Cómo el aprendizaje automático transformará la gestión de la cadena de suministro

La pandemia de la COVID-19, el conflicto entre Rusia y Ucrania, las guerras comerciales y otros acontecimientos de los últimos años han interrumpido las cadenas de suministro y han puesto de relieve la necesidad imperiosa de que las empresas mejoren la planificación para ser más ágiles y resilientes. Sin embargo, las empresas luchan con este desafío. Una de las principales causas son las previsiones erróneas, que provocan retrasos en las entregas, niveles de inventario que lamentablemente no están sincronizados con la demanda y un rendimiento financiero decepcionante. Esas consecuencias no son de extrañar. Al fin y al cabo, ¿cómo se pueden tomar decisiones de inventario y producción de forma eficaz cuando las previsiones de demanda están muy desviadas?

Hemos desarrollado una forma de abordar esta deficiencia. Nuestro nuevo paradigma utiliza el aprendizaje automático y los datos históricos para generar recomendaciones superiores para las decisiones de la cadena de suministro. Si bien los métodos actuales de aprendizaje automático se centran en intentar crear previsiones más precisas, los nuestros se centran en tomar decisiones reales. Esta nueva metodología, que llamamos aprendizaje automático óptimo (OML), implica el uso de tecnología de inteligencia artificial para crear un modelo matemático que tome las entradas de datos clave relacionadas con la cadena de suministro (los nodos de la red, sus ubicaciones, las transacciones de venta y envío, los parámetros financieros, las promociones de marketing, las restricciones logísticas y de capacidad, etc.) y las vincule a las decisiones de planificación (qué cantidades producir, por ejemplo, o qué niveles de inventario almacenar en cada ubicación). Este modelo puede tener en cuenta las prioridades de la empresa (como el nivel de servicio al cliente que tiene la obligación contractual o que desea alcanzar), sus restricciones presupuestarias y otras restricciones de recursos (como la disponibilidad de materiales y mano de obra). Los datos se almacenan de forma que se puede actualizar casi en tiempo real y revisar rápidamente los cálculos que sirven de base para la toma de decisiones.

Desarrollamos OML después de décadas de investigar la gestión de la cadena de suministro e implementar las ideas resultantes en empresas de diversos sectores: fabricación de equipos semiconductores, aeroespacial y de defensa, telecomunicaciones e informática. En este artículo explicamos por qué los métodos actuales de planificación de la cadena de suministro, incluidas otras técnicas de aprendizaje automático, han fallado, cómo funciona nuestro enfoque y qué cambios en los equipos de planificación y las métricas son necesarios para implementarlo. Destacamos nuestras experiencias al poner a prueba la OML en dos Fortuna 500 empresas en las que fuimos consultores y en las que los resultados demuestran el potencial de aumentar los ingresos y la disponibilidad de los productos con inversiones significativamente más bajas en inventario.

Una de las empresas fabrica y vende equipos que requieren mucho capital para la fabricación de semiconductores. Para garantizar que sus clientes pueden mantener el equipo en funcionamiento, la empresa debe gestionar un inventario de miles de piezas de repuesto. Sin embargo, en el pasado, a menudo se enfrentaba a la escasez de componentes clave, lo que provocaba costosos envíos urgentes o tiempos de espera disruptivos que provocaban costosas interrupciones en las ubicaciones de los clientes. Los gerentes frustrados con frecuencia se apresuraban a anular las recomendaciones de inventario que ofrecía su sistema de planificación de recursos empresariales (ERP). Los gerentes se basaron en su propia experiencia y utilizaron entradas de datos que no estaban incorporadas explícitamente en el software de planificación existente, pero sus anulaciones eran subjetivas, ad hoc y llevaban mucho tiempo diseñarlas, lo que a menudo agravaba sus problemas.

La otra empresa de la que hablaremos es una empresa de electrónica de consumo que vende, a través de miles de tiendas minoristas, una cartera de dispositivos avanzados de interfaz de realidad virtual producidos por fabricantes contratados en Asia. Esta empresa estaba desarrollando su proceso de planificación de ventas y operaciones y se enfrentaba al desafío de la amplia gama de enfoques y entradas de datos de varias partes interesadas: proveedores, equipos de las funciones de marketing, producción, logística y abastecimiento de suministros de la empresa y clientes que gestionaban cadenas de suministro complejas con miles de tiendas minoristas. La alta incertidumbre en la demanda de los consumidores provocó una escasez constante en algunas tiendas minoristas y un exceso de inventario en otras.

