Tiempo de entrega

learn menu
Por Joannes Vermorel, octubre 2020

Un tiempo de entrega es el retraso entre el inicio y la finalización de un proceso. En supply chains, siempre que se compran, transforman o se prestan servicios a los bienes, se involucran tiempos de entrega, usualmente medidos en días. Desde el punto de vista de la planificación, los tiempos de entrega importan porque implican que la mayoría de las decisiones rutinarias deben tomarse con antelación para lograr el efecto deseado, como mantener la calidad del servicio. La necesidad de forecasting de demanda también surge típicamente de la existencia de tiempos de entrega, ya que la adecuación de una decisión - como un reabastecimiento de inventario - depende de eventos futuros desconocidos que impactarán la supply chain durante la duración del tiempo de entrega.

caracol con un jetpack

Causas y consecuencias de los tiempos de entrega

Los tiempos de entrega configuran en gran medida el funcionamiento de la supply chain y la mayoría de sus elementos financieros, como el capital de trabajo requerido y el retorno sobre el capital empleado (ROCE). De hecho, los tiempos de entrega más largos implican que se tarda más en completar un ciclo de inventario en el que se compran materiales o productos, posiblemente se transforman, y se venden de nuevo.

Los tiempos de entrega más largos implican mecánicamente mayores compromisos de inventario, incluso cuando los stocks disponibles aparentemente permanecen bajos. Por ejemplo, si una empresa en Europa realiza un pedido de mercancías desde Asia para que se entreguen en contenedores, desde el momento en que se emite la orden de compra la empresa queda comprometida a vender o consumir los bienes. Sin embargo, en esta situación, normalmente se requieren más de 6 semanas para que los niveles de inventario en Europa reflejen este compromiso.

Además, los tiempos de entrega más largos aumentan la dependencia del forecasting. Al volver al ejemplo anterior, la empresa no puede permitirse emitir una orden de compra únicamente basada en sus necesidades actuales; para cuando se entregue el pedido, la situación habrá evolucionado. Los niveles de stock actuales se habrán reducido aún más debido al consumo continuo, y la demanda probablemente habrá cambiado, aunque sea debido a la estacionalidad.

Los tiempos de entrega representan un límite inferior de la agilidad máxima que una empresa puede alcanzar. Como regla general, si las condiciones del mercado cambian brutalmente, la empresa permanece comprometida con sus decisiones pasadas durante aproximadamente la duración de los tiempos de entrega. Existen varias formas de mitigar estos efectos, empezando por las condiciones contractuales con los proveedores. Sin embargo, los riesgos subyacentes rara vez se pueden eliminar y simplemente se desplazan dentro de la supply chain.

Considerando todo el impacto negativo de los tiempos de entrega más largos, uno podría preguntarse por qué las empresas optan frecuentemente por lo que parece ser, subjetivamente, tiempos de entrega largos. Resulta que existen múltiples factores económicos que inclinan la balanza a favor de tiempos de entrega más largos.

La especialización está impulsando tiempos de entrega más largos: algunos países cuentan con industrias bastante únicas1 que son difíciles o costosas de replicar localmente. Dichas industrias concentradas surgieron históricamente principalmente debido a materiales de alto valor, que eran fáciles de transportar. Sin embargo, aunque los aviones puedan llegar a cualquier punto del globo en menos de 24 horas, las aduanas y los procesos tienden a aumentar sustancialmente los tiempos de entrega reales cuando se consideran proveedores extranjeros.

Economías de escala también favorecen tiempos de entrega más largos. Al aumentar los tamaños de lote (frecuentemente materializados como MOQs), los fabricantes o transportistas pueden reducir sus costos. Sin embargo, a medida que las cantidades por lote se hacen mayores, el número de lotes disminuye y, por lo tanto, se vuelven menos frecuentes - con todas las demás cosas iguales, notablemente la demanda. No obstante, las industrias no son todas igualmente susceptibles a las economías de escala, las cuales tienden a estancarse dependiendo de la tecnología aplicable.

