Optimización basada en decisiones

learn menu

Supply Chain Quantitativa se centra en generar decisiones de supply chain automatizadas y de alto rendimiento. El objetivo no es entregar artefactos numéricos, tales como weekly forecasts. Esos artefactos se consideran cálculos internos arbitrarios que simplemente se utilizan para computar las decisiones finales. Definimos una decisión como la respuesta a un supply chain problem que se puede ejecutar y que tiene una consecuencia tangible, aunque no física, para la propia supply chain. Desde la perspectiva clásica de la planificación de supply chain, centrarse en decisiones de suministro podría parecer algo sorprendente, ya que no se definen según las líneas habituales de planificación vs. operaciones. No obstante, centrarse en las decisiones facilita notablemente la optimización real de la supply chain. En esta sección, aclaramos el concepto de una decisión de supply chain, revisamos los tipos más frecuentes de decisiones y caracterizamos aspectos clave de la perspectiva orientada a decisiones.

Delimitando las decisiones elegibles

Supply Chain Quantitativa adopta una postura muy numérica y estadística ante los desafíos de supply chain. Sin embargo, esta postura no es la perspectiva adecuada para todos los desafíos. Para evaluar si la perspectiva cuantitativa es adecuada para un desafío, se deben cumplir las siguientes condiciones:

  • Repeatability : crear una receta numérica para resolver el desafío requiere un esfuerzo que se traduce en costos. Para optimizar de forma rentable una supply chain, se debe asegurar que el proceso de optimización en sí no cueste más de lo esperado en beneficios. Como regla general, los problemas rutinarios, por ejemplo, reabastecimiento, que deben abordarse cada día o cada semana, son candidatos mucho mejores para un enfoque cuantitativo que los problemas excepcionales, por ejemplo, expandirse a un nuevo país.
  • Narrow decisions: para mantener bajo control la complejidad de la solución de software, es conveniente centrarse en desafíos de supply chain que se puedan abordar mediante una tipología bien definida de decisiones, idealmente, decisiones muy numéricas. Por ejemplo, decidir si dejar de tener en stock un producto por completo porque la demanda es demasiado baja para justificar esta carga adicional en la supply chain es una pregunta muy específica, a la que un proceso altamente automatizado puede responder fácilmente. En contraste, decidir modificar las prácticas laborales de un almacén de gestión es un problema muy abierto, que se ajusta mal a la automatización.
  • Historical data: las soluciones de software no pueden operar en el vacío. El conocimiento para abordar el desafío de supply chain puede estar integrado en el software como reglas definidas manualmente; sin embargo, crear un gran conjunto de reglas consistentes y de alto rendimiento para la toma de decisiones es una tarea muy difícil. La mayoría de los enfoques modernos extraen de manera extensiva todo el conocimiento relevante de los datos históricos (historial de ventas, historial de compras, etc.) y restringen la incorporación de reglas a políticas de supply chain bien definidas, por ejemplo, MOQs (cantidades mínimas de pedido), que ciertamente no queremos que el software intente extrapolar de los datos históricos.

A medida que la ingeniería de software progresa y, más específicamente, a medida que avanza el campo del machine learning, el espectro de decisiones accesibles a los sistemas basados en computadora se amplía cada año. Por ejemplo, los primeros sistemas de optimización de inventario se limitaban a productos con al menos varios meses de historial de ventas, mientras que los sistemas más nuevos soportan todos los productos, incluidos aquellos que ni siquiera se han vendido aún.

Además, a veces la ingeniería de software posibilita abordar problemas que se consideraban intratables cuando un Supply Chain Scientist los realizaba manualmente. Por ejemplo, los sistemas modernos de optimización de inventario pueden predecir cuáles registros de stock son los más propensos a ser inexactos, permitiendo así un recuento prioritario del inventario, una característica que supera el enfoque más tradicional de recuentar linealmente todos los SKUs.

Ejemplos de decisiones de supply chain

Las supply chain son increíblemente diversas, y lo que constituye un desafío de importancia primaria para un vertical dado podría parecer anecdótico en otro. En esta sección, revisamos brevemente las decisiones típicas que encajan bien desde la perspectiva de Supply Chain Quantitativa.