Por qué la agilidad y la resiliencia siguen siendo esquivas

Las empresas de todos los sectores no han desarrollado estrategias eficaces para preparar sus cadenas de suministro para resistir interrupciones imprevistas. Esto se debe a tres deficiencias importantes en los métodos de planificación existentes: procesos defectuosos basados en las previsiones, desafíos relacionados con los datos y una planificación de escenarios ineficaz.

Planificación basada en previsiones.

El enfoque más utilizado para la planificación de la cadena de suministro consiste en dos pasos. En el predecir paso, las previsiones de demanda se generan a partir de datos históricos sobre ventas y pedidos, información sobre las condiciones económicas y las acciones de la competencia y juicios subjetivos. En el optimizar paso, esas previsiones se incorporan a los modelos matemáticos de la red de la cadena de suministro para generar las decisiones finales de abastecimiento. Este enfoque, conocido como predecir y luego optimizar (PTO), fracasa por varias razones.

1. No hay una previsión única que todas las partes estén de acuerdo en utilizar para la toma de decisiones.

En la empresa de electrónica de consumo, los directores de ventas elaboraron previsiones mensuales de las ventas totales, junto con previsiones de ventas a cada cliente minorista para el próximo período de 12 meses. El equipo de planificación del inventario creó de forma independiente su propia previsión de la demanda de los clientes, pero lo hacía semanalmente porque los pedidos de inventario se hacían normalmente una vez a la semana. Para gestionar los pedidos con la empresa de electrónica de consumo y asignar el inventario a su red de tiendas, cada cliente minorista también elaboró su propia previsión. Estas previsiones de clientes a menudo diferían significativamente de las de la empresa de electrónica de consumo. Además, todas las previsiones se hicieron en diferentes momentos y se actualizaron a medida que aparecía nueva información sobre la demanda. Y las estimaciones de la demanda de los clientes finales a menudo se distorsionaban porque nadie entendía del todo cómo afectarían a las ventas las promociones de marketing implementadas por la empresa de electrónica de consumo o por los minoristas. En situaciones como esta, cuando hay varias previsiones disponibles, cada una con sus propios errores, no está claro cuál es la ideal para optimizar las decisiones de planificación de la cadena de suministro.

2. Los objetivos de los distintos grupos de stakeholders del proceso de planificación no están alineados, lo que lleva a decisiones sesgadas y subóptimas.

En la empresa de electrónica de consumo, el equipo de ventas solía sobreestimar las previsiones para garantizar el suministro, mientras que los equipos de inventario tendían a desinflar las previsiones para garantizar una obsolescencia mínima. El equipo de finanzas se preocupaba principalmente por los costes de obsolescencia asociados al inventario no vendido. La alta dirección, por supuesto, era lo que más le importaba cumplir los objetivos de ingresos trimestrales y tener un capital mínimo invertido en el inventario. Los proveedores de la empresa, por su parte, se enfrentaban a restricciones de capacidad de producción y a las demandas contrapuestas de varios clientes; como resultado, la empresa estaba a menudo a merced de las decisiones de sus proveedores. Mientras tanto, para evitar el peligro de recibir cantidades insuficientes de los productos electrónicos necesarios, los minoristas solían inflar sus pedidos.

El fotógrafo belga Didier Engels fotografía muelles, cascos de carga y contenedores de transporte en toda Europa. Para estas imágenes, tomó fotografías aéreas de contenedores coloridos y los manipuló para crear composiciones llamativas.

Los objetivos desalineados también eran un problema para el fabricante de equipos semiconductores. Los gestores de inventario solían tener muy pocas piezas en stock, con la esperanza de minimizar la inversión total en inventario y evitar las costosas cancelaciones de los artículos no vendidos. Esto se debió a que la alta dirección fijó objetivos para el capital invertido y las cancelaciones sin entender claramente la posible pérdida de ingresos resultante.

3. Los métodos para decidir cómo optimizar los inventarios son defectuosos.

Los modelos convencionales que se utilizan ampliamente en la actualidad no capturan todas las complejidades de la dinámica de la cadena de suministro. Por lo general, incorporan algoritmos demasiado simplistas para la etapa de optimización de la PTO. E incluso si se utilizan herramientas de «optimización» avanzadas, cualquier error en la previsión, la formulación del modelo y la optimización se agravará y generará malos resultados.

