Nas últimas décadas, as empresas procuraram tecnologia, fabricação enxuta e produção global para aumentar a eficiência e reduzir custos. Mas essas táticas estão levando a retornos decrescentes. No entanto, a atratividade dessa oportunidade está diminuindo à medida que as diferenças nos custos globais de fabricação entre países como a China e os EUA se restringiram nos últimos dez anos. (Ver
Many companies have moved production offshore, for instance. However, the attractiveness of that opportunity is diminishing as differences in global manufacturing costs between countries such as China and the U.S. have narrowed over the past ten years. (See Como a competitividade dos custos globais de fabricação mudou na última década= . Como resultado, as empresas estão aproximando a produção dos mercados domésticos ("Nearshoring") e às vezes "remarcando" a produção em casa de volta para os países de alta qualidade. (Ver Os EUA como um dos fabricantes de menor custo do mundo desenvolvido , BCG Focus, agosto de 2013.)
A combinação de fluxos grandes, rápidos e variados de big data e ferramentas e técnicas avançadas, como geoanalíticas, representa a próxima fronteira de Inovação da cadeia de suprimentos . Quando são guiados por uma compreensão clara das prioridades estratégicas, contexto de mercado e necessidades competitivas de uma empresa, essas abordagens oferecem grandes oportunidades para melhorar a capacidade de resposta do cliente, reduzir o estoque, reduzir custos e melhorar a agilidade. Eles também podem melhorar a precisão de suas previsões de demanda, descobrir novos padrões de demanda e desenvolver novos serviços compartilhando dados com parceiros em toda a cadeia de suprimentos. Além disso, eles podem aumentar o tempo de atividade do ativo e expandir a taxa de transferência, se envolver na manutenção preventiva de ativos de produção e produtos instalados e realizar o planejamento de suprimentos quase em tempo real usando feeds de dados dinâmicos de sensores de produção e internet das coisas.
Companies can optimize distribution, logistics, and production networks by using powerful data-processing and analysis capabilities. They can also improve the accuracy of their demand forecasts, discover new demand patterns, and develop new services by sharing data with partners across the supply chain. In addition, they can increase asset uptime and expand throughput, engage in preventive maintenance of production assets and installed products, and conduct near real-time supply planning using dynamic data feeds from production sensors and the Internet of Things.
Conteúdo relacionado: Operações internas: aumentando a competitividade através da excelência operacional .
Três oportunidades de alto potencial
, mas com tantos dados disponíveis e tantos processos improváveis, pode ser um desafio para os executivos determinar onde devem focar seu tempo e recursos limitados. Em nosso trabalho com operações da cadeia de suprimentos em vários setores, vemos três oportunidades que oferecem alto potencial no curto prazo. As empresas que os exploram podem gerar receitas e lucros significativos, além de reduzir acentuadamente os custos, reduzir os requisitos de caixa e aumentar a agilidade.
Visualizando rotas de entrega. O software de roteamento tradicional em empresas avançadas de entrega pode mostrar aos motoristas exatamente onde e como devem dirigir para reduzir os custos de combustível e maximizar a eficiência. Os sistemas mais flexíveis podem planejar a rota de um caminhão todos os dias com base nos padrões de tráfego histórico. Mas muitos sistemas comuns ainda deixam muito a desejar, produzindo uma folga significativa em horários e, em muitos casos, sem a capacidade de visualizar e calibrar dinamicamente as rotas no nível da rua. Freqüentemente descobrimos que, ao usar o Big Data e as técnicas analíticas avançadas para lidar com problemas de cadeia de suprimentos difíceis como esses, as empresas podem identificar oportunidades de economia iguais a 15 a 20 % dos custos de transporte. Avanços recentes nas técnicas de mapeamento geoanalítico, combinadas com a disponibilidade de grandes quantidades de dados de localização e potência de computação barata, rápida e baseada em nuvem, permite que as empresas analisem dinamicamente milhões de pontos de dados e modelem centenas de possíveis cenários de rota de caminhão. O resultado é uma visualização convincente das rotas de entrega - rota por rota e parada por parada. Logistics management challenges all but the most sophisticated specialists in “last-mile delivery.” Traditional routing software at advanced delivery companies can show drivers exactly where and how they should drive in order to reduce fuel costs and maximize efficiency. The most flexible systems can plan a truck’s route each day on the basis of historical traffic patterns. But many ordinary systems still leave a lot to be desired, producing significant slack in schedules and, in many cases, lacking the ability to dynamically visualize and calibrate routes at the street level.
