Analítica de datos descriptiva, predictiva y prescriptiva para un WMS más eficiente y adaptable

15 abr 2024

Mustafa Çagri Gürbüz, profesor de Gestión de la Cadena de Suministro en el MIT-Zaragoza

POR MUSTAFA ÇAĞRI GÜRBÜZ
Profesor de Gestión de la Cadena de Suministro del MIT-Zaragoza International Logistics Program

Lograr un equilibrio entre la oferta y la demanda supone uno de los principales desafíos de la gestión de la cadena de suministro. Se trata de un reto mayúsculo dadas las incertidumbres que surgen en el proceso de suministro ─como el rendimiento aleatorio o las disrupciones─ y las fluctuaciones de la demanda, como la estacionalidad. Los depósitos, como parte integrante de las cadenas de suministro, ejercen una función crucial, ya que actúan como intermediarios entre los fabricantes y los clientes. Incluso cuando no hay existencias, estas instalaciones siguen siendo el principal vínculo entre ambos extremos de la cadena, como ejemplifican los cross-docks. Además de mantener el inventario, los depósitos tienen como objetivo rebajar costos (gastos de transporte de entrada y salida) mediante la consolidación de productos, y así lograr economías de escala.

Garantizar el nivel de servicio ─tiempos de respuesta rápidos y alta disponibilidad de existencias─ al menor costo posible resulta más complicado de lo que parece. Esto se debe, entre otras razones, a los ciclos de vida más cortos de los productos, a su carácter perecedero en muchos sectores (dispositivos electrónicos, ropa, alimentos frescos…), a la proliferación de referencias, a la complejidad de las cadenas de suministro y a las exigencias de los consumidores, que buscan productos muy personalizados. Dado que los procesos de oferta y demanda producen un impacto significativo en las operaciones logísticas, cualquier disrupción podría ocasionar interrupciones o ineficiencias considerables en el funcionamiento del depósito.

Por ejemplo, la probabilidad de que el proveedor principal sufra interrupciones puede llevar a las empresas a realizar pedidos a varios proveedores o a elevar los niveles de stock para mitigar el riesgo. Este tipo de decisión puede incrementar la complejidad de los procesos de recepción en las instalaciones y exigir inversiones adicionales para ampliar la capacidad de almacenamiento. Las disrupciones menores, como los retrasos en las entregas de proveedores o las fluctuaciones de demanda a corto plazo, también pueden dificultar la sincronización de los procesos de entrada y salida de mercadería, provocando un aumento inesperado de la carga de trabajo.

La analítica predictiva puede usarse para determinar el índice de exposición al riesgo de los actores implicados en la cadena de suministro, así como del propio depósito. También puede asegurar que el tiempo de supervivencia (cuánto tiempo puede aguantar una cadena de suministro sin un nodo específico) y el tiempo de recuperación —dos conceptos introducidos por el profesor del MIT David Simchi-Levi— se encuentren dentro de los rangos admisibles para poder continuar con la actividad habitual del depósito.

Decisiones basadas en datos

El uso de modelos basados en datos estadísticos es cada vez más frecuente en la gestión de la cadena de suministro, sobre todo porque las decisiones ya no pueden depender únicamente del criterio humano. El acceso a ingentes cantidades de datos estructurados y no estructurados y la gran capacidad de análisis permiten identificar patrones y correlaciones entre los distintos impulsores del rendimiento de la cadena de suministro.

Los modelos de big data —descriptivos, predictivos y prescriptivos— utilizan técnicas estadísticas, de minería de datos y de aprendizaje automático. Según Kumar, los modelos basados en el machine learning, como el algoritmo de regresión random forest, pueden emplearse en depósitos para minimizar, por ejemplo, los residuos (alrededor de un tercio de las frutas y verduras frescas mundiales se desechan).

