Principios Cuantitativos para Supply Chain (Resumen de la Conferencia 1.6)

learn menu

Una optimización de la supply chain significativa es dominar la optionality a la que uno se enfrenta como resultado de la variabilidad inherente en el flujo de bienes, y este dominio es afín al análisis cuantitativo. Los problemas de supply chain son igualmente cuantitativos pero wicked y ocasionalmente francamente extraños, contrarios al análisis tradicional. Adoptar principios cuantitativos tanto en la etapa de observación como en la de optimización puede ayudar a los profesionales a evitar muchos escollos de supply chain oscuros pero predecibles.

Robot performs multiple tasks in a kitchen while a child sits at a table

Ver la Conferencia

Principios de Observación

De forma global, los tipos de decisiones y restricciones con los que los profesionales de supply chain se enfrentan son invariablemente cuantitativos - como los valores de reabastecimiento, los objetivos de nivel de servicio, MOQs, etc. Sin embargo, las propias supply chain se resisten a la observación directa. No se puede tomar una instantánea de toda la supply chain de la misma manera que se puede de una máquina, a pesar de que ambos, indiscutiblemente, son CapEx, están compuestos de muchas subpartes físicas observables, y ambos (en general) dan como resultado una salida física.

A pesar de esa limitación, las supply chain no son hostiles al análisis cuantitativo. Al contrario, un análisis cuantitativo de la supply chain revela varias observaciones instructivas, aunque debatiblemente contraintuitivas.

Los problemas de supply chain no se distribuyen normalmente

Quizás de manera desesperante, los problemas de supply chain no tienden a seguir distribuciones normales, lo que resulta en muchas de las dificultades organizativas que se encuentran al intentar optimizarlas. Con una distribución normal, un gran número de pequeños factores independientes puede influir en un valor en cualquiera de dos direcciones (por ejemplo, más o menos, arriba o abajo). En otras palabras, una distribución normal resulta de muchos pequeños cambios aleatorios que pueden aumentar o disminuir un valor1.

Sin embargo, los problemas de supply chain a menudo surgen de un pequeño número de factores sistémicos mayores en lugar de una multitud de pequeños factores independientes. Estos factores incluyen:

  • Variabilidad de la Demanda: La demanda de productos es a menudo altamente variable y puede estar influenciada por una amplia gama de factores como las tendencias estacionales, las condiciones económicas y las campañas de marketing. Esta variabilidad puede conducir a problemas como faltante de stock o exceso de inventario.

  • Confiabilidad del Proveedor: El desempeño del proveedor puede impactar significativamente una supply chain, y la variabilidad en la confiabilidad del proveedor puede derivar en problemas como entregas retrasadas y problemas de calidad.

  • Disrupciones Logísticas: Problemas como retrasos en el transporte, demoras en la aduana o desastres naturales pueden causar disrupciones significativas en una supply chain.

Las cuestiones anteriores no son amenazas triviales para la continuidad (y optimización) de la supply chain. Más bien, son problemas wicked de magnitud desproporcionada que pueden tener impactos dramáticamente sobredimensionados.

Además, los problemas de supply chain a menudo exhiben cierto nivel de asimetría, lo que significa que, por lo general, existen unos pocos problemas principales que causan una gran proporción de los inconvenientes, en lugar de una distribución simétrica de problemas alrededor de un promedio predecible. En muchos casos, estos problemas también presentan una “larga cola”, es decir, un gran número de problemas diferentes que ocurren con poca frecuencia.

Las interdependencias y ciclos de retroalimentación inherentes a las supply chain (por ejemplo, cómo los niveles de stock presentes influyen en las decisiones de pedido futuras) también hacen que la ocurrencia de problemas se aparte de la normalidad. Dichos sistemas no lineales y complejos se describen más acertadamente mediante otros modelos estadísticos (detallados en la siguiente sección).

La relación inversa entre frecuencia y rango

Un mejor modelo cuantitativo para examinar los problemas de supply chain (y los valores en general) es la Ley de Zipf. Dicho de forma simple, la Ley de Zipf se compone de dos elementos principales:

  1. Unos pocos valores en un conjunto de datos ocurren con mucha frecuencia, mientras que la mayoría ocurre raramente.

  2. La frecuencia de un valor es inversamente proporcional a su rango.

Considera la frecuencia de las palabras en un libro de texto. La palabra más común en cualquier libro (si está escrito en un idioma que utiliza sistema de artículo definido/indefinido) probablemente sea the. La segunda palabra más frecuente podría ser of, y su frecuencia será (aproximadamente) la mitad de la de the. Esta tendencia continuará a lo largo de los rangos2.

