Por Hank Hogan, editor colaborador de Automation World
Los cisnes negros, llamados así porque son eventos raros, a menudo con graves consecuencias, se han vuelto cada vez más comunes. Una pandemia global y una guerra terrestre europea no son eventos comunes, pero ambos han interrumpido las cadenas de suministro y alterado la demanda en los últimos dos años, afectando en gran medida la forma en que los fabricantes de alimentos y bebidas administran los suministros entrantes y salientes.
Otros dos eventos cisne negro que impactaron en la industria de alimentos y bebidas han sido las guerras comerciales que involucraron aranceles que enredaron las cadenas de suministro, así como el ambiente catastrófico relacionado con el cambio climático, señala Ara Surenian, vicepresidente de gestión de productos de Plex, una empresa de fabricación inteligente. “Nunca había visto algo así”, dice.
Los efectos se están sintiendo fuertemente a lo largo de la cadena de suministro de alimentos y bebidas. Los consumidores no solo ven los estantes vacíos en la tienda de comestibles, sino que los retrasos en el procesamiento o el transporte, combinados con una vida útil limitada, pueden provocar el deterioro y el desperdicio. En el otro lado de la ecuación, los problemas con la cadena de suministro pueden dificultar la obtención de nuevos equipos o piezas de repuesto para el procesamiento: congeladores y refrigeradores, batidoras y licuadoras, transportadores y otras máquinas.
Obtener la gestión y la planificación correctas de la cadena de suministro es uno de los amortiguadores más efectivos que cualquier procesador de alimentos y bebidas puede tener, protegiéndolos de las fluctuaciones en la disponibilidad y la demanda.Foto cortesía DelmiaWorks
“Posiblemente, tanto los productos en sí como la infraestructura que conforma la función de la cadena de suministro están en riesgo”, dice Mahesh Veerina, director ejecutivo y presidente de ParkourSC, una empresa especializada en software de inteligencia de la cadena de suministro.
Hay una variedad de tecnologías disponibles que pueden ayudar a los fabricantes a superar estos problemas de la cadena de suministro y mitigar sus efectos. La inteligencia artificial (IA), el aprendizaje automático, los gemelos digitales, la nube, las tecnologías de Internet de las cosas (IoT), el seguimiento y localización y otros tipos de software pueden desempeñar un papel. Sin embargo, para ser más beneficiosas, estas tecnologías requieren una mejor colaboración entre todos los actores a lo largo de la cadena.
La estrategia predictiva de Kraft Heinz
En el pasado, los alimentos y bebidas solían ser fiables y la demanda previsible. Hacer predicciones sobre el futuro era relativamente simple únicamente examinando lo que había sucedido en el pasado. No había necesidad de tecnologías avanzadas para ayudarles a las empresas a eliminar las ineficiencias de la cadena de suministro.
Ya menos resistente por un clima cambiante y eventos climáticos impredecibles, la cadena de suministro realmente se vio afectada por la pandemia de COVID-19. Lo que había sucedido en el pasado se volvió menos útil al tratar de mirar hacia el futuro.
Ahora se están realizando esfuerzos para utilizar tecnologías que ayuden a detectar patrones en los datos, patrones que los humanos no reconocen tan fácilmente. Kraft Heinz, por ejemplo, está invirtiendo mucho en un enfoque más digitalizado para crear una estrategia más predictiva y un modelo de respuesta rápida. Su ambicioso enfoque Agile@Scale crea un ciclo de mejora continua en parte al asociarse con gigantes tecnológicos.
En uno de sus últimos movimientos, Kraft Heinz se asoció con Microsoft para ayudar a mejorar la resiliencia de su cadena de suministro al migrar la mayoría de los activos de su centro de datos a la plataforma en la nube de Microsoft Azure. Esto proporcionará análisis predictivos en tiempo real para mejorar la transparencia del inventario y anticipar la demanda del consumidor y del canal.
“Nuestra colaboración con Microsoft es una pieza fundamental de nuestra estrategia de transformación, ya que nos brinda el aprendizaje automático y el análisis avanzado para impulsar la innovación y la eficiencia en toda la cadena de suministro para que podamos lanzar productos al mercado más rápido, servir mejor a nuestros clientes y, en última instancia, cumplir con la demanda sostenida y creciente de los consumidores que nuestras marcas icónicas continúan experimentando”, dijo Carlos Abrams-Rivera, vicepresidente ejecutivo y presidente para América del Norte de Kraft Heinz, en un comunicado.
