¿Llegó el momento de usar machine learning en la cadena de suministro?

Por Alicia Montserrat Ojeda Franco
Ciencia Amateur

¿Crees que sea posible que las empresas prevengan riesgos tan inesperados como una crisis financiera, algunos desastres naturales o incluso una pandemia? La respuesta posiblemente es sí, y para ello utilizan como herramienta una de las áreas de la inteligencia artificial llamada machine learning (aprendizaje automático).

Actualmente, los especialistas estudian cómo prevenir riesgos en la cadena de suministro utilizando el aprendizaje automático, y es que en los últimos años, debido a diversos cambios dentro y fuera de las organizaciones, la necesidad de tener cadenas de suministro más flexibles y libres de riesgo ha incrementado (Baryannis, et al. 2019). 

Por una parte, se tiene la filosofía de producir “justo a tiempo” o de hacer las entregas “al día siguiente”, algo que si bien ha aumentado la satisfacción del cliente y la eficiencia dentro de la cadena de suministros, las ha dejado más vulnerables debido al poco margen de error permitido (Baryannis y Validi, 2018). Por otro lado, Hassan engloba los riesgos a los que se expone la cadena de suministro en tres principales: accidentes operativos, desastres naturales y desastres provocados por el hombre. Todos ellos ocasionan el aumento de costos, y la ruptura de la cadena de suministro hasta llegar a la pérdida de utilidades (Hassan, 2019) .

¿Pero, qué pasaría si las organizaciones pudieran prevenir y tener un plan en caso de que suceda alguno de estos imprevistos con anticipación? Para ello se está estudiando el uso del aprendizaje automático, el cual se define como un software que cuenta con la capacidad de aprender, además de que se enseña a sí mismo a crecer y cambiar cuando esté expuesto a nuevos datos (Canitz,2019). Con ayuda de este programa, la información estaría integrada y actualizada, lo que le permitiría al software encontrar fallas y finalmente proponer modelos para solucionarlo. 

¿Cómo implementar el aprendizaje automático?

De acuerdo con Baryannis et al. 2019, los pasos para implementar aprendizaje automático en la cadena de suministro son:

1. Crear un plan de gestión de riesgos, en el cual se definen los objetivos, se analiza la necesidad que se tiene, así como los resultados y el tiempo esperado. 
2. Recopilar todos los datos que sean relevantes para los objetivos establecidos. Este paso es la parte más importante del proceso. Estos datos pueden obtenerse de fuentes internas como registros de compras, entregas, ventas o finanzas de la empresa. Así como de externas, la cuales incluyen: actividades en redes sociales, políticas nacionales e internacionales o informes meteorológicos. Esto con el fin de actualizar los datos y trabajar con los que sean más recientes y relevantes.
3. Una vez teniendo estos datos se limpian y se estandarizan a un formato que sea comprensible para la máquina.
4. Se extraen características que sean similares y representativas para el modelo de predicción que se construirá.
5. Se eligen las métricas que irán acorde a los objetivos, por ejemplo, queremos saber si un riesgo se manifestará, entonces podemos usar métricas como: verdadero, falso, positivo o negativo y otorgarles un significado.
6. Finalmente, con esta información el software producirá uno o varios modelos de predicción que le permita a los expertos tomar las decisiones pertinentes.

Ventajas del aprendizaje automático

En los estudios que se mencionan en los artículos anteriores se ha analizado las distintas ventajas que tendría utilizar el aprendizaje automático para prevenir riesgos en la cadena de suministro. Por ejemplo: las empresas podrían establecer un sistema de gestión que incluya a las partes involucradas, como son proveedores, vendedores y clientes. Cada uno de ellos podría revisar la información que les sea relevante de acuerdo con sus necesidades y tomar decisiones precisas, basadas en información actualizada y completa. Así, se evitaría la pérdida o distorsión de información valiosa a lo largo de la cadena de suministro (Canitz, 2019).

Además, al utilizar el aprendizaje automático se podría medir el comportamiento y seleccionar de manera automática a los mejores proveedores, garantizando que no haya retrasos en las entregas o que vengan dañadas o incompletas las órdenes requeridas. Mercer Management Consulting recomendó para estos casos utilizar los siguientes indicadores para evaluarlos: transporte a tiempo, entrega a tiempo, precisión del transporte, porcentaje de finalización de pedidos, porcentaje de finalización de proyectos y precisión de inventario.

El uso de inteligencia artificial ha facilitado diversos factores de la vida de los seres humanos; el aprendizaje automático ya tiene usos en diversas áreas siendo la más común en marketing, donde se han demostrado los beneficios y la facilidad de uso, por lo que es importante explorar áreas nuevas donde pueda ser utilizado. Sin embargo, es necesario que a la par que surjan nuevas aplicaciones del aprendizaje automático, las universidades preparen a los alumnos para el uso de ellas, porque ha sido polémico a lo largo de estos años si el uso de tecnología ha dejado a muchas personas sin trabajo. Sin embargo, también empuja a la sociedad a la creación de nuevas carreras, ya que la aplicación del aprendizaje automático no podrá ser implementado sin especialistas que lo alimenten e interpreten.

La autora

Alicia Montserrat Ojeda Franco es alumna de la Licenciatura en Administración y Estrategia de Negocios, en la Escuela de Negocios del Tecnológico de Monterrey, Campus Estado de México (CEM). Correo: A01745207@itesm.mx

Asesor académico

Dr. Jaime Eduardo Martínez Sánchez. Profesor investigador en el departamento de Mercadotecnia y Análisis de la Escuela de Negocios en el Campus Estado de México. Es miembro del Sistema Nacional de Investigadores. Correo: meduardo@tec.mx

Referencias 

• Baryannis, G., Validi, S. (2018). Supply chain risk management and artificial intelligence: state of the art and future research directions. INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH, 57, 829-846. Octubre 14,2020, De Taylor and Francis Group Base de datos.
• Baryannis, G., Samir, D., Grigoris, A. (2019). Predicting supply chain risks using machine learning: The trade-off between performance and interpretability. Elsevier B.V, 2, 993-1004. 2020 octubre, 13, De BiblioXplora Base de datos.
• Canitz H.(2019). Machine Learning in Supply Chain Planning – When Art & Science. Business Forecasting. Octubre13, De Google classroom Base de datos.
• Hassan, A. (2019). Enhancing Supply Chain Risk Management by Applying Machine Learning to Identify Risks. Springer Link, 354, 2. 2020, noviembre 20, De Bibliotexplora Base de datos.
• Ivanov, D., Dolgui, A., Sokolov B. (2019). The impact of digital technology and Industry 4.0 on the ripple effect and supply chain risk analytics. INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH, 57, 829-846. 2020, octubre 15, De Taylor and Francis Group Base de datos.
• Whitson, G. (2020). Artificial Intelligence. Salem Press Encyclopedia of Science. 6 p. 2020, octubre 19. De BibliotecaXplora Base de datos.
• Zhu, Y., Zhou, L., Xie, C., Wang, G., Nguyen, T.  (2019). Forecasting SMEs’ credit risk in supply chain finance with an enhanced hybrid ensemble machine learning approach. Science Direct, 211, 22-33. 2020 noviembre 02, De Biblioexplora Base de datos.