El 2020 es un año con un entorno que nadie pudo haber previsto ni anticipado, la economía mundial recibió fuertes impactos y muchas empresas aún siguen buscando la forma de adaptarse a la nueva normalidad. Dentro de esta historia, la cadena de suministro global cumple un rol esencial que impacta de tres formas a empresas y al consumidor final.

Lo primero es la nueva demanda de artículos necesarios para combatir y prevenir la propagación de virus. Lo segundo es la escasez de piezas y productos de todo tipo de proveedores asiáticos, principalmente chinos. Y tercero son las exportaciones a China, muchas veces redestinadas a países como México o Vietnam, medida paliativa, pero sin duda insuficiente.

Con todo lo sucedido, pareciera que la Inteligencia Artificial (IA) ha estado en deuda. “Existe una necesidad de datos para ayudar al cliente a planificar y responder a la cadena de suministro no solo en tiempos de rutina, sino también en aquellos de crisis, como el actual asociado al coronavirus, pero que también se da con el cambio climático”, señaló Ángelo Petrillo, director de preventa para América Latina de Blue Yonder, proveedor de cadenas de suministro digitales.

Aquí es donde la visibilidad en tiempo real, la IA y el aprendizaje automático (Machine Learning o ML) entran en escena, agregó el directivo. “Debido a que el comportamiento y efectos del virus aún es nuevo y con pocos antecedentes históricos, algunas empresas están enfocadas en recabar datos para ayudar a visualizar y predecir los impactos actuales y futuros de esta o próximas pandemias, pudiendo visualizar cómo éstas afectan el suministro de un cliente en los entornos afectados”.

Señaló que algunos de estos datos incluyen tomar alimentos de los Centros para el Control y la Prevención de Enfermedades (CDC) en tiempo real y mapear los sitios de fabricación y logística para modelar las respuestas y obtener tiempos de llegada de suministros más precisos. Con capacidades de visibilidad en tiempo real, los clientes pueden ganar tiempo para identificar proactivamente problemas en la cadena de suministro, y saber por ejemplo “¿Dónde está mi inventario?”. Luego, se aprovechan las recomendaciones basadas en ML para encontrar fuentes alternativas de suministro y capacidades de ejecución integradas para convertir las recomendaciones en envíos de suministros alternativos.

“Es fundamental contar con una visión de la cadena de suministro de punta a punta, desde el fabricante en China, pasando por el buque que llega a los centros de distribución, luego transporte terrestre y hasta que llega al consumidor final. Hay que tener la visibilidad y si ocurre algo imprevisto se sugiere una alternativa”, agregó Petrillo.

Factores para obtener información

Los equipos de ciencias de datos actualmente están ayudando a las empresas a modelar una variedad de escenarios para obtener información de tres factores:

• Visibilidad del inventario: conocer la cantidad y la ubicación del inventario en la cadena de suministro es fundamental para satisfacer un aumento en la demanda de ciertos dispositivos médicos y otros suministros necesarios con urgencia. Mediante el uso de AI y ML, las empresas pueden modelar y predecir mejor la demanda y ajustar su inventario desde la adquisición hasta el transporte, almacenaje y el enrutamiento de suministros a ubicaciones antes de la demanda.
• Predicción de suministros: el uso de AI y ML ayuda a los operadores de la cadena de suministro a predecir su tiempo de llegada, lo que les permite tomar medidas preventivas para mitigar el impacto de la escasez. La automatización impulsada por ML puede asumir tareas rutinarias como la reposición, mientras que las fuerzas de trabajo humanas pueden centrarse en el manejo de excepciones y las decisiones estratégicas a corto plazo.
• Adaptación: los sistemas autónomos de toma de decisiones y manejo de materiales permiten a las empresas adaptarse flexiblemente a diferentes escenarios y prepararse mejor para los factores que podrían afectar su capacidad de enviar y recibir materiales.

Necesario para existir

Las plataformas de cumplimiento digital impulsadas por ML deben estar diseñadas para poder tomar decisiones cuando las condiciones sean inciertas. Sabemos que las máquinas son ideales para manejar enormes cantidades de datos y tomar muchas decisiones a corto plazo basadas en datos. Aunado a una IA, estas aprenden de los patrones cambiantes de demanda y oferta, de modo que después de dos o tres semanas, el sistema de ML comienza a predecir la escasez de oferta, así como a recomendar sustituciones (dependiendo de la industria) o acciones de reposición.

“Las compañías de las cadenas de suministro que no utilicen la tecnología para poder entender y atender al cliente final, no lograrán rescatar el posicionamiento de mercado y, con el tiempo, habrán de desaparecer. Por ejemplo, como cliente de una farmacia voy a comprar un medicamento habitual y, además, atado a eso, compro otros productos complementarios de limpieza o higiene que no necesito de inmediato. Si la farmacia no conoce mi comportamiento y no tiene esos productos de limpieza o higiene en sus estantes, puede que pierda mi lealtad y vaya a comprarlos junto con el medicamento a la competencia”.

Los sistemas son de aprendizaje constante, aprenden de las incertidumbres y luego, saben cómo el usuario se comporta basado en ese evento que antes no existía, señaló el directivo de Blue Yonder, quien puso como ejemplo la exactitud que se obtiene de eventos como “El Buen Fin” de México -similar al Black Friday americano- y que hace unos años no existía.

“Manejamos hasta 200 variables externas desde clima, hasta feriados y días de pago, para pronosticar y ser más precisos, reduciendo la incertidumbre”, concluyó Petrillo.