Una pieza central de la colaboración es la Torre de control de la cadena de suministro de Kraft Heinz. Impulsado por las capacidades de análisis de datos, IA e IoT de Azure, proporcionará visibilidad en tiempo real de las operaciones de la planta y la automatización de la distribución de su cadena de suministro en las 85 categorías de productos de la empresa.
“Los últimos dos años han resaltado la necesidad urgente de soluciones de cadena de suministro que prioricen lo digital en todas las industrias”, dice Judson Althoff, vicepresidente ejecutivo y director comercial de Microsoft.
Cuantos más datos mejor
Varios proveedores de tecnología están abordando el entorno cambiante de la cadena de suministro de manera similar. “En general, Infor se está volcando más hacia la inteligencia artificial y el aprendizaje automático”, dice Valerie Tardif, vicepresidenta de gestión de productos para el grupo de cadena de suministro de Infor, que proporciona software de planificación de recursos empresariales (ERP).
Cuanto mayor sea la visibilidad de la cadena de suministro que logren los procesadores de alimentos y bebidas, más eficiente será la manufactura de productos de mayor calidad.Foto cortesía de DelmiaWorks
Sin embargo, la entrada para el aprendizaje automático se ha basado tradicionalmente en datos anteriores, lo que dificulta el manejo de los eventos cisne negro que han prevalecido en los últimos años. Una forma en que Infor maneja mejor las interrupciones raras e inusuales es detectar tendencias con más que los propios datos internos del cliente.
El procesamiento de alimentos y bebidas requiere muchos insumos (todas las materias primas, por ejemplo) que pueden provenir de muchos proveedores diferentes. Cada material tiene su propia vida útil y cada proveedor puede estar usando un método de transporte diferente para llevar ese material a un procesador. La cadena de suministro es compleja y está influenciada por numerosos factores, algunos muy alejados de lo que es evidente utilizando la información interna propia de una línea de proceso.
Para reflejar mejor esta realidad, Infor trae señales de mercado, como los precios del petróleo, que afectan la demanda. Otros factores que se introducen en el sistema de aprendizaje automático son señales como patrones climáticos junto con interrupciones geográficas o políticas. “Ahora tenemos un modelo que incorpora todo eso y predice con mucha más precisión en función de esas señales, lo que reduce el peso de los datos anteriores”, dice Tardif.
Obtener los datos correctos
El aprendizaje automático requiere la mayor cantidad de datos posible durante la fase de entrenamiento. Tratar con cantidades masivas de datos y buscar patrones en ellos significa que el sistema necesita grandes cantidades de recursos informáticos durante este tiempo. Sin embargo, una vez construido, un modelo generalmente requiere mucho menos poder de cómputo para escanear los datos entrantes en busca de una señal reveladora. La tecnología de la nube permite una fácil expansión o contracción de los recursos informáticos y de almacenamiento.
Es importante que los datos utilizados para construir el modelo estén limpios, advierte Surenian de Plex. Siempre habrá algo de ruido y error, aunque la automatización de la entrada de datos y la reducción del mantenimiento manual de registros eliminarán algo de eso. Los sistemas de aprendizaje automático en realidad pueden limpiar los datos de entrada, mejorando así el rendimiento de la predicción, agrega.
Probar el sistema en eventos fuera de los datos de entrenamiento puede ayudar a validarlo, señala Surenian. Por lo tanto, los usuarios pueden ejecutar el modelo con datos anteriores y ver qué tan bien predice el historial conocido. Alimentar un modelo con más datos lo refina aún más, y este ciclo de mejora puede repetirse una y otra vez.
Ningún modelo es perfecto, por lo que un enfoque basado en el aprendizaje automático podría ser solo marginalmente mejor en las predicciones en comparación con lo que logra otro enfoque, como el uso de datos históricos. Sin embargo, un pequeño aumento en la precisión podría valer la pena.