  • Purchase orders : decidir las cantidades exactas a comprar a cada proveedor para cada producto. Esta decisión se actualiza a diario, incluso si la mayoría de los días no se espera que se realice una orden de compra real. La orden de compra debe tener en cuenta todas las limitaciones de pedido (MOQs) así como las limitaciones de transporte (por ejemplo, contenedores). Además, la orden de compra también podría incluir optar por un modo de transporte (marítimo vs. aéreo) con la posibilidad de una combinación de transporte.
  • Production orders : decidir las cantidades exactas a producir. La orden de producción debe tener en cuenta todas las restricciones de producción que puedan requerir lotes mínimos. Además, la capacidad máxima de producción podría ser inferior a las necesidades del mercado durante la temporada pico del año, en cuyo caso, la producción debería acumular stock con antelación para hacer frente a dicha temporada.
  • Stock balancing : decidir si las unidades actualmente en stock en una ubicación deben trasladarse a otra, normalmente porque el balance de stock ya no se alinea con la demanda futura proyectada diferenciada por ubicación. Nuevamente, la decisión se actualiza diariamente, incluso si, en la mayoría de los días, para la mayoría de los productos, no es económicamente rentable moverlos entre ubicaciones.
  • Stock liquidation : decidir si las unidades actualmente en stock deben ser destruidas o vendidas a través de un canal secundario –típicamente con altos descuentos–. De hecho, el stock muerto puede obstruir innecesariamente los almacenes, generando costos superiores al valor económico del propio stock. Dependiendo del vertical, el stock puede liquidarse a través de promociones, canales especializados o mediante pura destrucción.
  • Stocking vs. drop shipping : decidir si un producto tiene una demanda suficiente para justificar que sea comprado, almacenado y servido directamente o si sería mejor que se envíe mediante drop-shipping por un tercero cuando se solicite. Los productos de drop-shipping típicamente generan márgenes más bajos, pero también incurren en menores carrying costs. La decisión consiste en definir la lista exacta de productos que se mantendrán en stock, manteniendo manejable la diversidad total del inventario.
  • Targeted stock counting: decidir si un SKU debe ser recuentado debido a la posible inexactitud del registro electrónico, que puede no coincidir con la cantidad de unidades realmente disponibles en la estantería. Esta decisión es un equilibrio entre el coste laboral asociado al recuento y el impacto negativo del inventario fantasma en el rendimiento de la supply chain. En la práctica, las inexactitudes en el inventario son mucho mayores en las tiendas minoristas de acceso público en comparación con los almacenes o plantas restringidos al personal.

Debe señalarse que los verticales específicos tienen sus propios conjuntos de decisiones. Los ejemplos a continuación podrían considerarse más dependientes del contexto que los enumerados anteriormente.

  • Retail store assortment : decidir la lista exacta de productos que estarán presentes en cada tienda minorista. A veces, el catálogo completo de productos puede exceder ampliamente la capacidad de cualquier tienda; por lo tanto, cada tienda solo puede exhibir un subconjunto del catálogo. La optimización del surtido maximiza el rendimiento de la tienda dado su límite de capacidad. Además, el desafío se complica aún más en verticales como los bienes de lujo, ya que la tienda típicamente no tendrá más de una unidad en stock para cada producto del surtido seleccionado.
  • Opportunistic replacement: decidir cuándo es aceptable sustituir un producto y cuándo es rentable proceder con la sustitución. Por ejemplo, un ecommerce de comida fresca puede aceptar entregas realizadas unos días antes, práctica que genera el problema de enfrentar un faltante de stock tardío para un producto fresco ya pedido, alterando así el pedido original del cliente. En esta situación, podría ser una operación más rentable para el minorista y un mejor servicio para el cliente sustituir el producto por una alternativa bien elegida.
  • Opportunistic divestment : decidir revender inventario, típicamente piezas reparables, que originalmente estaban destinadas al consumo interno. El stock de piezas reparables suele rotar entre los estados de servible e inservible, ya que las piezas se reparan, se recuperan, se arreglan y finalmente se vuelven a poner en servicio. Bajo circunstancias específicas, como una caída en la demanda, el stock de piezas servibles puede exceder ampliamente las necesidades de la empresa. En este caso, existe un equilibrio entre revender la pieza en el mercado secundario, típicamente a un precio descontado, para recuperar una fracción del valor original del inventario o, alternativamente, aumentar el riesgo de no atender a una solicitud futura de pieza a tiempo.
  • Keeping unserviceable stock: decidir reparar de inmediato una pieza inservible pero, en otro caso, reparable, o posponer la reparación y almacenar la pieza como inservible. Aunque reparar piezas puede ser menos costoso que comprar piezas nuevas, el stock actual de piezas servibles puede ser suficiente para cubrir la demanda durante un largo período de tiempo. Por lo tanto, retrasar la reparación es un equilibrio entre trasladar los costos de reparación al futuro —con la posibilidad de no incurrir jamás en este costo si la demanda del mercado se ha desplazado hacia piezas alternativas— o aumentar el riesgo de no atender a una solicitud futura de pieza a tiempo.
  • Opportunistic sourcing : decidir cuándo vale la pena realizar una operación de sourcing para establecer un referente de precios para una determinada pieza. En algunas industrias, el precio de las piezas es relativamente opaco. Descubrir el precio actualizado de una pieza, posiblemente un equipo muy costoso, puede llevar varios días de esfuerzo. Cuando las operaciones requieren miles de piezas, existe un equilibrio entre pagar por piezas más costosas e incurrir en los costos de mano de obra involucrados en las operaciones de sourcing.
  • Preserving bundles : decidir cuándo vale la pena vender la última unidad de un producto como venta independiente o, mejor aún, conservarla para una venta posterior como parte de un bundle. De hecho, hay situaciones en las que la disponibilidad de bundles, es decir, combinaciones de piezas o productos, es de gran importancia, mientras que la disponibilidad de piezas aisladas es de menor relevancia. Sin embargo, al servir la última pieza de forma independiente, se puede generar un problema de faltante de stock para el paquete mayor y más importante. Así, existe un equilibrio entre la ventaja de atender adecuadamente una pieza aislada ahora y la desventaja de enfrentar más tarde un problema de faltante de stock más impactante para un bundle.

