Optimizar tu Supply Chain gracias al Business Intelligence

By: Guido Secco
Nov.22, 2018
0

Por Alex Raraz – Ejecutivo Comercial Sénior @ Logicarch

¿Conoces el valor de tu inventario? ¿Sabes quiénes son los proveedores que más convienen a tu negocio? ¿Puedes mejorar la puntualidad en las entregas optimizando la función de transporte? ¿Tienes idea de en qué puntos del proceso existe una mayor tendencia a la aparición de cuellos de botella?

Existen distintos factores que influyen en el éxito de la cadena de suministro como el aumento de la presión regulatoria, las preocupaciones ambientales, los cambios en la demanda, que busca productos más sostenibles y procesos eficientes; dificultades con origen en los órdenes político, económico y social que se ven compensadas por los avances en la esfera tecnológica, que permiten a las cadenas globales explotar todo el potencial de los grandes volúmenes de datos, la nube, el almacenamiento de datos móviles o el internet de las cosas.

Lidiar con todos estos aspectos, a la vez que se intentan alcanzar objetivos como encontrar proveedores que garanticen cotas superiores de calidad, la mejora de las tasas de defectos, el impulso a la comunicación y colaboración con los proveedores o la reducción de plazos de entrega, implica un gran esfuerzo y un riesgo. Ambos pueden quedar minimizados al introducir herramientas de BI, siempre que las cadenas de suministro estén lideradas por ejecutivos bien preparados y con talento.

Por eso, el desarrollo de las capacidades tecnológicas resulta determinante para el futuro de supply chain. Muchas empresas han optado por el análisis de la cadena de suministro para deshacerse de las redundancias que subyacen en sus proceso, detectar las primeras señales que alerten de un cambio en las tendencias, identificar las oportunidades que merece la pena aprovechar o, simplemente, ganar visibilidad en tiempo real en el día a día de la actividad.

¿Entiendes lo que sucedió ayer? ¿Sabes qué pasará mañana? ¿Estás preparado para reaccionar a tiempo hoy?

Por qué la cadena de suministro necesita de BI

Un reciente informe de Grupo Aberdeen revela los motivos por los que las cadenas de suministro deben invertir en software de inteligencia empresarial (BI) si quieren mejorar la eficacia de su gestión. Los encuestados coincidieron en que los principales desafíos que les impulsan a recurrir al business intelligence son:

  1. Aumento de la complejidad de las operaciones mundiales: 57%.

  2. Falta de visibilidad de la cadena de suministro: 41%.

  3. Necesidad de mejorar los ingresos de primera línea: 40%.

    business intelligence

El BI permite a las organizaciones transformar datos en conocimiento accionable. De esta forma, la información de calidad hace posible analizar tendencias, diseñar nuevas estrategias y fomentar la colaboración entre los socios de la cadena. El mismo estudio indica que los tres usos más extendidos de estas nuevas capacidades en supply chain son:

Reporting ejecutivo basado en métricas: 65%.

  • Ayuda a analizar las cargas, rutas, transportistas, reservas, ranuras, tiempos de espera, auditoría de fletes y pago para entender las variables de costo.

  • Facilita la elaboración de los informes de cumplimiento con la incorporación de detalles en la documentación que aumentan su completitud.

  • Agiliza la toma de decisiones al incorporar modelos visuales utilizando gráficos.

  • Si se comparten en línea, permite a la administración realizar un seguimiento del progreso operacional.

Racionalización de procesos para un seguimiento más efectivo: 37%

  • Prediciendo las fluctuaciones de los costos de combustible y sus restricciones.

  • Previniendo los riesgos.

  • Profundizando en el historial de envíos para la toma de decisiones y la mejora continua.

  • Evaluando el equilibrio entre el volumen de pedidos y los recursos disponibles.

  • Monitorizando al detalle el funcionamiento de la cadena de suministro de extremo a extremo, e incluyendo métricas tales como entrega a tiempo, para identificar problemas de entrega en cualquier momento del proceso.

Fomento de las iniciativas de colaboración con proveedores: 35%.

  • En base a la puesta en común de datos procedentes del análisis avanzado de la demanda.

  • Profundizando en datos como los costos de reparación o tendencias de mantenimiento.

  • Apoyándose en indicadores clave de desempeño de proveedores para realizar un seguimiento de su rendimiento en comparación con los acuerdos de nivel de servicio que haga posible identificar oportunidades, negociar de forma inteligente y crear contratos de tarifas basados ​​en resultados.

  • Empleando el analytics para segmentar a los proveedores y fortalecer la relación con ellos.