Reducción de los cuantiles altos

Aunque un tiempo de entrega se puede mejorar reduciendo su duración promedio, normalmente son las mejoras en los peores casos - es decir, las situaciones más largas - lo que más importa. En las supply chains, los mayores problemas - cuando se miden en dólares de impacto - tienden a concentrarse en la cola: son los tiempos de entrega inesperadamente altos los que provocan faltante de stock o interrupciones en la producción, y no los pequeños baches.

Una de las formas más simples de evaluar esos escenarios de peor caso consiste en utilizar medidas de cuantiles. Por ejemplo, si se afirma que un proveedor tiene un tiempo de entrega de 7 días para el cuantil del 95%, significa que el 95% de los pedidos pasados a este proveedor se entregan en menos de 7 días. Esos cuantiles “altos”, es decir, cercanos al 100%, pueden divergir sustancialmente del tiempo de entrega promedio. El mismo proveedor podría estar entregando en 2 días en promedio, lo cual es menos de un tercio de su estimación del cuantil alto para el mismo tiempo de entrega.

Para evitar estos problemas de calidad de servicio, todos los buffers de inventario dentro de la supply chain - sin importar la metodología utilizada - tienden a crecer de forma lineal, no con el promedio del tiempo de entrega, sino con algún cuantil alto del tiempo de entrega. De hecho, los buffers de inventario existen precisamente para acomodar las variaciones de las condiciones de la supply chain. Los dos factores dominantes detrás de las variaciones inesperadas que impactan la supply chain tienden a ser: la variabilidad de la demanda y la variabilidad del tiempo de entrega.

Diversidad de los tiempos de entrega

El tiempo total de entrega desde las órdenes de compra originales de los proveedores hasta las entregas a los clientes, usualmente se puede descomponer en muchos, posiblemente decenas, de pasos intermedios. Para reducir el valor del tiempo de entrega o su variabilidad, normalmente es efectivo descomponer este tiempo total de entrega en sus subcomponentes notables, que son más simples de analizar y mejorar.

Por ejemplo, un mayorista que distribuye bienes de proveedores extranjeros podría enfrentar:

  • Un tiempo de entrega de pedido, causado por el proceso de compra semanal del propio mayorista.
  • Un tiempo de entrega por oportunidad, causado por los MOQs impuestos por los proveedores.
  • Un tiempo de entrega de fabricación, requerido por los proveedores para cumplir la orden de compra.
  • Un tiempo de entrega de transporte, requerido por la compañía de fletes.
  • Un tiempo de entrega administrativo, para pasar por las aduanas.
  • Un tiempo de entrega de recepción, para el inventario y control de calidad por parte del mayorista.
  • Un tiempo de entrega de expedición, requerido por el centro de distribución para cumplir las órdenes de los clientes.
  • Un tiempo de entrega de última milla, requerido por un transportista para realizar la entrega al cliente.

Para cada operación, usualmente es de interés reducir tanto el retraso promedio como la varianza del retraso.

Llevar un registro de todas estas operaciones implica mucho trabajo administrativo, el cual puede ser aliviado masivamente mediante sistemas IT modernos ya sea a través de códigos de barras y/o RFIDs. Los registros electrónicos se almacenan típicamente en los sistemas IT de las empresas involucradas. Los beneficios se extienden mucho más allá de la optimización de los tiempos de entrega, ya que esos sistemas aseguran la trazabilidad de los bienes, y en cierta medida, previenen la merma de inventario.

Hasta finales de los años 90, almacenar y procesar todos esos registros solía requerir recursos informáticos costosos, por lo que no siempre era económicamente factible adquirir, y mucho menos preservar, todos los registros minuciosos generados por el flujo de bienes físicos dentro de una supply chain. Sin embargo, desde principios de la década de 2010, los costos de almacenamiento de datos y computación han caído muy por debajo del punto en el que los recursos informáticos brutos realmente importan cada vez que se involucran flujos físicos. No obstante, los costos IT, particularmente las integraciones de sistemas, pueden impedir la adquisición de esos registros electrónicos.

