Los sistemas de planificación de la cadena de suministro se convierten en puntos de vista logísticos cada vez más inteligentes. Seguridad social en línea

Acabo de completar un estudio de mercado global sobre el mercado de software de planificación de la cadena de suministro. Esto me dio la oportunidad de hablar con ejecutivos de toda la industria. Si bien el aprendizaje automático es atractivo y los clientes desean saber cómo se utilizarán estas tecnologías en las futuras soluciones de SCP, la verdad es que el aprendizaje automático es solo una forma de inteligencia que puede integrarse en las aplicaciones de planificación de la cadena de suministro. La creciente inteligencia de estas soluciones abarca desde mejores marcos de integración hasta la planificación totalmente automatizada. Mejores marcos de integración

Los marcos de integración permiten que los datos de múltiples fuentes y redes se incorporen a las soluciones de planificación mucho más fácilmente. Karin Bursa, una vicepresidenta ejecutiva de cheques de seguridad social de Logility, señala que “muchas empresas tienen múltiples sistemas ERP”. Ella ve una integración más rápida con una mayor seguridad y una mejor gestión de datos, como un diferenciador clave para Logility. La lógica de datos maestros comprende el rango de datos que es apropiado para un campo en particular y puede rastrear y resaltar cuando se ingresan datos inapropiados. La solución de Logility también utiliza la lógica de “cambio neto”. En otras palabras, su sistema solo mira los elementos de datos que se han actualizado o modificado. Esto hace que las actualizaciones de datos en el mismo día o entre días sean más eficientes.

Vikash Goyal, vicepresidente de estrategia de productos en Oracle, dio un ejemplo diferente de esto. Una fuente de datos útiles proviene de las soluciones de red de la cadena de suministro como las que ofrecen E2open, GT Nexus, Ariba Network u otros proveedores. “Si una empresa desea colaborar en el pedido, ¿cómo funciona la previsión de la seguridad social o las órdenes de compra con un socio comercial que se encuentra en una determinada red de la cadena de suministro, por ejemplo E2open, pueden seleccionar ese proveedor de red en un cuadro desplegable y especificar el socio comercial junto con los parámetros de colaboración. Todo está automatizado “. Vistas robustas basadas en roles

Esta no es una nueva área de inversión; Ha estado ocurriendo durante varios años. Muchos proveedores han invertido en interfaces más fáciles de usar, particularmente interfaces de estilo excel. Estas interfaces tienen flujos de trabajo que permiten a los planificadores abordar los problemas de planificación más importantes en orden de importancia. Los planificadores de la demanda pueden querer ver los pronósticos en unidades por semana en el envío a ubicaciones. Los planificadores financieros pueden querer ver vistas mensuales de los ingresos por unidad de negocio. Muchos proveedores ofrecen módulos de planificación empresarial integrada (IBP), a veces denominados torres de control de la cadena de suministro o cabinas de mando, que permiten una variedad de puntos de vista de la amplia variedad de actores en una corporación involucrada en equilibrar la oferta con la demanda de manera que maximice la cola de la seguridad social. Objetivos estratégicos de la empresa. Esos objetivos pueden diferir por producto o cliente y pueden incluir cosas como la maximización de ganancias, el logro de los objetivos de ingresos, la participación en el mercado y otras cosas también.

Vivek Soneja de Anaplan, el jefe global de la línea de negocios de gestión de la cadena de suministro, señala que tener capacidades sólidas en esta área implica más que una inversión en una interfaz de usuario moderna. Anaplan proporciona modelos financieros, logísticos, de cadena de suministro, de fuerza laboral y otros de “planificación conectada”. Estos modelos ahora pueden consumir inteligencia predictiva del aprendizaje automático y traducirlos en planes de fases y soporte de decisiones. Los cambios en un modelo fluyen a través y diversos planificadores en diferentes departamentos pueden ver cómo los cambios en un área impactan los márgenes de la seguridad social y de Medicare, los ingresos, los costos de transporte, las inversiones de capital y muchas otras áreas en toda la empresa. Más grande, mejor resuelve

Siempre hay nuevos problemas para resolver. Omnichannel es el mejor ejemplo actual de eso. Scott Fenwick, director de estrategia de productos de Manhattan Associate, señala que cuando se admite un nuevo flujo, como el pedido en línea pero la tienda de recogida, las decisiones de asignación de inventario deben cambiar. Pero recoger ese cambio en la señal de demanda puede ser difícil. Están utilizando el aprendizaje automático para ayudar a resolver este problema de “demanda verdadera”.

