LA SUPPLY CHAIN QUANTITATIVA EN POCAS PALABRAS (RESUMEN DE CONFERENCIA 1.2)

Though Supply Chain Quantitativa (QSC) and mainstream initiatives both seek to generate the best business decisions (and financial returns), the former deviates from the latter in several consequential ways. These distinguishing features, as outlined in Lokad’s Supply Chain Manifesto, summarize the core principles that guide Lokad’s approach to supply chain optimization. Beyond software intervention, QSC advocates an overall mindset recalibration – one that refocuses attention on the more important though less immediately visible forces that actually exert the greatest influence on supply chain.

Ver la Conferencia

Todos los futuros posibles

Por definición, una iniciativa de supply chain es un intento de identificar y atender la demanda futura. El problema es que el futuro (en todos los contextos) es inherentemente e irreductiblemente incierto; existe una gama extraordinariamente amplia de posibles resultados futuros, cada uno con su propia probabilidad de ocurrir. La cuestión es que no todos los resultados son igualmente probables. Lo mismo ocurre con las supply chain; sin embargo, las soluciones tradicionales al problema de la incertidumbre, como los series de tiempo forecasts, simplemente desestiman la incertidumbre. En cambio, las soluciones tradicionales se centran en producir un único valor de demanda futura, posteriormente reforzado con una fórmula predefinida de existencias de seguridad.

Este enfoque ignora fundamentalmente la multitud de posibles valores de demanda futura, dejando a una empresa completamente expuesta si la demanda no cumple con las expectativas. Sin embargo, QSC abarca la incertidumbre e identifica todos los posibles valores de demanda futura (con probabilidades no nulas). Este descubrimiento es el producto del forecast probabilístico de demanda, que es a su vez la base de QSC, y proporciona una imagen mucho más detallada de la demanda futura que la clásica serie de tiempo.

Todas las decisiones factibles

En esencia, un negocio es la suma de una extraordinaria gama de decisiones y restricciones. En cuanto a decisiones, un negocio debe lidiar con elecciones tanto a nivel macro como micro; el nearshoring de una fábrica es una decisión macro significativa, mientras que elegir aumentar o disminuir la cantidad de compra en una unidad representa una decisión micro de rutina. Cada decisión viene con su propio costo de oportunidad - no se puede gastar el mismo dólar dos veces - y consecuencias - cómo impacta en el negocio, directa e indirectamente.

En términos generales, un profesional de supply chain se encuentra con un mayor volumen de decisiones a nivel micro que a nivel macro. Estas decisiones micro suelen ser las más mundanas, pero representan una inquietante capa de complejidad, agravada aún más cuando una empresa considera sus restricciones (sin mencionar las de sus proveedores y clientes). Estos pueden ser cantidades mínimas de pedido (MOQs), cantidades económicas de pedido (EOQs), tamaños de lote, espacio disponible en estanterías, fechas de caducidad, etc. En presencia de estos innumerables parámetros y el espectro de incertidumbre futura, el concepto de una decisión perfecta en supply chain es, en el mejor de los casos, fantasioso.

Más bien, QSC busca identificar todas las decisiones factibles. En este contexto, una decisión es “factible” si es inmediatamente accionable, lo que significa que cumple completamente con las restricciones de una empresa. Clasificar estas decisiones factibles (en busca de la más óptima) requiere no solo un entendimiento sofisticado de las restricciones de la empresa, sino también una comprensión muy detallada de sus impulsores económicos.

Impulsores económicos

En general, QSC prioriza la reducción de dólares de error por encima del aumento de la forecast accuracy. Aunque pueda parecer contradictorio, un forecast más preciso no se traduce, por sí mismo, automáticamente en mayores beneficios o en un mejor desempeño del negocio. Por ejemplo, se podría garantizar un nivel de servicio del 99,99% simplemente ordenando mucho más stock del que se podría vender razonablemente. En términos de satisfacción del cliente, el negocio sería un éxito. Sin embargo, esta política resultaría en enormes pérdidas, afectando negativamente el resultado final de la empresa.

Así, en mayor o menor medida, existe una compensación ineludible entre un mayor nivel de servicio y el retorno económico. QSC no solo se centra en reducir los dólares de error, sino que adopta una perspectiva económica aún más detallada, teniendo en cuenta tanto los impulsores de primer orden como los de segundo orden. Los impulsores de primer orden pueden considerarse los obvios y ordinarios, que se encuentran comúnmente en las cuentas contables y en los ERPs convencionales: costo de materiales, márgenes brutos, costo de inventario, etc. Los impulsores de segundo orden son más sutiles, menos inmediatos y totalmente ausentes en el enterprise software. Estos impulsores representan los efectos de segundo orden de las decisiones, y constituyen una clase de preocupación más abstracta.