Now, add the difficulty of aligning the deliveries of two or more business units or companies, each of which manages its own delivery system but must work with the others as one. We frequently find that by using big data and advanced analytical techniques to deal with tough supply-chain problems such as these, companies can identify opportunities for savings equal to 15 to 20 percent of transportation costs. Recent advances in geoanalytical mapping techniques, paired with the availability of large amounts of location data and cheap, fast, cloud-based computing power, allow companies to dynamically analyze millions of data points and model hundreds of potential truck-route scenarios. The result is a compelling visualization of delivery routes—route by route and stop by stop.
Considere os desafios enfrentados durante o planejamento prévio para a combinação de duas grandes empresas de produtos de consumidores. Para melhorar melhor a fusão das redes de distribuição das empresas, as duas empresas colocaram dados detalhados de localização geográfica nos dados de entrega de uma maneira que possibilitou a densidade de pedidos e identificar bolsões de sobreposição. As empresas descobriram que compartilhavam padrões de demanda semelhantes. (Consulte o Anexo 1.) O software de rota de veículos também permitiu o teste rápido de cenários de dezenas de iterações de rotas e o desenvolvimento de rotas individuais para cada caminhão. Os testes de cenário ajudaram as empresas a descobrir até três horas de capacidade de entrega não utilizada em rotas típicas depois que os motoristas cobriram as milhas atribuídas. Para oferecer maior volume, diminuindo o custo efetivo por caso. Após a fusão, os caminhões poderiam fazer o mesmo número médio de paradas e aumentar o tamanho médio de queda em cerca de 50 %. A economia de uma combinação nacional e a racionalização das duas redes foram estimadas em US $ 40 milhões, ou 16 % dos custos totais das empresas combinadas. Tudo isso viria sem investimento significativo além do custo inicial do desenvolvimento de melhores técnicas de modelagem. Ao estabelecer uma imagem comum do presente e uma visão do futuro, a geoanálise também proporcionou benefícios menos quantificáveis: os resultados construíram a confiança de que a economia estimada gerada como resultado da fusão refletia a realidade quando a borracha atingia a estrada e também criaria o alinhamento entre as duas organizações antes da fase de integração pós-mergulhadora muitas vezes difícil. No entanto, resultados como esses são apenas o começo. Novas ferramentas de visualização, combinadas com o monitoramento de caminhões em tempo real e os feeds de tráfego ao vivo de dispositivos telemáticos, abrem oportunidades ainda mais emocionantes, como redirecionamento dinâmico de caminhões para atender às mudanças em tempo real na demanda. Muitos gerentes precisam confiar em sistemas inflexíveis e estimativas imprecisas da força de vendas para prever o futuro. E a previsão ficou ainda mais complicada na era atual de maior volatilidade na demanda e crescente complexidade nas carteiras de produtos. Eles podem combinar essas informações com fatores contextuais, como previsões climáticas, comportamento competitivo, posições de preços e outros fatores externos para determinar quais fatores têm uma forte correlação com a demanda e depois se adaptam rapidamente à realidade atual. Técnicas analíticas avançadas podem ser usadas para integrar dados de vários sistemas que falam idiomas diferentes-por exemplo, planejamento de recursos corporativos, preços e sistemas de inteligência competitiva-para permitir aos gerentes uma visão das coisas que não podiam ver no passado. As empresas podem permitir que o sistema de previsão faça o trabalho braçal, liberando a força de vendas para fornecer a inteligência bruta sobre as mudanças no ambiente de negócios. Essencialmente, com uma melhor previsão de demanda, as empresas podem substituir o inventário por informações e atender às demandas dos clientes de uma maneira muito mais ágil. Concluímos que as empresas que fazem um trabalho melhor na previsão de demanda futura geralmente podem cortar 20 a 30 % do inventário, dependendo do setor, enquanto aumentam a taxa média de preenchimento em 3 a 7 pontos percentuais. Tais resultados podem gerar melhorias de margem de até 1 a 2 pontos percentuais. Os vendedores estavam dando previsões excessivamente otimistas, cujos efeitos passaram pela cadeia de suprimentos, pois o fabricante pediu mais do que era realmente necessário para garantir uma oferta adequada. Além disso, os fornecedores da empresa ordenaram muito de seus próprios fornecedores de componentes. Como resultado, os inventários começaram a aumentar em toda a cadeia de valor.
