Una cadena es una red de procesos y puntos de stock orientada a objetivos que entrega productos terminados a las tiendas.
Imagine un minorista de moda de lujo con una cadena de distribución central que realiza entregas a tiendas en todo el mundo (EE. UU., Asia-Pacífico y EMEA) desde un almacén ubicado en Francia.
Cuando la tienda 158 ubicada en Nanjing West Road (Shanghai, China) necesita 3 bolsos de cuero (referencia AB-7478) para el viernes, un planificador de distribución crea un pedido de reposición.
Este pedido se envía al almacén para su preparación y envío.
A partir de este momento, el planificador de la distribución pierde el control directo.
El destino del envío depende de una compleja cadena de distribución que involucra equipos de TI, almacén y transporte.
Sin embargo, si algo sale mal, el planificador es quien tiene que explicar por qué la tienda perdió ventas debido a entregas tardías.
Cada paso puede ser una fuente de retrasos.
¿Por qué sólo el 73% de los envíos se entregaron a tiempo la semana pasada?
Si los envíos no cumplen con la hora límite, esto puede deberse a una transmisión tardía del pedido, un tiempo de preparación excesivamente largo o un camión que salió del almacén demasiado tarde.
Desafortunadamente, los paneles estáticos no siempre son suficientes para encontrar las causas fundamentales.
Por lo tanto, los planificadores suelen analizar los datos (manualmente usando Excel) para identificar las causas fundamentales de cada falla.
A lo largo de mi carrera, he visto equipos enteros dedicar decenas de horas a la semana procesando datos manualmente para responder preguntas básicas.
¡La tarea más complicada en Supply Chain Management es tratar con personas!
Este es un papel fundamental porque los gerentes (transporte, almacén, flete aéreo) siempre intentarán transferir la responsabilidad entre ellos para cubrir sus propios equipos.
Dado que el análisis de la causa raíz es el primer paso en la mejora continua, debemos desarrollar una solución para apoyar a los planificadores.
Nunca solucionará los problemas operativos si no puede encontrar las causas fundamentales.
Por lo tanto, quería experimentar cómo un agente de IA puede ayudar a los equipos de planificación de distribución a comprender las fallas de la cadena de suministro.
Le pediré al agente de IA que resuelva disputas reales entre equipos para determinar si un equipo está malinterpretando sus propios KPI.
La idea es utilizar las capacidades de razonamiento de los modelos de Claude para identificar problemas únicamente a partir de marcas de tiempo y indicadores booleanos y responder preguntas en lenguaje natural.
Queremos que la herramienta responda preguntas abiertas con información basada en datos sin alucinaciones.
¿Cuál es la responsabilidad de los equipos de almacén en el desempeño general?
Estas son preguntas reales que los gerentes de planificación de la distribución deben responder en el día a día.
Este flujo de trabajo agente utiliza el modelo Claude Opus 4.6, conectado a través de un servidor MCP a una base de datos de seguimiento de distribución para responder a nuestras preguntas.
Utilizaré un escenario del mundo real para probar la capacidad del agente para ayudar a los equipos a realizar análisis más allá de lo que pueden proporcionar los paneles estáticos:
Resolver conflictos entre equipos (equipos de transporte versus equipos de almacén) Comprender el impacto de los retrasos acumulativos Evaluar el desempeño de cada tramo
Comprender la gestión del desempeño logístico
Apoyamos a una empresa minorista de moda de lujo con un almacén de distribución central en Francia, que realiza entregas a tiendas de todo el mundo mediante transporte aéreo y por carretera.
La cadena de distribución internacional de un minorista de moda
Un equipo de planificadores de suministros gestiona el inventario de la tienda y genera pedidos de reabastecimiento en el sistema.
A partir de aquí, una cascada de pasos hasta la entrega en tienda.
Los pedidos de reabastecimiento se crean en el ERP. Los pedidos se transmiten al sistema de gestión de almacenes (WMS). Los pedidos son preparados y empaquetados por el equipo del almacén. Los equipos de transporte organizan todo, desde la recogida en el almacén hasta la entrega en la tienda mediante transporte por carretera y aéreo.
En esta cadena intervienen múltiples equipos que son interdependientes.
Nuestro equipo de almacén puede comenzar la preparación solo después de que se reciban los pedidos en el sistema.
Sus colegas del equipo de transporte esperan que los envíos estén listos para ser cargados cuando el camión llegue a los muelles.
Esto crea una cascada de posibles retrasos, especialmente teniendo en cuenta las horas límite.
