Mejora Continua, Inteligencia Artificial y DDMRP

Décadas de iniciativas lean y de mejora continua han cambiado profundamente el funcionamiento de muchas empresas.

Hemos pasado de ser una organización tradicional con una estructura jerárquica de líderes que toman decisiones e implantadores que obedecen, a una red de hombres y mujeres que cada uno aporta sus conocimientos para mejorar cada día un poco más el rendimiento.

A finales de la década de 1990, asistí a una presentación de un líder japonés que comparaba los enfoques dominantes en ese momento en los países occidentales con los que se utilizaban en Japón. Señaló que en Occidente progresábamos principalmente a través de rupturas sucesivas: grandes inversiones, nuevas tecnologías, que cada vez nos llevaban a un nuevo nivel, pero que cuando estábamos a ese nivel, tendíamos a estancarnos, mientras nos preparábamos para la próxima innovación rompedora. Invertimos en nuevos equipos, pero dejamos que se deterioren, se ensucien y se oxiden. Por el contrario, dijo con un toque de arrogancia, los japoneses cuando alcanzamos un nivel nunca dejamos de intentar mejorar, lo que garantiza que nos mantengamos por, y que el paso para saltar al siguiente nivel sea menor.

En los países occidentales ahora reconocemos el poder de este enfoque y lo hemos adoptado ampliamente. Juntos somos más inteligentes. También reconocemos el poder de la formación y el apoyo a los directivos para ayudar a todos nuestros equipos a progresar, por un lado a través del conocimiento de métodos y herramientas – resolución de problemas, estadísticas, 5S, DDMRP, etc. – y por otro lado, compartiendo visiones claras sobre los valores comunes y la dirección a la que se dirige la empresa.

Hace poco pensaba en esto cuando escuché la objeción de una empresa al DDMRP: el dimensionamiento de los buffers, y en particular de la zona roja, parece demasiado simple, incluso simplista. . Esta empresa prefiere explorar técnicas más sofisticadas: enfoques probabilísticos, inteligencia artificial. Les parece más tranquilizador, más científico.

Además, esta empresa gestiona decenas de miles de referencias, por lo que requiere automatización para manejar productivamente esta complejidad. Esto es cierto.

Los que me conocen saben que soy un poco friki. Me interesan las redes neuronales desde los años 90, he intentado aprender los conceptos básicos de la ciencia de datos, y disfruto popularizando estos enfoques a través de herramientas como Power BI para hacer que los conjuntos de datos hablen. Cualquier proceso de mejora continua comienza con la observación y la medición, y cada vez estamos mejor equipados para ello.

Estoy convencido de que la inteligencia artificial puede ayudar a mejorar un modelo de gestión de la cadena de suministro. Nuestro trabajo en Demand Driven Technologies lo confirma, ¡pero no creemos que sea el alfa y el omega de la cadena de suministro! Aunque la inteligencia artificial demostrará el rendimiento de la cadena de suministro, seguirá habiendo un papel fundamental para la inteligencia y la participación humana.

Por ejemplo, la industria ya ha experimentado el fenómeno de la caja negra al que se enfrentan a menudo los planificadores, y que los lleva a elaborar una lógica comprensible, fuera del sistema, en Excel. La inteligencia artificial conlleva ese riesgo. No hemos llegado hasta aquí para reemplazar al «jefe que sabe» por la «inteligencia artificial que sabe».

No olvidemos que los datos que manipulamos no son sólo científicos. Por ejemplo, el rendimiento de la entrega de un proveedor puede depender de elementos intangibles: la calidad de la visibilidad que le damos, la atención que le prestamos, la calidad de la relación entre interlocutores de ambas partes. Si aplicas un algoritmo de aprendizaje automático al historial de entrega de tu proveedor para evaluar la variabilidad, o a la demanda del cliente, ¿te contará toda la historia, y te dará las palancas reales para mejorar?

No tengo ninguna duda de que la Inteligencia Artificial puede ayudar en la toma de decisiones, principalmente ayudando a los planificadores a identificar las excepciones que hay que analizar, y dando pistas sobre la configuración que hay que ajustar.

Sin embargo, el verdadero impulsor del progreso es la visibilidad, que alimenta los bucles de mejora impulsados por el equipo (PDCA). No se asuste si el ajuste inicial de los buffers es «más o menos correcto». Esta es exactamente la lógica que ha permitido un progreso considerable a través del método Kanban: empiezas pragmáticamente, y luego mejoras.

Utilizamos un «Smart Buffer Profiler» en nuestras soluciones. Este asistente analiza los historiales y propone perfiles de buffer para todos los artículos almacenados. La experiencia demuestra que este proceso es muy eficiente, incluso en conjuntos de datos que contienen decenas de miles de artículos y establece un dimensionamiento relevante. ¡No es exacto, pero relevante!

¡Pero esto es sólo el principio! El software no es tan «inteligente», realmente no conoce a sus proveedores, sus medios de producción, la vida útil de sus artículos, los sesgos de comportamiento de los actores de su cadena de suministro, no sabe cómo cuestionar las limitaciones del tamaño de los lotes o del plazo de entrega, etc. Debe confiar en sus equipos que sí tienen estos conocimientos.

Mucho más que algoritmos de dimensionamiento o previsión del inventario, lo que necesita es visibilidad, facilidad de lectura y análisis, colaboración y una visión compartida de lo que es importante para que sus equipos impulsen la mejora continua, su mejor aliado para una cadena de suministro cada vez más eficiente y adaptable.