Supply Chain como Apuestas Económicas en un Mundo Impulsado por el Mercado

Joannes Vermorel

Durante las últimas dos décadas, he visto que la gestión de supply chain acumula palabras de moda más rápido que resultados. Hablamos de gemelos digitales, torres de control, planificación empresarial integrada, detección de demanda, resiliencia, sostenibilidad. Sin embargo, si se examinan detenidamente los balances generales y los estados de resultados, muchas empresas no han progresado mucho en términos de cómo convierten el capital de trabajo, la capacidad y la complejidad en retornos económicos.

Entre las voces que tratan de dar sentido a esta estagnación, algunas han argumentado a favor de redes de valor impulsadas por el mercado y orientadas desde el exterior, y han dedicado un esfuerzo considerable a medir el rendimiento durante largos períodos de tiempo. Mi propio trabajo examina la misma realidad económica desde un punto de vista diferente. El propósito de este ensayo es clarificar esa perspectiva.

En mi libro Introduction to Supply Chain, particularmente en sus primeros capítulos, intenté replantear la gestión de supply chain como una disciplina económica rigurosa, centrada en cómo las empresas asignan recursos escasos bajo incertidumbre. El libro entra en más detalles de los que puedo aquí, pero la idea central es simple: cada vez que decidimos qué comprar, fabricar, mover o fijar de precio, estamos realizando pequeñas apuestas económicas con resultados inciertos. Un supply chain moderno debería ser juzgado por la calidad de estas apuestas y por las consecuencias financieras a largo plazo que generan.

Una línea de trabajo influyente parte de un lugar diferente. Se examinan series temporales largas de métricas financieras a través de grupos de pares y se pregunta: ¿qué empresas han mejorado realmente su posición en términos de crecimiento, margen, rotación de inventario y utilización de activos? Algunos se refieren a esto como una “frontera efectiva”. Encuentro útil esta perspectiva. En lo que difiere es menos en el objetivo y más en el mecanismo que creemos puede llevarnos allí.

Dos puntos de vista sobre el mismo problema

Una descripción común presenta los supply chain como redes de valor impulsadas por el mercado. El énfasis está en la detección de mercados, desde el exterior. En lugar de tratar las órdenes del siguiente eslabón de la cadena como “demanda”, el argumento es que debemos leer el mercado real: datos del punto de venta, inventario de canal, promociones, señales sociales, restricciones de proveedores, choques macroeconómicos. El supply chain es entonces un conjunto de procesos conectados que traducen estas señales en respuestas coordinadas: planificación, aprovisionamiento, fabricación y entrega.

Mi propio punto de vista es más estrecho en apariencia, pero agudo por diseño. Me concentro en el momento de la decisión. ¿Deberíamos comprar una unidad más de este artículo para ese almacén, que se recibirá en esa fecha? ¿Deberíamos adelantar la producción de este lote, retrasarla o cancelarla? ¿Deberíamos bajar el precio de este SKU para este canal mañana, o dejarlo como está? Cada una de estas decisiones consume algo escaso: efectivo, capacidad, espacio en estante, atención humana, buena voluntad con clientes o proveedores. Además, crea exposición a una variedad de futuros posibles.

Desde este ángulo, un supply chain es una máquina para transformar la incertidumbre en decisiones, y las decisiones en resultados financieros. Me interesa menos la elegancia del diagrama de procesos y más la calidad de la siguiente decisión y la que viene después, a escala.

El punto de vista “outside-in” observa el panorama desde 10,000 metros: cómo se mueve la empresa en relación con sus pares en una frontera de desempeño multidimensional. Yo me sitúo más cerca del terreno y me pregunto si las millones de pequeñas apuestas que constituyen las operaciones diarias tienen sentido económico, dada la incertidumbre que realmente enfrentamos. Estos puntos de vista no son contradictorios. Simplemente se enfocan en diferentes niveles del mismo sistema.

¿Qué es exactamente lo que intentamos optimizar?

Si eliminamos la jerga, estas diferentes perspectivas hablan todas de rendimiento. Pero eligen diferentes enfoques para definirlo.

Un enfoque es explícitamente comparativo y plurianual. Se interesa en cómo se desempeña una empresa frente a sus competidores directos en crecimiento de ingresos, margen operativo, rotación de inventario y, a veces, ciclos de efectivo a efectivo o utilización de activos. Una empresa que crece rápidamente pero pierde margen no es excelente. Una empresa que reduce su inventario pero también su cuota de mercado no es excelente. La excelencia se sitúa en una frontera efectiva donde estas métricas se mejoran conjuntamente o al menos se equilibran bien.

