Sin duda, en los últimos años y sobre todo en los últimos meses, hemos sido testigos de cómo distintas herramientas que componen el espectro de la Inteligencia Artificial (IA) han sido altamente disruptivas, no sólo por la gran variedad de aplicaciones posibles, sino también por su capacidad para reemplazar y/o complementar el trabajo del ser humano. Uno de los ejemplos más recientes es ChatGPT, que incluso ha motivado la publicación de una carta de 1000 líderes tecnológicos proponiendo una suspensión temporal de las investigaciones en dicho ámbito del conocimiento.

Si bien el término “Inteligencia Artificial” fue acuñado a mediados del siglo pasado, su evolución y reciente uso explosivo, ha sido consecuencia de diversos factores habilitantes. Entre ellos, la disponibilidad de grandes volúmenes de datos y el incremento exponencial de las capacidades de procesamiento y almacenamiento de datos. Este fenómeno ha impulsado el desarrollo de la Ciencia de Datos y el Machine Learning (ML) como ramas de la IA. Por otra parte, el desarrollo de tecnologías para el reconocimiento de imágenes, procesamiento de lenguaje natural y algoritmos especializados de búsqueda, entre otras, están contribuyendo a conformar este amplio y disruptivo espectro de la IA.

La optimización de las cadenas de suministro no es un campo vedado para la aplicación de algunas técnicas de IA. Al respecto, identificamos dos ámbitos de aplicación. Uno de ellos, es la elaboración de pronósticos de venta haciendo uso de sofisticadas técnicas de predicción basadas en ML. El otro es como un complemento en la planificación de las operaciones de abastecimiento y distribución de productos y la planificación y programación de producción.

Respecto de la elaboración de pronósticos de venta, podemos descomponer el proceso completo en 2 etapas: la primera consiste en generar un forecast estadístico basado en datos históricos (implica limpiar datos históricos atípicos y detectar patrones de tendencia y estacionalidad, entre otros). Y la segunda, en alinear el forecast estadístico con el presupuesto anual y metas de venta. Estas intervenciones normalmente van acompañadas de acciones comerciales dirigidas e incentivos de la fuerza de venta que buscan alcanzar dichos objetivos.

Hasta la fecha, los resultados de nuestro trabajo de investigación aplicada nos permiten aseverar que las técnicas de ML, han demostrado ser superiores a los métodos tradicionales de series de tiempo. Dicha superioridad se manifiesta en la construcción de un forecast estadístico con resultados consistentemente más precisos.

Respecto de la planificación de producción e inventarios, podemos decir que normalmente en las empresas este proceso se entiende como la fijación de coberturas de stock máximos y mínimos.  Sin embargo, detrás de esta aparente simplicidad subyacen aspectos que convierten estos procesos en un desafío no trivial. Algunos de los factores que complejizan estos procesos son: los inevitables errores de pronóstico de la demanda, los cambios imprevisibles en la disponibilidad de recursos productivos (fallas de equipos, ausentismo), la capacidad de producción y el uso de materias primas que son compartidas por varios productos. Como agravante, múltiples otras restricciones operacionales deben satisfacerse en forma conjunta. Adicionalmente, desde el punto de vista gerencial existen trade offs entre los KPI’s de las áreas Comercial, Finanzas y Operaciones (para mejorar uno debemos empeorar otro). Existen miles de combinaciones posibles de nivel de servicio versus capital inmovilizado en inventarios, pero no resulta obvio cuál de esas combinaciones es la mejor para la compañía.

