APROXIMACIÓN A LA BÚSQUEDA DE VALORES DE REFERENCIA ÓPTIMOS PARA INDICADORES SCOR

SEARCH APPROACH FOR OPTIMAL REFERENCE VALUES FOR SCOR METRICS

APROXIMAÇAO NA PESQUISA DE VALORES DE REFERENCIA ÓTIMOS PARA INDICADORES SCOR

Jonathan Lozano Oviedo¹, Vicente Fernando Chamorro Belalcázar², Juan José Bravo Bastidas³

1 Ingeniero industrial. Magíster en Administración, Universidad del Valle. Analista Técnico, Coomeva Corrredores de Seguros. Cra. 85. N. 34-33 Q-29. Santiago de Cali, Colombia. Tel: (572) 332 27 29 / Móvil: 312 263 95 45. Correo electrónico: jonathanlozanoviedo@gmail.com.
2 Administrador de empresas. Especialista en Administración de Empresas y Pedagogía para el desarrollo. Magíster en Administración, Universidad del Valle. Asistente Logístico y Administrativo Asodesi-Visión Mundial.
3 Ingeniero industrial. Maestría en Ingeniería de Sistemas, Universidad del Valle. Candidato a PhD en Ingeniería Industrial. Profesor Asistente, Universidad del Valle.

Artículo recibido: 14-VI-2013 / Aprobado: 29-IV-2014 ]]> Disponible online: 30 de junio de 2014
Discusión abierta hasta diciembre de 2015

RESUMEN

El presente artículo plantea una estrategia de decisión que parte del uso de indicadores SCOR (Supply Chain Operations Reference Model) en una organización, resultando ya habitual en la actualidad la realización de procesos de benchmarking externo o exógeno comparando los valores SCOR de la empresa respecto a aquellos de las empresas líderes de sector. Se propone, en cambio, un benchmarking interno o endógeno comparando los valores SCOR con aquellos valores óptimos de la misma empresa, producto de un proceso de optimización matemática de la organización. Partiendo del caso particular de indicadores asociados a las operaciones de los proveedores, se observa la utilidad de la comparación endógena donde las diferencias entre el óptimo de la empresa y el valor real del indicador conduce a unos gaps que guían efectivamente los caminos de mejoramiento. Estos caminos pueden incluir la necesidad de revisar indicadores SCOR de nivel inferior, partiendo del análisis de indicadores de nivel 1, lo cual resulta un aporte relevante en la práctica del SCOR. Dado el enfoque de optimización, estas propuestas de mejoramiento consideran el mejor uso de los recursos disponibles en la empresa, sin necesidad de inversiones adicionales.

PALABRAS CLAVES: modelo SCOR; optimización; proveedor; cadena de abastecimiento; benchmarking.

ABSTRACT

This paper proposes a decision strategy related to the use of SCOR (Supply Chain Operations Reference Model) metrics in an organization that is a very common tool to conduct exogenous benchmarking by comparing SCOR values of the company with respect to those of the leaders of industry. We propose instead an endogenous or internal benchmarking comparing those SCOR values with optimal ones from the same company associated with a mathematical optimization process of the firm. Starting with the case of indicators associated with suppliers operations, we highlight the usefulness of the endogenous comparison where differences between the optimal and actual SCOR values leads to some gaps which effectively guide some improvement paths. These paths may include the need to review SCOR lower level metrics based on the analysis of the upper SCOR level. Given the focus on optimization, these improvement proposals consider the best use of available resources in the company without additional investment.

KEY WORDS: SCOR Model; Optimization; Supplier; Supply Chain; Benchmarking.

RESUMO

Este artigo apresenta uma estratégia de decisao que parte do uso de indicadores SCOR (Supply Chain Operations Reference Model) numa organizaçao, resultando já habitual na atualidade a realizaçao de processos de benchmarking externo o exógeno comparando os valores SCOR da empresa em comparaçao com os valores das empresas líderes do setor. Propoe-se em cambio um benchmarking interno o endógeno comparando os valores SCOR com aqueles valores ótimos da mesma empresa, produto dum processo de optimizaçao matemática da organizaçao. Indo do caso particular de indicadores associados as operaçoes dos provedores, observa-se a utilidade da comparaçao endógena onde as diferencias entre o ótimo para a empresa e o valor real do indicador conduze a uns gaps que guiam efetivamente os caminhos do melhoramento. Aqueles caminhos podem incluir a necessidade de revisar indicadores SCOR de nível inferior, a partir da análise de indicadores de nível 1 o qual resulta um aporte relevante na pratica do SCOR. Dado o enfoque de otimizaçao, estas propostas de melhoramento consideram o melhor uso dos recursos disponíveis na empresa, sem necessidade de inversoes adicionais.

