Para equipes de compras em todas as indústrias, a necessidade de obter componentes e serviços de qualidade dos fornecedores nunca foi maior. As falhas podem aumentar bastante os custos-na forma de reivindicações de garantia, recalls de produtos e ações judiciais-e danos à receita e da marca irrevogavelmente. Eles se concentraram em identificar quais componentes exigem a mais alta qualidade, onde ocorreram problemas de qualidade e provavelmente ocorrerão e qual a melhor forma de reduzir o risco de falhas futuras. Big data, análises avançadas, inteligência artificial e plataformas de colaboração fornecem um alto grau de precisão, permitindo que as empresas prevejam e mitigem falhas de qualidade com muito mais eficiência do que no passado. Os benefícios potenciais da implantação do digital são significativos. Por nossa estimativa, essas tecnologias podem reduzir os problemas de qualidade de compras em até 60% a 70%. Veja como as empresas podem começar a realizar os benefícios do digital.
Best-in-class companies have used a variety of practices to mitigate quality failures across the entire supply chain. They have focused on identifying which components require the highest quality, where quality issues have occurred and are likely to occur, and how best to reduce the risk of future failures.
Digital technologies have the potential to boost procurement quality management to a whole new level. Big data, advanced analytics, artificial intelligence, and collaboration platforms provide a high degree of precision, enabling companies to predict and mitigate quality failures much more effectively than in the past. The potential benefits of deploying digital are significant. By our estimate, these technologies can reduce procurement quality problems by as much as 60% to 70%. Here’s how companies can start realizing digital’s benefits.
As tecnologias digitais têm o potencial de aumentar o gerenciamento da qualidade de compras a um nível totalmente novo.
A posição inicial: práticas recomendadas convencionais
The goal of procurement is to ensure that a company has on hand the components with the right level of quality for creating products and services that meet customers’ needs. Best-in-class companies follow a three-step approach.
Determine onde a qualidade é mais importante
It’s critical to begin by determining where quality is most needed and how tailored the specifications need to be for each product or service component; companies do not have the resources to give the same level of attention to every product in a large portfolio. Best-in-class companies typically assess their portfolio along two dimensions (see Exhibit 1):
- A importância estratégica de um componente (o valor que ele fornece aos clientes)
- The level of quality required, which ranges from the minimum industry standard to a premier level usually associated with innovative offerings
, mas mesmo as melhores equipes de compras da classe lutam para obter os requisitos de qualidade certos para todos os produtos. De um modo geral, um pequeno número de funções (geralmente vendas e operações) é responsável por decidir quais requisitos são necessários, e eles freqüentemente o fazem sem considerar custos ou ter uma visão abrangente do valor gerado. Como resultado, a barra pode ser definida demais para muitos componentes e serviços. Por exemplo, os transportes rodoviários são frequentemente tratados como mercadorias perigosas, se precisam desse nível de cuidado ou não. A barra de qualidade também pode ser definida muito baixa, resultando em clientes decepcionados. Em ambos os casos, a função de compras tem apenas uma capacidade limitada de desafiar essas decisões de requisitos. Portanto, eles priorizam os que são estrategicamente importantes e que exigem um nível de qualidade principal. Esta não é uma tarefa fácil. As empresas globais normalmente produzem milhares de produtos diferentes, cada um com base em componentes ou serviços de centenas ou milhares de fornecedores. E eles usam análises multivariadas para monitorar continuamente a qualidade de componentes estrategicamente importantes que precisam ser da mais alta qualidade. Mesmo quando as estruturas podem ajudar a rastrear uma falha de volta a um fornecedor específico, pode ser difícil determinar a razão precisa da falha. Obter esse grau de especificidade requer combinar manualmente todas as idéias geradas a partir de muitos relatórios e estruturas, o que é uma tarefa monumental.
In addition, procurement teams simply don’t have the capacity to collect and formulate detailed quality requirements for every product and service that’s purchased. So they prioritize the ones that are strategically important and that require a premier level of quality.
