La visión
El amanecer de la inteligencia artificial (AI) en la gestión de la supply chain no es solo algo que esté en el horizonte: ya es una realidad. En b2wise, ya hemos desarrollado e implantado soluciones de previsión mediante machine learning, segmentación y optimización de buffers. Este año hemos creado un equipo de innovación con el objetivo de aprovechar el potencial de la AI “para facilitar la vida de nuestros planners”. Nuestra visión es capitalizar los enormes volúmenes de datos de nuestros 170 clientes y utilizarlos para desarrollar potentes bots de AI que puedan probarse fácilmente, mejorarse de forma continua y desplegarse de manera segura en toda nuestra base de clientes.
Durante un reciente workshop en Ciudad del Cabo, junto a un reconocido experto en AI, procedente de un nuevo cliente que ha realizado una fuerte inversión en AI, y con mi recién formado equipo de innovación, obtuve valiosas perspectivas sobre cómo y qué desarrollar e implantar. En este artículo de la newsletter, quiero ofrecerte una visión general de los pasos clave que debatimos para poner en marcha este apasionante desarrollo.
Paso 1: Datos
Todo en la AI comienza con los datos. Nuestro experto en AI destacó la necesidad de contar con una base de datos sólida, señalando que todas las iniciativas de AI requieren grandes volúmenes de datos continuos y que la mayoría de los proyectos fracasan porque la recopilación de estos datos es compleja y consume mucho tiempo. Afortunadamente, nuestro equipo de innovación ya ha resuelto este desafío mediante el uso de nuestro Datamart, que normaliza y almacena millones de filas de datos relevantes de supply chain tras cada ejecución diaria de nuestra aplicación de planificación. Este primer paso, de carácter fundamental, sienta las bases para el trabajo más sofisticado que viene a continuación.
Paso final: Despliegue y visualización
Habiendo crecido en un entorno en el que “unir los puntos” era un proceso metódico, me resultó especialmente interesante que la conversación avanzara rápidamente hacia el despliegue de bots de AI y la visualización de datos mediante herramientas de Business Intelligence (BI). Parece que, en el ámbito de la AI, los dos grandes retos son las entradas de datos y las salidas de datos. Existen suficientes recursos especializados y herramientas disponibles para desarrollar los bots de AI que generan los insights.
De hecho, las plataformas de datos para AI más utilizadas son AWS y Azure. En b2wise, recientemente hemos migrado de Azure a AWS para aprovechar su arquitectura serverless, que nos permite procesar cientos de miles de SKUs en cuestión de horas. Gracias a AWS y al uso de S3 buckets seguros, resulta sorprendentemente sencillo para los desarrolladores de AI trabajar con los datos de forma segura y, posteriormente, volcar los resultados de nuevo en nuestro DataMart para su interpretación y visualización.
Los dos pasos intermedios: imaginar y construir el modelo
Pero ¿qué ocurre con los pasos intermedios? ¿Qué es exactamente lo que queremos que la AI consiga? Es en este punto donde la experiencia del sector y la creatividad se encuentran con la tecnología. No nos interesa desarrollar otro modelo predictivo de forecasting basado en AI; nuestro objetivo es ir más allá de los límites establecidos y ofrecer algo verdaderamente diferencial. Por ello, a continuación, detallo las áreas de transformación en las que nuestros equipos de Innovación ya han comenzado a trabajar junto a un grupo reducido de clientes:
- Ajuste dinámico de buffers: aprovechamos la capacidad analítica de la AI para afinar los tamaños de los buffers, reduciendo los costes de posesión y evitando roturas de stock.
- Reequilibrio de la red de inventario: para clientes con redes de gran tamaño, incorporamos los costes de transporte en nuestro modelo con el fin de sugerir oportunidades de redistribución antes de realizar nuevas compras.
- Análisis del rendimiento de proveedores: utilizando hasta tres años de datos de suministro, buscamos ajustar dinámicamente los lead times a lo largo del año e incluso proponer alternativas de near-sourcing para mitigar interrupciones en el suministro.
- Analítica predictiva para la gestión del riesgo: al anticipar posibles disrupciones, la AI nos permite ejecutar escenarios de forma rápida, identificar nuestros puntos débiles y reforzar nuestras defensas antes de que surjan los problemas.
- Optimización de procesos: en b2wise contamos con una orquestación de procesos integrada, por lo que utilizaremos la AI para identificar ineficiencias y minimizar el tiempo de administración interna asociado tanto a la generación de pedidos como al cumplimiento de la demanda de los clientes.
- Uso innovador de Large Language Models (LLMs): la incorporación de LLMs como GPT-4 nos permite interpretar notas y correos electrónicos de los usuarios, de modo que podamos resumir rápidamente grandes volúmenes de información y extraer insights a nivel de toda la organización para mejorar la toma de decisiones.
La AI ya está aquí y ofrece oportunidades extraordinarias. Creo firmemente que DDMRP, como metodología, con sus bucles de retroalimentación continua integrados, que requieren el almacenamiento diario de todos los datos de la supply chain, está especialmente bien posicionada para aprovechar todo el potencial de la AI.
Por estas fechas del año pasado, nuestro foco estaba en la velocidad de procesamiento, un objetivo que hemos logrado mediante la reescritura completa de nuestro backend. Si hemos sido capaces de conseguir esto en un solo año, no puedo esperar a ver dónde estaremos dentro de un año con nuestra nueva UI y las capacidades de AI.
Si tienes una gran idea relacionada con la AI aplicada a la supply chain, me encantaría conocerla.
Think flow,
Kevin Boake
%20(1).webp)