Para mejorar los tiempos de entrega, y así reducir típicamente sus cuantiles altos como se discutió anteriormente, se requieren mediciones. Las mediciones detalladas de los tiempos de entrega son muy útiles para el análisis de las causas raíz. De hecho, dado que las operaciones varían considerablemente de un paso a otro, la naturaleza de las mejoras tiende a variar en gran medida también.

Tiempo de entrega del pedido

El tiempo de entrega del pedido se refiere típicamente al tiempo que transcurre entre el pedido del cliente y la entrega de los bienes. Esta duración es notable porque es el “sabor” del tiempo de entrega al que el público en general - a diferencia de los supply chain specialists - está más acostumbrado. En muchas industrias, más allá del ecommerce B2C, el tiempo de entrega del pedido está estrechamente relacionado con la calidad del servicio. En particular, los faltantes de stock tienden a ser el factor dominante que impulsa tiempos de entrega del pedido anormalmente largos.

Parte del desafío en mejorar los tiempos de entrega del pedido consiste no en acortar los tiempos de entrega mismos, sino en establecer las expectativas adecuadas en los clientes con respecto a la fecha de entrega. En particular, varias grandes empresas de ecommerce parecen haber adoptado durante más de una década el enfoque de compartir una estimación de quantile forecast del tiempo de entrega del pedido, que actúa como un probable límite superior del retraso. El sesgo en la estimación del retraso se introduce a propósito para minimizar la frecuencia de las situaciones en las que los bienes no se entregan a tiempo.

Forecasting de tiempos de entrega

La adecuada anticipación de los futuros tiempos de entrega es un ingrediente esencial para la optimización de una supply chain. Al igual que la demanda, los tiempos de entrega pueden y deben ser forecasted, aprovechando típicamente los datos históricos disponibles siempre que sea relevante.

Aunque el forecasting de tiempos de entrega aún no es una práctica generalizada entre los equipos de planificación de demanda, hay que notar que la mayor parte de las ciclicidades que se aplican a la demanda también se aplican a los tiempos de entrega. Por ejemplo, los tiempos de entrega tienden a exhibir estacionalidad, efectos del día del mes y del día de la semana. Los tiempos de entrega cambian con el tiempo. Por ejemplo, un proveedor puede revisar sus propios procesos para reducir los tiempos de entrega, o aumentarlos para bajar sus costos. La cuasi-estacionalidad también importa, con eventos como el Año Nuevo chino, que periódicamente incrementa los tiempos de entrega ya que muchas fábricas están cerradas en Asia durante ese periodo.

Los probabilistic forecasts deberían ser preferidos para los tiempos de entrega, porque como se ha señalado anteriormente, son los cuantiles altos los que determinan las implicaciones económicas de los tiempos de entrega. Los costos y problemas se concentran en la cola de la distribución. Sin embargo, señalemos de inmediato que las distribuciones normales (gaussianas) no deberían usarse para los tiempos de entrega. Como regla general, los tiempos de entrega nunca se distribuyen normalmente, y utilizar dicho modelo conduce a una gran subestimación de los cuantiles altos, lo cual a su vez es la receta para generar un flujo continuo de problemas de servicio.

Los tiempos de entrega pueden modelarse de manera más adecuada como distribuciones multimodales que reflejan el sistema físico subyacente. Por ejemplo, al poner en marcha una línea de producción, los tiempos de entrega de fabricación tienden a ser altamente predecibles, salvo que alguno de los materiales primas falte, en cuyo caso el tiempo de entrega de fabricación puede ser considerablemente mayor. Así, la modelización práctica de la distribución de probabilidad típicamente involucra una mezcla de distribuciones discretas y paramétricas.

Se espera que el probabilistic forecast del tiempo de entrega produzca una variable aleatoria discreta para cada fase interna. Frecuentemente es razonable asumir que esas fases internas son estadísticamente independientes (por ejemplo, el retraso impuesto por las aduanas es estrictamente independiente del retraso de fabricación). En esos casos, las variables aleatorias pueden sumarse canónicamente, lo que técnicamente implica una operación de convolución realizada sobre las distribuciones subyacentes.