Pinpoint Where Quality Failures Occur
A company should be able to identify exactly where product failures occur in the supply chain in order to prevent them from recurring. This is no easy task. Global companies typically produce thousands of different products, each based on components or services from hundreds or thousands of suppliers.
Leading companies rely on frameworks, such as the Eight Disciplines of Problem Solving or the Five Whys, to determine the root cause of a defect. And they use multivariate analysis to continually monitor the quality of strategically important components that need to be of the highest quality.
The frameworks are useful as far as they go—the problem is, they don’t go far enough. Even when frameworks can help trace a failure back to a particular supplier, the precise reason for the failure may be hard to determine. Getting that degree of specificity requires manually combining all the insights generated from many reports and frameworks, which is a monumental task.
Even when frameworks can help trace a failure back to a particular supplier, the precise reason for the failure may be hard to determine.
Análises multivariadas também são limitadas. Eles podem ajudar a identificar as causas de problemas de qualidade para os componentes que exigem qualidade premium. Mas é provável que eles ignorem defeitos nos componentes que não têm, o que tem um impacto na qualidade geral do produto. Mas, à medida que as carteiras de produtos mudam cada vez mais rapidamente, essa suposição não é mais válida.
An equally important challenge is that quality detection is typically backward looking—it’s based on the assumption that future quality failures are likely to occur where they happened in the past. But as product portfolios change more and more rapidly, this assumption is no longer valid.
Identifique iniciativas para mitigar o risco de qualidade
With the information gleaned from their assessments, leading companies deploy all levers available to mitigate risks of quality failure. The quality assessment matrix (shown earlier in Exhibit 1) helps them select the appropriate lever. The more crucial the part or service, the earlier in its life cycle the lever is implemented. (See Exhibit 2.) Products developed jointly with a supplier require proactive, early-stage mitigation, while reactive measures are sufficient for products that are less important strategically.
Essa abordagem proativa-reativa claramente tem seus méritos. Mas é muito trabalhoso intensivo para os milhares de bens e serviços adquiridos. E permite que as empresas tomem as ações mais apropriadas para mitigar as falhas no futuro. Plataformas.
How Digital Can Help
Digital is a major step forward in each of the three conventional steps: it helps companies understand where quality is most important, identify where quality problems occur throughout the supply chain, and predict potential failures—all with greater accuracy than in the past. And it allows companies to take the most appropriate actions to mitigate failures in the future.
Gain Clarity on Where Quality Brings Value
Collaboration platforms, big data, and advanced analytics (AA) are critical for determining the specific quality requirements for all components and services, no matter where they are in the quality matrix:
- Collaboration Platforms. Plataformas de colaboração online podem ser usadas para muitos fins. Além de oferecer uma maneira de se comunicar com eficiência, eles processam e arquivam os documentos que estão sendo trocados e disponibilizam os dados para análise. As plataformas são úteis, por exemplo, quando as empresas conduzem auditorias de qualidade de fornecedores. As avaliações de AA também analisam a análise de cenários para entender, por exemplo, o papel que cada parte de um assento de carro desempenha na proteção de um bebê em diferentes tipos de acidentes de carro. Ter esses requisitos também permite que a equipe de compras questione as partes interessadas internas que desejam usar métricas diferentes. O grupo usou AA para avaliar o valor que cada componente entregue em relação ao custo total do hambúrguer; Ele também analisou o desvio padrão da qualidade dos produtos adquiridos de fornecedores. O pão acabou sendo muito mais importante do que eles pensavam, chegando apenas apenas à própria carne. Mas, ao mesmo tempo, a qualidade dos pães provou ser a mais desigual. Usando esse feedback, a empresa focou mais atenção no controle da qualidade do pão, o que levou a uma satisfação muito maior do cliente. Alguns desses dados são gerados automaticamente, como declarações contendo reivindicações de qualidade que são produzidas quando as peças são entregues a uma planta. Mas essas informações geralmente não são suficientes