Agilent Technologies - Planificación de la demanda para empresas

La implantación de GIB Forecast permitió al departamento de patología de Agilent sustituir los procesos basados en correo electrónico y hojas de cálculo por una solución automatizada y preparada para el futuro.

Agilent Technologies produce instrumentos analíticos, software y consumibles para su uso en ciencias de la vida y otros laboratorios. La empresa ha crecido espectacularmente en los últimos años, tanto en zonas geográficas nuevas como en las ya existentes. Además del crecimiento orgánico, Agilent ha adquirido varias empresas para añadir capacidades a su cartera analítica.

Este crecimiento ha hecho que la división de patología de Agilent, en particular, haya experimentado una rápida expansión de las ventas, pero también ha puesto de manifiesto que la división había superado sus prácticas de planificación de la demanda, que eran en gran medida manuales y se basaban en software de productividad de escritorio, en lugar de en una verdadera solución empresarial.

Impulsada por la necesidad de dar un mejor soporte a su cartera de demanda en expansión, la división decidió implantar una solución con mayor capacidad de ampliación y un modelado estadístico más flexible. Al aumentar la eficacia y sofisticación de su planificación de la demanda y, por tanto, de las previsiones, Agilent se propuso optimizar los inventarios, la disponibilidad de los suministros y la planificación de la capacidad.

Descubrir los requisitos para una cadena de suministro más inteligente

La metodología de la división basada en hojas de cálculo incluía muchos pasos manuales que añadían poco valor pero consumían muchos recursos, lo que mermaba la eficiencia operativa.

Los analistas ejecutaban consultas en SAP ERP Central Component (ECC) y descargaban los datos en bases de datos de Microsoft Access, que luego reformateaban y transferían a hojas de cálculo para su análisis con fórmulas y macros. A medida que las consultas crecían, las descargas de datos se hacían prohibitivamente lentas y las caídas de las bases de datos Access se hacían más frecuentes. El análisis en sí se limitaba a operaciones relativamente sencillas, como el cálculo de medias numéricas. Los métodos algorítmicos más sofisticados, así como factores como la estacionalidad y las tendencias, iban más allá de lo que podía implementarse prácticamente en una hoja de cálculo.

Distinguir entre eventos puntuales y tendencias a largo plazo se identificó como una capacidad de previsión clave que debía mejorarse. Por ejemplo, la pandemia de COVID-19 modificó casi instantáneamente el mercado mundial de una forma sin precedentes y con efectos a largo plazo poco claros. Al igual que muchas empresas de todo el mundo, Agilent experimentó una drástica caída de las ventas hacia finales del primer trimestre de 2020, a medida que las economías reaccionaban.

Este acontecimiento fue en gran medida un ejemplo -aunque excepcional- de una anomalía de la demanda, más que de un cambio a largo plazo. La división tuvo que asegurarse de que sus modelos de previsión no ponderaban erróneamente esos acontecimientos dramáticos como un cambio estacional o un punto de inflexión permanente. Fasco sugiere que su modelo de previsión heredado se habría quedado corto: "Habríamos identificado estos valores atípicos, pero habría sido a través de un proceso manual muy lento. Habría visto las caídas de marzo y abril, y podría haber dicho: 'Voy a planificar que no vendas tanto en marzo y abril de 2021', pero eso no es exacto. Podría haber sido un descenso debido a la pandemia"

Al mejorar los métodos estadísticos para generar previsiones, la empresa planeó afinar sus conductos de producción y distribución para ser lo más proactiva y eficiente posible. La mejora de la visibilidad y el control de los cálculos estadísticos que intervienen en la planificación de la demanda constituyen el núcleo de estos requisitos.

La ciencia de los datos proporciona enfoques y ajustes matemáticos que pueden ayudar a evitar esos errores, pero las hojas de cálculo no se crearon para esa profundidad de análisis. Fasco señala que una función importante del planificador de la demanda es aplicar su profundo conocimiento de los productos y mercados para perfeccionar la precisión y utilidad de las previsiones. Para ello, dice, "hay bastantes cosas que pueden hacer para afinar realmente la previsión"

Los analistas pueden manipular los datos históricos que se utilizan, hacer ajustes para responder a las condiciones actuales del mercado o controlar una amplia gama de otros factores. Aunque hacerlo añade necesariamente una capa de complejidad a los cálculos, las formas estandarizadas y eficientes de manipular los modelos estadísticos siguen siendo una capacidad importante en la caja de herramientas del analista. El equipo de Agilent determinó que la capacidad de utilizar plenamente estos métodos estadísticos era fundamental para el éxito de su solución de previsión.

Uniendo los casos de negocio y tecnología

En todo el mundo, la empresa opera con una única instancia de SAP ECC en unas 25 plantas de fabricación y 15 centros de distribución, así como en almacenes y depósitos de servicio ampliamente distribuidos. La huella de la cadena de suministro de SAP en Agilent también incluye el software de aprovisionamiento SAP Ariba, SAP Manufacturing Execution, SAP Advanced Planner and Optimizer y otras soluciones, en operaciones como el aprovisionamiento, la planificación de la demanda y la planificación de la producción.

