O PROBLEMA
Métodos de planejamento defeituosos tornam extremamente difícil para as empresas se protegerem contra interrupções na cadeia de suprimentos.
UM REMÉDIO
Uma nova abordagem, chamada de OML – Optimal Machine Mearning (do inglês aprendizado de máquina otimizado), pode permitir decisões melhores, sem o mistério que cerca as recomendações de planejamento produzidas pelos modelos de aprendizado de máquina atuais.
OS ELEMENTOS
OML depende de um mecanismo de suporte à decisão que conecta dados de entrada diretamente a decisões da cadeia de suprimentos e leva em consideração as prioridades de desempenho de uma empresa. Outros recursos são uma representação “gêmea digital” de toda a cadeia de suprimentos e um sistema de armazenamento de dados que integra informações ao longo da cadeia de suprimentos e permite acesso e atualização rápidos aos dados.
A pandemia de Covid-19, o conflito entre Rússia e Ucrânia, guerras comerciais e outros eventos dos últimos anos têm perturbado as cadeias de suprimentos e destacado a necessidade crítica das empresas melhorarem o planejamento para serem mais ágeis e resilientes.
No entanto, as empresas lutam com esse desafio. Uma das principais causas é a previsão defeituosa, que resulta em atrasos na entrega, níveis de estoque que estão totalmente fora de sincronia com a demanda e desempenho financeiro decepcionante. Essas consequências não são surpreendentes. Afinal, como podem ser tomadas decisões eficazes sobre estoque e produção quando as previsões de demanda estão muito longe da realidade?
Desenvolvemos uma maneira de abordar essa deficiência. Nosso novo paradigma usa aprendizado de máquina e dados históricos para gerar recomendações superiores para decisões de cadeia de suprimentos. Enquanto os métodos atuais de aprendizado de máquina focam em tentar criar previsões mais precisas, o nosso foca em tomar decisões reais. Essa nova metodologia, que chamamos de aprendizado de máquina ótimo (OML), envolve o uso de tecnologia de inteligência artificial para criar um modelo matemático que leva em consideração dados-chave relacionados à cadeia de suprimentos (os nós da rede, suas localizações, transações de vendas e remessas, parâmetros financeiros, promoções de marketing, restrições logísticas e de capacidade, e assim por diante) e os vincula a decisões de planejamento (quantidades a produzir, por exemplo, ou níveis de estoque a manter em cada local). Esse modelo pode levar em consideração as prioridades da empresa (como o nível de serviço ao cliente que é contratualmente obrigado ou deseja alcançar), suas restrições orçamentárias e outras restrições de recursos (como a disponibilidade de materiais e mão de obra). Os dados são armazenados de forma que permitam atualização em tempo quase real e revisão rápida dos cálculos que informam a tomada de decisões.
Desenvolvemos o OML após décadas de pesquisa em gestão de cadeia de suprimentos e implementação de nossas ideias resultantes em empresas de diversos setores: fabricação de equipamentos semicondutores, aeroespacial e defesa, telecomunicações e computação. Neste artigo, explicamos por que os métodos existentes de planejamento de cadeia de suprimentos, incluindo outras técnicas de aprendizado de máquina, falharam, como nosso método funciona e quais mudanças nas equipes de planejamento e métricas são necessárias para implementá-lo. Destacamos nossas experiências ao testar o OML em duas empresas Fortune 500 onde atuamos como consultores – e onde os resultados demonstram o potencial para aumentar a receita e a disponibilidade de produtos com investimentos significativamente menores em estoque.
Uma das empresas fabrica e vende equipamentos intensivos em capital para fabricação de semicondutores. Para garantir que seus clientes possam manter os equipamentos em funcionamento, a empresa deve gerenciar um inventário de milhares de peças sobressalentes. No passado, no entanto, frequentemente enfrentava escassez de componentes-chave, o que resultava em remessas aceleradas caras ou tempos de espera disruptivos que causavam paralisações custosas nos locais dos clientes. Gerentes frustrados frequentemente corriam para substituir as recomendações de estoque oferecidas pelo sistema de planejamento de recursos empresariais (ERP). Os gerentes confiavam em sua própria experiência e usavam entradas de dados não explicitamente incorporadas no software de planejamento existente, mas suas substituições eram subjetivas, ad hoc e demoradas para elaborar, muitas vezes complicando seus problemas.
