Iniciativa de Supply Chain Cuantitativa
Supply Chain Cuantitativa u Optimización de la Supply Chain Cuantitativa, en resumen, es una perspectiva amplia sobre las cadenas de suministro que, simplemente, tiene como objetivo aprovechar al máximo la inteligencia humana potenciada con las capacidades de los recursos informáticos modernos. Sin embargo, esta perspectiva no es totalmente inclusiva. No pretende ser la solución definitiva a los desafíos de la cadena de suministro, sino un enfoque complementario que casi siempre se puede utilizar para mejorar la situación.
La iniciativa
Supply Chain Cuantitativa ayuda a su empresa a mejorar la calidad del servicio, reducir los excesos de inventario y las amortizaciones, aumentar la productividad, reducir los precios de compra y los costos operativos… y la lista continúa. Los desafíos de la cadena de suministro varían ampliamente según las diferentes situaciones. Supply Chain Cuantitativa abarca esta diversidad y se esfuerza, a pesar de la complejidad resultante. Sin embargo, para los profesionales de la cadena de suministro que están acostumbrados a enfoques más clásicos para optimizar sus cadenas de suministro, Supply Chain Cuantitativa puede resultar un poco desconcertante.
A continuación, revisamos los ingredientes necesarios para aprovechar al máximo la perspectiva cuantitativa de la cadena de suministro. Examinamos y aclaramos las ambiciones de una iniciativa de Supply Chain Cuantitativa. Revisamos los roles y las habilidades del equipo encargado de la ejecución de la iniciativa. Por último, ofrecemos una breve descripción general de la metodología asociada con Supply Chain Cuantitativa.
La ambición
Excepto en las empresas muy pequeñas, una cadena de suministro implica millones de decisiones al día. Por cada unidad en stock, todos los días, la empresa toma la decisión de mantener la unidad donde está, en lugar de moverla a otro lugar. Además, la misma lógica se aplica a las unidades de stock que no existen y que podrían producirse o comprarse. No hacer nada ya es una decisión en sí misma.
Supply Chain Cuantitativa se trata de optimizar los millones de decisiones que la empresa debe tomar todos los días, y dado que estamos hablando de millones, si no miles de millones de decisiones al día, las computadoras desempeñan un papel central en esta tarea. Esto no es sorprendente, ya que, después de todo, las cadenas de suministro fueron históricamente una de las primeras funciones corporativas, después de la contabilidad, en ser digitalizadas a fines de la década de 1970. Sin embargo, Supply Chain Cuantitativa se trata de llevar la digitalización un paso más allá.
Aquí debemos reconocer que los intentos equivocados de implementar el “sistema de cadena de suministro del futuro” han sido frecuentes en las últimas dos décadas. Con demasiada frecuencia, dichos sistemas no hicieron más que causar estragos en las cadenas de suministro, combinando efectos de caja negra y automatización fallida, y generando tantas decisiones erróneas que los problemas ya no podían solucionarse mediante la intervención humana.
En cierta medida, Supply Chain Cuantitativa nació de esos errores: en lugar de pretender que el sistema conoce mejor el negocio que su propia gestión, el enfoque debe centrarse en ejecutar las ideas generadas por la gestión, pero con un mayor grado de confiabilidad, claridad y agilidad. La tecnología del software bien implementada es un habilitador capaz, pero, considerando las capacidades actuales del software, eliminar por completo a las personas de la solución no es una opción realista.
Esta ambición tiene una consecuencia inmediata: el software que la empresa utiliza para realizar un seguimiento de sus productos, materiales y otros recursos no será el mismo que el software que la empresa necesita para optimizar sus decisiones. De hecho, ya sea un ERP, un WMS, un MRP o un OMS, todo este tipo de software se centra principalmente en operar los procesos de la empresa y su flujo de entradas de datos. No nos malinterpreten, hay enormes beneficios en la optimización de las entradas de datos y la automatización de todas las tareas administrativas. Sin embargo, nuestro punto de vista es que estas tareas no abordan en lo más mínimo el desafío en cuestión, que es aumentar la capacidad de su empresa para ejecutar ideas humanas, y a la escala requerida por su cadena de suministro.
Entonces, no hay optimización sin medición. Por lo tanto, Supply Chain Cuantitativa se trata en gran medida de mediciones, como sugiere su nombre. Las decisiones de la cadena de suministro, como comprar stock o mover stock, tienen consecuencias, y la calidad de dichas decisiones debe evaluarse financieramente (por ejemplo, en dólares) con una perspectiva empresarial sólida. Sin embargo, tener métricas buenas y sólidas requiere esfuerzo, un esfuerzo significativo. Uno de los objetivos de Supply Chain Cuantitativa es ayudar a la empresa a establecer dichas métricas, lo cual también desempeña un papel crítico durante las etapas posteriores de un proyecto, al evaluar el retorno de la inversión (ROI) de la iniciativa general de la cadena de suministro.
Por último, como se mencionó anteriormente, Supply Chain Cuantitativa no es un paradigma que abarque todo. No tiene la ambición de solucionar o mejorar todo en la cadena de suministro de la empresa. No pretende ayudarlo a encontrar proveedores confiables o socios logísticos confiables. No promete ayudarlo a contratar equipos excelentes y mantener su moral alta. Sin embargo, gracias a su enfoque muy específico, Supply Chain Cuantitativa es totalmente capaz de ofrecer resultados tangibles.
Los roles del proyecto
Supply Chain Cuantitativa requiere una cantidad sorprendentemente baja de recursos humanos, incluso cuando se manejan cadenas de suministro de cierta escala. Sin embargo, esta iniciativa requiere recursos específicos, de los cuales cubriremos los detalles en esta sección. Pero antes de adentrarnos en los diferentes roles y sus especificidades, comencemos mencionando un principio fundamental de Supply Chain Cuantitativa: la empresa debe capitalizar cada intervención humana.
Este principio va en contra de lo que sucede en la práctica con las soluciones tradicionales de cadena de suministro: los esfuerzos humanos son consumidos por la solución, no capitalizados. Para seguir produciendo una corriente interminable de decisiones, la solución requiere una corriente interminable de entradas manuales. Estas entradas pueden adoptar muchas formas: ajustar perfiles estacionales, lidiar con excepciones y alertas, corregir valores de pronóstico extraños, etc.
Supply Chain Cuantitativa busca revertir esta perspectiva. No es solo que el trabajo humano sea costoso, es que la experiencia en cadena de suministro combinada con una aguda visión empresarial es demasiado rara y valiosa como para desperdiciarla en tareas repetitivas. La causa raíz de la intervención manual debe ser corregida: si los valores de pronóstico están equivocados, entonces no tiene sentido modificar los valores en sí, sino que los datos de entrada o el algoritmo de pronóstico en sí deben corregirse. Arreglar los síntomas garantiza un trato interminable con los mismos problemas.
El tamaño del equipo necesario para ejecutar una iniciativa de cadena de suministro cuantitativa varía según la escala de la propia cadena de suministro. En el extremo inferior del espectro, puede ser menos de un ETP (empleado a tiempo completo), típicamente para empresas con menos de $20 millones de facturación. En el extremo superior del espectro, puede involucrar a una docena de personas; pero en este caso, generalmente están en juego varios miles de millones de dólares en inventario.