Hoy en día, las empresas que están conscientes de que al ejecutar estos procesos en base a Excel pueden dejar varios miles de dólares “sobre la mesa”, están incorporando la tecnología apropiada. Esta consiste en herramientas computacionales que generan en forma automática planes y programas de producción, abastecimiento y distribución que son factibles, eficientes y optimizan indicadores clave de desempeño.  En la incorporación de dicha tecnología se pueden distinguir dos fases. La primera, consiste en modelar, parametrizar y validar la realidad propia de cada empresa en la herramienta computacional utilizada. Este es un proceso complejo, en el que profesionales especialistas, a través del modelamiento matemático, deben identificar variables, parámetros, y sus relaciones con restricciones y objetivos propios de cada empresa. La segunda fase, consiste en la resolución del modelo matemático construido en la primera fase. En otras palabras, esta es la instancia donde se generan en forma automática los planes de producción, abastecimiento o distribución de productos.  Si bien esta problemática ha sido generalmente cubierta por otro dominio del conocimiento (Investigación de Operaciones), los algoritmos de búsqueda de soluciones desarrollados durante las últimas décadas, en años recientes están siendo complementados y potenciados por técnicas de Inteligencia Artificial. Esta integración permite reducir tiempos de búsqueda y la calidad de las soluciones propuestas.

En síntesis, la IA provee herramientas útiles para complementar las metodologías tradicionales utilizadas en la elaboración de pronósticos y en la planificación y programación de operaciones de la cadena de suministro. Sin embargo, en ninguno de estos casos invalida los algoritmos tradicionales, ni elimina la necesidad del conocimiento humano experto. Lo último es particularmente relevante en el caso de planificación de operaciones de producción, abastecimiento y distribución de productos, porque de no existir un modelamiento matemático apropiado, se corre el riesgo de resolver eficientemente el problema equivocado.

Autor: Sergio Flores Urquiza, Gerente General de Demafront y profesor titular de la PUCV(*).

En tiempos normales, la gran mayoría de las empresas elaboran mensualmente sus proyecciones de venta. Algunas incluso, con procesos más maduros, operan bajo la metodología S&OP que permite entre otras cosas involucrar a gran parte de las áreas funcionales de la compañía. Sin embargo, con la incertidumbre actual que genera la Pandemia y sus efectos colaterales, ni las empresas con procesos de planificación más robustos están satisfechas con los valores obtenidos en sus KPI. En consecuencia, es fácil imaginar la magnitud de las dificultades que están (y seguirán) enfrentando las empresas para predecir las ventas de cientos o miles de SKU.

A nuestro juicio, la correcta elaboración de un Forecast de Venta debiera considerar a lo menos los siguientes pasos:

1. Determinar para cada SKU el número de periodos de historia a utilizar. Demasiada historia no permite detectar oportunamente cambios en la venta, y muy poca provoca sobrerreacción de los modelos de pronóstico.
2. Limpiar los datos históricos de venta para eliminar (o suavizar) eventos distorsionadores (outliers).
3. Determinar una métrica de desempeño para evaluar la precisión del Forecast, y guiar la búsqueda del modelo más adecuado para cada SKU, para generar el Forecast Estadístico (Forecast Base).
4. Incorporar conocimiento experto analizando no solamente a nivel de SKU, sino también a nivel de categorías, y en unidades que hagan sentido al negocio, por ej.: toneladas, dólares, etc.
5. Alinear el Forecast Base con los objetivos de crecimiento y Market Share de la compañía, incorporando las acciones comerciales necesarias[1].

En este artículo, si bien se reconoce la relevancia de un buen Forecast de Venta, se hace explícito que la precisión de dicho Forecast no es en sí misma un KPI relevante para la determinación del Nivel de Servicio (o Fill Rate según corresponda) que puede alcanzar la compañía. El Forecast de Venta es sólo uno de varios input necesarios para planificar adecuadamente el Abastecimiento de Centros de Distribución y Reposición de tiendas.

El resultado final de los KPI que “mueven la aguja”, por ej.: i) Cobertura de Inventario, ii) Nivel de Servicio, iii) Costos Logísticos, dependerá de la adecuada definición de Stock de Seguridad y de Ciclo. Otro aspecto a destacar es la necesidad de que en este proceso no sólo se considere el Forecast de Venta, sino que también su error histórico. La figura 1 sintetiza lo anterior y hace explícito el impacto de estas decisiones sobre los KPI mencionados.

