Previsión del plazo de entrega de los proveedores para optimizar las operaciones de la cadena de suministro

Resuelve los desafíos de la cadena de suministro con previsiones de plazos de entrega más precisas y basadas en datos

La pandemia de COVID-19 alteró los hábitos de consumo. La escasez obligó a las personas a probar nuevas marcas y, particularmente en el sector de la alimentación, muchas compraron con menos frecuencia, pero en más cantidad. Como consecuencia, el stock empezó a salir de las tiendas con mayor rapidez, lo que puso a prueba tanto las cadenas de suministro como los modelos financieros y provocó problemas de margen bruto.

Al mismo tiempo, el costo de la falta de stock aumentó y los problemas de reposición pueden afectar a la rentabilidad y al éxito general del negocio. Los consumidores son menos tolerante a las estanterías vacías cuando tienen un acceso prácticamente instantáneo a los precios y la disponibilidad de productos de un número cada vez mayor de competidores que pueden ofrecer servicios y productos de varias formas para satisfacer sus necesidades. De hecho, el 29% de ellos afirma que los artículos agotados les llevarían a comprar en otra marca.

El desafío para los minoristas es satisfacer sistemáticamente a los clientes que quieren encontrar la cantidad de mercancías dónde la desean y como la desean. Para alcanzar con éxito sus objetivos financieros, los minoristas deben gestionar estratégicamente el inventario que tienen en cada punto de la cadena de suministro y asegurarse de que el proceso de reposición sea siempre fluido y eficiente.

La previsión de los plazos de entrega de los proveedores, es decir, el tiempo que tardarán en entregar un producto o servicio una vez realizado el pedido, ayuda a los minoristas a planificar sus programas de producción y a gestionar los niveles de stock para satisfacer eficazmente la demanda de los clientes, minimizando al mismo tiempo el exceso de stock y sus costos asociados.

Dicho plazo de entrega depende de varios factores, como la distancia del proveedor al destino del producto, la complejidad del producto, la disponibilidad de materias primas, la capacidad de producción y el tiempo de transporte, entre otros. Debido a la cantidad de variables, los minoristas necesitan una plataforma de datos que les proporcione acceso centralizado a datos históricos y en tiempo real procedentes de una serie de sistemas empresariales, registros comerciales e insumos técnicos, que luego se pueden utilizar para entrenar modelos de machine learning con el fin de prever los plazos de entrega previstos basándose en las transacciones de pedidos de compra.

Deriva las operaciones de la cadena de suministro y mejora la gestión del inventario con análisis avanzados y machine learning.

En este caso de uso, demostraremos cómo Oracle Data Platform puede ayudar a los minoristas a utilizar métodos avanzados de análisis y previsión (como el modelado estadístico, el análisis de tendencias y el análisis de datos históricos) y la tecnología de machibe learning para estimar con precisión las fechas previstas de entrega de mercancías. Con esta información, podrán optimizar la planificación del inventario y gestionar eficazmente el impacto de variables como:

• Plazos de entrega y transporte, como la coordinación de la disponibilidad del origen, los horarios de envío, los tiempos de traslado y los costos.
• Diversos portafolios de productos, incluidos los desafíos de gestionar una amplia gama de productos, disponibilidad, configuraciones de envases, condiciones de pedido y costos entre cientos de proveedores.
• Complejidades del mercado local, como patrones de demanda e influencias como la estacionalidad y las promociones.
• Restricciones financieras y físicas: presupuestos, limitaciones de almacenamiento y rotaciones deseadas.
• La presión del inventario en los centros de distribución, como el impacto financiero de los excesos de stock y las rebajas, la presión para ofrecer de forma consistente un excelente servicio al cliente, la necesidad de mantener la disponibilidad para evitar la pérdida de ventas y la erosión de la fidelidad de los clientes.

Esta imagen muestra cómo se puede utilizar Oracle Data Platform for Retail para prever los plazos de entrega y optimizar las operaciones de la cadena de suministro, ayudando a los minoristas a mantener su posición en el mercado y maximizar la rentabilidad. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2. Ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir, actuar

El pilar Orígenes de datos, detección incluye tres categorías de datos.

1. 1. Los datos de las aplicaciones proceden de Fusion Financials, Oracle E-Business Suite, SCM, EPM y eSourcing.
2. 2. Los datos de registro empresarial comprenden inventarios, SCM (torre de control), datos de desempeño de proveedores y encuestas a proveedores.
3. 3. Los datos técnicos proceden de los registros.

El pilar Ingerir, Transformar comprende tres capacidades.

1. 1. La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos.
2. 2. La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.
3. 3. La captura de datos de cambios utiliza OCI GoldenGate.

Las tres capacidades se conectan unidireccionalmente a la capacidad de almacenamiento en la nube dentro del pilar Persistir, curar, crear.

El pilar Persistir, curar, crear incluye cuatro capacidades.