A outra empresa que discutiremos é uma empresa de eletrônicos de consumo que vende, através de milhares de lojas de varejo, um portfólio de dispositivos de interface de realidade virtual avançados produzidos por fabricantes contratados na Ásia. Esta empresa estava desenvolvendo seu processo de planejamento de vendas e operações e enfrentava o desafio da ampla gama de abordagens e entradas de dados de várias partes interessadas – fornecedores; equipes nas funções de marketing, produção, logística e sourcing de suprimentos da empresa; e clientes que operavam cadeias de suprimentos complexas com milhares de locais de varejo. A alta incerteza na demanda do consumidor levou a constantes escassez em alguns locais de varejo e excesso de estoque em outros.
Por que Agilidade e Resiliência Continuam Elusivas
As empresas em diversos setores falharam em desenvolver estratégias eficazes para preparar suas cadeias de suprimentos para resistir a interrupções imprevistas. Isso se deve a três deficiências significativas nos métodos de planejamento existentes: processos falhos orientados por previsões; desafios relacionados a dados; e planejamento de cenários ineficaz.
Planejamento orientado por previsões.
A abordagem mais amplamente utilizada para o planejamento da cadeia de suprimentos consiste em dois passos. No passo de previsão, previsões de demanda são geradas a partir de dados históricos sobre vendas e pedidos, informações sobre condições econômicas e ações dos concorrentes, e julgamentos subjetivos. No passo de otimização, essas previsões são inseridas em modelos matemáticos da rede de cadeia de suprimentos para gerar decisões finais de estoque. Essa abordagem, conhecida como prever-então-otimizar (PEO), falha por várias razões.
1. Não há uma única previsão que todas as partes concordem em usar para a tomada de decisões.
Na empresa de eletrônicos de consumo, os gerentes de vendas desenvolveram previsões mensais de vendas agregadas, juntamente com previsões de vendas para cada cliente varejista para o próximo período de 12 meses. A equipe de planejamento de estoque criou independentemente sua própria previsão de demanda do cliente, mas o fez semanalmente, pois os pedidos de estoque eram geralmente feitos uma vez por semana. Para gerenciar pedidos com a empresa de eletrônicos de consumo e alocar estoque para sua rede de lojas, cada cliente varejista também desenvolveu sua própria previsão. Essas previsões dos clientes frequentemente diferiam significativamente das da empresa de eletrônicos de consumo. Além disso, todas as previsões foram feitas em momentos diferentes e foram atualizadas à medida que novas informações sobre a demanda surgiam. E as estimativas de demanda do cliente final frequentemente eram distorcidas porque ninguém entendia completamente como as promoções de marketing implementadas pela empresa de eletrônicos de consumo ou pelos varejistas afetariam as vendas. Em situações como essa, quando várias previsões estão disponíveis, cada uma com seus próprios erros, não está claro qual é a ideal para usar na otimização das decisões de planejamento da cadeia de suprimentos.
2. Os objetivos dos diversos grupos de partes interessadas no processo de planejamento não estão alinhados, o que leva a decisões tendenciosas e subótimas.
Na empresa de eletrônicos de consumo, a equipe de vendas tendia a superestimar as previsões para garantir o suprimento, enquanto as equipes de estoque tendiam a subestimar as previsões para garantir o mínimo de obsolescência. A equipe financeira se preocupava principalmente com os custos de obsolescência associados ao estoque não vendido. A alta administração, é claro, se preocupava principalmente em atender às metas trimestrais de receita e ter o mínimo de capital vinculado ao estoque. Os fornecedores da empresa, por sua vez, enfrentavam restrições de capacidade de produção e as demandas concorrentes de múltiplos clientes; como resultado, a empresa muitas vezes estava à mercê das decisões de seus fornecedores. Enquanto isso, para se proteger contra o perigo de receber quantidades insuficientes de produtos eletrônicos necessários, os varejistas frequentemente inflavam seus pedidos.
Os objetivos desalinhados foram um problema também para o fabricante de equipamentos semicondutores. Os gerentes de estoque muitas vezes mantinham poucas peças em estoque, esperando minimizar o investimento total em estoque e evitar baixas custosas de itens não vendidos. Isso ocorria porque a alta administração estabelecia metas para o capital investido e baixas sem um entendimento claro do potencial resultante de perda de receita.
3. Os métodos para decidir como otimizar os estoques são falhos.
Os modelos convencionais amplamente utilizados hoje não capturam todas as complexidades da dinâmica da cadeia de suprimentos. Geralmente, incorporam algoritmos excessivamente simplificados para o passo de otimização em PEO. E mesmo se forem utilizadas ferramentas avançadas de “otimização”, quaisquer erros na previsão, formulação de modelo e otimização se acumularão e levarão a resultados ruins.