Recepción de pedido: si un pedido se recibe después de las 18:00:00, no se puede preparar al día siguiente (+24 horas en LT) Salida del camión: si un pedido no se empaqueta antes de las 19:00:00, no se puede cargar el mismo día (+24 horas en LT) Llegada al aeropuerto: si su envío llega después de las 00:30:00, pierde el vuelo (+24 horas LT) Aterrizaje: si su vuelo aterriza después 20:00:00, debe esperar un día adicional para el despacho de aduana (+24 horas LT) Entrega en tienda: si sus camiones llegan después de las 16:30:00, sus envíos no podrán ser recibidos por los equipos de tienda (+24 horas LT)
Si un equipo experimenta retrasos, afectarán al resto de la cadena y, eventualmente, al tiempo de entrega en la tienda.
Con suerte, estamos rastreando cada paso del proceso de entrega con marcas de tiempo del ERP, WMS y TMS.
Para cada elemento de la cadena de distribución, tenemos:
La marca de tiempo de la finalización de la tarea.
Ejemplo: registramos la marca de tiempo cuando el pedido se recibe en el Sistema de Gestión de Almacén (WMS) y está listo para su preparación. Un tiempo objetivo para la finalización de la tarea.
Para el paso vinculado a una hora límite, generamos un indicador booleano para verificar si se ha cumplido la hora límite asociada.
Para obtener más información sobre cómo se definen los indicadores booleanos y qué es un corte, puedes consultar este tutorial.
[insertar]https://www.youtube.com/watch?v=V6qnuZ-QcKE[/embed]
Declaración del problema
Nuestro gerente de distribución no quiere que su equipo procese datos manualmente para comprender la causa raíz.
Este envío se preparó con dos horas de retraso, por lo que no se empaquetó a tiempo y tuvo que esperar al día siguiente para ser enviado desde el almacén.
Este es un problema común que encontré mientras era responsable de la gestión del desempeño logístico en una empresa de bienes de consumo.
Me costó explicar a los responsables de la toma de decisiones que los paneles estáticos por sí solos no pueden explicar las fallas en la cadena de distribución.
En un experimento en mi startup, LogiGreen, utilizamos Claude Desktop, conectado a través de un servidor MCP a nuestra herramienta de planificación de distribución, para ayudar a los planificadores de distribución en sus análisis de causa raíz.
¡Y los resultados son bastante interesantes!
¿Cómo pueden los agentes de IA analizar las fallas de la cadena de suministro?
Veamos ahora qué datos tiene a mano nuestro agente de IA y cómo puede utilizarlos para responder a nuestras preguntas operativas.
Nos ponemos en la piel de nuestro responsable de planificación de distribución utilizando el agente por primera vez.
PD: Estos escenarios provienen de situaciones reales que encontré cuando estaba a cargo de la gestión del desempeño de las cadenas de suministro internacionales.
Planificación de distribución
Llevamos un mes de operaciones de distribución:
11.365 pedidos creados y entregados Del 16 de diciembre al 16 de enero
Para los datos de entrada, recopilamos datos transaccionales de los sistemas (ERP, WMS y TMS) para recopilar marcas de tiempo y crear indicadores.
Un rápido análisis exploratorio de datos muestra que algunos procesos excedieron sus objetivos de plazo de entrega máximo.
En esta muestra de 100 envíos, no cumplimos con el tiempo límite de carga de al menos seis pedidos.
Esto indica que el camión salió del almacén camino al aeropuerto sin estos envíos.
Estos problemas probablemente afectaron al resto de la cadena de distribución.
¿Qué tiene nuestro agente a mano?
Además de los plazos de entrega, tenemos nuestras banderas booleanas.
Estos booleanos miden si los envíos pasaron el proceso a tiempo:
Transmisión: ¿Llegó el pedido al WMS antes de la hora límite? Carga: ¿Están los pallets en los muelles cuando llegó el camión para recogerlos? Aeropuerto: El camión llegó a tiempo, para no perder el vuelo. Despacho de aduana: ¿El vuelo aterrizó antes del cierre de la aduana? Entrega: Llegamos a la tienda a tiempo.
Para algo menos del 40% de los envíos, al menos un indicador booleano está configurado en Falso.
Esto indica una falla en la distribución, que puede ser atribuible a uno o más equipos.
¿Puede nuestro agente proporcionar explicaciones claras y concisas que puedan utilizarse para implementar planes de acción?
Probémoslo con preguntas complejas.
Prueba 1: un planificador de distribución le preguntó a Claude sobre las banderas
Para familiarizarse con la herramienta, comenzó la discusión preguntándole al agente qué entendía de los datos que tenía a su disposición.
Esto demuestra que mi implementación de MCP, que utiliza cadenas de documentación para definir herramientas, se ajusta a nuestras expectativas para el agente.