Mi propio enfoque es basado en unidades y marginal. Me concentro en el retorno ajustado al riesgo de la decisión marginal. Si compro una unidad más del producto X para colocar en la ubicación Y para la semana Z, dado lo que sé ahora, ¿cuál es el rendimiento financiero esperado? ¿Cuánto beneficio aporta en promedio esta unidad adicional, teniendo en cuenta la probabilidad de que se venda a tiempo, la probabilidad de que se venda tarde con un descuento, la probabilidad de que nunca se venda y se vuelva obsoleta? ¿Cómo se compara esto con colocar esa misma unidad de capital de trabajo en otro producto, en otra ubicación o simplemente no invertirla?

Para razonar sobre esto, necesitamos una escala común. El dinero no lo es todo, pero es la unidad en la que la empresa liquida sus obligaciones y mide la supervivencia. Por ello, insisto en traducir todas las compensaciones que saturan las discusiones de supply chain en términos financieros consistentes. Un faltante de stock no es “malo” en abstracto; es costoso en términos de margen perdido, negocios futuros perdidos y daño a la reputación. El stock excesivo no es simplemente “desperdicio”; es una opción que aún podría resultar rentable, o podría deteriorarse. La capacidad que parece inactiva en un panel de control podría ser valiosa como amortiguador contra una volatilidad que aún no aparece en los datos históricos.

La frontera efectiva y el retorno marginal ajustado al riesgo son dos formas de hablar sobre el mismo fenómeno subyacente. Un punto de vista observa lo integral: la trayectoria a largo plazo y plurianual de la empresa. Yo observo lo derivado: el efecto incremental de la siguiente decisión. En la práctica, no se puede tener un buen integral con un mal derivado durante mucho tiempo. La excelencia persistente en la frontera requiere, en última instancia, que las decisiones diarias, a través de miles de artículos y ubicaciones, tengan sentido económico dada la incertidumbre.

Forecasts, planes y la ilusión de certeza

Algunos de los críticos más persistentes del pensamiento “inside-out” han señalado que las empresas tratan sus propias órdenes y envíos históricos como si fuesen una representación fiel de la demanda. Esta visión es tanto tardía como sesgada. Las órdenes se ven influenciadas por promociones, reglas de asignación, faltante de stock aguas arriba, mala integración de datos y una serie de otras distorsiones. En esa visión alternativa, un supply chain moderno debería ser “outside-in”: comenzando desde señales reales de mercado y suministro, para luego orquestar la respuesta.

Estoy de acuerdo con la crítica a la planificación inside-out, pero la abordo desde un ángulo probabilístico. Forecasts, tal como se practican comúnmente, imponen una cómoda ilusión de certeza. Tomamos un futuro desordenado e incierto y lo comprimimos en un solo número: “expected demand” para un período dado. Luego construimos stocks de seguridad y planes determinísticos alrededor de ese número, como si el error fuera una molestia en los márgenes en lugar del evento principal.

Esta forma de trabajar descarta precisamente la información que más necesitamos: el rango de futuros plausibles y sus probabilidades. En mi propio trabajo, sostengo que los forecasts deberían ser distribuciones, no puntos. La pregunta no es “¿Cuál es el sales forecast para el próximo mes?” sino “¿Cómo es la distribución de probabilidad de las ventas posibles?” ¿Cuáles son las probabilidades de no vender nada? ¿De vender el doble del volumen habitual? ¿Cómo se ven las colas?

Una vez que tenemos tales distribuciones, el plan deja de ser un único “consensus number” negociado en reuniones y se convierte en una serie de decisiones calculadas por algoritmos que sopesan los costos y las oportunidades bajo esas distribuciones. La misma distribución de demand puede justificar decisiones de inventario o producción muy diferentes, dependiendo de las consecuencias financieras de faltante de stock versus exceso, los tiempos de entrega implicados y la disponibilidad de sustitutos.

Aquí de nuevo, estas críticas reaccionan contra la misma falla: pretender que el comportamiento incierto y no lineal puede capturarse en una sola columna de una hoja de cálculo. Una línea de pensamiento impulsa señales más ricas y tempranas y rediseños de procesos que trasladan la planificación hacia outside-in. Yo impulso modelos probabilísticos que nos obliguen a confrontar la incertidumbre de manera explícita y sistemas de decisión que puedan procesar esos modelos a gran escala.

En una práctica saludable, estas dos preocupaciones deberían converger. Se desean buenas señales y una representación realista de la incertidumbre; flujos outside-in que alimenten decisiones probabilísticas y fundamentadas económicamente.

Tecnología: arquitectura versus motor

Muchos observadores enfatizan las limitaciones del stack tecnológico que la mayoría de las empresas han heredado. Estos stacks fueron construidos principalmente para la eficiencia transaccional: registrar órdenes, envíos, facturas, etc. Integran datos a través de las funciones, pero no necesariamente ayudan a las empresas a tomar mejores decisiones. El remedio habitual que se propone es rediseñar la arquitectura en torno a los flujos de información de demanda y suministro, con capas de datos externas, mejores taxonomías, visibilidad de inventario en tiempo casi real y herramientas analíticas más flexibles.