La toma de decisiones en la cadena de suministro está cada vez más automatizada y fundamentada en datos

Asimismo, pueden servir modelos similares para planificar el layout de los depósitos, gestionar eficazmente los equipos de manipulación y la mano de obra, monitorizar las operaciones (preparación de pedidos, inventario y almacenamiento), así como mejorar la toma de decisiones ante disrupciones o acontecimientos inesperados. DHL, por ejemplo, ha usado tecnologías de análisis de big data para impulsar la planificación predictiva de la red, la gestión del valor del cliente, o de los riesgos, y la previsión de las necesidades de oferta y demanda de suministros. En su investigación sobre la aplicación del machine learning en depósitos, Tufano constata que los algoritmos basados en datos estadísticos pueden usarse para identificar SKU similares y ubicarlos cerca unos de otros o para predecir la carga de trabajo en la preparación de pedidos y determinar zonas y políticas de picking que se ajusten adecuadamente.

Aplicaciones y casos prácticos

WMS con identificación automática y captura de datos

Una de las principales funciones de un sistema de gestión de depósitos (WMS) es proporcionar visibilidad entre las operaciones de aprovisionamiento y las de logística, por lo que la precisión de los datos obtenidos y compartidos es determinante. Con la identificación automática y la captura de datos (AIDC) es posible prescindir de procesos basados en papel, minimizando así los errores en la introducción de información.

Los gemelos digitales, junto con la AIDC y el blockchain, son soluciones prometedoras para mejorar la eficiencia en las operaciones de almacenamiento. Los digital twins no solo están pensados para el seguimiento y la monitorización, sino que también se utilizan para crear modelos descriptivos/predictivos que optimicen las operaciones. La accesibilidad del internet de las cosas (IoT) facilita el desarrollo de este tipo de herramientas.

Los indicadores predictivos de rendimiento (KPP) ─como la variación de la demanda, la reducción de los niveles de stock, el cambio en los plazos de entrega de los proveedores, el estado de los equipos de manutención y la carga de trabajo─ permiten anticipar escenarios con gran fiabilidad. Combinar esta capacidad de pronóstico con un WMS y gemelos digitales agilizaría todavía más las operaciones: se eliminarían los movimientos innecesarios (recorrer distancias excesivas en el depósito), aumentaría la productividad (los trabajadores se centrarían en otras tareas en caso de retrasos en las entregas o recogidas) y se evitaría la escasez de equipos o de mercadería (gracias a un mantenimiento predictivo y una mejor planificación del personal).

El Dr. Mustafa Çagri Gürbüz destaca la importancia de la analítica predictiva en la logística

Como resultado, un WMS optimizado con tecnologías IoT y gemelos digitales ayudaría a las empresas a implantar con mayor éxito estrategias como el just-in-time (JIT), el vendor managed inventory (VMI) y el cross-docking, que requieren un esfuerzo considerable de sincronización, predicción, coordinación y planificación. Estos sistemas también poseen el potencial de detectar y resolver discrepancias con mayor rapidez. Por ejemplo, gracias a la mejora de las capacidades de monitorización y a la recopilación rutinaria de información —en contraposición a las auditorías trimestrales o anuales—, el WMS puede identificar instantáneamente que un artículo que falta en un envío hecho a un minorista estaba efectivamente en la estantería del depósito, y responder sin dilación a la reclamación realizada por el minorista.

WMS basado en IoT para mejorar la productividad y la eficiencia

En un estudio publicado en el International Journal of Production Research, Lee analiza la implementación de un WMS basado en IoT ─integrado con técnicas de agrupamiento difuso─ para gestionar las operaciones de una empresa de fabricación de cajas y equipos. En este caso particular, los pedidos de los clientes son de tamaño reducido y muy personalizados. Estas variables hacen que la gestión manual de las operativas disminuya la capacidad de reacción ante cambios en los pedidos e, incluso, incremente su costo: depender de la memoria y la experiencia de los trabajadores puede suponer el 50% de los gastos operativos totales de los procesos de picking.

En el caso práctico analizado, los clientes solicitan cambios con frecuencia, como entradas, salidas y cancelaciones. Esto requiere un WMS flexible que sea capaz de predecir tales cambios y dar una respuesta veloz que garantice la disponibilidad de las materias primas y de los productos semiterminados.

El modelo difuso desarrollado por los investigadores, que opera con un motor basado en reglas, recopila información sobre la cantidad actual de pedidos, el número de referencias, el tiempo restante hasta la fecha de inicio programada, la ubicación de los artículos, los detalles del cliente, la cantidad requerida y el número de operarios disponibles. Con estos datos, el sistema posee la capacidad de predecir el estado del siguiente periodo y propone una respuesta, como seleccionar el picking por lotes como método óptimo en vez de la preparación de pedidos por unidades.

