Existen modelos de analítica de la supply chain y de la demanda que describen el tipo de analítica que se implanta (por ejemplo, descriptiva, prescriptiva, etc.). Ahora Gartner aborda la cuestión desde otro ángulo con un modelo de madurez en cinco etapas para evaluar el nivel global de madurez de tu organización en el uso de la analítica de la supply chain.
Gartner observa una fuerte correlación entre las organizaciones de supply chain que usan la analítica y una mejora del rendimiento empresarial. Cita beneficios para fabricantes y empresas de retail como una reducción del 20% del inventario, una mejora del 10% en los niveles de servicio al cliente, un aumento del 10% de los ingresos y un incremento del 25% de la capacidad disponible. Para obtener estos beneficios, propone que las empresas tracen una hoja de ruta hacia niveles superiores de madurez analítica. Y, para iniciar ese camino, recomienda empezar evaluando el nivel de madurez actual. Por ello, la analista Noha Tohamy ha descrito un modelo de madurez en su informe reciente «Use Gartner’s Five-Stage Maturity Model to Reach Supply Chain Analytics Excellence».
El modelo sitúa cada etapa de madurez en siete dimensiones (ver el diagrama superior): objetivo, datos, competencias, estructura organizativa, casos de uso (aplicaciones), técnicas analíticas y tecnología de soporte. La clave, según Gartner, es que las siete dimensiones están interconectadas. No puedes avanzar en un área como las técnicas analíticas sin tener en cuenta otras, como el talento disponible o la fiabilidad de los datos.
Estas son las cinco etapas:
Cambian las fuentes y la gestión de los datos
Según Gartner, las fuentes de datos y su gestión, que sustentan la analítica de la supply chain, cambian en cada etapa de madurez.
En la etapa 1, las fuentes de datos son sobre todo documentos inconexos y hojas de cálculo de Excel. La gestión de datos depende de una limpieza y armonización manuales, lo que provoca muchos errores y desconfianza en la calidad de los datos.
En la etapa 2, el ERP y los sistemas funcionales de la supply chain gestionan grandes volúmenes de datos más granulares procedentes de sistemas corporativos y funcionales. La calidad de los datos mejora en las áreas funcionales, pero persisten grandes retos de coherencia en la definición de los datos y en su gobernanza entre funciones de la supply chain.
En la etapa 3, los ERP, los sistemas transversales de supply chain y las fuentes de datos específicas gestionan grandes volúmenes de datos transaccionales internos de procesos funcionales y transversales. Se realizan grandes esfuerzos de coherencia y armonización de datos con otras áreas de negocio y entre funciones de la supply chain.
En la etapa 4, además de los datos internos de toda la empresa, las fuentes externas de socios comerciales B2B gestionan grandes volúmenes de datos de la supply chain ampliada. La velocidad y la variedad de los datos aumentan en algunos procesos. Se prioriza la coherencia, la estandarización y una mejor gobernanza de datos con los socios externos.
La etapa 5 incluye datos de tecnología operativa/IoT de toda la empresa, de fuentes públicas y de la red de socios comerciales. Las fuentes aportan datos de gran velocidad y variedad, y grandes volúmenes procedentes de entornos IoT. Las empresas colaboran con redes de socios y participan en consorcios del sector para la estandarización y la gobernanza de datos.
Definiciones de términos de Gartner
Analítica avanzada: análisis de todo tipo de datos con métodos cuantitativos sofisticados para obtener un conocimiento que difícilmente descubrirían los enfoques tradicionales de business intelligence (BI), como las consultas y los informes. La analítica avanzada abarca técnicas predictivas, prescriptivas y de inteligencia artificial.
Analítica descriptiva: examen de datos o contenidos para responder a la pregunta “¿Qué ha pasado?” (o ¿qué está pasando?), caracterizada por el BI tradicional, las visualizaciones y los dashboards.
- En la etapa 1 el objetivo es usar los datos para medir una única métrica dentro de una función concreta, centrada en el rendimiento a posteriori. Dominan las hojas de cálculo de Excel, con una analítica limitada.
- En la etapa 2 se busca medir el rendimiento y aportar datos para la toma de decisiones en las funciones de la supply chain. Las empresas incorporan datos del ERP y de otros sistemas. La organización funciona en compartimentos, con poca colaboración y escaso intercambio de conocimiento. Las aplicaciones persiguen mejoras dentro de cada silo funcional, apoyadas en hojas de cálculo de Excel, informes y dashboards.