para criar uma imagem completa. Normalmente, essa entrada inclui outros detalhes, como quais produtos e serviços chegaram tarde ou precisavam de ajustes de qualidade. Um aplicativo de realidade aumentada é especialmente útil nesse contexto, porque facilita a avaliação do peso, material, densidade e conteúdos internos de um produto. As empresas também podem pedir a seus fornecedores que usem esses aplicativos para avaliar seus produtos antes do envio. Essas tecnologias precisam ser usadas em conjunto com um painel que possa analisar constantemente dados dos diferentes canais e fornecer uma visão geral para compras, parceiros de negócios internos e fornecedores. Eles ponderam diferentes pontos de dados e informações aprendidas com a experiência anterior para fornecer uma lista restrita dos fornecedores e componentes com maior probabilidade de experimentar falhas de qualidade. O algoritmo listou consistentemente 20 a 50 partes (de 3.000) que mereciam monitoramento mais próximo. Durante um período de 12 meses, o sistema detectou falhas de qualidade com mais de 80% de precisão. Para isso, o algoritmo ponderou 22 variáveis, como a tendência no feedback da qualidade interna, os problemas de qualidade passados e o tamanho e até a localização de cada fornecedor. Alguns dos fatores mais influentes foram uma surpresa. Por exemplo, faturas enviadas mais cedo do que o habitual às vezes revelaram que um fornecedor estava em sofrimento financeiro. E verificou -se que esses fornecedores provavelmente eram responsáveis por algumas das falhas da qualidade. Atuando em idéias como essas, a empresa reduziu os problemas de qualidade em 51%.
- Big Data and AA. AA can be used to assess the data from these evaluations and determine the right quality level for every product in the matrix, not just the ones that require premium quality. The AA assessments also look at scenario analysis to understand, for example, the role that each part of a car seat plays in protecting a baby in different kinds of car accidents.
Once companies have a good understanding of where quality is important, they can formulate specific KPIs and service-level agreements (SLAs) for all the products and services in the matrix. Having such requirements also allows the procurement team to question internal stakeholders who want to use different metrics.
For example, a large burger chain’s procurement team did an advanced conjoint analysis with more than 2,000 consumers on what mattered most to the burger’s taste—the beef, salad, bun, ketchup, onions, or tomato. The group used AA to assess the value that each component delivered relative to the burger’s overall cost; it also analyzed the standard deviation of the quality of products procured from suppliers. The bun turned out to be much more important than they had thought, coming in second only to the beef itself. But at the same time, the quality of the buns proved to be the most uneven. Using this feedback, the firm focused more attention on controlling bun quality, which led to much greater customer satisfaction.
Acquire Visibility into Product and Service Failures
After generating a more precise view of where quality is needed and what level is required, companies can use digital to combine information from various sources into one comprehensive overview of the supply chain. Some of that data is generated automatically, such as statements containing quality claims that are produced when parts are delivered to a plant. But this information is usually not enough to build a complete picture.
To fill in the gaps, the staff in the receiving department who accept and approve incoming goods and services can enter the necessary information in an easy-to-use app on their smartphone. Typically, this input includes other details, such as which products and services arrived late or were in need of quality adjustments. An augmented reality app is especially useful in this context because it facilitates the evaluation of a product’s weight, material, density, and inner contents. Companies can also ask their suppliers to use such apps to assess their products before shipping. These technologies need to be used in conjunction with a dashboard that can constantly analyze data from the different channels and provide an overview for procurement, internal business partners, and suppliers alike.
Once the information on the incoming products is combined with other data such as invoices, quality reports, and supplier balance sheets, AI algorithms can predict where the next quality failure will occur. They weight different data points and information learned from past experience to provide a shortlist of the suppliers and components that are most likely to experience quality failures.