El Líder de la Cadena de Suministro: Supply Chain Cuantitativa es un cambio de paradigma. Impulsar el cambio requiere liderazgo y apoyo de la alta dirección. Con demasiada frecuencia, el liderazgo de la cadena de suministro no siente que tiene tiempo para involucrarse demasiado directamente en lo que se percibe como las “tecnicidades” de una solución. Sin embargo, Supply Chain Cuantitativa se trata de ejecutar ideas estratégicas a gran escala. No compartir las ideas estratégicas con el equipo a cargo de la iniciativa es una receta para el fracaso. No se espera que la dirección genere todas las métricas y KPI relevantes, ya que requiere mucho esfuerzo reunirlos, pero se espera que la dirección los desafíe.
El Coordinador de la Cadena de Suministro: si bien la iniciativa de Supply Chain Cuantitativa en sí misma está destinada a ser muy eficiente en cuanto al personal, la mayoría de las cadenas de suministro no lo son, o al menos, no son tan eficientes. No lograr que todos estén a bordo puede resultar en confusión y una desaceleración de la iniciativa. Por lo tanto, la misión del Coordinador es recopilar todos los comentarios internos necesarios que requiere la iniciativa y comunicarse con todas las partes involucradas. El Coordinador aclara los procesos y decisiones que deben tomarse, y recibe comentarios sobre las métricas y los KPI que se utilizarán para optimizar esas decisiones. También se asegura de que la solución adopte los flujos de trabajo de la empresa tal como son, al tiempo que preserva la posibilidad de revisar esos flujos de trabajo en una etapa posterior de la iniciativa.
El Oficial de Datos: Supply Chain Cuantitativa depende críticamente de los datos, y cada iniciativa debe tener acceso confiable a los datos desde una perspectiva de procesamiento por lotes. De hecho, la iniciativa no solo implica leer algunas líneas en el sistema de la empresa, sino que implica leer todo el historial de ventas, todo el historial de compras, todo el catálogo de productos, etc. El Oficial de Datos generalmente es delegado por el departamento de TI para apoyar la iniciativa. Él es responsable de automatizar toda la lógica de extracción de datos y programar esta lógica para extracciones diarias. En la práctica, los esfuerzos del Oficial de Datos se concentran principalmente al comienzo de la iniciativa.
El Científico de Supply Chain: utiliza la tecnología, más adelante se explicará más sobre esto, para combinar los conocimientos recopilados por el Coordinador con los datos extraídos por el Oficial de Datos con el fin de automatizar la producción de decisiones. El científico comienza preparando los datos, lo cual es una tarea sorprendentemente difícil y requiere mucho apoyo del Coordinador, quien deberá interactuar con muchas personas que produjeron los datos en primer lugar, para aclarar cualquier cosa que pueda ser incierta. Formaliza la estrategia para que se pueda utilizar para generar decisiones, como por ejemplo, las cantidades sugeridas de reabastecimiento. Finalmente, el Científico de Supply Chain equipa toda la tubería de datos con paneles de control y KPIs para garantizar claridad, transparencia y control.
Para empresas de tamaño mediano, tener a la misma persona desempeñando los roles de Coordinador y Oficial de Datos puede ser extremadamente eficiente. Sin embargo, requiere una variedad de habilidades que no siempre es fácil encontrar en un solo empleado. Sin embargo, si tal persona existe en la organización, tiende a ser un activo para acelerar la iniciativa. Luego, para empresas más grandes, incluso si el Coordinador no está muy familiarizado con las bases de datos de la empresa al comienzo de la iniciativa, es una gran ventaja si el Coordinador es capaz de adquirir un cierto nivel de familiaridad con las bases de datos a medida que avanza la iniciativa. De hecho, el panorama de TI sigue cambiando y anticipar cómo afectará el cambio a la iniciativa ayuda enormemente a garantizar una ejecución continua sin problemas.
La tecnología
Hasta ahora, hemos sido bastante vagos en cuanto a la tecnología de software requerida para respaldar la Supply Chain Cuantitativa. Sin embargo, la Supply Chain Cuantitativa depende críticamente de la pila tecnológica utilizada para implementarla. Si bien, conceptualmente, cada pieza de software podría ser re-implementada desde cero, el Científico de Supply Chain requiere una cantidad increíble de soporte de su pila para ser incluso razonablemente productivo. Luego, ciertas capacidades como el pronóstico y la optimización numérica, requieren esfuerzos significativos de I+D previos que van mucho más allá de lo que el Científico de Supply Chain puede lograr durante el curso de la iniciativa.
El primer requisito de la Supply Chain Cuantitativa es una plataforma de datos con capacidades programáticas, y, naturalmente, tener acceso a una plataforma de datos específicamente diseñada para manejar datos de la cadena de suministro y problemas de la cadena de suministro es una clara ventaja. Nos referimos a una plataforma de datos, porque si bien cualquier estación de trabajo de escritorio puede almacenar múltiples terabytes en la actualidad, no significa que esta estación de trabajo de escritorio ofrecerá otras propiedades deseables para llevar a cabo la iniciativa: confiabilidad contra fallas de hardware, auditabilidad para todos los accesos, compatibilidad con exportaciones de datos, etc. Además, dado que los conjuntos de datos de la cadena de suministro tienden a ser grandes, la plataforma de datos debe ser más escalable, o en otras palabras, debe ser capaz de procesar grandes cantidades de datos en poco tiempo.
La plataforma de datos requiere capacidades programáticas, lo que se refiere a la posibilidad de implementar y ejecutar prácticamente cualquier lógica de procesamiento de datos arbitraria. Estas capacidades se entregan a través de un lenguaje de programación. La programación se percibe correctamente como una habilidad muy técnica, y muchos proveedores aprovechan el miedo inspirado por la idea de tener que lidiar con una solución que requiere “programación” para ofrecer interfaces de usuario simples con botones y menús a los usuarios. Sin embargo, cuando a los equipos de la cadena de suministro se les niegan capacidades programáticas, las hojas de cálculo de Excel toman el control, precisamente porque Excel ofrece capacidades programáticas con la posibilidad de escribir fórmulas que pueden ser arbitrariamente complicadas. Lejos de ser un gadget, las capacidades programáticas son un requisito fundamental.
Finalmente, existen beneficios significativos al tener una plataforma de datos adaptada a la cadena de suministro. De hecho, la necesidad de una plataforma de datos de algún tipo apenas es específica de la cadena de suministro: el trading cuantitativo, realizado por bancos y fondos, viene con necesidades similares. Sin embargo, las decisiones de la cadena de suministro no requieren latencias de submilisegundos como lo hace el trading de alta frecuencia. El diseño de una plataforma de datos es una cuestión de compensaciones de ingeniería, así como una cuestión de un ecosistema de software, que comienza con los formatos de datos admitidos. Esas compensaciones de ingeniería y el ecosistema de software deben estar alineados con los desafíos de la cadena de suministro en sí.
El segundo requisito de la Supply Chain Cuantitativa es un motor de pronóstico probabilístico. Este software es responsable de asignar una probabilidad a cada posible futuro. Aunque este tipo de pronóstico es un poco desconcertante al principio porque va en contra de la intuición de pronosticar el futuro, el “truco” realmente radica en la incertidumbre: el futuro no es seguro y un solo pronóstico está garantizado para estar equivocado. La perspectiva clásica de pronóstico niega la incertidumbre y la variabilidad, y como resultado, la empresa termina luchando con un pronóstico que se suponía que era preciso, pero no lo es. Un motor de pronóstico probabilístico aborda este problema de frente al resolver el problema con probabilidades.
