Cuando me incorporé a un proyecto de gestión compartida de existencias en una multinacional del sector de bienes de consumo, el equipo de atención al cliente carecía de visibilidad sobre las existencias de sus distribuidores. El panel de control existente mostraba dónde se habían producido roturas de stock en el pasado. Las roturas de stock y los excedentes de existencias solo salían a la luz cuando un pedido ya se había retrasado o el producto se había acumulado, cuando ya era demasiado tarde para reaccionar.
Mi tesis: un panel de control describe el pasado, y el beneficio comercial proviene de los modelos que predicen el problema y recomiendan medidas a tiempo para llevarlas a cabo.
El problema iba más allá de la falta de visibilidad. El equipo de ventas tenía que responder a dos preguntas para cada distribuidor y SKU: ¿necesitará este distribuidor más producto? En caso afirmativo, ¿cuánto puedo enviarle? La primera pregunta requiere saber de cuánto stock dispone aún el distribuidor y cuánto va a vender. La segunda depende de limitaciones internas: cuotas, existencias en cada centro de distribución, paletización y el plan de producción. Cruzar toda esta información manualmente, cada día, para cada distribuidor y referencia, no es viable.
Lo que hemos creado. Hemos integrado los data de ventas a distribuidores, ventas al por menor e inventario de los distribuidoresdata y hemos entrenado un modelo de aprendizaje automático que prevé las ventas para los próximos 30 días. A partir de esa previsión, calculamos la fecha probable de agotamiento de existencias para cada SKU. A continuación, cruzamos esa fecha con las restricciones: cuota y existencias disponibles, paletización, plazo de transporte y pedidos ya en tránsito, para que las alertas no quedaran obsoletas. El resultado es un pedido recomendado para cada distribuidor y SKU, dentro de lo que es factible enviar, junto con la fecha límite para realizarlo a tiempo. Cuando un pedido no es factible, la herramienta muestra qué restricción lo está bloqueando, de modo que el equipo comercial entra en la conversación conociendo ya el problema.
Power BI sigue estando presente, pero desempeña una función diferente. Ya no es la herramienta de análisis. Es la interfaz que da acceso a la inteligencia que hay detrás, y muestra las previsiones, las alertas de riesgo y las recomendaciones para actuar con antelación.
El resultado. Hemos calculado el beneficio a partir de los ingresos brutos incrementales derivados de la prevención de la falta de existencias: cuando se comunica al distribuidor una falta de existencias prevista y el pedido se realiza a tiempo, estimamos el volumen que se habría perdido y su valor de venta. En el año siguiente a la implantación, los ingresos incrementales estimados ascendieron a 5,09 millones de reales brasileños.
¿Qué fue lo más difícil? Uno de los mayores retos no fue el modelo, sino los data. Los data de inventario y ventas dependen de los distribuidores, y debían recibirse con la frecuencia y en el formato requeridos. La frecuencia se establece por contrato, pero cumplirla requería un seguimiento: junto con el equipo comercial, establecimos un proceso para recabar esos datos. También aprendimos que las cuotas y el inventario varían a lo largo del día, por lo que el análisis de los pedidos funciona mejor a primera hora de la mañana. Tras tres meses perfeccionando el proceso, establecimos una rutina semanal con cada distribuidor, utilizando la herramienta como guía.
Ámbitos en los que la IA general resulta complementaria. La solución actual funciona bien y no depende de la IA generativa, sino únicamente de modelos tradicionales de IA, como el aprendizaje automático y los optimizadores. No obstante, hoy podríamos reforzar la capa de interpretación e interacción: poner de relieve información sobre los problemas que se han producido, resumir las prioridades del día en lenguaje natural, ampliar las recomendaciones a los canales que más utilizan los equipos comerciales, explicar qué restricción está bloqueando un pedido y redactar el mensaje para el distribuidor. Se trata de una mejora en la usabilidad y en el apoyo para interpretar y actuar en función de los datos, basada en una solución que ya ofrece resultados.
En resumen:
Cómo ponerlo en práctica: Enumere las principales decisiones recurrentes de su área comercial que, en la actualidad, dependen de que alguien consulte un panel de control (reposición de existencias, crédito, asignación de activos, promociones). Elija aquella que cuente con un responsable definido, data frecuentes y una pérdida que pueda cuantificarse en términos monetarios. Ahora que dispone de un problema bien definido que puede resolverse, podemos trabajar juntos en un modelo que anticipe u optimice esa decisión, en lugar de crear otro panel de control más sobre la misma.
