predicción. Fue la incapacidad de su famoso análisis predictivo de datos para pronosticar con precisión la demanda y la oferta lo que obligóAmazon para destruir aproximadamente 130 000 artículos no vendidos o devueltos cada semana en solo uno de sus almacenes del Reino Unido.

La razón por la que los análisis predictivos fallan está en la mayoría de los casos relacionada con las suposiciones y las elecciones en torno la generación de datos analizados. El estudio de Abraham Wald sobre los aviones posteriores a la misión en la Segunda Guerra Mundialproporciona el ejemplo clásico. El grupo de investigación al que pertenecía intentaba predecir qué áreas de la aeronave serían atacadas por los enemigos y le sugirieron reforzar las áreas atacadas con frecuencia. Sin embargo, Wald impugnó esta recomendación y aconsejó reforzar las áreas intactas, ya que las aeronaves dañadas allí era más probable que se perdieran y no figuraran en los datos observados. Fue viendo cómo el los datos se generaron que los oficiales militares pudieron corregir la decisión sobre qué áreas de aviones reforzar.

La solución está en un enfoque de análisis conocido comomodelado de incertidumbre, que aborda explícitamente la cuestión de la generación de datos.

¿Qué hace el modelado de incertidumbre?

El modelado de incertidumbre es un enfoque estadístico sofisticado del análisis de datos que permite a los gerentes identificar los parámetros clave asociados a la generación de datos a fin de reducir la incertidumbre en torno al valor predictivo de esos datos. En un contexto empresarial, lo que hace es crear más información sobre los datos en un modelo predictivo.

Para entender lo que está sucediendo, imagine que es una empresa de empresa a empresa que recibe un pedido cada tres semanas de un cliente de uno de sus productos. Cada pedido debe entregarse inmediatamente, por lo que el plazo de entrega de la demanda es insignificante. Ahora supongamos que el primer pedido del cliente es de 500 unidades y que tiene previsto aumentar esa cantidad en otras 500 unidades por cada nuevo pedido, pero no informa a la empresa de que ese es su plan.

¿Qué ve la empresa? El cliente pedirá 500 unidades en la tercera semana, 1000 unidades en la sexta semana, 1500 unidades en la novena semana, etc., lo que genera valores de demanda mensual de 500, 1000, 1500, 2500 y 3000 unidades durante los primeros cinco meses, una media de 2100 unidades al mes. Sin embargo, dado que los datos de la demanda real muestran desviaciones sustanciales con respecto a la media, esta última es una previsión muy incierta. Sin embargo, esa incertidumbre desaparece por completo una vez que la empresa recibe la información de que el cliente aumenta sistemáticamente las compras en 500 unidades con cada pedido.

Para que los directores de producción encuentren este tipo de información, tienen que ir más allá de los números de compra. En la mayoría de las empresas, la información de los pedidos de los clientes se almacena en un sistema de gestión de pedidos, que rastrea datos como cuándo se hacen los pedidos, las fechas de entrega solicitadas y los productos que se demandan y en qué cantidades. Este sistema suele ser propiedad, gestionado y mantenido por el departamento de ventas. Una vez gestionados los pedidos de los clientes, la información agregada sobre los pedidos completados se transfiere al sistema de gestión de la demanda, que normalmente es propiedad de producción y operaciones, y los gerentes de estas funciones analizan luego para predecir la demanda futura.

El problema es que el proceso de agregación suele implicar una pérdida de información. Sin embargo, con los modelos de incertidumbre, los gerentes pueden aplicar los parámetros clave identificados en el sistema de gestión de pedidos para restaurar la información a sus análisis prescriptivos.

Rescatar información en Kordsa

Kordsa, el proveedor turco de refuerzos para neumáticos, ofrece un ejemplo concreto. La empresa recibe grandes pedidos de sus clientes (fabricantes de neumáticos), pero el número de pedidos, así como la cantidad y la fecha de entrega de cada uno, son inciertos en cada período. Anteriormente, la empresa simplemente agregaba la información de los pedidos de los clientes para calcular los valores históricos de la demanda mensual y, a continuación, analizarlos. Como resultado, el número de parámetros inciertos se redujo de tres a uno, lo que provocó una pérdida significativa de información.

Mediante modelos de incertidumbre, le mostramos a Kordsa cómo evitar la pérdida de información y lograr mejoras significativas en el rendimiento en función de los indicadores clave de rendimiento (como la rotación del inventario y la tasa de cumplimiento). Aplicando algoritmos avanzados comoTransformación rápida de Fourier, pudimos integrar en el modelo de predicción de la demanda de la empresa los parámetros clave de los pedidos de los clientes que identificamos mediante el estudio de los datos de CRM de la empresa.

Para aprovechar mejor el poder de los modelos de incertidumbre, Kordsa ha creado desde entonces un equipo de análisis avanzado compuesto por equipos de I+D, ventas, producción, planificación e TI. Los miembros del equipo interactúan habitualmente con los diferentes departamentos para entender e identificar mejor los datos y las fuentes que se utilizan en los procesos de toma de decisiones ajenos a sus propias funciones, lo que luego puede incluir en sus análisis predictivos.

Este tipo de superación de límites no debería terminar en las puertas de la empresa. No son solo las decisiones de sus clientes y proveedores las que pueden afectar a la incertidumbre de la demanda, sino que las decisiones de los actores de industrias adyacentes que producen productos complementarios o sustitutivos también pueden afectar a la demanda. Acercarse a los datos que generan estos actores solo puede ayudar a reducir la incertidumbre en torno a los factores de rendimiento que necesita para poder predecir.

. . .

Aunque los fabricantes y minoristas invierten en análisis de datos para mejorar la eficiencia operativa y el cumplimiento de la demanda, muchos de los beneficios de estas inversiones no se aprovechan. La información se pierde a medida que los datos se agregan antes de transformarlos en silos, lo que aumenta el nivel de incertidumbre en torno a las predicciones. Al aplicar los modelos matemáticos de la incertidumbre para incorporar información clave sobre la forma en que se generan los datos, los científicos de datos pueden captar los efectos de parámetros que antes se ignoraban y que pueden reducir significativamente la incertidumbre en torno a las predicciones de la demanda y la oferta.