For example, a chemical manufacturer recently installed a system that could predict where in the company’s vast portfolio quality was likely to drop. The algorithm consistently listed 20 to 50 parts (out of 3,000) that merited closer monitoring. Over a 12-month timeframe, the system detected quality failures with more than 80% accuracy. To do so, the algorithm weighted 22 variables such as the trend in internal quality feedback, past quality problems, and the size and even location of each supplier. Some of the most influential factors came as a surprise. For example, invoices sent earlier than usual sometimes revealed that a supplier was in financial distress. And it turned out that these suppliers were highly likely to be responsible for some of the quality failures. Acting on insights like these, the company reduced quality problems by 51%.
Implante de alavancas de qualidade aprimoradas digitalmente
Quando se trata de usar alavancas para mitigar falhas de qualidade, o Digital oferece duas vantagens. Ele expande o número de ações que as empresas podem executar para reduzir os problemas e fornece orientações sobre quais alavancas aplicarem em quais situações. As plataformas de colaboração de fornecedores, por exemplo, facilitam bastante os esforços conjuntos com fornecedores na fase conceitual, enquanto os sensores facilitam a coleta e avaliação de dados de desempenho relevantes na fase de gerenciamento de fornecedores. (Consulte o Anexo 3.)
Digital levers can be used to reduce the risk of quality failures throughout the product and service life cycle. Supplier collaboration platforms, for example, greatly facilitate joint efforts with suppliers in the concept phase, while sensors make it easier to collect and assess relevant performance data in the supplier management phase. (See Exhibit 3.)
em um exemplo, um produtor químico descobriu que alguns de seus entrados materiais brutos continham traços de um material diferente. Uma análise revelou que a contaminação ocorreu durante o transporte: o provedor de logística não limpou os reboques do silo suficientemente após o transporte de outro material. O fabricante adicionou KPIs aos contratos de logística para explicar os requisitos de limpeza. E instalou sensores dedicados na planta para monitorar a qualidade dos materiais de entrada e um sistema de rastreamento e resposta de qualidade para comparar os resultados com os KPIs. Essas tecnologias permitiram à empresa rejeitar caminhões completos no ponto de descarregamento nos casos em que o fornecedor não atendeu aos KPIs. O sistema também permitiu ao comprador agilizar as reivindicações contra o fornecedor e gerenciar o relacionamento com mais eficiência. Por exemplo, para máquinas de produção individuais e avançadas, a melhor alavanca pode ser os concursos de inovação on -line, enquanto para peças de manutenção, reparo e operações (MRO), o gerenciamento de reivindicações automatizadas pode ser benéfico. O algoritmo da AI faz recomendações que não sejam vinculativas. Usando big data e aprender com o passado, o algoritmo pode perceber não apenas quando falhas de qualidade podem ocorrer, mas como evitá -las. Os compradores podem basear suas decisões em essas informações. Com o tempo, o algoritmo aprende quais alavancas são as mais poderosas em cada situação e melhora continuamente suas recomendações. Para obter benefícios completos, os elementos de suporte precisam estar em vigor. Embora muitos facilitadores tenham um papel a desempenhar no aumento da qualidade das compras, três são especialmente importantes: processos, pessoas e gerenciamento de desempenho. Isso é particularmente crítico para as principais categorias. Nos processos de origem a contrato (S2C), que começam com a definição de projetos individuais e suas necessidades e terminam com a assinatura de contratos de fornecedores, os requisitos de qualidade para fornecedores já devem ser incorporados em estratégias de categoria. Nos processos de compra-paga (P2P), que começam com a decisão de comprar um bom ou serviço e terminar com entrega e pagamento, os testes de qualidade técnica podem ser usados em situações em que apenas um fornecedor está envolvido. Além disso, as empresas devem desenvolver aplicativos de feedback e outras ferramentas que promovam a transparência integrante aos processos de qualidade. Em contraste com as equipes de melhoria contínua existentes que corrigem problemas principalmente depois que eles acontecem, essa equipe se concentraria no uso de análises preditivas para entender onde a qualidade é mais importante e em trabalhar com fornecedores para resolver possíveis falhas de qualidade antes que elas ocorram. Além disso, as empresas devem implementar programas de treinamento para toda a equipe de compras principais para que possam aprender a aproveitar as habilidades digitais para entender onde a qualidade mais importa. Quatro grupos precisam receber esta mensagem: os funcionários da unidade de qualidade, a equipe multifuncional de compras, outras funções que trabalham com fornecedores e as pessoas relevantes do lado do fornecedor. Este é um afastamento da prática convencional - as equipes de compras normalmente não incluem a qualidade do fornecedor nos esforços de gerenciamento de desempenho. Mas eles devem, por um motivo muito importante: fornecedores de alto desempenho ajudam a reduzir o custo total de propriedade.
