Iniciativa de Supply Chain Quantitativa
Supply Chain Quantitativa Optimización, o Supply Chain Quantitativa para abreviar, es una perspectiva amplia sobre supply chains que, en pocas palabras, tiene como objetivo aprovechar al máximo la inteligencia humana, aumentada con las capacidades de los recursos modernos de computación. Sin embargo, esta perspectiva no lo abarca todo. No pretende ser la solución definitiva a supply chain challenges, sino ser un enfoque complementario que casi siempre se puede utilizar para mejorar la situación.
La iniciativa
Supply Chain Quantitativa ayuda a tu empresa a mejorar la calidad del servicio, a reducir los stocks excesivos y las bajas, a impulsar la productividad, a bajar los precios de compra y los costes operativos … y la lista continúa. Los desafíos de supply chain varían enormemente dependiendo de las diferentes situaciones. Supply Chain Quantitativa abraza esta diversidad y se esfuerza, a pesar de enfrentar la complejidad resultante. Sin embargo, para los profesionales de supply chain acostumbrados a enfoques más clásicos para optimizar sus supply chains, Supply Chain Quantitativa puede resultar un poco desconcertante.
En lo siguiente, revisamos los ingredientes que se requieren para aprovechar al máximo la perspectiva cuantitativa sobre supply chain. Examinamos y aclaramos las ambiciones de una iniciativa de Supply Chain Quantitativa. Revisamos los roles y las habilidades del equipo encargado de la ejecución de la iniciativa. Finalmente, ofrecemos una breve visión general de la metodología asociada con Supply Chain Quantitativa.
La ambición
Excepto en compañías muy pequeñas, un supply chain implica millones de decisiones por día. Por cada unidad mantenida en stock, cada día, la empresa toma la decisión de mantener la unidad donde está, en lugar de moverla a otro lugar. Además, la misma lógica se aplica a las unidades de stock inexistentes que podrían ser producidas o compradas. No hacer nada ya es una decisión en sí misma.
Supply Chain Quantitativa se trata de optimizar los millones de decisiones que la empresa debe tomar cada día, y dado que estamos hablando de millones, si no de miles de millones de decisiones por día, las computadoras juegan un papel central en esta tarea. Esto no es sorprendente ya que, después de todo, los supply chains fueron históricamente una de las primeras funciones corporativas, después de la contabilidad, en digitalizarse a finales de la década de 1970. Sin embargo, Supply Chain Quantitativa supone llevar la digitalización un paso más allá.
Aquí tenemos que reconocer que los intentos erróneos de implementar el “supply chain system of the future” han sido frecuentes en las últimas dos décadas. Con demasiada frecuencia, tales sistemas no hicieron otra cosa que causar estragos en los supply chains, combinando efectos de caja negra y automatización fallida, generando así tantas malas decisiones que los problemas ya no podían solucionarse mediante la intervención humana.
En cierta medida, Supply Chain Quantitativa nació de esos errores: en lugar de pretender que el sistema de alguna manera conoce el negocio mejor que la propia dirección, el enfoque debe centrarse en ejecutar las ideas generadas por la dirección, pero con un mayor grado de fiabilidad, claridad y agilidad. La tecnología de software bien implementada es un habilitador capaz, pero, considerando las capacidades actuales del software, eliminar por completo a las personas de la solución no es una opción realista.
Esta ambición tiene una consecuencia inmediata: el software que la empresa utiliza para hacer seguimiento de sus productos, materiales y otros recursos no será el mismo que necesita para optimizar sus decisiones. De hecho, ya sea un ERP, un WMS, un MRP o un OMS, todo ese software se centra principalmente en operar los procesos de la empresa y su flujo de entradas de datos. No nos malinterpretes, existen enormes beneficios al racionalizar las entradas de datos y automatizar todas las tareas administrativas. Sin embargo, nuestro punto sigue siendo que estas tareas no abordan en lo más mínimo el desafío actual, que es aumentar la capacidad de tu empresa para ejecutar las ideas humanas, a la escala que exige tu supply chain.
Entonces, no hay optimización sin medición. Por lo tanto, Supply Chain Quantitativa se trata en gran medida de mediciones, como su nombre lo indica. supply chain decisions - comprar stock, mover stock - tienen consecuencias, y la calidad de dichas decisiones debe evaluarse financieramente (por ejemplo, en dólares) con sólidas perspectivas de negocio. Sin embargo, contar con métricas buenas y sólidas requiere esfuerzo, un esfuerzo significativo. Uno de los objetivos de Supply Chain Quantitativa es ayudar a la empresa a establecer dichas métricas, lo cual también desempeña un papel crítico durante las etapas posteriores de un proyecto, al evaluar el retorno de inversión (ROI) de la iniciativa global de supply chain.
Finalmente, como se mencionó anteriormente, Supply Chain Quantitativa no es un paradigma que lo abarque todo. No tiene la ambición de arreglar o mejorar todo en el supply chain de la empresa. No pretende ayudarte a encontrar proveedores de confianza o socios logísticos fiables. No promete ayudarte a contratar grandes equipos y mantener alta su moral. Sin embargo, gracias a su enfoque tan específico, Supply Chain Quantitativa es plenamente capaz de ofrecer resultados tangibles.
Los roles del proyecto
Supply Chain Quantitativa requiere una cantidad sorprendentemente baja de recursos humanos, incluso cuando se manejan supply chains de gran escala. Sin embargo, tal iniciativa sí requiere recursos específicos, de los cuales detallaremos en esta sección. Pero antes de profundizar en los diferentes roles y sus especificidades, comencemos mencionando uno de los principios fundamentales de Supply Chain Quantitativa: la empresa debe capitalizar cada intervención humana.
Este principio va en contra de lo que ocurre en la práctica con las soluciones tradicionales de supply chain: los esfuerzos humanos son consumidos por la solución, no capitalizados. Para seguir produciendo un flujo interminable de decisiones, la solución requiere un flujo interminable de entradas manuales. Dichas entradas pueden adoptar muchas formas: ajustar perfiles estacionales, gestionar excepciones y alertas, corregir valores extraños del forecast, etc.
Supply Chain Quantitativa busca revertir esta perspectiva. No es solo que la mano de obra humana sea costosa, sino que la experiencia en supply chain combinada con agudas ideas de negocio es demasiado rara y preciosa como para desperdiciarla en tareas repetitivas. En cambio, se debe solucionar la causa raíz de la intervención manual: si los valores del forecast están equivocados, entonces no tiene sentido modificar los valores mismos, es necesario corregir los datos de entrada o el propio algoritmo de forecast. Corregir los síntomas garantiza un trato interminable con los mismos problemas.
El tamaño del equipo requerido para ejecutar una iniciativa de supply chain cuantitativa varía dependiendo de la escala del propio supply chain. En el extremo inferior del espectro, puede ser menos de un FTE (empleado a tiempo completo), típicamente para empresas con una facturación inferior a $20 millones. En el extremo superior del espectro, puede involucrar a una docena de personas; pero en ese caso, suelen estar en juego inventarios por valor de varios miles de millones de dólares.