- La etapa 3 mejora la toma de decisiones en toda la supply chain interna. Las empresas se centran en armonizar los datos y en una buena gobernanza para que la analítica aproveche los datos de procesos de extremo a extremo. Los datos de la supply chain se alinean con áreas como desarrollo de producto, ventas y finanzas. Las aplicaciones buscan visibilidad y medición del rendimiento entre procesos, como usar analítica descriptiva para determinar el coste de servir a un cliente a lo largo de la cadena. La analítica avanzada se centra en predecir escenarios y prescribir acciones en toda la supply chain, como simular el impacto de la variabilidad de los pedidos en los planes de producción.
- En la etapa 4 el objetivo es mejorar el rendimiento de una supply chain ampliada de socios comerciales. Los datos proceden de fuentes internas y de socios comerciales externos, para llevar la analítica al nivel de red. La tecnología se centra en capacidades multiempresa que aportan visibilidad de fuera hacia dentro y miden el rendimiento en toda la cadena ampliada. La analítica es más rápida y dinámica y aprovecha los datos de los socios: por ejemplo, un fabricante de gran consumo crea previsiones para el lanzamiento de un producto y ajusta después sus planes de aprovisionamiento según los datos de su socio de retail.
- En la etapa 5 el objetivo pasa a ser medir y mejorar el rendimiento en una red de socios comerciales para satisfacer la demanda del cliente sin sacrificar el margen. Los datos proceden de fuentes públicas y no estructuradas y del IoT. Aplicaciones complejas se centran en la visibilidad, la mejora del rendimiento y la creación de valor en toda la red. Las tecnologías de soporte automatizan la toma de decisiones y la ejecución, teniendo en cuenta compromisos complejos y los objetivos de negocio globales de los socios, como fijar niveles óptimos de stock de seguridad para proveedores en red. La analítica respalda nuevos modelos de negocio y el demand shaping. La computación en memoria gestiona grandes flujos de datos para responder con rapidez.
Cambian las fuentes y la gestión de los datos
Según Gartner, las fuentes de datos y su gestión, que sustentan la analítica de la supply chain, cambian en cada etapa de madurez.
En la etapa 1, las fuentes de datos son sobre todo documentos inconexos y hojas de cálculo de Excel. La gestión de datos depende de una limpieza y armonización manuales, lo que provoca muchos errores y desconfianza en la calidad de los datos.
En la etapa 2, el ERP y los sistemas funcionales de la supply chain gestionan grandes volúmenes de datos más granulares procedentes de sistemas corporativos y funcionales. La calidad de los datos mejora en las áreas funcionales, pero persisten grandes retos de coherencia en la definición de los datos y en su gobernanza entre funciones de la supply chain.
En la etapa 3, los ERP, los sistemas transversales de supply chain y las fuentes de datos específicas gestionan grandes volúmenes de datos transaccionales internos de procesos funcionales y transversales. Se realizan grandes esfuerzos de coherencia y armonización de datos con otras áreas de negocio y entre funciones de la supply chain.
En la etapa 4, además de los datos internos de toda la empresa, las fuentes externas de socios comerciales B2B gestionan grandes volúmenes de datos de la supply chain ampliada. La velocidad y la variedad de los datos aumentan en algunos procesos. Se prioriza la coherencia, la estandarización y una mejor gobernanza de datos con los socios externos.
La etapa 5 incluye datos de tecnología operativa/IoT de toda la empresa, de fuentes públicas y de la red de socios comerciales. Las fuentes aportan datos de gran velocidad y variedad, y grandes volúmenes procedentes de entornos IoT. Las empresas colaboran con redes de socios y participan en consorcios del sector para la estandarización y la gobernanza de datos.
Definiciones de términos de Gartner
Analítica avanzada: análisis de todo tipo de datos con métodos cuantitativos sofisticados para obtener un conocimiento que difícilmente descubrirían los enfoques tradicionales de business intelligence (BI), como las consultas y los informes. La analítica avanzada abarca técnicas predictivas, prescriptivas y de inteligencia artificial.
Analítica descriptiva: examen de datos o contenidos para responder a la pregunta “¿Qué ha pasado?” (o ¿qué está pasando?), caracterizada por el BI tradicional, las visualizaciones y los dashboards.
