Optimización matemática: La clave para cadenas de suministro resilientes

El caos logístico no es un fenómeno nuevo en el mundo de la cadena de suministro, pero la escala de la agitación causada por el COVID-19 es algo que los interesados nunca han visto antes: el 94% de las empresas Fortune 1000 experimentaron disrupciones por la pandemia, según Accenture.

Afortunadamente, las empresas hoy tienen una variedad de tecnologías de inteligencia artificial como la optimización matemática a su disposición, para ayudar a combatir y superar las disrupciones de la cadena de suministro.

La optimización matemática ha sido establecida durante mucho tiempo como la tecnología de referencia para la planificación y operaciones de la cadena de suministro. Desde la década de 1980, empresas en todo el mundo han recurrido a una amplia gama de aplicaciones de planificación estándar y personalizadas, no solo para impulsar una mayor eficiencia y rentabilidad, sino también para gestionar y mitigar disrupciones. Tales tecnologías han sido una herramienta fundamental a lo largo de los años para fomentar la agilidad y resiliencia de la cadena de suministro.

La optimización matemática facilita dos tipos de toma de decisiones para planificadores y otras partes interesadas clave:

• Reactiva. Pueden detectar disrupciones en tiempo real y responder a ellas rápida y eficazmente identificando causas raíz y reasignando recursos dinámicamente, reduciendo así el tiempo de recuperación.
• Proactiva. Pueden analizar riesgos de la cadena de suministro y anticipar disrupciones potenciales.

Así es como la optimización matemática puede impulsar la toma de decisiones reactiva y proactiva óptima, y abordar las disrupciones de la cadena de suministro.

Un modelo de tres partes

Cada aplicación de optimización matemática está esencialmente compuesta por dos elementos: un solucionador (un motor de resolución de problemas basado en algoritmos) y un modelo (una representación o gemelo digital del entorno operativo del mundo real, con toda su complejidad y desafíos).

El modelo puede encapsular elementos específicos de la cadena de suministro (como proveedores, producción, logística y operaciones de almacén), o puede abarcar la red completa de extremo a extremo.

Cada modelo consta de tres partes:

• Variables de decisión. Decisiones que se toman en varios puntos a lo largo de la cadena de suministro;
• Restricciones. Reglas de negocio que deben seguirse;
• Objetivos de negocio. Numerosos (y a menudo conflictivos) objetivos de negocio, como minimizar costos y niveles de inventario, o maximizar la utilización de recursos, rendimiento de entrega a tiempo y satisfacción del cliente.

Cuando ocurre una disrupción, las aplicaciones de optimización matemática, porque están construidas sobre modelos que entienden y encarnan cómo se comporta una cadena de suministro real, permiten a los usuarios lograr:

• Visibilidad. Identificar instantáneamente las fuentes de la disrupción, como cuellos de botella de capacidad y fluctuaciones repentinas en la oferta y la demanda;
• Flexibilidad. Modificar el modelo haciendo ajustes e incluso añadiendo nuevas restricciones, variables de decisión y objetivos de negocio para reflejar las condiciones operativas actuales a lo largo de la cadena de suministro;
• Agilidad. Reoptimizar dinámicamente planes y horarios automáticamente, y determinar el mejor curso de acción para resolver la disrupción lo más rápido y eficazmente posible.

Con una aplicación de optimización matemática, las empresas pueden mantener visibilidad y control en tiempo real sobre la red de extremo a extremo, de modo que cuando las disrupciones golpeen, puedan identificar fácilmente las causas raíz y tomar rápidamente los pasos necesarios para remediarlas y preservar la continuidad del negocio.

'Inteligencia continua'

El aprendizaje automático, probablemente el aspecto más conocido de la IA, se basa en datos históricos. Por el contrario, la optimización matemática se basa en los datos más recientes disponibles para ofrecer analítica prescriptiva en tiempo real, o, como lo llama Gartner, "inteligencia continua" a través de la red de la cadena de suministro.

Cuando una disrupción severa de la cadena de suministro golpea, como lo hizo durante la pandemia de COVID-19, las empresas no pueden depender de datos del pasado para ayudar a navegar los desafíos financieros y operativos sin precedentes.

Debido a que utilizan los datos más recientes disponibles y modelos que capturan las condiciones actuales a través de una red operativa, las aplicaciones de optimización matemática son capaces de generar automáticamente las mejores soluciones a los problemas de la cadena de suministro de hoy, y permitir inteligencia continua y toma de decisiones óptima.

Explorando el riesgo

Una parte importante de manejar la disrupción de la cadena de suministro es evaluar el riesgo y planificar y prepararse para el futuro. Con la capacidad de análisis de escenarios de la optimización matemática, las empresas pueden:

• Explorar varios escenarios de qué pasaría si (what-if) de suministro, demanda, inventario, capacidad, macroeconómicos, geopolíticos y otros, y evaluar su efecto potencial en el negocio.
• Descubrir riesgos ocultos y medir la exposición al riesgo y el tiempo de recuperación en caso de una disrupción como un desastre natural, o una avería de producción o transporte.
• Desbloquear oportunidades para mitigar el riesgo e impulsar una resiliencia mejorada de la cadena de suministro, reasignando recursos o reconfigurando la cadena de suministro.

La funcionalidad de análisis de escenarios de la optimización matemática permite a las empresas aislar sus cadenas de suministro contra el impacto de futuras disrupciones, al permitir decisiones proactivas y estratégicas en múltiples áreas, incluyendo inversión de capital, selección de proveedores, planificación de capacidad e inventario, y ubicación de instalaciones de producción y almacén.

Durante la pandemia de COVID-19, hemos experimentado una ola sin precedentes de disrupción de la cadena de suministro, que ha causado caos significativo y duradero en la economía global y ha planteado enormes desafíos para los profesionales de la cadena de suministro. La optimización matemática ha demostrado ser un arma potente para combatir tales disrupciones, mientras aumenta la eficiencia y rentabilidad de la cadena de suministro. Esta tecnología de IA continuará siendo una herramienta esencial para los líderes de la cadena de suministro mientras navegan el panorama empresarial en constante cambio.

Ed Rothberg es cofundador y director ejecutivo de Gurobi.