El pronóstico probabilístico en la cadena de suministro es típicamente un proceso de 2 etapas que comienza con un pronóstico de tiempo de entrega y continúa con un pronóstico de demanda. El pronóstico de tiempo de entrega es un pronóstico probabilístico: se asigna una probabilidad a todas las posibles duraciones de tiempo de entrega, generalmente expresadas en días. Luego, el pronóstico de demanda también es un pronóstico probabilístico y este pronóstico se construye sobre la base del pronóstico de tiempo de entrega proporcionado como entrada. De esta manera, el horizonte que debe cubrir el pronóstico de demanda debe coincidir con los tiempos de entrega, que a su vez son inciertos.
A medida que el motor de pronóstico probabilístico entrega conjuntos de distribuciones de probabilidad, sus resultados de pronóstico involucran mucha más información que los resultados de un motor de pronóstico clásico. Esto no es un problema en sí mismo, pero para evitar enfrentar demasiada fricción al procesar un conjunto masivo de probabilidades, se requiere un alto grado de cooperación entre la plataforma de datos y el motor de pronóstico.
Las fases del proyecto
La Supply Chain Cuantitativa está fuertemente inspirada en la I+D de ingeniería de software y en las mejores prácticas conocidas en ciencia de datos. La metodología es altamente iterativa, con poco énfasis en la especificación previa y un alto énfasis en la agilidad y la capacidad de recuperarse de problemas inesperados y/o resultados inesperados. Como resultado, esta metodología tiende a ser percibida como bastante sorprendente para las empresas que no están profundamente involucradas en la industria del software.
La primera fase es la fase de alcance, que define qué decisiones de la cadena de suministro se pretende cubrir con la iniciativa. Esta fase también se utiliza para diagnosticar la complejidad esperada involucrada en el proceso de toma de decisiones y los datos relevantes.
La segunda fase es la fase de preparación de datos. Esto consiste en establecer una configuración automatizada que copia todos los datos relevantes de los sistemas de la empresa a una plataforma analítica separada. También consiste en preparar estos datos para el análisis cuantitativo.
La tercera fase es la fase piloto y consiste en implementar una lógica inicial de toma de decisiones que genera decisiones, por ejemplo, las cantidades de compra sugeridas, que por sí mismas superan los procesos anteriores de la empresa. Se espera que esta lógica esté completamente automatizada.
La cuarta fase es la fase de producción, que lleva la iniciativa a velocidad de crucero donde se monitorea y mantiene el rendimiento, y donde se logra un consenso sobre el grado deseable de refinamiento para los modelos de la cadena de suministro en sí.
La fase de alcance es la más sencilla e identifica las decisiones rutinarias que la iniciativa de la Supply Chain Quantitativa pretende cubrir. Estas decisiones pueden implicar muchas restricciones: MOQ (cantidades mínimas de pedido), contenedores completos, capacidad máxima de almacén, … y estas restricciones deben ser examinadas de cerca. Luego, las decisiones también están asociadas con los impulsores económicos: costos de mantenimiento, costo de faltante de stock, margen bruto, … y estos impulsores económicos también deben ser estudiados. Finalmente, se debe identificar los datos históricos relevantes, junto con los sistemas de los cuales se extraerán los datos.
La fase de preparación de datos es la fase más difícil; la mayoría de los fracasos tienden a ocurrir en esta etapa. Obtener acceso a los datos y darles sentido es casi siempre un desafío subestimado. Los sistemas operativos (por ejemplo, ERP / MRP / WMS / OMS) han sido diseñados para operar la empresa, para mantenerla en funcionamiento. Los datos históricos son un subproducto de dichos sistemas, ya que el registro de datos no fue la razón por la cual se implementaron esos sistemas en primer lugar. Por lo tanto, se deben esperar muchas dificultades en esta fase. Cuando se enfrentan dificultades, la mayoría de las empresas tienen un reflejo desafortunado: retrocedamos y escribamos una especificación completa. Desafortunadamente, una especificación solo puede cubrir las dificultades conocidas o esperadas. Sin embargo, casi todos los problemas importantes que se encuentran en esta fase son elementos que no se pueden planificar.
En realidad, los problemas tienden a revelarse solo cuando alguien comienza a poner a prueba los datos para generar decisiones basadas en datos. Si las decisiones salen mal mientras se considera que la lógica es sólida, entonces probablemente haya un problema con los datos. Las decisiones basadas en datos tienden a ser algo sensibles a los problemas de datos y, por lo tanto, representan una excelente manera de desafiar cuánto control tiene la empresa sobre sus propios datos. Además, este proceso desafía los datos de maneras que son significativas para la empresa. La calidad de los datos y la comprensión de los datos son simplemente medios para un fin: entregar algo de valor para la empresa. Es muy razonable concentrar los esfuerzos en problemas de datos que tienen un impacto significativo en las decisiones basadas en datos.
La fase piloto es la fase que pone a prueba la gestión de la cadena de suministro. Aceptar la incertidumbre con pronósticos probabilísticos puede ser bastante contraintuitivo. Al mismo tiempo, muchas prácticas tradicionales como los pronósticos semanales o mensuales, las existencias de seguridad, los niveles de stock, las alertas de stock o el análisis ABC en realidad hacen más daño que bien. Esto no significa que la iniciativa de la Supply Chain Quantitativa deba funcionar sin restricciones. De hecho, es todo lo contrario, ya que la Supply Chain Quantitativa se trata de un rendimiento medible. Sin embargo, muchas prácticas tradicionales de la cadena de suministro tienen tendencia a plantear problemas de manera adversa a la resolución de dichos problemas. Por lo tanto, durante la fase piloto, uno de los principales desafíos para el liderazgo de la cadena de suministro es mantener la mente abierta y no reintroducir en la iniciativa los mismos ingredientes que generarán ineficiencias en una etapa posterior. No puedes apreciar la causa mientras maldices la consecuencia.
Luego, tanto el Supply Chain Scientist como la tecnología también se ponen a prueba, dado que la lógica debe implementarse para generar las decisiones en un plazo relativamente corto. El objetivo inicial es simplemente generar lo que los profesionales consideran decisiones razonables, decisiones que no requieren necesariamente corrección manual. Sugerimos no subestimar el desafío que supone generar decisiones automatizadas “sólidas”. Los sistemas tradicionales de la cadena de suministro requieren muchas correcciones manuales para poder funcionar: nuevos productos, promociones, faltantes de stock… La Supply Chain Quantitativa establece una nueva regla: no se permiten más entradas manuales para operaciones mundanas, todos los factores deben integrarse en la lógica.
El Coordinador de la Cadena de Suministro está ahí para recopilar todos los factores, flujos de trabajo y especificidades que deben integrarse en la lógica de toma de decisiones. A continuación, el Supply Chain Scientist implementa el primer lote de KPI asociados con las decisiones. Estos KPI se introducen para evitar los efectos de la caja negra que tienden a surgir cuando se utilizan métodos numéricos avanzados. Es importante tener en cuenta que los KPI se diseñan junto con el Líder de la Cadena de Suministro, quien se asegura de que las mediciones estén alineadas con la estrategia de la empresa.
La fase de producción estabiliza la iniciativa y la lleva a velocidad de crucero. Las decisiones generadas por la lógica se utilizan activamente y sus resultados asociados se supervisan de cerca. Por lo general, se tarda unas semanas o unos meses en evaluar el impacto de cualquier decisión de la cadena de suministro debido a los tiempos de entrega involucrados. Por lo tanto, el cambio de ritmo de la iniciativa en la fase de producción se ralentiza, para que sea posible realizar evaluaciones confiables sobre el rendimiento de las decisiones automatizadas. La iniciativa entra en una fase de mejora continua. Siempre es deseable realizar más mejoras, pero se debe alcanzar un equilibrio entre los beneficios de posibles refinamientos en la lógica y la complejidad correspondiente de esos refinamientos, para mantener toda la solución mantenible.
