Antipatrones en la cadena de suministro

Las iniciativas de la cadena de suministro a menudo fracasan. La Supply Chain Quantitativa es nuestra respuesta para reducir drásticamente las tasas de fracaso. Sin embargo, debido a que la Supply Chain Quantitativa se centra en las prácticas que sabemos que funcionan, se presta poca atención a las prácticas que también sabemos que no funcionan. Peor aún, resulta que la mayoría de estas prácticas indeseables son las causas raíz precisas detrás de las altas tasas de fracaso asociadas con los métodos tradicionales de la cadena de suministro.

A continuación, revisamos las prácticas - o patrones - que causan que la mayoría de las iniciativas de la cadena de suministro fracasen. Estas ideas se han ganado a pulso, ya que para cada idea generalmente nos llevó no uno, sino varios fracasos para comprender la causa raíz del problema. Nos referimos a esas prácticas perjudiciales como antipatrones de la cadena de suministro. Un antipatrón es una “solución” que sale mal: es un enfoque común, parece una buena idea y, sin embargo, invariablemente falla en proporcionar la mejora prevista que se buscaba originalmente.

Mala dirección

En Lokad, ciertamente no queremos antagonizar a los principales tomadores de decisiones de la cadena de suministro, son nuestros prospectos y nuestros clientes. Sin embargo, al mismo tiempo, sentimos que es nuestro deber negarnos a cerrar un trato cuando la solución está garantizada a fracasar por diseño. Con frecuencia, el problema se reduce a cómo se gestiona la iniciativa en sí. Dicho esto, reconocemos que la gestión de la cadena de suministro no es el único culpable. Algunos proveedores a veces promueven todos los mensajes equivocados a sus clientes y se salen con la suya sin ningún reparo. Las prácticas heredadas y la política interna también pueden envenenar la vida diaria de la gestión de la cadena de suministro, que también podría ser utilizada como chivo expiatorio cuando las cosas no salen como se pretendía. En esta sección, enumeramos las trampas comunes que podrían abordarse a través de un liderazgo revisado de la cadena de suministro.

La RFQ del infierno

Puede haber muchas áreas donde las RFQ (solicitudes de cotización) tengan sentido. Desafortunadamente, el software no es una de ellas. Escribir la especificación de un software es mucho más difícil que escribir el propio software. La tarea es desalentadora. Una vez que se inicia un proceso de RFQ, las empresas logran empeorar la situación al introducir consultores, para complicar aún más lo que ya es una especificación demasiado complicada. La RFQ sofoca la mayoría del pensamiento de resolución de problemas, porque el proceso de RFQ asume que el cliente ya conoce los detalles de la solución deseada, mientras que el “problema”, por definición, está en gran medida sin resolver en el momento en que se escribe la RFQ. Además, en la práctica, las RFQ promueven un proceso de selección adversarial de proveedores: los buenos proveedores se retiran mientras que los malos permanecen. Por último, el software es una industria de ritmo rápido y, cuando su empresa haya terminado con su proceso de RFQ, su competidor ya habrá lanzado su solución.

El POC frágil

Hacer un POC (prueba de concepto) es bueno si lo que pretendes comprar es un servicio simple y casi estandarizado, como un servicio de impresión para tarjetas de presentación. Una iniciativa de supply chain es complicada por diseño. El supply chain requiere coordinación de múltiples entidades. Hay múltiples capas de datos que deben ser aprovechadas. Hay decenas de flujos de trabajo que deben tenerse en cuenta. Los POC o pilotos a pequeña escala hacen más daño que bien porque, por su propio diseño, descuidan una virtud fundamental de una iniciativa de supply chain exitosa: su capacidad para operar a gran escala. La mayoría de las personas están acostumbradas al principio de las economías de escala, sin embargo, cuando se trata de la optimización del supply chain, tendemos principalmente a lidiar con las deseconomías de escala, donde las buenas decisiones se vuelven cada vez más difíciles de tomar a medida que crece la complejidad del problema. Lograr el éxito para un centro de distribución pequeño no garantiza en absoluto que la solución funcione igual de bien al tratar con decenas de centros de distribución diferentes.

