Problemas na cadeia de suprimentos? Analytics pode ser a resposta

Os problemas da cadeia de suprimentos continuam a atormentar as organizações em todo o mundo e em praticamente todos os setores. Para alguns, aproveitar as ferramentas de dados e analytics está provando ser uma maneira eficaz de enfrentar os desafios.

As interrupções nas cadeias de suprimentos globais devido à pandemia de Covid-19 foram significativas. Como observa a consultoria Deloitte, a livre circulação e operação de pessoas, matérias-primas, produtos acabados e operações fabris foram frustradas. “As cadeias de suprimentos diretas enfrentaram desafios e, portanto, ampliaram os parceiros da cadeia de suprimentos, como fornecedores terceirizados e os ‘fourth-party’ – os fornecedores dos fornecedores”, diz a empresa.

As empresas enfrentam vários riscos ao longo de suas cadeias de suprimentos, diz a Deloitte, incluindo ciclos de vida de produtos mais curtos e mudanças rápidas nas preferências dos consumidores; aumento da volatilidade e disponibilidade de recursos; aumento da fiscalização regulatória e penalidades por descumprimento; e a mudança dos cenários econômicos com a consolidação significativa de fornecedores.

A tecnologia não pode resolver todos os problemas da cadeia de suprimentos. As mercadorias precisam ser produzidas e movidas de um ponto a outro. Mas as ferramentas de análise mais recentes, alimentadas por algoritmos de machine learning, podem ajudar as empresas a prever a demanda com mais eficiência, permitindo que elas ajustem as operações de produção e remessa.

Veja como três organizações estão conseguindo usar o data analytics para melhorar as operações da cadeia de suprimentos.

Melhorar as operações e o relacionamento com os fornecedores

A Optimas Solutions, fabricante e distribuidora de fixadores, está usando o data analytics em três áreas críticas para melhorar as operações e relacionamentos com seus fornecedores e clientes, diz Mark Korba, Vice-Presidente de Cadeia de Suprimentos e Inteligência de Negócios da empresa.

Primeiro, a Optimas está usando o data analytics internamente para várias funções, incluindo aquisição de material para fabricação; previsão de produção e demanda de clientes; melhoria da eficiência e precisão com pedidos de fornecedores; e gestão de seu estoque.

Tudo isso ajudou a Optimas a gerenciar e reduzir os custos gerais, permitindo que ela tomasse decisões mais inteligentes, “tornando nossas cadeias de suprimentos mais eficientes e melhorando o gerenciamento geral de caixa”, diz Korba.

Em segundo lugar, a Optimas está usando o data analytics para ajudar a colaborar melhor com seus clientes empresariais para reduzir custos e gerenciar melhor seus estoques. A análise também está ajudando a empresa a prever melhor a demanda e o consumo. “A capacidade de realizar esses tipos de análises ajuda a reduzir custos de forma consistente”, diz Korba.

Por fim, a Optimas usa analytics para melhor colaborar com os fornecedores. “Ao entender e gerenciar a demanda, especialmente a demanda de clientes individuais, fornecemos dados de previsão mais precisos aos fornecedores e gerenciamos melhor nossos pedidos para que eles possam trabalhar com mais eficiência para nós”, diz Korba.

A empresa está usando uma plataforma chamada Service Optimizer 99+, da ToolsGroup, para planejamento de demanda, otimização de estoque e planejamento de reabastecimento. A plataforma se integra bem com o pacote de planejamento de recursos empresariais (ERP) NetSuite da Optimas para alavancar os dados da cadeia de suprimentos, diz Korba.

“Muitas vezes as pessoas pensam na cadeia de suprimentos como uma coisa e não é”, diz Korba. “Pensamos na cadeia de suprimentos como a soma de várias partes de toda a operação de negócios – desde o entendimento da demanda do cliente até o gerenciamento e fabricação de materiais ou fornecimento e compra, logística e transporte, gerenciamento de estoque e pedidos de reposição automatizados na Optimas e na localização dos nossos clientes”.

A chave para o sucesso é a capacidade de todas as ferramentas da cadeia de suprimentos que a empresa usa para trabalhar em conjunto, para ajudar a manter os clientes adequadamente abastecidos e gerenciar melhor os custos, a demanda, o estoque, a produção e os fornecedores. As informações fornecidas por meio de analytics precisam abordar questões financeiras, como fluxo de caixa e preços no lado da oferta e da demanda.

“No geral, os problemas da cadeia de suprimentos que todas as ferramentas abordam – seja trabalhando em conjunto ou individualmente – melhoram a eficiência, a precisão do gerenciamento de estoque do cliente, as relações com fornecedores, a economia de custos e a capacidade de prever com mais precisão e rapidez”, diz Korba. “O data analytics nos ajudou a ganhar visibilidade em toda a organização, mesmo em lugares que nunca imaginamos, como melhor precisão com nosso ciclo de conversão de caixa, classificação da capacidade de resposta do fornecedor, análise do tempo de execução da tarefa ou avaliação da capacidade de nossos clientes e da Optimas”.

Os dados da cadeia de suprimentos não precisam necessariamente residir em um único local, diz Korba. “É importante entender quais sistemas ou serviços externos podem ajudá-lo a coletar e analisar os dados de que você precisa, para que possam se tornar informações úteis para a tomada de decisões”, diz ele.

Por exemplo, o uso de índices de preços para materiais como aço e embalagens ou custos de mão de obra e transporte são úteis para determinar quando são necessários aumentos de preços. “O melhor acesso às informações, dentro ou fora da organização, permite uma melhor tomada de decisão para a Optimas e nossos clientes e fornecedores”, diz Korba.