Para ejecutar y mantener la mejor planificación de la demanda posible para respaldar la estrategia de crecimiento basada en adquisiciones de la empresa y su impacto en su división de patología, Agilent necesitaba lo que Fasco describe como "una herramienta profesional para impulsar las actualizaciones de las previsiones basadas en hechos y análisis"

Para una mayor inteligencia y control de la cadena de suministro, Agilent ya había integrado varios módulos de GIB con su entorno SAP. GIB Operations desempeña un papel especialmente importante en la planificación de necesidades de material (MRP) para garantizar la fluidez de las operaciones diarias. "Utilizamos GIB Operations para las excepciones de MRP y el aprovisionamiento operativo. Funciona esencialmente como una cabina para que el controlador de MRP vea la oferta/demanda a través de múltiples centros logísticos y plantas de fabricación". Actualmente, la empresa utiliza GIB Inventory Optimization en un solo centro, para revisar los niveles de suministro e inventario del día. El monitor de alertas de GIB enlaza todos los componentes de GIB, proporcionando al controlador un mejor conocimiento de la situación y revelando posibles retrasos y carencias en una cuadrícula completa"

La inversión existente de Agilent en GIB ayudó a la división de patología a crear una sólida base tecnológica y de negocio para la adopción de GIB Forecast para la planificación de la demanda. El equipo de Agilent reconoció que la facilidad de integración ofrecía una ventaja convincente, sin requerir hardware dedicado ni la adopción de interfaces de programación de aplicaciones (API) desconocidas. Además, GIB Forecast se carga directamente en SAP ECC sin introducir una interfaz separada, de modo que desde el punto de vista de los usuarios de negocio, GIB es simplemente parte del entorno SAP familiar con el que ya trabajan todos los días.

Agilización y profundización del proceso de planificación de la demanda

Tras unos seis meses de implantación, la división de patología de Agilent puso en producción GIB Forecasting. Uno de los primeros resultados fue que los usuarios de negocio de la división ya no tenían que preparar manualmente y cruzar los datos de hojas de cálculo masivas, un proceso intensivo en recursos que se escala mal. Liberados de esas tareas repetitivas, los miembros del equipo pueden centrarse más en el trabajo de mayor valor. Antes de que intervenga el personal humano, los procesos automatizados han cargado los datos y ejecutado modelos de previsión y análisis de valores atípicos. Según Fasco, "simplemente aparecen y pueden empezar a realizar tareas de valor añadido para obtener los datos correctos"

Una vez preparada la información y realizado el análisis preliminar, los miembros del equipo pueden centrarse en perfeccionar los modelos para obtener los mejores resultados posibles. Los analistas de negocio pueden ajustar los procedimientos de previsión o manipular los parámetros para orientar el comportamiento del modelo. Así, los miembros del personal de la división de patología pueden redirigir su atención de la preparación de datos al modelado de datos, ofreciendo más valor a la empresa en general.

La implementación de la previsión de la división también permite una modalidad de autoservicio para los superusuarios empresariales. Estos usuarios pueden realizar cambios de configuración directamente en el sistema de producción para modificar los procedimientos de previsión, sin que intervenga el departamento de TI. Además de capacitar a las unidades de negocio, este enfoque acelera el ritmo del cambio, de modo que la planificación de la demanda realizada por la división puede adaptarse rápidamente a las circunstancias, guiada por las personas que mejor conocen esos datos.

Un mayor control del proceso por parte de los usuarios de negocio es un beneficio significativo para la división de patología de Agilent como resultado de su reciente implantación de GIB, que crea visibilidad y continuidad de extremo a extremo sobre el ciclo de vida de las previsiones. Cualquiera con autorización puede examinar una previsión para ver qué modelo y datos se utilizaron para generarla, así como añadir datos sobre acontecimientos relevantes, como una feria o una promoción de ventas. Así, por ejemplo, afirma Fasco, "ahora hay total transparencia entre lo que el planificador de la demanda hace con los datos y lo que el planificador real -un planificador de la producción, por ejemplo- va a hacer para ejecutar ese plan"

Agilent denomina a esta cualidad de la integración "conversión natural", de la planificación a la ejecución. A nivel práctico, el enfoque ha sido especialmente valioso para mantener y ajustar las previsiones de la división en el transcurso de un mes. El módulo de monitorización de alertas de GIB permite a los usuarios de negocio crear alertas personalizadas que les informan cuando los resultados reales están fuera de los rangos establecidos en relación con la previsión. Agilent utiliza esas alertas para orientar los ajustes dinámicos de las previsiones que afinan la producción en aras de la rentabilidad.

Conclusión

La mayor sofisticación de las previsiones y la transparencia de los procesos dentro de la división de patología han permitido la colaboración y el consenso entre las unidades de negocio, que miran juntas hacia el futuro. La modernización de la planificación de la demanda ha mejorado los procesos y capacitado a los usuarios. Los analistas pueden mejorar fácilmente las previsiones con consideraciones del mundo real, mientras que los usuarios de distintas funciones pueden incorporar aportaciones de todas las unidades de negocio. Como resultado, las previsiones se basan en una visión más completa del negocio, creando en última instancia una visión más matizada y precisa del futuro, para una mayor eficiencia.