Descartando la incertidumbre

El futuro es incierto y la incertidumbre no se puede desear. De manera similar, la optimización numérica del supply chain es un problema difícil que tampoco se puede desear. La optimización del supply chain requiere pronósticos probabilísticos, que son la consecuencia directa de lidiar con futuros inciertos. La optimización del supply chain también enfrenta los comportamientos bastante contraintuitivos generados por las optimizaciones numéricas. Algunos proveedores aprovechan el deseo de mantener las cosas simples y fáciles para vender una práctica de fantasía donde todos los obstáculos se abstraen. Desafortunadamente, esos obstáculos no son meras cuestiones técnicas: esos obstáculos definen lo que tiene la posibilidad de funcionar realmente para tu supply chain. La incertidumbre debe ser abrazada desde una perspectiva numérica profunda. La gestión del supply chain también debe reconocer y abrazar la incertidumbre.

Confiar en el becario

Si mejorar el supply chain es importante para tu empresa, entonces la iniciativa requiere la participación directa de la alta dirección. Con demasiada frecuencia, las empresas valoran la idea de mejora, pero luego asignan a un becario o dos al caso. Si bien hemos conocido a algunos becarios muy inteligentes, nunca hemos visto que una iniciativa de supply chain impulsada por becarios llegue a ninguna parte. No tenemos nada en contra de los becarios, por supuesto. Pueden ser inteligentes, motivados, pensadores creativos; pero están lejos de ser lo que tu empresa necesita para impulsar el cambio en su supply chain. El compromiso de la alta dirección del supply chain debería ser un hecho, de lo contrario, los equipos no ejecutarán. Los equipos generalmente no tienen mucho tiempo libre, si es que tienen alguno. A menos que la dirección lo deje claro, a través de su participación directa, que la iniciativa actual es una prioridad, entonces la iniciativa actual no es realmente una prioridad para nadie, excepto tal vez para el pobre becario asignado al caso.

Muerte por planificación

La dirección busca tranquilidad y, cuando se trata de tranquilidad, nada parece tan bueno como un plan sólido, con fases, roles y entregables bien definidos. Sin embargo, si la historia del software nos ha enseñado algo, es que los planes predefinidos no suelen sobrevivir a la primera semana de la iniciativa. A veces, ni siquiera sobreviven al primer día. Cuando se trata de la optimización del supply chain, seguirán ocurriendo cosas inesperadas y esta perspectiva es algo aterrador. Sin embargo, rigidizar la iniciativa a través de una planificación precisa solo empeora las cosas: la iniciativa se vuelve aún más frágil cuando se trata de problemas inesperados. En cambio, la iniciativa debería ser lo más resiliente posible frente a lo desconocido. La capacidad de recuperarse de los problemas es más importante que la capacidad de eliminar los problemas de antemano. Por lo tanto, la gestión del supply chain debe centrarse en hacer que la iniciativa sea ágil en lugar de bien planificada.

Desacoplar el pronóstico de la optimización

La perspectiva tradicional de la optimización del supply chain separa el proceso de pronóstico del proceso de toma de decisiones. Si bien esto puede ser factible desde una perspectiva técnica utilizando dos conjuntos distintos de algoritmos, uno para el pronóstico y otro para la optimización; desde una perspectiva funcional, el equipo encargado del pronóstico también debe encargarse de la optimización. De hecho, la lógica de toma de decisiones, o en otras palabras, la optimización, es numéricamente muy sensible a la lógica de pronóstico. Aislar las dos perspectivas es una receta para amplificar cualquier defecto que pueda existir en el nivel de pronóstico, causando estragos en las decisiones resultantes. En cambio, la lógica de optimización debe ser lo más cooperativa posible con las fortalezas y debilidades de la lógica de pronóstico.

