El creciente número de equipos, máquinas y servicios interconectados está generando una enorme colección de datos que aumenta continuamente. Esta tendencia nos lleva también a pensar en el crecimiento de Big Data, donde el volumen de datos a gestionar es de una magnitud tal, que no puede ser procesado con las técnicas de computación convencionales.
Por otro lado, cómo estos datos son utilizados en el aprendizaje automatizado y en la inteligencia artificial para descubrir patrones de comportamiento, requieren contar en principio con una nueva visión de los conceptos de Data Analytics y de cómo es su contribución en la cadena de procesos desde el abastecimiento hasta el delivery a los clientes.
Por ejemplo, las grandes compañías basadas en supply chain utilizan -en lo posible- todas las tecnologías de avanzada disponibles para monitorear y hacer el seguimiento de billones de ítems de inventario, que se encuentran en decenas de centros de distribución. Luego, basándose en la analítica predictiva, buscan anticiparse a los envíos para predecir cuando un cliente comprará un producto, y enviarlo a un centro cercano a ese cliente.
En otros casos se analizan millones de transacciones de clientes para anticipar los pedidos a los proveedores cercanos al destino final de compra. La supply chain recolecta más datos de los que puede gestionar o de los que pueda llegar a conocer, y aún si los conociera, no sabría qué hacer con ellos. Y esto no es simplemente una anécdota.
SCM Data Analytics
El objetivo y contribución del uso de data analytics en la supply chain es el de crear valor a través de los datos, descubriendo patrones de comportamiento que nos conduzcan a modelos predictivos. Estos hallazgos facilitan la interpretación del comportamiento de los clientes, inferir las decisiones que pueden llegar a tomar, y delinear tendencias tempranas del ciclo de compras y ventas.
La actual concepción de data analytics combinada con big data da un paso más adelante buscando encontrar nuevas ideas, accionables en términos de casos de usos predictivos, y justamente este mecanismo de pasar del descubrimiento de patrones a la producción de resultados accionables es una de las características distintivas de la combinación de componentes tecnológicos. El ejemplo clásico de predicción accionable está en los sistemas de recomendaciones de productos, tal como se ven en Netflix o en Amazon, y muchos más.
Si bien existen una variedad de definiciones sobre SCM y Data Analytics, podemos resumir el conjunto de propuestas de la siguiente manera:
“SCM Data Analytics” es el proceso de aplicar técnicas de análisis avanzadas -en combinación con la teoría de la SCM- a los conjuntos de archivos cuyo volumen, velocidad, variedad, veracidad y valor requiere de herramientas de tecnologías de información de avanzada, para apalancar a los profesionales de SCM con la habilidad y competencias necesarias para responder a los problemas relevantes, proveyendo el conocimiento del negocio a tiempo y con exactitud para la toma de decisiones.
La confirmación de esta tendencia en SCM tiene claras implicancias con la necesidad de trabajar fuertemente en los temas asociados con la gestión de Data Analytics. Aunque los datos transaccionales almacenados en las bases de datos relacionales de los sistemas conocidos como ERP, CRM, SRM, TMS, WMS, etc., se mantienen en el núcleo de la información interna de las compañías, y a pesar de que contienen grandes volúmenes de datos, en realidad son una pequeña fracción con respecto al total de las fuentes de datos disponibles para su análisis.
Siguiendo el modelo de la matriz de tipos de datos (estructurados y no-estructurados), la mayoría de ellos se encuentran en las interfaces con clientes y proveedores y son precisamente del tipo no estructurados y de muy alto volumen, como por ejemplo los de medios sociales, encuestas online, dispositivos de localización, y los emails, que si bien son masivamente usados para la interacción con clientes son poco utilizados todavía para los análisis. Porque justamente los formatos no son estructurados (aunque sin duda serían una fuente muy valiosa de información del intercambio comunicaciones entre la empresa y los clientes y proveedores).
El porqué del desarrollo de oportunidades con el uso de data analytics
El motivo principal de la introducción de las nuevas técnicas de data analytics (DA) en la Supply Chain está en resolver problemas que no pueden ser resueltos con las técnicas tradicionales. Uno de los desafíos es el aumento de la complejidad de los procesos, y la cantidad y variedad de datos no estructurados que están en constante flujo.
Las entidades de Supply Chain están interconectadas por significativos flujos físicos que incluyen materias primas, trabajos en proceso, inventarios, productos terminados y devoluciones, flujos de información y financieros. Por lo tanto, las nuevas exigencias en la gestión de la cadena de abastecimiento impulsan a las compañías a mejorar su posición competitiva en el mercado global utilizando inteligentemente los datos almacenados.