El WMS basado en IoT con agrupamiento difuso propuesto por Lee y los coautores del estudio es capaz de monitorizar materiales en tiempo real y de adaptarse rápidamente a los cambios en los pedidos. Los investigadores demuestran que este modelo predictivo/prescriptivo mejora la productividad, la precisión en el picking, la eficiencia y la capacidad ante la variabilidad en los pedidos. El modelo propuesto permite gestionar más pedidos por unidad de tiempo, reducir errores, aumentar los índices de ejecución de pedidos, incrementar su exactitud y mejorar el rigor en los registros de inventario. Estos resultados pueden atribuirse tanto a las capacidades analíticas del modelo predictivo/prescriptivo como al WMS basado en IoT.

Diseño predictivo de depósitos mediante el aprendizaje automático

En la publicación Machine learning approach for predictive warehouse design, Tufano desarrolla un modelo de aprendizaje automático susceptible de predecir múltiples aspectos de un sistema de almacenamiento en base a observaciones previas. El primer aspecto contempla la tecnología de almacenamiento, por ejemplo, sistemas automáticos de almacenamiento con transelevadores, sistemas por compactación, estanterías cantilever, sistema miniload para cajas, estanterías para pallets y para picking. El segundo tiene en cuenta el equipo de manutención (autoelevadores, máquina recogepedidos, etc.). El tercer aspecto está relacionado con la estrategia de distribución del almacenamiento, por ejemplo, si en una zona se almacenan conjuntamente los productos destinados a los pedidos y la reserva o se asigna una zona para cada tipo de stock. El cuarto aspecto trata la política de picking, por ejemplo, si son pedidos single-unit o multi-unit.

Las tecnologías big data o machine learning permiten a las empresas implementar modelos descriptivos, predictivos y prescriptivos

En el modelo de aprendizaje propuesto por los investigadores, los KPI empleados son SKU profiling (comportamiento de cada SKU), inventory profiling (identificación de la ubicación idónea), workload profiling (cómo y dónde se distribuye la carga de trabajo) y layout profiling (cómo se colocan y organizan los recursos). El inventory profiling, por ejemplo, se usaría para predecir el riesgo de desabastecimiento, identificando el momento justo antes de agotarse las existencias debido al aumento de la demanda de una referencia en particular.

Este modelo requiere conocer información como los datos de entrada (ubicación de la mercadería) y de salida (picking), las coordenadas de la disposición del depósito, los volúmenes de cada SKU y el detalle de la lista de preparación de pedidos. El modelo de aprendizaje automático, que tiene como propósito predecir la configuración del depósito que se ajusta a cada referencia, ha sido validado con datos recopilados de 16 empresas pertenecientes a sectores como automoción, industrial, alimentación y bebidas, cosmética y editorial.

El modelo tiene como objeto proporcionar soluciones viables y flexibles ─aunque no forzosamente óptimas─ que se adapten a las prácticas industriales. Por ejemplo, los proveedores 3PL a menudo tienen dificultades para tomar decisiones de diseño a causa de la impredecibilidad de la demanda, que se caracteriza por tener un patrón irregular. Además, es posible que no conozcan las necesidades exactas de sus nuevos clientes y que los contratos existentes cambien con frecuencia. Un ejemplo sería la rotación de referencias por vencimiento de contratos con clientes. Según Tufano y los coautores del estudio, los proveedores de servicios logísticos podrían beneficiarse de este modelo predictivo apoyado en datos, sobre todo si cuentan con información sobre parámetros esenciales como el volumen/peso de cada referencia y la dinámica de la demanda del mercado (popularidad, estacionalidad).

Previsión de la carga de trabajo a corto plazo y gestión eficaz de la mano de obra

La toma de decisiones en la cadena de suministro está cada vez más automatizada y fundamentada en datos. Sin embargo, el criterio humano continúa siendo un factor decisivo en la planificación de la oferta y la demanda. Igualmente, una parte importante de las operaciones de almacenamiento, como la preparación de pedidos y el embalaje, dependen en gran medida de la mano de obra. Las cargas de trabajo en los depósitos—especialmente las operaciones de salida— también suelen ser variables, sobre todo a causa de las incertidumbres de los procesos de oferta y demanda.