Um desafio adicional no planejamento é que, mesmo que previsões perfeitas estivessem disponíveis, elas não seriam suficientes. As decisões sobre pedidos de suprimentos e remessas para vários locais também devem considerar uma variedade de fatores que afetarão indicadores-chave de desempenho financeiro e operacional. Esses fatores incluem restrições de recursos (como capacidade de produção, remessa e armazenamento), necessidades específicas do cliente, diferenças na lucratividade por clientes e regiões e requisitos de nível de serviço locais e globais. Desafios de dados. Agora é viável manter e acessar vastas quantidades de dados sobre transações de vendas no nível da loja quase em tempo real. Infelizmente, para empresas com cadeias de suprimentos globais, acessar e consolidar esses dados continua sendo um grande desafio.
Considere a empresa de eletrônicos de consumo. Seus dados da cadeia de suprimentos estavam amplamente dispersos entre vários atores, tanto dentro quanto fora da organização. Internamente, as equipes de vendas mantinham informações de previsão, os profissionais de marketing lidavam com informações relacionadas a promoções, as equipes de planejamento de suprimentos gerenciavam informações de estoque, o departamento financeiro tinha responsabilidade pelas informações financeiras, e assim por diante. Externamente, os dados sobre vendas em lojas e remessas dos centros de distribuição dos clientes para as lojas estavam sob a responsabilidade desses varejistas. Para piorar, os dados também residiam em uma variedade de formatos e repositórios – em parte em arquivos do Excel, em parte em tabelas do Tableau, em parte em forma de texto em e-mails, e assim por diante. Em alguns casos, os dados eram mantidos em um nível agregado em vez da especificidade necessária para a tomada de decisões. Devido à natureza dispersa das informações, simplesmente não havia mecanismo para aproveitar dados transacionais granulares para apoiar a análise necessária para impulsionar decisões eficientes de reposição. Além disso, era impossível analisar o impacto de vários fatores externos (como ciclos de negócios) e fatores competitivos (como a introdução e precificação de novos produtos de empresas concorrentes) na cadeia de suprimentos de ponta a ponta porque não existia uma única representação de toda a cadeia.
Planejamento de cenários ineficaz.
Um primeiro passo no desenvolvimento de estratégias para tornar uma cadeia de suprimentos mais ágil (capaz de responder a interrupções) e resiliente (capaz de se recuperar) é articular cenários futuros correspondentes aos muitos riscos que podem afetar as cadeias de suprimentos. Eventos de cisne negro – interrupções raras de alto impacto, como o bloqueio do Canal de Suez por um navio porta-contêineres em 2021 – são virtualmente impossíveis de prever. Outras ameaças que podem ter um grande efeito nas cadeias de suprimentos – como a guerra Rússia-Ucrânia – podem ser previstas, mas a probabilidade de ocorrerem pode ser difícil de determinar.
Embora muitas empresas tenham começado a incorporar o planejamento de cenários em seus processos de planejamento da cadeia de suprimentos, essa análise muitas vezes carece de detalhes suficientes para ser útil. Por exemplo, não basta saber que as vendas totais de uma empresa podem cair no caso de uma guerra que restrinja as operações de um fornecedor-chave. O que é necessário é uma compreensão profunda da magnitude e do timing do impacto sobre cada produto, cliente e região, para que estratégias apropriadas para mitigá-lo possam ser desenvolvidas. Essa compreensão também é importante para criar cadeias de suprimentos personalizadas – aquelas diferenciadas por geografia, produtos e clientes – em vez de usar uma estratégia única para todos. Infelizmente, na ausência de um mecanismo que possa oferecer insights granulares, os exercícios de planejamento frequentemente levam a resultados abaixo do ideal.
Um Novo Paradigma
Nossa abordagem, aprendizado de máquina ótimo (OML, na sigla em inglês), supera as significativas deficiências nos métodos existentes de planejamento da cadeia de suprimentos. Ela possui três componentes-chave: um motor de suporte à decisão, um modelo digital e uma arquitetura de dados de ponta a ponta.