Splitting the fleet between two local depots in one major city would reduce the number of miles in each route and allow trucks to deliver greater volume, lowering the effective cost per case. After the merger, trucks would be able to make the same average number of stops while increasing the average drop size by about 50 percent. The savings from a nationwide combination and rationalization of the two networks were estimated at $40 million, or 16 percent of the total costs of the companies combined. All this would come with no significant investment beyond the initial cost of developing better modeling techniques. By establishing a common picture of the present and a view of the future, the geoanalysis also delivered less quantifiable benefits: the results built confidence that the estimated savings generated as a result of the merger would reflect reality when the rubber met the road and would also create alignment between the two organizations prior to the often difficult postmerger-integration phase. However, results such as these are only the beginning. New visualization tools, combined with real-time truck monitoring and live traffic feeds from telematics devices, open up even more exciting opportunities, such as dynamic rerouting of trucks to meet real-time changes in demand.
Pinpointing Future Demand. Forecasting demand in a sprawling manufacturing operation can be cumbersome and time consuming. Many managers have to rely on inflexible systems and inaccurate estimates from the sales force to predict the future. And forecasting has grown even more complicated in the current era of greater volatility in demand and increasing complexity in product portfolios.
Now, companies can look at vast quantities of fast-moving data from customers, suppliers, and sensors. They can combine that information with contextual factors such as weather forecasts, competitive behavior, pricing positions, and other external factors to determine which factors have a strong correlation with demand and then quickly adapt to the current reality. Advanced analytical techniques can be used to integrate data from a number of systems that speak different languages—for example, enterprise resource planning, pricing, and competitive-intelligence systems—to allow managers a view of things they couldn’t see in the past. Companies can let the forecasting system do the legwork, freeing the sales force to provide the raw intelligence about changes in the business environment.
Companies that have a better understanding of what they are going to sell tomorrow can ship products whenever customers request them and can also keep less stock on hand—two important levers for improving operational performance and reducing costs. Essentially, with better demand forecasting, companies can replace inventory with information and meet customers’ demands in a much more agile way. We find that companies that do a better job of predicting future demand can often cut 20 to 30 percent out of inventory, depending on the industry, while increasing the average fill rate by 3 to 7 percentage points. Such results can generate margin improvements of as much as 1 to 2 percentage points.
For example, a global technology manufacturer faced significant supply shortages and poor on-time delivery of critical components as a result of unreliable forecasts. Salespeople were giving overly optimistic forecasts, whose effects rippled through the supply chain as the manufacturer ordered more than was really needed to ensure adequate supply. In addition, the company’s suppliers ordered too much from their own component suppliers. As a result, inventories started to increase across the value chain.
Para entender as causas do desempenho ruim da previsão, a empresa usou ferramentas e técnicas avançadas para analisar mais de 7 milhões de pontos de dados, incluindo registros de remessa, desempenho de previsão histórica e registros de nota de materiais. A empresa também executou simulações comparando a precisão da previsão com os requisitos de remessa e inventário pontuais para identificar o ponto de diminuição dos retornos para maior precisão. O padrão subjacente de demanda se mostrou complexo e altamente volátil, principalmente no nível do componente. A análise de causa raiz ajudou a identificar as fontes do problema, que incluíram atrasos usuais e avarias operacionais, além de fatores mais sutis, mas igualmente poderosos, como incentivos desalinhados e uma estrutura organizacional com muitos silos.
