Facilitando el uso de tecnologías 4.0

Las nuevas tecnologías se hacen cada vez más amigables, pero requieren de una sólida disciplina para su selección, implantación y uso si se desea asegurar un adecuado retorno de la inversión.

Una parte importante del desarrollo de las nuevas tecnologías 4.0 es que con mayor frecuencia están disponibles para personas sin una profunda preparación en temas de programación o un elevado conocimiento matemático. Esta característica la hace mucho más accesible y por lo mismo facilita su uso a lo largo de las cadenas de suministro.

La analítica prescriptiva es una técnica que busca  poner rumbo de acción en base a la optimización de una función matemática. Una de las mayores complejidades consiste en preparar el modelo matemático que se asemeje a las condiciones del negocio que debe ser optimizado, entonces ya se puedan explotar los datos para encontrar soluciones óptimas. Este tipo de analítica se enfoca en determinar formas en las que podemos influir en el futuro mediante la determinación de la mejor solución para una solución específica en particular

La forma de generar soluciones puede ser mediante aplicaciones heurísticas, en el cual se realizan una serie de árboles de decisiones y el modelo encuentra es que funciona mejor bajo las condiciones definidas, la limitante aquí es que sólo puede elegir una de las respuestas previamente identificadas. Cuando se trabaja con modelos de optimización en base programación lineal, los modelos pueden crear escenarios complejos con un número mayor de variables y restricciones que conduce a nuevas soluciones.

De una manera simple podemos afirmar que cuando se tienen más de 20 variables en juego para tomar una decisión la analítica prescriptiva es una opción interesante para un proceso de optimización. Aunque esto puede parecer mucho, si pensamos en una planta que tiene 4 líneas de producción en la que produce 3 productos diferentes para 5 clientes, ya se estaría hablando de 60 variables lo que permitiría la aplicación de este tipo de analítica. Las decisiones de planeación, optimización de restricciones de capacidad, maximización de las ganancias u optimización del nivel de servicio son algunos de los típicos objetivos que se persiguen dentro de las cadenas de suministro

Para poder hacer uso de la analítica prescriptiva se recomienda utilizar los siguientes 12 pasos:

  1. Determinar claramente el problema a resolver. Se recomienda empezar con situaciones simples para familiarizarse con el proceso.
  2. Obtener el apoyo de la alta dirección. Probablemente el proyecto requiera del apoyo de un proveedor, de un equipo interno y de recursos financieros, por lo cual debe estar sólidamente soportado.
  3. Seleccionar la tecnología adecuada. Cuando se tiene claridad sobre el modelo que se va a utilizar y lo que se pretende alcanzar, es posible evaluar las alternativas tecnológicas para elegir la que se alinea adecuadamente con lo que se busca. Es importante buscar el apoyo de un científico de datos.
  4. Determinar el alcance. En función del alcance se determinarán los participantes.
  5. Establecer una clara visión. Tener claridad sobre lo que se desea alcanzar
  6. Establecer un equipo. Además de los expertos que trabajaron en el diseño del modelo, se recomienda contar con un patrocinador, con un líder de proyecto y con un comité de apoyo.
  7. Definir el modelo. Los requerimientos del modelo y una buena descripción del alcance serán claves para el éxito del proyecto.
  8. Construir y validar el modelo. Utilizar los datos y validarlo contra la realidad permitirá conocer de esa actitud de los resultados
  9. Preparar los datos. Una vez con un modelo sólido, se deberá garantizar que los datos se encuentren disponibles en el tiempo y forma que se requieren para su procesamiento
  10. Utilizar interfaces. El modelo será de mayor utilidad cuando se pueda elaborar diferentes escenarios y validar los resultados
  11. Validar la solidez del modelo. Hacer pruebas al modelo para asegurar que trabaja como se requiere
  12. Extender su uso a punto por utilizar el modelo para la toma de decisiones cotidianas y asegurar su mejora continua

Se recomienda apoyarse en las tecnologías que utilizan programación en base a la llamada “quinta generación” que son más intuitivas y que permiten una programación simple y visual, lo que es clave para asegurar que la analítica se vuelve parte del día con día de las organizaciones.

En el caso de la Inteligencia artificial, IA, la implantación no ha sido fácil por problemas similares como:

  • Se requiere un ejército de planeadores muy caros
  • Se tienen que diseñar motores muy complejos en cada nodo de la red
  • Se presentan conflictos entre funciones o socios de la red
  • Se centra mucho en la suboptimización
  • Mala calidad de los datos

Para facilitar la implementación de la inteligencia artificial se recomienda:

  • Tener acceso a datos en tiempo real de alta calidad.
  • Poder acceder a datos de los múltiples miembros de la cadena.
  • Crear modelos que soporten los objetivos de los diversos miembros de la cadena.
  • Contar con procesos de toma de decisión que vayan poco a poco incrementando su alcance y tomen en cuenta los costos asociados con cada cambio.
  • Contar con procesos que permitan que los modelos se monitoreen y auto aprendan.
  • Permitir que el modelo tenga autonomía de ejecución, que no solo recomienda acciones, las ejecute.
  • Que el modelo se pueda escalar conforme la red crece.
  • El modelo no debe ser aun caja negra, debe poder ser monitoreado y controlado por el especialista.

Una adecuada implantación de la inteligencia artificial tiene grandes beneficios para la cadena de forma permanente debido a su habilidad de aprender y corregir lo que lo convierte en un generador permanente de mejoras.

Para mayor detalle, les recomiendo consultar:  “How to Start Using Prescriptive Analytics: Your 12-Step Guide” publicada por River Logic así como  “8 fundamentals for achieving AI success in the supply chain” publicado por Greg Brady.

Discuss this:

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.