Tal como lo percibimos con frecuencia, ese flujo de productos no es algo homogéneo y de simple gestión, sino que presenta muchas particularidades: diferentes estacionalidades, condiciones de conservación y tiempos de vida útil, y variedad de composiciones del mix que difieren según los puntos de venta, entre otras. A todas estas particularidades se suma otra característica muy importante que es el grado de incertidumbre en la demanda de acuerdo al tipo de producto: nos encontramos desde productos funcionales con una demanda razonablemente predecible y estable, con ciclos de vida largo, hasta productos innovativos, cuya demanda es de difícil predicción y en general se caracterizan por un ciclo de vida más corto; y en la actualidad se están pasando a gestionar cada vez más este último tipo de productos.
Te puede interesar: Transformación digital: cómo administrar el tsunami imparable
Del dato a la información
Todas estas características implican una importante tarea de modelado de la cadena de abastecimiento para lograr eficacia (satisfacer las necesidades del cliente) y eficiencia (al menor costo posible) en toda esta cadena de valor. Este modelado y la gestión se basan en contar y procesar adecuadamente los datos que configuran los diferentes aspectos de su realidad como ser datos sobre demanda, distribución, existencias (stocks), costos, capacidades, tiempos, calidad, geolocalización, unitarización, condiciones de mantenimiento y estado del producto, entre otros.
El desarrollo de tecnologías (lectoras de código de barras, QR, RFID, GPS, sensores y diversas aplicaciones de gestión, más todos los recursos de conectividad y almacenamiento de datos) y su temprana adopción en el rubro han ido posibilitando la obtención de estos datos que generalmente se presentan en grandes volúmenes, pero para poder sacar valor de los mismos es preciso obtener la información en ellos contenida y que la misma esté disponible en el tiempo, la manera y la forma en que lo requieren quienes deben y pueden tomar decisiones. Es decir, necesitamos modelar la obtención, procesamiento, flujo y disposición de tal manera de que el dato se vuelva accionable.
Desde el Centro de Industria 4.0 de la Universidad Austral entrevistamos al Ing. Germán Morales (Coordinador Comercial y Desarrollo de nuevos negocios) y al Ing. Federico Hack (Gerente de Ingeniería Logística) de la empresa iFLOW, operador logístico especializado en cadena de frío, eCommerce y Transporte Internacional, para que nos cuenten como aportan valor en la cadena de abastecimiento desde la función logística, y particularmente a partir de la analítica de datos, dando así un mejor servicio a sus clientes directos, el cliente final y en general para toda la cadena en su conjunto.
Germán, recién comentábamos cómo hace unos años estudiábamos a la logística en términos de tres flujos, un flujo de bienes y servicios que iban desde los proveedores a los clientes, un flujo financiero y otro flujo de información que viajaba principalmente del cliente hacia atrás. Hoy podemos contar con una inmensa cantidad de datos en todos lados y el negocio depende en gran medida de generar valor a partir de esos datos…
Hay que tener en cuenta que datos no es lo mismo que información. Estamos rodeados de datos que se transforman en información cuando se convierten en algo útil, esa información genera conocimiento y ese conocimiento genera poder para tomar decisiones y elegir un camino u otro. Por eso recalcamos que “el conocimiento es poder”. Nos encontramos en un mar de oportunidades ante la abundancia de datos y caminos distintos de decisión.
Tal cual, pero para poder aprovechar esas oportunidades necesitamos desarrollar nuevas capacidades digitales, como la inteligencia de negocios y la analítica de datos: ¿cómo definirías esas capacidades, y que los llevó a ustedes a emprender un desarrollo de las mismas?
El concepto de Business Intellingence (BI) es utilizar herramientas y estrategias de análisis de datos que sirven para transformar información en conocimiento, con el objeto de mejorar el proceso de toma de decisiones. Hoy en día la toma de decisiones en tiempo y forma, en base a información sustentada, es una ventaja competitiva para las empresas.
Algunas señales que nos fueron indicando la necesidad de avanzar en este sentido son:
• Abundancia de datos, pero poca información.
• Necesidad de un trabajo más sinérgico entre áreas, abandonar el trabajo tipo silo. Por ejemplos las áreas de Tráfico, Administración, Operaciones, manejan distinta información, pero la facturación es una sola y todos estamos tratando de llegar a un mismo dato.
• Reuniones gerenciales donde los datos no coinciden, ¿cuál refleja la realidad?
• Teníamos cultura de análisis de la información pero llegado a un punto, Excel empezaba a resultarnos poco flexible. Resulta útil para una empresa pequeña, pero para una Pyme no es de utilidad porque es sumamente vulnerable.