El Supply Chain Leader: Supply Chain Quantitativa es un cambio de paradigma. Impulsar el cambio requiere liderazgo y apoyo por parte de la alta dirección. Con demasiada frecuencia, el liderazgo de supply chain siente que no tiene tiempo para involucrarse directamente en lo que se percibe como las “tecnicalidades” de una solución. Sin embargo, Supply Chain Quantitativa trata de ejecutar ideas estratégicas a gran escala. No compartir las ideas estratégicas con el equipo encargado de la iniciativa es una receta para el fracaso. No se espera que la dirección genere todas las métricas y KPIs relevantes – ya que requiere mucho esfuerzo ponerlos en conjunto – pero ciertamente se espera que los cuestione.
El Supply Chain Coordinator: mientras que la iniciativa de Supply Chain Quantitativa está diseñada para ser muy ligera en personal, la mayoría de los supply chains no lo son, o al menos, no son tan ligeros. No lograr que todos se involucren puede resultar en confusión y en un retraso de la iniciativa. Así, la misión del Coordinator es recopilar todo el feedback interno necesario que la iniciativa requiera y comunicarse con todas las partes involucradas. El Coordinator aclara los procesos y las decisiones que deben tomarse, y obtiene retroalimentación sobre las métricas y KPIs que se utilizarán para optimizar esas decisiones. Además, se asegura de que la solución abarque los flujos de trabajo de la empresa tal como son, mientras preserva la posibilidad de revisar dichos flujos de trabajo en una etapa posterior de la iniciativa.
El Data Officer: Supply Chain Quantitativa depende críticamente de los datos, y toda iniciativa necesita tener acceso fiable a los datos desde una perspectiva de procesamiento por lotes. De hecho, la iniciativa no implica simplemente leer unas pocas líneas en el sistema de la empresa, sino leer la historia completa de sales history, la historia completa de compras, el catálogo completo de productos, etc. El Data Officer es típicamente delegado por el IT department para apoyar la iniciativa. Él se encarga de automatizar toda la lógica de data extraction y de programar dicha lógica para extracciones diarias. En la práctica, los esfuerzos del Data Officer se concentran mayormente al inicio de la iniciativa.
El Supply Chain Scientist: utiliza la tecnología – de la cual hablaremos más adelante – para combinar las ideas que han sido recopiladas por el Coordinator con los datos extraídos por el Data Officer, con el fin de automatizar la producción de decisiones. El scientist comienza preparando los datos, lo cual es una tarea sorprendentemente difícil y requiere mucho apoyo del Coordinator, quien necesitará interactuar con las muchas personas que produjeron los datos en primer lugar, para aclarar cualquier incertidumbre. Él formaliza la estrategia para que pueda ser utilizada para generar decisiones – por ejemplo, las cantidades sugeridas de reorder. Finalmente, el Supply Chain Scientist equipa toda la canalización de datos con dashboards y KPIs para garantizar claridad, transparencia y control.
Para empresas de tamaño medio, que la misma persona cumpla tanto el rol de Coordinator como el de Data Officer puede ser extremadamente eficiente. Requiere una variedad de habilidades que no siempre es fácil encontrar en un solo empleado; sin embargo, si tal persona existe en la organización, tiende a ser un activo para acelerar la iniciativa. Luego, para empresas más grandes, incluso si el Coordinator no está muy familiarizado con las bases de datos de la empresa al inicio de la iniciativa, es una gran ventaja si el Coordinator es capaz de adquirir cierto nivel de familiaridad con las bases de datos a medida que la iniciativa avanza. De hecho, el panorama de IT sigue cambiando, y anticiparse a cómo el cambio impactará la iniciativa ayuda enormemente a garantizar una ejecución fluida y continua.
La tecnología
Hasta ahora, nos hemos mantenido algo vagos en cuanto a la tecnología de software requerida para soportar Supply Chain Quantitativa. Sin embargo, Supply Chain Quantitativa depende críticamente del stack tecnológico que se utiliza para implementarla. Mientras que, conceptualmente, cada pieza de software podría ser reimplementada desde cero, el Supply Chain Scientist requiere un apoyo increíble de su stack para ser siquiera razonablemente productivo. Luego, ciertas capacidades como el forecast y la optimización numérica requieren esfuerzos significativos previos en I+D que van más allá de lo que el Supply Chain Scientist puede entregar en el transcurso de la iniciativa.
El primer requisito de Supply Chain Quantitativa es una plataforma de datos con capacidades programáticas, y, naturalmente, tener acceso a una plataforma de datos específicamente hecha a la medida para manejar datos y problemas de supply chain es una ventaja segura. Nos referimos a una plataforma de datos, porque aunque cualquier estación de trabajo de escritorio puede almacenar múltiples terabytes hoy en día, no significa que esta estación de trabajo ofrezca otras propiedades deseables para llevar a cabo la iniciativa: fiabilidad frente a fallos de hardware, auditabilidad de todos los accesos, compatibilidad con exportaciones de datos, etc. Además, dado que los conjuntos de datos de supply chain tienden a ser grandes, la plataforma de datos debería ser más escalable, o en otras palabras, debería ser capaz de procesar grandes cantidades de datos en un corto período de tiempo.
La plataforma de datos requiere capacidades programáticas, lo que se refiere a la posibilidad de implementar y ejecutar prácticamente cualquier lógica arbitraria de procesamiento de datos. Dichas capacidades se proporcionan a través de un lenguaje de programación. La programación se percibe correctamente como una habilidad muy técnica, y muchos proveedores se aprovechan del miedo que inspira la idea de tener que enfrentarse a una solución que requiere “programming” para ofrecer interfaces de usuario simples con botones y menús a los usuarios. Sin embargo, siempre que se nieguen capacidades programáticas a los equipos de supply chain, las hojas de Excel toman el control, precisamente porque Excel ofrece capacidades programáticas con la posibilidad de escribir fórmulas que pueden ser arbitrariamente complicadas. Lejos de ser un gadget, las capacidades programáticas son un requisito fundamental.
Finalmente, existen beneficios significativos al contar con una plataforma de datos hecha a la medida para supply chain. De hecho, la necesidad de una plataforma de datos de algún tipo no es algo específico de supply chain: el trading cuantitativo, como lo realizan bancos y fondos, viene con necesidades similares. Sin embargo, las decisiones de supply chain no requieren latencias sub-milisegundo como ocurre en el trading de alta frecuencia. El diseño de una plataforma de datos es una cuestión de compensaciones de ingeniería, así como de un ecosistema de software, que comienza con los formatos de datos soportados. Dichas compensaciones de ingeniería y el ecosistema de software deberían estar alineados con los desafíos propios de supply chain.
El segundo requisito de Supply Chain Quantitativa es un motor de forecast probabilístico forecasting engine. Esta pieza de software es responsable de asignar una probabilidad a cada futuro posible. Aunque este tipo de forecast resulta un poco desconcertante al principio porque va en contra de la intuición de prever el futuro, el “truco” reside en la incertidumbre: el futuro no es seguro y un único forecast tiene garantizado estar equivocado. La perspectiva clásica del forecast niega la incertidumbre y la variabilidad, y como resultado, la empresa termina lidiando con un forecast que se suponía debía ser preciso, pero no lo es. Un motor de forecast probabilístico aborda este problema de frente resolviendo la cuestión a través de probabilidades.
El forecast probabilístico en supply chain es, típicamente, un proceso de 2 etapas que comienza con un lead time forecast y seguido de un forecast de demanda. El forecast de lead time es un forecast probabilístico: se asigna una probabilidad a todas las posibles duraciones del lead time, usualmente expresadas en días. Luego, el forecast de demanda es también un forecast probabilístico y éste se construye sobre el forecast de lead time proporcionado como entrada. De este modo, el horizonte que debe cubrir el forecast de demanda tiene que coincidir con los lead times, los cuales son, a su vez, inciertos.
