Gracias a la teoría de grafos y al machine learning, es posible no sólo incrementar la visibilidad sobre su red de proveedores y modelizar los flujos entre los diferentes actores, sino también automatizar la detección de riesgos potenciales a lo largo de toda la cadena. Ello permitiría ayudar a la decisión de los responsables SC para identificar las amenazas, redefinir las estrategias, gestionar los imprevistos y pilotar las redes de proveedores en unos clics.
Como lo define el profesor Martin Christopher en su obra «Logistic and Supply Chain Management», la cadena de aprovisionamiento no es exactamente una cadena sino más bien «una red de organizaciones conectadas e interdependientes que trabajan juntas y en cooperación para controlar, gestionar y mejorar el flujo de materiales e informaciones de los proveedores a los usuarios finales». De hecho, las organizaciones están relacionadas actualmente con otros socios: proveedores, subcontratistas, co-contratistas, distribuidores… Las interdependencias y las conexiones son cada vez más numerosas y complejas, especialmente por la mundialización de la economía y la tendencia a la subcontratación de algunas tareas. De hecho, las redes de proveedores son flexibles, abiertas e hiperconectadas, lo que lleva a fragilizar el sistema y hace evolucionar las organizaciones en medios turbulentos. En algunas industrias como la aeronáutica, la automóvil o la ferroviaria, el número de actores distintos en el seno de una misma cadena de aprovisionamiento puede llegar a varias decenas de miles, repartidos en diferentes niveles, según el número de intermediarios con el cliente final.
Ninguna visibilidad más allá del rango 2
La experiencia sobre el terreno nos muestra que los gestores Supply Chain sólo tienen, en regla general, una visión extremadamente local y limitada a los proveedores de primeros rangos. Difícil en esas condiciones anticipar los riesgos, reaccionar rápidamente y minimizar los impactos, ya que la información de falla de un proveedor de rango superior a tres nunca puede transmitirse al cliente final antes de que aparezcan problemáticas de existencias o de entregas. Existe, sin embargo, un medio de obtener una visión del conjunto de la red de proveedores, incluyendo a todos los actores y flujos, así como su estado, recurriendo a métodos y herramientas matemáticas. Se trata, para ello, de comprender y formalizar la red de proveedores con ayuda de estructuras matemáticas que van a modelizarlo. A continuación, este modelo podrá manipularse y estudiarse, recurriendo a diferentes herramientas y teorías.
La ayuda de la teoría de grafos
Una de las teorías matemáticas dedicadas al estudio de las redes es la teoría de grafos, que son modelos sencillos de redes que relacionan objetos. Esos modelos están constituidos de puntos llamados vértices y de enlaces entre esos puntos llamados aristas, pudiéndose representar también en forma de matrices binarias. Una red de proveedores puede representarse con un grafo al que autorizamos las aristas múltiples entre los vértices, así como una noción de coloración de los nodos (diferentes tipos de actividades de las empresas) y de las aristas (diferentes tipos de flujos). Esos grafos pueden, a su vez, representarse con una generalización de matrices binarias, llamadas tensores. El tensor es el elemento de entrada que permite a funciones basadas en bibliotecas gráficas transformarlo en grafo, permitiendo una explotación visual de los datos. Así, actualmente somos capaces de representar la totalidad o parte de una red de proveedores, ya que el enfoque propuesto nos permite modelizar el conjunto de las actividades de los actores de la red, así como los flujos materiales e inmateriales que rigen la cadena.
Deducir los enlaces en la red
Para construir este grafo de la red de proveedores, explotamos los datos que provienen de los ERP Cliente-Proveedores, que están cada vez más conectados, para deducir una base de informaciones sobre la red, consolidada con fases de auditorías clásicas realizadas por expertos de terreno. Otro eje interesante sería implementar un enfoque inspirado del big data para recuperar los vínculos entre los actores de la red, como los motores de sugerencias en los sitios e-commerce. Obviamente, sigue habiendo muchos límites vinculados por ejemplo con la buena voluntad de los proveedores para abrirse al resto de la red, a menudo bajo pretexto de problemáticas de confianza. Esta representación va a permitir ya informar acerca de la complejidad operativa de gestión de las redes de aprovisionamiento, pero sólo es una primera etapa hacia un mejor pilotaje de principio a fin de la Supply Chain.
Automatizar la detección de los riesgos
¿Cómo detectar lo antes posible la falla potencial de un proveedor, que podría afectar a la totalidad o a una parte de su red? Desde un punto de vista profesional, existen diferentes tipologías de amenazas (climáticas, catástrofes naturales, sociales, geopolíticas, financieras, etc.) que es muy difícil vigilar «manualmente», teniendo en cuenta el gran número de actores de la Supply Chain: el número de datos por observar, en un número de fuentes que no para de crecer, es demasiado importante y por consiguiente muy costoso. Una pista interesante es automatizar la detección de riesgos potenciales, especialmente en lo que respecta a las amenazas climáticas y catástrofes naturales. El machine learning (ML) parece muy apropiado: recuperar datos no estructurados disponibles en la web, prepararlos y, a continuación, pasarlos a través de modelos específicos para clasificarlos en categorías de riesgos. Si este enfoque produce efectivamente el resultado esperado, entonces podemos pasar a los demás tipos de riesgos creando modelos específicos por tipología.