Transformación de la Cadena de Suministro. Simulación de complejidad con agentes inteligentes en NetLogo.

La transformación digital en la cadena de suministro (CS) de una empresa, que abarca desde la adquisición de materias primas hasta la entrega del producto al cliente, es una necesidad que beneficia la competitividad y la reducción de la huella de carbono. Su estudio interdisciplinario, involucrando matemáticas, ingeniería de procesos, econometría, ciencias de la computación, ciencias de datos, y más, ha sido fundamental para desarrollar estrategias operativas eficientes.

En este artículo, expongo el análisis que realicé en el Centro de Ciencias de la Complejidad (C3) de la UNAM para un proyecto de sistemas complejos. En este, utilicé el software NetLogo para modelar la dinámica de una CS, de una capa y cuatro fases, concentrándome en el minorista, además, basado en el juego de la cerveza y mediante variables como demanda y stock, se analiza cómo fluctuaciones mínimas pueden afectar significativamente el sistema, explorando ventas, inventario, demanda insatisfecha y costos totales.

Dinámica de Sistemas

En los años 60, con la aparición de los sistemas computacionales y el concepto de dinámica de sistemas, Jay W. Forrester del MIT publica "Industrial Dynamics" en 1961, innovando al aplicar la dinámica de sistemas a la gestión de cadenas de suministro. Según Ramírez y Peña (2011), Forrester es pionero en formalizar este enfoque en la administración de la cadena de suministro.

Por otro lado, Senge (2005) describe la "estructura sistémica" como las interrelaciones entre variables clave (no personas) que impactan la conducta a través del tiempo; como la relación entre población, recursos naturales y producción alimentaria en países en desarrollo, o la conexión entre ideas de productos e ingeniería y conocimientos administrativos en firmas tecnológicas.

Ante esto, para mi análisis seleccioné el "juego de la cerveza", porque demuestra cómo la estructura sistémica, caracterizada por cadenas de suministro de múltiples etapas, demoras, información limitada, y diversas percepciones y expectativas, puede causar oscilaciones significativas en los pedidos e inventarios. Senge (1992) aclara que la "estructura sistémica" no es externa a los individuos; como participantes de estos sistemas, tenemos la capacidad de modificar las estructuras en las que operamos, lo que subraya la importancia de entender y manejar estas dinámicas dentro de las organizaciones y cadenas de suministro.

Programación orientada a agentes

El análisis mediante software orientado a agentes, originado en la Inteligencia Artificial, es altamente efectivo para estudiar sistemas complejos. Esta metodología utiliza agentes activos que perciben su entorno y actúan basándose en estas percepciones para alcanzar sus objetivos, una aproximación descrita por Wooldridge y Jennings en 1995. Según Stuart y Peter (2005), el paradigma lógico, destacado por su capacidad para representar estados mentales de forma declarativa, facilita el desarrollo de agentes racionales al permitir la representación del entorno y la codificación de reglas para la inferencia de nuevo conocimiento.

NetLogo, desarrollado por Uri Wilensky en 1999 en el Centro de Aprendizaje Conectado y Modelado por Computadora, emerge como la herramienta idónea para la tarea de modelar una cadena de suministro. Su capacidad para simular fenómenos naturales y sociales a través de un entorno programable continúa evolucionando, ofreciendo una plataforma robusta para la implementación de modelos basados en agentes (NetLogo, 2023).

La cadena de suministro como un sistema complejo

La aceleración del cambio en ámbitos económicos, tecnológicos, sociales y ambientales exige que gerentes y responsables políticos aprendan más rápido en un contexto de creciente complejidad sistémica. Muchos problemas actuales son consecuencia no intencionada de decisiones pasadas, y las soluciones implementadas a menudo fallan, exacerbando los problemas existentes o generando nuevos desafíos (Sterman, 2010).

Según Ramírez y Peña (2011), las empresas líderes establecen metas a corto, mediano y largo plazo para adaptarse a los cambios del mercado, destacando la importancia de la gestión de operaciones y la CS como elementos clave para alcanzar objetivos estratégicos. La eficiencia y rapidez en analizar y cumplir con los compromisos tanto internos como externos son fundamentales para el éxito empresarial.

El análisis que menciona este artículo aborda la gestión empresarial desde una perspectiva de sistemas complejos, definidos por Gershenson y Heylighen (2005) como entidades de múltiples partes interconectadas cuyas interacciones dan lugar a comportamientos globales no deducibles de los comportamientos individuales. Esta visión es aplicada específicamente a la dirección de operaciones y a la CS, inspirándose en el "Juego de la Cerveza" desarrollado en los años 60 por profesores del Sloan School of Management del MIT. Sterman (1989) amplió este enfoque al simular la producción y distribución industrial, destacando que los problemas emergen más de las dinámicas de pensamiento y la interacción que de las políticas o estructuras organizativas.