Tradicionalmente, estos flujos estaban organizados sobre una visión secuencial que consideraba desde el proveedor al cliente. La Supply Chain actual 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.
Niveles de Data Analytics aplicados a la supply chain
Data Analytics combinado con big data implica el uso avanzado de técnicas de análisis para extraer un conocimiento valioso de los datos almacenados, facilitando la toma de decisiones. Según los diferentes autores, se puede considerar que existen básicamente tres niveles de data analytics, donde cada nivel tiene roles y resultados diferentes
• La analítica descriptiva tiene un amplio alcance en términos de la cantidad de procesos que considera para describir el ecosistema. Básicamente se aplica en el desarrollo de reportes resumiendo los datos previa limpieza y codificación para que resulten más fácil de interpretar. Nos dice que ocurrió.
• La analítica predictiva nos permite predecir que puede ocurrir utilizando algoritmos y modelos de simulación. Se viene aplicando en evaluación y gestión de riesgos, forecast.
• La analítica prescriptiva nos permite prescribir y tomar acciones para optimizar los procesos. Sé aplica intensamente en los procesos de supply chain de manufactura, transporte, almacenamiento, unificando los datos de los nuevos procesos que vienen de la mano con la Industria 4.0.
Avanzando hacia aspectos más sofisticados, la analítica adaptiva, permite aprender del comportamiento de los usuarios, y poner foco en aspectos específicos de ese comportamiento.
Big Data Analytics en la Supply Chain
Big Data Analytics puede trabajar a través de todos los niveles de la SCM, transportando información desde un área a otra, pero la agregación de datos requiere de exactitud, consistencia y disponibilidad a tiempo de los datos. Por ejemplo, el sector de marketing captura y sigue la pista de la demanda a través de los datos de POS (Puntos de Venta), el transporte genera registros de los localizadores GPS, los datos de RFID identifican los productos almacenados o en tránsito, y los sistemas de intercambio electrónico de datos envían órdenes de compra automáticas.
La simple observación de los procesos, por ejemplo, usando el modelo de referencia de la operación de la Supply Chain como SCOR, no arroja a simple vista que ocurre con los datos, pero con la utilización de las técnicas de minería de procesos, es posible empezar a descubrir cómo se vinculan y utilizan realmente los datos a través de toda la cadena de valor y en cada uno de los elementos de los procesos de la cadena de suministro. El análisis nos permitiría desarrollar las redes de datos, estableciendo los niveles de utilización, desde el núcleo donde se encuentra poca variedad de tipos de datos hasta la periferia, donde hay mayor variedad de datos pero menor tasa de vinculaciones. Allí es justamente donde se debilita la fuerza de las relaciones entre los datos.
¿Cuáles son algunos de los resultados esperables de la aplicación de Data Analytics en conjunto con Big Data?
• Mejoras en la predicción de necesidades de los clientes
• Mejoramiento en el servicio al cliente y el cumplimiento de la demanda
• Tiempo más rápido y efectivo de reacción dentro de la supply chain
• Mayor integración de la supply chain
• Mayor efectividad en los procesos de S&OP y toma de decisiones
• Menores tiempos de ciclo de liberación de órdenes.
• Mejoras en la evaluación de riesgos
• Mejoras de la trazabilidad
Conclusión
El beneficio estratégico de Data Analytics asociada a la Supply Chain parte de conocer las fuentes de datos de todo tipo presentes en la red real de la cadena de suministro, y con esta relación establecer los modelos de datos que se encuentran en cada aplicación específica, ya sea que estén en el núcleo como en la periferia de la supply chain
Esta visión requiere nuevamente de un cambio holístico en la estrategia de gestión de los datos. Lo que ofrecerá una mejora de eficiencia sustancial, aparte del hecho que ayudará a comprender mejor los problemas tanto en términos de la funcionalidad de la cadena de suministro como en los términos de la visión analítica amplia de los datos y sus fuentes.
Por la importancia que representa tener una visión analítica de los datos, este proceso debe ser considerado como un activo estratégico, así las organizaciones de supply chain podrán capitalizar mejor esta combinación DA/SC y dado también los avances en las tecnología relacionadas con el Aprendizaje Automatizado, Inteligencia Artificial y Redes Neuronales, se hace cada vez más evidente el considerar un área que centralice los principios de data analytics y las tecnologías asociadas a la exploración, presentación y predicción de datos.
Recordemos que la pirámide de Datos, Información, Conocimiento y Sabiduría, se mantiene más vigente que nunca.
(*) El autor es Ingeniero Industrial, Profesor del IEEC – Escuela de Negocios, Supply Chain Management y Logística.