Estoy de acuerdo en que el stack heredado es una gran parte del problema. Sin embargo, yo pongo el énfasis en otra parte. La capacidad esencial que falta, en mi opinión, no es otra capa de integración o otro panel de control, sino un decision engine.

Con esto me refiero a un software que, cada día, toma todos los datos relevantes, todas las restricciones actuales y un conjunto de valoraciones económicas, y luego propone o emite directamente decisiones concretas: qué órdenes de compra realizar, qué órdenes de producción programar, qué transferencias ejecutar, qué precios ajustar. Este decision engine debe ser programable, auditable y lo suficientemente rápido para manejar millones de decisiones de este tipo en un tiempo razonable. También debe ser capaz de explicar, a posteriori, por qué se tomó una decisión particular, dados los datos y las valoraciones en ese momento.

Las arquitecturas que son outside-in son útiles porque proporcionan mejores insumos para un decision engine de este tipo. Pero sin el engine, corren el riesgo de convertirse en sistemas de reporte más sofisticados. Verás el problema más claramente, con más matices y con más métricas de latencia, pero aún dependerás de ejércitos de planificadores que trasladan números en hojas de cálculo, intentando conciliar manualmente objetivos conflictivos.

No es controvertido argumentar que la tecnología debería servir a un mejor modelado y a mejores decisiones, no solo a una mejor integración. Un énfasis en la arquitectura resalta dónde deben fluir los datos y cómo deben organizarse los procesos. Mi énfasis en el decision engine destaca lo que, en última instancia, debe suceder con esos datos: una gran cantidad de decisiones económicamente sensatas bajo incertidumbre. Estas son preocupaciones complementarias, pero yo personalmente colocaría el decision engine en el centro, con la arquitectura a su servicio.

Organización, gobernanza y el rol del S&OP

Muchos escritos contemporáneos giran en torno al sales and operations planning y su evolución. Existen modelos de madurez en los que el S&OP progresa desde simples verificaciones de viabilidad hasta una planificación centrada en las ganancias, luego a una orquestación impulsada por la demanda y, finalmente, a una orquestación impulsada por el mercado. En estas narrativas, el S&OP es el proceso horizontal principal que cruza los silos y alinea las funciones. Es donde se negocian las compensaciones y donde se aporta la perspectiva outside-in.

Comparto el diagnóstico de que los silos son una fuente importante de destrucción de valor. Cuando cada función optimiza sus propias métricas —nivel de servicio aquí, utilización allá, forecast accuracy en otro lugar—, el sistema en general sufre. Las personas dedican un esfuerzo enorme a resolver conflictos entre planes que nunca fueron diseñados para ser compatibles.

Donde difiero es en cuánto debería mantenerse el S&OP, como reunión de planificación, como elemento central a largo plazo. En mi opinión, si hacemos bien nuestro trabajo en el ámbito tecnológico, la mayor parte de la planificación operativa debería delegarse al decision engine que describí anteriormente. Este engine se alimenta de los datos más actualizados y de las valoraciones económicas actuales (por ejemplo, el costo relativo de un faltante de stock versus el exceso para un artículo dado, o el valor de un día de reducción en el tiempo de entrega para una determinada ruta). Recalcula decisiones óptimas a medida que cambian las condiciones, con mucha más frecuencia y consistencia de lo que cualquier proceso humano puede lograr.

Lo que queda para el S&OP o la planificación empresarial integrada es la gobernanza, más que la planificación. En lugar de pasar su tiempo ajustando cantidades en una hoja de cálculo, los ejecutivos deberían dedicar su tiempo a ajustar las reglas del juego: las valoraciones financieras, las restricciones, el apetito de riesgo. Deberían examinar cómo se traducen las decisiones del decision engine en resultados realizados y usar esa retroalimentación para refinar los parámetros económicos y las suposiciones estructurales.

Este es un cambio sutil pero profundo. Convierte el S&OP de un intento colectivo de elaborar a mano un único plan “correcto” en una revisión periódica de qué tan bien está funcionando un sistema de decisión automatizado, dado los objetivos de la empresa. El enfoque humano pasa de la microgestión de cantidades a la calibración de incentivos y restricciones.

Los modelos de madurez de este tipo aún pueden ser útiles en este contexto, particularmente como herramienta de diagnóstico para determinar en qué posición se encuentra cultural y organizacionalmente una empresa. Pero yo sostendría que el estado final se trata menos de reuniones de planificación más sofisticadas y más de una mejor gobernanza económica de los sistemas de decisión automatizados.

¿Cómo sabemos lo que sabemos?

El supply chain es un campo complicado desde el punto de vista epistemológico. Los experimentos son costosos, los entornos son ruidosos y el número de variables es abrumador. Es fácil confundir historias plausibles con un conocimiento sólido.

