Empezando con IA/ML para construir cadenas de suministro inteligentes
IA/ML para cadenas de suministro inteligentes
¿Cómo debes pensar en las aplicaciones de la tecnología de IA/ML dentro de tu cadena de suministro para maximizar el retorno de la inversión?
Antecedentes
La optimización de la cadena de suministro es un vasto campo de investigación. Existe una gran cantidad de casos de uso dentro de las cadenas de suministro que se beneficiarían de la aplicación de la tecnología de IA/ML. A menudo, las organizaciones luchan con dónde y cómo comenzar en este espacio. Los ejecutivos de la cadena de suministro suelen buscar áreas en las que invertir el tiempo y el esfuerzo de sus equipos (que ya están ocupados) para obtener el máximo valor de estos enfoques. En este artículo, exploramos un conjunto pequeño pero diverso de casos de uso que pueden servir como punto de partida para la incursión de una organización de cadena de suministro en IA/ML. Los líderes de la cadena de suministro pueden esperar obtener un alto grado de mejoras en costos y eficiencia a partir de estas aplicaciones.
Dividimos la gestión de la cadena de suministro en cinco componentes: Planificar, Abastecer, Producir, Entregar, Logística Inversa y describimos casos de uso de Detección de Demanda, Segmentación de Proveedores, Predicción de Fallas de Equipos, Predicción de Tiempo de Entrega, Pronóstico de Devoluciones de Clientes que se ajustan a los cinco componentes. Aplicando los criterios de valor económico, factibilidad, explicabilidad de resultados, accionabilidad de conocimientos y sostenibilidad de la aplicación, cualitativamente en los casos de uso, también evaluamos el beneficio general de implementar cada caso de uso.
Exploración de casos de uso
Una Cadena de Suministro Inteligente integra datos, automatización y tecnologías analíticas avanzadas para mejorar la eficiencia y reducir costos en diferentes partes de la cadena de suministro. Puede ser una fuente de ventaja estratégica para una organización al mejorar la experiencia del cliente. Generalmente, se apoya en una combinación de tecnologías de optimización e IA/ML. Exploramos cinco casos de uso, asignándolos a cinco elementos de la gestión de la cadena de suministro: Planificar → Abastecer → Producir → Entregar → Logística Inversa.
1. Detección de demanda a corto plazo (Planificar): La gestión de inventario es una actividad crítica en la cadena de suministro. El capital de trabajo y los costos de almacenamiento están vinculados a los niveles de inventario, que a su vez dependen de la precisión en la predicción de la demanda, entre otros factores. Un alto nivel de precisión en la predicción ayuda a reducir los costos de inventario y las rupturas de stock, ya que permite fabricar la cantidad correcta de productos en el lugar correcto y en el momento adecuado. Esto ayuda a optimizar el inventario en los almacenes, reduciendo los niveles de stock de seguridad y, por lo tanto, los costos, al tiempo que evita las rupturas de stock que pueden generar pérdidas comerciales y de ingresos a largo plazo. Una aplicación habilitada con IA puede identificar patrones en los pedidos de los clientes y correlacionar ciertos indicadores líderes con la demanda a corto plazo para ser más precisos que los métodos tradicionales. Con información de pedidos en tiempo real, podemos automatizar las predicciones de demanda para el mes actual y el siguiente, que se actualizan periódicamente.
2. Segmentación de proveedores (Abastecer): Las grandes organizaciones pueden tener cientos o miles de proveedores que forman parte integral de su cadena de suministro. Se obtienen diferentes materias primas en cantidades variables de los proveedores. Para reducir el costo de adquisición y aumentar la confiabilidad del suministro, sería útil aplicar diferentes estrategias a diferentes proveedores. Agrupar a los proveedores en unos pocos grupos clave sería beneficioso en este sentido, dado el gran número de proveedores. Este tipo de segmentación permitirá negociaciones contractuales focalizadas sobre precios de materias primas, volúmenes y tiempos de suministro para optimizar el gasto. Una aplicación habilitada con IA puede segmentar a los proveedores en función de características como el volumen, el precio, la relación estratégica y la confiabilidad, lo que permitirá a los especialistas en abastecimiento adoptar estrategias de adquisición similares para los proveedores dentro de un grupo. Esta segmentación se puede actualizar mensual o trimestralmente para tener en cuenta los cambios en los proveedores.