“Incluso una mejora del 1% en la precisión al proyectar lo que puede suceder tiene un efecto cascada en la eficiencia, la productividad, el margen bruto, etc.”, dice Surenian, y agrega que esto puede ser particularmente beneficioso en la industria de alimentos y bebidas porque los márgenes de ganancia tienden ser apretado
Al igual que la cosa real
Los gemelos digitales llevan los datos, la IA y el aprendizaje automático a otro nivel. Al aprovechar la tecnología en la nube, estas réplicas digitales de los sistemas del mundo real pueden permitir la digitalización de toda la cadena de suministro de extremo a extremo, monitoreándola en múltiples niveles, señala Veerina de ParkourSC. La incorporación de inteligencia en los gemelos digitales genera transparencia y permite la colaboración.
“Cualquier variación o interrupción de los planes se puede identificar y marcar rápidamente”, dice. “Mejor aún, el uso de gemelos digitales para modelar escenarios en los que pueden ocurrir interrupciones permite a las organizaciones prepararse para ellas de manera proactiva”.
La asociación que Kraft Heinz anunció con Microsoft también incluye un plan para gemelos digitales.
La tecnología puede ayudar a los procesadores a lidiar con las interrupciones de la cadena de suministro mediante la aplicación del aprendizaje automático, el uso de gemelos digitales y otras tecnologías innovadoras.Foto cortesía ParkourSC
El procesador de alimentos está creando gemelos digitales para sus 34 instalaciones de fabricación propias en América del Norte para ayudar a probar y perfeccionar soluciones antes de aplicarlas en la planta.
Impulsada por Azure Digital Twins, la tecnología ayudará a predecir los resultados que identifican la capacidad óptima del producto y reducen las interrupciones mecánicas al abordar los problemas de manera proactiva antes de que ocurran.
Asimismo, los gemelos digitales podrían usarse para explorar qué podría pasar si hubiera nuevos bloqueos en todo el mundo debido al COVID-19, grandes inundaciones o incendios en los Estados Unidos. Causados por el cambio climático, interrupciones en el suministro de materias primas como el trigo o el girasol. Petróleo por la guerra de Ucrania con Rusia, o por cualquier otro escenario que se presente. Esta prueba de estrés virtual de la cadena de suministro puede señalar debilidades y sugerir acciones para abordarlas antes, durante y después de un evento.
Los gemelos digitales, como cualquier simulación del mundo real, son más útiles cuanto más se acercan en términos de comportamiento a la cosa real. Al proporcionar un amplio almacenamiento y poder de cómputo de manera rentable, la tecnología de nube permite gemelos digitales más detallados, haciéndolos mejores para imitar a sus contrapartes físicas.
IoT, otra tecnología que llama la atención, desempeña un papel en la resolución de problemas de la cadena de suministro porque los sensores de IoT recopilan y comunican datos, y esta información es fundamental para generar una evaluación completa y precisa de la fabricación y distribución de productos. Tanto el aprendizaje automático como los gemelos digitales se benefician de estos datos.
Todos los análisis de la cadena de suministro parten de los mismos datos básicos, señala Surenian. “Todo lo que estamos hablando comienza con el sistema de transacciones de una empresa”, dice.
La información de este sistema hace posibles investigaciones tales como mirar la lista de materiales de un producto y descubrir la contribución de cada ingrediente o componente a los ingresos generados por ese producto. Armadas con este conocimiento, las empresas pueden observar el abastecimiento de esos insumos y determinar qué insumos parecen estar en buena forma y cuáles parecen inestables, evaluando de esta manera la salud de la cadena de suministro. Tal análisis podría cambiar por completo la forma en que una empresa reduce el riesgo, dice Surenian, porque podría mostrar que lo que parece un componente poco importante y económico en realidad podría ser crítico.
La colaboración es esencial
Las tecnologías también pueden ayudar a que las cadenas de suministro se vuelvan resistentes al combinar una variedad de funciones para mejorar la visibilidad de los datos. El software de DelmiaWorks, por ejemplo, integra ERP con la funcionalidad del sistema de ejecución de fabricación (MES), lo que brinda visibilidad de extremo a extremo en toda la cadena de suministro, dice Louis Columbus, gerente senior de marketing de la industria de DelmiaWorks.