Un ejemplo relevante en el comercio minorista es el descubrimiento común de que un pequeño número de artículos en el catálogo representa una gran parte de las ventas, mientras que una larga cola de otros artículos se vende con poca frecuencia. Este patrón - unos pocos “éxitos” y muchos “fracasos” - se ajusta a la distribución de Zipf. Este es un concepto similar al Principio de Pareto, que establece que aproximadamente el 80% de los efectos provienen del 20% de las causas. La asimetría descrita aquí es, de hecho, el principio impulsor detrás de los sistemas de gestión de inventario como ABC y ABC-XYZ. Sin embargo, existen algunas diferencias clave entre la distribución de Pareto y la de Zipf que vale la pena desglosar.

  • Distribución de Pareto: Imagina una empresa de ecommerce con un catálogo extenso. La división de supply chain podría descubrir que el 80% de los ingresos de la compañía se genera solamente a partir del 20% de su oferta, lo que sugiere que es mejor dirigir los recursos a mantener los niveles de stock de estos artículos populares. Aunque esto podría ser una guía general útil, carece del tipo de resolución que la división necesita para analizar adecuadamente los datos de ventas (más allá de una simple cuestión de identificar qué SKUs generaron la mayor parte de los ingresos).

  • Distribución de Zipf: Si la misma división de supply chain utilizara una distribución de Zipf, se introduciría una capa adicional de granularidad interesante en el análisis. Al investigar todas las ventas y sus frecuencias, el equipo podría discernir patrones que una distribución de Pareto pasa por alto. Por ejemplo, podrían descubrir que, aunque la electrónica y los electrodomésticos son de hecho los de mejor rendimiento, también existen otras categorías de productos, como libros o ropa, que en conjunto aportan una cantidad sustancial a las ventas totales, aunque no sean contribuyentes significativos de margen por sí solas. Una distribución de Zipf también revelaría posibles relaciones interesantes dentro del catálogo que podrían valer la pena explorar, como el motivo por el cual el tercer producto más popular contribuye con aproximadamente un tercio de los ingresos del más popular, a pesar de ser intercambiable y recibir niveles comparables de publicidad.

La tiranía de los números pequeños

Una distribución Zipfiana es quizá más evidente a la hora de cuantificar problemas explícitos en la supply chain, especialmente en situaciones donde un impacto negativo desproporcionado se atribuye a tan solo unas pocas causas.

Considera el impacto negativo de que una empresa B2B pierda a su proveedor más importante, particularmente si ese proveedor aporta el doble que el segundo proveedor más importante de la empresa. De manera similar, perder a los dos clientes más grandes resultaría en una caída extraordinaria de los ingresos, dado que el tercer cliente más grande compra aproximadamente un tercio de lo que compra el más grande.

Es importante destacar que, si los problemas de supply chain se distribuyeran de manera normal, serían más predecibles y las estrategias de mitigación estándar serían suficientes. Sin embargo, el hecho de que unos pocos problemas significativos (tal como se describen aquí) puedan causar la mayoría de las disrupciones implica que los profesionales deben enfocar sus recursos en identificar y mitigar estos problemas de alto impacto. Esto requiere un enfoque más estratégico, proactivo y holístico en la gestión de la supply chain.

Principios de optimización

Habiendo sorteado el terreno plagado de sesgos de la observación humana, embarcarse en la etapa de optimización de la supply chain es igualmente propenso a obstáculos. Las iniciativas de optimización de la supply chain suelen estar plagadas de errores, no solo en términos de software (piensa en ERPs), sino también de sabiduría heredada.

Los problemas de software, como los Heisenbugs, se resuelven comúnmente mediante aplicaciones iterativas del programa. Los errores de wetware, sin embargo, tienen la peculiar característica de estar en gran medida codificados de forma rígida, lo que requiere esfuerzos adicionales de desprogramación.

Sabiduría latente en las supply chain envejecidas

Las supply chain que han perdurado durante algunas décadas han acumulado, como mínimo, un nivel básico de sabiduría. A primera vista, es difícil imaginar encontrarse con una empresa que haya funcionado durante 20 o más años y que no haya, al menos de forma accidental, tropezado con algunas estrategias útiles o reglas prácticas. Como tal, las prácticas existentes y las normas operativas encarnan una forma de cuasi-optimalidad, en el sentido de que pueden impulsar a la empresa en la dirección correcta (rentabilidad neta global), pero con imperfecciones significativas3.