Modalidades controladas

Aunque el modelo apropiado de probabilistic forecast de tiempos de entrega es típicamente multimodal, existen ciertas modalidades que requieren un tratamiento específico si hay un grado de control involucrado, a diferencia de las observaciones pasivas. Por ejemplo, si es posible solicitar un envío aéreo o un envío marítimo a un proveedor, los dos modos de transporte no deberían agruparse desde una perspectiva de forecasting. Hay un grado de control involucrado. Cada modo de transporte tiene su propia variabilidad y, por lo tanto, se requieren dos forecasts distintos.

Acoplamiento de la demanda

A medida que las capacidades de producción son limitadas cuando la demanda aumenta, el tiempo de entrega de fabricación tiende a incrementarse también. Este acoplamiento entre la demanda y el tiempo de entrega impacta negativamente la calidad del servicio, ya que disminuye la capacidad de la empresa para mitigar un aumento de la demanda mediante órdenes adicionales de compra o fabricación, precisamente debido al tiempo de entrega extra involucrado. Así, puede ser relevante tener un modelo predictivo conjunto tanto de la demanda como del tiempo de entrega, ya que los buffers de inventario requeridos dependen de dos factores.

Sin embargo, al considerar unidades de fabricación que tienen suficiente flexibilidad para (re)organizar sus colas de trabajo, los tiempos de entrega observados dependen en gran medida de la priorización dada a cada trabajo específico. Por lo tanto, la modelización predictiva adecuada del tiempo de entrega debe tener en cuenta el aspecto de la cola del problema, ya que los tiempos de entrega pueden variar dramáticamente dependiendo de elecciones arbitrarias de priorización. Este grado extra de control puede aprovecharse para mitigar el impacto de un aumento de la demanda.

Demanda de tiempo de entrega

La demanda de tiempo de entrega representa la cantidad de artículos a ser atendidos durante la duración del tiempo de entrega. Este valor es de particular interés porque, para evitar los faltantes de stock, el stock total (suma del stock disponible y el stock en pedido) debe permanecer siempre por encima de la demanda de tiempo de entrega. Cuando el stock total cae por debajo del tiempo de entrega, es garantizado que se producirá un faltante de stock.

Suponiendo que se puedan producir probabilistic forecasts tanto para la demanda futura como para el tiempo de entrega futuro, se vuelve posible calcular estimaciones de cuantiles (altos) de la demanda de tiempo de entrega, según se define por:

$$Q{\text{LeadDemand}}(\tau,y,L)=Q_\tau\left[\sum\limits_{{t=1}}^{{L_ \omega}} y_ \omega(t)\right]_{\omega \in \Omega}$$

Donde:

  • $${0≤τ≤1}$$ es el objetivo de la estimación de cuantil
  • $${y}$$ es la demanda, que varía a lo largo del tiempo
  • $${L}$$ es el tiempo de entrega
  • $${Qτ[..]}$$ es el cuantil de la función interna de valores reales
  • $${Ω}$$ es el conjunto de posibles resultados
  • $${t}$$ es el tiempo, siendo 1 el primer periodo futuro
  • $${y_ω}$$ es la demanda asociada al resultado $${ω}$$
  • $${L_ω}$$ es el tiempo de entrega asociado al resultado $${ω}$$

Esta estimación del cuantil de la demanda durante el tiempo de entrega es de interés al intentar mantener un nivel de servicio. Suponiendo un modelo de inventario simple de un solo SKU y un solo proveedor sin MOQ, entonces la cantidad a reponer en cualquier momento puede definirse mediante la fórmula:

$${ReorderQty(τ)=max(0,QLeadDemand(τ)−OnHand−OnOrder)}$$

Donde:

  • $${OnHand}$$ es el stock disponible
  • $${OnOrder}$$ es el stock en pedido

Esta fórmula asume implícitamente que no se pierde demanda al enfrentar faltante de stock. Esta suposición no es razonable en muchas situaciones, por ejemplo en el comercio minorista, donde típicamente los clientes o bien renuncian, optan por un sustituto o eligen a un competidor en lugar de simplemente postergar su consumo. Para eliminar esta suposición, el impacto de la demanda perdida debe modelarse explícitamente. Esto es especialmente importante cuando la demanda es altamente estacional, ya que los productos que se ponen a disposición después del pico estacional pueden quedar sin vender o sin utilizar durante un largo período de tiempo.