Motor de suporte à decisão: O OML substitui o processo de planejamento de duas etapas baseado em previsões por um processo de uma etapa que conecta diretamente os dados de entrada às decisões da cadeia de suprimentos. A metodologia OML incorpora dados históricos sobre os impulsionadores da demanda ao longo da cadeia de suprimentos (por exemplo, transações de vendas reais e fatores que as influenciam, como preços, promoções e tamanho e composição da base de clientes) e os impulsionadores do fornecimento (como inventários de fornecedores, tempos de entrega, restrições de capacidade e atrasos no transporte). O motor determina a relação entre esses elementos de dados de oferta e demanda e as decisões da cadeia de suprimentos sobre questões como quantidades de produção, pedidos de reposição, níveis de estoque e remessas de inventário entre locais de uma forma que otimiza indicadores-chave de desempenho (KPIs). Os KPIs podem incluir métricas relacionadas ao lucro geral; receita ou lucro por região, cliente ou categoria de produto; disponibilidade do produto; rotação de estoque; tempo necessário para se recuperar de uma interrupção; e assim por diante. Os cálculos podem ser recalculados assim que novos dados estiverem disponíveis ou se houver alguma alteração na rede de fornecedores.
Nossas implementações do OML tanto no fabricante de equipamentos semicondutores quanto na empresa de eletrônicos para o consumidor aproveitaram o poder da computação em nuvem para executar o motor de suporte à decisão. Ambos produziram recomendações de decisão em minutos, apesar do grande tamanho das respectivas redes de cadeia de suprimentos. Nossa abordagem também pode incorporar restrições de negócios especificadas por gerentes (por exemplo, “Meu orçamento é X” ou “Posso produzir no máximo Y unidades” ou “A disponibilidade do meu produto tem que ser maior que Z%”). Muitas abordagens de aprendizado de máquina tradicionais ignoram tais limitações. Como resultado, a solução precisa ser “corrigida” após o fato, o que não é ideal. O OML não enfrenta esse problema.
Modelo Digital:
Um requisito-chave para o funcionamento do motor de suporte à decisão do OML é uma representação digital detalhada de toda a rede de cadeia de suprimentos, todos os fluxos de material e os processos de tomada de decisão de todas as partes envolvidas.
Ao modelar o desempenho da cadeia de suprimentos de maneira altamente detalhada no nível granular de cada transação, o modelo digital permite que os planejadores da cadeia de suprimentos quantifiquem KPIs precisos para cenários de demanda e oferta tanto passados quanto futuros. Uma representação digital desse tipo tem duas vantagens. Primeiro, seus cálculos do impacto de decisões históricas podem ser comparados com os resultados reais calculados pelos sistemas de negócios existentes, o que valida sua capacidade de medir o desempenho com precisão e, assim, dá confiança à administração no sistema. Em segundo lugar, pode ser usado para testar os efeitos de cenários ou estratégias alternativas de cadeia de suprimentos nos KPIs. Por exemplo, e se os prazos de entrega do envio dobrarem devido a atrasos em uma rota de envio específica? Ou como a interrupção de um centro de distribuição afetaria a receita? Ou qual seria a melhor maneira de redirecionar remessas para lojas atendidas por esse centro de distribuição? Juntas, essas duas capacidades – análise histórica e poder preditivo – tornam possível que os gerentes avaliem com precisão estratégias de mitigação de riscos, como fontes alternativas de suprimento e transporte, locais de estoque alternativos, cronogramas de produção revisados e o uso de substitutos de produtos. Como resultado, os gerentes podem tomar melhores decisões.
Arquitetura de dados de ponta a ponta:
O motor de suporte à decisão do OML e o modelo digital requerem um sistema de armazenamento de dados que funcione em conjunto com todos os sistemas de gerenciamento de banco de dados existentes em toda a cadeia de suprimentos (aqueles para as operações da empresa e os dos fornecedores, distribuidores e clientes). O sistema de armazenamento deve ser capaz de agrupar dados entre equipes, locais e produtos e permitir a atualização e acesso a essas informações quase em tempo real. A arquitetura especifica os vários elementos de dados a serem incluídos, seu formato e organização de armazenamento, as ligações entre eles e a frequência com que serão atualizados. A escolha dos dados a serem incorporados deve ser orientada pela representação analítica da cadeia de suprimentos no modelo digital e deve considerar as contribuições dos gerentes que melhor entendem os impulsionadores potenciais das decisões. Em outras palavras, a abordagem do OML envolve a coleta e o armazenamento de dados que reflitam a estrutura da cadeia de suprimentos.