El Coordinador de la Cadena de Suministro, liberado de sus tareas mundanas de entrada de datos, ahora puede centrarse en las ideas estratégicas propuestas por la gestión de la cadena de suministro. Por lo general, los cambios deseados en los procesos de la cadena de suministro que se pueden haber identificado durante la fase piloto se han pospuesto para evitar interrumpir las operaciones al cambiar todo de una vez. Sin embargo, ahora que el ritmo de cambio de la lógica de toma de decisiones se ha ralentizado, se vuelve posible revisar incrementalmente los procesos, para desbloquear mejoras de rendimiento que requieren más que decisiones rutinarias mejoradas.
El Científico de la Cadena de Suministro sigue ajustando la lógica al poner cada vez más énfasis en los KPI y la calidad de los datos. También es responsable de revisar la lógica, ya que con el tiempo se descubren fallas sutiles o limitaciones sutiles, generalmente relacionadas con situaciones poco frecuentes. Luego, a medida que cambian los procesos, también se revisa la lógica de toma de decisiones para mantenerse completamente alineada con los flujos de trabajo y la estrategia. Además, incluso cuando los procesos internos no cambian, los paisajes generales de TI y de negocios siguen cambiando de todos modos: el Científico de la Cadena de Suministro debe asegurarse de que la lógica de toma de decisiones se mantenga actualizada dentro de este estado constante de flujo.
Los entregables
El objetivo de la Cadena de Suministro Cuantitativa es entregar decisiones accionables, siendo un ejemplo arquetípico las cantidades sugeridas para las órdenes de compra. A continuación, aclaramos aún más la forma específica y el mecanismo de entrega de esas decisiones. Establecer expectativas claras para los entregables es un paso importante en el viaje que representa la Cadena de Suministro Cuantitativa. Además, los resultados numéricos optimizados no son el único resultado deseable: varios otros resultados, especialmente el monitoreo de la salud de los datos y los KPI de gestión, también deben incluirse en el entregable. En la práctica, los entregables de una iniciativa de Cadena de Suministro Cuantitativa dependen de la flexibilidad de la solución de software utilizada para respaldar la propia iniciativa. Sin embargo, están definidos principalmente por su intención, que es agnóstica de la tecnología utilizada.
Scripts como entregables
La Cadena de Suministro Cuantitativa enfatiza las canalizaciones de datos totalmente automatizadas. Esto no implica que la configuración de software deba funcionar de forma autónoma. Naturalmente, se desea un alto grado de supervisión cercana siempre que se considere una cadena de suministro a gran escala. Sin embargo, se espera que la canalización de datos esté completamente automatizada en el sentido de que ningún paso individual en la canalización dependa realmente de una operación manual. De hecho, como se describe en el manifiesto, cuando las operaciones manuales están involucradas en el procesamiento de datos de la cadena de suministro, la solución simplemente no escala en la práctica.
Como consecuencia directa de esta idea, los entregables de una iniciativa de Cadena de Suministro Cuantitativa son invariablemente piezas completas de software. Esto no implica que se espere que el equipo a cargo vuelva a implementar todo: una solución de software dedicada a la Cadena de Suministro Cuantitativa ofrece la posibilidad de centrarse estrictamente en los aspectos relevantes de los desafíos de la cadena de suministro. Todas las tecnicidades de bajo nivel, como aprovechar los recursos informáticos distribuidos asignados automáticamente dentro de una plataforma de computación en la nube, se espera que se abstraigan. El equipo no necesita adentrarse en tales asuntos, porque se espera que esos aspectos sean gestionados adecuadamente por la propia herramienta.
Los entregables se materializan como scripts escritos típicamente en un lenguaje de programación capaz de satisfacer los requisitos de la cadena de suministro, al tiempo que ofrecen un alto nivel de productividad. El término “script” se utiliza aquí en lugar de “código fuente”, pero los dos términos están estrechamente relacionados: un “script” enfatiza la idea de un alto grado de abstracción y enfoque en la tarea en sí, mientras que un “código fuente” enfatiza una perspectiva de nivel inferior, destinada a ser un reflejo preciso del hardware informático en sí. Para la Cadena de Suministro Cuantitativa, obviamente es la perspectiva de la cadena de suministro la que importa más, no el hardware informático, que es un aspecto técnico de importancia secundaria.
Durante la última década, el éxito de las interfaces de usuario WYSIWYG (lo que ves es lo que obtienes) para aplicaciones de clientes finales ha llevado a muchos proveedores de software de cadena de suministro a intentar emular este enfoque con una solución WYSIWYG para la planificación y optimización de la cadena de suministro. Sin embargo, la lección del fracaso casi sistemático de este tipo de interfaces es que las cadenas de suministro son complejas y no pueden evitar la necesidad de herramientas programáticas. Por nuestra experiencia, esperar que una herramienta de arrastrar y soltar pueda reflejar adecuadamente las complejas no linealidades involucradas, por ejemplo, en las cantidades mínimas de pedido superpuestas (MOQ, por sus siglas en inglés), es ilusorio en el mejor de los casos. Se requiere expresividad programática porque, de lo contrario, el desafío de la cadena de suministro ni siquiera puede expresarse dentro de la herramienta.
Naturalmente, desde la perspectiva del usuario final, los scripts no son lo que los profesionales de la cadena de suministro esperarían ver como un resultado tangible de la iniciativa de Cadena de Suministro Cuantitativa. Las personas interactuarán con paneles de control que contienen KPI consolidados y tablas que recopilan decisiones sugeridas. Sin embargo, esos paneles de control son transitorios y desechables. Simplemente se obtienen ejecutando los scripts nuevamente sobre los datos relevantes de la cadena de suministro. Si bien la distinción es un poco sutil, es importante no confundir el script, que representa el entregable real, con su expresión numérica, que es típicamente lo que se puede ver como usuario final de la solución.
Paneles de control de la salud de los datos
Antes de considerar la entrega de decisiones optimizadas para la cadena de suministro, debemos asegurarnos de que los datos procesados por el sistema que respalda la iniciativa de Cadena de Suministro Cuantitativa sean numérica y semánticamente correctos. El propósito de los paneles de control de la salud de los datos, o simplemente paneles de control de la salud de los datos, es garantizar un alto grado de confianza en la corrección de los datos, que naturalmente es un requisito esencial para la precisión de todos los resultados numéricos devueltos por la solución. Estos paneles de control también ayudan al equipo de la cadena de suministro a mejorar la calidad de los datos existentes.
Los errores numéricos son directos: el archivo CSV exportado del ERP indica que el producto ABC tiene 42 unidades en stock, mientras que la consola web del ERP informa solo 13 unidades en stock. Aquí es evidente que tenemos números divergentes donde deberían ser iguales. Los paneles de control de la salud de los datos abordan esos problemas relativamente obvios simplemente verificando que los agregados de datos se mantengan dentro de los rangos numéricos esperados.
Los errores semánticos son más sutiles y, en la práctica, mucho más difíciles de identificar. La mayor parte del trabajo realizado durante la preparación de los datos consiste en identificar y abordar todos los errores semánticos. Por ejemplo: el campo stockinv en el ERP puede estar documentado como el “stock disponible”. Por lo tanto, el equipo de la cadena de suministro asume que esta cantidad nunca puede ser negativa, porque, obviamente, si esas unidades están al alcance físico en el estante, tiene que ser una cantidad positiva. Sin embargo, la documentación del ERP también puede ser ligeramente confusa y esta cantidad podría haber sido más adecuadamente llamada “stock disponible” porque cuando ocurre un faltante de stock y el cliente emite un backorder, la cantidad puede volverse negativa para reflejar que cierto número de unidades ya están comprometidas con un cliente. Este caso ilustra un error semántico: el número no está incorrecto en sí mismo, es la comprensión del número lo que es aproximada. En la práctica, las aproximaciones semánticas pueden generar muchos comportamientos inconsistentes, que a su vez generan costos de fricción continuos dentro de la cadena de suministro.
