top of page
Buscar
  • Foto del escritorerik

Uso de algoritmos y machine learning en Supply Chain del Retail en Latam para optimizar inventarios

El continuo desafío de un retailer es mantener el balance entre una completa oferta de productos a los consumidores cuando visitan sus salas o se abastecen por internet, versus la optimización de inventarios en la cadena, el que al final define el retorno sobre el capital invertido del negocio.


Claramente los consumidores quieren que la oferta siempre esté disponible, y por otro lado los inversionistas necesitan que el retorno sobre el capital invertido sea lo planificado y represente los riesgos inherentes a ese tipo de inversiones (el capital de debe utilizar para crecer en tiendas y no para enormes inventarios).


Me ha tocado acompañar a algunas cadenas de retail en Latam que han decidido mejorar agresivamente el retorno sobre su dinero invertido, pero sin dañar su venta y su disponibilidad de productos en las góndolas. La oportunidad radica en los métodos de trabajo y las tecnologías hoy disponibles para poder operar sofisticados networks de tiendas y centros de distribución con mínimos inventarios y mínimos faltantes en góndola.


Por supuesto que hay mucho trabajo que realizar en toda la cadena logística, comenzando con las plantas de los proveedores, centros de distribución en la cadena completa, operación logística de transporte y también procesos operacionales en tiendas. Procesos deben ser re-diseñados implementando una mirada de flujo continuo (flow-thru inventory), definiendo e implementando mucho detalle operacional necesario para lograr que un fino modelo funcione.


Pero la mayor oportunidad me la he encontrado en los sistemas de reposición utilizados en el retail:

- Utilizando el Big Data disponible, y trabajando con Data Scientists dedicados a mejorar la calidad del pronóstico de ventas (por producto, por tienda), hemos logrado resultados impensables en el tamaño de los inventarios, ya que la mejora en la precisión de un pronóstico futuro hace posible la operación continua con menores niveles de inventario. No me deja de impresionar como el uso de toda esa data disponible, en plataformas de bajo costo como son R y AWS (Amazon Web Services), además del cambio de algoritmos normalmente utilizados para pronosticar por otros algoritmos hoy disponibles en la nube para su uso e integración con herramientas y modelos propios, permite significantes reducciones en los días de inventario totales del retail moderno.

- Además de la precisión del dato de venta pronosticada (que es un factor en un modelo de reposición o compra), nos encontramos normalmente que el software de reposición utilizado (de muy alto costo y supuestamente best practice en el mundo) se encuentra con muchas oportunidades de mejoras en su parametrización y correcto uso. Observamos que la configuración de cada uno de los parámetros en un modelo de reposición y compra fue hecha en un comienzo, y muy poco mejorada y ajustada en forma continua.


Importante pensar en el equipo humano que normalmente opera un retail y su capacidad para comprender estas nuevas tecnologías y algoritmos disponibles, además del uso de la nube para el manejo del Big Data. Me he encontrado con Gerentes de Tecnología y Gerentes de Retail que no comprenden el impacto de estos modelos, y siguen empecinados en buscar multimillonarias soluciones tecnológicas que hoy en día no aseguran una solución viable (además de gastar el dinero ahorrado en la reducción de inventarios).

15 visualizaciones0 comentarios

Kommentare


bottom of page