1. INTRODUCCIÓN

En las últimas décadas han surgido múltiples propuestas de medición del desempeno de los procesos al interior de las cadenas de abastecimiento (Pasutham, 2012), y una de las más aceptadas por la industria ha sido el modelo SCOR, Supply Chain Operations Reference Model, por sus siglas en inglés (Supply Chain Council, 2010).

SCOR es un modelo de referencia de procesos desarrollado por el Supply Chain Council como una herramienta estándar para diagnosticar la gestión de la cadena de suministro. Integra dentro de su estructura la definición, identificación y jerarquización de métricas de desempeno asociadas a atributos de eficiencia en cadenas de abastecimiento, dividiendo los atributos de la cadena de acuerdo con su contextualización: atributos asociados al cliente (customer-facing), y otros orientados directamente con las operaciones internas de la cadena (internal-facing). Las métricas propuestas por el modelo SCOR han dado origen a múltiples estudios que intentan refinar aun más la medición que puede realizarse a una industria específica, y para ello pueden leerse por ejemplo los artículos de Kasi (2005), Huang, et al. (2005), Pasutham (2012), Gunakesaran, et al. (2001), Zhang y Reimann (2013), Berrah y Clivillé (2007), Chan (2003), entre otros. Las métricas del modelo se dividen en niveles, y en la Tabla 1 se observan las métricas del primer nivel. Cada métrica del nivel 1 lleva consigo un número de métricas de nivel 2 que intentan profundizar en el entendimiento o las causas de los problemas identificados en el nivel 1. Así mismo, existe un nivel 3 y un nivel 4, cuya relación con los niveles previos es, también, la de mejorar el diagnóstico percibido con las métricas de dichos niveles. En el marco de una cadena de abastecimiento todas las actividades, según el SCOR, están agrupadas en procesos, y cada eslabón de la cadena se desempena alrededor de cinco procesos gerenciales primarios: planear (plan), abastecer (source), fabricar (make), enviar (delivery) y manejar devoluciones (return). Cada proceso puede medirse a través de los grupos de indicadores, pero cada empresa debe definir la asociación entre el proceso analizado y los indicadores que le deben corresponder. Gunakesaran, et al. (2001) muestran una asociación entre las distintas métricas con los procesos SCOR, dividiendo los indicadores en estratégicos, tácticos y operativos. Este bien estructurado sistema de indicadores y procesos, usado ampliamente para análisis de desempeno logístico en la industria, permite, según Berrah y Clivillé (2007): gerenciar y mejorar la cadena de abastecimiento como un todo, y comparar el desempeno de toda o parte de una cadena, respecto al comportamiento promedio de cadenas de la misma clase (benchmarking).

Tabla 1

Dado que los indicadores SCOR propuestos por el Suply Chain Council (SCC) son evidentemente numerosos, diversos artículos han mostrado la conveniencia de usar cierto número y tipo de indicadores en la práctica. Como ejemplo se puede mencionar el trabajo de Gunasekaran, et al. (2001) quienes discuten ciertos indicadores y presentan un marco de métricas que deberían ser usadas. Ellos presentan un enlace entre las decisiones estratégicas, tácticas y operativas con el grupo de indicadores, los cuales a su vez están divididos en financieros y no financieros. Según Pasutham (2012), la propuesta de dichos autores todavía implica numerosos indicadores y no establece una prioridad entre ellos. La jerarquía entre indicadores fue propuesta por Chae, et al. (2009) y la interrelación entre las distintas métricas fue estudiada por Cai, et al. (2009). Rodríguez, et al. (2009) presentan un marco para asociar los objetivos estratégicos de la empresa con los indicadores de desempeno, y proponen el Quantitative Relationships Performance Measurement System (QRPMS). Respecto a la asociación de indicadores SCOR y modelos de optimización, Zhang y Reimann (2013) presentan una propuesta de la cual se hablará más adelante por su relevancia para esta investigación.

Lo que resta del artículo está organizado de la siguiente forma: en la sección 2 se justifica conceptualmente la pertinencia de estos valores óptimos y en la sección 3 se proponen ciertas estructuras de cálculo. Finalmente, en la sección 4 se mostrará un caso hipotético estudiado en Lozano y Chamorro (2010) inspirado en una situación real que permitirá mostrar la utilidad de los indicadores propuestos.

2. VALORES DE REFERENCIA INTERNOS DE LA CADENA

Cuando una empresa se compara con otra líder de su sector o simplemente lo hace con otra empresa con la cual desea realizar el examen, quedan como resultado de dicho estudio ciertas propuestas de mejoramiento según sea favorable o desfavorable el resultado de la comparación para la empresa.