Considera los efectos descendentes de un evento de faltante de stock. En un contexto B2B, una empresa puede tener penalizaciones contractuales por estas situaciones, lo que representa un claro incentivo financiero para evitar no cumplir los objetivos de service level. En un contexto B2C estos incentivos son mucho menos claros. No existe un acuerdo explícito de nivel de servicio entre una empresa (por ejemplo, un supermercado) y sus clientes, por lo que no hay un mecanismo tradicional para medir el impacto de un evento de faltante de stock. Esto puede llevar a algunos profesionales a subestimar – o incluso ignorar por completo – las consecuencias negativas de no tener leche suficiente en los estantes.

Sin embargo, QSC argumenta que los eventos de faltante de stock para algunos SKUs conllevan impactos financieros inesperadamente altos, y estos son desproporcionadamente altos en relación con sus contribuciones de margen directo. En otras palabras, algunos artículos, como los frigoríficos, normalmente se compran de manera aislada. Otros, como la leche y el pan, se compran típicamente en canastas, es decir, en combinación con otros productos. Así, la falta de disponibilidad de ciertos SKUs puede influir en las decisiones de compra globales de un cliente.

Por ejemplo, una persona podría estar perfectamente dispuesta a esperar a que su modelo de frigorífico preferido esté en stock, pero la falta de leche en una tienda puede hacer que la misma persona se retire y realice sus compras en otro lugar. Estos últimos SKUs, aunque quizás no sean impulsores significativos de margen en un sentido directo, tienen un valor de inventario considerable debido a su valor indirecto: facilitan la venta de otros productos. Por lo tanto, en este ejemplo, la penalización por faltante de stock de la leche no se limita a la leche en sí; incluye la pérdida de todos los otros artículos en la canasta.

En QSC, este valor menos obvio se expresa como stockout cover (un impulsor de recompensa), y se incorpora en las políticas de inventario priorizadas¹.

El control requiere automatización

Una vez que una empresa ha identificado todos los posibles valores de demanda futura, considerado las decisiones factibles, y las ha clasificado en función de todos sus impulsores económicos, el siguiente paso en QSC es automatizar completamente el proceso de decision-making de supply chain (o, al menos, autogenerar decisiones recomendadas). Esta automatización se opone directamente a la práctica común, es decir, departamentos de oficinistas con hojas de cálculo.

En realidad, una supply chain es un sistema de actores densamente distribuido (por ejemplo, mayoristas, proveedores, clientes), restricciones (por ejemplo, lead times, presupuesto, niveles de servicio), y fuerzas externas (por ejemplo, estacionalidad, desastres naturales, precios de la competencia). Esperar que una mente humana (o incluso un equipo de mentes) se enfrente a todas estas variables para incluso un solo SKU es simplemente irrazonable, y mucho menos para un catálogo de miles de SKUs para múltiples tiendas.

Además, cualquier intento de innovación dentro de un marco así está destinado a la burocracia y a la costosa reentrenamiento, lo que producirá retrasos e ineficiencias. En el otro extremo de este espectro, QSC busca implementar una receta numérica de extremo a extremo que genere todas las decisiones triviales y mundanas de supply chain para la gestión operativa. Este es el tipo de decisiones que consumen demasiados dólares de atención y desvían el ancho de banda de cuestiones mucho más urgentes.

QSC, por lo tanto, trata la supply chain como un activo en lugar de un gasto; es un proceso que debería optimizarse (y automatizarse) para generar su mayor valor².

El Supply Chain Scientist

Un software de supply chain, por impresionante que sea, no puede gobernarse a sí mismo, y mucho menos asumir la responsabilidad de los resultados que genera. La efectividad de una receta numérica está, de hecho, limitada por la experiencia del data scientist que la implementa y monitorea. En Lokad, este rol lo desempeña el supply chain scientist (SCS).

A un SCS se le asigna, entre otras cosas, el procesamiento de los datos para la iniciativa QSC, y la responsabilidad de la exitosa implementación de la receta numérica. Establecer una semántica válida de los datos (lo que realmente significan) requiere una habilidad considerable, ya que el éxito del QSC se basa no solo en procesar datos, sino en darles sentido desde el principio. A pesar de todos los avances en IA, este sigue siendo un proceso liderado por humanos.

Por ejemplo, analizar simples datos históricos de ventas puede parecer relativamente sencillo, pero este conjunto de datos puede ser engañoso dada la cantidad de factores anidados y pasados por alto. Los datos pueden contener de manera no intencional promotions, por lo que no reflejan la verdadera demanda de productos a precio completo. Alternativamente, el historial puede contener devoluciones, dando otra impresión falsa de la demanda. El término quantity per day también está sujeto a múltiples interpretaciones; puede reflejar el día en que se realizó una venta, o el momento en que se aceptó un pre-pedido, o cuando se recibió el pago del cliente. Esto no dice nada sobre la complejidad adicional que el ERP de una empresa podría introducir en el proceso.

Todo esto es decir, que dar sentido a los datos es complicado, y requiere de un supply chain scientist altamente capacitado para encargarse del proceso, además de supervisar el funcionamiento diario de la receta numérica³.

Notas