Hace unos días, un prospecto planteó varias preguntas incisivas sobre la aplicabilidad de la perspectiva Supply Chain Quantitativa para abordar los desafíos de supply chain que enfrentan muchas grandes empresas manufactureras.

Consideremos el caso en el que hay muchos artículos provenientes de relativamente pocos tipos de celdas de trabajo/máquinas que pueden fabricar cualquier artículo en el ciclo de la próxima semana, siempre que se cuente con la capacidad de personal y las materias primas. ¿Cómo debe ser el patrón de demanda y la capacidad de suministro de una empresa para que el forecast probabilístico sea significativamente superior a un APS estándar bueno como JDA o SAP APO? ¿No serían los forecasts agregados, que son menos erráticos y por ende se adaptan mejor al forecasting tradicional y al APS, lo suficientemente buenos para el problema en cuestión?

El forecast probabilístico no se trata únicamente de la demanda, sino de abarcar todos los aspectos que permanecen irreductiblemente inciertos: la demanda, pero también lead times, devoluciones, cambios de precio, etc. Cuanto mayor sea la incertidumbre, mayor será la ventaja competitiva de cualquier enfoque numérico que aborde la incertidumbre desde el inicio en lugar de ignorar el problema por completo. Agrupar los forecasts ‘clásicos’ es el equivalente numérico a barrer la suciedad debajo de la alfombra. Un forecast mensual podría ser more accurate – cuando se mide en porcentajes – en comparación con uno diario; sin embargo, la extra accuracy se paga en un desfase extra del mercado, ya que el indicator estadístico abarca, por construcción, todo un mes.

Ignorar los riesgos estructurales – tales como perder a un gran cliente y todo su flujo continuo de pedidos – es la receta para generar, con el tiempo, un flujo continuo de inventario muerto, ya que todos los clientes se irán en algún momento, incluso si es para recuperarlos un año después. A un nivel más mundano, ignorar la variabilidad de los lead times está causando que el inventario se asigne de manera ineficiente, precisamente porque el stock está ahí para cubrir la variación de los lead times. Sin un forecast probabilístico, la incertidumbre ni siquiera se estima adecuadamente. Como regla general, los lead times variables nunca se distribuyen normalmente.

fabricación de automóviles

Sin embargo, los forecasts probabilísticos son solo artefactos numéricos. Al final del día, lo único que importa son las decisiones, cuya performance se mide en euros, y no los artefactos numéricos intermedios utilizados para producirlas – tales como los forecasts clásicos o probabilísticos. La principal debilidad de los APS es que simplemente no optimizan la supply chain desde una perspectiva financiera. Mejorar el MAPE del forecast es vanidad; solo el ROI importa. Los forecasts probabilísticos ganan, no porque sean más precisos, sino porque son enormemente más convenientes para convertirlos en decisiones optimizadas contra criterios arbitrarios de ROI.

Por lo tanto, a menos que los intereses financieros de la supply chain sean insignificantes, los APS nunca son “lo suficientemente buenos” en mi opinión, porque el APS ni siquiera se esfuerza por optimizar decisiones de supply chain desde una perspectiva financiera. En la práctica, los equipos de supply chain acaban asumiendo toda la responsabilidad del desempeño financiero a través de sus hojas de Excel; no se le debe otorgar ningún reconocimiento al APS por esto.

Supply Chain Quantitativa y DDMRP compiten como respectivas recetas numéricas para el horizonte operativo. Sin embargo, ¿no sufre Supply Chain Quantitativa desafíos similares en cuanto a restricciones de suministro? ¿O los modelas explícitamente? ¿Cómo impulsas el horizonte táctico para proyectar los cuellos de botella de capacidad con suficiente antelación para dar a la dirección la oportunidad de solucionarlos, por ejemplo, solicitando capacidad?

A diferencia de DDMRP, el Supply Chain Quantitativa (QSC) viene con recetas numéricas “empaquetadas”. QSC es simplemente un enfoque basado en principios para crear recetas útiles, destinadas a un uso de producción sin complicaciones, y para refinarlas a lo largo del tiempo. Reunir y potenciar herramientas numéricas que sean lo suficientemente versátiles para hacer frente a la diversa locura de las restricciones de supply chain (p.ej., MOQs, BOMs, flujos de caja, penalizaciones por SLA, etc.) es una preocupación central para QSC.

En Lokad, hemos estado iterando agresivamente de una generación tecnológica a la siguiente durante más de una década. Hemos introducido dos álgebras para abordar este tipo de problemas junto con múltiples solucionadores no lineales, siendo la iteración más reciente a la fecha differentiable programming. El objetivo de estas herramientas es permitir que un Supply Chain Scientist – como se ha señalado – modele explícitamente todas esas restricciones. Dado que las restricciones en sí son diversas, se requiere cierta programmatic expressiveness para siquiera tener la oportunidad de modelar adecuadamente esas restricciones.

Luego, la perspectiva financiera – uno de los principios fundamentales de QSC – ofrece perspectivas notables cuando se trata de las restricciones de supply chain. En particular, se vuelve posible valorar los beneficios asociados con la eliminación de cualquier restricción dada. De hecho, el desafío no es tanto plantear el problema de la capacidad de producción, sino justificar la rentabilidad de cualquier inversión que se realice en esta área específica.