Un desafío adicional en la planificación es que, aunque se dispusiera de previsiones perfectas, no bastarían. Las decisiones sobre los pedidos de suministros y los envíos a varios lugares también deben tener en cuenta varios factores que afectarán a los principales indicadores de rendimiento financiero y operativo. Estos factores incluyen las restricciones de recursos (como la capacidad de producción, envío y almacenamiento), las necesidades específicas de los clientes, las diferencias de rentabilidad por clientes y regiones y los requisitos de nivel de servicio locales y globales.

Desafíos de datos.

Ahora es posible mantener y acceder a grandes cantidades de datos sobre las transacciones de venta a nivel de tienda casi en tiempo real. Por desgracia, para las empresas con cadenas de suministro globales, acceder a esos datos y consolidarlos sigue siendo un gran desafío.

Pensemos en la empresa de electrónica de consumo. Los datos de su cadena de suministro estaban muy dispersos entre varios actores dentro y fuera de la organización. Internamente, los equipos de ventas mantenían la información de las previsiones, el personal de marketing gestionaba la información relacionada con las promociones, los equipos de planificación de suministros gestionaban la información del inventario, el departamento de finanzas era responsable de la información financiera, etc. Externamente, los datos sobre las ventas en tiendas y sobre los envíos desde los centros de distribución de los clientes a las tiendas eran competencia de esos minoristas. Para empeorar las cosas, los datos también estaban en varios formatos y repositorios: parte en archivos de Excel, parte en tablas de Tableau, parte en formato de texto en correos electrónicos, etc. En algunos casos, los datos se mantenían a nivel agregado y no con la especificidad necesaria para la toma de decisiones. Debido a la naturaleza dispersa de la información, simplemente no había ningún mecanismo para aprovechar los datos granulares de las transacciones para respaldar los análisis necesarios para tomar decisiones de reabastecimiento eficientes. Además, era imposible analizar el impacto de varios factores externos (como los ciclos económicos) y los factores competitivos (como la introducción y los precios de los nuevos productos de las empresas rivales) en la cadena de suministro de principio a fin, porque no existía una representación única de toda la cadena.

Planificación de escenarios ineficaz.

Un primer paso para desarrollar estrategias para hacer que una cadena de suministro sea más ágil (capaz de responder a las interrupciones) y resiliente (capaz de recuperarse) es articular los escenarios futuros que correspondan a los muchos riesgos que pueden afectar a las cadenas de suministro. Los acontecimientos del cisne negro (interrupciones poco frecuentes y de gran impacto, como la obstrucción del Canal de Suez por un buque portacontenedores en 2021) son prácticamente imposibles de predecir. Se pueden prever otras amenazas que pueden tener un efecto importante en las cadenas de suministro, como la guerra entre Rusia y Ucrania, pero es difícil determinar la probabilidad de que se produzcan.

Aunque muchas empresas han empezado a incorporar la planificación de escenarios en sus procesos de planificación de la cadena de suministro, estos análisis suelen carecer de detalles suficientes como para ser útiles. Por ejemplo, no basta con saber que las ventas totales de una empresa pueden caer en caso de una guerra que limite las operaciones de un proveedor clave. Lo que se necesita es un conocimiento profundo de la magnitud y el momento del impacto en cada producto, cliente y región para poder desarrollar las estrategias adecuadas para mejorarlo. Esta comprensión también es importante para crear cadenas de suministro a medida (aquellas que se diferencian según la geografía, los productos y los clientes), en lugar de utilizar una estrategia de talle único. Lamentablemente, a falta de un mecanismo que pueda ofrecer información detallada, los ejercicios de planificación suelen conducir a resultados deficientes.

Un nuevo paradigma

Nuestro enfoque, el aprendizaje automático óptimo, supera las importantes deficiencias de los métodos actuales de planificación de la cadena de suministro. Tiene tres componentes clave: un motor de apoyo a la toma de decisiones, un gemelo digital y una arquitectura de datos de extremo a extremo.

Motor de apoyo a la toma de decisiones.