A medida que el motor de forecast probabilístico entrega conjuntos de distribuciones de probabilidad, sus resultados de forecast implican muchos más datos que los outputs de un motor de forecast clásico. Esto no es un problema bloqueante en sí, pero para evitar enfrentar demasiada fricción al procesar un conjunto masivo de probabilidades, se requiere un alto grado de cooperación entre la plataforma de datos y el motor de forecast.
Las fases del proyecto
Supply Chain Quantitativa se inspira fuertemente en la I+D en ingeniería de software y en las mejores prácticas conocidas de la ciencia de datos. La metodología es altamente iterativa, pone poco énfasis en la especificación previa y resalta la agilidad y la capacidad de recuperarse de problemas y/o resultados inesperados. Como resultado, esta metodología suele ser percibida como bastante sorprendente para las empresas que no están profundamente involucradas en la industria del software.
La primera fase es la fase de definición de alcance, que define qué decisiones de supply chain se pretende abarcar con la iniciativa. Esta fase también se utiliza para diagnosticar la complejidad esperada involucrada en el proceso de toma de decisiones y los datos relevantes.
La segunda fase es la fase de preparación de datos. Consiste en establecer una configuración automatizada que copie todos los datos relevantes de los sistemas de la empresa a una plataforma analítica separada. También implica preparar estos datos para un análisis cuantitativo.
La tercera fase es la fase piloto y consiste en implementar una lógica inicial de toma de decisiones que genere decisiones, por ejemplo, las cantidades de compra sugeridas, las cuales, en sí mismas, ya superan los procesos anteriores de la empresa. Se espera que esta lógica esté completamente automatizada.
La cuarta fase es la fase de producción, que lleva la iniciativa a velocidad de crucero, donde se monitorea y mantiene el rendimiento, y donde se logra un consenso sobre el grado deseable de refinamiento de los modelos de supply chain.
La fase de definición de alcance es la más directa e identifica las decisiones rutinarias que la iniciativa de Supply Chain Quantitativa pretende abarcar. Estas decisiones pueden involucrar muchas restricciones: MOQ (cantidades mínimas de pedido), full containers, capacidad máxima de warehouse, … y estas restricciones deben examinarse detenidamente. Luego, las decisiones también se asocian a impulsores económicos: carrying costs, costo de faltante de stock, margen bruto, … y dichos impulsores económicos deben estudiarse. Finalmente, se deben identificar los datos históricos relevantes, junto con los sistemas de los que se extraerán los datos.
La fase de preparación de datos es la más difícil; la mayoría de los fallos tienden a suceder en esta etapa. Acceder a los datos y darles sentido es casi siempre un desafío subestimado. Los sistemas operativos (por ejemplo, ERP / MRP / WMS / OMS) han sido diseñados para operar la empresa, para mantenerla en funcionamiento. Los datos históricos son un subproducto de dichos sistemas, ya que registrar datos no fue la razón original para implementarlos. Por ello, se deben prever muchas dificultades en esta fase. Al enfrentar problemas, la mayoría de las empresas tiene el desafortunado reflejo de: retrocedamos y escribamos una especificación completa. Desafortunadamente, una especificación solo puede abarcar las dificultades conocidas o esperadas. Sin embargo, casi todos los problemas principales que se presentan en esta fase son elementos que no se pueden planificar.
En realidad, los problemas suelen revelarse únicamente cuando alguien comienza a poner a prueba los datos para generar decisiones basadas en datos. Si las decisiones resultan erróneas mientras la lógica se considera sólida, probablemente haya un problema con los datos. Las decisiones basadas en datos tienden a ser algo sensibles a los problemas de los mismos y, por lo tanto, representan una excelente manera de cuestionar cuánto control tiene la empresa sobre sus propios datos. Además, este proceso pone a prueba los datos de maneras significativas para la empresa. La calidad de los datos y la comprensión de los mismos son simplemente medios para un fin: entregar algo de valor para la empresa. Es muy razonable concentrarse en los problemas de datos que tienen un impacto significativo en las decisiones basadas en ellos.
La fase piloto es la etapa que pone a prueba la gestión de supply chain. Abrazar la incertidumbre con forecasts probabilísticos puede resultar bastante contraintuitivo. Al mismo tiempo, muchas prácticas tradicionales, como los forecasts semanales o mensuales, safety stocks, coberturas de stock, alertas de stock o el ABC analysis, en realidad hacen más daño que beneficio. Esto no significa que la iniciativa de Supply Chain Quantitativa deba funcionar sin control. De hecho, es todo lo contrario, ya que Supply Chain Quantitativa se centra en obtener un rendimiento medible. Sin embargo, muchas prácticas tradicionales de supply chain tienden a encuadrar los problemas de forma que dificultan su resolución. Por lo tanto, durante la fase piloto, uno de los desafíos clave para el liderazgo de supply chain es mantenerse de mente abierta y no reinjectar en la iniciativa los mismos ingredientes que generarán ineficiencias en una etapa posterior. No se puede apreciar la causa mientras se maldice la consecuencia.
Luego, el Supply Chain Scientist y la tecnología también son puestos a prueba, dado que la lógica debe implementarse para generar las decisiones en un plazo relativamente corto. El objetivo inicial es simplemente generar lo que los profesionales perciban como decisiones razonables, decisiones que no requieran necesariamente corrección manual. Sugerimos no subestimar el gran desafío que supone generar decisiones automatizadas “sólidas”. Los sistemas tradicionales de supply chain requieren muchas correcciones manuales para siquiera operar: new products, promotions, faltante de stock… Supply Chain Quantitativa establece una nueva regla: no se permiten más entradas manuales para operaciones mundanas, todos los factores deben estar integrados en la lógica.
El Supply Chain Coordinator está encargado de reunir todos los factores, flujos de trabajo y particularidades que deben integrarse en la lógica de toma de decisiones. Posteriormente, el Supply Chain Scientist implementa el primer conjunto de KPIs asociados a las decisiones. Estos KPIs se introducen para evitar efectos de caja negra que tienden a surgir cuando se utilizan métodos numéricos avanzados. Es importante destacar que los KPIs se conciben junto con el Supply Chain Leader, quien se asegura de que las mediciones estén alineadas con la estrategia de la empresa.
La fase de producción estabiliza la iniciativa y la lleva a velocidad de crucero. Las decisiones generadas por la lógica se utilizan activamente y sus resultados asociados se monitorean de cerca. Por lo general, se requieren unas pocas semanas hasta unos pocos meses para evaluar el impacto de cualquier decisión de supply chain, debido a los lead times involucrados. Así, el cambio de ritmo de la iniciativa en la fase de producción se ralentiza, permitiendo realizar evaluaciones confiables sobre el rendimiento de las decisiones automatizadas. La iniciativa entra en una fase de mejora continua. Si bien siempre son deseables más mejoras, se debe alcanzar un equilibrio entre los beneficios de posibles refinamientos a la lógica y la complejidad correspondiente de dichos refinamientos, para mantener toda la solución sostenible.