À medida que a Optimas se tornou mais diligente em relação ao data analytics, “nossos clientes e fornecedores se beneficiam de melhorias marcantes em várias áreas, incluindo melhor visibilidade de toda a cadeia de suprimentos”, diz Korba.

Prever a demanda de produtos e as necessidades de estoque com mais eficiência

A CarParts.com, que vende peças automotivas on-line, está usando ferramentas avançadas de data analytics e algoritmos de machine learning para prever melhor a demanda de produtos e as necessidades de estoque.

“Novos recursos de data analytics nos permitem ser mais precisos ao prever a demanda para cada cidade [e] região do país”, diz Stanislav Tatarzuk, Vice-Presidente de Planejamento e Previsão de Estoque.

A empresa usa modelos derivados de machine learning para descobrir onde colocar o estoque em sua rede de centros de distribuição, o que permite aproximar os produtos dos clientes que os desejam e poder entregar peças mais rapidamente, além de economizar nos custos de envio.

A CarParts implantou uma plataforma da Databricks que permite centralizar todos os dados relacionados a pedidos de produtos e estoque e aplicar analytics aos dados. Também está aproveitando bibliotecas de código aberto como XGBoost e Prophet; uma variedade de ferramentas de analytics; e Apache Airflow, uma plataforma de gerenciamento de fluxo de trabalho de código aberto, para engenharia de dados e automação de relatórios.

Um dos benefícios de usar analytics para gerenciar melhor a cadeia de suprimentos é a otimização do envio. “As questões de onde enviar e como consolidar dentro de uma caixa são complexas”, diz Tatarzuk. “O uso de dados ao vivo de nossos parceiros de envio, bem como de nossos armazéns, nos permite ser o mais eficiente possível ao usar análises avançadas para otimizar o envio de pedidos de vários itens”.

Isso permite que a empresa leve os itens aos clientes mais rapidamente, reduzindo as despesas de envio. O uso desse processo permitiu à CarParts obter economias significativas, diz Tatarzuk, embora não tenha fornecido detalhes.

Outro benefício é a otimização do armazém. “Ser capaz de reduzir as despesas trabalhistas e o tempo de envio é uma necessidade absoluta no ambiente de aumento salarial de hoje”, diz Tatarzuk. “Estamos criando modelos para posicionar corretamente o estoque em todos os nossos centros de distribuição, para reduzir o tempo de separação e armazenamento, ao mesmo tempo em que criamos clusters de alta densidade que reduzem as velocidades de coleta”.

O data analytics ajudou a empresa a lidar com as interrupções nas cadeias de suprimentos causadas pela pandemia, permitindo ver mudanças na demanda e aumentar os prazos de entrega nos estágios iniciais da crise da cadeia de suprimentos e reagir mais rapidamente do que seus concorrentes.

Apoiar uma cadeia de suprimentos cada vez mais complexa

A provedora global de tecnologia Lenovo vem enfrentando os desafios de sua cadeia de suprimentos global devido à pandemia, aproveitando a tecnologia avançada de previsão e data analytics, diz Arthur Hu, Vice-Presidente Sênior e CIO.

A cadeia de suprimentos da Lenovo já se concentrou principalmente em logística, fluxo de informações e fluxo de negócios, diz Hu. Mas a transformação da empresa em um provedor de tecnologia de serviço completo “significa que nossa cadeia de suprimentos, antes focada principalmente em dispositivos, tornou-se cada vez mais complexa, com demandas de clientes mais diversificadas, produtos mais complexos e a necessidade de operações e serviços mais eficientes e ágeis”, diz.

No ano passado, a equipe da cadeia de suprimentos trabalhou com 2.000 fornecedores para entregar mais de 130 milhões de dispositivos Lenovo.

Dada a mudança, a equipe da cadeia de suprimentos da empresa decidiu reformular suas operações, adotando uma abordagem de “transformação inteligente”. “Uma equipe multifuncional trabalhou para transformar as operações da cadeia de suprimentos da Lenovo em um ecossistema inteligente e orientado a dados”, diz Hu. “O novo sistema fornece dados em tempo real, análise inteligente e suporte à tomada de decisões que permitem que nossos negócios cumpram suas promessas aos clientes de forma mais eficaz e eficiente do que nunca”.

A empresa construiu um sistema Cost Forecasting Engine (CFE) para fornecer previsões mais rápidas e precisas para os custos de aquisição, fabricação e vendas em todas as operações da cadeia de suprimentos.

Usando o sistema em combinação com regressão linear e XGBoost (eXtreme Gradient Boosting), uma biblioteca de software de código aberto que atua como um algoritmo de machine learning, os gerentes da Lenovo podem estabelecer o limite máximo e mínimo para evitar extremos que afetam a precisão dos custos.

A tecnologia pode fazer comparações de custos para reduzir o impacto das flutuações de custos mensais para componentes de hardware e fornecer uma base para os gerentes tomarem decisões de estratégia de negócios, diz Hu.

O CFE agora oferece suporte à previsão de custos de aquisição e produção para mais de 70% de toda a cadeia de suprimentos global da Lenovo, diz Hu, além de previsão de custo de venda para mais de 90% da cadeia de suprimentos. Em comparação com a manutenção manual de custos, a eficiência da previsão de custos do ciclo melhorou em cerca de 12%. A taxa de precisão de custo permanece em torno de 95%, diz ele.