Frankensteinización del software

Es difícil lograr consenso en grandes empresas. Como resultado, mientras la mayoría de las partes interesadas involucradas en el supply chain pueden decidir optar por un proveedor específico, una minoría puede seguir siendo inflexible al imponer su propia visión o desear optar por ciertas características de un producto diferente por completo. Dado que la personalización del software constituye un negocio rentable para los grandes proveedores de software, el proveedor con demasiada frecuencia está dispuesto a cumplir, inflando los costos y el valor percibido en el proceso. Sin embargo, escribir un buen software lleva años y, cuando se hace correctamente, el resultado final representa un equilibrio afinado entre objetivos conflictivos. El resultado final casi sistemático de la sobrepersonalización del software por parte de las grandes empresas es eliminar las propiedades originales del producto y no mejorarlo, sino empeorarlo, agregando más y más capas, convirtiéndolo así en un monstruo. No hay escasez de proveedores de software. Si la solución no se adapta a su empresa, siga adelante y elija otro proveedor. Si ningún proveedor se adapta a su empresa, entonces su negocio es verdaderamente único, lo cual es raro, o tal vez debería revisar sus requisitos.

Iniciativas impulsadas por modas

Alrededor de 2010, estaba de moda en el comercio minorista descubrir cómo aprovechar los pronósticos del clima para refinar los pronósticos de demanda. En 2012, estaba de moda incorporar datos de las redes sociales en el pronóstico de demanda. En 2014, Big Data era dominante, solo para ser reemplazado por machine learning en 2016. Cada año que pasa viene con su nueva ola de palabras de moda. Si bien nunca hay mucho daño en volver a visitar un viejo problema con una nueva perspectiva, todo lo contrario en realidad, perder de vista los desafíos fundamentales es casi seguro que pondrá en peligro cualquier iniciativa que ya se esté llevando a cabo. Si suena demasiado bueno para ser verdad, probablemente lo sea. Las mejoras en el supply chain se ganan con esfuerzo. Asegúrese de que cualquier novedad que desee introducir se centre realmente en los desafíos fundamentales que enfrenta su supply chain.

Mala ejecución de TI

Con demasiada frecuencia, se culpa a TI de los fracasos de los proyectos. TI es difícil, mucho más difícil de lo que la mayoría de las personas fuera de TI se dan cuenta. Sin embargo, también sucede a veces que los equipos de TI, con buenas intenciones, crean tanta fricción a través de sus procesos que la iniciativa se ralentiza hasta el punto en que el resto de la empresa simplemente se rinde. Los equipos de TI no solo necesitan aceptar el cambio en sentido general, sino también aceptar el tipo específico de cambio que no compromete los cambios futuros positivos. Más fácil decirlo que hacerlo.

Cuidado con los mecanismos de defensa de TI

Dado que los equipos de TI pueden haberse sentido como chivos expiatorios más de una vez en el pasado, cuando algunos proyectos de la empresa fracasaron, es posible que hayan desarrollado ciertos “mecanismos de defensa”. Uno de los mecanismos de defensa más comunes consiste en solicitar especificaciones detalladas por escrito para cada nueva iniciativa. Sin embargo, especificar una solución de software tiende a ser más difícil que implementar la solución de software. En consecuencia, esto equivale a reemplazar un problema complejo por un problema aún más complejo. Otros mecanismos de defensa consisten en tener una línea dura de “requisitos” como: el software debe estar ubicado en las instalaciones, el software debe ser compatible con XYZ, el software debe tener características de seguridad específicas, y así sucesivamente. Escribir un buen software lleva años. Una vez que se escriben las largas listas de requisitos, generalmente solo quedan dos tipos de proveedores de software: aquellos que no son compatibles con sus requisitos y aquellos que mienten sobre ser compatibles con sus requisitos.

