Logística y Distribución
IA y forecast: nueva base de la planificación de demanda en la cadena logística
La incorporación de inteligencia artificial en el demand planning está transformando la forma en que las grandes compañías proyectan el sell-out, integrando variables operativas, comerciales y logísticas para mejorar la precisión del forecast, reducir inventarios y mitigar el efecto látigo en la cadena de suministro.
Publicado
La incorporación de inteligencia artificial en la gestión de la cadena de suministro está comenzando a redefinir procesos críticos en grandes compañías tecnológicas. Muchas empresas han enfocado parte de esta transformación en un punto específico del negocio: la planificación de la demanda o demand forecasting, particularmente en el sell-out.
Es sabido que la cadena logística tradicional enfrenta de manera permanente el desafío de equilibrar oferta y demanda al menor costo posible, aumentando simultáneamente la velocidad y flexibilidad operativa. En ese contexto, la decisión para muchos es intervenir un componente específico del sistema: el comportamiento de venta final al consumidor.
De esta manera, el foco se concentra en el sell-out, entendido como la venta final de los productos. “Nosotros tenemos envíos aéreos, marítimos y mixtos que finalmente llegan a nuestro centro de distribución y son vendidos a nuestros clientes, retailers, operadores de telefonía, etc. Para llegar al consumidor final, el sell-out es uno de los puntos más importantes, uno de los principales KPIs que tenemos como subsidiarias”, señaló Cristóbal Donoso, Supply Chain Manager de Samsung Electronics.
Uno de los principales problemas identificados en este flujo es el denominado bullwhip effect o efecto látigo. “Es un efecto dentro de la cadena de suministro que nos habla de que una pequeña variación de la demanda que podemos ver en el consumidor final puede hacer que el vendedor crea que se viene una venta quizás un poco más amplia. Empieza a aumentar su demanda proyectada, después en esa proyección le empieza a agregar más unidades para tener stock de seguridad o quizás para alcanzar algún descuento por volumen”, explicó el ejecutivo en su exposición durante Logistec Show.
A su juicio, este fenómeno puede provocar sobreestimaciones de demanda, incrementos en órdenes de compra, ajustes por mínimos de fabricación y acumulación de inventario en los mercados de destino. En escenarios extremos, estos excedentes terminan inmovilizados y con bajo nivel de rotación. En el caso de Samsung, la rotación de productos es particularmente alta, considerando ciclos de lanzamiento de aproximadamente seis meses en categorías como telefonía móvil. Esto hace especialmente crítico evitar acumulaciones de inventario no vendido.
La compañía estableció como objetivo mantener niveles de inventario controlados y “nosotros como Samsung tenemos una meta de cero inventarios, a pesar de que tenemos un centro de distribución bastante grande, pero nuestro límite es un 3% de inventario con más de 60 días”. Superado ese umbral, se activan presiones comerciales para acelerar la salida del inventario o incluso evaluar su disposición final.
Para abordar este desafío, la empresa implementó un modelo de inteligencia artificial orientado a la predicción del sell out, alimentado por múltiples variables de la operación comercial y logística. Entre los principales inputs del sistema se consideran atributos del producto, segmentación por líneas de negocio, eventos comerciales y estacionales, promociones, histórico de ventas de tres a cuatro años y niveles de inventario en canales de distribución.
También se incorporan variables como el return to forecast (RTF), que permite proyectar el abastecimiento desde fábrica, además de información en tiempo real sobre producción, disponibilidad de materias primas y eventuales restricciones en la cadena global de suministro.
A esto se suman datos de sell-in a retailers, niveles de inventario en tiendas, activaciones comerciales y estacionalidad, incluyendo eventos como Cyber Day, Navidad o temporadas altas de categorías específicas como climatización o línea blanca. Con toda esta información integrada, Donoso explicó que el sistema genera proyecciones de sell-out que reemplazan progresivamente el trabajo manual de los equipos comerciales, quienes históricamente debían ingresar y ajustar datos semana a semana por SKU y por cliente.
El modelo de inteligencia artificial no elimina completamente la intervención humana, sino que propone valores base que pueden ser validados o ajustados por los equipos comerciales. La comparación entre la predicción del sistema y la intervención humana permite medir la precisión del forecast.
Según la experiencia de la compañía, la implementación de este modelo ha requerido cerca de cinco años de desarrollo, incluyendo fases de entrenamiento, simulaciones y pruebas en entornos controlados antes de su despliegue en producción.
Los resultados preliminares muestran una reducción en el tiempo dedicado a tareas de planificación, mejoras en la precisión del forecast, disminución de inventario inmovilizado y reducción de productos obsoletos o sujetos a procesos de liquidación, junto con una mayor eficiencia en la toma de decisiones comerciales.