In addition, digital can guide buyers on which lever—conventional or digital—is the most powerful in the purchasing situation at hand. For example, for individual and advanced production machinery, the best lever might be online innovation contests, while for maintenance, repair, and operations (MRO) parts, automated claims management might be beneficial. The AI algorithm makes recommendations that are nonbinding. Using big data and learning from the past, the algorithm can perceive not only where quality failures may occur but how to prevent them. Buyers can base their decisions on this information. Over time, the algorithm learns which levers are the most powerful in each situation and continually improves its recommendations.
The Vital Role of the Underlying Foundation
Using the right digital tools for the right circumstances does not guarantee success. To derive full benefit, the supporting elements need to be in place. While many enablers have a role to play in boosting procurement quality, three are especially important: processes, people, and performance management.
Processes
Quality management needs to be deeply embedded in the sourcing processes. This is particularly critical for key categories. In source-to-contract (S2C) processes, which start with the defining of individual projects and their needs and end with the signing of supplier contracts, quality requirements for suppliers should already be embedded in category strategies. In procure-to-pay (P2P) processes, which begin with the decision to buy a good or service and end with delivery and payment, technical quality tests can be used in situations where only one supplier is involved. In addition, companies should develop feedback apps and other tools that promote the transparency integral to quality processes.
People
We recommend that companies create a quality management team comprising digitally skilled people from procurement and other functions to deal with quality issues proactively. In contrast with existing continuous-improvement teams that fix problems mainly after they happen, this team would focus on using predictive analytics to understand where quality is most important and on working with suppliers to resolve potential quality failures before they occur. In addition, companies should implement training programs for all core procurement staff so that they can learn how to leverage digital skills to understand where quality matters most.
No less important, purchasing and supplying companies alike need to make people aware that maintaining high quality standards is essential. Four groups need to get this message: employees in the quality unit, the cross-functional procurement team, other functions that work with suppliers, and the relevant people on the supplier’s side.
Performance Management
Employees across procurement and other relevant functions should be measured and rewarded similarly to ensure that they work toward the same quality goals. This is a departure from conventional practice—procurement teams typically don’t include supplier quality in performance management efforts. But they should for one very important reason: high-performing suppliers help reduce the total cost of ownership.
Não é mais suficiente confiar nas melhores abordagens tradicionais de gerenciamento da qualidade da classe. As tecnologias digitais agora são cruciais para definir, monitorar e melhorar a qualidade dos produtos e serviços de entrada. E a transparência gerada através de soluções digitais pode ser alavancada ainda mais. Depois de abordar essas deficiências, as equipes de compras podem priorizar sua agenda digital. Um esforço conjunto é essencial para que os investimentos digitais sejam recompensados.
To make the most of digital, procurement functions first need to analyze their current methods for managing supplier quality in order to determine where their methods are not best in class. Once they have addressed these shortcomings, procurement teams can prioritize their digital agenda. A concerted effort is essential if digital investments are to pay off.
Essa recompensa pode ser substancial. Empresas que usam tecnologias digitais em seu ponto mais potencial para melhorar a qualidade de seus insumos, aumentando a receita, reduzindo os custos e aumentando a inovação.