OML sustituye el proceso de planificación en dos pasos basado en previsiones por un proceso de un solo paso que conecta los datos de entrada directamente con las decisiones de la cadena de suministro. La metodología OML incorpora datos históricos sobre los factores que impulsan la demanda en toda la cadena de suministro (por ejemplo, las transacciones de venta reales y los factores que influyen en ellas, como los precios, las promociones y el tamaño y la composición de la base de clientes) y los factores de suministro (como los inventarios de los proveedores, los plazos de entrega, las restricciones de capacidad y los retrasos en el transporte). El motor determina la relación entre estos elementos de datos de oferta y demanda y las decisiones de la cadena de suministro sobre cosas como las cantidades de producción, los pedidos de reabastecimiento, los niveles de existencias del inventario y los envíos de inventario entre ubicaciones, de una manera que optimiza los principales indicadores de rendimiento (KPI). Los KPI pueden incluir métricas relacionadas con el beneficio total, los ingresos o beneficios por región, cliente o categoría de producto, la disponibilidad de los productos, las rotaciones del inventario, el tiempo necesario para recuperarse de una interrupción, etc. Los cálculos se pueden volver a calcular en cuanto haya nuevos datos disponibles o si se realiza algún cambio en la red de proveedores.

Didier Engels

Nuestras implementaciones de OML tanto en el fabricante de equipos semiconductores como en la empresa de electrónica de consumo aprovecharon la potencia de la computación en nube para hacer funcionar el motor de apoyo a la toma de decisiones. Ambos emitieron recomendaciones de decisión en cuestión de minutos, a pesar del gran tamaño de las respectivas redes de cadena de suministro. Nuestro enfoque también puede incorporar las restricciones empresariales especificadas por los gerentes (por ejemplo, «Mi presupuesto es X» o «no puedo producir más de Y unidades» o «La disponibilidad de mi producto tiene que ser superior al Z%»). Muchos de los enfoques tradicionales de aprendizaje automático ignoran esas limitaciones. Como resultado, la solución tiene que estar «arreglada» después de los hechos, lo que no es lo ideal. OML no se enfrenta a ese problema.

Gemelo digital.

Un requisito clave para que el motor de apoyo a la toma de decisiones de la OML funcione es una representación digital detallada de toda la red de la cadena de suministro, de todos los flujos de materiales y de los procesos de toma de decisiones de todas las partes implicadas. Al modelar el rendimiento de la cadena de suministro de forma muy detallada a nivel granular de cada transacción, el gemelo digital permite a los planificadores de la cadena de suministro cuantificar los KPI precisos para los escenarios de demanda y suministro pasados y futuros.

Una representación digital así tiene dos ventajas. En primer lugar, sus cálculos del impacto de las decisiones históricas pueden compararse con los resultados reales calculados por los sistemas empresariales existentes, lo que valida su capacidad de medir el rendimiento con precisión y, por lo tanto, da a la dirección confianza en el sistema. En segundo lugar, se puede utilizar para probar los efectos de los escenarios o estrategias alternativos de la cadena de suministro en los KPI. Por ejemplo, ¿qué pasa si los plazos de entrega se duplican debido a la ralentización de una línea de envío específica? ¿O cómo afectaría la interrupción de un centro de distribución a los ingresos? ¿O cuál sería la mejor manera de desviar los envíos a las tiendas atendidas por ese centro de distribución? Juntas, estas dos capacidades (análisis histórico y poder predictivo) permiten a los gerentes evaluar con precisión las estrategias de mitigación de riesgos, como las fuentes alternativas de suministro y transporte, los puntos de almacenamiento alternativos, la revisión de los programas de producción y el uso de sustitutos de productos. Como resultado, los gerentes pueden tomar mejores decisiones.

Arquitectura de datos de extremo a extremo.

El motor OML de apoyo a la toma de decisiones y el gemelo digital requieren un sistema de almacenamiento de datos que funcione junto con todos los sistemas de gestión de bases de datos existentes en toda la cadena de suministro (los de las operaciones de la empresa y los de los proveedores, distribuidores y clientes). El sistema de almacenamiento debería poder agrupar los datos de los equipos, ubicaciones y productos y permitir actualizar y acceder a esa información casi en tiempo real.