Surgen de inmediato unas preguntas internas en la empresa: ?qué planes de mejoramiento hacer para alcanzar al líder?, ?realmente se podrá alcanzar con los recursos disponibles y con aquellos que se pueden disponer en el futuro?, ?cuál es el mejor desempeno que mi empresa puede obtener con los recursos actualmente disponibles?, ?se está haciendo en el momento lo mejor que se puede con los recursos disponibles? Estas y otras inquietudes son el resultado de algo que va mucho más allá de una simple comparación y pretende trazar caminos de mejoramiento concretos y, sobre todo, alcanzables.

Por la teoría de restricciones es bien conocido el hecho de que lo máximo que una cadena de abastecimiento puede ofrecerle a un consumidor final es aquello permitido por el eslabón más débil de la cadena. También podría decirse que el mejor desempeno de una empresa está directamente relacionado con el mejor desempeno que pueda tener la cadena de abastecimiento a la cual ella pertenece.

Desde la perspectiva de la programación matemática, el mejor desempeno de una empresa (o cadena) se llama desempeno óptimo, y dicho estado de eficiencia máxima se puede explorar optimizando -matemáticamente- la cadena de abastecimiento de la cual dicha empresa forma parte.

Los modelos de optimización, a pesar de ser una representación no exacta sino simplificada de la realidad, muestran un techo de eficiencia o eficiencia máxima -es decir, el mejor uso posible de los recursos disponibles- el cual permite identificar unos límites de desempeno que no pueden ser fácilmente sobrepasados por la empresa o cadena analizada. Lo anterior permite plantear una inquietud: ?esos límites superiores de desempeno podrían asociarse a valores de referencia óptimos para las métricas tipo SCOR? En la siguiente sección se presenta una propuesta al respecto que es la primera de su tipo de acuerdo a la literatura científica.

En la revisión realizada por Li , et al. (2011) asociada al modelo SCOR, se identifica una falta de aplicación del mismo para la optimización del desempeno de cadenas de abastecimiento. De hecho, Zhang y Reimann (2013) son los primeros en hacer explícitamente una asociación entre las métricas SCOR y la optimización de una cadena. En su artículo, ellos consideran una cadena de dos eslabones representados por un proveedor y una planta. Proponen una estrategia de optimización mult iperíodo mult iobjet ivo para el caso de un producto, considerando a cada atributo SCOR como un objetivo a alcanzar.

El enfoque de solución fue a través del método ε-restricciones aumentado (augmented ε-constraints) considerando la minimización de costos como el objetivo básico y parametrizando los restantes cuatro objetivos (confiabilidad, flexibilidad, utilización de activos y capacidad de respuesta) tal como dicho método en su versión tradicional lo sugiere. Zhang y Reinmann relacionan el objetivo de costos con la minimización de los costos de inventarios, ordenes pendientes (backorders) y alistamiento. El objetivo de utilización de activos lo relacionan con la minimización de los inventarios, el objetivo de agilidad (flexibilidad) lo asocian con la holgura de capacidad en cada uno de los eslabones, el objetivo de confiabilidad (pedidos perfectos) lo unen al objetivo del cumplimiento de la demanda -que está a su vez asociado con la disponibilidad de inventarios-, y por último, el objetivo de capacidad de respuesta lo definen como la minimización de los backorders. Puede verse que para estos autores los inventarios y los backorders juegan un indiscutible papel en todos los objetivos.

3. PROPUESTA DE INDICADORES SCOR DE REFERENCIA

A diferencia del modelo propuesto por Zhang y Reimann (2013), el aquí presentado es multiproducto, con diversas plantas, proveedores y centros de distribución, y los indicadores no se incluyen como parte de las expresiones del modelo matemático sino que se calculan después de resolver el modelo, usando los resultados de la optimización, que en nuestro caso, corresponde a una maximización de utilidades. Esta estrategia no ha sido todavía vista en la literatura.

Los indicadores SCOR propuestos aquí son asociados a la relación proveedor-planta y para representarlos se muestra la siguiente nomenclatura general del modelo.

Índices

Parámetros

¨ DEM_jz: demanda proyectada del producto terminado j en la zona z [unid/ano].

¨ CFPL_p: costos fijos de la planta p [$/ano].

¨ CVPL_jp: costo variable de fabricación del producto terminado j en la planta p [$/unid].

¨ EPL_jp: eficiencia de la planta p del producto terminado j [horas/unid].

¨ CTRPLCD_jpc: costo promedio de transporte de producto terminado j desde la planta p hacia el centro de distribución c [$/ton].

¨ CFCD_c: costo fijo del centro de distribución c [$/ano].

¨ CVCD_jc: costo variable de manipulación por unidad de producto terminado j en el centro de distribución c [$/unid].