Algunos investigadores, por ejemplo Lora Cecere, han invertido un esfuerzo significativo en fundamentar sus puntos de vista en datos financieros. En lugar de depender de encuestas autoinformadas o anécdotas de consultoría, han reconstruido historiales del desempeño de las empresas utilizando estados financieros públicos y han buscado patrones a lo largo del tiempo. Esto no prueba causalidad, pero impone una disciplina: las prácticas que celebramos como “best” deberían, al menos, correlacionarse con mejoras a largo plazo en el crecimiento, los márgenes y la rotación de inventario.

Mi propio escepticismo adopta una forma diferente. Me preocupa la supervivencia de técnicas cuya principal virtud fue en algún momento la conveniencia computacional—fórmulas de safety stock basadas en supuestos heroicos, modelos linealizados de fenómenos claramente no lineales, jerarquías de planificación simplificadas que reflejan organigramas más que la realidad económica. Muchos de estos artefactos han persistido porque eran fáciles de calcular en papel o en las primeras computadoras. Hoy tenemos mucha más potencia computacional, sin embargo, seguimos aferrándonos a ellos.

También me preocupa la estructura de incentivos. Proveedores de software, consultores, académicos y stakeholders internos tienen razones para preferir narrativas que justifiquen grandes proyectos, marcos complejos o ajustes incrementales. Comparativamente, hay pocos incentivos para demostrar que un método apreciado está perdiendo dinero sistemáticamente en la práctica.

La respuesta, en mi opinión, es acercar el supply chain a la economía aplicada, con un fuerte componente empírico y computacional. Debemos formular nuestras suposiciones de manera explícita, codificarlas en algoritmos y confrontarlas con la realidad a través de los resultados financieros de la empresa. Cuando una política destruya sistemáticamente el valor en un contexto particular, debemos retirarla, sin importar cuán elegante o ampliamente enseñada pueda ser.

En este sentido, estas perspectivas convergen. Existe un rechazo compartido de la idea de que existen “best practices” atemporales esperando ser implementadas. Solo hay prácticas que funcionan en un contexto, por un tiempo, hasta que el entorno o el panorama competitivo cambian.

Hacia una síntesis

Si eres un ejecutivo o profesional tratando de navegar por estas ideas, puede ayudar pensar en términos de capas.

El trabajo de outside-in, fundamentado financieramente, es invaluable en la capa estratégica y diagnóstica. Te ayuda a formular las preguntas correctas: ¿Dónde nos encontramos en la frontera efectiva en comparación con nuestros pares? ¿Estamos creciendo, somos rentables y eficientes en el uso del capital, o estamos sacrificando una dimensión en favor de las otras? ¿Siguen nuestros procesos siendo inside-out, dominados por la inercia de las transacciones ERP y los silos funcionales, o nos hemos movido genuinamente hacia flujos outside-in, orientados al mercado?

Mi propio trabajo se centra más en la capa operativa y computacional. Quiero que seas capaz de responder preguntas como: Dada nuestra comprensión actual de la incertidumbre en la demanda y la oferta, y dadas nuestras valoraciones financieras, ¿están las decisiones que tomamos a diario maximizando realmente nuestro retorno ajustado al riesgo sobre recursos escasos? ¿Podemos tomar esas decisiones de manera consistente y a gran escala a través de software, en lugar de manualmente, manteniendo la capacidad de auditar y mejorar la lógica subyacente?

Estas capas no son alternativas. En un mundo ideal, una empresa usaría el lente estratégico para definir cómo se ve la excelencia y medir el progreso a lo largo de los años, mientras utiliza un motor de decisiones económico y probabilístico para impulsar las operaciones diarias hacia ese objetivo. La arquitectura outside-in alimentaría el motor con señales ricas y oportunas. Los foros de gobernanza se centrarían en calibrar los parámetros económicos en lugar de editar cantidades. Y la noción de “best practice” sería reemplazada por un enfoque más humilde y empírico: lo que funciona, aquí y ahora, en esta red específica, tal como lo revelan los resultados financieros reales.

En ese sentido, cualquier aparente confrontación entre estas posturas no es un choque entre teorías incompatibles. Es una conversación acerca de dónde colocar el énfasis: en la arquitectura y el proceso, o en los algoritmos y la economía; en las trayectorias a largo plazo, o en las decisiones marginales. Ambas perspectivas son necesarias. Pero si tuviera que resumir mi propia posición en una sola frase, sería esta:

Supply chain es, en su esencia, una disciplina económica que debería practicarse a través de software como el arte de realizar buenas apuestas bajo incertidumbre.

Todo lo demás—procesos, arquitecturas, dashboards, incluso modelos de madurez—debe juzgarse en función de cuánto ayudan o dificultan esa tarea central.