Pero la tecnología por sí sola no es suficiente. “Las empresas de alimentos y bebidas también deben crear asociaciones de colaboración más sólidas con los proveedores y ser transparentes con ellos para crear más confianza”, dice. “El objetivo debe ser compartir la propiedad de los desafíos actuales con sus proveedores para que puedan actuar como un equipo, reduciendo el riesgo en el proceso”.
Lograr ese tipo de cooperación estrecha puede ser un desafío. La fabricación basada en stock podría implicar un inventario destinado a muchas partes, y el procesamiento se lleva a cabo en muchos sitios diferentes, señala Tardif de Infor. Esta combinación de diferentes cadenas de suministro significa que parte de ese inventario podría ir a los procesadores de alimentos que son competidores.
Naturalmente, entonces, los procesadores intermedios podrían ser reacios, o incluso tener prohibido por contrato, revelar muchos detalles. Pero incluso si la información disponible es solo números de envío junto con cifras generales de producción y materias primas compradas, compartir podría ser beneficioso, según Tardif. “Ayuda”, dice, y agrega que el intercambio de información relacionado con las cadenas de suministro funciona mejor cuando se trata de una transacción bidireccional. Es un quid pro quo”.
La visibilidad limitada de la cadena de suministro conduce a problemas tales como fuentes aparentemente separadas que en realidad dependen de un solo proveedor, con este único punto de falla quizás a varios pasos del propietario de la marca de alimentos. Un ejemplo es lo que sucedió recientemente con el aceite de cocina, con el precio del aceite de oliva, girasol y otros aceites duplicándose o triplicándose, si es que están disponibles. Esto sucede en todos los aceites de cocina a medida que los fabricantes comienzan a sustituir otros aceites en sus productos. Los problemas resultantes afectan los alimentos, la higiene y los productos de cuidado personal que usan estos aceites.
El software de seguimiento y localización puede encontrar esos puntos de falla ocultos al examinar el movimiento de ingredientes, materiales, ensamblajes y componentes a través de una cadena de suministro, dice Columbus. Por lo general, este enfoque implica capturar todos los eventos, incluidos todos los puntos de transición en la cadena de suministro. En el procesamiento de alimentos y bebidas, el seguimiento y localización brinda la ventaja adicional de desempeñar un papel en detener el uso de ingredientes falsificados.
Sin embargo, llegar a este nivel de información es difícil y requiere mucho tiempo. Las organizaciones más pequeñas pueden carecer de influencia en el mercado para presionar a los proveedores a revelar información o pueden no tener el personal para hacer uso de la información de la transacción si se obtiene. “Las redes de la cadena de suministro son complejas y muy pocas organizaciones pueden rastrear su cadena de suministro más allá de los proveedores de nivel 1”, dice Columbus.
Para aumentar la resiliencia de la cadena de suministro, aboga por seguir una estrategia de múltiples fuentes, con interdependencias de mapeo tecnológico de la cadena de suministro. Las fuentes secundarias podrían ser domésticas o al menos cercanas a la costa como una forma de mejorar la visibilidad, el tiempo de respuesta y el control. Las tecnologías de seguimiento y localización pueden ayudar a evaluar la compensación entre comprar a un proveedor cercano versus a un proveedor remoto.
Además de las innovaciones tecnológicas, Tardif apunta a un cambio que se está produciendo de una filosofía “justo a tiempo” a una filosofía “por si acaso”, una observación que se hace eco de otros en la industria. Tal cambio implica un cambio en los objetivos corporativos, lo que requiere modificaciones tales como permitir que aumenten los niveles de inventario. Sin embargo, este ajuste a las prácticas anteriores también debería alinearse con otros objetivos, como cumplir con los objetivos de sostenibilidad, dice Tardif. Una vez que un procesador realiza un cambio de este tipo en un objetivo por si acaso, la tecnología puede ayudar a optimizar la cadena de suministro.
Por lo tanto, el aprendizaje automático, los gemelos digitales, la nube, IoT y el software de seguimiento y localización no son la solución total para los desafíos de la cadena de suministro, pero son piezas fundamentales para arreglar la cadena de suministro. “Los sistemas de tecnología de la información y la automatización son la base del éxito”, afirma Columbus.