La arquitectura especifica los distintos elementos de datos que se van a incluir, su formato y organización de almacenamiento, las conexiones entre ellos y la frecuencia con la que se actualizarán. La elección de los datos que se incorporarán debe basarse en la representación analítica de la cadena de suministro en el gemelo digital y tener en cuenta las opiniones de los gerentes que mejor entienden los posibles impulsores de las decisiones. En otras palabras, el enfoque de la OML implica la recopilación y el almacenamiento de datos que reflejen la estructura de la cadena de suministro. Recomendamos utilizar una base de datos gráfica que aloje los datos en los nodos de la cadena de suministro (por ejemplo, tiendas minoristas o mayoristas) y capture las relaciones importantes (por ejemplo, qué tienda mayorista suministra a qué tiendas minoristas). Esto permite una visualización significativa de los datos y las métricas por ubicación, cliente, producto o hora. También permite a los planificadores de la cadena de suministro medir el rendimiento según varios parámetros relacionados con el coste y el servicio e identificar los casos en los que los valores observados están fuera del rango esperado y requieren un análisis más detallado.

Es importante que los altos directivos se aseguren de que todas las partes confían en las recomendaciones que salen del sistema de planificación y no sienten la necesidad de revisarlas.

Este enfoque contrasta marcadamente con el que utiliza todos los datos disponibles, independientemente de su relevancia empresarial. Algunas empresas han optado por «incorporarlo todo» a la hora de desarrollar modelos de aprendizaje automático con la creencia de que los modelos descubrirán qué datos son más importantes y, luego, los ponderarán adecuadamente. El problema con ese enfoque es que el modelo se percibe como una caja negra y, cuando los responsables de la toma de decisiones no pueden entender por qué produjo los resultados que obtuvo, a menudo no confían en él.

Impulsando los resultados

En la empresa de equipos de semiconductores, se utilizó la metodología OML para determinar políticas de inventario específicas que podían conducir a niveles de servicio más altos (la tasa de llenado) a un coste menor. (En cualquier cadena de suministro, los niveles más altos de disponibilidad de los productos requieren mayores inversiones en inventario, lo que aumenta los costes). Antes del despliegue de OML, el sistema de planificación tradicional de la empresa podía mantener una tasa de llenado de alrededor del 77% con inversiones en inventario de poco más de 135 millones de dólares. Cuando los gerentes utilizaron su experiencia para anular las recomendaciones del sistema, pudieron aumentar la tasa de llenado hasta alrededor del 81% con una inversión en inventario ligeramente superior. El sistema OML daba a la empresa la opción de lograr una tasa de llenado más alta y gastar casi 20 millones de dólares menos en inventario, o aumentar la tasa de llenado hasta casi el 85% y mantener la inversión en inventario en unos 135 millones de dólares. Además, el sistema liberó a los directivos para que se centraran en cuestiones más estratégicas. Las capacidades de visualización del gemelo digital les ayudaron a entender exactamente qué había que cambiar y por qué, lo que aumentó su disposición a aceptar las recomendaciones. Por ejemplo, una idea clave fue que la regla de decisión de OML consideró el número de instalaciones de productos existentes junto con otras nuevas y capturó sus efectos en las decisiones de despliegue del inventario, vínculos que no se habían tenido en cuenta anteriormente.

En el caso de la empresa de electrónica de consumo, el modelo OML reveló deficiencias evidentes en la gestión del inventario. Por ejemplo, el centro de distribución que prestaba servicio a la región con el mayor volumen de ventas había almacenado históricamente la menor cantidad de inventario. Eso provocó una escasez frecuente en las tiendas a las que apoyaba, así como a envíos rápidos al centro. El modelo OML identificó correctamente esta discrepancia y recomendó la política de inventario óptima para esa ubicación. Nuestro análisis también reveló que, si bien el nivel medio de disponibilidad de los productos en la mayoría de las tiendas minoristas era aceptable, un número significativo de tiendas tenían una grave escasez. Es importante tener en cuenta que, si bien el modelo OML capturaba toda la red hasta las tiendas minoristas, todas las decisiones sobre el despliegue del inventario en los centros de distribución de los clientes y las tiendas minoristas las tomaban los clientes, no la empresa de electrónica de consumo. Sin embargo, gracias a la información del modelo sobre el despliegue del inventario, la empresa estaba en una posición más sólida para influir en las decisiones de inventario de sus clientes. El factor clave de la conversación fue una visualización fácil de interpretar de las recomendaciones de decisión del modelo, que mostraba exactamente qué conductores eran responsables de ellas. Esta visualización es fundamental para garantizar la aceptación de todas las partes interesadas.