Subestimar el esfuerzo de los datos

Aunque esto pueda parecer paradójico, las iniciativas de supply chain también pueden fracasar porque TI está demasiado involucrado en idear la solución y se encarga de preparar los datos. De hecho, dado que TI es increíblemente complejo y puede incluir individuos bastante talentosos, también puede suceder que algunos equipos de TI lleguen a pensar que conocen mejor el negocio que el resto de la empresa. La principal consecuencia indeseable de esta línea de pensamiento es una subestimación constante de los desafíos que implica hacer algo con los datos de la empresa. Procesar los datos de manera significativa no se trata de mover megabytes de datos de un lado a otro. Más bien, se trata de establecer una comprensión sutil de cómo estos datos reflejan los procesos y flujos de trabajo de la empresa. También se trata de comprender los giros sutiles, los sesgos y los límites de los datos, tal como ocurren en los sistemas de la empresa en cualquier momento dado. Que los equipos de TI se hagan cargo de la preparación de datos es una forma segura de tener retrasos inesperados, a medida que se dan cuenta gradualmente de cuánta profundidad faltaba en su visión original. Teniendo todo esto en cuenta, la opción razonable consiste en delegar este papel desde el principio a alguien fuera del departamento de TI.

La tentación de la plataforma extensible

Cuando se trata de software empresarial, hay algo que los proveedores han dominado: el arte de ser una plataforma “extensible” que viene con muchos módulos, que representan muchas oportunidades de venta adicional. Sin embargo, las plataformas no se llevan bien entre sí y las superposiciones funcionales, es decir, dos plataformas que compiten internamente por la misma función dentro de su empresa, aparecen muy pronto. Dos plataformas superpuestas son una pesadilla informática para cualquier empresa y generalmente resultan en mecanismos de sincronización que son difíciles de configurar e incluso más difíciles de mantener. Por lo tanto, aunque es tentador optar por una solución integral, la opción razonable casi siempre radica en optar por aplicaciones específicas que hagan una cosa y la hagan bien. Mantener docenas de aplicaciones específicas es sencillo, mientras que administrar dos plataformas grandes, con superposiciones funcionales igualmente grandes, es infernal.

Extracciones de datos poco confiables

Los datos son como la sangre para una iniciativa de Supply Chain Cuantitativa: si dejas de bombear, muere. La iniciativa necesita estar alimentada constantemente con datos frescos. Con demasiada frecuencia, el departamento de TI considera que realizar un par de extracciones de datos únicas será suficiente para comenzar. Después de todo, es probable que esta iniciativa se termine pronto de todos modos, recuerda, la mayoría de las iniciativas de supply chain fracasan, y por lo tanto, no tiene mucho sentido invertir demasiado esfuerzo durante esta etapa inicial de extracción de datos. Sin embargo, siguiendo esta línea de pensamiento, la implementación de un proceso automatizado para extracciones de datos confiables se retrasa y, como resultado, se convierte en una de las principales causas del fracaso de la iniciativa en sí misma. Aquí, el departamento de TI debe ser proactivo y comenzar a automatizar las extracciones de datos desde el primer día. Además, el equipo de TI también tiene un papel de entrenamiento en convencer al resto de la empresa de que este esfuerzo adicional es un factor clave para el éxito de la iniciativa y que la opción desechable para la extracción de datos no llevará a ninguna parte.

Malas recetas numéricas

Optimizar la cadena de suministro es principalmente un juego de números. Naturalmente, la visión de la empresa importa, el liderazgo importa, la disciplina importa, pero nuestra experiencia indica que la mayoría de las empresas están haciendo más que un buen trabajo en estas áreas. Sin embargo, cuando se trata de números, parece que todo el comercio de la cadena de suministro está plagado de malas recetas numéricas. No todos los profesionales de la cadena de suministro se dan cuenta de que todas las fórmulas y modelos, a los que aquí nos referimos como recetas numéricas, dependen de suposiciones bastante estrictas. Si se rompe alguna de las suposiciones, la receta numérica se desmorona. En esta sección, enumeramos los infractores más comunes en este sentido. Por razones de concisión, asumimos que el lector ya está familiarizado con las recetas en sí.