Em resposta, a empresa redesenhou seu processo de planejamento, dedicando mais tempo ao planejamento de componentes e eliminando gargalos dos fluxos de dados e processamento de TI. Além disso, ao melhorar a qualidade dos dados para os planejadores de componentes, a empresa conseguiu reduzir o tempo desperdiçado perseguindo dados e corrigindo erros. E desenvolveu ferramentas analíticas mais sofisticadas para medir a precisão das previsões. Espera -se que as mudanças produza um aumento nas receitas, reduzindo os níveis de estoque, oferecendo melhor atendimento ao cliente e reduzindo os custos premium de frete.
On the basis of these and other organizational and process improvements, the company expects to improve forecast accuracy by up to 10 percentage points for components and 5 percentage points for systems, resulting in improved availability of parts and on-time delivery to customers. The changes are expected to yield an increase in revenues, while lowering inventory levels, delivering better customer service, and reducing premium freight costs.
Redes de distribuição simplificando. Com o tempo, muitas dessas redes fixas têm problemas para se adaptar aos fluxos de mudança de suprimentos para fábricas e de mercadorias acabadas para o mercado. Algumas redes também são muito amplas, aumentando os custos de distribuição. As inter-relações emaranhadas entre redes internas e externas podem desafiar os modelos tradicionais de otimização de rede que os gerentes de cadeia de suprimentos usam há anos. Os líderes podem estudar mais variáveis e mais cenários do que nunca, e podem integrar suas análises com muitos outros sistemas de negócios interconectados. As empresas que usam big data e análises avançadas para simplificar as redes de distribuição geralmente produzem economias que variam de 10 a 20 % dos custos de frete e armazenamento, além de grandes economias nos inventários. Uma explosão no volume e distribuição de dados em diferentes sistemas superou a capacidade existente da empresa, e a baixa qualidade dos dados limitou ainda mais sua capacidade de planejar. Ele modelou vários cenários de crescimento a longo prazo, simulando configurações de produção para 30 marcas espalhadas por mais de dez plantas, cada uma com diferentes padrões de demanda e fluxos de materiais. Ele analisou dados de 50.000 a 100.000 pontos de entrega por país -chave e analisou fatores de inventário em vários estágios. Os planejadores examinaram vários cenários para entrega, incluindo cargas completas de caminhões, entrega direta para a loja e armazenamento de duas camadas, além de diferentes estruturas de taxa de transporte que foram baseadas no tamanho da carga e na direção da entrega. 8 %. À medida que o número de armazéns fica menor, cada armazém restante aumentará maior e mais eficiente. E reunindo a demanda de clientes em uma rede menor de armazéns maiores, a empresa pode diminuir a variabilidade da demanda e, portanto, pode manter níveis mais baixos de estoque: é uma demanda volátil que faz com que os fabricantes mantenham mais estoque de segurança. Many manufacturers’ distribution networks have evolved over time into dense webs of warehouses, factories, and distribution centers sprawling across huge territories. Over time, many such fixed networks have trouble adapting to the shifting flows of supplies to factories and of finished goods to market. Some networks are also too broad, pushing up distribution costs. The tangled interrelationships among internal and external networks can defy the traditional network-optimization models that supply chain managers have used for years.
But today’s big-data-style capabilities can help companies solve much more intricate optimization problems than in the past. Leaders can study more variables and more scenarios than ever before, and they can integrate their analyses with many other interconnected business systems. Companies that use big data and advanced analytics to simplify distribution networks typically produce savings that range from 10 to 20 percent of freight and warehousing costs, in addition to large savings in inventories.
A major European fast-moving-consumer-goods company faced these issues when it attempted to shift from a country-based distribution system to a more efficient network spanning the continent. An explosion in the volume and distribution of data across different systems had outstripped the company’s existing capacity, and poor data quality further limited its ability to plan.
The company used advanced analytical tools and techniques to design a new distribution network that addressed these rising complexities. It modeled multiple long-term growth scenarios, simulating production configurations for 30 brands spread across more than ten plants, each with different patterns of demand and material flows. It crunched data on 50,000 to 100,000 delivery points per key country and looked at inventory factors across multiple stages. Planners examined numerous scenarios for delivery, including full truck loads, direct-to-store delivery, and two-tier warehousing, as well as different transport-rate structures that were based on load size and delivery direction.