- Una Intuición para AUC y C de Harrell
- Más allá de las calificaciones Utilizando IA para predecir y explic...
- Algo-de-Pensamientos en LLM Prompting Una visión general del razona...
3. Predicciones de fallas de equipos (Producir): Las interrupciones no planificadas debido a fallas en la confiabilidad son comunes en las operaciones de fabricación. Estas tienden a afectar las posiciones de inventario del producto y pueden provocar retrasos en la satisfacción del cliente. Predecir cuándo pueden ocurrir estas interrupciones puede ayudar a una instalación a tomar medidas para mitigar el riesgo de falla del equipo o prepararse con anticipación acumulando inventario para tener en cuenta el tiempo de inactividad. Estas predicciones y las acciones de mitigación consecuentes pueden ayudar a evitar rupturas de stock y pérdidas de ingresos, así como a impulsar inversiones en opciones de mantenimiento preventivo para evitar reparaciones costosas. Una aplicación habilitada con IA puede correlacionar las fallas de equipos con mediciones clave (como flujo, presión, temperatura, etc.) durante días o semanas previas a una falla del equipo no planificada y proporcionar información sobre el momento de las fallas. Dependiendo de la granularidad de las mediciones, la aplicación puede ejecutarse todos los días o cada pocos días para evaluar el riesgo de fallas.
4. Predicción de tiempo de entrega (Entregar): La entrega puntual a los clientes es una métrica clave para evaluar el desempeño de las cadenas de suministro, lo que impacta directamente la experiencia del cliente. Las organizaciones miden esta métrica y buscan activamente mejorarla en función de las tendencias históricas de retraso. Poder predecir los tiempos de entrega con precisión puede ayudar a entregar el producto al cliente en el momento solicitado, evitando así una mala experiencia del cliente y pérdida de negocios, así como multas y otros cargos por entregas tardías. Una aplicación habilitada con IA se puede utilizar para predecir los tiempos de entrega en función del día y la hora de inicio, la temporada, el transportista, el origen y el destino, entre otros atributos. Esta predicción para cada envío permitirá mantener informado al cliente y mejorar la experiencia y retención del cliente. Además, esto presenta una oportunidad para optimizar las rutas y seleccionar los transportistas que tienen un mejor rendimiento.
5. Pronóstico de devoluciones de clientes (Logística inversa): Un porcentaje de las ventas es devuelto por los clientes por diversas razones, incluyendo no cumplir con las especificaciones de calidad o retrasos en el envío. Para prepararse para los envíos de devoluciones, almacenamiento y procesamiento, las empresas necesitan tener una estimación precisa del volumen de productos que regresarán. Esto ayudará a reducir los costos de almacenamiento y procesamiento. Una aplicación habilitada por IA puede proporcionar un volumen agregado de devoluciones como función de las últimas semanas de envíos de los clientes. Esta predicción puede actualizarse semanalmente.
Priorización de casos de uso
Consideramos estos casos de uso a través de cinco criterios clave: valor económico, practicabilidad, explicabilidad de resultados, aplicabilidad de conocimientos e sostenibilidad de la aplicación. El valor económico incluye cualquier ahorro de costos o evitar la pérdida de ingresos. La practicabilidad se refiere a la disponibilidad de datos y un enfoque de IA/ML robusto para proporcionar predicciones en un tiempo razonable. La explicabilidad de los resultados indica qué tan fácilmente se pueden explicar las observaciones y predicciones a las partes interesadas utilizando los impulsores del negocio. La aplicabilidad de los conocimientos caracteriza hasta qué punto la organización puede actuar sobre los resultados de la aplicación de IA/ML. Finalmente, la sostenibilidad de la aplicación describe la viabilidad a largo plazo de mantener y actualizar activamente los insumos para la aplicación de IA.