Prueba 2: Desafiando su metodología
Luego le preguntó al agente cómo usaríamos estas banderas para evaluar el desempeño de la cadena de distribución.
En esta primera interacción, sentimos la capacidad de Claude Opus 4.8 para comprender la complejidad de este ejercicio con la mínima información proporcionada en la implementación de MCP.
Probar el agente con escenarios operativos del mundo real
Ahora tengo la confianza suficiente para probar el agente en escenarios del mundo real encontrados por nuestro equipo de planificación de distribución.
Son responsables del desempeño de extremo a extremo de la cadena de distribución, que incluye actores con intereses y prioridades divergentes.
Veamos si nuestro agente puede usar marcas de tiempo y indicadores booleanos para identificar las causas fundamentales y arbitrar conflictos potenciales.
Sin embargo, la verdadera prueba no es si el agente puede leer datos.
La pregunta es si puede navegar la confusa realidad política de la planificación de la distribución, donde los equipos se culpan unos a otros y los paneles pueden oscurecer la verdad.
¡Empecemos con una situación complicada!
Escenario 1: desafiar al equipo local de transporte de última milla
Según los datos, tenemos 2084 envíos que solo omitieron la última bandera booleana Entrega a tiempo.
El equipo central supone que esto se debe al tramo de última milla entre el aeropuerto y la tienda, que está bajo la responsabilidad del equipo local.
Por ejemplo, el equipo central en Francia culpa a las operaciones locales en China por los retrasos en las entregas en las tiendas de Shanghai.
El gerente local no está de acuerdo y señala retrasos en el aeropuerto y durante el despacho de aduana.
PD: Este escenario es común en cadenas de suministro internacionales con una plataforma de distribución central (en Francia) y equipos locales en el extranjero (en las regiones de Asia-Pacífico, América del Norte y EMEA).
Preguntémosle a Claude si puede encontrar quién tiene razón.
Claude Opus 4.6 demuestra aquí exactamente el comportamiento que esperaba de él.
El agente aporta matices al comparar el enfoque basado en banderas con paneles estáticos con un análisis de duraciones, gracias a las herramientas con las que lo equipé.
Esto dice dos cosas:
El desempeño del equipo local (es decir, Aeropuerto -> Tienda) no es peor que el de los tramos ascendentes administrados por el equipo central. Los envíos salen del aeropuerto a tiempo.
Esto indica que el problema está entre el despegue y la entrega en tienda de última milla.
Esto es exactamente lo que Claude demuestra a continuación:
El equipo local no es la única causa de retrasos en las entregas.
Sin embargo, siguen representando una gran parte de los retrasos en las entregas, como explica Claude en su conclusión.
¿Qué aprendimos aquí?
El equipo local responsable todavía necesita mejorar sus operaciones, pero no es el único que contribuye a los retrasos. Necesitamos discutir con el equipo de Air Freight la variabilidad en sus tiempos de entrega, lo que afecta el desempeño general, incluso cuando no incumplen los tiempos límite.
En el escenario 1, el agente superó un desacuerdo entre la sede y un equipo local.
¡Y descubrió que ambas partes tenían razón!
Pero, ¿qué sucede cuando el argumento de un equipo se basa en un malentendido fundamental sobre cómo funcionan los KPI?
Escenario 2: una pelea entre el almacén y los equipos centrales de transporte
Tenemos 386 envíos retrasados, donde el único indicador en Falso es Cargando a tiempo.
Los equipos del almacén argumentan que estos retrasos se deben a la llegada tardía de los camiones (es decir, los pedidos preparados y listos a tiempo estaban esperando la carga del camión).
¿Es eso cierto? No, esta afirmación se debe a un malentendido en la definición de esta bandera.
Veamos si Claude encuentra las palabras adecuadas para explicárselo a nuestro planificador de distribución.
Debido a que no tenemos una bandera que indique si el camión llegó a tiempo (solo un límite para determinar si salió a tiempo), existe cierta ambigüedad.
Claude puede ayudarnos a aclarar eso.
Para esta pregunta, Claude hizo exactamente lo que esperaba:
Utilizó la herramienta para analizar la distribución de los tiempos de entrega por proceso (Transmisión, Recogida y Carga). Explicó el significado correcto de esta bandera al planificador de distribución en el párrafo de información clave.
Ahora que el planificador de distribución sabe que está mal, Claude proporcionará los elementos adecuados para responder al equipo del almacén.
A diferencia del primer escenario, el comentario (o pregunta) surge de un malentendido de los KPI y las banderas.
Claude hizo un gran trabajo brindando una respuesta que está lista para compartir con el equipo de operaciones del almacén.
