MEJORA TU MODELO DE SUPPLY CHAIN CON “DYNAMIC VELOCITY MODELING”
“Para el año 2025, 75% de los retailers abran integrado completamente la data de las órdenes y de los inventarios optimizando el cumplimiento de las ordenes, mejorando el aprovisionamiento en 10%, la satisfacción del cliente en 50%, y reduciendo el costo para servir en 25%”. (Fuente: IDC FutureScape Retail 2022 Preditions)
Los modelos actuales de supply chain que prevalecen en las compañías de consumo masivo y retailers no son suficientemente maduros para alcanzar esto. Incluso los modelos de supply chain más avanzados son imperfectos y se beneficiaran de las alertas accionables para gestionar cualquier problema, y las alertas predictivas para anticipar sobre problemas potenciales antes de que ocurran.
Andrew Smith, Global Head of Analytics en StayinFront Retail Data Insight (RDI), comparte lo siguiente en referencia a “Dynamic Velocity Modeling”, “todo inicia a nivel punto de venta donde los problemas de supply chain impactan la experiencia del cliente. Las fuentes de data que tienen los retailers, los fabricantes, y los proveedores logísticos pueden integrarse finamente en un ambiente de machine learning para generar alertas accionables, y alertas predictivas para corregir, y mitigar los problemas de supply chain que impactan en el punto de venta”
Al tiempo en que se desarrolla “Dynamic Velocity Modeling”, descubrira insights más profundos sobre las causas raíz, generando una mayor eficiencia y crecimiento. Piensa en esto como un complemento para cualquier modelo de supply chain ya establecido, permitiendo enfocar y resolver los problemas que permanecen incluso en los mejores modelos.
¿Entonces cómo funciona esto? Nuestra experiencia hasta ahora en múltiples mercados, donde “Dynamic Velocity Modeling” ha sido pionero, identifica tres pilares clave de éxito:
1. Enfoque en Impacto del Retail
Cuando los problemas de supply chain impactan la experiencia del cliente a nivel punto de venta, ambos retailers y Compañías (CPG) pierden ventas. Algoritmos básicos integrando POS data (sellout data) pueden generar alertas accionables para problemas de OSA, bajo desempeño de las promociones, y otros problemas. Sin embargo, los modelos avanzados de AI Machine Learning generan alertas predictivas antes de que los problemas impacten el punto de venta. La fuente de data. Incluyendo POS data, transitos, ordenes en proceso, niveles de inventario en los centros de distribución de los retailers, y los niveles de inventario de la compañía, se integran para guiar la resolución de los problemas a tiempo, y generar alertas predictivas para gestionar probables situaciones antes de que ocurran.
2. Gestionar las Intervenciones oportunas desde Supply Chain
Algunas de las alertas predictivas requieren acciones más allá de la función de supply chain, para prevenir situaciones que impacten en los niveles óptimos de inventarios. Por ejemplo:
♦ Riesgo en índices de OSA: Esta alerta puede activarse al centro de distribución del retailer cuando el promedio diario de ventas indica insuficiente inventario en una tienda en particular, en la que no hay una orden en transito prevista, y que sin embargo el centro de distribución si cuenta con inventario de ese producto.
♦ Riesgo en inventario para promoción: Esta alerta puede activarse al centro de distribución del retailer cuando las ventas de una promoción proyectan un agotamiento en el inventario de una tienda determinada antes de concluir el evento promocional, y que sin embargo el centro de distribución del retailer si cuenta con inventario de ese producto.
♦ Riesgo de Inventario en el Centro de Distribucion: Esta alerta puede activarse a las oficinas centrales del retailer cuando la demanda total proyectada por las tiendas que se surten de un centro de distribución indica que el inventario en ese centro de distribución es insuficiente, y que no existe una orden en tránsito desde la compañía hacia ese centro de distribución.
La habilidad para generar alertas predictivas depende de la disponibilidad oportuna de toda la data necesaria para generar las alertas, así también como la capacidad para gestionar las acciones en el punto especifico en el proceso de supply chain. Un punto clave de éxito es empezar puntualmente enfocando en donde se encuentran las oportunidades de mayor valor. Iniciar con un solo centro de distribución, con un fabricante, y con los skus más importantes.
3. Adoptar los aprendizajes y colaboración
No hay nada mas frustrante que continuar corrigiendo siempre los mismos problemas a nivel tienda. El análisis por clusters puede identificar las instancias de problemas similares que se repiten frecuentemente, ya sea de ciertas marcas de producto o SKUs, tiendas específicas, centros de distribución que surten ciertas geografías, proveedores de transporte, o fabricantes, generando análisis más profundos sobre la causa raíz en áreas donde se tienen más áreas de oportunidad de mejora.
Estas preparado, junto con tus socios comerciales, para el 2025 integrando la data de las ordenes e inventarios para optimizar el cumplimiento de las ordenes, mejorando el aprovisionamiento en 10%, la satisfacción del cliente en 50%, y reduciendo el costo para servir en 25%? Lets talk.
Para conocer más sobre como StayinFront RDI está impulsando la innovación en el uso de la data y tecnología para mejorar las condiciones y experiencia del cliente a nivel tienda, visita nuestra website o envíanos un e-mail para que uno de nuestros expertos lo contacte para más detalles:
Derrick Jones
Commercial Director, StayinFront RDI
djones@stayinfront.com
Pablo Rivera Rio
Commercial Director LATAM, StayinFront
privera@stayinfront.com