El Supply Chain Coordinator, liberado de sus tareas mundanas de ingreso de datos, ahora puede enfocarse en los insights estratégicos propuestos por la gestión de supply chain. Por lo general, los cambios deseables en los procesos de supply chain que se pudieron identificar durante la fase piloto se han pospuesto para evitar perturbar las operaciones al cambiar todo de una vez. Sin embargo, ahora que el ritmo de cambio de la lógica de toma de decisiones se ha ralentizado, se hace posible revisar los procesos de forma incremental, para desbloquear mejoras en el rendimiento que requieran algo más que mejores decisiones rutinarias.
El Supply Chain Scientist sigue afinando la lógica poniendo un énfasis cada vez mayor en los KPIs y la calidad de los datos. También es responsable de revisar la lógica, ya que con el tiempo se descubren fallas sutiles o limitaciones sutiles, generalmente relacionadas con situaciones poco frecuentes. Luego, a medida que los procesos cambian, la lógica de toma de decisiones se revisa también, para mantenerse completamente alineada con los flujos de trabajo y la estrategia. Además, incluso cuando los procesos internos no cambian, el panorama general de TI y de negocios sigue modificándose de todas formas: el Supply Chain Scientist debe asegurar que la lógica de toma de decisiones se mantenga actualizada en este constante estado de cambio.
Los entregables
El objetivo de Supply Chain Quantitativa es entregar decisiones accionables —siendo las cantidades sugeridas para órdenes de compra un ejemplo arquetípico—. A continuación, aclaramos con más detalle la forma específica y el mecanismo de entrega de dichas decisiones. Establecer expectativas claras para los entregables es un paso importante en el camino que representa Supply Chain Quantitativa. Además, los resultados numéricos optimizados no son la única salida deseable: varios otros resultados, sobre todo el monitoreo de la salud de los datos y los KPIs de gestión, también deberían incluirse en el entregable. En la práctica, los entregables de una iniciativa de Supply Chain Quantitativa dependen de la flexibilidad de la solución de software utilizada para apoyar la propia iniciativa. No obstante, se definen principalmente por su intención, la cual es ajena a la tecnología que se emplea.
Scripts como entregable
Supply Chain Quantitativa enfatiza pipelines de datos completamente automatizados. Esto no implica que la configuración del software deba funcionar de forma autónoma. Es naturalmente deseable un alto grado de supervisión cercana cada vez que se considere una supply chain a gran escala. No obstante, se espera que el pipeline de datos esté completamente automatizado en el sentido de que ningún paso dependa de una operación manual. De hecho, como se indica en el manifiesto, siempre que se involucren operaciones manuales en el procesamiento de datos de supply chain, la solución simplemente no escala en la práctica.
Como consecuencia directa de este planteamiento, los entregables de una iniciativa de Supply Chain Quantitativa son, invariablemente, piezas completas de software. Esto no implica que se espere que el equipo a cargo reimplemente todo: una solución de software dedicada a Supply Chain Quantitativa ofrece la posibilidad de centrarse estrictamente en los aspectos relevantes de los desafíos de supply chain. Todas las tecnicalidades de bajo nivel, como aprovechar recursos de computación distribuidos autoasignados dentro de una plataforma de computación en la nube, se espera que sean abstraídas. El equipo no necesita profundizar en estos asuntos, pues se asume que dichos aspectos serán gestionados adecuadamente por las propias herramientas.
Los entregables se materializan como scripts, típicamente escritos en un lenguaje de programación capaz de acomodar los requerimientos de supply chain, mientras que presentan un alto nivel de productividad. El término “script” se utiliza aquí en lugar de “source code”, pero ambos términos están estrechamente relacionados: un “script” enfatiza la idea de un alto grado de abstracción y un enfoque en la tarea en sí, mientras que “source code” resalta una perspectiva de bajo nivel, destinada a reflejar con precisión el hardware de computación. Para Supply Chain Quantitativa, lo que más importa es, obviamente, la perspectiva de supply chain, no el hardware de computación, que es un aspecto técnico de importancia secundaria.
Durante la última década, el éxito de las interfaces de usuario WYSIWYG (what-you-see-is-what-you-get) para aplicaciones destinadas a clientes finales ha llevado a muchos software vendors de supply chain a intentar emular este enfoque con una solución WYSIWYG para la planificación y optimización de supply chain. Sin embargo, la lección del casi sistemático fracaso de este tipo de interfaces es que las supply chain son complejas y no pueden eludir la necesidad de herramientas programáticas. Según nuestra experiencia, esperar que una herramienta de arrastrar y soltar pueda reflejar adecuadamente las complejas no linealidades involucradas en, por ejemplo, superponer MOQ (minimum ordering quantities), es, en el mejor de los casos, ilusorio. Se requiere expresividad programática porque, de lo contrario, el desafío de la supply chain ni siquiera puede expresarse dentro de la herramienta.
Naturalmente, desde la perspectiva del usuario final, los scripts no son lo que los profesionales de supply chain esperarían ver como un resultado tangible de la iniciativa Supply Chain Quantitativa. La gente interactuará con dashboards que contienen KPIs consolidados y tablas que recopilan decisiones sugeridas. Sin embargo, esos dashboards son transitorios y desechables. Simplemente se obtienen ejecutando los scripts nuevamente sobre los datos relevantes de supply chain. Aunque la distinción es algo sutil, es importante no confundir el script, que representa el entregable real, con su expresión numérica, que es típicamente lo que se puede ver como usuario final de la solución.
Dashboards de salud de datos
Antes de considerar entregar decisiones optimizadas para la supply chain, debemos asegurarnos de que los datos procesados por el sistema que respalda la iniciativa Supply Chain Quantitativa sean correctos tanto numérica como semánticamente. El propósito de los dashboards de monitoreo de la salud de los datos, o simplemente dashboards de salud de datos, es asegurar un alto grado de confianza en la exactitud de los datos, lo cual es, naturalmente, un requisito esencial para la precisión de todos los resultados numéricos devueltos por la solución. Estos dashboards también asisten al equipo de supply chain en la mejora de la calidad de los datos existentes.
Los errores numéricos son sencillos: el archivo CSV exportado desde el ERP indica que el producto ABC tiene 42 unidades en stock, mientras que la consola web del ERP reporta solo 13 unidades en stock. Es evidente aquí que tenemos números divergentes donde deberían ser iguales. Los dashboards de salud de datos abordan esos problemas relativamente obvios simplemente comprobando que los agregados de datos se mantengan dentro de los rangos numéricos esperados.
Los errores semánticos son más sutiles y, en la práctica, mucho más difíciles de precisar. La mayor parte del trabajo realizado durante la preparación de los datos consiste en identificar y corregir todos los errores semánticos. Por ejemplo: el campo stockinv en el ERP podría estar documentado como el stock on hand. Así, el equipo de supply chain asume que esta cantidad nunca puede ser negativa, porque, obviamente, si esas unidades están al alcance físico en la estantería, tiene que ser una cantidad positiva. Sin embargo, la documentación del ERP también podría resultar ligeramente engañosa, y esta cantidad se habría denominado de manera más adecuada stock available ya que, cada vez que ocurre un faltante de stock y el cliente emite un backorder, la cantidad puede volverse negativa para reflejar que un cierto número de unidades ya se deben a un cliente. Este caso ilustra un error semántico: el número no es incorrecto per se – es la interpretación del número la que resulta aproximada. En la práctica, las aproximaciones semánticas pueden generar muchos comportamientos inconsistentes, lo que, a su vez, origina costos de fricción continuos dentro de la supply chain.
