Uno de los términos que se escucha en la actualidad como una de las últimas frontera en Tecnologías de Información (TI’s) es Big Data, traducido al español como ‘Datos Masivos’, que se ocupa de todas las actividades relacionadas con los sistemas que manipulan grandes conjuntos de datos.

Las dificultades más habituales vinculadas a la gestión de estas cantidades de datos se centran en la captura, el almacenamiento, búsqueda, compartición, análisis y visualización.

La función de Planificación es fundamentalmente una tarea analítica: a partir de información de diverso tipo, se deben tomar decisiones de fabricación, distribución o compra. A continuación, se presentan ejemplos reales sobre cómo el uso de datos masivos se pueden incorporar a la planificación de la cadena de suministro.

El efecto de las promociones en la previsión de la demanda

Las promociones son acciones de marketing que se hacen para estimular la demanda. Como todos los algoritmos de previsión de demanda usan las ventas históricas para hacer sus previsiones, por lo que si no se separa de la historia pasada la parte de demanda que es consecuencia de la acción promocional, se estará usando una señal de demanda que conducirá a errores en la previsión.

La cuestión clave aquí es saber qué parte de la demanda histórica es consecuencia de la promoción  y qué parte es la que hubiéramos tenido si no se hubiera hecho la promoción (a esto último se le conoce como línea base).

De hecho una promoción es una acción que ocurre entre dos fechas concretas y que está definida por “atributos” como el descuento en precio que suele tener el producto en ese período o si está en lineal o cabecera de góndola en los supermercados. Los métodos de regresión multivariable de la estadística clásica no se han logrado aplicar con éxito para modelar el efecto de estas variables.

Por tanto, si tenemos en cuenta todas las posibilidades de las promociones con los diferentes valores que pueden adoptar cada uno de los atributos de las mismas, estamos ante un problema de Big Data.

La manera en la que se aborda la modelación cuantitativa de este problema en ToolsGroup, es mediante el uso de una técnica que recibe el nombre genérico de ‘Machine Learning’ (ML), que es capaz de explicitar el modelo de manera comprensible, por lo que el usuario puede entender la participación de cada uno de los atributos en el resultado de la promoción.

Además, como cada uno de los atributos tiene un coste, el poder cuantificar su participación en el incremento de las ventas es de gran valor para que Trade Marketing pueda conocer el resultado de sus acciones y planificar las futuras más eficientemente.

Un caso real es el de Danone Italia, que después de dos años de aplicación de la ML para la modelación de las promociones, consiguió aumentar el 55% las ventas promocionales con un incremento del ROI neto del 8%. Sin comentarios.

Planificación de piezas de recambio

Un ejemplo situado en el otro extremo, con respecto al ejemplo anterior, es la planificación de los repuestos de mantenimiento de equipos, que tienen dinámicas de baja y muy baja rotación.

En mantenimiento es usual que los fabricantes de ciertos equipos o partes recomienden unas pautas a los usuarios, como cada x miles de horas de uso o km recorridos, etc. se debe cambiar esta pieza.

Visto desde la óptica de un ítem en concreto, dicho ítem tiene una demanda regular, que es impredecible, fruto del consumo por acciones de mantenimiento correctivo, más una demanda extraordinaria predecible al aplicar el plan de mantenimiento programado. Ambas demandas se deben tener en cuenta para generar las necesidades de reaprovisionamiento.

En piezas de recambio de equipos críticos, como es el caso de los aviones, es muy importante que las gamas recomendadas respondan al fin que persiguen. El reto del fabricante es encontrar modelos que correlacionen las diferentes variables que pueden afectar a la vida del equipo, para que el cambio de la pieza se produzca idealmente justo un momento antes que se rompa.

Es una tendencia clara del sector, que los fabricantes asuman la responsabilidad del mantenimiento de ciertos equipos, llegando a un acuerdo con sus clientes en términos de disponibilidad del equipo. Y con el número de unidades que hay en uso de automóviles, aviones, trenes, etc. los fabricantes que deben recomendar planes de mantenimiento eficaces están realmente ante un problema de Big Data también.

Conclusión

El Big Data no es una moda, representa una oportunidad para incluir en el proceso de toma de decisiones variables decisionales hasta ahora no consideradas.

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, por lo que las decisiones de Planificación de la Cadena de Suministro se van a beneficiar de ellas, como ya está siendo una realidad hoy en día.

Josep Presencia
Socio director de Toolsgroup

Socio director de Toolsgroup