¨ TCD_c: tiempo máximo de operación permitido en el centro de distribución c [horas/ano].

¨ CTRCDCL_jcz: costo de transporte por tonelada de producto terminado j desde el centro de distribución c hasta la zona de consumo z [$/ton].

¨ CTRPROVPL_sp: costo de transporte por tonelada de materia prima desde proveedor s hasta la planta p [$/ton].

¨ CPROV_rs: capacidad de producción del proveedor s de la materia prima r [unid/ano].

¨ COSTMP_rsl: costo unitario de compra de la materia prima r del proveedor s asociado a un lote de tamano l [$/unid].

¨ PMP_rs: peso promedio de una unidad de materia prima r del proveedor s [ton/unid medida].

¨ PPT_j: peso promedio de una unidad de producto terminado j [ton/unid].

¨ TMAXPL_p: tiempo máximo de producción permisible en la planta p [horas/ano].

¨ CPROD_jp: capacidad de producción del producto j en la planta p [unid/ano].

¨ CMAXCD_jp: capacidad máxima de manipulación permitida para el producto j en el centro de distribución c [unid/ano].

¨ PV_j: precio de venta del producto terminado j al cliente final. [$/unid].

¨ LTprovedor_rs: tiempo promedio de producción de cada pedido de materia prima r del proveedor s [horas/pedido].

¨ PVCPT: promedio de ventas a crédito del producto terminado, fabricado en la planta [$/ano].

¨ PCMPAC_s: promedio de compras de materia prima adquirida a crédito por la planta desde el proveedor s [$/ano].

¨ CPU: cantidad de unidades de materia prima por pedido [unid/pedido].

Variables de decisión (no negativas)

¨ mp_rsp: cantidad de unidades de materia prima r adquirida por la planta p desde el proveedor s. [unid/ano].

¨ x_jpc: cantidad de producto terminado j fabricado en la planta p y embarcado hacia el centro de distribución c [unid/ano].

¨ y_jcz: cantidad de producto terminado j enviado desde el centro de distribución c hacia la zona de consumo z [unid/ano].

A partir de las variables y parámetros del modelo de optimización de la cadena de suministro se construyeron una serie de indicadores propuestos según el modelo SCOR para el análisis de la eficiencia logística en los proveedores de la cadena. Recordemos que estos indicadores estratégicos SCOR están directamente asociados al único objetivo de maximización de utilidades. En este sentido, no se trata estrictamente de valores de referencia máximos o mínimos en sí mismos. En vez de ello, se trata preferentemente de valores de referencia frente a los cuales se debería intentar estar lo más cerca posible. Sin embargo, esto no inhibe que algunos de los indicadores puedan ser vistos como valores de referencias máximos o mínimos, tal como lo mostraremos. Las variables que aparecerán con un asterisco (*) se referirán a los valores óptimos arrojados por el modelo. De igual manera, los valores de los indicadores que tienen un asterisco son aquellos calculados con la solución óptima del modelo, y los que no tienen asterisco en la sección 7 se asociarán a los valores de los indicadores calculados por la empresa.

3.1. Indicador de desempeno en la entrega del proveedor (DErs)

Este es un indicador de confiablidad que puede asociarse al cumplimiento del pedido perfecto, que permite establecer la cantidad de pedidos de materia prima que cada proveedor debe entregar en el periodo de estudio para satisfacer los requerimientos de producción y maximizar la función objetivo.

El recibir del proveedor más o menos del valor estipulado por DE^*_rs perjudicaría la maximización de utilidades, razón por la cual no sería un valor que la empresa debería ver como un máximo o como un mínimo en sentido estricto.

3.2. Cumplimiento del lead time de los pedidos de materia prima de la cadena (CLTP_rsp)

Este indicador de capacidad de respuesta hace referencia al lead time (LT) necesario para el cumplimiento de los pedidos que se realicen de cada materia prima adquirida desde cada proveedor para enviar hacia la planta de producción seleccionada por el modelo. CLTP^*_rsp es el tiempo de ciclo de fábrica (medido en horas-pedido) requerido para completar los pedidos de materia prima r realizados al proveedor s a enviar a la planta p de la cadena de suministro óptima:

Este indicador puede tomarse como un valor máximo de referencia.

En este artículo la flexibilidad en la capacidad de producción del proveedor es un indicador de agilidad que se cuantifica como la holgura de capacidad para enfrentar una demanda imprevista de materia prima, una vez se hayan cumplido con los pedidos de demanda inicialmente pactados.