En la práctica, casi siempre existen múltiples opciones que compiten por resolver el mismo problema: quizá sea posible acumular stock anticipadamente en lugar de aumentar la capacidad de producción, quizá sea posible incrementar los lotes de producción para aumentar el throughput, quizá se deba incrementar el pricing al enfrentar la capacidad de producción máxima, etc. El enfoque de QSC se presta a la priorización basada en ROI de todas estas opciones; la lista de prioridades se actualiza continuamente junto con los datos de entrada.

En la práctica, el único límite para mirar lejos hacia el futuro es la incertidumbre estadística que conlleva. La mayoría de las inversiones “data-driven” – stock extra, capacidad extra – se ven negativamente afectadas por los cambios del mercado, lo que tiende a hacerlas irrelevantes. Este problema afecta a todos los métodos cuantitativos – tanto QSC como DDMRP – siendo la única mitigación que conozco la utilización explícita del forecast probabilístico.

Algunas de las demos de SAP en IBP muestran muchas cosas atractivas al poder proyectar y visualizar el impacto de un envío tardío, así como la capacidad de operar un horizonte táctico. ¿Ves a Lokad participando en ese ámbito, eliminando así la necesidad de tales herramientas? ¿O consideras que APO/IBP es una capa intermedia relativamente simple que utiliza estas fortalezas, mientras que Lokad actúa como un sistema de diferenciación/innovación que impulsa las decisiones de ejecución (órdenes de compra, producción, traspasos) y las canaliza a través de APO/IBP?

Lokad está diseñado como una capa de analítica que se sitúa sobre una capa transaccional, típicamente un ERP o un WMS. La intención es generar decisiones definitivas que ya cumplan con todas las restricciones aplicables, eliminando la necesidad de un procesamiento de datos “inteligente” adicional. En este sentido, Lokad ocupa el mismo nicho funcional que SAP APO y SAP IBP.

En lo que respecta a la experiencia de usuario, creo que los web dashboards de Lokad son fluidos y dinámicos también. Sin embargo, hoy en día, producir dashboards atractivos y capacidades de análisis what-if es relativamente sencillo para los desarrolladores de software. Visualizar el impacto de un envío tardío es agradable, pero tengo la impresión de que no es una forma muy capitalista de aprovechar el tiempo del personal de supply chain. El supply chain software a menudo consume una cantidad desproporcionada de mano de obra únicamente para seguir funcionando.

Adoptamos el ángulo opuesto: cada hora dedicada a Lokad debe invertirse en el mejoramiento de la solución, cuya ejecución es completamente automatizada. Así, volviendo al ejemplo de un envío tardío, observaría que este es meramente el síntoma de decisiones previas incorrectas: quizás reordering un poco insuficiente y muy tarde, quizá la elección de un proveedor o transportista poco fiable, o tal vez la incorrecta priorización de los envíos entre clientes que compiten por el mismo stock, etc.

Enfocarse en la receta numérica que genera todas las decisiones mundanas de supply chain no resulta muy atractivo visualmente – ciertamente no tanto como las capacidades what-if. Lokad también puede ofrecer capacidades what-if, sin embargo, a menos que exista un camino claro para convertir esos esfuerzos en un flujo de decisiones mejores, generadas automáticamente por la solución, no aconsejo a mis equipos que tomen ese camino.

Al considerar las configuraciones de supply chain (unidades de producción abiertas/cerradas y almacenes; qué clientes asignar a qué DC, etc.), el valor de invertir en agilidad y en lead times más cortos de un proveedor o de una propia celda de manufactura, es decir, el diseño de supply chain de Llamasoft – típicamente impulsado por escenarios no posibles de construir a partir del historial: ¿son este el tipo de preguntas para las que se podría utilizar Lokad?

A finales de los 90, muchos expertos habían previsto que el futuro de la fotografía era digital y que la fotografía argéntica estaba condenada, pero 20 años después, todavía estamos a décadas de contar con una tecnología de machine learning capaz de producir insights de tan alto nivel simplemente “analizando” bases de datos de patentes.

El Supply Chain Quantitativa – y Lokad – es estadístico en su esencia. A la hora de optimizar decisiones de supply chain que resultan ser completos outliers estadísticos tanto por su magnitud como por su frecuencia, por ejemplo, decidir abrir una nueva planta, la perspectiva estadística es, en el mejor de los casos, débil y con frecuencia engañosa.

Considerando los lead times, Lokad es mucho más adecuado para decidir si se debe utilizar transporte aéreo – o no – para cada envío individual, en lugar de decidir si los proveedores estratégicos deberían ser trasladados de Asia a Norteamérica.

Como regla general, siempre que una decisión de supply chain pueda ser revisada a diario, es entonces una buena candidata para Lokad. Los datos históricos no tienen que ofrecer una correspondencia 1 a 1 con los escenarios que se están visualizando. Explorar afinidades alternativas entre clientes y DCs es precisamente el tipo de problema para el cual Envision ha sido diseñado.