Hasta que se formalicen como tales, las decisiones de supply chain generalmente se toman de manera implícita, ya sea por personas o por sistemas de software. Por ejemplo, una configuración de inventario Min/Max toma implícitamente múltiples decisiones y no solo acerca de la cantidad a reordenar: mientras el valor Max sea distinto de cero, el producto se mantendrá en el surtido. Además, no se realiza ningún recuento de inventario antes de activar un reabastecimiento, lo cual es otra decisión implícita, etc. Desafortunadamente, como no se puede optimizar lo que no se mide, es esta falta de formalización de las propias decisiones la que típicamente impide una mejora sistemática del rendimiento de la supply chain obtenida a través de dichas decisiones.

Artefactos numéricos vs. decisiones

Al enfrentar problemas complejos de supply chain, los profesionales corren el riesgo de confundir los fines con los medios. Por ejemplo, ante la necesidad de un reabastecimiento, establecer un weekly forecast de demanda asociado a un SKU es solo un ingrediente requerido por algunas, pero no todas, las recetas numéricas disponibles para calcular la cantidad a reordenar. El weekly forecast es únicamente un cálculo intermedio, mientras que la cantidad ordenada es la decisión final. Desde la perspectiva de Supply Chain Quantitativa, nos referimos a esos cálculos intermedios como artefactos numéricos. Supply Chain Quantitativa no descarta la importancia de los artefactos numéricos; sin embargo, también enfatiza que esos artefactos son precisamente eso: expresiones numéricas desechables y transitorias que contribuyen al resultado final: decisiones de supply chain.

En lo que respecta a la optimización numérica, es un engaño pensar que optimizar los artefactos numéricos contra métricas matemáticas arbitrarias, por ejemplo, los weekly forecasts optimizados contra WMAPE (weighted mean absolute percentage error), produce de forma mecánica retornos financieros. Aunque esto pueda parecer contraintuitivo, en supply chain generalmente no es así. Los problemas de supply chain son, por naturaleza, altamente asimétricos. Por ejemplo, en la industria aeroespacial, la falta de una pieza de 200 USD puede mantener en tierra a un avión valorado en 200 millones de USD. La cantidad de piezas que se deben mantener en stock no está necesariamente impulsada primordialmente por la demanda esperada: el costo de la pieza en comparación con el costo de no tenerla puede dominar por completo el proceso de decisión de stock.

En contraste, Supply Chain Quantitativa enfatiza que, al final, solo las decisiones realmente importan, ya que son los únicos elementos tangibles que tienen consecuencias financieras reales y medibles para la empresa. Así, aunque es de suma importancia desafiar el rendimiento de las decisiones, la gestión de supply chain también debe tener una saludable dosis de escepticismo hacia los KPI que se aplican a resultados numéricos no vinculantes, no comprometidos y transitorios, tales como los weekly forecasts de demanda semanales o mensuales.

Decisiones restringidas, entre la realidad y la ficción

Las decisiones de supply chain generalmente están limitadas por restricciones: las respuestas solo son válidas si satisfacen un conjunto de restricciones numéricas. Por ejemplo, las órdenes de compra pueden estar sujetas a MOQs (cantidades mínimas de pedido), lo cual representa una restricción no lineal. Además, el almacén tiene una capacidad de almacenamiento finita - otra restricción no lineal.

Frecuentemente, las restricciones se generan a partir de impulsores económicos básicos asociados a las operaciones de supply chain: tomando en cuenta el precio actual del producto; la distribución de un producto solo puede ser económicamente viable si los productos se venden empaquetados en pallets y, por lo tanto, el producto solo puede venderse con un tamaño de lote de, digamos, 50 unidades, lo que representa un pallet cargado.

