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

Joannes Vermorel

En las últimas dos décadas, he visto acumular palabras de moda en la gestión de supply chain más rápido que los resultados. Hablamos de digital twins, control towers, integrated business planning, demand sensing, resilience, sustainability. Sin embargo, si observas cuidadosamente los balances y las cuentas de pérdidas y ganancias, muchas empresas no han progresado mucho en términos de cómo convierten el capital de trabajo, la capacidad y la complejidad en retornos económicos.

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

Este ensayo expone esa perspectiva de “apuestas” y explora lo que se deriva de ella: cómo definimos el rendimiento, cómo tratamos los forecast y planes, qué tipo de tecnología realmente necesitamos, y qué roles deberían desempeñar los humanos una vez que se asiente el polvo.

Supply chain como un portafolio de apuestas

La vida diaria de una supply chain es engañosamente mundana. Alguien decide comprar una unidad adicional de este artículo para ese almacén, que se recibirá en esa fecha. Alguien adelanta una producción, la retrasa o la cancela. Alguien ajusta un precio para un SKU dado en un canal específico mañana.

Cada una de estas decisiones consume algo escaso: efectivo, capacidad, espacio en estantería, atención humana, buena voluntad con clientes o proveedores. Cada decisión también crea exposición a un abanico de futuros posibles. La unidad podría venderse a tiempo a precio completo, venderse tarde con descuento, o no venderse en absoluto y quedar obsoleta. Una producción podría llenar un vacío rentable, o bien atar capacidad que habría sido más valiosa en otro lugar.

Por sí solas, la mayoría de estas apuestas son pequeñas. En conjunto, definen el perfil de riesgo de la empresa y su resultado económico. Lo que llamamos “rendimiento de supply chain” es, simplemente, el resultado financiero a largo plazo de millones de apuestas realizadas bajo incertidumbre.

Por ello, en mi opinión, supply chain es fundamentalmente una disciplina económica. Su objeto de estudio es la asignación de recursos escasos en condiciones de incertidumbre. Su unidad de cuenta, nos guste o no, es el dinero. El dinero no lo es todo, pero es la unidad en la que la empresa salda sus obligaciones y mide su supervivencia. Si estamos serios en mejorar las supply chains, debemos tomarnos en serio la economía de estas apuestas.

¿Qué es exactamente lo que estamos tratando de optimizar?

Si eliminamos la jerga, la mayoría de las empresas afirman estar optimizando el “rendimiento”. Pero “rendimiento” es una palabra ambigua.

Una perspectiva natural es la comparativa y a largo plazo. Puedes analizar un grupo de pares durante una década y preguntar: ¿qué empresas han mejorado realmente su posición en términos de crecimiento, margen operativo, rotación de inventario y retorno sobre el capital? Algunos analistas llaman a esto la “frontera efectiva”: una curva multidimensional más allá de la cual no es fácil empujar a los pares. 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 donde estas métricas se mejoran conjuntamente o, al menos, se equilibran bien.

Esta perspectiva es útil porque nos obliga a enfrentar compensaciones. No basta con alcanzar un KPI de nivel de servicio interno si, en el proceso, se erosiona silenciosamente el margen o se hincha el inventario. Con el tiempo, el marcador es implacable.

Mi propia perspectiva es por unidad y marginal. Me enfoco en el retorno ajustado por riesgo de la decisión marginal. Si compro una unidad adicional 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, una vez que consideramos:

• la posibilidad de que se venda a tiempo a precio completo,
• la posibilidad de que se venda tarde con descuento,
• ¿Cuál es la posibilidad de que nunca se venda y se vuelva obsoleto?

¿Cómo se compara esto con asignar esa misma unidad de capital de trabajo a otro producto, otra ubicación, o simplemente no invertirlo?

Para razonar sobre esto, necesitamos una escala común. Todos los compromisos que saturan las discusiones de supply chain—niveles de servicio, utilización, costos de transporte, obsolescencia, promociones—deben expresarse en términos financieros consistentes. Un faltante de stock no es “malo” en abstracto; resulta costoso en términos de margen perdido, negocios futuros perdidos y daño a la reputación. El exceso de stock no es simplemente “desperdicio”; es una opción que aún podría dar frutos o pudrirse. La capacidad que aparece inactiva en un dashboard podría ser valiosa como amortiguador contra una volatilidad que aún no se refleja en los datos históricos.

La frontera efectiva y el rendimiento marginal ajustado por riesgo son dos formas de hablar sobre el mismo fenómeno subyacente. Una se enfoca en el integral: la trayectoria a largo plazo, de varios años, de la compañía en relación con sus pares. La otra se enfoca en el derivado: el efecto incremental de la siguiente decisión. En la práctica, no se puede tener un buen integral con un mal derivado por mucho tiempo. La excelencia persistente en la frontera requiere, en última instancia, que las decisiones diarias, a lo largo de miles de artículos y ubicaciones, sean económicamente sensatas dada la incertidumbre.

