Estamos al borde de una gran conmoción en la forma en que se gestiona el inventario. Esta revolución es el resultado de la disponibilidad de las enormes cantidades de datos en tiempo real que ahora se generan de forma rutinaria en Internet y a través del mundo interconectado de los sistemas de software empresarial y los productos inteligentes. Para hacer un uso eficaz de estos nuevos datos y mantenerse competitivos, los gerentes tendrán que rediseñar sus procesos de cadena de suministro.
Estoy hablando de ir más allá del uso de datos históricos tradicionales sobre ventas y existencias anteriores. Ahora es posible vincular datos generados por todas las interacciones de productos (incluidos pedidos, exámenes y revisiones de clientes reales y potenciales) y transacciones generadas por proveedores y competidores que se conectan a través de sitios web de Internet y portales en la nube. Estos datos pueden ser utilizados por los sistemas de gestión de materiales para controlar el pedido y la distribución de productos a lo largo de la cadena de suministro extendida de una empresa. Además, todos los datos que coincidan con estas interacciones de productos, que se derivan del entorno externo de la empresa, también se pueden acceder y enlazar.
¿Cómo va a funcionar esto? Los algoritmos avanzados de aprendizaje automático y optimización pueden buscar y explotar patrones, correlaciones y relaciones observados entre los elementos de datos y las decisiones de la cadena de suministro, por ejemplo, cuándo pedir un widget, cuántos widgets ordenar, dónde colocarlos, etc. Dichos algoritmos pueden ser entrenados y probados utilizando datos anteriores. A continuación, se pueden implementar y evaluar la robustez del rendimiento en función de la realización real de las demandas de los clientes. Por ejemplo, ¿el uso de estas herramientas basadas en datos reduce el costo y/o mejora el servicio al cliente?
¿Por qué importa esto? El paradigma tradicional para la gestión de la cadena de suministro es desarrollar herramientas sofisticadas para generar pronósticos que predigan con precisión el valor y el nivel de incertidumbre de la demanda futura. Estas previsiones se utilizan entonces como una entrada a un problema de optimización que evalúa las compensaciones y respeta las restricciones con el fin de tomar decisiones sobre la gestión de materiales. Este proceso de dos pasos, que se incorpora en todos los sistemas actuales de planificación y control de la gestión de materiales, puede ser reemplazado por un proceso de un solo paso que busca la mejor relación entre todos los datos y las decisiones. Sobre la base del aprendizaje del pasado, se puede identificar una relación «mejor», que generará decisiones, a medida que se resuelva la incertidumbre futura, que son mejores que las decisiones derivadas del enfoque tradicional de dos pasos de la primera previsión y luego se optimicen.
Este enfoque no está restringido por supuestos a priori sobre la naturaleza del mercado y los comportamientos que conducen a las demandas de los clientes o sobre los intercambios y limitaciones que deben tenerse en cuenta para evaluar las decisiones de gestión de materiales. En lugar de ello, el poder del aprendizaje informático, complementado con aportaciones de gestión basadas en conocimientos específicos del contexto, se utiliza para encontrar la mejor relación entre todas las decisiones posibles y la gama completa de los datos. El uso de esta relación puede conducir a un mejor rendimiento operativo. Esto dará lugar a mejores resultados porque utiliza todos los datos disponibles para los métodos actuales, junto con amplios datos adicionales que actualmente se ignoran y que pueden ser pertinentes.
Este escenario se vuelve aún más convincente cuando se tiene en cuenta el impacto del internet de las cosas. A medida que son utilizados por los clientes, los productos inteligentes y conectados pueden generar órdenes de magnitud más datos sobre las condiciones operativas actuales y el rendimiento en tiempo real de los productos. Estos datos, junto con los datos históricos tradicionales basados en ventas, pueden admitir mejores métodos de mantenimiento y reemplazo de productos.
El enfoque descrito aquí extiende el concepto de análisis prescriptivo, que muchos consideran el uso definitivo de Big Data. Sin embargo, la analítica prescriptiva ha eludido a la mayoría de los usuarios de Big Data hasta la fecha. Hay algunas excepciones notables en industrias como la venta al por menor de ropa en línea, donde las empresas pueden ver en tiempo real las decisiones de compra del cliente (por ejemplo, comprar o no comprar) y también pueden cambiar el precio de cada producto frecuentemente a un costo insignificante. Sin embargo, el minorista en línea sabe poco acerca de la probabilidad de que los consumidores compren a cada precio que establezca, pero puede aprender dinámicamente sobre la demanda esperada a partir de los datos de ventas.
Aunque persisten muchos desafíos, es evidente que es inevitable un nuevo enfoque que aproveche todos los datos disponibles, dada la conectividad, la capacidad y la transparencia de las fuentes de datos, junto con la gran potencia informática y la capacidad de almacenamiento de datos disponibles a bajo costo. Como todos los sistemas de planificación, la prueba estará en los resultados, cuando se apliquen en la práctica sistemas inteligentes basados en este enfoque. El cambio está llegando al mundo de la gestión de inventario y aquellos que acepten este cambio estarán por delante del juego. La adopción exitosa de este cambio requerirá la participación activa de múltiples funciones dentro de la empresa, junto con un alto nivel de coordinación con los socios de la cadena de suministro tanto de aguas arriba como posteriores, así como de compromiso con los clientes.