Donella Meadows (2008) refuerza esta idea, argumentando que los sistemas generan su propio comportamiento, por lo que es importante analizar las estructuras que modelan las acciones individuales. Así, esta propuesta se enfoca en estudiar la CS como un sistema complejo, buscando comprender los problemas desde una estructura que facilita ciertos eventos más allá de fallos individuales o mala suerte.

La investigación sobre la CS desde la óptica de la complejidad ha generado diversos estudios que abordan esta temática con diferentes enfoques y metodologías. Saenz (2010) aplicó una simulación basada en agentes para mejorar la toma de decisiones en la CS, enfocándose en la compartición de información y la negociación entre sus miembros. Por su parte, Ramírez y Peña (2011) utilizaron la dinámica de sistemas y la Teoría del Caos para analizar las variables críticas en la CS, empleando Ithink® y Mathlab® para simular los desafíos en la gestión operativa y logística.

Icarte (2016) realizó una revisión sistemática para evaluar el impacto de la inteligencia artificial (IA) en la CS, destacando la relevancia de algoritmos genéticos y agentes inteligentes, especialmente en la planificación. Coronado, Jairo y García (2017) clasificaron la complejidad de la CS en interna, externa, estática, dinámica y decisional, proponiendo métodos para medir dicha complejidad. Chairit, Benjabhon y Kittisak (2019) investigaron cómo la innovación, el costo de transacción, el riesgo y la capacidad de respuesta influencian la complejidad de la CS, contribuyendo a la comprensión de su gestión.

Como podremos ver, estos trabajos reflejan la diversidad de enfoques y técnicas utilizadas para entender y mejorar la CS, subrayando la importancia de la innovación y la adaptabilidad en su gestión.

El modelo en NetLogo

Para este estudio se desarrolla un modelo basado en el juego de la cerveza, estructurado en cuatro fases: fabricación, distribución, mayorista y minorista, siendo este último el único en contacto directo con el cliente. Las fases mantienen una interacción continua, compartiendo información de inventarios y órdenes, por lo que cualquier cambio en una afectará a las demás. El objetivo de la simulación es identificar variables en la CS que propicien el caos o efecto látigo, fenómeno donde variaciones menores pueden amplificarse a lo largo de la cadena, generando significativas pérdidas económicas.

Figura 1.- Flujo de órdenes y productos en el modelo

Desde la visión empresarial, considerando la CS como una estructura susceptible al caos y lo impredecible, es viable diseñar estrategias reactivas y precisas para afrontar los desafíos dinámicos que presenta esta complejidad, estimulando ciertas variables, e identificando tendencias y patrones de comportamiento. Este análisis se focalizó en la etapa del minorista dentro de un modelo computacional para describir el comportamiento del sistema, aunque se reconoce la existencia de otras fases como mayorista, distribuidor y fábrica. Estas se mencionan para contextualizar el lapso de demora (4 semanas) que transcurre desde que el minorista solicita un pedido hasta que recibe el producto, sin adentrarme profundamente en ellas, pero resaltando su importancia en la dinámica de la cadena.

El diseño que modelo es el que se muestra a continuación:

Figura 2.- Relación minorista – demanda

Para este análisis, se empleó el módulo de Dinámica de Sistemas de NetLogo, específicamente para crear un modelo de agente que incluye un distribuidor local. Esta adición fue crucial para simular el tiempo de retraso de cuatro periodos (semanas), una premisa clave derivada del juego de la cerveza.

El modelo como dinámica de sistemas en NetLogo queda de la siguiente manera:

Figura 3.- Modelo en Dinámica de Sistemas de NetLogo

La pantalla de ejecución de NetLogo se diseñó para que el usuario pueda manipular las siguientes variables:

DemandaIni: Es la demanda con la que se inicia el juego, correspondiente a lo que el cliente final compra al minorista (val. 0-10).

InvDeseado: Es el inventario que se desea tener como mínimo en el almacén del minorista (val. 0-50).

IncreDemand: Es el multiplicador de la demanda de tal manera que esta pueda ir cambiando a gusto del usuario (val. 1-5).

MaxInvTienda: Es la capacidad máxima de inventario que la tienda puede almacenar (val. 1-100).

Pedidos_Fabrica: Es la orden de pedido que hace el minorista a la fábrica (val. 0-100).

De esta manera, mediante monitores en la pantalla de ejecución de NetLogo, es posible observar cómo se comporta la demanda, el inventario del minorista y la demanda insatisfecha.

Figura 4.- Diseño de la pantalla de ejecución en NetLogo

Resultados.