Los dashboards de salud de datos consolidan números que permiten a la empresa decidir de inmediato si los datos se pueden considerar lo suficientemente buenos o no. De hecho, dado que la solución se utilizará a diario para fines de producción, es imperativo que un problema de datos significativo se identifique mediante una inspección casi instantánea. De lo contrario, es probable que la supply chain termine operando durante días, si no semanas, sobre datos defectuosos. En este sentido, el dashboard de salud de datos es similar a un semáforo: verde, avanzas; rojo, te detienes.
Además, al considerar una supply chain de gran tamaño, generalmente existe una cantidad irreducible de datos corruptos o, de otra forma, incorrectos. Estos datos surgen debido a entradas manuales defectuosas o a casos extremos raros en los propios sistemas de la empresa. En la práctica, para cualquier supply chain de gran tamaño, es irrazonable esperar que los datos de supply chain sean 100% precisos. En cambio, debemos asegurarnos de que los datos sean lo suficientemente precisos como para mantener los costos de fricción generados por esos errores casi insignificantes.
Por lo tanto, se espera que los dashboards de salud de datos también recopilen estadísticas sobre los errores de datos identificados. Esas estadísticas son fundamentales para establecer que los datos se pueden confiar. Para ello, con frecuencia se recurre a un Supply Chain Scientist para establecer umbrales de alerta bien elegidos, típicamente asociados con una detención total de la solución. Es necesario tener cuidado al establecer los umbrales porque, si son demasiado bajos, la solución se vuelve inutilizable, ya que se detiene con demasiada frecuencia por “problemas de datos identificados”; sin embargo, si son demasiado altos, los costos de fricción generados por los errores de datos pueden volverse significativos y socavar los beneficios que aporta la iniciativa en sí.
Más allá de la señalización de rojo y verde, los dashboards de salud de datos también están destinados a ofrecer perspectivas priorizadas sobre los esfuerzos de mejora de los datos. De hecho, muchos puntos de datos pueden ser incorrectos pero también inconsecuentes. Por ejemplo, no importa si el precio de compra de un producto es incorrecto si la demanda de mercado para este producto desapareció hace años, ya que no habrá más órdenes de compra para este producto.
La Supply Chain Quantitativa enfatiza que la resolución detallada de los errores de datos, lo cual puede implicar una cantidad considerable de trabajo manual, debe priorizarse frente al impacto financiero estimado del propio error de datos versus el costo laboral asociado con la corrección. De hecho, dependiendo de la situación, el costo asociado con la corrección de un solo punto de datos defectuoso varía enormemente y debe tenerse en cuenta en la priorización sugerida. Finalmente, cuando se juzga que el costo de las correcciones es más alto que los costos de supply chain generados por esos errores, el proceso de mejora de datos puede detenerse.
Dashboards de decisiones priorizadas
Como hemos visto, solo las decisiones de supply chain pueden evaluarse verdaderamente desde una perspectiva cuantitativa. Por lo tanto, no es de extrañar que uno de los principales entregables operativos de una iniciativa de Supply Chain Quantitativa sean los dashboards que consolidan las decisiones obtenidas como resultado numérico final de todo el proceso de datos. Dicho dashboard puede ser tan simple como una tabla que enumere, para cada producto, la cantidad exacta en unidades que se debe reordenar de inmediato. Si existen MOQs (minimum order quantities) – u otras restricciones de pedido alternativas – entonces, la cantidad sugerida podría ser cero la mayor parte del tiempo, hasta que se cumplan los umbrales adecuados.
Para facilitar la comprensión, asumimos aquí que esos resultados numéricos se recopilan en un dashboard, que es una forma específica de interfaz de usuario. Sin embargo, el dashboard en sí es solo una opción, que puede o no ser relevante. En la práctica, se espera que el software que impulsa la iniciativa Supply Chain Quantitativa sea altamente flexible, es decir, programáticamente flexible, ofreciendo muchas formas de empaquetar esos resultados en varios formatos de datos. Por ejemplo, los resultados numéricos pueden consolidarse en archivos de texto plano, que están destinados a ser importados automáticamente en el ERP principal utilizado para gestionar los activos de la empresa.
Si bien el formato de las decisiones depende en gran medida de la tarea de supply chain que se esté abordando, la mayoría de las tareas requieren priorizar dichas decisiones. Por ejemplo, el acto de calcular cantidades sugeridas para una orden de compra se puede descomponer mediante una lista priorizada de unidades a adquirir. La unidad más rentable se clasifica en primer lugar. Dado que el stock tiene rendimientos decrecientes, la segunda unidad adquirida para el mismo producto atiende a una fracción decreciente de la demanda del mercado. Por lo tanto, la segunda unidad para este mismo producto puede no ser la segunda entrada en la lista general. En su lugar, la segunda unidad más rentable puede asociarse con otro producto, etc. La lista priorizada de unidades a adquirir es conceptualmente infinita: siempre es posible comprar una unidad más. Dado que la demanda del mercado es finita, todas las unidades compradas se convertirían en dead stock después de cierto punto. Convertir esta lista priorizada en las cantidades finales para la compra solo requiere introducir un criterio de detención y sumar las cantidades por producto. En la práctica, las restricciones de pedido no lineales complican aún más esta tarea, pero, para mayor simplicidad, dejaremos de lado estas restricciones en esta etapa de la discusión.
Priorizar decisiones es una operación muy natural desde el punto de vista de la Supply Chain Quantitativa. Dado que cada decisión está asociada a un resultado financiero expresado en dólares, clasificar las decisiones desde la más rentable hasta la menos rentable es sencillo. Así, se puede esperar que muchos, si no la mayoría, de los dashboards que recopilan las decisiones sugeridas de supply chain sean, en la práctica, listas priorizadas de decisiones. Estos dashboards contienen listas con decisiones altamente rentables en la parte superior y decisiones muy poco rentables en la parte inferior. Alternativamente, los profesionales de supply chain pueden decidir truncar las listas cuando las decisiones no sean rentables. Sin embargo, con frecuencia se pueden obtener perspectivas valiosas al poder inspeccionar decisiones que se encuentran justo por debajo del umbral de rentabilidad, incluso si, obviamente, no se espera que la empresa actúe sobre esas entradas no rentables.
Para ofrecer este tipo de dashboards orientados a decisiones, la solución de software que respalda la Supply Chain Quantitativa necesita explorar numéricamente vastas cantidades de posibles decisiones. Por ejemplo, la solución debería ser capaz de considerar el impacto financiero de comprar cada unidad, una por una, para cada producto en cada ubicación. No es sorprendente que esta operación pueda requerir recursos sustanciales de computación. Afortunadamente, hoy en día, el hardware de computación es capaz de manejar incluso las supply chain globales más grandes. Suponiendo que la solución de software subyacente esté adecuadamente arquitecturada para Supply Chain Quantitativa, la escalabilidad del procesamiento de datos debería seguir siendo un tema sin importancia para los equipos de supply chain.