1. 1. El almacén de datos servidor utiliza Oracle Autonomous Data Warehouse o Exadata Cloud Service.
2. 2 El almacenamiento en la nube utiliza OCI Object Storage.
3. 3. El procesamiento por lotes utiliza OCI Data Flow.
4. 4. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube está conectado unidireccionalmente al almacén de datos de servicio; también está conectado bidireccionalmente al procesamiento por lotes.

Una capacidad se conecta al pilar Analizar, aprender, predecir: El almacén de datos de servicio se conecta tanto a la capacidad de análisis y visualización como a la capacidad de machine learning.

El pilar Analizar, aprender, predecir incluye tres capacidades.

1. 1. La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. Las API y los productos de datos utilizan OCI API Gateway y OCI Functions
3. 3 El machine learning utiliza OCI Data Science, Oracle ML y Oracle ML Notebooks.

El pilar Medir, actuar comprende tres consumidores: paneles e informes, aplicaciones y modelos.

Los paneles e informes comprenden las personas y los asociados, la colaboración con los proveedores y el intercambio de datos, el desempeño histórico de los proveedores, el análisis de la demanda, y las roturas y excesos de stock.

Las aplicaciones comprenden la gestión avanzada de inventarios y la planificación de la demanda.

Los modelos comprenden las operaciones de los proveedores./p>

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Existen tres formas principales de inyectar datos en una arquitectura para que los minoristas puedan prever eficazmente el plazo de entrega de los proveedores.

• Para empezar, debemos conocer la situación general del stock para asegurarnos de que los productos no sobran ni faltan. Para ello, utilizamos Oracle Cloud Infrastructure (OCI) GoldenGate para permitir cambiar la captura de datos de inventario de almacén casi en tiempo real desde bases de datos operativas para todas o un subconjunto de líneas de productos. A partir de estos datos, podemos ajustar los precios para mover el stock o evitar que se agote.
• Para predecir con exactitud el desempeño de los proveedores, también debemos comprender su desempeño histórico, las tendencias y los patrones. Normalmente, esto requiere cargar un gran volumen de datos transaccionales (como datos de ERP, datos de aprovisionamiento, facturación, cadena de suministro y logística) y otras métricas y conjuntos de datos operativos (como datos sobre consumo, inventario e intercambios en caliente) desde almacenes de datos locales a través de métodos y servicios de transferencia masiva, como OCI Data Transfer Service.
• Ahora podemos utilizar ingestión de lotes para añadir conjuntos de datos relevantes de los proveedores, como los pedidos realizados durante un período de tiempo específico, en el que se incluyen la fecha del pedido, la cantidad pedida y la fecha de entrega. Estos conjuntos de datos suelen comprenden grandes volúmenes de datos locales, y en la mayoría de los casos, la ingestión por lotes es suficiente y más eficiente. En el caso de datos de nuestros proveedores, utilizaremos Oracle Data Integrator para introducir los datos en un ciclo diario. Estos datos proceden principalmente de sistemas de procesos de transacciones operativas y se modelan en forma relacional altamente estructurada. Ejemplos de estos datos son las transacciones de pedidos de compra con los detalles del proveedor (por ejemplo, su nombre, ID, registro e información de contacto), el origen y el destino, la fecha de entrega acordada, la fecha de entrega real, los artículos y el precio del contrato, el método de envío, etc. También pueden incorporarse datos sobre el desempeño del proveedor, como la confiabilidad de sus entregas, la calidad de sus bienes o servicios y los retrasos o problemas que se hayan producido en el pasado, aunque estos datos suelen estar menos estructurados y pueden requerir un mayor grado de procesamiento.
• Al calcular el plazo de entrega de cada pedido realizado previamente al proveedor, podemos calcular un plazo medio e identificar tendencias y variaciones. Estas tendencias y variaciones pueden correlacionarse con factores externos que podrían afectar al plazo de entrega del proveedor, como retrasos en el transporte, cambios en la capacidad de producción, eventos ambientales (como condiciones meteorológicas adversas) o sociopolíticos (como conflictos o huelgas). Se pueden utilizar datos adicionales para supervisar las tendencias del mercado y los patrones de demanda, con el fin de anticipar posibles picos de demanda que podrían afectar los plazo de entrega.

La persistencia y el procesamiento de datos se basan en tres componentes.

• Los datos sin procesar de todos los orígenes se almacenan en la nube. Utilizaremos OCI Data Flow para el procesamiento por lotes de estos datos ahora persistentes, niveles de stock, datos de asignación geográfica y de referencia de productos. El procesamiento por lotes reprocesará los datos y eliminará los duplicados, los valores que falten o los valores atípicos que puedan sesgar el análisis. Estos conjuntos de datos procesados se devuelven al almacenamiento en la nube para su posterior persistencia, curación y análisis y, en última instancia, para cargarlos de forma optimizada en el almacén de datos de servicio en un formato que pueda analizarse fácilmente.
• Ahora hemos creado conjuntos de datos procesados que están listos para conservarse en forma relacional optimizada para garantizar la curación y el desempeño de las consultas en el almacén de datos de servicio ofrecido por Oracle Autonomous Data Warehouse. Esto nos permitirá identificar y devolver los productos por precio, perfil de demanda, nivel de inventario y ubicación.