• Necesidad de mayor evidencia frente a procesos de decisión altamente intuitivos.
• Búsqueda de mayor productividad.
Federico, como Gerente de Ingeniería estuviste a cargo del proceso de desarrollo de estas capacidades: ¿Podrías sintetizar cómo funciona la BI? ¿Es un proceso muy complejo? ¿Requiere mucha inversión? Creo que puede ser interesante la explicación técnica desde un proceso que nos resulta conocido…
El proceso de BI en sí es sencillo de explicar. El primer paso es identificar las fuentes de datos (data sources), después reunir la información y generar el Data Warehouse: que implica tener todos los datos en un mismo lugar. Luego, hay que vincular los datos que están en distintas tablas de alguna manera, lo que implica analizar los datos. Finalmente, ese análisis nos va a permitir con distintas estrategias generar reportes y dashboards para las personas que toman las decisiones, con el fin de mejorar su proceso de elección.
Sin embargo, su implementación en la realidad requiere un análisis profundo de los sistemas existentes y de cómo vincularlos. Para un entendimiento del negocio que lleve a formular las preguntas adecuadas es clave que quienes toman las decisiones se involucren en el proceso. Y te diría que una vez montada la infraestructura en sistemas, la clave del éxito es encontrar el partner estratégico adecuado que te ayude a vincular los distintos sistemas en un único Data Warehouse. El sector de IT de iFLOW no lo hizo en forma independiente; seleccionó un proveedor para esta tarea, lo que no es sencillo porque hay pocos en el mercado que sepan hacerlo de la forma correcta y eficiente. Nuestra experiencia fue muy buena.
Para entender la complejidad de esto, ¿nos pueden contar sobre qué sistemas de la empresa se centra la toma de datos y su posterior análisis?
En el caso de iFLOW, el BI se centra en el medio de los sistemas que se utilizan y toma datos de los mismos, los vincula y los procesa,
• WMS y TMS sistemas de depósito y tráfico.
• Sistemas de seguimiento.
• Ruteador con inteligencia artificial que, por ejemplo, aprende de las demoras en la calle y las tiene en cuenta para próximos ruteos.
• ERP (Enterprise resourse planning).
• CRM (Customer Relationship Managment).
• Magento, plataforma de ecommerce.
Una pregunta un poco más técnica, pero que puede ayudar a comprender mejor el proceso a través del cual se obtiene el valor de la información: En ciencia de datos se habla mucho de los “data sets”, ¿podrían explicar este concepto?
Son extracciones parciales del Data Warehouse, para el caso en que el usuario necesite obtener cierto tipo de información (por ejemplo tráfico) sin tener que acceder a todo el DW. Para acceder a un data set en general se cuenta con una pantalla donde seleccionar atributos y métricas. De acuerdo a los atributos que se desean analizar y los indicadores (por ejemplo de un producto: costo, kilos pickeados, etc.), se define para que localización (CD) y qué día estamos analizando. Luego el sistema utiliza la información de las tablas del DW y se generan los respectivos gráficos.
Estos gráficos tienen información de ciertas variables relacionadas al data set, atributos e indicadores que seleccionamos previamente, por ejemplo dispersión de los kilos del cliente, y muestra también los datos que están por fuera de los límites. Ayudan a tener información útil para el diseño de depósitos, por ejemplo teniendo en cuenta la rotación, volúmenes de demanda, etc.
Como hablábamos al principio la finalidad de obtener conocimiento a partir de los datos es asistir a la toma de decisiones, es decir el dato sirve en la medida que se vuelve “accionable” y le permite a la empresa generar valor. ¿Podrían darnos algún ejemplo de esto?
Les contamos dos casos que sirven para ilustrar el valor de la información en la toma de decisiones. Como ustedes saben la pandemia generó cambios muy abruptos en los patrones de consumo y disrupciones que tuvieron que afrontar las cadenas, estos casos son diferentes situaciones con diferentes clientes que ilustran bien el concepto:
Caso 1: Análisis de los perfiles de venta en el segmento minorista del “Cliente X”
El cliente sufrió mucho con la pandemia, al límite de casi desaparecer, por lo que estaba pensando en cerrar las zonas minoristas, donde los volúmenes de venta no superaban cierto límite, ya que no se estaban cubriendo los costos fijos.
Para evitar esto usamos BI con el fin de proponerles acciones de mejora. Estudiamos los patrones de consumo de los puntos de venta y sugerimos acciones focalizadas de promoción a costos menores que el estándar, para acompañar el mal momento del cliente X.