Los paneles de control de la salud de los datos consolidan números que permiten a la empresa decidir en el acto si los datos se pueden considerar lo suficientemente buenos o no. De hecho, dado que la solución se utilizará a diario con fines de producción, es imperativo que se identifique un problema de datos significativo a través de una inspección casi instantánea. De lo contrario, es probable que la cadena de suministro siga operando durante días, si no semanas, sobre la base de datos defectuosos. En este sentido, el panel de control de la salud de los datos es similar a un semáforo: verde pasas, rojo te detienes.
Además, al considerar una cadena de suministro considerable, generalmente hay una cantidad irreducible de datos corruptos o incorrectos. Estos datos surgen a través de entradas manuales defectuosas o a través de casos excepcionales raros en los propios sistemas de la empresa. En la práctica, para cualquier cadena de suministro considerable, es irrazonable esperar que los datos de la cadena de suministro sean 100% precisos. En cambio, debemos asegurarnos de que los datos sean lo suficientemente precisos como para mantener los costos de fricción generados por esos errores casi insignificantes.
Por lo tanto, también se espera que los paneles de control de la salud de los datos recopilen estadísticas sobre los errores de datos identificados. Estas estadísticas son fundamentales para establecer que los datos se pueden considerar confiables. Con ese fin, a menudo se solicita la intervención de un Supply Chain Scientist para establecer umbrales de alerta bien elegidos, generalmente asociados con una parada total de la solución. Se debe tener cuidado al establecer los umbrales, porque si son demasiado bajos, la solución no se puede utilizar, ya que se detiene con demasiada frecuencia debido a “problemas de datos identificados”; sin embargo, si son demasiado altos, los costos de fricción generados por los errores de datos pueden volverse significativos y socavar los beneficios que aporta la iniciativa en sí misma.
Más allá de la señalización rojo-verde, los paneles de control de la salud de los datos también tienen como objetivo ofrecer información prioritaria sobre los esfuerzos de mejora de los datos. De hecho, muchos puntos de datos pueden ser incorrectos pero también inconsecuentes. Por ejemplo, no importa si el precio de compra de un producto es incorrecto si la demanda del mercado de este producto desapareció hace años, ya que no habrá más pedidos de compra para este producto.
El Supply Chain Quantitativa enfatiza que la resolución detallada de los errores de datos, que puede implicar una cantidad considerable de trabajo manual, debe tener prioridad frente al impacto financiero estimado del propio error de datos en comparación con el costo laboral asociado con la corrección. De hecho, dependiendo de la situación, el costo asociado con la corrección de un solo punto de datos defectuoso varía enormemente y debe tenerse en cuenta en la priorización sugerida. Finalmente, cuando se considera que el costo de las correcciones es más caro que los costos de la cadena de suministro generados por esos errores, el proceso de mejora de los datos puede detenerse.
Paneles de decisiones prioritarias
Como hemos visto, solo las decisiones de la cadena de suministro pueden evaluarse realmente desde una perspectiva cuantitativa. Por lo tanto, no es sorprendente que uno de los principales entregables operativos de una iniciativa de Supply Chain Quantitativa sean los paneles de decisiones que consolidan las decisiones obtenidas como resultado numérico final de toda la tubería de datos. Un panel de este tipo puede ser tan simple como una tabla que enumera para cada producto la cantidad exacta en unidades que se debe reordenar de inmediato. Si existen cantidades mínimas de pedido (MOQ, por sus siglas en inglés) o cualquier otra restricción de pedido alternativa, es posible que las cantidades sugeridas sean cero la mayor parte del tiempo, hasta que se cumplan los umbrales adecuados.
Por simplicidad, asumimos aquí que esos resultados numéricos se recopilan en un panel de control, que es una forma específica de interfaz de usuario. Sin embargo, el panel de control en sí es solo una opción, que puede ser relevante o no. En la práctica, se espera que el software que impulsa la iniciativa de Supply Chain Quantitativa sea altamente flexible, es decir, programáticamente flexible, ofreciendo muchas formas de empaquetar esos resultados en varios formatos de datos. Por ejemplo, los resultados numéricos se pueden consolidar en archivos de texto plano, que están destinados a ser importados automáticamente en el ERP principal utilizado para gestionar los activos de la empresa.
Si bien el formato de las decisiones depende en gran medida de la tarea de la cadena de suministro que se aborde, la mayoría de las tareas requieren priorizar esas decisiones. Por ejemplo, el acto de calcular las cantidades sugeridas para un pedido de compra se puede descomponer a través de una lista priorizada de unidades que se deben adquirir. La unidad más rentable se clasifica en primer lugar. A medida que el stock tiene rendimientos decrecientes, la segunda unidad adquirida para el mismo producto aborda una fracción decreciente de la demanda del mercado. Por lo tanto, la segunda unidad para este mismo producto puede no ser la segunda entrada en la lista general. En cambio, la segunda unidad más rentable puede estar asociada con otro producto, etc. La lista priorizada de unidades a adquirir es conceptualmente infinita: siempre es posible comprar una unidad más. Como la demanda del mercado es finita, todas las unidades compradas se convertirían en stock muerto después de un punto. Convertir esta lista de prioridades en las cantidades finales para la compra solo requiere introducir un criterio de detención y sumar las cantidades por producto. En la práctica, las restricciones de pedido no lineales complican aún más esta tarea, pero, por simplicidad, dejaremos de lado estas restricciones en esta etapa de la discusión.
Priorizar las decisiones es una operación muy natural desde el punto de vista de Supply Chain Quantitativa. Como cada decisión está asociada con un resultado financiero expresado en dólares, clasificar las decisiones de las más rentables a las menos rentables es sencillo. Por lo tanto, muchos, si no la mayoría, de los paneles que recopilan las decisiones sugeridas de la cadena de suministro se pueden esperar, en la práctica, que sean listas priorizadas de decisiones. Estos paneles contienen listas con decisiones altamente rentables en la parte superior y decisiones muy poco rentables en la parte inferior. Alternativamente, los profesionales de la cadena de suministro pueden decidir truncar las listas cuando las decisiones no sean rentables. Sin embargo, a menudo se pueden obtener ideas de poder inspeccionar las decisiones que están justo por debajo del umbral de rentabilidad, incluso si obviamente no se espera que la empresa actúe sobre esas entradas no rentables.
Para poder ofrecer este tipo de paneles de decisiones, la solución de software que respalda a Supply Chain Quantitativa debe explorar numéricamente grandes cantidades de decisiones posibles. Por ejemplo, la solución debe ser capaz de considerar el impacto financiero de comprar cada unidad individual, unidad por unidad, para cada producto en cada ubicación. No es sorprendente que esta operación pueda requerir recursos informáticos sustanciales. Afortunadamente, hoy en día, el hardware informático es capaz de manejar incluso las cadenas de suministro globales más grandes. Suponiendo que la solución de software subyacente esté adecuadamente diseñada para Supply Chain Quantitativa, la escalabilidad del procesamiento de datos no debería ser un problema para los equipos de la cadena de suministro.