Cada operación permite almacenar grandes volúmenes de datos que se pueden contrastar con los registros históricos e información procedente de otras fuentes para ganar en perspectiva y obtener una visión más clara de la realidad. La calidad en los datos y la visibilidad son dos elementos críticos en esta ecuación, pues sus efectos hacen posible agilizar los procesos, ganar en precisión en las decisiones y poder actualizar la estrategia rápidamente para mantenerse por delante de la competencia.

La inteligencia de negocios impacta en las operaciones y sus resultados, pudiendo mejorar la rentabilidad en base a un análisis en profundidad del servicio, la cartera de clientes, los proveedores y de todos los componentes de la cadena.

Supply chain necesita BI puesto que le permite mejorar la eficiencia interna y la rendición de cuentas, al mismo tiempo que ahorra tiempo y elimina los costos relacionados con la gestión. La incertidumbre se reduce, mientras que el enfoque se redefine y refuerza gracias a un modelo de toma de decisiones en base a métricas y datos objetivos, apoyado por una buena gestión del cambio.


10 Banderas rojas que alertarán si su proyecto de analítica camina hacia el fracaso

By: Guido Secco
Oct.11, 2018
0

Por Jorge Barahona, Gerente de CPM Novatech

 

Hoy en día, es poco común encontrarse con un Director o Gerente que no reconozca sobre la necesidad de transformar la empresa en “Analytics Driven”.

Tal es la urgencia y la necesidad, que suena con fuerza en el mercado profesional los cargos como CHIEF ANALYTICS OFFICER (CAO) o CHIEF DATA OFFICER (CDO), ambos puestos cotizados y que lideran grandes inversiones empresariales para el análisis de datos.

Sin embargo, existen estudios que revelan resultados frustrantes en las compañías por los escasos proyectos exitosos de transformación analítica.

Este mismo estudio permitió encontrar lo que se consideran las “diez banderas rojas” que alertan sobre un potencial fracaso en los programas de Transformación Analítica en las organizaciones.

Revisaremos cada una de ellas, procurando guiar a nuestros lectores sobre alertas tempranas en un proceso de Data Driven Business y sugiriendo cursos de acción que les permita alcanzar un éxito justificado en este esfuerzo:

En una encuesta realizada por McKinsey, se encontró que solo el 8% de 1000 encuestados con iniciativas analíticas lograron hacer proyectos escalables más allá del 1er proyecto piloto.

1. El equipo líder de ejecutivos no tiene clara la visión del programa de transformación analítica:

Todavía los ejecutivos carecen de un claro entendimiento sobre las posibilidades que la analítica tradicional (Business Intelligence) y la analítica avanzada (Inteligencia Artificial, Analítica Predictiva y Analítica Prescriptiva) pueden entregar a las organizaciones. Con este grado de confusión, es posible fijar expectativas falsas en cuanto al principal objetivo del programa analítico. Como consecuencia de esta primera bandera roja, es que los proyectos carecen de tracción y poco a poco pierden el interés de la alta dirección.

Sugerencia

Crear una academia de analítica in house, donde se pueda transmitir correctamente el enfoque de cada uno de los tipos de analítica disponible actualmente con la tecnología, y los beneficios esperados.

2. Nadie determina el valor que puede crear cada uno de los CASOS DE USO ANALÍTICOS durante el primer año de implementación

Con el entusiasmo del inicio del programa, se diseñan proyectos que traen beneficios en cada esquina de la organización, involucrando a todo el personal y haciendo gastos tecnológicos gigantescos. Esto produce proyectos lentos y con muchas variables de riesgo.

Sugerencia

Priorizar los 3 primeros casos de uso, de entre 5 casos de uso previamente seleccionados mediante el impacto de valor que produce al negocio. Este proceso de priorización debe ser aplicado a toda la cadena de valor de la organización, hasta encontrar aquellos casos pilotos que demostrarán el beneficio tangible para la organización.

Gráfico 1.- Matriz de Priorización: La ilustración muestra un ejemplo de priorización de los proyectos con base en 2 variables, factibilidad e impacto al negocio.

3. No existe una estrategia luego de la instauración de un proyecto de analítica

Muchos de los ejecutivos encuestados confirmaron que se instauraron proyectos de analítica que arrojaron mucha información de valor, pero nunca se definió, previo al proyecto, qué tipo de decisiones se pueden tomar y quiénes serán los responsables de tomar aquellas decisiones.

Sugerencia

Los CAO y CDO deben cuestionar al área de negocio proponente, los siguientes temas:

* ¿Qué tipo de propuestas nuevas traen las tecnologías a implementar?

* ¿Qué mejoras directas traerán esas tecnologías a implementar?

* ¿Qué nuevas oportunidades de negocio se podrán aprovechar con las nuevas tecnologías?

