Efecto látigo
Planificación empresarial integrada: se acabaron las molestias con la tramitación del calendario de entregas
Con el procesamiento en SAP IBP, Integrated Business Planning, y el uso del aprendizaje automático, las empresas obtienen lo mejor de sus planes de entregas. Un plan de entregas muestra qué materiales se piden y en qué condiciones en fechas fijas dentro de un periodo de tiempo. Pero el plan no siempre funciona. En septiembre, el 65% de las empresas encuestadas por el Instituto Ifo no pudieron producir porque escaseaban las materias primas y los insumos. En consecuencia, no se pudieron procesar todos los pedidos. Actualmente, la escasez de materiales tiene mucho que ver con los efectos de la crisis de Corona y la guerra de Ucrania en las cadenas de suministro. No todas las producciones pueden ajustarse con la suficiente rapidez a las fluctuaciones de la oferta y la demanda. Pero la escasez de material es también fundamentalmente un fenómeno recurrente, porque los calendarios de entrega son a menudo poco fiables y además conllevan cambios en el calendario de entregas debido a cambios de última hora. En lugar de certidumbre, el calendario de entregas encierra una incertidumbre creciente.
Demanda y plazos de entrega
En este contexto, la idea de los planes de entrega es buena: clientes y proveedores comparten información sobre las necesidades futuras y así se ayudan mutuamente a combatir las incertidumbres en una fase temprana. Cuando funciona correctamente, esto genera una gran fiabilidad en las entregas para el cliente y permite la eficiencia para el proveedor: una situación en la que todos salen ganando.
Las fluctuaciones en el intercambio de información provocan dolores de cabeza. Un plan de entregas contiene esencialmente información relevante sobre las demandas y las fechas de demanda que se recogen del cliente y luego se entregan. Esto crea una imagen del curso futuro de la demanda. La información actualizada sobrescribe continuamente los datos obsoletos. Dependiendo de los procesos individuales, esto ocurre una vez a la semana o varias veces al día. Cada vez se modifica la información sobre la demanda y, por tanto, la entrada para el cumplimiento de la demanda, a veces más, a veces menos. A corto plazo, las fluctuaciones se evitan fijando horizontes. A medio y largo plazo, sin embargo, causan enormes quebraderos de cabeza y generan costosas ineficiencias.
El problema radica en la propia materia. Los planes de abastecimiento unen dos cadenas de suministro. En su buen funcionamiento influyen muchos factores: los propios procesos, prioridades y restricciones de la empresa, pero también los proveedores y los clientes. Una vez que se dispone de la información, las empresas deben evaluar primero la información sobre los planes de suministro de sus clientes. En concreto, se trata de saber qué información de cada plan de entregas es válida en cada momento y cómo se puede hacer que sea utilizable. Este es el comienzo de la búsqueda de la aguja en el pajar. La información "buena" puede estar contenida en el plan de entregas de ayer o de la semana pasada. La coordinación personal con el cliente llevaría demasiado tiempo y no tendría sentido desde el punto de vista económico.
Sin embargo, con SAP IBP y extensiones como el aprendizaje automático, esta búsqueda se hace factible: En primer lugar, se configura el tipo de datos maestros en IBP. Contiene atributos clave como la información sobre el cliente, el producto, el plan de entregas, la fecha y la cantidad. Esta información se mapea con la ayuda de IBP utilizando datos maestros y ratios. En el proceso, los distintos estados del plan de entregas se guardan y almacenan para su uso posterior. En el siguiente paso, los estados del plan de entregas, que antes se asignaban en ratios, se integran en la previsión - de este modo no sólo ofrecen un valor añadido informativo en SAP IBP, sino también un valor añadido real en el uso: ahora se pueden asignar los cambios en los planes de entregas y sus posiciones a lo largo del tiempo.
El siguiente paso consiste en determinar el punto en el tiempo en el que el programa de entregas era más estable, es decir, más cercano a la realidad. Para este cálculo, el IBP dispone de los algoritmos clásicos. La desviación más pequeña del sistema constituye la base para elaborar una previsión estadística. Ahora, los planificadores pueden comparar esta previsión con el periodo más fiable del programa de entregas y seguir trabajando con los mejores ratios en el proceso de ventas y operaciones.
Aprendizaje automático
Demasiado útil pero también limitado en el IBP. Porque se puede hacer mucho más. Por ejemplo, utilizando el aprendizaje automático. Los planificadores pueden utilizar los errores calculados en el plan de entregas como variable independiente para enriquecer algoritmos externos. Estos pueden utilizarse entonces como entrada para generar mejores previsiones. Si se dispone de datos suficientes, también puede utilizarse el propio error de previsión. Además, es posible extraer los datos del IBP a través de los servicios O-Data u otras interfaces de integración. Allí, los datos se enriquecen con otros métodos estadísticos disponibles en la biblioteca Python y, a continuación, se introducen de nuevo en SAP IBP. La ventaja es que estos entornos ML permiten análisis mucho más amplios que el estándar de IBP.