La capacidad de analizar, aprender y predecir se basa en tres tecnologías.

• Los servicios de análisis y visualización nos permiten utilizar técnicas estadísticas, como el análisis de regresión y el análisis de series temporales, y algoritmos de machine learning para identificar patrones y tendencias en los datos. A partir de este análisis, podemos desarrollar un modelo de previsión que pueda predecir con exactitud el plazo de entrega del proveedor y validar continuamente la exactitud del modelo comparando los plazos de entrega previstos con los plazos de entrega reales de un conjunto de pedidos. Los resultados de esta validación se utilizarán para perfeccionar el modelo y mejorar su precisión. Nuestros servicios de análisis y visualización incluyen las siguientes capacidades:
  
  
  • Los análisis descriptivos describen las tendencias actuales con histogramas y gráficos y respaldan el desarrollo de algoritmos de fijación de precios que utilizan reglas predefinidas para ajustar los precios en función de criterios específicos, como el desempeño de las ventas, los niveles de inventario o los precios de la competencia. Por ejemplo, un minorista puede establecer una regla para reducir el precio de un producto en un 10% si ha estado en stock durante más de 30 días y retrasar la compra de nuevo inventario o negociar un precio para una entrega posterior utilizando previsiones de plazos de entrega para determinar el momento adecuado.
  • El análisis predictivo predice acontecimientos futuros, identifica tendencias y determina la probabilidad de resultados inciertos. Con este recurso, los minoristas pueden utilizar datos históricos de ventas para identificar correlaciones entre precio y demanda. A continuación, pueden predecir cómo los cambios en el comportamiento de los consumidores afectarán a la demanda y ajustar los planes de inventario en consecuencia, utilizando los plazos de entrega estimados para ayudar a garantizar que disponen de stock suficiente cuando lo necesiten, minimizando al mismo tiempo el exceso de stock y sus costos asociados. Asimismo, el análisis predictivo proporciona modelos de flexibilidad de precios, que utilizan modelos estadísticos para medir la sensibilidad de la demanda a los cambios de precio. Los minoristas pueden utilizar este análisis para identificar los puntos ideales de nivel de stock a fin de maximizar las ventas y la rentabilidad, y programar sus compras de stock.
  • El análisis prescriptivo propone acciones adecuadas para respaldar la toma de decisiones y se puede utilizar para la prever plazos de entrega con el fin de ayudar a minimizar los costos asociados al desabastecimiento o retención. Al alinear las actividades de adquisición y producción con los plazos de entrega de los proveedores, los minoristas son capaces de reducir el exceso de stock, los costos de transporte y los gastos de envío urgente, así como negociar mejor los precios y las condiciones basándose en plazos de entrega precisos.
• Además del uso de análisis avanzados, se desarrollan, entrenan y despliegan modelos de machine learning. Estos modelos utilizan la inteligencia artificial para analizar grandes cantidades de datos e identificar patrones y tendencias que se pueden utilizarse para mejorar las compras y los niveles de stock. Los minoristas pueden utilizar algoritmos de machine learning para predecir el comportamiento de los clientes, identificar cuándo adquirir mercancías y de qué proveedores, y optimizar los precios en varios productos y mercados.
• Nuestros datos y modelos curados, comprobados y de alta calidad pueden estar sujetos a reglas y políticas de gobernanza y exponerse como un "producto de datos" (API) dentro de una arquitectura de malla de datos para su distribución en todas las esferas del sector minorista.

Mejore la gestión del inventario y la satisfacción del cliente con una plataforma de datos para minoristas

Al prever con precisión los plazos de entrega de los proveedores, los minoristas pueden planificar mejor sus niveles de inventario y sus programas de producción para asegurarse de que disponen de los productos adecuados en las cantidades adecuadas para satisfacer la demanda de los clientes, incluso cuando ésta fluctúa en función de la estacionalidad, las promociones y otros factores. Como resultado, son capaces de:

• Determinar cuándo adquirir inventario y de qué proveedores
• Minimiza tus costos de mantenimiento de stock solicitando las cantidades adecuadas de productos en el momento oportuno y evita el subabastecimiento, que puede provocar pérdidas de ventas y clientes insatisfechos.
• Gestiona tu flujo de caja planificando las compras y pagos a proveedores, ayudándoles a optimizar su capital circulante y a evitar déficits de efectivo.
• Establece relaciones más sólidas con tus proveedores a través de una mejor comunicación sobre los plazos de entrega y otros parámetros de desempeño, para conducir a un mejor rendimiento, mejores precios y plazos de entrega más confiables.