Se hizo un ABC de productos y se propuso un esquema de descuentos para los cuáles su cliente final (minorista) históricamente tenía demanda y que había dejado de comprar. Esta acción logró que los clientes empezaran a traccionar y a partir de ahí se fue incrementando la demanda.
Caso 2: Cálculo de bonificación y descuento comercial a un “Cliente Y” sujeto a un recimiento potencial.
Nuestro modelo de negocio se basa en un “win- win”; entendemos que en la medida que a nuestro cliente le va mejor también ganamos nosotros, somos “socios”. Nosotros habíamos propuesto al cliente que si el crecimiento era mayor a un determinado porcentaje, se analizaría un descuento comercial. La pandemia afectó positivamente a este cliente. La demanda de sus productos “A” creció un porcentaje menor, pero impactando también a iFLOW (positivamente) por esta situación. Teniendo en cuenta esta situación, desde iFLOW se extrajo información de todos los viajes, para simular no solo el aumento de ventas sino también de posibles ahorros (por no saturación de vehículos por ejemplo) y calcular un porcentaje de ese nuevo margen para ceder al cliente.
Como puede verse el análisis de datos nos ayuda a simular escenarios posibles, que antes analizábamos de manera más intuitiva.
Nos parecen muy valiosos los ejemplos, sobre todo porque se ve claro cómo se genera una mayor adaptabilidad de la empresa y de la cadena en su conjunto, a partir de la información. ¿Usan también la información para cuestiones más habituales de la operación?
Te cuento dos casos más en relación a tu pregunta, uno tiene que ver con una aplicación para customer service y el otro con el nivelado de capacidad.
– Customer service: Tenemos una ticketera web, donde se categoriza el tipo de reclamo de los clientes. Nutrimos la ticketera con el WMS y el CRM, de esta manera el cliente puede ver los reclamos que cargó, en qué mes, en qué planta y en qué estado está su reclamo. Le permite sacar algunas conclusiones tan sólo observando el gráfico. A su vez, también nos alimenta generando ideas de mejora continua. Y nos permite gestionar los tiempos de respuesta a los reclamos mediante la fijación de objetivos.
-Nivelado de capacidad: El objetivo es nivelar la carga operativa diaria a lo largo de la semana para buscar una reducción de horas extras. Si bien la capacidad presenta determinada flexibilidad, a veces el costo de esta flexibilidad (horas extras, más camiones, etc.) es demasiado alto. A través de la analítica podemos tener más claro la capacidad óptima a ofrecer, agrupar las entregas en zonas y programar los despachos de manera más eficiente.
Germán, una última pregunta, ¿específicamente a qué se refieren cuando hablan de iFLOW como un operador 4PL?
Las siglas 4PL significan “Fourth-Party Logistics”. Cuando hablamos del concepto de 4PL, nos referimos a un modelo de integración con el cliente en el que administramos no solo nuestros recursos, capacidades y tecnologías, sino también la de otros proveedores de servicios complementarios, ofreciendo una solución completa a nuestro cliente. Muchas veces tiene que ver con el proceso productivo, desarrollos de tecnología o incluso desarrollos comerciales.
Bajo este concepto no le brindamos al cliente solamente camiones, gente y depósitos. Vamos un paso más allá, le damos información clave para su negocio. Para ello les pedimos que nos participe en su proceso de decisión y acompañamos su inversión sumando nuestros conocimientos y experiencia. Es un proceso que lleva tiempo y depende mucho de la predisposición del cliente, por eso con algunos clientes somos solo 3PL, una tercerización logística con contrato y KPIs, pero cuando existe la posibilidad apuntamos a un nivel de integración más amplio.
Conclusiones
Sintetizando todos estos conceptos podríamos decir que una pieza clave en esta habilidad de adaptación que se refleja en el modelado y la gestión de la cadena de suministro, es disponer de información valiosa que nos permita tomar decisiones estratégicas, tácticas y operativas oportunas, y para ello se requiere contar con las adecuadas capacidades digitales. Estas capacidades digitales van más allá de disponer de las necesarias TI y TO (Tecnologías digitales de información y operación), ya que implican principalmente contar con una cultura y forma de trabajo de las personas, alineadas con esas tecnologías; el alcanzar un estadío de madurez digital con estas características va a significar una clara ventaja competitiva para la empresa y toda la cadena de valor.
(*) Los autores forman parte del Centro de Industria 4.0 de la Facultad de Ingeniería de la Universidad Austral.
Te puede interesar:
Marcela Vincenti