Análisis ABC

El enfoque ABC para el inventario fue ideado en una época en la que las computadoras no eran una opción para impulsar la cadena de suministro. El beneficio principal del análisis ABC es que mantiene el análisis tan simple que se puede hacer a mano. Sin embargo, considerando la asombrosa capacidad de procesamiento de las computadoras modernas, utilizar el análisis ABC ya no tiene sentido en la actualidad. No hay beneficios en clasificar miles de SKU en 3 o 4 clases arbitrarias. Existe un continuo completo entre el producto que se vende más y la larga cola. La lógica que optimiza la cadena de suministro debería abarcar este continuo, en lugar de negar que este continuo existe en primer lugar. En la práctica, también observamos que los efectos negativos del análisis ABC empeoran debido a los cambios en el mercado que llevan a inestabilidades de clase, con productos que cambian de clase con el tiempo.

Stock de seguridad

No existe tal cosa como “stock de seguridad” en tu almacén. El “stock de seguridad” es un concepto ficticio que divide el stock disponible en dos categorías: el stock de trabajo y el stock de seguridad. Desde una perspectiva histórica, el stock de seguridad se introdujo como una forma simplista de lidiar con la demanda variable y el tiempo de entrega variable. El stock de seguridad se modela en base a distribuciones normales, también conocidas como gaussianas. Sin embargo, un examen rápido de prácticamente cualquier conjunto de datos de la cadena de suministro muestra claramente que ni la demanda ni los tiempos de entrega siguen una distribución normal. A principios de la década de 1980, cuando las computadoras aún eran muy lentas, las distribuciones normales podrían haber sido un compromiso válido entre la complejidad y la precisión, pero hoy en día no tiene sentido aferrarse a algo que fue diseñado como un “truco” para hacer frente a las limitaciones de las primeras computadoras.

Correcciones manuales de pronósticos

Algunos profesionales pueden enorgullecerse de poder “superar al sistema” y generar mejores pronósticos que los que el sistema puede producir. Si este es realmente el caso, el sistema debe considerarse disfuncional y corregirse en consecuencia, aprovechando típicamente la experiencia y los conocimientos del profesional. Optimizar una cadena de suministro de cualquier escala significativa implica generar miles, si no millones, de pronósticos al día. No se debe considerar como una opción válida para la empresa depender de entradas de datos manuales por parte de los equipos de la cadena de suministro para hacer frente a las deficiencias del sistema. Dado el progreso en estadísticas en los últimos 20 años, no hay ninguna razón para pensar que, dados los mismos datos de entrada, un sistema automatizado no pueda superar a un humano que, hablando realísticamente, no tendrá más que unos pocos segundos para dedicar a cada número que debe producirse. Si el humano tuviera días para dedicar a cada decisión que la empresa necesita tomar, la situación sería radicalmente diferente. Sin embargo, la gran mayoría de decisiones que la cadena de suministro necesita tomar a diario no encajan en esta categoría.

Alertas y monitoreo de pronósticos incorrectos

Los pronósticos clásicos enfatizan un solo futuro, es decir, pronósticos dirigidos a la media o la mediana, como si este único futuro fuera a suceder con una probabilidad significativa. Sin embargo, el futuro es incierto y los pronósticos son aproximados en el mejor de los casos. En ciertas situaciones, los pronósticos clásicos están simplemente equivocados. Con frecuencia, la empresa incurre en costos inmensos debido a esos grandes errores de pronóstico. Como resultado, se implementan alertas para hacer un seguimiento de esos grandes errores. Sin embargo, el principal culpable no son los propios pronósticos, sino la perspectiva clásica de pronóstico que enfatiza un solo futuro, cuando todos los futuros son posibles, pero no igualmente probables. Desde la perspectiva del pronóstico probabilístico, los errores de pronóstico se conocen principalmente de antemano y se representan como distribuciones de probabilidades, que se extienden finamente sobre un amplio rango de valores posibles. Los pronósticos probabilísticos enfatizan un enfoque mediante el cual la empresa reducirá proactivamente el riesgo de su actividad de cadena de suministro cuando se enfrente a un mayor grado de incertidumbre. En contraste, poner alertas en los pronósticos clásicos es el síntoma de un enfoque que está roto por diseño, ya que niega toda la incertidumbre.

