Como uno de los mayores proveedores finlandeses de productos cárnicos y principal empresa alimentaria del norte de Europa, Atria lleva varios años utilizando la solución de planificación de la demanda de RELEX, mejorando continuamente sus procesos de planificación.
Para mejorar aún más su capacidad de gestionar las complejidades de los productos cárnicos –una categoría compleja y desafiante– introdujeron recientemente las capacidades de machine learning de RELEX en sus procesos de la cadena de suministro para impulsar mejoras sustanciales en la precisión de las previsiones.
Gestión de una cadena de suministro compleja
La gestión de la cadena de suministro en el sector de los productos cárnicos es compleja. Por ejemplo, los productos finales de Atria tienen una vida útil corta, por lo que requieren previsiones muy precisas a nivel diario para garantizar una alta disponibilidad y un desperdicio mínimo. Además, Atria necesitaba una planificación precisa a largo plazo para equilibrar la oferta con la demanda, ya que la cría y el engorde de animales al principio de la cadena de suministro pueden durar entre 10 semanas y varios años.
Por último, Atria necesitaba gestionar mejor el impacto de la estacionalidad en su demanda a lo largo del año, así como el impacto de las decisiones comerciales de sus clientes de retail. Querían mejorar su capacidad para captar el impacto de las decisiones de los retailers, como los cambios periódicos en el surtido, las promociones o la forma en que deciden priorizar los productos y abastecerse como preparación para grandes fiestas como la Navidad.
Una base sólida en la planificación de la demanda como punto de partida
Al inicio de la andadura de Atria con la solución de planificación de la demanda de RELEX, su objetivo principal era impulsar una previsión más granular a nivel de la cadena de retail. La previsión granular era fundamental para su capacidad de contabilizar eficazmente las diversas decisiones de surtido de sus clientes de retail, las promociones y las ventas motivadas por las fiestas y los acontecimientos. RELEX aumentó con éxito la automatización de las previsiones, lo que permitió a Atria alcanzar el nivel de granularidad de las previsiones que necesitaba.
Además, Atria pudo racionalizar su cartera de aplicaciones, sustituyendo dos herramientas de planificación a medida para la planificación a corto y largo plazo con la solución unificada de planificación de la demanda de RELEX. Esta unificación les permitió combinar a la perfección la detección de la demanda a corto plazo con la planificación de la demanda a largo plazo dentro de la misma herramienta, apoyando incluso su planificación presupuestaria móvil.
Tras el éxito de la implementación en Finlandia, Atria fue extendiendo el uso de la solución de planificación de la demanda de RELEX a otros países a medida que perfeccionaba sus procesos de planificación.
La previsión de la demanda basada en IA mejora aún más la precisión de la planificación
Los resultados de un vistazo:
- 98,1 % de precisión en la previsión a nivel semanal
- Reducción del 13 % en los cambios manuales de previsiones
Atria optó por implementar las capacidades de previsión basadas en machine learning de RELEX como ayuda para gestionar mejor las complejidades del sector de los productos cárnicos.
La previsión basada en machine learning impulsó nuevas mejoras en la precisión de las previsiones de Atria, que ahora es del 98,1 % a nivel semanal, y condujo a una reducción del 13 % en los cambios manuales de previsiones. Estos KPI fueron impulsados en gran parte por la capacidad del machine learning para prever con mayor precisión la demanda durante los periodos vacacionales de grandes volúmenes, cuando los compradores tienden a gastar más en alimentos más festivos.
El nuevo enfoque de previsión de Atria detecta ahora automáticamente los cambios bruscos en la demanda y reacciona ante ellos, una capacidad que resultó especialmente valiosa durante la pandemia de la COVID-19, que afectó a la demanda por las recomendaciones de confinamiento y distanciamiento social. Atria también ha visto unas previsiones más estables, incluso después de grandes picos de ventas durante las temporadas de mayor actividad. Esta estabilidad ha mejorado mucho su planificación a largo plazo.
“Gracias a nuestra implementación inicial de RELEX, pudimos partir de la base sólida de una precisión de previsión ya de por sí elevada”, afirma Tapani Potka, Vicepresidente Sénior de Gestión de la Cadena de Suministro de Atria. “Sin embargo, tras la introducción del machine learning, quedamos extraordinariamente impresionados al comprobar cuánto más podían mejorar los algoritmos de RELEX nuestra precisión y la estabilidad de las previsiones, unas mejoras fundamentales para nuestra capacidad de gestionar la complejidad específica de nuestro sector y modelo de negocio.”
El machine learning abre nuevas oportunidades
Una de las mayores ventajas competitivas del machine learning es la capacidad de aprovechar grandes cantidades de datos externos para mejorar la precisión de la planificación a una escala que no sería posible sin el apoyo de la IA. La previsión de la demanda basada en machine learning ha liberado un nuevo potencial para el desarrollo de Atria, incluidas las oportunidades de aprovechar los datos de precios de retail en la planificación e incorporar datos sobre futuros cambios de surtido de los socios minoristas en las previsiones actualizadas automáticamente.
“Durante casi una década, hemos mantenido una emocionante colaboración de innovación con RELEX. Seguimos cosechando los beneficios de esa relación a la vez que ampliamos el uso que hacemos de las capacidades de su solución”, declara Pekka Korpeinen, Director de Liderazgo y Planificación de Atria. “Me parece evidente que RELEX y Atria comparten el mismo nivel de ambición a la hora de explorar cómo las empresas de bienes de consumo envasados pueden obtener el máximo valor de las modernas tecnologías de planificación. La incorporación de la previsión basada en machine learning de RELEX ha contribuido en gran medida al éxito continuado de nuestro negocio”.