Desde la Revolución Industrial todos los procedimientos de fabricación han puesto su foco en acumular y entender los datos. Sin embargo, es recién en los últimos años, con el avance de las nuevas tecnologías, que las empresas pueden capitalizar al máximo el potencial de valor que estos “ocultan”.
Hasta hace muy poco tiempo, se les utilizaba de manera limitada, para medir aspectos como el tiempo de manufactura, la cantidad de piezas que salían desde un centro logístico o la cantidad de artículos con fallas, para luego, con algunas dosis de intuición y otras de experiencia, tomar decisiones para generar mejoras en los procesos. En la actualidad, la profusión de la digitalización incrementa de manera exponencial la cantidad de datos disponibles, al tiempo que los sistemas para procesarlos son cada vez más accesibles: incluso se puede hacer desde un teléfono móvil.
Este nivel de democratización en el acceso a las nuevas tecnologías, sumado a la existencia de herramientas de analítica avanzada cada vez más precisas e inteligentes, nos dan la posibilidad de evaluar cada punto de la cadena de valor para buscar optimización. Por ejemplo, permite predecir la demanda con un error prácticamente nulo y no solo con base en cuánto se vendió el mes anterior, sino a cálculos complejos, completos y con información de múltiples fuentes que procesa un algoritmo de machine learning. Esto impacta de diversas maneras: permite ajustar la compra de materias primas, el uso de equipamientos y la cantidad de personal, al tiempo que garantiza la entrega en tiempo y forma de todos los productos que se adquieran.
Previsión de demanda y ruteo inteligente
En la industria de la energía, por ejemplo, este tipo de previsión de demanda puede llevar de un error del 7% a menos de un 1%. Para una empresa del sector, esta diferencia puede resultar clave en el ESG (siglas en inglés por las acciones con impacto medioambiental, social y de gobierno corporativo). En la industria de los alimentos y bebidas, para citar otro ejemplo, cuando se sabe cuánto va a vender cada supermercado, cada kiosco y cada restaurante, no solo se ahorra por el hecho de evitar productos de más o de perder ventas por enviar de menos: también se puede armar una estrategia de recirculación de los productos para cubrir más zonas geográficas.
El otro gran ámbito de aplicación de la analítica avanzada en la cadena de suministro es el ruteo inteligente: el cálculo de la ruta óptima para llevar la mercadería entre los almacenes y los puntos de entrega, lo que retorna como ahorro de combustible, mejor cuidado de los vehículos, mayor precisión en el delivery, y hasta una mayor seguridad para los conductores. También permite optimizar el espacio en el almacén, ya que se sabe a priori cuánto tiempo estará cada producto y se lo guarda en función a ese dato.
Pero estos dos casos de uso, los más transitados hasta el momento, son apenas el principio del camino hacia una cadena de suministro optimizada por la analítica avanzada. Gracias a la industria 4.0, internet de las cosas, GPS y los dispositivos móviles, hoy es posible tener sensores en cada activo -cada máquina de una planta, cada vehículo, cada pieza de mercadería-, para tener un seguimiento impensable hace apenas algunos años.
Un sensor para cada activo
El mantenimiento reactivo de maquinarias de acuerdo con las indicaciones del fabricante ycon las inspecciones visuales, por ejemplo, hoy suena prehistórico. Según ese modelo, recibía el mismo trato un equipo que había sido usado en el desierto que uno que había sido instalado en la selva o, uno que había sacado 10.000 piezas por día que otro que extrae un artículo por semana. La analítica avanzada habilita el mantenimiento predictivo: los sensores pueden analizar si cambiaron los niveles de temperatura, si las vibraciones están por encima del umbral permitido o si hay problemas con el voltaje y lanzar alertas o incluso hacer directamente la solicitud de reparación.
Esto aplica también para optimizar la producción en procesos complejos como el refinado del petróleo, en los que factores como la calidad del insumo o las cuestiones ambientales pueden impactar en el producto final: un operador demora 45 segundos en mover una palanca para variar la temperatura y eso genera un cambio. Con analítica avanzada apoyada en modelos de inteligencia artificial y machine learning eso puede digitalizarse, de forma que siempre se obtenga el mejor resultado posible.
En la era de la inteligencia empresarial, utilizar analítica avanzada para optimizar la cadena de suministro es clave para que su organización siga trasladándose hacia el futuro, en lugar de quedarse herrumbrada en los almacenes del pasado.