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

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

Bueno, Brian, históricamente Black & Decker operaba con una red descentralizada cuya actividad se gestionaba a nivel de cada centro. SBD tomó la decisión estratégica de pasar a un modelo más centralizado, con una torre de control de apoyo para ayudar a gestionar la red. El objetivo era mejorar rápidamente el cumplimiento de las rutas, aumentar las oportunidades de consolidación e impulsar mejoras de capacidad para poder eliminar algunos costes y desperdicios de nuestra cadena de abastecimiento.

¿Qué desafíos crearon históricamente los datos incompletos o incoherentes de los pedidos para usted y para el equipo de SBD? Con Stanley Black & Decker, tenemos más de 40 000 SKU únicos, así que resulta sumamente difícil mantener los datos maestros limpios y actualizados, especialmente entre todas las distintas líneas de productos, proveedores y ubicaciones.

Tradicionalmente, hemos visto unos 2.000 pedidos manuales al mes con datos maestros incompletos o ausentes cuando llegan a Navisphere. Tradicionalmente, esos pedidos no podían avanzar hasta que alguien del equipo entraba en el sistema y los corregía. Y esto solía dar lugar a un tiempo de ciclo mucho más largo para esos pedidos.

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

Ahora hablemos de dónde nos encontramos hoy. ¿Cómo interviene el Lean AI Planner y ayuda a corregir esos pedidos en lugar de que ese trabajo tenga que realizarlo un miembro del equipo?

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

Seguimos teniendo 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 espera.

Esto se traduce en reducir el tiempo de ciclo a menos de un minuto por pedido. Casi el 90 % de lo que tradicionalmente pasaba al estado de espera estaba siendo corregido de forma proactiva por Lean AI Planner. Básicamente, ese proceso nos ahorró más de 35 horas al mes de trabajo sin valor añadido por parte de nuestros planificadores de carga. Avanzamos hacia una cadena de abastecimiento capaz de corregir incidencias antes de que generen interrupciones y retrasos en las fases posteriores. Y estamos eliminando una gran cantidad de desperdicio en el proceso.

Cuando pensamos en una evaluación tradicional e histórica de la cadena de abastecimiento, esta podía llevar semanas, podía llevar meses, podía 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, contábamos con ingenieros expertos dedicados a nuestra cuenta. Revisaban grandes volúmenes de envíos para buscar áreas de mejora y optimización. Ese proceso era ad hoc. Así que, cuando considerábamos que había una oportunidad, extraíamos los datos y realizábamos el análisis. Pero solo podía completarse periódicamente debido al gran esfuerzo que requería.

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

Por tanto, estamos hablando de pasar de semanas, tal vez meses, a minutos y luego centrarnos en materializar realmente esas oportunidades y esa reducción o ahorro de costes. Sí. También nos permite analizar más información y más oportunidades porque el sistema es capaz de examinarla en tiempo real y nosotros simplemente respondemos ante ella.

¿Podría compartir con el grupo un ejemplo de una observación o una oportunidad que haya identificado Lean AI Engineer específicamente para 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 del nuevo Lean AI Engineer: identificamos un tipo específico de oportunidad de agregación a partir de la oportunidad de uno de nuestros clientes y lo hicimos manualmente. Pero pudieron tomar los datos y aplicarlos a todos nuestros clientes sin tener que realizar estudios independientes ni extraer datos por separado. Podemos utilizar esa información para respaldar mejor las decisiones empresariales en tiempo real, y eso ha permitido ahorrar mucho y eliminar desperdicios.

¿Qué consejo daría a otros líderes de la cadena de abastecimiento 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 colaboraran con RMS para identificar un caso práctico específico en su negocio que les ayude a generar valor.

Si soluciona eso, pruebe primero con cosas pequeñas, itere, avance con rapidez, asuma que no todo va a ser perfecto, pero a raíz de eso obtendrá un resultado cuantificable. Una vez que tenga ese resultado inicial, puede compartir esos elementos tangibles con la organización y las partes interesadas, no solo para hablar de la IA, sino para mostrar realmente el valor que aporta a su negocio.

Ben, quería darte las gracias por acompañarnos. Siempre agradezco estas conversaciones. Me entusiasma compartir parte del trabajo que estamos haciendo juntos y me entusiasma aún más lo que está por venir. Gracias.

Muchas gracias, Brian. Ha sido un placer.