Potenciando Data Analytics

This entry is part 1 of 17 in the series Data Analytics

(Por Candelaria de Hernández, Agustín Portilla e Ignacio Sánchez Chiappe, profesores del área Data Analytics del IEEC) Los sistemas y tecnologías disponibles permiten recoger y guardar crecientes cantidades de datos haciendo posible que Data Analytics tenga muchas aplicaciones directas en logística y supply chain management.

Desarrollos simples que permitan visualizar y descubrir qué variables aportan valor es clave, para hacer una selección de los datos a dejar o quitar, y descubrir el tipo de relaciones existentes entre ellos. Las aplicaciones son numerosísimas y en este artículo describimos varias de ellas.

Se estima que la tecnología relacionada a Big Data creará un crecimiento anual acumulado de 26,4%.Como contrapartida podemos asegurar que cuánto más abundantes son los datos, mayor es el desafío de gestionarlos y de utilizarlos para lograr conclusiones con aplicaciones al mundo de las empresas.

Esto no le quita aplicabilidad. Por el contrario, refuerza la necesidad de contar con buena cantidad y calidad de datos y con la capacidad de análisis para poder aplicarlos.

Diversas son las áreas de interés donde aplicarlos. Todas tienen el potencial de crear un impacto positivo mejorando la gestión en las empresas y los resultados operativos tanto desde una perspectiva de llegar mejor a los clientes como la de obtener mejores resultados económicos y financieros.

Algunas aplicaciones que destacan:

mayor rapidez y certeza para detectar los requerimientos de los clientes.
reducción de costos, al llegar a conocer con más transparencia a lo largo de toda la supply chain los datos de los inventarios, su ubicación y la dimensión de los cuellos de botella y la cantidad de los recursos requeridos para mejorar el estado de situación.
reducir la exposición al riesgo cuando se conocen mejor las incógnitas que podrían generar puntos de vulnerabilidad.
la aplicación de RFID al lograr una supply chain “que hable” y que aporta para un diseño mejorado de la ubicación y cantidad de los inventarios.
mejor planificación y programación de las operaciones logísticas y de la producción de bienes y/o servicios.
utilización de los datos para hacer posibles lograr respuestas mejoradas y planes más ajustados a la realidad, apoyándose en datos de mayor calidad y volumen. Es el caso de un cálculo mejorado del ATP (Available to Promise o Disponible para Prometer) que permita saber mejor qué se puede y qué no se puede prometer a los clientes y en qué tiempos, en base a los pedidos ingresados y a la capacidad de reaprovisionar del sistema.
usar la “analítica predictiva”, que anticipa respuestas y posibilita un servicio más exacto los requerimientos reales de los clientes. Es posible aprovechar también la enorme capacidad almacenada en la nube para guardar, analizar y depurar datos. Amazon Web Services (AWS) es un clarísimo ejemplo de un cambio de paradigma en cuanto al uso de los datos y su vinculación con la estrategia de la empresa.
mitigar el «efecto látigo» en la propia supply chain como resultado de contar con información más abundante y adecuada de la demanda y del funcionamiento de los inventarios. Los datos permiten arrojar luz sobre el estado de la demanda y de los inventarios en la totalidad de la cadena o al menos en sus puntos más críticos.
mayor extensión y profundidad de los análisis al contar con mayor cantidad de datos y con las herramientas que permita limpiarlos y decidir cuáles datos utilizar y cuáles dejar afuera. Cuatro atributos despiertan la atención en lo que respecta a la enorme cantidad de datos disponibles y en aumento:
1. grandes volúmenes
2. velocidad de generación
3. variedad en sus orígenes
4. veracidad de las fuentes
análisis de comportamiento a través de aparatos remotos a partir de la información recogida por sensores que hacen posible trabajar mejor con el Internet de las Cosas (IOT)
mejoramiento de la eficiencia logística, optimizando operaciones y trabajando con datos obtenidos y almacenados en tiempo real.
pronósticos y gestión de la demanda. Es un tema recurrente que siempre requiere aumentar la precisión para reducir la inseguridad y el riesgo.

¿En qué ámbitos aplicar Data Analytics?

Se reconocen tres:

Productos
Red de proveedores
Entorno que nos rodea

Y que pasa por tres fases:

Iniciación
Adopción
Rutinización

Se han reportado usos con impacto en diferentes áreas de las empresas:

1. Finanzas: el impacto financiero en la supply chain se puede medir mejor cuando se cuenta con datos que mejoran la visibilidad y la capacidad de análisis. Se necesitan para tomar decisiones más rápidas en tiempo real. La velocidad de respuesta es siempre una variable crucial y en ocasiones las diferencias a favor pueden estar en los dos o tres segundos de tiempo en la velocidad para decidir. Es conocido el caso de una empresa que compra commodities (en este caso naranjas) y por diferencia de tres segundos llegó a comprar un enorme cargamento de esta fruta. Tres segundos más tarde el precio de las naranjas había escalado de una manera muy importante. En estas ocasiones es donde se hace evidente el valor que generan los datos y tener el conocimiento para analizarlos.

2. Respuesta rápida al consumidor. Un buen modelo analítico permite extraer conclusiones muy ajustadas referentes a cantidad, al momento y a la ubicación para tener una rápida respuesta a la reposición de inventarios a partir de la demanda real del momento. Por el contrario, la ausencia de información y de la capacidad de analizarla no permite mejorar un proceso de toma de decisión basado en la imprecisión y en respuestas aproximadas y tardías.

3. Datos estructurados y datos no estructurados. La capacidad de desarrollar analizadores de textos que permitan analizar y desmenuzar información no estructurada como es la que proviene de redes sociales. Se reconoce que en esos textos existe un enorme valor oculto que pueden indicar preferencias, tendencias, posibilidades y también cambios en los hábitos o preferencias de los usuarios. Uno de los problemas que plantean hoy las redes sociales es la enorme velocidad de cambio y actualización que tienen. Ignorar o desconocer estos cambios y tendencias puede significar quedar fuera de contexto en un tiempo relativamente muy pequeño.

¿Dónde estarán los desafíos?

Hablando de análisis e interpretación de los datos, es lógico llegar al punto donde nos preguntemos: ¿cómo seguirá este tema? ¿qué nos anticipa el futuro?

Se reconocen tres áreas de creciente atención:

I. El desafío de comprender mejor el enorme potencial y urgencia que tiene big data en supply chain y consecuentemente trabajar y afinar en la mejora de los datos que se utilizan para lograr una logística mucho más eficiente y eficaz

II. La importancia de saber cómo integrar y estandarizar tipos heterogéneos de datos. Esto debe vincularse en una etapa previa con la definición de la estrategia de negocios y del rol insustituible que juegan los datos en hacerla posible.

III. La utilización de diferentes tipos de datos y de técnicas analíticas que permitan evidenciar, asimilar e incorporar los hallazgos dentro de los procesos de negocios haciendo posible una mayor y efectiva integración.

Data Analytics en supply chain y logística comienza el 6 de mayo

Series NavigationData Analytics permite pasar de lo operativo a lo estratégico, anticipando soluciones y aprovechando oportunidades para ser más eficientes >>