Recomendamos o uso de um banco de dados gráfico que armazene os dados nos nós da cadeia de suprimentos (por exemplo, lojas de varejo ou locais de atacado) e capture relacionamentos importantes (por exemplo, qual local de atacado abastece quais lojas de varejo). Isso permite uma visualização significativa de dados e métricas por local, cliente, produto ou tempo. Também permite que os planejadores da cadeia de suprimentos meçam o desempenho para várias métricas relacionadas a custo e serviço e identifiquem casos em que os valores observados estejam fora da faixa esperada e exijam análise adicional.
Essa abordagem contrasta fortemente com uma que usa todos os dados disponíveis, independentemente de sua relevância comercial. Algumas empresas escolheram “jogar tudo dentro” enquanto desenvolvem modelos de aprendizado de máquina na crença de que os modelos descobrirão quais dados são mais importantes e então os ponderarão adequadamente. O problema com essa abordagem é que o modelo é percebido como uma caixa preta, e quando os tomadores de decisão não conseguem entender por que ele produziu os resultados que produziu, frequentemente não confiam nele.
Gerando Resultados
Na empresa de equipamentos semicondutores, a metodologia OML foi usada para determinar políticas específicas de inventário que poderiam resultar em níveis de serviço mais altos (taxa de preenchimento) a um custo mais baixo. (Em qualquer cadeia de suprimentos, níveis mais altos de disponibilidade de produtos exigem maiores investimentos em estoque, o que aumenta os custos.)
Antes da implantação do OML, o sistema de planejamento legado da empresa conseguia manter uma taxa de preenchimento de cerca de 77% com investimentos em estoque um pouco acima de US$ 135 milhões. Quando os gerentes usavam sua experiência para substituir as recomendações do sistema, eles conseguiam aumentar a taxa de preenchimento para cerca de 81% com um investimento ligeiramente maior em estoque.
O sistema OML deu à empresa a opção de alcançar essa taxa de preenchimento mais alta enquanto gastava quase US$ 20 milhões a menos em estoque, ou aumentar a taxa de preenchimento para quase 85% mantendo o investimento em estoque em cerca de US$ 135 milhões. Além disso, o sistema liberou os gerentes para se concentrarem em questões mais estratégicas.
As capacidades de visualização do modelo digital os ajudaram a entender exatamente o que precisava ser alterado e por quê, o que aumentou sua disposição para aceitar as recomendações. Por exemplo, uma percepção chave foi que a regra de decisão do OML considerava o número de instalações de produtos existentes juntamente com as novas e capturava seus efeitos nas decisões de implantação de estoque – ligações que não haviam sido consideradas anteriormente.
No caso da empresa de eletrônicos para o consumidor, o modelo OML revelou deficiências gritantes na forma como o estoque estava sendo gerenciado. Por exemplo, o centro de distribuição que atendia a região com o maior volume de vendas historicamente mantinha o menor estoque. Isso levou a frequentes escassez de produtos nas lojas que ele atendia, além de remessas aceleradas para o centro.
O modelo OML identificou corretamente essa discrepância e recomendou a política ideal de estoque para esse local. Nossa análise também revelou que, embora o nível médio de disponibilidade de produtos na maioria das lojas de varejo fosse aceitável, um número significativo de lojas enfrentava escassez severa.
É importante observar que, embora o modelo OML capturasse toda a rede até os locais de varejo, todas as decisões sobre implantação de estoque nos centros de distribuição do cliente e nas lojas de varejo eram tomadas pelos clientes, não pela empresa de eletrônicos para o consumidor. No entanto, graças às percepções do modelo sobre a implantação de estoque, a empresa estava em uma posição mais forte para influenciar as decisões de estoque de seus clientes.
O principal facilitador na conversa foi uma visualização fácil de interpretar das recomendações de decisão do modelo que mostrava exatamente quais impulsionadores eram responsáveis por elas. Essa visualização é fundamental para garantir o engajamento de todas as partes interessadas.
Obtendo Sucesso com a Nova Abordagem
Para que uma ferramenta habilitada para análise como o OML seja útil para as empresas na construção de agilidade e resiliência em suas cadeias de suprimentos, é necessário acompanhá-la com uma estrutura organizacional adequada, pessoal com as habilidades corretas, mudanças no processo de planejamento e uma compreensão detalhada do potencial e das armadilhas do aprendizado de máquina.
