La oportunidad de los datos masivos en la

planificación de la demanda de la cadena de

suministro
Se aproximan tiempos interesantes para los responsables de planificación de la
Cadena de Suministro, especialmente en el sector del Gran Consumo… donde la
toma de decisiones ya se está desplazando de la causalidad a la correlación.

Del mundo de los “datos escasos” al de los “datos masivos”

El ser humano lleva miles de años recopilando y analizando datos, primero con la
ayuda de precarios medios analógicos y desde los últimos 50 años, básicamente, con
medios digitales. Sin embargo, la revolución ha llegado con la democratización de
internet, de los dispositivos móviles, de las redes sociales, de los sensores (internet of
thinks)… Se estima que la cantidad de información almacenada en el mundo ya supera
los 1.200 Exabytes, de los que menos de un 2% se almacena en medios analógicos.

Para los que se quedaron en el Gigabyte (109 bytes): un Exabyte equivale a 1.000
millones de Gigabytes. Giga, Tera, Peta, Exa… el siguiente múltiplo que tendremos que
recordar será el Zettabyte (1021 bytes), porque la cantidad de datos estructurados y no
estructurados crece deprisa.

En un minuto de internet se envían 240 millones de mails, se realizan 4 millones de

búsquedas en Google, se publican 277.000 tweets y se hace clic en el botón “me
gusta” o se escribe un comentario en más de 2 millones de ocasiones.

El progreso y la innovación ya no se ven obstaculizados por la capacidad de recopilar

datos, sino por la capacidad de procesarlos y descubrir tesoros ocultos.

Ante la escasez de datos, los modelos de predicción estadística tradicionales se han

basado en la construcción de una muestra de datos lo más perfecta posible. Sin
embargo, mediante las técnicas de análisis descriptivos y predictivos de la minería de
datos (data mining) es posible extraer modelos y patrones de información a partir de
grandes cantidades de datos, que no necesitamos que sean tan precisos.

Queremos descubrir pautas y correlaciones en los datos, aunque no seamos capaces

de explicarlas. Hay una leyenda urbana, falsa aunque didáctica, sobre el
descubrimiento de una correlación oculta, extraída de las tarjetas de lealtad de los
clientes, que consiguió que una gran superficie aumentase las ventas de cerveza
poniéndola al lado de los pañales. Esencialmente, “Big Data” consiste en hacer
predicciones.
Ampliando la planificación de la demanda con decisiones orientadas a
los datos
En una encuesta de “Supply Chain Insights LLC” (2013) realizada a fabricantes,
distribuidores y minoristas de todo tipo de empresas discretas, de proceso y retail, un
15% de ellos ya disponía de una base de datos superior al Petabyte y se identificaba la
planificación de la demanda como la oportunidad más importante a considerar en la
estrategia de datos masivos.

Los datos masivos relacionados con la demanda ofrecen una clara ventaja competitiva
a las empresas que sepan utilizarlos para hacer mejor sus predicciones. Las
oportunidades pueden aparecer tanto por la utilización de nuevos datos (variabilidad),
como por el volumen o la velocidad de proceso de los mismos.

Hace más de 40 años que SAP sueña con la R de “real-time” y, con la tecnología de
base de datos en memoria (SAP HANA), parece que el billonario alemán Hasso Plattner
y sus colegas han vuelto a acertar: las bases de datos relacionales representaban un
cuello de botella que la velocidad de SAP HANA se ha encargado de eliminar.

Además, la reciente compra de SmartOps, por parte de SAP, ha completado el

portafolio de soluciones para la planificación de la demanda con S&OP, MEIO y
Demand Sensing: “sistemas de planificación de diferenciación” (SOD), como los llama
Gartner, que complementan a SAP SCM Advanced Planning & Optimization (APO).

Demand Signal Repository

Con SAP Demand Signal Management (DSiM) powered by SAP HANA , por fin, las
empresas pueden disponer de un auténtico DSR (Demand Signal Repository) que
permite recolectar millones de registros de información estructurada y no
estructurada de la cadena de suministro, integrarla en una única fuente de
conocimiento y analizarla “casi” en tiempo real.
Las tareas a realizar antes de disponer de información de valor no son sencillas de
automatizar. Es necesario:

 recibir datos maestros de diferentes productos y minoristas, cada uno con su

terminología y atributos de producto, con diferentes grados de calidad de la
información suministrada,

 corregir los datos perdidos o anómalos,

 armonizar los datos externos mapeándolos en un objeto único consistente,

 enriquecerlos con atributos adecuados y ratios calculados…

Y el resultado estará listo, por ejemplo, para ser incorporado como señal de demanda
del punto de venta (POS data) en el proceso de Gestión de la Demanda de SAP APO.
La aplicación incluye la más potente tecnología analítica (SAP Predictive Analytics) y
una moderna interfaz de usuario (SAP Business Objects) con la que monitorizar el
comportamiento de las promociones en los diferentes almacenes y acercar al
fabricante las señales de los clientes finales, los inventarios de los minoristas, los datos
de investigación de mercado de diferentes proveedores (Nielsen, IRI, GfK,…), la
información del ERP interno de la empresa, etc.

Demand Sensing
Cuando los cambios en los patrones de comportamiento de la demanda suceden de
repente y sin previo aviso, la velocidad de acceso a los datos es vital para poder
anticiparnos al momento de la compra y evitar las roturas de stock. Los métodos
tradicionales de cálculo de pronóstico basados en series temporales pueden no ser
suficientes para reaccionar a tiempo, al estar desconectados de lo que está sucediendo
en la actualidad, y obligar a la intervención del planificador para intentar paliar los
efectos de la volatilidad de la demanda.

La incorporación de señales de demanda y aprovisionamiento en tiempo real aparece

como una oportunidad que nos puede permitir identificar anomalías, riesgos y
oportunidades, y reaccionar lo antes posible al cambio, al reducir la latencia en la
cadena de suministro.

Las señales de demanda provienen tanto de fuentes internas de la empresa (la

precisión de la previsión, los pedidos de venta, nuevos productos, promociones,
cambios de precio…) como de fuentes externas (datos del punto de venta, tendencias
económicas, comportamiento del consumidor, prescriptores en redes sociales,
acciones de la competencia…) almacenadas en el repositorio de datos de la demanda
(DSiM), donde han sido preparadas y transformadas para soportar técnicas analíticas
de reconocimiento de patrones como el modelado predictivo mediante redes
neuronales, correlaciones o segmentación (clustering).

SAP Enterprise Demand Sensing no sustituye al pronóstico estadístico a medio/largo

plazo. El proceso diario estima el mix óptimo de múltiples señales de demanda para
mejorar la previsión consensuada a corto plazo, jugando un papel importante en el
cálculo de las propuestas de reaprovisionamiento (deployment).
Recapitulando

Quizás no falta tanto para que un drone con una caja de cervezas aparezca por el
horizonte de la playa de Castelldefels, justo en el momento en que un sediento padre
se levante de la toalla y, quemándose los pies porque el crío está jugando con las
sandalias, se acerque a uno de los chiringuitos dudando: “¿pido algo diferente o la
cerveza de siempre?”…

Pero de momento, falta comprobar el grado de madurez que conseguirán estas

aplicaciones y si superarán la etapa de early adopters. Son herramientas complejas,
más sofisticadas que los sistemas de planificación avanzada (SAP APO), así que hay que
proceder con precaución: alineando las iniciativas con objetivos de negocio, limitando
el alcance a pequeños proyectos iterativos y siempre con la participación de los
mejores usuarios clave.