Tener éxito con el nuevo enfoque

Para que una herramienta de análisis como OML ayude a las empresas a aumentar la agilidad y la resiliencia en sus cadenas de suministro, debe ir acompañada de una estructura organizativa adecuada, personal con las habilidades adecuadas, cambios en el proceso de planificación y una comprensión detallada del potencial y los peligros del aprendizaje automático.

En primer lugar, los altos ejecutivos deben asegurarse de que el equipo de planificación, desde el principio, incluye una amplia gama de partes interesadas internas y externas. Definir el objetivo de la OML, captar las restricciones empresariales e identificar los KPI y los datos relevantes requerirá expertos funcionales y analistas de investigación de operaciones con suficiente experiencia en modelar los problemas de gestión de la cadena de suministro. Esto significa que el equipo debe incluir a personas de marketing, ventas, finanzas, cadena de suministro, logística, producción e TI; los científicos de datos y los expertos en análisis también son cruciales. Si es necesario, la experiencia interna de una organización debe complementarse con consultores externos y expertos académicos. Algunas empresas delegan los proyectos de aprendizaje automático únicamente a los científicos de datos. Es un error, porque los científicos de datos suelen tener un conocimiento mínimo del dominio de la cadena de suministro.

En segundo lugar, la OML exige que las empresas identifiquen, recopilen y accedan a las entradas de datos necesarias de varias fuentes y que verifiquen las salidas generadas por el modelo de aprendizaje automático. El primero requiere informáticos que puedan construir la arquitectura de datos de extremo a extremo necesaria utilizando sistemas de bases de datos modernos, mientras que el segundo requiere planificadores y gestores de cadenas de suministro con conocimientos y experiencia suficientes en el campo.

En tercer lugar, el proceso de planificación de ventas y operaciones (S&OP), en el que los miembros del equipo de planificación se unen para desarrollar los planes de ventas, producción e inventario, debe rediseñarse para aprovechar la agilidad que OML puede ofrecer mediante su velocidad y profundidad de análisis. Es habitual que el ciclo de S&OP dure un mes porque se tarda tanto en procesar la información del ciclo anterior y llegar a un consenso sobre las medidas para el siguiente. Pero las empresas se esfuerzan por responder con rapidez a las interrupciones del suministro o la logística y a los cambios en la demanda que se producen constantemente. Lo que tienen que hacer es reemplazar los típicos ciclos de S&OP de un mes por otros más rápidos y con mayor capacidad de respuesta. Eso requerirá invertir en sistemas y procesos que permitan a las cadenas de suministro reaccionar con rapidez, como sistemas de software de resolución de última generación basados en la nube que puedan generar soluciones en un plazo razonable (minutos, por ejemplo, para un análisis de escenarios o políticas en particular). Por lo tanto, las empresas necesitan experiencia en optimización y computación en nube, que pueden obtener de empresas de software y soluciones en la nube, respectivamente.

Por último, el equipo de planificación, en consulta con la alta dirección, debe establecer los KPI que, en última instancia, impulsarán las decisiones dentro de la cadena de suministro. Pueden incluir las tasas de llenado por cliente, producto y región, los costes y los márgenes de beneficio y las rotaciones de inventario. Comprender los conflictos entre las partes interesadas internas y externas y garantizar la aceptación de todos es importante para abordar este paso. Al proporcionar un análisis detallado de las implicaciones de varias decisiones para cada stakeholder, OML puede ayudar. Por lo general, las decisiones que afectan al rendimiento general de la cadena de suministro las toman varias partes interesadas. Sería mejor si las métricas de rendimiento de cada stakeholder fueran transparentes y fueran aceptadas por todas las partes. Nuestro enfoque de OML permite ejecutar el modelo de forma iterativa hasta que encuentre una solución que sea de mutuo acuerdo. En última instancia, es importante que los altos directivos se aseguren de que todas las partes confían en las recomendaciones que salen del sistema de planificación y no sienten la necesidad de revisarlas.

. . .

La OML permite a las empresas basar sus decisiones en información histórica y actual sobre la oferta y la demanda, y no solo en previsiones más precisas. Les proporciona una herramienta que puede ayudarlos a reducir los costes y a aumentar los ingresos, los beneficios y la satisfacción de los clientes. Les permite probar estrategias para mitigar los riesgos y facilitar la elección de las mejores. Al hacer todas estas cosas, ofrece una forma de crear cadenas de suministro más flexibles, resilientes y de mayor rendimiento.