(i) Valor económico: Anticipamos un “Alto” valor económico para la Detención de la Demanda y la Predicción del Tiempo de Entrega debido al gran volumen de envíos. La esporadicidad en la toma de acciones para la Segmentación de Proveedores y la Predicción de Fallas de Equipos ha llevado a una valoración de “VoAGI”, mientras que los volúmenes relativamente más bajos encontrados en las devoluciones de clientes han impulsado la elección de una valoración “Baja”.
(ii) Practicabilidad: Con el tamaño de los datos del caso de uso y la capacidad computacional a nuestra disposición, se espera que la mayoría de los casos de uso tengan una practicabilidad “Alta”, excepto la Predicción de Fallas de Equipos, que puede estar limitada por los datos si las fallas no ocurren con mucha frecuencia.
(iii) Explicabilidad de resultados: Una aplicación recomendada de regresión lineal múltiple para la Detención de la Demanda y el Pronóstico de Devoluciones de Clientes ofrece una calificación de explicabilidad “Alta”. Un método no supervisado (por ejemplo, agrupamiento k-means) cuando se aplica a la Segmentación de Proveedores puede mostrar qué características están cerca en cada grupo y, por lo tanto, la explicabilidad se ha marcado como “Alta”. La aplicación de métodos de conjunto más complejos (por ejemplo, Random Forest, Xgboost) para la Predicción de Fallas de Equipos y la Predicción del Tiempo de Entrega lleva a una explicabilidad “VoAGI”.
(iv) Aplicabilidad de conocimientos: La aplicabilidad se marca como “Alta” para la Detención de la Demanda y el Pronóstico de Devoluciones de Clientes, ya que es una decisión interna cambiar la producción y el procesamiento en función de los cambios en el pronóstico, mientras que la aplicación de los conocimientos de la Predicción del Tiempo de Entrega y la Segmentación de Proveedores requeriría negociaciones con partes externas, incluidos transportistas y proveedores, donde podemos tener una maniobrabilidad limitada. Para la Predicción de Fallas de Equipos, con una calificación de aplicabilidad “VoAGI”, es posible que podamos tomar medidas para reducir el riesgo, pero es posible que no podamos eliminar completamente las fallas.
(v) Sostenibilidad de la aplicación: Se asume que esto es alto para cuatro de los cinco casos de uso, ya que los datos pueden generarse a un ritmo adecuado que permita actualizaciones frecuentes de la aplicación de IA/ML, excepto para la Predicción de Fallas de Equipos, que puede estar limitada por los datos.
Al observar estos casos de uso resumidos en la tabla a continuación, la Detención de la Demanda obtiene la puntuación más alta en todos estos criterios; la recomendación en este caso sería comenzar con una aplicación de IA/ML para este caso de uso.
Conclusión
La aplicación de técnicas de IA/ML para la optimización de la cadena de suministro y los negocios sigue siendo un área incipiente en muchas industrias. No es irrazonable adoptar un enfoque de “gatear, caminar, correr” hacia la integración de IA/ML en las operaciones. Demostrar la eficacia de la IA/ML en generar valor para un equipo a través de “frutas de bajo colgamiento” puede tener un efecto de impulso. Sin embargo, es fundamental construir sobre los éxitos más pequeños hacia un modelo de negocio sostenible a largo plazo, donde la IA/ML esté integrada en cada aspecto de la cadena de valor.
Gracias por leer. Espero que te haya sido útil. No dudes en enviarme tus comentarios a [email protected]. Conéctate conmigo en LinkedIn
