Oportunidades para aplicar la Ciencia de Datos en la Supply Chain

El motivo principal de la introducción de Ciencia de Datos en la Supply Chain está en resolver los problemas predominantes que no pueden ser resueltos con las técnicas tradicionales. Uno de los desafíos es la complejidad de los procesos y la cantidad y variedad de datos no estructurados que están en constante evolución.

Las entidades de Supply Chain están interconectadas por significativos flujos físicos que incluye materias primas, trabajo en proceso, inventarios, productos terminados y devoluciones, flujos de información y flujos financieros. Por lo tanto las nuevas exigencias en la gestión de la Supply Chain impulsan a las compañías a mejorar su posición competitiva en el mercado global.

¿Cuál es el problema a enfrentar? Tradicionalmente, estos flujos estaban organizados sobre una visión secuencial que consideraba desde el proveedor al cliente. En la actualidad estos flujos de información no siguen esta forma lineal,  dado que el intercambio de información digital ocurre simultáneamente entre los participantes de la Supply Chain. Una Supply Chain consiste en la disposición de cantidad de elementos con gran variedad de tipos ligados en forma directa o indirecta. Esta variedad de elementos y sus interrelaciones agregan una alta complejidad a los sistemas. Estas características de complejidad necesitan ser consideradas desde otros ángulos para comprender su impacto. Veamos entonces su composición general.

Número de entidades de la Supply Chain: todas las entidades de la Supply Chain necesitan ser consideradas para comprender su impacto. Computar los datos de la totalidad de entidades puede ser muy difícil dado que la colección de datos se incrementa con el aumento de entidades consideradas.

Diversidad: La Supply Chain puede ser clasificada de acuerdo a su homogeneidad o heterogeneidad, producto de la combinación de modelos de Make-to-Stock, Make-to-Order, Engineer-to-Order y por Procesos, creados por tipo y variedad de acuerdo a los requerimientos del mercado.

Interdependencia: entre los elementos, productos y participantes de la Supply Chain. La complejidad se incrementa en directa proporción al incremento de las interdependencias.

Variedad: La variedad se representa en la dinámica del comportamiento de un sistema.

Incertidumbre: La incertidumbre prevalece en la Supply Chain por la falta de conocimiento sobre el sistema o las entidades particulares y esta incertidumbre aumenta en la medida que se  desconoce cómo interactúan sus componentes, generando a su vez mayor nivel complejidad.

Una buena forma de adquirir una visión completa de la Supply Chain bajo las perspectivas mencionadas, es a través del Modelo de Referencia de la Supply Chain (SCOR, ver nuestro curso sobre el tema). Esta visión facilita el paso al desarrollo y aplicación de la Ciencia de Datos en la Supply Chain.

Aplicaciones Generales de Ciencia de Datos

La ciencia de datos entra en el campo práctico con un rango muy amplio de aplicaciones. Veamos algunos casos generales típicos y su relación en el mundo de la Supply Chain

Publicidad digital

Es una de las aplicaciones más rentables de la ciencia de datos y que resultó totalmente disruptiva en toda la industria, la cual además, ha sacudido todo el escenario del mercado, proveyendo objetivos personalizados que logran una alta tasa de conversión (promoción-resultado en ventas) cuando se las compara con la publicidad tradicional. La alta tasa de retorno de la inversión es el resultado de la utilización de algoritmos de comprensión del comportamiento del usuario y lo que encuentra este usuario como información útil y aplicable. Esto es posible porque los algoritmos despliegan avisos que son relevantes para el usuario, en vez de un aviso fijo para todos los usuarios. Estas acciones replantean la relación con la gestión de demanda y el forecast de ventas.

Sistemas de recomendaciones

Estos sistemas proveen las formas de sugerir productos basados en las preferencias previas del usuario u otras informaciones basadas en el comportamiento del usuario y de su entorno. Estas aplicaciones resuelven el problema de la relevancia de los temas que el usuario enfrenta cuando tiene que decidir entre una alta variedad de productos y le provoca una parálisis en la toma de decisión. La ciencia de datos utiliza el feedback del usuario explícito e implícito para construir un perfil personalizado de cada uno de ellos, de manera que el usuario es aproximado a los productos que están más cerca de su interés o que ha venido comprando. El sistema de recomendaciones es uno de los más utilizados en e-commerce. En otros casos a falta de información histórica del usuario, con base en su perfil general se lo aproxima a un cluster formado por usuarios de perfil parecido, y por lo tanto se estiman preferencias por grupos a los cuales se les presenta las mismas ofertas. Estos sistemas son utilizados ampliamente por compañías como Netflix y Amazon, las cuales realizan una sintonía fina para reorientar la compra de productos y servicios.

A partir de la información recolectada en estos sistemas, se puede replantear los algoritmos utilizados para realizar el forecast y a su vez el plan estimado de delivery.

Reconocimiento de imágenes

Actualmente el poder de la ciencia de datos y el aprendizaje automatizado se aplica en los sistemas de reconocimientos de imágenes. Se puede observar por ejemplo en Facebook con el etiquetado de fotos de amigos, donde se asocian las imágenes por la identificación de las fotos, o en el caso de las búsquedas de imágenes similares en Google.

Esas posibilidades se extendieron al desarrollo de aplicaciones con potencial en la inspección y el mantenimiento de activos físicos a través de toda la Supply Chain. Utilizando algoritmos específicamente diseñados que pueden buscar y comparar  patrones en múltiples archivos, el aprendizaje automatizado proveyó un medio muy efectivo para realizar inspecciones para detectar problemas de calidad en hubs logísticos, aislar productos con daños, y según los casos indicar los pasos a seguir para solucionar el problema.

El impacto de Big Data en la SCM

Los avances de la tecnología aplicados a todos los componentes de la Supply Chain implicó en que los datos generados se incrementaron a una tasa sumamente alta. Recordemos que el flujo de información estuvo basado en términos de documentos físicos hasta que el uso de la s TICs en Supply Chain se volvió una parte indisoluble de la misma, Ahora, la mayoría de la información que vinculada al flujo de materiales, equipos y recursos  está documentado en la estructura de datos en forma digital. Como el alcance de la Supply Chain es global, el volúmen de datos recolectados en sus numerosos procesos y en la velocidad a la cual está siendo generado llegó a la calificación de Big Data. Además, las entidades como marketing y ventas para ganar un mejor perspectiva de las necesidades de los clientes están ahora dependiendo del análisis de datos no estructurados junto con datos estructurados. La utilización de Big Data ha demostrado que genera un valor agregado significativo en áreas como distribución, predicción del comportamiento de la demanda del mercado, decisiones de abastecimientos, feedback de clientes, optimización de la logística, además de mejorar los costos de los procesos de la Supply Chain.   

En el próximo artículo entraremos en las fuentes y tipos de datos utilizados en la Supply Chain y cómo son utilizados por la Ciencia de Datos para crear nuevas funciones para mejorar la exactitud del forecast, encontrar patrones de comportamiento a través de la utilización de sensores en Internet de las Cosas (IOT), determinar modelos de demanda, optimizar los procesos de planificación, y más.

FacebooktwitterlinkedininstagramFacebooktwitterlinkedininstagram

About Author

Ing. Industrial (UBA), CPIM (APICS), CSCP (SCC), ITIL (itSMF). Profesor del IEEC. Webmaster y curador de la página del IEEC.

Comments are closed.