Bucles de retroalimentación impulsados por el tiempo de entrega

El tiempo de entrega puede verse como un factor de entrada para calcular la reposición, como se detalla en la sección anterior. Sin embargo, el tiempo de entrega en sí depende del calendario de pedidos (o de producción). Además, dicho calendario está generalmente diseñado para alcanzar las economías de escala esperadas al lograr la EOQ (cantidad económica de pedido), MOQ (cantidad mínima de pedido) o el tamaño nominal del lote de producción.

Así, los profesionales de supply chain se enfrentan frecuentemente a un bucle de retroalimentación entre la decisión que debe tomarse hoy (reposición y pedidos) y el momento en que se espera que esta decisión se repita en el futuro. Dicho de forma más sencilla, la cantidad a pedir hoy depende de la fecha del próximo reorden: un reorden más tardío significa que se requiere una cantidad mayor. Sin embargo, la fecha del siguiente reorden también se ve influida por el reorden del día actual: un reorden inmediato mayor implica una fecha posterior para el siguiente reorden.

Dado que la modelización explícita y la optimización numérica de este bucle de retroalimentación no son triviales, los profesionales de supply chain suelen establecer un calendario aproximado (es decir, un pedido por semana o por mes), de cierta manera en consonancia con las cantidades objetivo para alcanzar el tamaño de pedido deseado (es decir, la EOQ, MOQ o el tamaño del lote). Se asume entonces que este calendario es rígido, permitiendo que las cantidades de reorden varíen según sea necesario. Sin embargo, el enfoque de calendario fijo introduce ineficiencias por diseño, ya que la supply chain no aprovecha todos sus grados de libertad.

Se pueden idear mejores soluciones numéricas para abordar de forma nativa este ángulo del bucle de retroalimentación. Los algoritmos involucrados en esas soluciones generalmente se enmarcan dentro del aprendizaje por refuerzo. Sin embargo, detallar esos algoritmos está fuera del alcance del presente documento.

Problemas específicos por vertical

Los tiempos de entrega son variados y la perspectiva adecuada típicamente varía según la vertical considerada. En la siguiente sección, revisamos algunas verticales que presentan desafíos específicos notables relacionados con los tiempos de entrega.

Vida útil para alimentos frescos

Los alimentos frescos son altamente perecederos, y como resultado, los productos tienen una vida útil corta. Acortar los tiempos de entrega es normalmente crítico para preservar lo máximo posible el valor de mercado de los productos a exhibir. Así, al equilibrar opciones (empaque, transporte) que inciden en los tiempos de entrega, dichas opciones influyen no solo en la calidad del servicio, sino frecuentemente también en los ingresos esperados y en el desperdicio previsto que generará la supply chain en su conjunto.

Además, las marcas o distribuidores suelen enfrentar múltiples opciones de abastecimiento con distintas compensaciones entre tiempos de entrega y vida útil. Por ejemplo, una marca puede comprar directamente al productor, lo que implica un largo tiempo de entrega pero, al recibir los productos, una alta vida útil; o puede comprar a un mayorista, lo que implica un corto tiempo de entrega, pero la recepción de productos con una corta vida útil. En estas situaciones, una adecuada optimización de supply chain equilibra las dos opciones, lo que a su vez requiere un análisis predictivo de los respectivos tiempos de entrega y vidas útiles.

Tiempo de respuesta (TAT) para MROs

Los MROs (Maintenance Repair & Overhaul) gestionan componentes reparables. Para que se lleve a cabo cada cambio de componente, debe haber disponible de inmediato un componente en condiciones de servicio, mientras que el componente desmontado queda inservible hasta ser reparado. El retraso total desde la solicitud del cambio de componente hasta la nueva disponibilidad de la unidad en condiciones de servicio se conoce como tiempo de respuesta.

