www.nexotrans.com

El Big Data es una gran oportunidad para mejorar la planificación de la cadena de suministros

miércoles 15 de julio de 2015, 02:00h
El director comercial de ToolsGroup, Ricard Pascual, expuso, en el marco de la '7ª Jornada de Sistemas de Información para la Logística', dentro del SIL, que el Big Data no es una moda y que representa una oportunidad para incluir en el proceso de toma de decisiones variables decisionales hasta ahora no consideradas.
El Big Data es una gran oportunidad para mejorar la planificación de la cadena de suministros

Usando técnicas como la machine learning, mediante el tratamiento de un gran número de datos, algunos disponibles ya y otros factibles de ser adquiridos, se puede construir modelos mucho más precisos de la realidad física objeto de estudio. ToolsGroup, proveedor de soluciones en planificación de la cadena de suministros y en demand analytics, presentó en el marco del SIL la ponencia 'Tendencias en gestión de la incertidumbre en la cadena logística. El uso de datos masivos'.

Para Ricard Pascual, director comercial de ToolsGroup Spain, la incertidumbre a menudo denota una falta de planificación, que es fundamentalmente una tarea analítica para obtener un objetivo determinado. Así, a partir de la información histórica de la demanda, de las acciones de marketing propias y de la competencia y de las tendencias del mercado, entre otros; y, teniendo cuenta condicionantes físicos de la propia empresa como el almacenaje o el transporte se deben tomar decisiones que afectan a la fabricación, la distribución o la compra. En la ponencia, Pascual profundizó en este concepto mediante dos casos prácticos que inciden en dos grandes áreas funcionales de las empresas: el marketing y la cadena de suministros.

Casos prácticos

En el primer caso, se describió una de las aplicaciones más avanzadas del uso del Big Data: el efecto de las promociones en la previsión de la demanda. A este respecto, Pascual comentó "una promoción está caracterizada por varios tipos de atributos: temporales, geográficos, mecánicos (2x1, descuentos…) y de soporte a la promoción (folletos, cabecera de góndola, displays…). Si consideramos todas las ocurrencias de las promociones con los diferentes valores que pueden adoptar cada uno de estos atributos descubriremos que nos encontramos ante un problema de Big Data". Y, añadió que ante esta casuística "para poder analizar el efecto de las promociones en la previsión de la demanda es indispensable disponer de herramientas analíticas que sean capaces de separar la demanda base de la "más venta" derivada de esta actividad promocional".

Ricard Pascual también señaló que hace tiempo que ToolsGroup está trabajando en esta problemática mediante una tecnología avanzada denominada machine learning, rama de la Inteligencia Artificial que permite generar modelos inteligibles para la mente humana, ya que permiten comprender cuál es el impacto de cada uno de estos atributos en la promoción. "Disponer de esta información no sólo incide en la planificación de la demanda sino que también es de gran valor para trade marketing, que puede analizar el resultado de sus acciones y planificar las futuras más eficientemente", explicó Pascual.

El segundo caso práctico, que se presentó bajo el nombre "Por dónde empezar", abordó el concepto desde una óptica pragmática, haciendo hincapié en la posibilidad que tienen todas las empresas de empezar a explotar una de las fuentes de datos más valiosa, disponible y lista para ser utilizada: las líneas de pedido. Los beneficios de utilizar esta fuente de datos son cuantiosos, desde la mejora del forecast accuracy, el nivel de servicio o la rotación de los productos hasta la reducción de los niveles de inventario.

A este respecto, Pascual comentó ''la mayoría de las empresas realizan la previsión de la demanda y determinan los niveles de inventario analizando la demanda histórica sólo en términos de cantidad. Calculan el forecast en base a la demanda histórica mensual por producto (SKU) y centro de distribución. Sin embargo, disponen de mucha más información en las líneas de pedido. Por ejemplo, pueden saber si la demanda mensual de 48 cajas es el resultado de un único pedido de 48 cajas o de 12 pedidos más pequeños de cuatro cajas. Estos datos sobre la frecuencia y el tamaño del pedido son cruciales para entender el comportamiento de la demanda. Hacer uso de ellos -afirmó Pascual- nos ayudará a reducir la incertidumbre y asegurar los niveles de servicio, ya que podremos ajustar mejor el inventario que necesitamos para hacer frente a la volatilidad de la demanda''.