Sin pérdida de generalidad, arbitrariamente se puede determinar que:

0-30 [%]: Flexibilidad de producción baja
70-100 [%]: Flexibilidad de producción alta

Así, sobre la base de este indicador se podría determinar cuáles proveedores son adecuados para cumplir con una demanda imprevista en el periodo de estudio. Aquellos proveedores que tengan la capacidad suficiente para producir y sean adecuados en términos de costos, serían los elegidos para tomar decisiones pos-óptimas asociadas a capacidad. Por lo anterior, este indicador podría tratarse como un valor mínimo de referencia para aquellos valores superiores al 0 %, pero debería ser un valor máximo de referencia para aquellos valores iguales a 0 % -que implica que no se desea que las combinaciones de materia prima-proveedor asociadas a un 0 % de holgura tengan capacidad disponible-.

3.4. Porcentaje de participación del proveedor en el costo total de gestión de la logística (CTGLs)

En este indicador de costos (medido en %/ proveedor), se relaciona la proporción de los costos comprometidos con el proveedor con respecto al costo total de la gestión de la cadena. La variable U está relacionada con el valor objetivo óptimo.

Nótese que el numerador A* podría incluir también los costos de transporte desde el proveedor correspondiente, pero se ha omitido sin pérdida de generalidad. Este es un indicador de referencia máximo.

3.5. Tiempo de ciclo de cash-to-cash (TCCTC_s)

Según Zhang y Reimann (2013), este es un indicador de uso de activos y está asociado en el presente artículo al tiempo requerido (en días) para convertir el efectivo pagado a los proveedores en dinero en efectivo recibido de los clientes. Cuanto más largo sea el ciclo del efectivo, habrá mayor necesidad de activos Corrientes (en relación a los pasivos Corrientes), pues lleva más tiempo convertir en efectivo las cuentas a cobrar. En otras palabras, cuánto más largo el tiempo de ciclo, mayor necesidad de capital de trabajo.

TCCTC_s = Días de Cuentas a Cobrar - Días de cuentas a pagar.

Este indicador representa también un valor de referencia máximo. En la modelación de indicador no se han considerado muchas variables influyentes en el tiempo de ciclo del efectivo, como por ejemplo las consideraciones de pronto pago. La Tabla 2 resume el significado de los anteriores indicadores.

4. MODELO MATEMÁTICO GENÉRICO

Función objetivo

Restricciones

Partiendo de la nomenclatura, puede observarse que la restricción 1 se asocia a la capacidad de proveedores y la 2 corresponde al balance entre el flujo de materias primas adquiridas y lo producido en la planta. Por su parte, la restricción 3 corresponde al balance del flujo de producto terminado entre las plantas y los centros de distribución; la restricción 4 limita la capacidad de producción de las plantas, mientras que la restricción 5 limita la capacidad de los centros de distribución. Finalmente, la expresión 6 corresponde a las restricciones asociadas al cumplimiento de demanda.

5. CASO DE ESTUDIO

El siguiente caso pretende mostrar, con cierto escenario de datos, una interpretación de los indicadores antes presentados. Se analizará un caso de producción-distribución de un producto y múltiples materias primas -4 en total-, basado en un caso real de la industria de la confección colombiana. El único producto está representado por un pantalón clásico para hombre talla 32. Se cuenta con 6 proveedores, 2 plantas de manufactura, 4 centros de distribución y 5 zonas de mercado. Esto quiere decir que r = {1,...,4}, s = {1,...,6}, p = {1,...,2}, c = {1,...,4}, z = {1,...,5}. Algunos datos relevantes del caso se detallan a continuación.

La Tabla 3 muestra la cantidad de materia prima requerida por cada pantalón. Como dato de relevancia para el modelo se tiene que el peso de un pantalón es 0,85 kg. Las Tablas 4 y 5 presentan los datos de lead time y capacidad de proveedores, siendo que no todos los proveedores abastecen todas las materias primas. El tiempo de transporte de la materia prima desde el proveedor hacia las plantas se muestra en la Tabla 6.

Tabla 4

Tabla 6

La demanda de las 5 zonas en unidades/ano es: Pasto 5.500, Bogotá 94.367, Cali 59.552, Popayán 3.542 y Bucaramanga 7.251. El precio de venta unitario del producto terminado es de $ 145.000 y el promedio de ventas totales a crédito es de 400 millones de pesos al ano. Los costos fijos y variables que se generan en la cadena de abastecimiento son los que se muestran en la Tabla 7.

Se asume que las plantas trabajan 5.760 horas/ano (equivalentes a dos turnos de 8 horas diarias con 360 días laborales al ano), y los centros de distribución 2.880 horas/ano (equivalente a un turno diario de 8 horas). La información sobre la eficiencia y producción máxima anual de las plantas se expresa en la Tabla 8.