Al igual que un río que se abre camino a través de una cordillera, esa sabiduría tiende a anclarse a una única fuerza motriz. Del mismo modo que la gravedad arrastra a un río a través del sedimento, las supply chain envejecidas a menudo son arrastradas en pos de un único KPI, como aumentar el nivel de servicio o reducir el stock muerto. Aunque estos puedan parecer objetivos sensatos, implícitamente reducen la supply chain a un conjunto discreto de elementos desconectados que se pueden ajustar en aislamiento.

Esto resulta esencialmente en una mentalidad booleana en la que la optimización de la supply chain se expresa en términos ingenuamente binarios. Considera lo siguiente:

  • Si los niveles de servicio mejoran, la supply chain debe haber mejorado. Esto, naturalmente, pasa por alto el hecho de que un aumento en el nivel de servicio generalmente requiere un incremento global en los niveles de stock (suponiendo una optimización de la supply chain no cuantitativa). El aumento de los niveles de stock, a su vez, generalmente incrementa el stock muerto, resultando en una reducción de los beneficios netos.

  • Si los niveles de stock muerto disminuyen, la supply chain debe haber mejorado. De manera similar, esta visión limitada de la optimización ignora el impacto que la reducción de los niveles de inventario probablemente tendrá en los objetivos de servicio y satisfacción del cliente, influyendo negativamente en las compras (y a menudo en la lealtad del cliente).

Las supply chain envejecidas de este tipo poseen una cuasi-optimalidad unidireccional que, como un poco de conocimiento, puede ser algo terriblemente peligroso. Que las supply chain se inclinen por el camino del cuasi-éxito es lo que probablemente las ayuda a perdurar y solventa prácticas subóptimas.

La gran mejora unidireccional en las supply chain envejecidas tiende a estar íntimamente relacionada con el fracaso, no por falta de un esfuerzo sincero, sino más bien por la falta de consideración de la vasta complejidad sistémica e interconectada inherente a las modernas supply chain.

La falacia de la optimización local

Es fundamental para la optimización de un sistema tan extenso e interdependiente como la supply chain comprender que la optimización local no resuelve los problemas, simplemente los desplaza. Como se ilustra en la sección anterior, optimizar un problema de supply chain a nivel local (es decir, en aislamiento) suele alterar el equilibrio y producir un efecto secundario no deseado en algún otro punto de la supply chain.

Así como instalar una unidad de estado sólido (SSD) en una computadora de 30 años no mejora la memoria (o el rendimiento) global del sistema4, optimizar una red de supply chain (o un sistema de supply chain) es un proceso de extremo a extremo y a nivel de sistema.

Este concepto es manifiestamente evidente en la industria minorista. En una red de venta al por menor compuesta por múltiples tiendas, la intuición podría ser optimizar los niveles de inventario en cada tienda (quizás incluso de forma manual). Incluso se podría asignar recursos de manera preferencial a la ubicación con mayores ventas en la red.

Sin embargo, tal enfoque no considera la red más amplia de centros de distribución que sirven a estas tiendas, así como las consecuencias posteriores de una política que asigna inventario sin considerar el impacto en otras tiendas. Elegir centrarse de forma estricta en una tienda podría mejorar su rendimiento, pero ser perjudicial para las demás.

También se pierde de vista la preocupación central de una misión de asignación de inventario en el retail, a saber, la identificación de dónde se necesita más una unidad/SKU para optimizar el rendimiento global del sistema.

Por lo tanto, optimizar la asignación de inventario en el retail es un problema que solo tiene sentido a nivel de sistema, subrayando la importancia de una perspectiva holística y de sistema5.

Redefiniendo problemas para obtener resultados superiores

La educación clásica (y las presentaciones de proveedores) presentan los problemas como aquellos que se resuelven de manera más adecuada mediante una solución superior. A primera vista, esto parece perfectamente razonable, dado que la distancia más corta entre dos puntos es, de hecho, una línea recta. Sin embargo, este enfoque lineal y complaciente tiende a simplificar en exceso los problemas y, fundamentalmente, asume que uno debería intentar unir estos dos puntos en primer lugar.

Dado los diversos costos que conlleva intentar optimizar una supply chain, esta no es una observación filosófica trivial. Tanto en la teoría como en la práctica, un mejor entendimiento de los problemas supera (a largo plazo) una gran solución a un problema mal comprendido (a corto plazo).

Un ejemplo clásico es el problema del demand forecasting. Proveedores de supply chain y académicos por igual podrían presentar una herramienta avanzada de series temporales de forecasting como la solución ideal para cuantificar la demanda (y así establecer niveles de inventario). A primera vista, esto parece intuitivo: si una empresa no puede predecir con precisión la demanda, entonces es apropiado un mejor software de demand forecasting, y los dos puntos distantes están conectados por una línea recta (más o menos)6.