Unlocking insights from this diverse data will help the company consolidate its warehouses from more than 80 to about 20. (See Exhibit 2.) As a result, the company expects to reduce operating expenses by as much as 8 percent. As the number of warehouses gets smaller, each remaining warehouse will grow bigger and more efficient. And by pooling customer demand across a smaller network of bigger warehouses, the company can decrease the variability of demand and can, therefore, hold lower levels of inventory: it is volatile demand that causes manufacturers to hold more safety stock.
Como começar
Líderes de operações que desejam explorar essas oportunidades devem começar com as seguintes etapas. sendo transportado para os clientes. Eles não conseguem identificar e responder proativamente a problemas de maneira a aumentar a eficiência e atender às necessidades dos clientes. Para ter o Big Data para analisar em primeiro lugar, as empresas devem investir nas tecnologias mais recentes, incluindo sensores de ponta e tags de identificação de radiofrequência, que podem criar transparência e conexões na cadeia de suprimentos. Ao mesmo tempo, as empresas devem ter cuidado ao investir em áreas que agregam o maior valor comercial.
Connect the supply chain from end to end. Many companies lack the ability to track details on materials in the supply chain, manufacturing equipment and process control reliability, and individual items being transported to customers. They fail to identify and proactively respond to problems in ways that increase efficiency and address customers’ needs. In order to have big data to analyze in the first place, companies must invest in the latest technologies, including state-of-the-art sensors and radio-frequency identification tags, that can build transparency and connections into the supply chain. At the same time, companies should be careful to invest in areas that add the highest business value.
Recompensa a consistência dos dados. Embora os sistemas de big data não exijam qualidade e integridade de dados absolutamente perfeitas, é necessária uma consistência sólida. O problema é que, em muitas empresas, a gerência não atribui uma alta prioridade à coleta de dados consistentes. Isso pode mudar quando os líderes tornam o impacto de dados ruins claros e medem e recompensam padrões consistentes. Os dados também podem ajudar o atendimento ao cliente, o que pode informar os clientes proativamente de pedidos atrasados quando, por exemplo, o equipamento quebra. Dados sobre confiabilidade da produção, adesão a horários e quebras de equipamentos devem ser visíveis nas funções. Para incentivar as pessoas a serem mais transparentes, a gerência pode reunir pessoal de diferentes funções para discutir os dados necessários para fazer melhor seus trabalhos. A contratação de uma equipe de cientistas de dados de primeira linha para fazer análises por causa da análise não é a resposta, no entanto. As empresas precisam fazer parceria com outras pessoas e desenvolver seu próprio conjunto interno e diversificado de capacidades, a fim de colocar big data em um contexto de negócios estratégico. Somente então eles poderão se concentrar nas oportunidades certas e obter o valor máximo de seus investimentos. Eles perderão a chance de aproveitar uma importante fonte de vantagem competitiva. Many companies struggle to optimize inventory levels because lot sizes, lead times, product SKUs, and measurement units are entered differently into the various systems across the organization. While big-data systems do not require absolutely perfect data quality and completeness, a solid consistency is necessary. The problem is that in many companies, management doesn’t assign a high priority to the collection of consistent data. That can change when leaders make the impact of poor data clear and measure and reward consistent standards.
Build cross-functional data transparency. The supply chain function depends on up-to-date manufacturing data, but the manufacturing function may tightly guard valuable reliability data so that mistakes will be less visible. The data could also help customer service, which might inform customers proactively of delayed orders when, for example, equipment breaks down. Data about production reliability, adherence to schedules, and equipment breakdowns should be visible across functions. To encourage people to be more transparent, management might assemble personnel from different functions to discuss the data they need to do their jobs better.
Invest in the right capabilities. Many operations leaders still don’t understand how this new discipline can provide a competitive advantage or how to convert big data into the best strategic actions. Hiring a team of top-shelf data scientists to do analytics for analytics sake is not the answer, however. Companies need to both partner with others and develop their own internal, diverse set of capabilities in order to put big data into a strategic business context. Only then will they be able to focus on the right opportunities and get the maximum value from their investments.
Companies that excel at big data and advanced analytics can unravel forecasting, logistics, distribution, and other problems that have long plagued operations.
Those that do not will miss out on huge efficiency gains. They will forfeit the chance to seize a major source of competitive advantage.