El stock de componentes que mantiene el MRO depende directamente del TAT. De hecho, si el MRO tuviera la capacidad (teórica) de reparar instantáneamente un componente inservible, no habría necesidad de stock. Como resultado, la forecast de los tiempos de entrega y la optimización tienden a ser incluso más críticas que la forecast de la demanda en lo que respecta a los MROs.

El énfasis en el análisis del TAT (frente al análisis de la demanda) se agrava típicamente por la naturaleza de las reparaciones no programadas, que se deben precisamente a fallos que implican cierto grado de incertidumbre irreducible para llevar a cabo los procesos físicos subyacentes; es decir, si existiese una manera de abordar proactivamente el problema, entonces el diagnóstico convertiría esas operaciones en reparaciones programadas.

Logística inversa para ecommerce

La mayoría de los ecommerce de consumo en la mayoría de los países ofrecen hoy en día la posibilidad de devolver los productos si al consumidor no le gusta lo que ha recibido. Sin embargo, la tasa de devoluciones varía considerablemente de un país a otro, principalmente por razones culturales. Por ejemplo, en el ecommerce de moda rápida, los consumidores alemanes suelen presentar tasas de devolución superiores al 50%. Estas altas tasas se deben, en parte, al hábito de pedir varias tallas y devolver todas excepto una.

Cuando las tasas de devolución son altas, el minorista online debe anticipar que una porción considerable del stock efectivamente regresará; de lo contrario, el minorista corre el riesgo de terminar sistemáticamente con exceso de stock a medida que los artículos retornan, luego de que se efectúan los pedidos de reposición. Sin embargo, existen tres incertidumbres respecto a las futuras devoluciones: primero, si los artículos serán devueltos o no; segundo, si los artículos pasarán el control de calidad una vez recibidos; y tercero, cuánto tiempo transcurrirá hasta que los artículos puedan ser revendidos.

Esos problemas de forecast son bastante susceptibles a un análisis estructurado y muy específico. De hecho, el número máximo de artículos que pueden ser devueltos en cualquier momento está limitado por el volumen de envíos recientes. Poner un tope a los eventos extremos es de suma importancia desde la perspectiva de supply chain. Además, al enfrentarse a la situación de “3 tallas pedidas, 2 tallas devueltas”, es posible anticipar con gran certeza la fracción de los pedidos de los consumidores que serán devueltos.

Empresas de leasing

Las empresas de leasing, tales como las compañías de leasing de automóviles o de muebles de oficina, enfrentan situaciones que son parcialmente semejantes a las de los MRO, pero no del todo. De hecho, el nivel adecuado de inventario depende tanto de la demanda futura como de las tasas de retención futuras, ya que el inventario retorna a la empresa de leasing al final del contrato. Dado que la empresa de leasing no tiene control total sobre la duración del contrato, dichos plazos deben forecastarse para optimizar el inventario. La duración de estos períodos de retención y su efecto en el inventario pueden ser analizados y forecast a través del lente de los tiempos de entrega regulares.

Sin embargo, la mayoría de las empresas de leasing tienen cierto grado de control sobre el período de retención mediante sus precios y las ofertas especiales que pueden otorgar a sus clientes. De manera similar a un minorista que puede impulsar la demanda de un producto al ponerlo en promoción, una empresa de leasing puede extender su período de retención ofreciendo términos más favorables. Así, en situaciones de leasing, el análisis de precios está intrincadamente ligado al análisis de los tiempos de entrega.

Antipatterns en tiempos de entrega

El término “antipatterns” se refiere a prácticas, procesos o herramientas que se plantean como soluciones pero que no logran entregar los resultados esperados. En las supply chain, los tiempos de entrega son propensos a una serie de antipatterns que revisamos en esta sección.