Whiteboxing de los resultados numéricos
Los sistemas despectivamente denominados black boxes en supply chain, y en otros campos también, son sistemas que generan resultados que no pueden ser explicados por los profesionales que interactúan con dichos sistemas. La Supply Chain Quantitativa, con su enfoque específico en una tubería de datos automatizada, también enfrenta el riesgo de entregar lo que los equipos de supply chain clasificarían como “black boxes”. De hecho, las implicaciones financieras de las decisiones de supply chain son muy importantes para una empresa y, aunque un sistema más nuevo puede mejorar la situación, también puede potencialmente crear desastres. Aunque la automatización es altamente deseable, no significa que se espere que el equipo de supply chain no tenga una comprensión profunda de lo que está siendo entregado por la tubería de datos que respalda la iniciativa Supply Chain Quantitativa.
El término whiteboxing se refiere al esfuerzo necesario para hacer que la solución sea completamente transparente para el beneficio de los equipos de supply chain. Este enfoque enfatiza que ninguna tecnología es transparente por diseño. La transparencia es el resultado final de un esfuerzo específico, que forma parte de la iniciativa misma. Incluso una simple regresión lineal puede generar resultados desconcertantes en la práctica. Dejando a un lado a unos pocos individuos excepcionales, la mayoría de las personas no tienen una comprensión intuitiva de cuál es la salida “esperada” del modelo lineal cuando se involucran 4 dimensiones o más. Sin embargo, los problemas de supply chain a menudo involucran docenas de variables, si no cientos. Así, incluso los modelos estadísticos simplistas son de facto black boxes para los profesionales de supply chain. Naturalmente, cuando se utilizan algoritmos de machine learning, como recomienda Supply Chain Quantitativa, dejan a los profesionales aún más en la oscuridad.
Si bien el efecto de la black box es un problema real, una solución realista no reside en simplificar el procesamiento de datos en cálculos que sean inmediatamente intuitivos para la mente humana. Este enfoque es una receta para una ineficiencia extrema, que demuele por completo todos los beneficios de los recursos modernos de computación, los cuales pueden utilizarse para abordar la compleja realidad de las supply chain modernas. Simplificar el proceso no es la respuesta. Whiteboxing es.
Incluso las recomendaciones de supply chain más complejas pueden hacerse en gran medida transparentes para los profesionales de supply chain, simplemente descomponiendo los cálculos internos con indicadores financieros bien elegidos, que representan los impulsores económicos que respaldan la recomendación misma. Por ejemplo, en lugar de mostrar meramente una tabla básica con dos columnas —producto y cantidad— como una orden de compra sugerida, la tabla debería incluir un par de columnas que ayuden a la toma de decisiones. Esas columnas adicionales pueden incluir el stock actual, la demanda total del último mes, el tiempo de entrega esperado, el costo financiero esperado del faltante de stock (si no se realiza ningún pedido), el costo financiero esperado del sobrestock (riesgo asociado con el pedido sugerido), etc. Las columnas están diseñadas para brindar al equipo de supply chain comprobaciones rápidas sobre la coherencia de las cantidades sugeridas. A través de las columnas, el equipo puede establecer rápidamente la confianza en el resultado numérico y también puede identificar algunas de las debilidades de una solución que necesita mayor mejora.
Extender los dashboards con fines de whiteboxing es, en parte, un arte. Generar millones de números es fácil, incluso teniendo acceso a no más recursos de computación que los disponibles en un smartphone. Sin embargo, generar 10 números que merezcan ser revisados a diario es muy difícil. Por lo tanto, el desafío principal es identificar una docena o menos de KPIs que sean suficientes para arrojar luz sobre las decisiones de supply chain recomendadas. Los buenos KPIs suelen requerir mucho trabajo; no deben ser definiciones ingenuas, que generalmente resultan engañosas en supply chain. Por ejemplo, incluso una columna tan simple como el “precio de compra por unidad” puede ser altamente engañosa si el proveedor ofrece descuentos por volumen, haciendo que el precio de compra dependa de la cantidad comprada.
Dashboards estratégicos
Mientras el enfoque en las decisiones a pequeña escala es necesario –ya que es uno de los pocos enfoques que se presta a evaluaciones cuantitativas del desempeño– la supply chain también puede necesitar ser ajustada de manera mayor y disruptiva, para elevar su rendimiento al siguiente nivel. Por ejemplo, comprar más unidades de stock bien elegidas incrementa marginalmente el nivel de servicio. Sin embargo, en algún momento el almacén estará lleno y no se podrá adquirir ninguna unidad adicional. En esta situación, se debería considerar un almacén mayor. Para evaluar el impacto de eliminar esta limitación, podemos remover la restricción de capacidad del almacén de los cálculos y evaluar la ganancia financiera global de operar con un almacén arbitrario y grande. La gestión de la supply chain puede, entonces, monitorear el indicador financiero asociado al costo de fricción impuesto por la capacidad del almacén, y decidir cuándo es el momento de considerar incrementar dicha capacidad.
Típicamente, las supply chain operan basándose en numerosas limitaciones que no pueden revisarse a diario. Esas limitaciones pueden incluir capital de trabajo, capacidad del almacén, retrasos en el transporte, productividad de la producción, etc. Cada limitación está asociada a un costo de oportunidad implícito para la supply chain, lo que generalmente se traduce en más stock, más retrasos o más faltantes de stock. El costo de oportunidad puede evaluarse mediante las mejoras en el desempeño que se obtendrían al eliminar o debilitar la limitación misma. Aunque algunas de esas simulaciones puedan resultar difíciles de implementar, con frecuencia no son más complejas que optimizar las decisiones de rutina, es decir, establecer las cantidades de las órdenes de compra.
La Supply Chain Quantitativa enfatiza que los costos de oportunidad asociados a esas limitaciones deben formar parte del flujo de datos de producción y, generalmente, materializarse en tableros dedicados, diseñados específicamente para ayudar a la gestión de la supply chain a decidir cuándo es el momento de introducir cambios más importantes en su supply chain. A estos tableros se los denomina tableros estratégicos. Este enfoque difiere de la práctica tradicional de la supply chain, que enfatiza iniciativas ad hoc cuando se percibe que la supply chain está a punto de alcanzar un límite operativo. De hecho, los KPIs que ofrecen los tableros estratégicos se actualizan diariamente, o con mayor frecuencia si es necesario, igual que el resto del flujo de datos. No requieren un esfuerzo de último minuto, pues están al día y listos para capitalizar los conocimientos obtenidos de una iniciativa de larga duración.
Los tableros estratégicos apoyan el proceso de toma de decisiones de la gestión de la supply chain. Al formar parte del flujo de datos, siempre que el mercado comience a evolucionar a un ritmo más acelerado de lo habitual, los KPIs se mantienen actualizados sobre la situación presente de la empresa. Este enfoque evita las trampas tradicionales asociadas a investigaciones ad hoc que invariablemente añaden más retrasos a problemas ya aplazados. Además, mitiga en gran medida el problema alternativo, que consiste en tomar decisiones estratégicas apresuradas que resultan poco rentables –una condición lamentable que se podría haber anticipado desde el comienzo.
Tableros de inspección
Las supply chain son tanto complejas como erráticas. Estas propiedades hacen que la depuración del flujo de datos sea una tarea temiblemente desafiante. Sin embargo, este flujo de datos es la médula espinal de la iniciativa Supply Chain Quantitativa. Los errores en el procesamiento de datos, o bugs, pueden ocurrir en cualquier parte del flujo de datos. Peor aún, el tipo de problema más frecuente no es la fórmula incorrecta, sino la semántica ambigua. Por ejemplo, al inicio del flujo, la variable stockinv podría referirse al stock disponible (donde es posible tener valores negativos) mientras que, más adelante, la misma variable se usa con la interpretación de stock en mano (donde se esperan valores positivos). La interpretación ambigua de la variable stockinv puede generar una amplia variedad de comportamientos erróneos, que van desde caídas del sistema –lo cual es obvio y, por tanto, moderadamente perjudicial– hasta una corrupción silenciosa y generalizada de las decisiones de la supply chain.