Para hacer frente a las fluctuaciones de la demanda, las empresas deben adaptarse a varios factores, como la estacionalidad de determinados productos o los picos de ventas al final de ciertos períodos como las rebajas. Debido a estos desafíos y a la variabilidad en la carga de trabajo, las compañías buscan tener reservas de mano de obra flexible en el depósito, además del personal fijo a tiempo completo. Para prever el nivel de trabajo y planificar las necesidades de personal en la instalación, hay que llevar a cabo un análisis detallado con el fin de detectar errores en la planificación de la demanda, controlar cualquier posible sesgo y estimar su impacto en la eficiencia laboral.

La toma de decisiones en la cadena de suministro está cada vez más automatizada y fundamentada en datos

El criterio de un responsable, en tanto que humano, puede conducir a realizar previsiones excesivas del tamaño de los pedidos. Este sesgo surge de una previsión por exceso o por defecto, que depende de las decisiones de contratación de mano de obra y de los acuerdos de nivel de servicio con los clientes. Si bien este sesgo no parece que beneficie la fase de embalaje ─que requiere mucha mano de obra─ sí en cambio puede aumentar entre un 5 y un 10% la eficiencia de los pedidos un sesgo del 30-70% en las operaciones de picking y envío. Así lo confirma un estudio realizado en un depósito de Samsung Electronics en Europa Occidental para productos de alta rotación. Las conclusiones también fueron validadas por una encuesta en 30 depósitos pertenecientes a otras empresas (Kim y otros).

El modelo predictivo propuesto por los autores confirma que controlar los sesgos puede mejorar la eficiencia de la mano de obra en el depósito. El modelo establece la relación analítica entre el sesgo de previsión de la demanda (la diferencia entre la demanda prevista y el tamaño real del pedido) y la productividad laboral. Esta correlación se aprovecha para optimizar la planificación de la capacidad laboral.

Según los autores, controlar el sesgo en las predicciones contemplando la demanda histórica mejora las perspectivas de venta y la asignación de recursos de mano de obra en las diferentes fases logísticas.

Modelos predictivos para mejorar la gestión

Las plataformas de big data que permitirían a las empresas implementar modelos descriptivos, predictivos y prescriptivos pueden utilizarse ─siempre que se superen ciertos obstáculos─ para mitigar riesgos, aumentar la eficiencia y maximizar la rentabilidad en la gestión de depósitos. Factores como el tamaño de la organización, la limitación de recursos tecnológicos y la falta de intercambio de información entre los agentes de la cadena de suministro también plantean desafíos a la hora de adoptar el análisis de big data en la gestión de depósitos.

La investigación de Ghaouta sugiere que el uso de modelos predictivos sigue siendo limitado (la mayoría de los modelos son descriptivos), a excepción de los algoritmos de enrutamiento y la gestión de inventario. Sin embargo, la relevancia de la gestión de riesgos en la cadena de suministro probablemente alentará a las empresas a aplicar con mayor asiduidad modelos predictivos en la gestión de depósitos. Un WMS mejorado con capacidades de gestión de riesgos podría identificar y evaluar la probabilidad de que ocurran disrupciones con los socios de la cadena de suministro, como proveedores propensos a sufrir interrupciones o clientes con un comportamiento errático al hacer pedidos. Además, esta tecnología ayudaría a las empresas a desarrollar estrategias de mitigación reactivas y proactivas apoyadas en los niveles de riesgo de cada proveedor o cliente.

También es necesario dedicar más esfuerzos a investigar cómo un WMS basado en IoT posibilitaría a las empresas hacer la transición de un control centralizado a uno descentralizado. En estos sistemas, la conexión entre personas, equipos de manutención, productos y sensores sería óptima y mejoraría la coordinación y comunicación en la toma de decisiones.

 

 

Referencias

 

 

El Dr. Mustafa Çagri Gürbüz es profesor de Gestión de la Cadena de Suministro en el MIT-Zaragoza International Logistics Program. También es investigador asociado en el MIT Center for Transportation and Logistics. Sus principales áreas de investigación son la gestión de inventario y cadena de suministro, la optimización de los sistemas de distribución, los contratos y la modelización de sistemas operativos.