Stanley Black & Decker comparte cómo Lean AI está cambiando el trabajo que hay detrás de su cadena de suministro

Hola, Ben, gracias por acompañarme hoy para hablar de la relación entre Stanley Black & Decker y Robinson Managed Solutions. Si nos remontamos unos seis años, a finales de 2020 o principios de 2021. Volviendo a la decisión inicial de asociarse con RMS, ¿qué desafíos u oportunidades comerciales le llevaron a replantearse cómo opera su organización logística?

Bueno, Brian, históricamente Black & Decker operaba una red descentralizada, con actividad impulsada a nivel de cada sitio. SBD tomó la decisión estratégica de pasar a un modelo más centralizado, con el apoyo de una torre de control para ayudar a gestionar la red. El objetivo era mejorar rápidamente el cumplimiento de las pautas de enrutamiento, aumentar las oportunidades de consolidación e impulsar mejoras en las capacidades para reducir algunos costos y desperdicios de nuestra cadena de suministro.

Históricamente, ¿qué desafíos les generaban los datos de pedidos incompletos o inconsistentes a usted y al equipo de SBD? Con Stanley Black & Decker tenemos más de 40.000 SKU únicos, así que es increíblemente difícil mantener limpios y actualizados los datos maestros, especialmente en todas las distintas líneas de productos, los proveedores y las ubicaciones.

Por lo general, hemos visto unos 2000 pedidos manuales al mes en los que faltan datos maestros o estos están incompletos cuando llegan a Navisphere. Esos pedidos, en general, no podían avanzar hasta que alguien del equipo ingresaba al sistema y los corregía. Además, esto normalmente daba lugar a un tiempo de ciclo mucho más largo para esos pedidos.

Algunas de las inconsistencias en los pedidos eran intencionales. Tuvimos algunos problemas con el redondeo de los pesos y otros criterios específicos. Y muchos de los otros problemas simplemente no se podían detectar de forma proactiva en etapas anteriores, antes de que se realizara un pedido.

Ahora hablemos de dónde estamos hoy. ¿Cómo está interviniendo Lean AI Planner para ayudar a corregir esos pedidos, en lugar de que uno de los miembros del equipo tenga que hacer ese trabajo?

Para nosotros, Lean AI Planner ha sido de gran ayuda. Aprovecha su aprendizaje contextual y utiliza nuestras reglas de negocio, atributos de productos, comportamiento histórico de envíos, requisitos de proveedores y todo tipo de información adicional para determinar qué falta y luego realiza la corrección.

Aún contamos con miembros del equipo que supervisan las correcciones, pero Lean AI Planner ha podido intervenir de inmediato, en tiempo real, y corregir de forma autónoma todos los pedidos que históricamente quedaban en estado de retención.

Esto reduce el tiempo de ciclo a menos de un minuto por pedido. Lean AI Planner corregía de forma proactiva casi el 90% de los casos que tradicionalmente se ponían en estado de retención. Básicamente, ese proceso les ahorró a nuestros planificadores de carga más de 35 horas al mes de trabajo que no aportaba valor. Estamos avanzando hacia una cadena de suministro capaz de corregir los problemas antes de que generen interrupciones y demoras en etapas posteriores. Estamos eliminando muchos desperdicios en el proceso.

Cuando pensamos en una evaluación tradicional e histórica de la cadena de suministro, esta podría llevar semanas, incluso meses, ser parcial y quizá no abarcar toda la red. ¿Podría comentar cómo era ese proceso para Stanley Black & Decker antes de implementar Lean AI Engineer?

Antes de Lean AI Engineer, teníamos ingenieros expertos dedicados a nuestra cuenta. Revisaban grandes volúmenes de envíos para buscar áreas de mejora y optimización. Ese proceso era ad hoc. Entonces, cuando pensábamos que había una oportunidad, extraíamos los datos y realizábamos el análisis. Pero solo se podía completar periódicamente debido al gran esfuerzo que requería.

Con Lean AI Engineer se resuelve el problema inherente a tener que extraer los datos y revisarlos manualmente. Porque podemos analizar continuamente todos los datos de todos los sitios. Donde analizamos las mismas oportunidades que los ingenieros solían analizar manualmente, pero ahora podemos hacerlo en tiempo real. Esto permite que nuestros ingenieros se centren realmente en evaluar el resultado en lugar de generarlo.

Entonces, estamos hablando de pasar de semanas, quizá meses, a minutos, y luego centrarnos realmente en hacer realidad esas oportunidades y lograr esa reducción de costos o esos ahorros. Sí. También nos permite analizar más información y más oportunidades, porque el sistema puede analizar todo eso en tiempo real y nosotros simplemente respondemos.

¿Podría compartir con el grupo algún ejemplo de un hallazgo u oportunidad que haya detectado gracias a Lean AI Engineer específicamente en el negocio de Stanley? Hasta ahora, Lean AI ha identificado varias oportunidades nuevas para SBD. Otra de las cosas importantes que ha hecho es confirmar que los estudios manuales anteriores eran válidos.

Un ejemplo de lo que hizo el nuevo Lean AI Engineer: tomó un tipo específico de oportunidad de agregación que identificamos a partir de la oportunidad de un cliente y la analizamos manualmente. Pero pudieron tomar los datos y aplicarlos a todos nuestros clientes sin tener que realizar estudios por separado ni extraer datos por separado. Podemos usar esa información para respaldar mejor las decisiones empresariales en tiempo real, y eso ha generado muchos ahorros y eliminado desperdicios.

¿Qué consejo les daría a otros líderes de la cadena de suministro que están explorando la IA, pero no tienen muy claro por dónde empezar? Para nosotros, la clave está en contar con un socio de vanguardia como RMS. Lo que recomendaría es que trabajen con RMS para identificar un caso de uso específico dentro de su negocio que les ayude a generar valor.

Si resuelven eso, prueben primero con cosas pequeñas, hagan iteraciones, avancen rápido y asuman que no todo será perfecto; así obtendrán un resultado cuantificable. Una vez que obtenga ese resultado inicial, puede compartir esos elementos concretos con la organización y las partes interesadas, para no solo hablar sobre IA, sino también mostrar el valor que aporta a su negocio.

Ben, queremos agradecerle mucho que nos acompañe. Siempre agradecemos estas conversaciones. Nos entusiasma compartir parte del trabajo que hemos estado haciendo juntos y, sobre todo, lo que se avecina. Gracias.

Muchas gracias, Brian, es un placer.