Dado que las supply chain se construyen casi siempre a partir de una mezcla única de soluciones de software implementadas a lo largo de los años, no hay esperanza de obtener una solución de software “probada” que esté libre de bugs. De hecho, la mayoría de los problemas surgen en los límites del sistema, al conciliar datos originarios de diferentes sistemas, o incluso al conciliar datos provenientes de distintos módulos dentro del mismo sistema. Así, por muy probada que sea la solución de software, las herramientas deben ser capaces de soportar con soltura el proceso de depuración, ya que este tipo de problemas está destinado a ocurrir.
El propósito de los tableros de inspección es proporcionar vistas detalladas para una minuciosa inspección de los conjuntos de datos de la supply chain. Sin embargo, estos tableros no son simples desglose para inspeccionar las tablas de datos de entrada. Dichos desglose, o enfoques similares de análisis por cortes (slice-and-dice) en los datos, perderían el sentido. Las supply chain se tratan de flujos: flujo de materiales, flujo de pagos, etc. Algunos de los problemas de datos más severos ocurren cuando se pierde “lógicamente” la continuidad del flujo. Por ejemplo, al trasladar mercancías del almacén A al almacén B, la base de datos del almacén B podría carecer de algunos registros de producto, generando sutiles corrupciones de datos, ya que unidades originarias del almacén A se reciben en el almacén B sin vincularse correctamente a su producto. Cuando los resultados numéricos resultan extraños, esos tableros de inspección son la opción ideal para que el Supply Chain Scientist realice una investigación rápida mediante muestras de datos.
En la práctica, un tablero de inspección proporciona un punto de entrada a bajo nivel, como un código de producto o un SKU, y consolida todos los datos asociados a este punto en una única vista. Cuando las mercancías circulan por múltiples ubicaciones –como ocurre, por ejemplo, en las supply chain aeroespaciales– el tablero de inspección suele intentar reconstruir las trayectorias de las mercancías, que pueden haber transitado no solo por varias ubicaciones físicas, sino también por distintos sistemas. Al recopilar todos estos datos en un solo lugar, se vuelve posible para el Supply Chain Scientist evaluar si los datos tienen sentido: ¿es posible identificar de dónde provienen las mercancías que se envían? ¿Están los movimientos de stock alineados con las políticas oficiales de la supply chain, etc.? El tablero de inspección es una herramienta de “depuración” ya que está diseñado para reunir datos estrechamente relacionados, no desde un enfoque informático, sino desde la perspectiva de la supply chain.
Los tableros de inspección son la contraparte a bajo nivel del tablero de salud de datos. Se centran en datos totalmente desagregados, mientras que los tableros de salud de datos generalmente adoptan una visión más global de los datos. Además, los tableros de inspección suelen ser parte integral del esfuerzo de whiteboxing. Al enfrentarse a lo que parece ser una recomendación desconcertante, los profesionales de la supply chain necesitan examinar de cerca un SKU o un producto para determinar si la decisión recomendada es razonable o no. El tablero de inspección se ajusta típicamente para este fin, incluyendo numerosos resultados intermedios que contribuyen al cálculo de la recomendación final.
Evaluando el éxito
Puede parecer algo paradójico, pero mientras la Supply Chain Quantitativa pone un énfasis significativo en métodos y mediciones numéricas, nuestra experiencia indica que las métricas tienden a contarnos muy poco –y a menudo demasiado tarde– sobre si una iniciativa va por buen camino. Casi todas las métricas pueden ser manipuladas, y esto generalmente se hace a expensas de la sustentabilidad del enfoque elegido. Por ello, la Supply Chain Quantitativa busca mejoras evidentes: si las mejoras son tan sutiles que se requieren mediciones avanzadas para detectarlas, lo más probable es que la iniciativa no haya valido el esfuerzo y deba considerarse un fracaso. Por el contrario, si las mejoras son notorias y consistentes en muchas métricas, y la supply chain en su conjunto se siente más ágil y reactiva que nunca, entonces, lo más probable es que la iniciativa haya tenido éxito.
Las métricas pueden ser manipuladas
Existe una razón por la cual los ingenieros rara vez son evaluados basándose en métricas: son simplemente demasiado buenos manipulándolas, es decir, aprovechándolas para sus propios intereses en lugar de servir a los intereses de la empresa. Las supply chain son complejas y casi todas las métricas simples pueden ser explotadas de maneras que podrían resultar totalmente destructivas para la empresa. Puede parecer que este problema se resuelve simplemente cerrando las lagunas existentes en las métricas. Sin embargo, nuestra experiencia indica que siempre aparece una laguna más por descubrir.
Una historia de ingeniería inversa de métricas
Tomemos como ejemplo un e-commerce ficticio. La dirección decide que se deben mejorar los niveles de servicio y, por ello, el nivel de servicio se convierte en la métrica insignia. El equipo de la supply chain comienza a trabajar conforme a esta métrica y propone una solución que consiste en aumentar vastamente los niveles de stock, incurriendo así en costos masivos para la empresa.
Como resultado, la dirección cambia las reglas, se define una cantidad máxima de stock y el equipo debe operar dentro de este límite. El equipo revisa sus cifras y se da cuenta de que la forma más sencilla de reducir los niveles de stock es etiquetar grandes cantidades de stock como “muerto”, lo que desencadena promociones agresivas. Los niveles de stock se reducen efectivamente, pero los márgenes brutos también se ven reducidos significativamente en el proceso.
Una vez más, el problema no pasa desapercibido y las reglas se modifican nuevamente. Se introduce un nuevo límite sobre la cantidad de stock que puede terminar siendo marcado como “muerto”. Implementar esta nueva regla requiere un gran esfuerzo, ya que la supply chain de repente se enfrenta a un stock “viejo” que deberá ser fuertemente descontado. Para hacer frente a esta regla, el equipo aumenta la proporción de transporte aéreo en relación con el marítimo. Los tiempos de entrega se reducen, los niveles de stock bajan, pero los costos operativos se disparan.
Para abordar los costos operativos descontrolados, la dirección cambia las reglas una vez más y establece un límite superior al porcentaje de mercancías que pueden ser transportadas por aire. Una vez más, la nueva regla causa estragos, pues desencadena una serie de faltantes de stock que podrían haberse evitado utilizando transporte aéreo. Como resultado de verse obligados a operar bajo restricciones cada vez más estrictas, el equipo comienza a renunciar a aprovechar los descuentos de precio ofrecidos por los proveedores. Adquirir cantidades más pequeñas también es una forma de reducir los tiempos de entrega. Sin embargo, una vez más, los márgenes brutos se reducen en el proceso.
Reencauzar los precios de compra resulta ser un objetivo mucho más elusivo para la dirección. Ninguna regla simple puede afrontar este reto, y en su lugar se introducen una miríada de objetivos de precio para cada subcategoría de producto. Muchos de estos objetivos resultan ser poco realistas y conducen a errores. En conjunto, la imagen de la supply chain se vuelve cada vez más borrosa. Presionado desde múltiples frentes, el equipo de la supply chain comienza a ajustar una característica oscura del proceso de planificación de la demanda: la lista de sustitución de productos.
