Uno de los errores más silenciosos —y más costosos— en Supply Chain no está en los algoritmos… está en el nivel de detalle de los datos.
He visto organizaciones invertir en herramientas avanzadas, modelos estadísticos complejos e incluso inteligencia artificial… pero tomando decisiones sobre información mal estructurada desde el origen.
El problema no es la falta de datos. Es la falta de criterio sobre a qué nivel deben analizarse.
Demasiado agregado, y pierdes señales clave del negocio:
- patrones de consumo por canal
- comportamientos específicos por cliente
- variabilidad real en puntos de venta
Demasiado granular, y el ruido domina sobre la señal:
- forecasts inestables
- sobre-reacción a variaciones irrelevantes
- modelos que “aprenden” ruido en lugar de tendencias
La optimización real no ocurre en los extremos. Ocurre en el nivel correcto de desagregación.
Y aquí es donde muchas organizaciones fallan: confunden capacidad tecnológica con criterio analítico.
El nivel de análisis no debería definirse por lo que el sistema permite… sino por cómo se toman decisiones en el negocio.
Esto impacta directamente en:
- Forecasting (MAPE artificialmente alto o bajo según nivel)
- Inventarios (sobrestock o quiebres innecesarios)
- Reabastecimiento (órdenes ineficientes o reactivas)
- Segmentación de portafolio (tratamientos homogéneos para realidades distintas)
En otras palabras: puedes tener el mejor modelo… optimizando en el nivel equivocado.
Pero incluso cuando el nivel es correcto… hay otro error igual de crítico: asumir que el plan es ejecutable solo porque “cuadra en el sistema”.
En manufactura esto es especialmente evidente.
No puedes esperar planes perfectos si:
- los tamaños de lote no están alineados con la demanda real
- existen valores de redondeo que distorsionan las cantidades
- las políticas de inventario no conversan con las capacidades productivas
- los tiempos y restricciones operativas no están reflejados en los modelos
El resultado es conocido: planes “óptimos” en papel… pero inviables en planta.
Y entonces el sistema deja de ser una herramienta de decisión… para convertirse en un punto de partida que el equipo tiene que corregir manualmente.
Algunas recomendaciones prácticas que he visto funcionar:
-
Definir el nivel de decisión antes que el nivel de dato
¿Dónde realmente se toman decisiones? ¿SKU–tienda? ¿familia–región?
El modelo debe responder a eso, no al revés. -
Separar niveles para análisis y para ejecución
No todo debe modelarse al mismo nivel en el que se ejecuta.
Agregar para estabilidad, desagregar para acción. -
Medir la estabilidad de la señal
Si el comportamiento es altamente volátil a cierto nivel, probablemente estás demasiado granular. -
Validar la “ejecutabilidad” del plan
Antes de confiar en cualquier output, cuestionar:
¿esto se puede producir, almacenar y distribuir en la realidad? -
Revisar parámetros operativos con la misma disciplina que los modelos
Lotes, redondeos, políticas de inventario y capacidades deben estar alineados.
De lo contrario, cualquier optimización pierde sentido. -
Evitar la “ilusión de precisión”
Más detalle no significa más exactitud. Muchas veces significa más ruido.
Porque al final, no optimizas modelos. Optimizas decisiones.
Y la calidad de esas decisiones depende directamente de dos cosas: cómo estructuras la información… y qué tan ejecutables son tus planes.
Menos sofisticación innecesaria. Más claridad en lo fundamental.
Abraham Rivera
Gerente Regional Mexico, Centroamerica y Caribe.
