Las organizaciones orientadas en la eficiencia aplican un modelo de planificación de ventas y operaciones (S&OP, por sus siglas en inglés) mensual, que consiste en un proceso integrado que alinea la demanda, el suministro y la planeación financiera.
Aunque no es la única forma, es mucho más efectiva al aplicarse mediante una plataforma digital que soporte todas las fases del proceso.
La firma británica Belford Consulting identifica seis fases de S&OP: las revisiones del producto, la demanda, la cadena de suministro y las finanzas, además de la preparación de la planificación como tal y la consolidación de todos los datos, que como puede presumirse no son pocos.
Solo basta pensar en algunos como el pronóstico de consenso, la demanda histórica, la variabilidad en los patrones de demanda, las promociones, el inventario o las órdenes de trabajo de fabricación.
Es un proceso que implica la participación activa de cada departamento o área funcional de una empresa. Como apunta el especialista Jim Collins, en un análisis para IBM, “todos en la organización deben planificar efectivamente cómo asignan sus recursos”.
De inicio, uno de los grandes retos de una S&OP es la correcta colaboración y comunicación entre las personas involucradas, le sigue la definición de un proceso bien estructurado que evada ineficiencias o detecte oportunidades y finalmente la adopción de una tecnología que facilite el almacenamiento, la organización y la administración de las funciones y los datos.
Superar dichos desafíos, que no son menores, impulsan la eficiencia, pero no es suficiente. El modelo es perfectible tal y como lo demuestran los investigadores y expertos en cadena de suministro, Minhaaj Khan y Srideepti Kidambi.
En su artículo Mejora del rendimiento de la planificación de ventas y operaciones con analíticos, presentado al Programa en Gestión de la Cadena de Suministro del Massachusetts Institute of Technology (MIT) en junio de 2018, apuntan que las organizaciones carecen de la capacidad para evaluar los riesgos en su S&OP.
Son pocas las que hacen el esfuerzo por evaluar metódicamente los riesgos y determinar las oportunidades de mejora en el plan.
Esto es especialmente importante —apuntan— en los procesos de S&OP donde las entradas subjetivas, como el conocimiento de gestión, tienden a sopesarse en gran medida junto con las metodologías objetivas (pronóstico estadístico).
Entre los resultados del estudio de Khan y Kidambi, realizado como parte de su proceso de titulación en la Maestría en Ciencias Aplicadas, hay una mejora en la precisión del retraso de tres meses en un 5.7%, una reducción del sesgo a casi cero y un incremento de la ganancia operativa conservadora.
Los investigadores del MIT se enfocaron en la predicción de riesgos de una planificación de ventas y operaciones de una empresa de bienes de consumo empaquetados (CPG, por sus siglas en inglés).
Los CPG son productos que se venden rápidamente y a un costo relativamente bajo, tienen una vida útil corta y su obsolescencia es un riesgo común cuando la oferta no se corresponde correctamente con la demanda.
Este desequilibrio es el caso de la empresa de estudio, que debe tomar decisiones de suministro con tres meses de anticipación de la demanda por contrato para entregar productos a tiempo.
La mayoría de las empresas intentan mitigar este riesgo al llevar un excedente de inventario, pero cuando se trata de productos de vida útil corta, una demanda no solicitada conduce a altos niveles de obsolescencia y otros problemas de la cadena de suministro.
Las técnicas de analítica predictiva aplicadas fueron identificación de patrones de riesgos en el proceso S&OP y mitigación de esos riesgos para mejorar la precisión de pronóstico de consenso para la empresa que vende productos de salud y nutrición.
El objetivo fue responder a las siguientes preguntas: ¿Pueden los modelos de análisis predictivo predecir con eficacia patrones de riesgo de alta probabilidad en el plan S&OP?, ¿cuánto pueden estos modelos mejorar la precisión del pronóstico de consenso y cuál es el impacto financiero de esta mejora? y ¿qué factores son importantes para el éxito de otras empresas CPG que quieren perseguir una metodología de evaluación del riesgo similar en su S&OP?
En el proyecto de Khan y Kidambi se aplicaron técnicas de análisis predictivo para identificar y predecir patrones de riesgo en la S&OP.
En su visión, un tomador de decisiones inteligente debe encontrar formas de obtener valor de los datos después de que tanto la máquina (el pronóstico estadístico) como los humanos (las áreas de ventas, mercadotecnia, finanzas o cadena de suministro) hayan arrojado sus resultados (pronóstico de consenso).
El desafío es planificar qué hacer, cuándo hacerlo y para quién. De ahí que se recurra al análisis predictivo en la gestión de la cadena de suministro, al aprovechar varias metodologías de pronóstico cuantitativo para administrar mejor el equilibrio entre oferta y demanda.
Para los investigadores del MIT, la minería de datos ofrece la oportunidad de aprovechar las numerosas fuentes de datos de series de tiempo; es decir, de puntos de datos en intervalos de tiempo iguales, así como los factores internos y externos que afectan los planes de S&OP.
Esto permite a los tomadores de decisiones comerciales la oportunidad de crear estrategias procesables que pueden impactar directamente en la rentabilidad.
El análisis predictivo puede identificar riesgos en la próxima planificación de ventas y operaciones antes de que ocurran, lo que permite planificar mejor qué hacer, cuándo y para quién a fin de reducir los costos de inventario/distribución, aumentar el capital de trabajo, impulsar objetivos de optimización de ingresos y mejorar la lealtad del cliente.
El estudio demostró el potencial de la analítica predictiva para capturar con éxito los riesgos comerciales en la S&OP a pesar de la falta de predictores clave y sin grandes datos.
Los investigadores reconocen que, si bien solo uno de los cuatro riesgos estudiados tuvo resultados 50% por encima del pronóstico, se comprobó que el modelo de minería de datos seleccionado no solo es viable, sino efectivo y sólido.
Su modelo consistió en aplicar análisis predictivos en forma de algoritmos de clasificación (aprendizaje supervisado) a los datos de S&OP para una marca de barras de la empresa en estudio, adquirida apenas un año antes y que enfrentaba altos niveles de obsolescencia debido a problemas de planeación.
A través de la aplicación de este modelo, se identificó una mejora conservadora de $1.8 millones de dólares en la utilidad operativa anual para una marca que representa 7% de los ingresos de la empresa.
Si se extrapola la metodología —estimaron— a todas sus marcas, la empresa podría generar conservadoramente $15 millones de dólares adicionales en ganancias operativas anuales.
“Este hallazgo debería alentar a las empresas que dudan en buscar análisis predictivos para buscar valor en cualquier dato de la organización que se extienda lo suficiente como para capturar patrones de riesgo, pero que no se ajusta al molde de big data”, concluyen.
¿Ya aplicas Analítica Avanzada en tus procesos de planeación de venta y operaciones?
En Business Data Scientists ayudamos a las empresas a transformar sus procesos de planificación de ventas y operaciones con las mejores prácticas y los más avanzados métodos y procesos de analítica avanzada integrados eficientemente a cada reunión de Sales and Operations Planning.
Si quieres saber más sobre la aplicación de IBM Watson y el cómputo cognitivo en empresas, suscríbete a mi blog y mantente informado.