Haciendo transparentes los resultados numéricos
Los sistemas que se denominan despectivamente “cajas negras” en la cadena de suministro y en otros campos también son sistemas que generan resultados que los profesionales que interactúan con esos sistemas no pueden explicar. Supply Chain Quantitativa, con su enfoque específico en un canal de datos automatizado, también corre el riesgo de entregar lo que los equipos de la cadena de suministro clasificarían como “cajas negras”. De hecho, las implicaciones financieras de las decisiones de la cadena de suministro son muy importantes para una empresa y, si bien un sistema más nuevo puede mejorar la situación, también puede crear desastres. Si bien la automatización es muy deseable, no significa que se espere que el equipo de la cadena de suministro no tenga un conocimiento profundo de lo que se está entregando mediante el canal de datos que respalda la iniciativa de Supply Chain Quantitativa.
El término hacer transparente se refiere al esfuerzo necesario para que la solución sea completamente transparente en beneficio de los equipos de la cadena de suministro. Este enfoque enfatiza que ninguna tecnología es transparente por diseño. La transparencia es el resultado final de un esfuerzo específico, que forma parte de la propia iniciativa. Incluso una simple regresión lineal puede generar resultados desconcertantes en la práctica. Dejando de lado a algunas personas excepcionales, la mayoría de las personas no tienen una comprensión intuitiva de cuál es la salida “esperada” del modelo lineal cuando están involucradas 4 dimensiones o más. Sin embargo, los problemas de la cadena de suministro a menudo involucran docenas de variables, si no cientos. Por lo tanto, incluso los modelos estadísticos simplistas son, de facto, cajas negras para los profesionales de la cadena de suministro. Naturalmente, cuando se utilizan algoritmos de aprendizaje automático, como se recomienda en Supply Chain Quantitativa, dejan a los profesionales aún más en la oscuridad.
Si bien el efecto de la caja negra es un problema real, una solución realista no radica en simplificar el procesamiento de datos en cálculos que sean inmediatamente intuitivos para la mente humana. Este enfoque es una receta para una extrema ineficiencia, que destruye por completo todos los beneficios de los recursos informáticos modernos, que se pueden utilizar para abordar la complejidad cruda de las cadenas de suministro modernas. Simplificar el proceso no es la respuesta. Hacer transparente sí lo es.
Incluso las recomendaciones de cadena de suministro más complejas pueden hacerse en gran medida transparentes para los profesionales de la cadena de suministro, simplemente descomponiendo los cálculos internos con indicadores financieros bien elegidos, que representan los impulsores económicos que respaldan la recomendación en sí. Por ejemplo, en lugar de simplemente mostrar una tabla simple con dos columnas de producto y cantidad como una orden de compra sugerida, la tabla debe incluir un par de columnas que ayuden a la toma de decisiones. Esas columnas adicionales pueden incluir el stock actual, la demanda total durante el último mes, el tiempo de espera esperado, el costo financiero esperado de falta de stock (si no se pasa ningún pedido), el costo financiero esperado de exceso de stock (riesgo asociado con el pedido sugerido), etc. Las columnas se diseñan para brindar al equipo de cadena de suministro rápidas comprobaciones de cordura de las cantidades sugeridas. A través de las columnas, el equipo puede establecer rápidamente la confianza en el resultado numérico y también puede identificar algunas de las debilidades de una solución que necesita mejoras adicionales.
Ampliar los paneles de control con fines de transparencia es en parte un arte. Generar millones de números es fácil, incluso teniendo acceso a no más recursos informáticos que los disponibles en un teléfono inteligente. Sin embargo, generar 10 números dignos de ser examinados a diario es muy difícil. Por lo tanto, el desafío principal es identificar una docena o menos de KPI que sean suficientes para arrojar luz sobre las decisiones recomendadas de la cadena de suministro. Los buenos KPI generalmente requieren mucho trabajo; no deben ser definiciones ingenuas, que suelen ser engañosas en la cadena de suministro. Por ejemplo, incluso una columna tan simple como el “precio unitario de compra” puede ser muy engañosa si el proveedor ofrece descuentos por volumen, lo que hace que el precio de compra dependa de la cantidad que se está comprando.
Paneles de control estratégicos
Si bien el enfoque en decisiones a pequeña escala es necesario, ya que es uno de los pocos enfoques que se presta a evaluaciones de rendimiento cuantitativas, la cadena de suministro también puede necesitar ajustarse de manera más grande y disruptiva para aumentar el rendimiento a su próximo nivel. Por ejemplo, comprar más unidades bien elegidas de stock aumenta marginalmente el nivel de servicio. Sin embargo, en algún momento, el almacén está lleno y no se puede comprar ninguna unidad adicional. En esta situación, se debe considerar un almacén más grande. Para evaluar el impacto de levantar esta limitación, podemos eliminar la restricción de capacidad del almacén de los cálculos y evaluar el beneficio financiero general de operar con un almacén arbitrariamente grande. La gestión de la cadena de suministro puede entonces vigilar el indicador financiero asociado con el costo de fricción impuesto por la capacidad del almacén y decidir cuándo es el momento de considerar aumentar la capacidad de almacenamiento.
Típicamente, las cadenas de suministro operan en base a numerosas restricciones que no se pueden revisar a diario. Esas restricciones pueden incluir capital de trabajo, capacidad de almacenamiento, retrasos en el transporte, capacidad de producción, etc. Cada restricción está asociada con un costo de oportunidad implícito para la cadena de suministro, que generalmente se traduce en más stock, más retrasos o más faltantes de stock. El costo de oportunidad se puede evaluar a través de las ganancias de rendimiento que se obtendrían al eliminar o debilitar la restricción en sí. Si bien algunas de esas simulaciones pueden resultar difíciles de implementar, con frecuencia no son más difíciles que optimizar las decisiones de rutina, es decir, establecer las cantidades de orden de compra.
La Supply Chain Quantitativa enfatiza que los costos de oportunidad asociados con esas restricciones deben formar parte del flujo de datos de producción y, típicamente, deben materializarse con paneles de control dedicados, que están específicamente destinados a ayudar a la gestión de la cadena de suministro a decidir cuándo es el momento de realizar cambios más grandes en su cadena de suministro. Estos tipos de paneles de control se conocen como paneles de control estratégicos. Este enfoque difiere de la práctica tradicional de la cadena de suministro que enfatiza las iniciativas ad hoc cuando siente que la cadena de suministro está a punto de alcanzar un límite operativo. De hecho, los KPI entregados por los paneles de control estratégicos se actualizan a diario, o con mayor frecuencia si es necesario, al igual que el resto del flujo de datos. No necesitan hacer un esfuerzo de último minuto, porque están actualizados y listos para aprovechar las ideas obtenidas de una iniciativa de larga duración.
Los paneles de control estratégicos respaldan el proceso de toma de decisiones de la gestión de la cadena de suministro. Como forman parte del flujo de datos, cuando el mercado comienza a evolucionar a un ritmo más rápido de lo habitual, los KPI se mantienen actualizados sobre la situación actual de la empresa. Este enfoque evita las trampas tradicionales asociadas con las investigaciones ad hoc que inevitablemente agregan más retrasos a los problemas que ya están vencidos. Este enfoque también mitiga en gran medida el problema alternativo, que son las decisiones estratégicas precipitadas que resultan no ser rentables, una condición lamentable que podría haberse anticipado desde el principio.