Forecasts, planes y la ilusión de certeza

Los procesos tradicionales de planificación usualmente comienzan con un forecast. En muchas organizaciones, ese forecast es un único número por período y por artículo: la cantidad “más probable” de vender. Ese número se convierte en el ancla para los planes de producción, los planes de compras, los planes de transferencia, las reservas de capacidad, etc. Las desviaciones se tratan como errores que deben explicarse después de los hechos.

Esta práctica impone una cómoda ilusión de certeza. Tomamos un futuro desordenado e incierto y lo comprimimos en un único número—“expected demand” para un período dado. Luego construimos stocks de seguridad y planes deterministas alrededor de ese número, como si el error fuera una molestia marginal en lugar del acontecimiento principal.

En realidad, la información que más necesitamos es precisamente lo que este enfoque descarta: el rango de futuros plausibles y sus probabilidades. Para cualquier artículo, las preguntas que importan son:

• ¿Cuál es la posibilidad de que las ventas del próximo mes sean la mitad del nivel habitual?
• ¿El doble del nivel habitual? ¿Tres veces?
• ¿Cómo se ven las colas? ¿Son gruesas, sesgadas, multimodales?

Una vez que aceptamos esto, la idea de un único plan de consenso se vuelve menos convincente. En lugar de preguntar “¿Cuál es el forecast?” y luego negociar un plan en torno a él, deberíamos estar preguntando:

“Dada esta distribución de posibles futuros y estas consecuencias financieras de faltante de stock, exceso y demora, ¿qué decisiones tienen sentido?”

La misma distribución de demanda puede justificar decisiones de inventario o producción muy diferentes dependiendo de:

• la estructura de margen,
• la disponibilidad de sustitutos,
• los tiempos de entrega implicados,
• el costo de la capacidad y los cambios de línea,
• las limitaciones contractuales y penalizaciones.

En mi propio trabajo, sostengo que los forecast deberían ser distribuciones, no puntos. La cuestión no es “¿Cuál es el forecast de ventas para el próximo mes?” sino “¿Cómo se ve la distribución de probabilidad de las ventas posibles?” Una vez que tenemos tales distribuciones, el plan deja de ser un único “número de consenso” negociado en reuniones y se convierte en una serie de decisiones calculadas por algoritmos que ponderan costos y oportunidades bajo esas distribuciones.

Tecnología: arquitectura versus motor

La mayoría de las empresas han heredado una pila tecnológica que fue construida principalmente para la eficiencia transaccional: registrar órdenes, envíos, facturas, movimientos de inventario. Estos sistemas integran datos a través de funciones, pero no necesariamente ayudan a las empresas a tomar mejores decisiones. Agregar más dashboards sobre dicha pila no soluciona el problema subyacente. Te ofrece más formas de ver lo que está sucediendo, pero no mucha ayuda para decidir qué hacer.

Hoy se debate mucho acerca de arquitecturas que son más “outside-in”: integrar señales externas de demanda, construir taxonomías más ricas, proporcionar visibilidad casi en tiempo real del inventario y la capacidad, y ofrecer herramientas analíticas más flexibles. Todo esto es útil. Sin embargo, creo que le falta la capacidad central.

Lo que falta no es solo otra capa de integración o otro panel, sino un motor de decisiones.

Con esto me refiero a un software que, de forma recurrente:

1. toma todos los datos relevantes y las restricciones actuales,

2. aplica un modelo económico explícito de costos y oportunidades, y

3. propone o emite directamente decisiones concretas:

   • qué órdenes de compra realizar,
   • qué órdenes de producción programar,
   • qué transferencias ejecutar,
   • qué precios ajustar.

Tal motor debe ser:

• Programable por personas que entienden el negocio.
• Auditable, en el sentido de que puede explicar, a posteriori, por qué se tomó una decisión particular dada la información y las valoraciones en ese momento.
• Rápido y escalable lo suficiente como para manejar millones de decisiones en los intervalos de tiempo impuestos por los plazos de entrega físicos.
• Probabilístico, capaz de trabajar con distribuciones en lugar de forecast puntuales.

Las arquitecturas “outside-in” son útiles porque proporcionan mejores insumos para dicho motor. Sin embargo, sin el motor, corren el riesgo de transformarse en sistemas de reporting más sofisticados. Verás el problema más claramente, en más colores y con más métricas de latencia, pero aún dependerás de ejércitos de planificadores moviendo números en hojas de cálculo, tratando de conciliar manualmente objetivos conflictivos.

Mi énfasis, por lo tanto, está en situar el motor de decisiones en el centro, con la arquitectura al servicio del mismo.