Parchando los datos históricos

Cuando se encuentran sesgos, como faltantes de stock o promociones, en los datos históricos, es tentador “arreglar” esos sesgos modificando los datos históricos, de modo que los datos reflejen mejor cómo habría sido la historia sin el sesgo. Nos referimos a este proceso como “parchar” los datos históricos. La idea fundamental detrás del parchado es que todos los modelos de pronóstico están diseñados como variantes del promedio móvil. Si todo lo que tienes son promedios móviles, entonces es cierto que los datos históricos deben ajustarse para tener en cuenta estos promedios móviles. Sin embargo, el parchado no es la solución. En realidad, la solución radica en ampliar el horizonte y buscar mejores modelos de pronóstico que no sean tan disfuncionales como el promedio móvil. Se deben utilizar mejores modelos estadísticos para manejar con éxito los datos históricos “enriquecidos”, donde los sesgos mismos se tratan como entradas de datos. Si bien estos modelos estadísticos pueden no haber estado disponibles hace décadas, definitivamente este ya no es el caso.

Los tiempos de entrega como ciudadanos de segunda clase

Por razones que no nos quedan del todo claras, los tiempos de entrega con demasiada frecuencia se consideran simplemente como una entrada de datos en lugar de algo que necesita su propio pronóstico. Los tiempos de entrega futuros son inciertos y casi siempre la mejor manera de estimar de manera confiable los tiempos de entrega futuros es utilizar los tiempos de entrega observados en el pasado. Por lo tanto, los tiempos de entrega requieren su propio pronóstico. Además, las implicaciones de la cadena de suministro de estimaciones de tiempos de entrega correctas son mucho mayores de lo que muchos profesionales se dan cuenta: las cantidades en stock están precisamente allí para cubrir la demanda de un determinado tiempo de entrega. Cambia los tiempos de entrega y las cantidades en stock también cambian. Por lo tanto, los pronósticos de los tiempos de entrega no pueden ser tratados como ciudadanos de segunda clase en los esfuerzos de tu cadena de suministro. Casi todos los planes de cadena de suministro hacen hincapié en la necesidad de pronósticos precisos de la demanda, pero nuestra experiencia indica que, en la práctica, los pronósticos precisos de los tiempos de entrega son igual de importantes.

Pseudo-ciencia

La pseudo-ciencia tiene todas las características de la ciencia: se siente racional, viene con números, se dice que está probada y personas muy educadas defienden su caso. Sin embargo, la pseudo-ciencia no supera la prueba de lograr resultados repetibles. Por lo general, ni siquiera se requiere una configuración experimental para detectar la pseudo-ciencia, y los materiales de pseudo-ciencia comienzan a desmoronarse bajo el escrutinio de una revisión imparcial de expertos. Las cadenas de suministro son costosas de operar y complejas de comprender. Estos dos atributos por sí solos explican por qué las metodologías de cadena de suministro son bastante difíciles de desafiar: no solo las experimentaciones conllevan mucho riesgo, sino que también es difícil evaluar correctamente qué contribuye realmente a una mejora percibida.

