El gobierno y gestión del dato en el ámbito logístico se ha demostrado como la piedra angular en la eficiencia de los procesos logísticos tanto durante los momentos más duros de la pandemia como en el contexto post-covid-19 en el que nos encontramos actualmente.
Esta preponderancia nace de la necesidad de disponer de datos que se conviertan en información y esta, a su vez, en conocimiento para poder tomar decisiones más eficaces en contextos altamente volátiles con demandas muy dinámicas de bienes y servicios.
Por otro lado, descubrir y conectar la información del negocio incorporando variables no solo logísticas, sino también financieras que añadan más veracidad a los sistemas de análisis de datos hace que el futuro de la dirección logística de las cadenas de suministro recaiga sobre las herramientas big data. Pero, entonces, ¿de dónde venimos y hacia dónde vamos respecto a la gestión de datos logísticos?
Análisis, Decisión y, Acción
Antes de pasar a describir la evolución de la información logística será conveniente conocer como es la estructura de la operativa logística que está formada por tres bloques perfectamente diferenciados.
El primer bloque corresponde al dirigido por el “dato” en donde a través del mismo podemos analizar diferentes escenarios informativos de acuerdo al grado de desarrollo tecnológico que se tenga en la organización. Hablamos de poder hacer análisis de tipo: descriptivo, predictivo, y prescriptivo.
En una segunda fase o bloque se encuentra la intervención humana (o artificial) para tomar decisiones en base a la información previamente analizada. El bloque de análisis no sirve de nada si no se utiliza el mismo para una toma de decisiones posterior.
Y, para finalizar, se encuentra el bloque de ejecución o acción para poner en marcha las decisiones tomadas a través de sus líneas o planes maestros de realización.
Una evolución exponencial en la gestión de la información
Se podría decir que en la actividad logística ha habido una evolución exponencial en la manera tanto de obtener como de tratar los datos generados por dicha actividad.
En sólo quince años, aproximadamente, se ha pasado de gestionar la información desde hojas de cálculo en formato Excel o base de datos en Access a, prácticamente, utilizar herramientas big data e, incluso, basar nuestros modelos de negocio logístico en el “data centric”, es decir, centrados únicamente en los datos.
Pero esta transformación, aunque rápida, ha tenido sus etapas. Estas distintas etapas se han ido implantando en las organizaciones en base a la adopción por parte de las mismas de la omnicalidad en llegar a nuestros clientes. Hace aproximadamente diez-quince años las vías de información para llegar a nuestros clientes o encontrar potenciales clientes, tenían una necesidad de tratamiento de datos muy diferente a la de hoy en día, comenzando por lo más importante, y es que , hace una década el mayor porcentaje de los datos generados por una organización eran datos estructurados, porcentaje este que en la actualidad casi se ha invertido, es decir, hoy en día son casi más los datos no estructurados de los que se obtiene la información más valiosa para nuestras actividades logísticas.
Las distintas etapas por las que ha pasado la información en la actividad logística se podrían resumir en cuatro:
Descriptiva (¿Qué ocurrió?).
Diagnóstico (¿Por qué ocurrió?).
Predictiva (¿Qué ocurrirá?).
Prescriptiva (¿Qué hacer si ocurre? o ¿Cómo podemos hacer que ocurra?).
En base a etapas podremos describir las evoluciones sucedidas:
1ª Evolución: De las hojas Excel y Access al Business Intelligence (BI).-
Las herramientas disponibles en ese momento estaban poco especializadas y eran de uso general para cualquier actividad de gestión empresarial, me refiero por supuesto a las hojas Excel y base de datos Access (o cualquier otro software que genera datos en registros y estandarizados). Estas herramientas, aunque muy útiles (con sus modalidades avanzadas de tablas dinámicas o programación en macros, por ejemplo) para el tratamiento de datos, lo eran bajo dos premisas.
La primera es que trabajaban con datos estructurados, de hecho, realizar manualmente una base de datos o una hoja de cálculo es hacer una estructuración de datos (literalmente, organizar los datos en matrices, con filas y columnas, misma fuente, mismo tamaño, etc.,).
La segunda, que es aún más importante que la primera, es que trabajaban con datos históricos que nos proporcionaban información pasada que nos ayudaba a entender qué había ocurrido a modo de espejo retrovisor logístico.
Pronto estas herramientas de tratamiento de datos se vieron necesitadas de instrumentos más visuales (uso de dashboard), con mayor poder de procesamiento y análisis (aunque poco) que filtraran la información más útil a aquellas personas que deberían de tomar decisiones. Es decir, que facilitaran la posibilidad de determinar por qué ocurrió determinado suceso en una actividad logística.,etc, es decir, poder realizar un diagnóstico más o menos certero de qué es lo que podría haber sucedido para obtener los datos recabados y presentados. Estas herramientas entraron dentro del conjunto denominado “Business Intelligence (BI)”.
Que supone trabajar con herramientas BI:
- Mayor capacidad de procesamiento de datos históricos.
- Mayor capacidad de análisis de la información procesada (aunque muy limitada)
- Presentar la información de forma muy visual y atractiva en formato cuadro de mando o tablero dashboard.
- Establece un modelo de qué es lo que pudo haber ocurrido con datos históricos.
- Se encarga de garantizar la disponibilidad de toda la información estructurada histórica disponible por parte de la organización.