De hecho, la dirección se percató desde el inicio de que algunos faltantes de stock no tenían el mismo impacto que otros, porque algunos de los productos ausentes contaban con múltiples sustitutos casi perfectos. En consecuencia, todos estuvieron de acuerdo en que los faltantes de stock en esos productos podían descontarse considerablemente al calcular el nivel de servicio global. Sin embargo, el equipo de la supply chain, que ahora trabaja bajo una tremenda presión, está comenzando a extender el propósito de esta lista uno o dos niveles más allá de su intención original: se incluyen productos que no son tan similares como para ser considerados sustitutos casi perfectos. Las métricas del nivel de servicio mejoran, pero el negocio no.
La trampa del éxito
Las métricas pueden ser manipuladas y, si se otorgan incentivos tóxicos a los equipos, es muy probable que se utilicen de manera engañosa. Sin embargo, la situación no es tan mala como podría parecer. De hecho, nuestra experiencia indica que, salvo en culturas empresariales realmente disfuncionales, los empleados generalmente no tienden a sabotear su trabajo. Al contrario, hemos observado que la mayoría de los empleados se enorgullece de hacer lo correcto, incluso si ello implica que las políticas de la empresa deban flexibilizarse un poco.
Por lo tanto, en lugar de restringir la libertad del equipo encargado de implementar la estrategia de optimización de la supply chain, es importante incentivar al equipo a elaborar un conjunto de métricas que ilumine la iniciativa de la supply chain en su conjunto. El papel de la dirección no es imponer reglas basadas en esas métricas, sino desafiar el pensamiento estratégico que las sustenta. Frecuentemente, el objetivo inmediato ni siquiera debería ser mejorar los valores de las métricas, sino perfeccionar la definición misma de las mismas.
En realidad, todas las métricas no tienen el mismo valor para un negocio. Usualmente se requiere un esfuerzo considerable para elaborar métricas que ofrezcan una perspectiva significativa del negocio. Este trabajo requiere no solo una buena comprensión de la estrategia del negocio, sino también un profundo conocimiento de los datos subyacentes, que vienen acompañados de una miríada de artefactos y otras rarezas numéricas. Así, las métricas se deben considerar, ante todo, como un trabajo en progreso.
Hemos descubierto que un fuerte indicador de éxito en cualquier proyecto de supply chain es la calidad de las métricas que se están estableciendo a lo largo de la iniciativa. Sin embargo, es algo paradójico, pues no existe ninguna métrica razonable para evaluar realmente la relevancia de esas métricas. Aquí hay algunos elementos que pueden ayudar a evaluar la calidad de las métricas:
- ¿Existe un consenso entre los diferentes equipos de supply chain de que las métricas capturan la esencia del negocio? ¿O de que las perspectivas de negocio, promovidas implícitamente por las métricas, no sean ni cortoplacistas ni ciegas?
- ¿Las métricas tienen realmente profundidad a la hora de conciliar los números con los impulsores económicos? La simplicidad es deseable, pero no a costa de equivocarse en la visión global.
- ¿Se han gestionado adecuadamente los artefactos de datos? Usualmente, existen decenas de sutilezas que deben atenderse al procesar los datos extraídos de los sistemas de la empresa. Nuestra experiencia nos indica que se debe sospechar cuando los datos sin procesar parecen ser lo suficientemente buenos, ya que esto generalmente significa que los problemas ni siquiera han sido identificados como tales.
- ¿Las decisiones generadas a partir de las métricas elegidas tienen sentido? Si una decisión, que de otra manera está alineada con las métricas, no parece tener sentido, entonces, probablemente no lo tenga; y el problema frecuentemente reside en la métrica misma.
En muchos sentidos, elaborar buenas métricas es como orientar la gravedad hacia el pozo del éxito: a menos que algo intervenga, el curso natural de la acción es rodar cuesta abajo hacia el fondo, que resulta ser precisamente donde reside el éxito. Conocer la profundidad exacta del fondo ni siquiera es estrictamente necesario, siempre y cuando cada paso en el camino hacia él esté mejorando las cosas para la empresa.
Decisiones sensatas conducen a un mejor rendimiento
En supply chain, incluso las mejores métricas tienen un gran inconveniente: los números suelen llegar tarde a la fiesta. Los tiempos de entrega pueden ser largos y las decisiones tomadas hoy podrían no tener ningún impacto visible durante semanas, si no meses. Además, Supply Chain Quantitativa, que pone un énfasis significativo en las mejoras iterativas e incrementales, complica aún más este asunto. Sin embargo, usar métodos no incrementales sería aún peor, aunque por otras razones. Por lo tanto, las métricas no pueden ser las únicas señales utilizadas para evaluar si la iniciativa está en el camino correcto.
Generar decisiones sensatas es una señal simple, pero subestimada, de un rendimiento superior. De hecho, a menos que tu empresa ya esté teniendo un éxito extraordinario con su supply chain, lo más probable es que los sistemas sigan produciendo decisiones “insanas” que son detectadas y corregidas manualmente por los equipos de supply chain. El propósito de todas las “alertas”, o mecanismos reactivos similares, es precisamente mitigar los problemas en curso a través de esfuerzos correctivos manuales continuos.
Llevar la iniciativa de Supply Chain Quantitativa a un punto en el que todas las decisiones - generadas de manera completamente robotizada - sean consideradas sensatas o seguras es un logro mucho mayor de lo que la mayoría de los profesionales se da cuenta. El énfasis en las decisiones “robotizadas” es importante aquí: para cumplir con las reglas, no se debería necesitar intervención humana. Luego, por “sensatas” nos referimos a decisiones que aún resultan adecuadas para los profesionales, incluso después de dedicar unas horas a investigar el caso; lo cual, naturalmente, no se puede hacer de forma regular, debido a la gran cantidad de decisiones similares que deben tomarse cada día.
Nuestra experiencia indica que siempre que las decisiones automatizadas se consideran confiables, el rendimiento se materializa más adelante cuando esas decisiones realmente se ponen a prueba al ser utilizadas “in production”. De hecho, la prueba de “sanity” es una evaluación muy estricta para la lógica de toma de decisiones. A menos que tu empresa ya esté utilizando algo muy similar a Supply Chain Quantitativa, lo más probable es que los sistemas existentes estén lejos de superar esta prueba. Como resultado, se cometen errores no detectados todo el tiempo, y la empresa termina pagando un alto precio por esta corriente continua de problemas.
Luego, desde un punto de vista operativo, tan pronto como las decisiones de supply chain se automaticen, los equipos de supply chain quedarán liberados de la servidumbre de alimentar su propio sistema con una corriente interminable de entradas manuales. Esas ganancias en productividad pueden reinvertirse donde realmente importa: refinar los pormenores de la estrategia de supply chain en sí, o monitorizar a los proveedores de manera más estrecha para abordar los problemas de supply chain que se originan de su parte. El incremento en el rendimiento, logrado mediante la optimización puramente cuantitativa de la supply chain, se intensifica con las ganancias obtenidas por los equipos de supply chain que finalmente pueden encontrar el tiempo para mejorar los procesos y flujos de trabajo.