Falta de apreciación

Los tiempos de entrega son una de las razones fundamentales por las que la planificación y el forecast importan desde la perspectiva de la gestión de supply chain. Sin embargo, los tiempos de entrega —como fenómeno a modelar y moldear— suelen recibir apenas una mínima fracción de la atención que otros fenómenos competidores, como la demanda, obtienen. Existen múltiples institutos dedicados al forecast de la demanda, pero ninguno dedicado al forecast de los tiempos de entrega. Este gran desequilibrio en la asignación de esfuerzos conduce frecuentemente a situaciones en las que los análisis cuantitativos se realizan con precisión extrema —en el lado de la demanda— para luego redondearlos al valor más cercano —en el lado de los tiempos de entrega. La mayoría de las verticales requiere que los tiempos de entrega sean ciudadanos de primera categoría en la optimización de supply chain, al mismo nivel que la demanda, tanto en términos de proceso como de herramientas.

Sobreutilización

En la mayoría de las supply chain, la mayor parte del inventario —incluyendo materias primas y bienes semiacabados— pasa la mayor parte del tiempo inmóvil y esperando la siguiente operación. Se tienden a formar colas de procesamiento en cada etapa de la supply chain, y cada cola conlleva su propio tiempo de espera. Sin embargo, a medida que la utilización de cualquier activo se acerca al 100%, el tiempo de espera en la cola se aproxima a infinito. Así, la tasa de utilización del activo es un compromiso entre la amortización del propio activo y los tiempos de entrega involucrados. Dicho compromiso consiste en equilibrar los rendimientos decrecientes de una mayor tasa de utilización frente a los tiempos de espera que crecen exponencialmente.

A ciegas

Mejorar el tiempo de entrega generalmente comienza asignando correctamente la responsabilidad a la parte específica del proceso que está causando el mayor retraso evitable. Sin embargo, las mediciones de los tiempos de entrega pueden resultar engañosas. Por ejemplo, al medir el tiempo de entrega de un proveedor, si los pallets entregados frecuentemente quedan sin procesar a la espera de su recepción electrónica en un muelle, la medición puede inflar considerablemente el tiempo de entrega del proveedor, mientras que el proceso defectuoso es la recepción misma. Estos problemas generalmente no se pueden solucionar mediante análisis de datos, sino que requieren observaciones in situ para determinar si el proceso de adquisición de datos es confiable o no. Además, la misma adquisición de “tops” electrónicos, al representar una carga adicional para el personal, puede incrementar el tiempo de entrega general, lo que derrota el objetivo inicial.

LIFO emergente

Procesar trabajos o pedidos con un orden FIFO (primero en entrar, primero en salir) es casi siempre un requisito para garantizar una calidad razonable en el servicio. De hecho, las violaciones del principio FIFO generan de forma errática tiempos de entrega excesivamente largos. Sin embargo, a nivel físico, el orden LIFO (último en entrar, primero en salir) tiende a emerger de forma natural en muchas situaciones, y se requieren esfuerzos específicos para evitar estas situaciones de LIFO emergente. Por ejemplo:

  • Cada orden de trabajo entrante (picking, producción, reparación, etc.) se imprime automáticamente como una “hoja de trabajo”. Todas las hojas de trabajo entrantes quedan impresas en una caja. Sin embargo, debido a la naturaleza del proceso de impresión, los trabajos más recientes se colocan en la parte superior de la pila, orientando a los operadores hacia un orden LIFO.
  • Si un transportador resulta ser demasiado corto, los productos tienden a desbordarlo y pueden acabar colocándose en el suelo al inicio del transportador. Rápidamente se forma un montón de productos, y aquellos que han estado más tiempo terminan en la parte inferior de la pila. Desapilar los productos sigue el orden LIFO.
  • Cuando se descargan cajas o pallets en un muelle mediante un flujo de transportadores, a menos que el muelle se vacíe tras cada operación de descarga, los productos recién llegados tienden a colocarse delante o encima de los anteriores, lo que ocasiona un orden LIFO cuando se procesan.

Notas


  1. A partir de 2020, solo hay tres países que producen RAM (Random Access Memory), un componente de hardware fundamental en las computadoras modernas. Además, hay tres países que representan casi el 90% de la reserva y producción mundial de litio, un elemento esencial en las baterías modernas. ↩︎