Primeiro, os executivos seniores devem garantir que a equipe de planejamento, desde o início, inclua uma ampla gama de partes interessadas internas e externas. Definir o objetivo do OML, capturar as restrições comerciais e identificar KPIs e dados relevantes exigirá especialistas funcionais e analistas de pesquisa operacional com experiência suficiente em modelagem de problemas de gerenciamento da cadeia de suprimentos. Isso significa que a equipe deve incluir pessoas de marketing, vendas, finanças, logística da cadeia de suprimentos, produção e TI; cientistas de dados e especialistas em análise também são cruciais. Se necessário, a expertise interna de uma organização deve ser complementada por consultores externos e especialistas acadêmicos. Algumas empresas delegam projetos de aprendizado de máquina exclusivamente a cientistas de dados. Isso é um erro, pois os cientistas de dados geralmente têm pouca familiaridade com o domínio da cadeia de suprimentos.
Segundo, o OML exige que as empresas identifiquem, montem e acessem as entradas de dados necessárias de várias fontes e verifiquem as saídas geradas pelo modelo de aprendizado de máquina. O primeiro requer cientistas da computação que possam construir a arquitetura de dados de ponta a ponta necessária usando sistemas de banco de dados modernos, enquanto o segundo requer planejadores e gerentes da cadeia de suprimentos com conhecimento e experiência suficientes no domínio.
Terceiro, o processo de planejamento de vendas e operações (S&OP), no qual os membros da equipe de planejamento se reúnem para desenvolver planos de vendas, produção e estoque, deve ser redesenhado para aproveitar a agilidade que o OML pode oferecer por meio de sua velocidade e profundidade de análise. É comum que o ciclo S&OP tenha a duração de um mês, pois leva esse tempo para processar as informações do ciclo anterior e chegar a um consenso sobre as ações para o próximo ciclo. Mas as empresas então lutam para responder prontamente a interrupções no suprimento ou na logística e às mudanças na demanda que ocorrem constantemente.
O que elas precisam fazer é substituir os típicos ciclos mensais de S&OP por ciclos mais rápidos e responsivos. Isso exigirá investimentos em sistemas e processos que permitam que as cadeias de suprimentos reajam com rapidez, como sistemas de software de solução de ponta baseados em nuvem que podem gerar soluções dentro de um prazo razoável (minutos, por exemplo, para uma análise de cenário ou política específica). Portanto, as empresas precisam de expertise em otimização e computação em nuvem, que podem obter de empresas de soluções de software e nuvem, respectivamente.
Por fim, a equipe de planejamento, em consulta com a alta administração, deve estabelecer os KPIs que, em última análise, orientarão as decisões dentro da cadeia de suprimentos. Estes podem incluir taxas de preenchimento por cliente, produto e região; custos e margens de lucro; e rotatividade de estoque. Compreender os conflitos entre as partes interessadas internas e externas e garantir o engajamento de todos é importante para enfrentar esta etapa. Ao fornecer uma análise detalhada das implicações de várias decisões para cada parte interessada, o OML pode ajudar. Tipicamente, as decisões que afetam o desempenho geral da cadeia de suprimentos são tomadas por múltiplas partes interessadas. Seria melhor se as métricas de desempenho para cada parte interessada fossem transparentes e aceitas por todas as partes. Nossa abordagem OML permite que o modelo seja executado iterativamente até encontrar uma solução mutuamente aceitável. Em última análise, é importante que os altos executivos garantam que todas as partes confiem nas recomendações que saem do sistema de planejamento e não sintam a necessidade de revisá-las.
OML permite que as empresas baseiem suas decisões em informações históricas e atuais de oferta e demanda, em vez de apenas previsões mais precisas. Isso lhes dá uma ferramenta que pode ajudá-las a reduzir custos e aumentar receitas, lucros e satisfação do cliente. Isso lhes permite testar estratégias para mitigar riscos, tornando mais fácil escolher as melhores. Fazendo todas essas coisas, oferece uma maneira de construir cadeias de suprimentos mais flexíveis, mais resilientes e de melhor desempenho.
Fonte:
HBR Reprint – março de 2024
Os autores:
NARENDRA AGRAWAL é o Professor de Sistemas de Informação e Análise na Escola de Negócios Leavey da Universidade de Santa Clara.
MORRIS A. COHEN é o Professor Emérito Panasonic de Manufatura e Logística na Escola Wharton da Universidade da Pensilvânia. Ele também é o fundador da AD3 Analytics, uma startup que desenvolveu a metodologia OML para gerenciamento da cadeia de suprimentos.
ROHAN DESHPANDE é cientista de aprendizado de máquina na Cerebras Systems e ex-diretor de tecnologia da AD3 Analytics.
VINAYAK DESHPANDE é o Professor Distinto da Família Mann de Operações na Escola de Negócios Kenan-Flagler da Universidade da Carolina do Norte.