IA y análisis de datos, motores para cadenas de suministro globales resilientes

Desde hace más de un año, el mundo se ha enfrentado a alteraciones empresariales de gran escala, como la pandemia o la escasez de semiconductores, los cuales han intensificado el efecto látigo en las cadenas de suministro. 

En este contexto, factores clave como la fluctuación de los plazos de entrega y las distorsiones en la demanda, desde los minoristas hasta los fabricantes, alrededor del mundo, han provocado un aumento de incertidumbres, pronósticos de demanda inexactos como consecuencia de los cambios de los hábitos de consumo, así como enfoques ineficientes de gestión de inventarios.

Al analizar lo que ha fallado en las cadenas de suministro, se ha prestado mucha atención al modelo "Just In Time" (JIT) que, aunque es enormemente eficaz para reducir el inventario disponible, se le considera especialmente vulnerable ante las interrupciones, ya que se basa en variaciones optimistas de oferta y demanda. Además, dicho modelo ha quedado obsoleto como consecuencia de las fases de compras de pánico durante los inicios de la pandemia y los retrasos en los envíos resultantes del bloqueo en el Canal de Suez. 

Cabe destacar que muchas empresas están sustituyendo el JIT por la reubicación cercana de las capacidades de producción a los lugares con mayor demanda para mitigar esta interrupción de la cadena de suministro. No obstante, el proceso JIT no es considerado como la causa principal de los problemas que enfrentan las cadenas de suministro globales. Otros factores que afectan la resiliencia y resistencia de las cadenas de suministro son las catástrofes naturales y los accidentes, la incapacidad de planificar interrupciones y la inevitable escasez. 

Mitigar, no reaccionar a las interrupciones

Los datos son un elemento clave que permite a las empresas prepararse ante posibles escenarios como una interrupción extrema de sus operaciones. Se requiere transparencia, agilidad, conocimientos precisos y en tiempo real para crear planes de contingencia. Por ello, a medida que las empresas se recuperan de cualquier catástrofe, deben centrarse en el uso de estos datos para crear transparencia, que puede utilizarse para comprender su exposición al riesgo y sus planes de contingencia. 

En la actualidad, las cadenas de suministro basadas en datos que aprovechan el análisis predictivo sobre la dinámica de la demanda, permiten a las empresas modelar la escasez de productos y las tendencias de compra a corto plazo antes de que estas se produzcan, lo que conduce a una mejor planificación y gestión del inventario. Los responsables de compras pueden modelar varios escenarios hipotéticos para predecir una amplia gama de proyecciones que se pueden comparar para reducir el riesgo y proporcionar valiosos conocimientos basados en datos. 

Desarrollando agilidad mediante la Inteligencia Artificial

Para ser verdaderamente ágiles, las cadenas de suministro globales deben rediseñarse teniendo en cuenta la analítica de datos, la inteligencia artificial (IA) y el aprendizaje automático (ML). Si las empresas quieren estar preparadas y ser capaces de responder con destreza frente a otra crisis, necesitan incorporar datos de valor en toda su organización lo que es esencial para visualizar la cadena de suministro completa, y utilizarla para probar y modelar varios niveles de demanda e interrupciones. 

Por ejemplo, un minorista puede modelar factores conocidos (como el día de la semana, la estación, la fecha, etc.) y utilizar las previsiones meteorológicas en tiempo real para predecir los cambios en cifras de ventas para toda su red de tiendas, incluidas las cifras de ventas en categorías clave. El análisis realizado puede ayudar a priorizar dónde realizar envíos, cómo programar las promociones de productos y cuándo ajustar los niveles de inventarios adecuadamente. 

Previsión dinámica en la demanda: Buscando los datos ocultos

La previsión de demanda dinámica funciona no sólo aprovechando el aprendizaje automático, sino combinando los datos internos accesibles de una empresa -como los niveles de inventarios en almacenes y en las tiendas- con información externa como las previsiones meteorológicas, el tráfico de envíos y eventos. Estos datos son fundamentales para crear y preparar modelos predictivos y automatizar el proceso de análisis de datos, para que las empresas puedan poner en marcha estrategias y hacer frente a las interrupciones externas que afectan la demanda. 

Una de estas estrategias es mantener una lista de proveedores más diversificada en caso de crisis o fluctuaciones en la demanda. Si un proveedor no puede suministrar, la empresa debe ser capaz de adaptarse y cambiar rápidamente hacia otra fuente preparada para suministrar los materiales necesarios para continuar con la fabricación y producción. 

Para aprovechar la previsión dinámica en la demanda y alcanzar un gran nivel de transparencia y apoyo en la toma de decisiones, las empresas deben invertir en plataformas avanzadas de análisis e IA de autoservicio para obtener información oportuna, precisa, fiable y automatizada.

Con el levantamiento gradual de las restricciones por la pandemia y la economía global recuperándose, ahora es el momento de que las empresas rediseñen sus cadenas de suministro y adopten el big data. De lo contrario, no estarán preparadas y seguirán siendo vulnerables cuando ocurra la próxima gran disrupción.

Marta Clark actualmente es vicepresidente para América Latina y el Caribe de Alteryx. Es responsable de la estrategia y ejecución general. Con más de 20 años de carrera en tecnología, se especializa en impulsar las estrategias de comercialización de software y hardware, así como en el desarrollo de comunidades comprometidas en la región.

Sigue e interactúa con Marta Clark en LinkedIn.

Revisa aquí la programación de: Diálogos Empresariales de Logística.

Comenta y síguenos en Twitter: @GrupoT21