La perspectiva de un fabricante
Hace unos días, un posible cliente planteó varias preguntas incisivas sobre la aplicabilidad de la perspectiva de la Supply Chain Quantitativa para abordar los desafíos de la gestión de la cadena de suministro a los que se enfrentan muchas grandes empresas manufactureras.
Consideremos el caso en el que hay muchos artículos que salen de relativamente pocos tipos de celdas de trabajo/máquinas que pueden fabricar cualquier artículo en el ciclo de la próxima semana, siempre que haya capacidad de personal y materias primas. ¿Cómo debe ser el patrón de demanda de una empresa y la capacidad de suministro para que el pronóstico probabilístico sea significativamente superior a un buen APS estándar como JDA o SAP APO? ¿No serían suficientemente buenos los pronósticos agregados, que son menos erráticos y, por lo tanto, se ajustan mejor a los pronósticos y APS tradicionales, para el problema en cuestión?
El pronóstico probabilístico no se trata solo de la demanda, sino de abarcar todos los aspectos que siguen siendo irreduciblemente inciertos: la demanda, pero también los tiempos de entrega, las devoluciones, los cambios de precio, etc. Cuanta mayor sea la incertidumbre, mayor será la ventaja competitiva de cualquier enfoque numérico que aborde la incertidumbre de antemano en lugar de ignorar el problema por completo. Agregar pronósticos “clásicos” es el equivalente numérico de barrer la suciedad debajo de la alfombra. Un pronóstico mensual puede ser más preciso - en términos de porcentajes - en comparación con uno diario; sin embargo, la mayor precisión se paga con un mayor retraso en el mercado, ya que el indicador estadístico se extiende durante todo un mes.
Ignorar los riesgos estructurales, como perder un cliente importante y todo su flujo continuo de pedidos, es la receta para generar un flujo continuo de inventario muerto con el tiempo, ya que todos los clientes abandonarán en algún momento, incluso si es para recuperarlos un año después. A un nivel más mundano, ignorar la variabilidad del tiempo de entrega provoca una asignación ineficiente del inventario porque, precisamente, el stock está ahí para cubrir la variación del tiempo de entrega. Sin un pronóstico probabilístico, la incertidumbre ni siquiera se estima correctamente. Como regla general, los tiempos de entrega variables nunca siguen una distribución normal.
Sin embargo, los pronósticos probabilísticos son solo artefactos numéricos. Al final del día, solo importan las decisiones, y su rendimiento se mide en euros, no en los artefactos numéricos intermedios utilizados para producirlos, como los pronósticos clásicos o probabilísticos. La principal debilidad de los APS es que simplemente no optimizan la cadena de suministro desde una perspectiva financiera. Mejorar el MAPE del pronóstico es vanidad; solo importa el ROI. Los pronósticos probabilísticos ganan, no porque sean más precisos, sino porque son mucho más convenientes para convertirlos en decisiones optimizadas según criterios de ROI arbitrarios.
Por lo tanto, a menos que las apuestas financieras de la cadena de suministro sean inconsecuentes, los APS nunca son “suficientemente buenos” en mi opinión, porque el APS ni siquiera hace un esfuerzo por optimizar las decisiones de la cadena de suministro desde una perspectiva financiera. En la práctica, los equipos de la cadena de suministro terminan asumiendo toda la responsabilidad del rendimiento financiero a través de sus hojas de cálculo de Excel; no se debe dar ningún mérito al APS por esto.
La Supply Chain Cuantitativa y DDMRP compiten como recetas numéricas respectivas para el horizonte operativo. Sin embargo, ¿no sufre la Supply Chain Cuantitativa desafíos similares en cuanto a las restricciones de suministro? ¿O las modelas explícitamente? ¿Cómo llevas el horizonte táctico a proyectar los puntos críticos de capacidad lo suficientemente lejos como para dar a la dirección la oportunidad de solucionarlos, por ejemplo, pidiendo capacidad adicional?
A diferencia de DDMRP, la Supply Chain Cuantitativa (QSC) viene con recetas numéricas “empaquetadas”. QSC es simplemente un enfoque basado en principios para crear recetas útiles, destinadas a un uso de producción sencillo y para perfeccionarlas con el tiempo. Reunir y nutrir herramientas numéricas lo suficientemente versátiles como para hacer frente a la enloquecedora diversidad de restricciones de la cadena de suministro (por ejemplo, MOQs, BOMs, flujos de efectivo, penalizaciones de SLA, etc.) es una preocupación fundamental 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 esta clase de problemas junto con múltiples solucionadores no lineales, siendo la última iteración hasta la fecha actual la programación diferenciable. El objetivo principal de esas herramientas es permitir que un Supply Chain Scientist - como se señaló - modele explícitamente todas esas restricciones. Dado que las restricciones en sí mismas son diversas, se necesita cierta expresividad programática para tener la oportunidad de modelar adecuadamente esas restricciones.