JDA tiene un desarrollo de productos emocionante centrado en la idea de que las soluciones de gestión de la demanda generalmente se aproximan a los pronósticos como si siempre fueran una distribución normal desde la cual se toma como punto central el punto central, o media. Pero no todas las distribuciones son normales. Están buscando un enfoque probabilístico en el que los costos de las ventas perdidas se equilibren con los costos de reposición y desperdicio. El análisis utiliza tecnologías de aprendizaje automático a nivel de artículo / tienda para exigir. Los influyentes incluyen el clima, las promociones de la competencia, el tráfico de tiendas por día de la semana y potencialmente muchas otras cosas.

Cuantas más restricciones pueda modelar una solución de optimización, mejor será la optimización. Con el tiempo, la mayoría de los modelos de los proveedores se han vuelto más grandes, y la tecnología de memoria en proceso utilizada para resolver los problemas se ha vuelto mucho más rápida. La lógica de la discapacidad social de la seguridad social de River, por ejemplo, ha agregado la mano de obra / disponibilidad de turnos y componentes regulares / a lo largo del tiempo en su capacidad para resolver problemas de planificación de capacidad. Además, lo que solían ser modelos distintos de demanda, optimización de inventario y reposición, se han condensado en un modelo para varios proveedores. La Cadena de Suministro de Autocuración

Los resultados de los sistemas de planificación de la cadena de suministro dependen de los parámetros clave de la cadena de suministro. Uno de los conjuntos más importantes son los plazos de entrega. Cuanto más largos sean los plazos de entrega, mayor será la variabilidad en torno a un plazo de entrega, más empresas de stock de seguridad deberán invertir. Con su cadena de suministro de recuperación automática, Kinaxis está invirtiendo en aprendizaje automático para ayudar a mantener estos parámetros actualizados. En muchos casos, los plazos de entrega se sacan de un sistema empresarial y nunca se verifican. Incluso si tenían razón para empezar, nunca se actualizan. Kinaxis está invirtiendo en comparar el tiempo de entrega histórico con lo que muestran los datos empresariales más recientes. Pero buscan utilizar no solo datos internos, sino también mapear los tiempos de entrega históricos con datos de terceros como los datos del clima y examinar cómo los tiempos de entrega han sido afectados por varios tipos de clima.

En la planificación del suministro, una cadena de suministro de recuperación automática buscará determinar cuándo una máquina de producción clave podría caerse y luego usar la planificación para enfrentar esa situación de manera proactiva. El beneficio de seguridad social promedio de AspenTech es probablemente el más cercano a una solución productiva en esta área. Gestión de excepciones y planificación de la cadena de suministro

También hay vistas y flujos de trabajo centrados en situaciones de excepción. La resolución de excepciones viene con análisis en línea y la capacidad de profundizar en el problema. Oracle, por ejemplo, está abordando situaciones de excepción al incluir una matriz de negocios que incluye una variedad de métricas como la demanda en riesgo, la tasa de relleno y los costos. Cuando un planificador entra en la solución, los problemas principales se identifican visualmente. Por ejemplo, un planificador de fábrica puede ver la demanda en riesgo en una determinada región en función de los problemas de rendimiento en su fábrica en México. Para situaciones de excepción que ocurren con algunos beneficios de seguridad social para la regularidad de los niños, el planificador puede ver las opciones que son específicas para el problema en cuestión. “Para la demanda en riesgo, estas son las opciones y aquí está el costo para resolver ese problema”. El planificador puede aceptar la resolución propuesta en la interfaz de usuario. En el futuro, varios proveedores prevén el uso de tecnología de tipo Siri que permitirá que un planificador acepte verbalmente una resolución.

Alternativamente, si las resoluciones no aparecen directamente, el planificador puede saltar a la aplicación y ejecutar más escenarios para generar otras opciones. A menudo, las soluciones de SCP incluyen una plataforma de redes sociales que permite compartir el problema en tiempo real con los miembros del equipo adecuados para resolver la situación.

Cuántas situaciones de excepción se pueden automatizar es un tema de debate. Las excepciones pueden ser tan numerosas y diversas que la automatización de excepciones a gran escala puede ser problemática. Algunos proveedores de la planificación de la cadena de suministro buscan “resolver” este problema utilizando el reconocimiento de patrones para ver cómo los planificadores resolvieron problemas similares en el pasado y luego sugieren una resolución similar la próxima vez que surja el problema. Cuantos más turnos tenga un sistema, más rápido se volverá más inteligente. Pero una excepción particular solo puede ocurrir un par de veces al año. Y la resolución que se utilizó en junio puede ser completamente diferente a la de diciembre. Puede tomar cientos, pero más probablemente, miles de turnos antes de que la máquina pueda comenzar a desentrañar por qué un planificador hizo una cosa en una situación y una cosa diferente en la siguiente.