Organización, gobernanza y el rol del S&OP

Gran parte del pensamiento organizacional en torno a supply chain se ha cristalizado en torno a la planificación de ventas y operaciones (S&OP) y sus derivados. Se supone que estos procesos cruzan los silos y alinean las funciones. Es ahí donde se negocian los compromisos y donde finanzas, ventas, operaciones y supply chain supuestamente convergen en un único plan.

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 de precisión en otro lugar—, el sistema en su conjunto sufre. Las personas dedican un enorme esfuerzo a resolver conflictos entre planes que nunca fueron diseñados para ser compatibles.

Donde difiero del pensamiento tradicional del S&OP es en lo central que debería seguir siendo la reunión de planificación a largo plazo.

En mi opinión, si hacemos nuestro trabajo adecuadamente en el ámbito tecnológico, la mayor parte de la planificación operativa debería delegarse al motor de decisiones descrito anteriormente. Este motor se alimenta de los datos más actualizados y de las valoraciones económicas actuales (por ejemplo, el costo relativo del faltante de stock versus el exceso para un artículo dado, o el valor de un día de reducción de plazos de entrega para una determinada ruta). Recalcula las decisiones óptimas a medida que cambian las condiciones, con mucha más frecuencia y de forma más consistente de lo que cualquier proceso humano puede.

Lo que queda para el S&OP o la planificación empresarial integrada no es la planificación, sino la gobernanza.

En lugar de dedicar su tiempo a ajustar 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,
• los supuestos estructurales incorporados en la lógica de decisión.

Deberían examinar cómo se traducen las decisiones del motor en resultados realizados y utilizar este feedback para refinar los parámetros económicos y los supuestos estructurales. Las preguntas principales son:

• ¿Estamos cómodos con la compensación actual entre servicio e inventario en esta familia de productos?
• ¿Estamos asignando un precio adecuado al riesgo en este mercado?
• ¿Son realistas nuestros supuestos de plazos de entrega, dadas las interrupciones recientes?

Esta es una transformación sutil pero profunda. Convierte al S&OP de un intento colectivo de elaborar artesanalmente un único plan “correcto” en una revisión periódica de qué tan bien está funcionando un sistema automatizado de decisiones, dado los objetivos de la empresa. El enfoque humano se desplaza de la microgestión de cantidades a la calibración de incentivos y restricciones.

¿Cómo sabemos lo que sabemos?

Supply chain es un campo complicado desde un 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 conocimiento robusto.

Históricamente, muchas técnicas que aún se enseñan e implementan ampliamente deben su supervivencia menos a su desempeño empírico que a su conveniencia computacional. Las fórmulas de stock de seguridad basadas en supuestos heroicos, los modelos linealizados de fenómenos claramente no lineales, las jerarquías de planificación simplificadas que reflejan más los organigramas que la realidad económica—estos artefactos eran comprensibles cuando la computación era escasa y costosa. Ahora es más difícil justificarlos.

También me preocupan las estructuras de incentivos. Los proveedores de software, consultores, académicos y los stakeholders internos tienen todas las razones para preferir narrativas que justifiquen grandes proyectos, marcos complejos o ajustes incrementales. Comparativamente, hay poco incentivo para demostrar que un método tan apreciado está perdiendo dinero de forma sistemática en la práctica.

La respuesta, en mi opinión, es acercar supply chain a la economía aplicada con un fuerte componente empírico y computacional. Deberíamos:

• formular nuestros supuestos de manera explícita,
• codificarlos en algoritmos,
• confrontarlos con la realidad a través de los propios resultados financieros de la empresa, y
• estar dispuestos a retirar políticas que destruyen valor, sin importar cuán elegantes o ampliamente enseñadas sean.

No existen “mejores prácticas” atemporales esperando ser implementadas. Solo hay prácticas que funcionan en contexto, durante un tiempo, hasta que el entorno o el panorama competitivo cambian.

Hacia una práctica más honesta

Si eres un ejecutivo o practicante que intenta navegar estas ideas, puede ayudarte pensar en términos de layers:

• En la capa estratégica y diagnóstica, te interesa tu trayectoria en comparación con tus pares en crecimiento, margen, rotación de inventario y retorno sobre el capital. ¿Realmente te diriges hacia una frontera efectiva o simplemente reacomodas los KPIs internos?
• En la capa operativa y computacional, te importa si las millones de decisiones diarias—comprar, fabricar, mover, fijar precios—son buenas apuestas, dada la incertidumbre a la que te enfrentas y los compromisos financieros que has aceptado.
• En la capa de gobernanza, te interesa si las reglas del juego codificadas en tu motor de decisiones reflejan tu estrategia real y apetito de riesgo, y si se actualizan a medida que el mundo cambia.

Estas capas no son alternativas. Son diferentes puntos de vista sobre el mismo animal.

Desde mi punto de vista, el meollo del asunto se puede expresar en una sola frase:

supply chain es, en esencia, una disciplina económica que debe practicarse a través del 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 en qué medida ayudan u obstaculizan esa tarea central.