Luego, la perspectiva financiera - uno de los principios fundamentales de QSC - ofrece ideas notables cuando se trata de restricciones de la cadena de suministro. 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 más bien justificar la rentabilidad de cualquier inversión que se realice en esta área específica.
En la práctica, casi siempre hay múltiples opciones que compiten para abordar el mismo problema: tal vez sea posible construir inventario con anticipación en lugar de aumentar la capacidad de producción, tal vez sea posible aumentar los lotes de producción para aumentar el rendimiento, tal vez se deba aumentar el precio cuando se enfrenta a la capacidad máxima de producción, etc. El enfoque de QSC se presta a la priorización basada en el ROI de todas esas opciones; la lista de prioridades se actualiza continuamente junto con los datos de entrada.
En la práctica, el único límite para mirar hacia el futuro es la incertidumbre estadística que conlleva. La mayoría de las inversiones “impulsadas por datos” - inventario adicional, capacidad adicional - se ven afectadas negativamente por los cambios del mercado, lo que tiende a hacerlas irrelevantes. Este problema afecta a todos los métodos cuantitativos, tanto a QSC como a DDMRP, siendo la única mitigación conocida por mí el pronóstico probabilístico explícito.
Algunas de las demostraciones de SAP en IBP muestran muchas cosas interesantes al poder proyectar y visualizar el impacto de un envío tardío, así como la capacidad de ejecutar un horizonte táctico. ¿Ves a Lokad jugando allí, eliminando así la necesidad de tales herramientas? ¿O ves a APO/IBP como una capa intermedia relativamente simple con estas fortalezas utilizadas, pero a Lokad como un sistema de diferenciación/innovación que impulsa las decisiones a ejecutar (compra, producción, órdenes de transferencia) y las empuja a través de APO/IBP?
Lokad está destinado como una capa de análisis que se encuentra encima de una capa transaccional, típicamente un ERP o un WMS. El objetivo es generar decisiones finalizadas que ya cumplan con todas las restricciones aplicables, eliminando la necesidad de cualquier procesamiento adicional de datos “inteligente”. En este sentido, Lokad ocupa el mismo nicho funcional que SAP APO y SAP IBP.
En cuanto a la experiencia del usuario, creo que los paneles web de Lokad son fluidos y rápidos también. Sin embargo, en la actualidad, producir paneles de control con buen aspecto y capacidades de simulación es relativamente sencillo para los editores de software. Visualizar el impacto de un envío tardío es bueno, pero tiendo a pensar que no es una forma muy capitalista de aprovechar el tiempo del personal de la cadena de suministro. Con demasiada frecuencia, el software de cadena de suministro consume una cantidad desproporcionada de mano de obra solo para mantenerse en funcionamiento.
Adoptamos el enfoque opuesto: cada hora dedicada a Lokad debería ser invertida en la mejora de la solución, cuya ejecución está completamente automatizada. Por lo tanto, volviendo al ejemplo de un envío tardío, observaría que el envío tardío es simplemente el síntoma de decisiones incorrectas anteriores: tal vez reordenar un poco demasiado poco y demasiado tarde, tal vez la elección de un proveedor poco confiable o de un transportista poco confiable, tal vez la priorización incorrecta de envíos entre clientes que compiten por el mismo inventario, etc.
Centrarse en la receta numérica que genera todas las decisiones mundanas de la cadena de suministro no es muy atractivo visualmente, ciertamente no tanto como las capacidades de simulación. Lokad también puede ofrecer capacidades de simulación, sin embargo, a menos que haya un camino claro para convertir esos esfuerzos en una corriente de decisiones mejores generadas automáticamente por la solución, no aconsejo a mis equipos que sigan ese camino.
Al considerar las configuraciones de la cadena de suministro (unidades de producción abiertas/cerradas y almacenes; a qué clientes asignar a qué centros de distribución, etc.), ¿es este el tipo de preguntas para las que se podría utilizar Lokad, es decir, el diseño de la cadena de suministro de Llamasoft, que generalmente se basa en escenarios que no se pueden construir a partir de la historia?
A finales de los años 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 décadas lejos de tener una tecnología de aprendizaje automático capaz de producir conocimientos de alto nivel simplemente “procesando” bases de datos de patentes.
La Supply Chain Quantitativa - y Lokad - es estadística en su esencia. Cuando se trata de optimizar decisiones de la cadena de suministro que resultan ser valores atípicos 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.
Teniendo en cuenta los tiempos de entrega, Lokad es mucho más adecuado para decidir si se debe utilizar el transporte aéreo - o no - para cada envío individual, en lugar de decidir si los proveedores estratégicos deben ser trasladados de Asia a América del Norte.
Como regla general, cuando una decisión de la cadena de suministro se puede revisar diariamente, entonces es un buen candidato para Lokad. Los datos históricos no tienen que ofrecer una coincidencia 1 a 1 con los escenarios que se están imaginando. Explorar afinidades alternativas entre clientes y centros de distribución es precisamente el tipo de problemas para los que Envision ha sido diseñado para abordar.