Se asume un promedio histórico de compras de materia prima a crédito por la plantas, como se muestra en la Tabla 9. La calidad de la materia prima ofrecida por los diferentes proveedores del hilo, botones, drill y cremallera es comparable; por lo tanto no se consideran elementos decisorios en torno a la calidad de la materia prima ofrecida en el mercado.

Tabla 9

Los valores de las eficiencias en manipulación (en horas/unidad) en los centros de distribución se asumen así: CD1 0,03; CD2 0,05; CD3 0,20; CD4 0,25.

Por ser este un caso de estudio hipotético -y solo con el objeto de tener valores en cierta medida asociados a la realidad para el costo de transporte de la materia prima desde los proveedores hacia las plantas del producto terminado, por tonelada, desde las plantas hacia los centros de distribución y desde estos hacia las zonas de consumo-, se consideraron las tarifas mínimas anteriormente sugeridas entre las principales ciudades de Colombia, establecido en el ano 2002 por el Ministerio de Transporte de Colombia¹. Por último, el parámetro CPU se estableció arbitrariamente para efectos de este caso en un valor de 70 y el costo unitario anual de mantenimiento del inventario de producto terminado en las Plantas 1 y 2 se estableció en 10.800 y 9.000 respectivamente.

Respecto a los resultados generales del modelo, programado en lenguaje AMPL (po sus siglas en inglés A Mathematical Programming Language) y resuelto con solucionador CPLEX, se pueden mencionar algunos aspectos antes de mostrar los valores asociados a los indicadores. A la planta 1 le llegan en total 96.000 unidades de cada materia prima, donde cada unidad tiene las dimensiones establecidas en la Tabla 2, produciendo 96.000 pantalones. De esta cantidad, 84.480 se envían al centro de distribución CD1 y los 11.520 restantes al centro de distribución CD4. A su vez, el centro de distribución CD1 transporta los 84.480 pantalones a la zona de consumo 2, y el centro de distribución CD4 reparte los 11.520 pantalones enviando 4.269 a la zona de consumo 2 y los 7.251 a la zona de consumo 5. Para la planta PL2 le llegan 72.000 unidades de cada materia prima, fabricando 72.000 pantalones. De esta cantidad se envían 57.600 al centro de distribución CD2 y dicho número se distribuye en la zona de consumo 3. Los 14.400 restantes fabricados por la planta 2 se envían al centro de distribución CD3, y este centro distribuye 5.500, 3.406, 1.952, y 3.542 a las zonas de consumo 1, 2, 3 y 4, respectivamente.

Con la distribución y procesamiento del producto terminado y materia prima, se logra cumplir en un 98,7 % la demanda total y maximizar la utilidad a un valor de $7.560.354.951, utilizando la capacidad total de las dos plantas, el 88 % del centro de distribución CD1, y el 100 % de la capacidad de los tres restantes.

A continuación se presentan los resultados de los indicadores construidos a partir de los resultados arrojados por el modelo en el caso de estudio.

6.1 Indicadores del Modelo SCOR

Las Tablas 10 a la 14 muestran los resultados óptimos obtenidos de los indicadores DE_rs, CLTP_rsp, FP_rs, CTGL_s y TCCTC_s.

Como una forma de interpretar los anteriores resultados en el marco del cumplimiento del objetivo estratégico de la cadena de abastecimiento -el cual es maximizar la utilidad-, se presenten a continuación ciertos conductores de valor estratégico asociados a dichos indicadores y que las empresas deberían considerar.

6.2. Interpretación básica de indicadores enmarcada en conductores de valor estratégico

• Atributo de desempeno SCOR: "Fiabilidad en la cadena de suministro" [Cumplimiento del pedido perfecto]

Tabla 11

• Atributo de desempeno SCOR: "Receptividad en la cadena de suministro" [Tiempo de ciclo de fábrica de la materia prima]

Bajo la solución óptima de compra de materia prima arrojada por el modelo, se recomienda realizar pedidos de drill e hilo a los proveedores PR1, PR2, y PR3. Con respecto a los botones se sugiere comprar a los proveedores PR4 y PR6; y finalmente los pedidos de cremalleras a los dos anteriores más PR5, en las cantidades expresadas en la Tabla 10.

Por lo anterior, según la Tabla 11, dichos proveedores se deben comprometer a cumplir con el tiempo de ciclo de fabricación de dichos pedidos de materia prima bajo un panorama de desempeno óptimo. Así, por ejemplo, el proveedor PR1 óptimamente no se debería tardar más de 4.428 horas para la fabricación de los 700 pedidos de drill a enviar a la planta 1, y hasta 1.055 horas fabricando 165 pedidos de drill para la planta 2.