Oracle está abordando este problema desarrollando un asesor de planificación que se sentará en segundo plano y observará cómo un planificador está haciendo su trabajo. “En la audiencia de discapacidad de la seguridad social pasada cuando surgió este problema, hizo que la fábrica pagara horas extras. ¿Está seguro de que desea continuar con los envíos cortos? “Si el planificador desea continuar con una nueva alternativa, entonces el sistema les pide que proporcionen sus razones. Este contexto puede ayudar a las personas o los sistemas a construir más rápidamente una jerarquía de reglas de resolución de excepciones.

Pero otros proveedores creen que la solución a esto es una automatización robótica incorporada para construir reglas de excepción. “Sin la necesidad de programación, los superusuarios hacen muchas cosas que se parecen a la programación”, dice Johanna Smaros, cofundadora y directora de marketing de RELEX Solutions, comenta. “Esperábamos obtener 100 de este SKU hoy, solo obtuvimos 50. Eso podría desencadenar reglas de asignación”. La regla podría tomar la decisión según qué cliente necesita el inventario más, o priorizar algunos formatos de tienda sobre otros, o algún otro criterio de decisión podría ser utilizado. La tecnología AERA tiene el mismo enfoque.

Muchos de los motores de planificación de la demanda de los proveedores, a pesar de que la discapacidad de la seguridad social no está totalmente automatizada, se han vuelto mucho más automatizados. Muchas soluciones de planificación de la demanda recomendarán cuando el algoritmo utilizado para pronosticar una unidad de mantenimiento de existencias deba modificarse, en función de los patrones de demanda cambiantes, y luego sugerir el algoritmo que se debe usar.

Los pronósticos de reposición y demanda están estrechamente vinculados, y la planificación semiautomática también se está volviendo más común alrededor de la reposición. Logility, por ejemplo, me informó sobre uno de sus clientes minoristas que ha automatizado el 80 por ciento de la reposición estándar en las tiendas de sus productos de prendas de vestir en el nivel de tamaño / color. Liberar tiempo para que los planificadores participen en promociones y otras formas de planificación de eventos. Los planificadores ahora pueden alejarse de las actividades de rutina y centrar la aprobación de la discapacidad de la seguridad social en sus esfuerzos en iniciativas más estratégicas. El resultado es una mayor precisión en las órdenes de reposición y las prioridades combinadas con una mayor satisfacción de los empleados.

La planificación totalmente automatizada es la forma más avanzada de inteligencia. También es polémico. El sistema de planificación de la demanda de E2open es quizás el mejor ejemplo de planificación completamente automatizada. Pero los competidores de E2open son rápidos para etiquetarlo como una solución de “caja negra”. John Lash, un vicepresidente de E2open, sostiene que si bien es una planificación totalmente automatizada, etiquetarla como una caja negra es injusta. “Si un planificador se pregunta por qué el pronóstico de detección de demanda para un artículo en particular en un lugar de almacenamiento y horizonte (por ejemplo, el pronóstico semanal de lata de sopa de pollo con fideos de 12 onzas en el centro de distribución de Boston) fue mayor o menor que el pronóstico de planificador creado con APO DP (la solución de planificación de la demanda de SAP), pueden utilizar nuestros análisis para comprender los diferentes factores de influencia y la ponderación específica de cada señal de demanda que conducen a un pronóstico mayor o menor. Muchas compañías centralizan esta actividad en el Centro de Excelencia de pronósticos como parte de su programa de gobernabilidad. “Hay compañías grandes y sofisticadas que creen en la planificación completamente automatizada. Procter & Gamble, por ejemplo, ha hablado públicamente sobre el uso de la solución E2open.

En conclusión, los sistemas de planificación de la cadena de suministro se han vuelto más inteligentes de muchas maneras en la seguridad social y la discapacidad de la seguridad social, algunas de las cuales incluyen aprendizaje automático, otras no. El aprendizaje automático tiene un gran potencial, pero los clientes buscan soluciones productivas, no proyectos científicos. En algunas áreas de SCP, el aprendizaje automático está probado. En otras áreas, todavía estamos en la fase de proyecto de ciencia.