Humanos en modern supply chains

Joannes Vermorel

Supply chains son sistemas complejos, posiblemente entre los más complejos jamás diseñados por la humanidad, que engloban a personas (muchas), máquinas (diversas) y software (montones). La perspectiva que publiqué recientemente en DDMRP generó una animada discusión. Esto me llevó a reflexionar aún más sobre las diferencias fundamentales entre Supply Chain Quantitativa Management (QSCM) y DDMRP. En esencia, estas dos visiones están profundamente en desacuerdo sobre el rol de los humanos dentro de supply chains.

QSCM está firmemente anclado en la visión clásica de IBM:

las máquinas deben trabajar; la gente debe pensar;

En contraste, DDMRP adopta una posición de educación masiva, resumida mejor por su lema:

construido para las personas, no para la perfección;

Aunque la postura filosófica hacia los humanos en supply chains no explica todas las diferencias entre QSCM y DDMRP, arroja luz sobre por qué estas dos perspectivas son, hasta cierto punto, irreconciliables.

Escasez vs abundancia de profesionales de supply chain

Los profesionales de supply chain son reconocidos como un recurso valioso para la empresa tanto por DDMRP como por QSCM. Sin embargo, los dos enfoques difieren notablemente en cómo se tiene en cuenta este aspecto en su respectiva metodología.

QSCM parte de la hipótesis de que cada supply chain decision mundana debe ser automatizada¹. Esta perspectiva enfatiza que los profesionales competentes de supply chain se consideran demasiado escasos y demasiado costosos para dedicar su tiempo a generar decisiones de aprovisionamiento, compra o fijación de precios. Todas esas decisiones pueden y deben ser automatizadas, de modo que los profesionales puedan centrarse en mejorar la receta numérica en sí misma. Desde una perspectiva financiera, QSCM transforma esos salarios de OPEX, donde los días-hombre se consumen para mantener el funcionamiento del sistema, a CAPEX, donde los días-hombre se invierten en la mejora continua del sistema.

El enfoque de DDMRP parte de la hipótesis de que los profesionales competentes de supply chain pueden formarse en masa², reduciendo así tanto el costo para el empleador como el bus factor asociado con la salida de cualquier empleado. Además, al adoptar recetas numéricas específicamente hecho a la medida para el procesamiento humano, las inversiones en OPEX pueden reducirse por sí mismas. DDMRP establece un proceso para generar decisiones mundanas de supply chain, pero lograr una automatización completa es, en gran medida, un no-objetivo³, aunque DDMRP no se opone a la automatización siempre que surge la oportunidad.

Curiosamente, si la industria se encamina hacia la perspectiva de QSCM o hacia la de DDMRP debería ser observable hasta cierto punto. Si la perspectiva de QSCM se adopta de forma más amplia, entonces los equipos de supply chain management evolucionarán para asemejarse más a otras industrias de “talento”, por ejemplo, las finanzas con sus quantitative traders, donde unos pocos individuos excepcionalmente talentosos impulsan el desempeño de grandes empresas. Por el contrario, si la perspectiva de DDMRP se adopta de forma más amplia, entonces los equipos de supply chain management evolucionarán para asemejarse más a franquicias exitosas - por ejemplo, los gerentes de tienda de Starbucks - donde individuos excepcionales tienen poco efecto en el sistema, pero donde una cultura superior marca la diferencia entre las empresas.

Transparencia local vs global

Tanto QSCM como DDMRP se esfuerzan por evitar el efecto caja negra que es inherente a cualquier intento de optimizar un sistema complejo. Ambos enfoques valoran la idea de lograr un grado de transparencia en supply chain; sin embargo, debido a supuestos iniciales divergentes, ambos enfoques terminan teniendo perspectivas radicalmente diferentes sobre lo que implica la transparencia.

Desde la perspectiva de QSCM, la transparencia debe lograrse, ante todo, a nivel de gestión mediante economic drivers cuantificados de forma explícita⁴. Cada decisión producida por el sistema debería estar respaldada por una serie de drivers - medidos en cantidades monetarias (por ejemplo, dólares) - que motivan el por qué de la decisión propuesta. Por ejemplo, una decisión de compra se motiva por el margen extra que se generará al disponer de inventario adicional (en lugar de no tenerlo), pero también se ve impactada negativamente por los costes de inventario y un mayor riesgo de baja de inventario. La gestión tiene el control de los economic drivers, y a nivel del sistema, QSCM es altamente transparente: el sistema simplemente despliega a escala las complejas pero mundanas implicaciones de esos drivers. Sin embargo, la desventaja de una optimización a nivel de sistema es que descifrar la letra pequeña de cualquier decisión dada es complicado, precisamente porque cada decisión es un equilibrio complejo de muchos drivers evaluados frente a muchos futuros posibles.

Desde la perspectiva de DDMRP, la transparencia está concebida y se entrega a nivel operativo. La sencillez de las recetas numéricas asegura que cada decisión pueda evaluarse fácilmente como correcta simplemente al “aplicar una estimación” de lo que el resultado debería ser. Además, replicar los cálculos en un spreadsheet siempre sigue siendo posible. Asimismo, mediante listas de prioridad, DDMRP mitiga la complejidad inherente de supply chains, proporcionando un mecanismo de atención para los profesionales de supply chain, de modo que no tengan que volver a revisar manualmente todos los SKUs todo el tiempo. Sin embargo, la desventaja de una estrategia de optimización local como la ofrecida por DDMRP es que los resultados a nivel de sistema, cuando se miden en cantidades monetarias, son opacos. Por ejemplo, DDMRP no ofrece control a la gestión para ajustar un compromiso sistémico, como resiliencia vs crecimiento⁵, al considerar el riesgo de una pérdida abrupta de un cliente grande y creciente que hasta ahora había estado ordenando productos diversos en cantidades diversas.

No es posible tener ambos: transparencia local y global: o bien las decisiones se optimizan de forma local (como en DDMRP) con recetas numéricas simples, en cuyo caso no hay control ni transparencia sobre lo que ocurre a nivel del sistema; o las decisiones se optimizan de forma global, en cuyo caso todas las decisiones tienden a estar numéricamente entrelazadas, como ocurre con QSCM, complicando cualquier intento de lograr transparencia al analizar una decisión de forma aislada.