Machine Learning y Supply Chain Planning

La evolución de la inteligencia artificial y de las computadoras que aprenden cuando reciben datos nuevos, es inevitable en supply chain planning.

La pregunta del momento es: ¿qué significa y cómo llegar a utilizarla?

Cuando hablamos de Machine Learning en cierta forma estamos en la zona de la inteligencia artificial, porque en su forma de aprendizaje no supervisado, es la capacidad de las computadoras de aprender sin ser programadas explícitamente.

La consultora Gartner, considera que el máximo tiempo para la adopción de Machine Learning está aún por llegar: quizás dentro de los próximos cinco. De hecho, la presión hoy está en lograr costos competitivos, determinados volúmenes de venta y objetivos de servicio al cliente, Demand Planning, optimización de inventarios, Sales and Operations Planning (S&OP) y planificación y optimización de supply chains.

Una aplicación de Machine Learning y Demand Planning es lo que se logra con la actualización de los algoritmos de los pronósticos, buscando el mejor ajuste a partir de información recientemente incorporada y así utilizarlos para cada modelo de pronóstico según la etapa de vida en que se encuentre el producto.

En la fase de optimización, sí se ocupa de buscar las mejores alternativas a partir de los datos de infraestructura y capacidades existentes: del transporte; de los requerimientos de servicio al cliente y de los objetivos de contabilidad, etc.

Un ejemplo de optimización es el Multi-Echelon Inventory Optimization (MEIO)u optimización de inventarios a partir de múltiples niveles de almacenes. MEIO emerge como una importante fuerza moviendo el mercado e impulsando la rotación de inventarios a través de estructuras “Omni-Channel“. El “efecto Amazon“ de instalar el envío gratuito, en tiempos mínimos, obliga a ubicar el inventario correcto, en la cantidad correcta, en el lugar correcto y en el momento correcto. La respuesta antigua basada en tener excedentes en inventarios, genera crecientes riesgos y costos de obsolescencia a partir de información no actualizada y es un verdadero costo innecesario y una estrategia orientada al fracaso. Una buena estrategia de MEIO puede reducir los inventarios hasta 30% y es una aplicación actual de Machine Learning.

Aprender o implementar Machine Learning no es algo sencillo ni inmediato. Lleva tiempo, pero como en todo lo que es cuestión de aprendizaje, comenzar hoy es mejor que mañana. Llevará años, pero será sin duda una nueva ventaja competitiva para los que lo tengan. Los costos se seguirán cortando con bisturí. Comenzar hoy con planificación algorítmica y tecnologías de optimización ayuda a crear el conocimiento maduro y la experiencia fundada que facilita la incorporación mañana de Machine Learning.

Para más información ver artículo aquí.

Nota del IEEC: el advenimiento acelerado de estas tecnologías no es algo casual. Podríamos citar muchas causas, pero tres sin duda se destacan entre todas.

La primera es la enorme capacidad de almacenamiento de datos y sus bajos costos. Hasta hace poco tiempo, almacenar datos era costoso y el espacio era limitado. Actualmente los algoritmos de optimización de la información permiten utilizar capacidades impensadas. Esto da origen a “la nube” que tiene capacidad prácticamente ilimitada de almacenamiento. Dos ejemplos a mencionar son Google Drive y Amazon Web Services.

La segunda causa es el nacimiento de softwares para programación de algoritmos muy eficientes, poderosos y rápidos.

La tercera es el descubrimiento de nuevos materiales para la fabricación de procesadores que los hacen mucho más veloces, poderosos y eficientes en el uso de la energía que consumen. Esto va a continuar. Y la Ley de Moore que establece que cada dos años el crecimiento de la potencia de los procesadores se verifica en forma exponencial, parece definitivamente sobrepasada y dejada atrás.

Estos temas ya no son un lujo. Son una realidad. Sin duda ayudan a poner el foco para lograr el desarrollo social en otra nueva dimensión. Todo se vuelca en buena medida al área de la generación de conocimiento. Es un entorno donde se compite con “materia gris” y, en consecuencia y paradójicamente, es más fácil y a la vez más difícil de ingresar y avanzar. Es más fácil y más difícil, también, sentirse en igualdad de condiciones para lograrlo. Es cuestión de no distraerse una vez más con excusas que produzcan parálisis e inmovilidad porque todos somos básicamente iguales.

Series Navigation<< Blockchain en la Supply Chain (4)
FacebooktwitterlinkedinmailFacebooktwitterlinkedinmail

About Author

Ing. Civil (UBA), M. Sc. (Universidad de Berkeley), CPIM y CSCP (APICS), SCOR-P, SCOR International Instructor.

Comments are closed.