Casos de negocio fantasiosos

Las soluciones de cadena de suministro ciertamente no son el único ámbito del software empresarial donde los proveedores hacen afirmaciones audaces, pero como dice el viejo refrán: si parece demasiado bueno para ser verdad, probablemente lo sea. Nosotros mismos hemos observado que prácticamente todos los eneros en la feria comercial NRF en Nueva York, una de las ferias minoristas más grandes del mundo, que ha estado en funcionamiento durante más de un siglo. A menudo vemos a un proveedor muy grande que afirma audazmente que los niveles de inventario ahora se pueden reducir a la mitad, con la ayuda de su nueva solución. Si solo el 1/10 de esas afirmaciones fuera cierto, toda la industria habría logrado niveles de stock casi perfectos hace una década. Hay tantas formas de manipular los números del caso de negocio que la mayoría de los proveedores ni siquiera están mintiendo realmente. El caso más común es que la empresa anunciada como el “ejemplo perfecto” para la solución tenía una cadena de suministro enormemente disfuncional desde el principio, y por lo tanto, era posible obtener cifras de mejora igualmente enormes una vez que las cosas volvieron a la normalidad un año después.

Confía en el equipo de ventas para el pronóstico

Queda en misterio si las personas que encargan a sus equipos de ventas la tarea de producir números de pronóstico de demanda precisos han trabajado alguna vez con un equipo de ventas real. En el mejor de los casos, estos números se pueden ver como una estimación honesta, pero más a menudo son simplemente inventados por el equipo de ventas tratando de manipular cualquier incentivo financiero que se les dé. Esto da paso a la práctica generalizada conocida como “sandbagging”, donde todos establecen sus objetivos lo más bajos posible para superar las expectativas más adelante. Además de esto, tenemos equipos de cadena de suministro que a menudo fingen prestar atención a esas cifras, mientras que las operaciones reales siguen siendo completamente independientes de los datos proporcionados por ventas. Ignorar las cifras sugeridas por el equipo de ventas es la única opción razonable, ya que la cadena de suministro dejaría de funcionar por completo si tuviera que operar en base a números tan pobres.

Soluciones probadas

Buscar una solución probada que haya logrado ofrecer beneficios tangibles para una empresa muy similar a la tuya puede parecer una perspectiva muy racional. Desde una perspectiva anecdótica, esto es exactamente lo que hizo Nokia y muchas otras empresas, hasta que ya no existieron. La mayoría de las grandes empresas no actúan tan rápido cuando se trata de elegir una solución compleja. El proceso de selección de proveedores puede llevar fácilmente hasta 1 año. Luego, alcanzar la velocidad de crucero con la solución elegida puede llevar otro año. Monitorear y ganar confianza en los resultados puede llevar 1 o 2 años más, especialmente para aquellas cadenas de suministro donde no todas las soluciones son sostenibles y donde la cadena de suministro puede volver rápidamente al estado anterior de rendimiento una vez que el proveedor ya no esté constantemente presente en el lugar para ajustar la solución. Después de esto, puede llevar 1 año más para que el proveedor de la solución llegue finalmente a tu empresa con esta prueba tan difícil de obtener. El defecto fatal en esta línea de pensamiento es que tu empresa puede permitirse llegar a la fiesta 5 años tarde. Cuando se trata de software, 5 años es mucho tiempo. La mayoría del software se considera obsoleto en el quinto año; ¿por qué tu solución de cadena de suministro sería diferente?

Métricas y puntos de referencia deficientes

La Supply Chain Cuantitativa se trata de números en los que se puede confiar. Como resultado, tendemos a inclinarnos mucho hacia las métricas y los puntos de referencia. Sin embargo, observamos que, en la cadena de suministro, la gran mayoría de los puntos de referencia y las métricas están tan mal diseñados que generalmente se consideran pseudociencia en nuestro libro. Las buenas métricas de la cadena de suministro requieren mucho esfuerzo. Los buenos puntos de referencia de la cadena de suministro requieren una cantidad de esfuerzo casi insana. Con demasiada frecuencia, las métricas y los puntos de referencia se simplifican en exceso en aras de la simplicidad, pero a expensas de su relevancia real para el negocio. Como regla general, si operar un punto de referencia no parece una tarea increíblemente difícil para los equipos de la cadena de suministro, entonces es probable que el desafío se subestime en gran medida.