Centrándonos ahora en la etapa de Optimización de Inventario (determinación de los Stock de Seguridad y de Ciclo), es frecuente encontrar que muchas empresas usan sólo criterios intuitivos quedando así bastante espacio para optimizar:

• Respecto al Stock de Ciclo: lo típico es ajustarse sólo a los lotes mínimos exigidos por los proveedores o recurrir a frecuencias de reabastecimiento semanal/mensual.
• Respecto al Stock de Seguridad: existen dos debilidades en los criterios comúnmente utilizados. Una de ellas es no considerar la relación entre la magnitud del Stock de Ciclo y el Stock de Seguridad, ya que un SKU con Stock de Ciclo alto requerirá un menor Stock de Seguridad para alcanzar el mismo Nivel de Servicio, que otro SKU de iguales características, pero con un Stock de Ciclo menor (reordenamiento más frecuente). La otra debilidad es no considerar las características de cada SKU: lead time, costo, margen unitario, media de la demanda y error de pronóstico.

Para ilustrar esta debilidad, podemos señalar que en algunos programas de postgrado se propone una clasificación que agrupa los SKU en cuadrantes, considerando dos dimensiones que generalmente son: coeficiente de variación de los errores de pronóstico y volumen de venta valorizado (ver figura 2).

Esta metodología permite identificar 4 cuadrantes, sugiriendo asignar una menor Cobertura a los SKU del cuadrante “1” y una mayor a los del cuadrante “4”. Por su parte, la definición de Coberturas de los cuadrantes “2” y “3” quedará a criterio de los tomadores de decisión.

Si bien esta metodología va en la dirección correcta, presenta tres debilidades importantes:

1. No toma en cuenta el Stock de Ciclo, lead time ni el margen de contribución de cada SKU.
2. Los SKU ubicados en extremos opuestos de un mismo cuadrante (puntos A y B), tienen características muy diferentes. Sin embargo, se les asignará la misma Cobertura.
3. Los SKU ubicados cerca del límite de dos cuadrantes adyacentes (puntos B y C) tienen características muy similares. Sin embargo, se les asignará Coberturas muy distintas.

Hoy, en plena Cuarta Revolución Industrial, es posible aplicar algoritmos de optimización que permiten construir la “Frontera Eficiente” entre Stock de Seguridad y Nivel de Servicio para el inventario total de una compañía. La figura 3 ilustra dicha frontera, y se le denomina “Eficiente” porque cualquier punto ubicado en ella corresponde al mínimo Stock necesario para obtener un Nivel de Servicio dado, o alternativamente, el máximo Nivel de Servicio dado un Stock Objetivo.

Esta Frontera permite además, identificar las alternativas infactibles (puntos bajo la curva), y las alternativas ineficientes (puntos arriba de la curva). En consecuencia, las empresas que utilizan esta metodología versus la aplicación del enfoque de cuadrantes obtienen mejoras significativas en sus KPI (Cobertura de Inventario, Nivel de Servicio, Costos Logísticos).

Entre los resultados obtenidos por empresas que han aplicado la metodología de la Frontera Eficiente, es posible señalar la experiencia de dos de nuestros clientes: en un caso se logró una reducción de 31% en la cobertura de inventario y simultáneamente un incremento de 2 puntos porcentuales en el Nivel de Servicio. Y en el otro caso, se obtuvo una reducción de 90% en los quiebres de stock, sin incrementar la cobertura de inventario.

En tiempos donde se observa una mayor presión por reducir el Capital de Trabajo, tanto ahora como en el mediano plazo,  debido al encarecimiento del crédito y al aumento de restricciones en el acceso a éste, resulta ser una buena noticia para el alivio de muchas empresas que exista una tecnología como esta.

[1] Una adecuada gestión de promociones debe incluir el registro del tipo de promoción, su magnitud y fechas de inicio y término. Este registro permitirá tener una base de datos confiable para efectos de predecir el comportamiento de la venta en la eventualidad de futuras promociones del mismo tipo.

(*) Ingeniería Industrial de la Pontificia Universidad Católica de Valparaíso.