Paneles de control de inspección
Las cadenas de suministro son complejas e impredecibles. Estas propiedades hacen que la depuración del flujo de datos sea una tarea temible y desafiante. Sin embargo, este flujo de datos es la médula espinal de la iniciativa de la Supply Chain Quantitativa. Los errores de procesamiento de datos, o errores, pueden ocurrir en cualquier parte del flujo de datos. Peor aún, el tipo de problema más frecuente no es la fórmula incorrecta, sino la semántica ambigua. Por ejemplo, al comienzo del flujo de datos, la variable stockinv puede referirse al stock disponible (donde los valores negativos son posibles), mientras que más adelante, se utiliza la misma variable con una interpretación de stock en mano (donde se espera que los valores sean positivos). La interpretación ambigua de la variable stockinv puede generar una amplia variedad de comportamientos incorrectos, que van desde bloqueos del sistema, que son obvios y, por lo tanto, solo moderadamente perjudiciales, hasta una corrupción silenciosa y generalizada de las decisiones de la cadena de suministro.
Como las cadenas de suministro casi siempre se construyen a partir de una combinación única de soluciones de software establecidas a lo largo de los años, no hay esperanza de acceder a una solución de software “probada” que esté libre de errores. De hecho, la mayoría de los problemas surgen en los límites del sistema, al reconciliar datos originados en diferentes sistemas, o incluso simplemente al reconciliar datos originados en diferentes módulos dentro del mismo sistema. Por lo tanto, no importa cuán probada pueda ser la solución de software, la herramienta debe poder admitir fácilmente el proceso de depuración, ya que este tipo de problemas está destinado a ocurrir.
El propósito de los paneles de inspección es proporcionar vistas detalladas para una inspección minuciosa de los conjuntos de datos de la cadena de suministro. Sin embargo, estos paneles no son simples desgloses para inspeccionar las tablas de datos de entrada. Enfoques de este tipo, como el desglose o el análisis de datos, no captarían la esencia. Las cadenas de suministro se tratan de flujos: flujo de materiales, flujo de pagos, etc. Algunos de los problemas de datos más graves ocurren cuando se “pierde” la continuidad del flujo de manera “lógica”. Por ejemplo, al mover mercancías del almacén A al almacén B, la base de datos del almacén B podría no tener algunas entradas de productos, lo que generaría corrupciones sutiles de datos, ya que las unidades originadas en el almacén A se reciben en el almacén B sin estar correctamente asociadas a su producto. Cuando los resultados numéricos parecen extraños, estos paneles de inspección son la opción preferida para que el Supply Chain Scientist realice una rápida investigación de datos de muestra.
En la práctica, un panel de inspección proporciona un punto de entrada de bajo nivel, como un código de producto o un SKU, y consolida todos los datos asociados con este punto de entrada en una sola vista. Cuando los bienes fluyen a través de muchas ubicaciones, como ocurre en las cadenas de suministro aeroespaciales, el panel de inspección generalmente intenta reconstituir las trayectorias de los bienes, que pueden haber transitado no solo por múltiples ubicaciones físicas, sino también por múltiples sistemas. Al reunir todos estos datos en un solo lugar, el Supply Chain Scientist puede evaluar si los datos tienen sentido: ¿es posible identificar de dónde provienen los bienes que se están enviando? ¿Los movimientos de stock están alineados con las políticas oficiales de la cadena de suministro, etc.? El panel de inspección es una herramienta de “depuración” porque está diseñada para reunir los datos que están estrechamente acoplados, no desde el punto de vista de TI, sino desde el punto de vista de la cadena de suministro.
Los paneles de control del inspector son el equivalente de bajo nivel del panel de control de la salud de los datos. Se centran en datos completamente desagregados, mientras que los paneles de control de la salud de los datos suelen adoptar una postura más general sobre los datos. Además, los paneles de control del inspector suelen ser una parte integral del esfuerzo de whiteboxing. Cuando los profesionales de la cadena de suministro se enfrentan a una recomendación desconcertante, necesitan examinar de cerca un SKU o un producto para determinar si la decisión recomendada es razonable o no. El panel de control del inspector se ajusta típicamente para este propósito, incluyendo muchos resultados intermedios que contribuyen al cálculo de la recomendación final.
Evaluación del éxito
Puede parecer paradójico, pero aunque la Supply Chain Quantitativa pone un gran énfasis en los métodos y medidas numéricas, nuestra experiencia nos dice que las métricas tienden a decirnos muy poco y a menudo demasiado tarde sobre si una iniciativa va por buen camino. Casi todas las métricas se pueden manipular y esto suele ser a expensas de la sostenibilidad del enfoque elegido. Por lo tanto, la Supply Chain Quantitativa busca mejoras obvias: si las mejoras son tan sutiles que se necesitan mediciones avanzadas para detectarlas, es probable que la iniciativa no haya valido la pena y se deba considerar un fracaso. Por el contrario, si las mejoras son notables y consistentes en muchas métricas, y la cadena de suministro en su conjunto se siente más ágil y reactiva que nunca, es probable que la iniciativa haya tenido éxito.
Las métricas se pueden manipular
Hay una razón por la cual los ingenieros rara vez son evaluados en función de las métricas: son demasiado buenos manipulando las métricas, es decir, aprovechándose de las métricas para sus propios intereses en lugar de servir a los intereses de la empresa. Las cadenas de suministro son complejas y casi todas las métricas simples se pueden aprovechar de formas que pueden ser completamente destructivas para la empresa. Puede parecer que este problema es simplemente una cuestión de cerrar las lagunas que acechan dentro de las métricas. Sin embargo, nuestra experiencia indica que siempre hay una laguna más por descubrir.
Un cuento de ingeniería inversa de métricas
Tomemos un comercio electrónico ficticio como ejemplo. La dirección decide que los niveles de servicio deben mejorarse y, por lo tanto, el nivel de servicio se convierte en la métrica principal. El equipo de la cadena de suministro comienza a trabajar de acuerdo con esta métrica y propone una solución que consiste en aumentar enormemente los niveles de stock, lo que conlleva costos masivos para la empresa.
Como resultado, la dirección cambia las reglas y se define la cantidad máxima de stock, por lo que el equipo debe operar dentro de este límite. El equipo revisa sus cifras y se da cuenta de que la forma más fácil de reducir los niveles de stock es marcar grandes cantidades de stock como “muerto”, lo que desencadena promociones agresivas. Los niveles de stock se reducen, pero los márgenes brutos también se reducen significativamente en el proceso.
Una vez más, el problema no pasa desapercibido y las reglas se cambian una vez más. Se introduce un nuevo límite en la cantidad de stock que puede terminar siendo marcado como “muerto”. Implementar esta nueva regla requiere mucho esfuerzo porque de repente la cadena de suministro lucha con stock “antiguo” que deberá ser fuertemente descontado. Para hacer frente a esta nueva regla, el equipo aumenta la proporción de transporte aéreo en relación con el transporte marítimo. Los tiempos de entrega se reducen, los niveles de stock se reducen, pero los costos operativos aumentan rápidamente.
Para hacer frente a los costos operativos que se están descontrolando, la dirección cambia las reglas una vez más y establece un límite superior al porcentaje de mercancías que se pueden transportar por vía aérea. Una vez más, la nueva regla causa estragos, ya que desencadena una serie de faltantes de stock que podrían haberse evitado utilizando el transporte aéreo. Como resultado de tener que operar bajo restricciones cada vez más estrictas, el equipo comienza a renunciar a aprovechar las rebajas de precios ofrecidas por los proveedores. Comprar cantidades más pequeñas también es una forma de reducir los tiempos de entrega. Sin embargo, una vez más, los márgenes brutos se reducen en el proceso.