• Atributo de desempeno SCOR: "Flexibilidad en la cadena de suministro" [La flexibilidad en la capacidad de producción del proveedor]

De acuerdo a los valores de la Tabla 12, los proveedores que presentan mayor holgura de capacidad en producción, una vez se hayan cumplido los pedidos de materia prima solicitados por las plantas, son en el Drill el proveedor PR2 (33,94 %), en el hilo el proveedor PR1 (44,44 %), los botones con el proveedor PR4 (100 %), seguido de PR5 (33,59 %) y en las cremalleras también con PR5 (93,22 %). Esto se debe a que el modelo siguiere comprar la mayor cantidad de pedidos de cremalleras y botones a los proveedores PR4 y PR6, mientras que para la compra del drill e hilos se proponen los proveedores PR1, PR2 y PR3, donde este último no presenta capacidad de producción, ocurriendo lo mismo con el proveedor PR2 para la materia prima Drill.

• Atributo de desempeno SCOR: "Costos de la cadena de suministro" [Costo de materias primas]

En búsqueda de un control en los costos de abastecimiento en la cadena es preciso que, según la Tabla 13, el porcentaje óptimo de participación del proveedor en el costo total de la gestión de la logística (CTGLs) se presente en una mayor proporción en los proveedores PR1, PR2 y PR3, observando que el límite superior sugerido para la participación de los proveedores PR3, PR4 y PR5 en el costo total de logística es muy pequeno.

Tabla 13

• Atributo de desempeno SCOR: "Gestión de los activos de la cadena de suministro" [Tiempo de ciclo cash to cash]

De acuerdo a los indicadores asociados a los conductores de valor estratégico, en la mejora del servicio al cliente y en la reducción del costo total de la gestión de la logística, es posible minimizar el tiempo requerido para convertir el efectivo pagado a los proveedores en efectivo recibido por los clientes (TCCTCs), como se aprecia en la Tabla 14. Podría afirmarse que la cadena de suministro puede contar con un buen nivel de eficiencia en el manejo de su capital de trabajo asumiendo que los valores óptimos obtenidos no son significativamente grandes, y según lo cual, se podría esperar en un tiempo razonable el retorno de la inversión de la compra de materia prima en las ventas generadas del producto terminado.

Tabla 14

7. DINÁMICA DE MEDICIÓN Y SEGUIMIENTO EN LA EMPRESA

Una vez la empresa tenga calculados los valores de referencia óptimos, debe proceder a calcular las diferencias -que en adelante llamaremos gaps- entre los valores reales de la empresa y los óptimos. Así, se tendría por ejemplo que |DE^* _rs -DE_rs | = Gap₁, procediendo similarmente con el resto de indicadores para obtener finalmente cinco (5) gaps. Lo que se busca es que estas diferencias estén lo más cercanas posible a cero o que la empresa estipule un valor de cercanía permisible δ. Es decir, la empresa puede establecer, en el marco del seguimiento de los gaps, una regla de control del tipo gap ≤ δ.

La Figura 1 muestra una estrategia de control de desempeno partiendo de la búsqueda de indicadores óptimos y posteriormente comparando estos con la situación real de la empresa, estableciendo así los gaps. La representación de los gaps en la Figura 1 está asociada al tipo de valor de referencia que representa cada indicador de acuerdo a lo mostrado en la Tabla 2. El análisis de los gaps resulta ser, en efecto, una herramienta de toma de decisiones siempre reconociendo que las métricas propuestas son de nivel 1 (estratégicas) asociadas a los proveedores, pero que bien podría extenderse a métricas de otro nivel en el marco del SCOR y relacionando otros actores de la cadena productiva.

Figura 1

La Figura 2 muestra el potencial de decisiones que pueden surgir con esta estrategia metodológica.

Figura 2

Las reglas de decisión propuestas en la Figura 2 muestran caminos que conducen, no solamente a revisar los procesos actuales, sino también a mirar otras métricas que pueden ser del mismo nivel o incluso de un nivel distinto. Es decir, cuando una métrica de nivel estratégico o nivel 1 se encuentra en un estado conforme, puede ser conveniente mirar la problemática desde otro nivel, es decir, desde una perspectiva más táctico-operativa, pudiéndose llegar a explorar indicadores asociados a las operaciones del día a día, todo con el fin de encontrar fuentes potenciales de mejoramiento. Esto en efecto llena un vacío en la práctica del uso del SCOR, dado que no ha sido suficientemente claro el procedimiento de pasar de un nivel de indicadores a otro. Además, dado que la comparación se hace con los valores óptimos de la empresa partiendo de sus recursos disponibles, estos mejoramientos determinan un importante límite respecto a lo que la empresa puede efectivamente hacer sin realizar nuevas inversiones.