4. Los Roles – actuales y futuros – son escasamente definidos

Los ejecutivos a cargo no son capaces de definir qué tipo de talentos analíticos posee la organización, peor aún no saben dónde están localizados y si esas habilidades podrían ser mejoradas para los intereses de la organización.

Sugerencia

En primer lugar, es necesario categorizar los distintos tipos de roles que apoyan la Transformación Analítica en las empresas, tales como Arquitectos de Datos, Analistas de Negocio, Desarrolladores de Visualización de Datos, Científicos de Datos, Líderes Analistas, etc. Una vez identificado el mapa de profesionales, es importante alinear sus habilidades con los proyectos de mejora.

En la siguiente gráfica se muestra un mapa de roles y responsabilidades generales que hoy en día las organizaciones necesitan en proyectos de analítica.

Las categorizaciones de habilidades se dividen en 3 tipos: Habilidades de Negocios, Habilidades Tecnológicas y Habilidades Analíticas, cada una de ellas con descripción de funciones claras y métricas.

Gráfico 2.- Mapa de Roles Analíticos y Responsabilidades.

5. Las organizaciones no cuentan con un traductor analítico

Este rol es de vital importancia ante la variedad de datos y requerimientos de negocio. Se trata de contar con la persona que entiende las oportunidades de negocio y puede traducir el requerimiento a un Ingeniero y Arquitecto de Datos para estructurar la base de información. Las organizaciones no cuentan con un perfil alineado de este tipo y tampoco es sencillo conseguirlo.

Sugerencia

Dada la necesidad de obtener un conocedor profundo del negocio, la mejor sugerencia es promover internamente este cargo . Será necesario formarlo y complementar sus habilidades con conocimientos de modelos matemáticos y estructuración de datos.

6. Las capacidades analíticas están aisladas de las áreas de negocio

Las empresas tienden a crear las capacidades analíticas en el área de TI o en un área centralizada. Ambos modelos alejan la posibilidad de encontrar oportunidades desde el interior de cada unidad de negocio, creando una estructura analítica organizacional poco efectiva, con cuellos de botella en las áreas centralizadas.

Sugerencia

En primera instancia, recomendaremos una estructura organizacional híbrida, en la que se combine las habilidades de las áreas de negocio con las habilidades analíticas, en un equipo multidisciplinario que se junta para crear los proyectos priorizados de analítica. Este modelo permitirá centralizar las mejores prácticas organizacionales, a la vez que se logra embeber a los equipos en cada una de las áreas de negocio. Sin embargo, esta sugerencia puede estar sujeta a la validación de la estructura empresarial completa y a la cultura que rige en cada caso.

7. Los esfuerzos costosos de Data Cleansing, empiezan en masa

Los directores piensan que es indispensable limpiar los datos a través de toda la organización antes de cualquier proyecto de analítica. La experiencia dice que los proyectos millonarios de limpieza de datos duran muy poco, por cuanto la variabilidad de los sistemas de datos no permiten hacer un tracking sobre el origen y estabilidad de los mismos, haciendo que, según la encuesta de Mc Kinsey, el 70% en promedio de los recursos invertidos terminen en desperdicio.

Sugerencia

Contrario a lo que las prácticas de Gobernabilidad de Datos indican, no se debe pensar en la limpieza general de datos como primer paso. Se debe trabajar en el proyecto priorizado de valor, y como consecuencia, en los esfuerzos para cuidar los datos de estos casos de negocio de alto impacto, para trabajar con recursos focalizados y que generen buenas prácticas organizacionales.

8. La fuente de datos no es construida para el propósito buscado

Las compañías creen que, para entrar en un proceso de Transformación Analítica, necesitan cambiar la base de información. Incluso piensan en sustituir los sistemas transaccionales con inversiones extremadamente caras. Por lo general, los proyectos de analítica avanzada empiezan por la construcción de un LAGO DE DATOS, los cuales no están enfocados en principio fundamental de generar impacto y valor en el negocio.

Sugerencia

La preparación de una nueva base de información, sea este un sistema legacy o un repositorio central de datos, puede llevarse en paralelo a la creación de una plataforma analítica que resuelva casos de uso priorizados.

9. Nadie conoce el impacto cuantitativo que los proyectos de analítica generan

Se conoce normalmente los costos de inversión en plataformas de analítica y otras inversiones tecnológicas, pero es sorprendente el desconocimiento que estos costos de inversión generan en la última línea de un PyG. Los indicadores que pretenden mirar este comportamiento están creados para medir el desempeño de los procesos, por tanto, son secundarios. Los indicadores prioritarios deben estar enfocados en medir la rentabilidad para el negocio en función del retorno que produce la nueva tecnología.