Esta es una mentalidad excesivamente lineal y posiblemente ortogonal al problema de supply chain de interés: el descubrimiento de lo que realmente está causando la dificultad del demand forecasting. Es completamente concebible que otros problemas subyacentes, tales como ineficiencias logísticas, proveedores poco fiables, o políticas defectuosas de asignación de inventario minorista, puedan ser las fuerzas del cambio.

Redefinir los propios problemas, en lugar de precipitarse hacia una luz roja de supply chain, puede orientar adecuadamente las optimizaciones de supply chain y redirigir el ancho de banda (y los recursos) de soluciones rápidas a corto plazo.

Notas


  1. La estatura es un ejemplo clásico de una distribución normal (o gaussiana). Esto se debe a que la estatura está influenciada por muchos factores genéticos y ambientales independientes, creando una curva de campana simétrica alrededor de un valor promedio. Según el Teorema del Límite Central, la suma de muchas variables aleatorias independientes e idénticamente distribuidas tiende a formar una distribución normal. Esto resulta en que la mayoría de los individuos se agrupen alrededor de la estatura promedio, con menos individuos en los extremos (muy bajos o muy altos), dando como resultado una curva de campana típica. ↩︎

  2. En contraste con el ejemplo anterior de la estatura (un fenómeno influenciado por una multitud de fuerzas genéticas y epigenéticas independientes), una distribución de Zipf se aplica a los datos ordenados (como las poblaciones de las ciudades o la frecuencia de palabras), donde el rango y la frecuencia son inversamente proporcionales. Dado que la estatura no es una medida comparativa o ordenada, no sigue una distribución de Zipf. Por ejemplo, en una reunión típica, la persona más alta en una habitación no es el doble de alta que la segunda persona más alta, ni un orden de magnitud más alta que la décima. ↩︎

  3. Contrariamente a lo que se podría pensar, la teoría de Supply Chain Quantitativa ni desacredita ni descuenta el valor de la sabiduría humana. De hecho, tal filosofía es completamente agnóstica ante la posibilidad de un visionario individual que pudiera, al igual que Warren Buffett, predecir la demanda del consumidor con una precisión preternatural. Incluso si tales casos excepcionales fueran comunes, ello no invalidaría las críticas predominantes a tal enfoque: es decir, el instinto no se escala, ni –muy probablemente– representa la mayor aplicación de la mente detrás del instinto. Dadas estas limitaciones, y el hecho de que tales personas son el equivalente en supply chain de promethium, este es un asunto puramente académico al discutir la optimización de redes de supply chain a gran escala y geográficamente distribuidas. ↩︎

  4. Una computadora de 30 años casi seguramente tiene un hardware y un sistema operativo incompatibles con los SSD modernos. Incluso si de alguna manera acepta el SSD, el CPU, la RAM y las velocidades de bus desfasados limitarían severamente las mejoras en el rendimiento. Además, el sistema operativo podría no soportar características del SSD como TRIM, causando una disminución en la vida útil del SSD. Las incompatibilidades de software y hardware podrían ocasionar problemas adicionales, tales como mal funcionamiento, corrupción de datos o la completa inoperatividad. En resumen, no intentes esto en casa. ↩︎

  5. Es esencial notar que este principio se aplica no solo en un sentido estrictamente geográfico, sino lógicamente dentro y a lo largo de la propia supply chain. Un buen ejemplo aquí es el ciclo de vida de la electrónica. Los dispositivos –como los smartphones– tienden a existir en varios intervalos a lo largo de un ciclo de cuatro etapas: introducción, crecimiento, madurez y declive. Intentar optimizar una etapa aislada sería en detrimento del ciclo de vida general del producto, como intentar optimizar la fase de madurez (donde las ventas del dispositivo se estabilizan) sin considerar los efectos posteriores en la fase de declive (donde cualquier error de inventario en etapas anteriores del ciclo de vida se sentirá con mayor intensidad). ↩︎

  6. Este concepto se demuestra, literalmente, en la conferencia utilizando el ejemplo de la optimización de rutas. Es cierto que, en contexto, Vermorel utiliza la optimización de rutas como un ejemplo de patrones en supply chain, sin embargo, funciona igualmente bien como una metáfora para redefinir problemas. En resumen, la optimización de rutas no se limita a una única ruta, sino que implica una comprensión a nivel de sistema de cada ruta y de por qué es difícil optimizarlas. Por ejemplo, ¿por qué algunos puntos críticos de entrega cambian a lo largo del año? ¿Por qué existe estacionalidad en las horas pico de tráfico en París? Al formular mejores preguntas se pueden identificar los verdaderos problemas de interés antes de intentar abordarlos. ↩︎