Sin embargo, también sucede que las restricciones pueden resultar de reglas organizativas arbitrarias. Por ejemplo, una empresa podría haber decidido que el presupuesto anual de compras de una división se limitaría a 1 millón de USD. Esta restricción presupuestaria se establece mucho antes de que se conozcan realmente las ventas de la división. En tal situación, se espera que las decisiones de compras cumplan con una restricción no lineal que es el resultado de un proceso presupuestario relativamente arbitrario.

Supply Chain Quantitativa intenta reflejar en la mayor medida posible las restricciones reales de supply chain, al mismo tiempo que permite organizaciones nuevas, posiblemente revisadas, que puedan operar sin las ataduras impuestas por aspectos arbitrarios de procesos anteriores. De hecho, en supply chain, la mayoría de las restricciones arbitrarias son el resultado de la falta de automatización: si el “óptimo” presupuesto por división no puede ser reestimado de manera confiable a diario teniendo en cuenta todas las preocupaciones transversales a nivel empresarial, es natural recurrir a un presupuesto anual o trimestral en su lugar.

Las decisiones requieren priorización y coordinación

Casi todas las decisiones de supply chain son interdependientes: cada unidad extra que se compra a un proveedor va a ocupar espacio adicional en el almacén, hasta que éste esté lleno, y entonces las operaciones se paralizan. Esas dependencias suelen ser indirectas y difíciles de abordar desde una perspectiva numérica, pero eso no las hace menos importantes desde una perspectiva de supply chain – e incluso estratégica. Si el nivel de servicio global es del 99%, lo cual es muy bueno, pero el cliente más grande sufre de un nivel de servicio del 85%, debido a que todos los faltantes de stock se concentran en un grupo de productos adquiridos por ese mismo cliente, la empresa enfrenta un serio riesgo de perder a su cliente más grande.

Priorizar las decisiones es típicamente el método más directo para aprovechar al máximo los recursos compartidos, pero limitados, dentro de la supply chain. Por ejemplo, dado que tanto la capacidad de almacenamiento del almacén como el capital de trabajo son limitados, el objetivo no es simplemente comprar una unidad extra de stock que por cierto sea rentable, sino identificar la siguiente unidad de stock que resulte ser la más rentable en todo el catálogo de productos. Tratar las decisiones de compra de stock de forma aislada crearía el riesgo de agotar el espacio del almacén o el presupuesto de compras en productos de baja rentabilidad.

En la práctica, esta priorización requiere cambiar considerablemente el software analítico que respalda la supply chain. En lugar de tratar cada decisión de forma aislada, como es el caso de los métodos primitivos de supply chain, por ejemplo, inventario Min/Max, todas las decisiones deben agruparse y clasificarse según su respectiva rentabilidad estimada. Tal proceso es factible con las soluciones de software modernas, pero requiere considerablemente más recursos computacionales en comparación con los métodos tempranos de supply chain.

Coordinar las decisiones es necesario para manejar todas las restricciones transversales que se aplican a las operaciones de supply chain. Por ejemplo, al pedir productos a un proveedor extranjero, puede haber un fuerte incentivo económico para solicitar un contenedor completo. Así, el desafío no es tanto elegir las cantidades por producto, sino elegir cantidades que, en conjunto, se ajusten exactamente a la capacidad del contenedor. Las restricciones transversales son ubicuas en supply chain: ajustar el surtido de una nueva colección en moda, asegurar un alto nivel de servicio para clientes que buscan una lista de productos en una tienda de bricolaje, no agotar un almacén central mediante pedidos sobredimensionados de una tienda a expensas de las demás.

La forma tradicional y sumamente ineficiente de abordar tales preocupaciones de coordinación consiste en realizar un cálculo en dos etapas que, primeramente, ignora la preocupación de coordinación y, en segundo lugar, revisa la salida numérica inicial para ajustarse a dicha preocupación. Respecto al ejemplo del contenedor introducido anteriormente, primero se pueden calcular las cantidades deseables a ordenar, ignorando por completo el aspecto del contenedor; luego, se pueden revisar esas cantidades para que el conjunto realmente se ajuste a un contenedor. La principal debilidad de un cálculo en dos etapas es que la segunda etapa ignora completamente todos los impulsores económicos que influyeron en el cálculo de la primera etapa. En otras palabras, la revisión de los resultados durante la segunda etapa puede “deshacer” todos los esfuerzos realizados en calcular decisiones rentables en la primera etapa. El software moderno aborda tales situaciones introduciendo solucionadores numéricos, que pueden abordar frontalmente dichas restricciones transversales. Una vez más, dichos solucionadores requieren recursos computacionales dramáticamente mayores que sus contrapartes ingenuas de dos etapas, pero, considerando los recursos computacionales típicamente disponibles en la actualidad, esto no es un problema.