2ª Evolución: Del Business Intelligence (BI) al Business Analytics (BA).-
En esta segunda evolución el evento fundamental es el aumento de capacidad de análisis y diagnóstico en base a modelos estadísticos que con BI no era posible realizar.
Que supone trabajar con herramientas (BA):
1) Presentar la información de manera visual e interactiva. En esta interactividad con los datos (usuario-herramienta) es donde recae la mayor evolución entre herramientas BA con respecto a las BI.
2) Mayor capacidad de análisis que en los sistemas BI pero siguen siendo off-line.
3) Nos dice por qué ocurrió un determinado evento en la cadena de suministro pero, también que ocurrirá con una limitada precisión ya que no trabaja con un gran volumen y heterogeneidad de datos.
4) Se incorporan modelos estadísticos que nos ayudarán a averiguar que ocurrirá a modo de previsión o pronostico a través de un diagnóstico previo de los datos.
3ªEvolución: Del Business Analytics (BA) al Big Data.-
La evolución radical de las herramientas Big Data a diferencia de las basadas en BI y de las BA es que se puede explotar al máximo la omnicalidad que hoy en día están poniendo en marcha las organizaciones, es decir, la capacidad de poder trabajar mejor, en tiempo y forma, con los datos disponibles por una organización ya que podremos tomar decisiones en tiempo real, de manera muy veloz, y de forma muy veraz ya que trabajaremos con datos estructurados y no estructurados que en su conjunto nos describirán un mapa más exacto del territorio o contexto logístico al que se enfrenta una compañía.
Que supone trabajar con herramientas Big Data:
A) Poder seguir utilizando las características principales de las herramientas anteriores (basadas en BI y BD) ya que el uso de herramientas Big Data no implica la supresión de estas en una organización, al revés, hace que aumenten su valor.
B) Crear modelos de predicción más fiables al contar con datos en tiempo real y con mayor heterogeneidad (más datos no estructurados).
C) En base a este mayor poder de predicción poder dar consejo o prescribir modus operandi a aquellos que tienen que tomar decisiones.
Hacia un modelo “Data Centric” en las cadenas de suministro
Hasta aquí, más o menos se ha descrito la evolución de la información en el ámbito logístico que se puede desarrollar en la actualidad. Pero, ¿qué es lo que viene? ¿Cuál será el futuro del tratamiento de la información en las cadenas de suministro?
Pues lo que viene será, seguramente, la adopción de un cambio en el modelo de negocio logístico haciéndolo “data centric”.
¿Y que es esto del Data Centric? Pues aunque a muchos no les guste es un giro total al paradigma sobre el que se basaba toda la estrategia informativa logística de una organización. ¿Y porque a muchos no les gusta el modelo Data Centric? Pues la respuesta es muy sencilla.
Casi todas las empresas van evolucionando o transformándose digitalmente en base a un escalamiento de las herramientas de tratamiento de información disponibles, es decir, unas herramientas se van impulsando, acoplando o implementando en función de las anteriores y en base a problemáticas concretas que van solucionando las distintas herramientas o Apps.
Esto, desde el punto de vista empresarial parece obvio y hasta cierto punto económicamente lógico. Ahora bien, desde el enfoque técnico no es beneficioso ya que supone aumentar la complejidad en el tratamiento del dato por parte de la organización ya que muchas herramientas no son 100% escalables entre ellas y esto supone en la práctica un tratamiento o transformación de datos intermedio que hace aumentar los tiempos de procesamiento y el coste de las operaciones de información ya que incurrimos, por ejemplo, en: duplicidad de datos, salirnos de una procesamiento de información en tiempo real, añadir repositorios o almacenes intermedios de información, etc.,
Todo esto hace que la organización pierda el foco en lo más importante que es su demanda real (es decir sus clientes) y que su estructura de información se quede anquilosada y sea poco flexible a cambios en la información recibida.
Entendido esto, ¿cómo funciona un modelo Data Centric? Un modelo data centric será una estructura estratificada de información en capas y concéntrica en cuyo núcleo estará el “dato” como punto de partida del tratamiento de la información. La diferencia fundamental será que todo dato será contemplado para la organización logística en la que se base el modelo. Además esto se podrá realizar en base a herramientas Big Data.
Una segunda capa concéntrica, que contendrá a la anterior será aquella destinada a la “inteligencia” del dato. Aquí se abandonará el concepto Big Data para pasar al análisis “smart data”, donde las herramientas de Machine learning y Deep Learning harán desarrollar la Inteligencia Artificial (AI) de la organización que permitirá la toma de decisiones automática (sin intervención humana en la mayoría de las ocasiones).
La tercera capa será la DaaS o Data as a Service. Una capa que gestionará el modelo de datos de la organización respecto a las distintas aplicaciones concretas que utilizará el modelo para cada una de las áreas informativas que necesite. Por así decirlo será el único punto de acceso de datos al modelo, dicho de manera excesivamente simplista, hará de filtro de datos para el modelo.
Y para finalizar la capa de Negocio o capa de Apps. Será la que se encargue de adquirir los datos concretos de cada parte del negocio. Por ejemplo, un CRM adquirirá todos los datos en referencia a los clientes de una organización. Esta capa será muy flexible ya que al ser la capa más exterior del modelo podrá intercambiar Apps de manera que los intereses de la organización cambien en referencia al tipo de información que se necesite recabar sin que se toque la estructura fundamental o columna vertebral del modelo. Evitando de esta manera duplicidades en la información, procesamientos intermedios, escalamiento entre Apps, etc.,