Sugerencia

Los Traductores Analíticos deben esforzarse en crear métricas financieras que permitan monitorear el valor para el negocio, de tal manera que se pueda reenfocar los esfuerzos -de ser necesario- a otros casos de uso que realmente generen valor. Las métricas financieras son jueces independientes que permiten monitorear no solo la inversión tecnológica, sino también el cumplimiento de objetivos de negocio propuestos en la priorización de casos de usos.

10. Nadie se enfoca en estudiar las implicaciones potenciales éticas, regulatorias y sociales que los proyectos de analítica avanzada puedan acarrear

Existen historias de compañías que luego de implementar proyectos exitosos de analítica avanzada, tuvieron que recortar o dar de baja estos proyectos, dados los riesgos sociales, regulatorios o éticos que el análisis de datos produce en correlación con la privacidad de la información, por ejemplo.

Sugerencia

El CDO debe contemplar un análisis de los riesgos implícitos en el montaje de nueva tecnología relacionada con datos. El CDO debería completar el estudio de factibilidad incorporando a su debido tiempo personal con experiencia legal, en Recursos Humanos y temas regulatorios, de tal forma que la inversión propuesta en analítica se reproduzca en un ambiente seguro.

Tomado de 10 banderas rojas en sus programas de analítica de McKinsey, 2018.

 


El lanzamiento de un nuevo producto: grandes apuestas, enormes riesgos

By: Redacción LOGISTICA 360
Nov.22, 2017
0

El lanzamiento de un nuevo producto puede significar enormes beneficios para una compañía, pero también precipitarla al fracaso. Ante tal panorama es vital no dejar nada a la suerte.

Por cada producto exitoso que ingresa al mercado para tomarlo por asalto con excelentes resultados, calando en la mente de millones de consumidores, existe un sinfín de otros casos que rápidamente caen en el olvido, desapareciendo del imaginario colectivo tan o más rápido que cuando realizaron su debut. Hablamos de apuestas sumamente riesgosas para las empresas de la industria de bienes de consumo (CPG por sus siglas en ingles). Se gana o se pierde, no hay un término medio.

De acuerdo con datos de la consultora Kantar Worldpanel, las apuestas triunfadoras no son la norma: sólo el 0.3% de los lanzamientos son “significativamente exitosos” a la hora de atraer consumidores inéditos a una categoría.

Asumir que un lanzamiento repetirá en automático el éxito de un caso previo; y, a partir de esta mera especulación, enfocar todos los procesos críticos de negocio: estrategia de ventas, manufactura, mercadotecnia, inventarios, entre otras, es un enfoque que actualmente es considerado inviable para el sector CPG. Aunque útiles, los datos de una iniciativa anterior no pueden ser la única referencia.

Después de todo se ha establecido que las marcas que más crecen son aquellas que atraen clientes nuevos y no las que incrementan las compras de sus consumidores cautivos.

Según Marcelo Sukni, Gerente general de SAS Perú y Chile, compañía líder de software y servicios de Business Anlalytics y Business Intelligence , con un binomio de Business Intelligence y Analítica (BI+Analytics), las empresas de la industria CPG pueden evitar la incertidumbre de estas apuestas. Esta dinámica es efectiva ante un mercado determinado por clientes que tienen acceso a cualquier novedad que surge en el planeta, una economía global que tiende a la inestabilidad y compradores empoderados por las redes sociales que pueden dar a conocer sus críticas en cuestión de segundos.

Por ejemplo, gracias al análisis de la información, una compañía podrá visualizar y estudiar su historial completo de lanzamientos, y así retomar las mejores estrategias de cualquier campaña para la introducción de producto que tiene en puerta, en lugar de sólo repetir las actividades del proyecto exitoso más reciente.

Las soluciones de BI + Analytics, según Sukni, se caracterizan por presentar capacidades como:

Análisis de información de mercado, interna y externa (como redes sociales), que ayuda a prever los contextos comerciales y económicos que podría enfrentar la nueva mercancía.

Creación de pronósticos de demanda muy detallados, considerando factores clave como unidad de inventario, mezcla de productos, precio, tienda, etc.

Diseño de escenarios que permiten predecir los efectos de una decisión de negocios, como descuentos o promociones por introducción de una nueva mercancía.

Valoración de puntos de comercialización. De esta forma, es posible analizar el historial de ventas de los establecimientos y así detectar los de mayor potencial para la oferta debutante.

Innovación constante en sus herramientas, que son de uso sencillo y amigable, donde ofrecen múltiples opciones para visualizar tendencias, patrones desconocidos, o correlaciones entre otros indicadores.

Con todo esto en cuenta, las empresas pueden prescindir de frases como “Es una apuesta de la compañía”, pues el lanzamiento de un producto nuevo es una medida de gran valor de negocio y por ello no es algo que se deba tratar con la ligereza de una apuesta.