Obtener los precios de compra de nuevo en el camino correcto resulta ser un objetivo mucho más esquivo para la dirección. Ninguna regla simple puede hacer frente a este desafío, y en su lugar se introducen una miríada de objetivos de precios para cada subcategoría de producto. Muchos objetivos resultan ser poco realistas y conducen a errores. En general, la imagen de la cadena de suministro es cada vez menos clara. Presionado desde muchos lados, el equipo de la cadena de suministro comienza a ajustar una característica oscura del proceso de planificación de la demanda: la lista de sustitución de productos.
De hecho, la dirección se dio cuenta desde el principio de que algunos faltantes de stock no eran tan impactantes como otros, porque algunos de los productos que faltaban tenían múltiples sustitutos casi perfectos. En consecuencia, todos estuvieron de acuerdo en que los faltantes de stock en esos productos podrían ser en gran medida descontados al calcular el nivel de servicio general. Sin embargo, el equipo de la cadena de suministro, que ahora opera bajo una tremenda presión, está empezando a estirar el propósito de esta lista uno o dos niveles más allá de su intención original: productos que no son tan similares se incluyen como sustitutos casi perfectos. Las métricas de nivel de servicio mejoran, pero el negocio no.
La trampa del éxito
Las métricas pueden ser manipuladas y si se les dan incentivos tóxicos a los equipos, es probable que las métricas se utilicen de manera engañosa. Sin embargo, la situación no es tan mala como podría parecer. De hecho, nuestra experiencia indica que, excepto en culturas empresariales realmente disfuncionales, los empleados generalmente no tienden a sabotear su trabajo. Muy al contrario, hemos observado que la mayoría de los empleados se enorgullecen de hacer lo correcto, incluso si eso significa que las políticas de la empresa deben ser estiradas un poco.
Por lo tanto, en lugar de quitarle libertad al equipo encargado de implementar la estrategia de optimización de la cadena de suministro, es importante alentar al equipo a crear un conjunto de métricas que arroje luz sobre la iniciativa de la cadena de suministro en su conjunto. El papel de la dirección no es hacer cumplir reglas basadas en esas métricas, sino desafiar el pensamiento estratégico que subyace a esas métricas. Con frecuencia, el objetivo inmediato no debería ser mejorar los valores de las métricas, sino mejorar la definición misma de las métricas.
En realidad, no todas las métricas son igualmente valiosas para un negocio. Por lo general, se requiere un esfuerzo considerable para crear métricas que brinden una perspectiva significativa sobre el negocio. Este trabajo requiere no solo una buena comprensión de la estrategia empresarial, sino también un profundo conocimiento de los datos subyacentes, que vienen con una miríada de artefactos y otras rarezas numéricas. Por lo tanto, las métricas deben considerarse ante todo como un trabajo en progreso.
Hemos descubierto que un indicador sólido de éxito en cualquier proyecto de cadena de suministro es la calidad de las métricas que se establecen a lo largo de la iniciativa. Sin embargo, es un poco paradójico, pero no hay ninguna métrica razonable para evaluar realmente la relevancia de esas métricas. Aquí hay algunos elementos que pueden ayudar a evaluar la calidad de las métricas:
- ¿Existe un consenso dentro de los diferentes equipos de la cadena de suministro de que las métricas capturan la esencia del negocio? ¿O que las perspectivas empresariales promovidas implícitamente por las métricas no son miope ni cegadas?
- ¿Las métricas tienen una verdadera profundidad cuando se trata de conciliar los números con los impulsores económicos? La simplicidad es deseable, pero no a expensas de entender mal el panorama general.
- ¿Se cuidan adecuadamente los artefactos de los datos? Por lo general, hay docenas de “trampas” sutiles que deben tenerse en cuenta al procesar los datos extraídos de los sistemas de la empresa. Nuestra experiencia nos dice que debemos ser sospechosos cuando los datos en bruto parecen ser lo suficientemente buenos, ya que esto generalmente significa que los problemas ni siquiera se han identificado como tales.
- ¿Las decisiones generadas a partir de las métricas elegidas tienen sentido? Si una decisión, que de otra manera está alineada con las métricas, no parece tener sentido, entonces probablemente no lo tenga; y el problema frecuentemente radica en la métrica misma.
De muchas maneras, crear buenas métricas es como orientar la gravedad hacia el pozo del éxito: a menos que algo intervenga, el curso natural de acción es rodar cuesta abajo hacia el fondo, que es precisamente donde se encuentra el éxito. No es estrictamente necesario conocer la profundidad exacta de donde se encuentra el fondo, siempre y cuando cada paso del viaje hacia el fondo mejore las cosas para la empresa.
Decisiones sensatas conducen a un mejor rendimiento
En la cadena de suministro, incluso las mejores métricas tienen una gran desventaja: los números suelen llegar tarde a la fiesta. Los tiempos de entrega pueden ser largos y las decisiones tomadas hoy pueden no tener ningún impacto visible durante semanas, si no meses. Además, la Supply Chain Quantitativa, que pone un énfasis significativo en mejoras iterativas e incrementales, complica aún más este asunto. Sin embargo, el uso de métodos no incrementales sería aún peor, aunque por otras razones. Por lo tanto, las métricas no pueden ser las únicas señales utilizadas para evaluar si la iniciativa va por buen camino.
Generar decisiones sensatas es una señal simple, pero subestimada, de un rendimiento superior. De hecho, a menos que su empresa ya esté haciendo un trabajo excepcional con su cadena de suministro, es muy probable que los sistemas sigan produciendo decisiones “insensatas” que son capturadas y corregidas manualmente por los equipos de la cadena de suministro. El propósito de todas las “alertas” o mecanismos reactivos similares es precisamente mitigar los problemas en curso a través de esfuerzos correctivos manuales continuos.
Llevar la iniciativa de la Supply Chain Quantitativa a un punto en el que todas las decisiones, generadas de manera completamente robotizada, se consideren sensatas o seguras, es un logro mucho mayor de lo que la mayoría de los profesionales se dan cuenta. El énfasis en las decisiones “robotizadas” es importante aquí: para cumplir con las reglas, no se debe necesitar intervención humana. Luego, por “sensatas”, nos referimos a decisiones que aún se ven bien para los profesionales incluso después de pasar unas horas investigando el caso; lo cual naturalmente no se puede hacer de manera regular, debido a la gran cantidad de decisiones similares que se deben tomar todos los días.
Nuestra experiencia indica que siempre que las decisiones automatizadas se consideran confiables, el rendimiento se materializa más adelante cuando esas decisiones realmente se ponen a prueba al ser utilizadas “en producción”. De hecho, la prueba de “sensatez” es una prueba muy estricta para la lógica de toma de decisiones. A menos que su empresa ya esté aprovechando algo muy similar a la Supply Chain Quantitativa, es muy probable que los sistemas existentes que su empresa tiene en funcionamiento estén lejos de pasar esta prueba. Como resultado, se cometen errores no detectados todo el tiempo y la empresa termina pagando mucho por esta corriente continua de problemas.
Entonces, desde un punto de vista operativo, tan pronto como las decisiones de la cadena de suministro se automatizan, los equipos de la cadena de suministro quedan liberados de la servidumbre de alimentar su propio sistema con una corriente interminable de entradas manuales. Esas ganancias de productividad se pueden reinvertir donde realmente importa: para refinar los detalles de la estrategia de la cadena de suministro en sí misma o para monitorear más de cerca a los proveedores con el fin de abordar los problemas de la cadena de suministro que se originan en su lado. El aumento en el rendimiento, logrado a través de la optimización cuantitativa pura de la cadena de suministro, se intensifica por las ganancias obtenidas por los equipos de la cadena de suministro que finalmente pueden encontrar tiempo para mejorar los procesos y flujos de trabajo.