8. CONCLUSIONES Y FUTURAS INVESTIGACIONES

El presente artículo plantea una estrategia de decisión que parte del uso de indicadores SCOR® en una organización, resultando ya habitual la realización de procesos de benchmarking externo o exógeno comparando los valores SCOR de la empresa respecto a aquellos de las empresas líderes de sector. Se propone en cambio un benchmarking interno o endógeno comparando los valores SCOR con aquellos valores óptimos de la misma empresa, producto de un proceso de optimización matemática de la organización. Partiendo del caso particular de indicadores asociados a las operaciones de los proveedores, se puede observar la utilidad de la comparación endógena donde las diferencias entre el óptimo de la empresa y el valor real del indicador conduce a unos gaps que guían efectivamente los caminos de mejoramiento. A pesar de haberse empleado un caso simple del sector confecciones no se ha pretendido realizar un análisis de dicho sector, lo cual requeriría sin duda un estudio mucho más completo, con variedad de referencias y consideraciones temporales. Lo que se ha buscado es mostrar cómo a través de modelos de optimización pueden disenarse indicadores que harían posible un benchmarking endógeno basado en el modelo SCOR. Como una futura investigación está la exploración de indicadores SCOR en el marco de modelos de optimización lineales enteros-mixtos con múltiples objetivos, donde los métodos de solución podrían jugar cierto rol importante.

_____________________________ ]]> Notas
1 En Colombia la tabla de fletes dejó de aplicar, pero su utilidad en este artículo radica en la comparación de los costos de transporte entre las ciudades. La tabla en mención se puede descargar de la siguiente dirección electrónica: https://www.mintransporte.gov.co/documentos.php?id=14&colorder=fecha&order=ASC&offset=2.

REFERENCIAS

Berrah, L.; Cliville, V. (2007). Towards an Aggregation Performance Measurement System Model in a Supply Chain Context. Computers in Industry, 58, 709-719.         [ Links ]

Cai, J.; Liu, X.; Xiao, Z.; Liu, J. (2009). Improving Supply Chain Performance Management: A Systematic Approach to Analyzing Iterative KPI Accomplishment. Decision Support Systems, 46, 512-521.         [ Links ]

Chae, B. (2009). Developing Key Performance Indicators for Supply Chain: An Industry Perspective. Supply Chain Management: An International Journal, 14(6), 422-428.         [ Links ]

Chan, F. T. S. (2003). Performance Measurement in a Supply Chain. Int J Adv Manuf Technol, 21, 534-548.         [ Links ]

Gunasekaran, A.; Patel, C.; Tirtiroglu, E. (2001). Performance Measures and Metrics in a Supply Chain Environment. International Journal of Operations and Production Management, 21(1/2), 71-87.         [ Links ]

Huang, S.H.; Sheoran, S.K.; Keskar, H. (2005). Computer-Assisted Supply Chain Configuration Based on Supply Chain Operations Reference (SCOR) model. Computers and Industrial Engineering, 48, 377-394.         [ Links ]

Kasi, V. (2005). Systemic Assessment of SCOR for Modeling Supply Chains. Proceeding of the 38th Hawaii International Conference on System Science, p. 1-10.         [ Links ]

Li, L.; Su, Q.; Chen, X. (2011). Ensuring Supply Chain Quality Performance Through Applying the SCOR Model. International Journal of Production Research, 49, 33-57.         [ Links ]

Lozano, J.; Chamorro, V.F. (2010). Análisis de la eficiencia logística en una cadena de abastecimiento con optimización. Trabajo de grado Ingeniería Industrial. Universidad del Valle. Ministerio de Transporte Colombiano (2008). Resolución No. 003175 del 1 de agosto del 2008. [En línea] Disponible en: http://www.mintransporte.gov.co/servicios/normas/archivo/Resolucion_003175_2008.pdf.         [ Links ]

Pasutham, A. (2012). Supply Chain Performance Measurement Framework. Case Studies on the Thai Manufactures. Tesis Doctoral, Aston University, Birmingham, Reino Unido.         [ Links ]

Rodríguez, R.; Saiz, J.J.; Bas, A. (2009). Quantitative Relationships Between Key Performance Indicators for Supporting Decision-Making Processes. Computers in Industry, 60, 104-113.         [ Links ]

Supply Chain Council (2010). El Modelo de referencia de operaciones de la cadena de suministro (SCOR, Supply Chain Operations Referente Model, versión 9.0).         [ Links ]

Zhang, W.; Reimann, M. (2013). Towards a Multi-Objective Performance Assessment and Optimization Model of a Two-Echelon Supply Chain Using SCOR Metrics. Central European Journal of Operations Research, 22(4), pp. 591-622.         [ Links ]