En el escenario 1, ambos equipos tenían parte de razón. En el escenario 2, un equipo simplemente se equivocó.
En ambos casos, la respuesta estaba enterrada en los datos y no era visible en ningún panel estático.
¿Qué podemos aprender de estos dos escenarios?
Los paneles estáticos nunca resolverán estos debates.
Incluso si son una parte clave de la Gestión del Desempeño Logístico, tal como se define en este artículo, nunca explicarán completamente todas las entregas tardías.
Muestran lo que pasó, no por qué, ni quién es el verdadero responsable.
Los planificadores de distribución lo saben. Es por eso que dedican decenas de horas a la semana a procesar datos manualmente para responder preguntas que sus paneles no pueden.
En lugar de intentar crear un panel completo que cubra todos los escenarios, podemos centrarnos en un conjunto mínimo de indicadores booleanos y tiempos de entrega calculados para respaldar análisis personalizados.
Estos análisis luego se pueden subcontratar a un agente, como Claude Opus 4.6, que utilizará su conocimiento de los datos y sus habilidades de razonamiento para proporcionar información basada en datos.
Incluso podemos usarlo para generar imágenes interactivas para transmitir un mensaje específico.
En la imagen anterior, la idea es mostrar que confiar únicamente en indicadores booleanos puede no reflejar completamente la realidad.
La atribución basada en banderas fue probablemente la fuente de muchos conflictos.
Todas estas imágenes fueron generadas por un usuario no técnico que se comunicó con el agente utilizando lenguaje natural.
Se trata de un análisis como servicio impulsado por IA para la gestión del rendimiento de la cadena de suministro.
Conclusión
Al reflexionar sobre este experimento, anticipo que flujos de trabajo agentes como este reemplazarán un número cada vez mayor de proyectos de informes.
La ventaja aquí es para los equipos operativos.
No tienen que depender de equipos de inteligencia empresarial para crear paneles e informes para responder a sus preguntas.
¿Puedo exportar este panel de PowerBI en Excel?
Estas son preguntas comunes que puede encontrar al desarrollar soluciones de informes para los equipos de operaciones de la cadena de suministro.
Esto se debe a que los paneles estáticos nunca responderán a todas las preguntas que tienen los planificadores.
Con un flujo de trabajo agente como este, les permite crear sus propias herramientas de generación de informes.
El caso de uso de planificación de distribución se centró en diagnosticar fallas pasadas. Pero ¿qué pasa con las decisiones futuras?
Aplicamos el mismo enfoque agente, utilizando Claude conectado a través de MCP a un motor de optimización FastAPI, a un problema muy diferente: Diseño de red de cadena de suministro sostenible.
El objetivo era apoyar a los directores de la cadena de suministro en el rediseño de la red en el contexto de la hoja de ruta de sostenibilidad.
¿Dónde deberíamos producir para minimizar el impacto ambiental de nuestra cadena de suministro?
Nuestro agente de IA se utiliza para ejecutar múltiples escenarios de diseño de redes para estimar el impacto de decisiones clave (por ejemplo, aperturas o cierres de fábricas, subcontratación internacional) en los costos de producción y los impactos ambientales.
El objetivo es proporcionar a los responsables de la toma de decisiones conocimientos basados en datos.
Esta fue la primera vez que sentí que podía ser reemplazado por una IA.
La calidad de este análisis es comparable a la realizada por un consultor senior después de semanas de trabajo.
Claude lo produjo en segundos.
Más detalles en este tutorial,
[insertar]https://www.youtube.com/watch?v=JjUEgkK_yD8[/embed]
¿Quieres aprender más sobre la planificación de la distribución?
¿Por qué es importante el tiempo de entrega?
Los planificadores de suministros utilizan reglas de gestión de inventario para determinar cuándo crear órdenes de reabastecimiento.
Estas reglas tienen en cuenta la variabilidad de la demanda y el tiempo de entrega para determinar el punto de reorden óptimo que cubra la demanda hasta que se reciban los bienes.
Este punto de reorden depende de la demanda promedio durante el tiempo de entrega.
Pero podemos adaptarlo en función del desempeño real de la cadena de distribución.
Para más detalles, consulte el tutorial completo.
[insertar]https://www.youtube.com/watch?v=1oRebt_Q0dY[/embed]
Acerca de mí
Conectémonos en LinkedIn y Twitter; Soy Ingeniero de Cadena de Suministro y utilizo análisis de datos para mejorar las operaciones logísticas y reducir costos.
Para consultas sobre análisis y transformación sostenible de la cadena de suministro, no dude en ponerse en contacto conmigo a través de Logigreen Consulting.
Si tienes alguna duda, puedes dejar un comentario en mi aplicación: Supply Science.