El análisis del modelo revela que pequeñas fluctuaciones en la demanda y la coordinación ineficiente de pedidos pueden amplificar problemas en la CS, como la acumulación de inventarios o elevados costos por oportunidad debido a la falta de disponibilidad del producto. Ilustrativamente, asignando un costo de $1.00 por producto no vendido por falta de disponibilidad y $0.50 por costo de almacenamiento, se muestra cómo la retroalimentación de información podría optimizar los pedidos del minorista a la fábrica, reduciendo pérdidas y manteniendo un equilibrio adaptable.

Un ejemplo concreto de esto es la reacción del minorista ante cambios repentinos en la demanda, sin adecuada comunicación y coordinación con otros eslabones de la CS, lo que puede llevar a decisiones que generan el efecto látigo y elevadas pérdidas financieras por producción desproporcionada. Este fenómeno se agrava cuanto más lejos se encuentra el eslabón del cliente final, con pérdidas que se acumulan en cada nodo de la cadena.

La gráfica evidencia que intentos del minorista por equilibrar demanda y oferta con pedidos crecientes (12, 16, 20 unidades) en sucesivos periodos, sin darse cuenta de que la demanda real permanecía constante en 8 unidades, resulta en una acumulación catastrófica de inventario, demostrando los riesgos de no ajustar las estrategias de pedido a las condiciones reales de demanda.

Figura 5.- Costos operativos por decisiones de pedido del minorista a la fábrica en el tiempo.

Este modelo, concebido inicialmente con un agente único, puede expandirse para incluir múltiples actores en la CS, tales como varios minoristas, mayoristas, y distribuidores regionales abastecidos por una o más fábricas. Un ejemplo ilustra cómo la inacción ante un aumento constante de la demanda conduce a un incremento en los costos asociados a la insatisfacción de esta, es decir, el costo por oportunidad perdida se incrementa significativamente, como se muestra en la figura 5.

Figura 6.- Costos operativos por inacción del Minorista ante la demanda en el tiempo.

Imaginemos ahora que el conjunto de las decisiones en una CS, en la realidad, tienen que ver con la perspectiva individual de cada persona. Y si tomamos en consideración que los actores son muy diversos, se vuelve compleja la interrelación que entre ellos generan en cada eslabón de la CS y más aún cuando esta tiene múltiples capas y una mayor cantidad de variables.

Trabajo futuro - La cadena de suministro autómata

Este artículo destaca la importancia de las decisiones en todas las fases de la CS para la eficiencia empresarial, mostrando cómo estas decisiones impactan significativamente a cada eslabón y alteran la perspectiva de quienes toman decisiones. Se propone investigar futuras estrategias autónomas, flexibles y adaptativas para responder a cambios drásticos en la demanda mediante la retroalimentación de errores, enfocándose en ajustar los pedidos a la fábrica como variable clave para mejorar la resiliencia y robustez del sistema. Además, se sugiere examinar en detalle las fases de mayoristas, distribuidores y fabricantes para entender mejor las variables críticas de estos eslabones.

La implementación de modelos de CS más complejos, con múltiples niveles, podría enriquecer la simulación y ampliar su aplicabilidad para la comunidad empresarial, ofreciendo insights para navegar en entornos volátiles. La adopción de la programación orientada a agentes permite simular comportamientos realistas y adaptativos, crucial en el dinámico escenario de negocios actual. Finalmente, se plantea el uso de MatLab en futuros análisis para aprovechar su potencia e intuición en el modelado de agentes multicapa.

Conclusiones

Este análisis subraya la importancia de tratar la CS como un sistema complejo, donde pequeñas optimizaciones pueden desencadenar grandes cambios en todo el sistema. Se observó que ajustes en los parámetros de demanda y pedidos provocan variaciones significativas en inventarios, pedidos y costos, evidenciando la sensibilidad del sistema a condiciones iniciales, un principio clave de la Teoría del Caos. Los gestores de operaciones pueden beneficiarse de entender estas dinámicas para formular estrategias eficaces, utilizando la teoría del caos y modelos computacionales complejos para analizar interacciones a lo largo de la CS.

La realidad empresarial actual, caracterizada por cambios abruptos y rápidos, exige una valoración de riesgos continua. Eventos impredecibles con impactos significativos, como los descritos por los términos “Cisne Negro” y “Rinoceronte Gris”, resaltan la necesidad de una comprensión profunda de la robustez y resiliencia de nuestros sistemas para actuar preventivamente.

Se constató que problemas como el exceso de inventario se deben más a la falta de análisis y comunicación interna que a factores externos. Esto sugiere que alcanzar un equilibrio constante en la CS es desafiante debido a las mínimas pero influyentes perturbaciones.

Para una gestión efectiva y eficiente de la CS, indispensable en las organizaciones modernas, se requiere una aproximación holística que integre complejidad, modelado basado en agentes y simulaciones, ofreciendo una base sólida para la reingeniería y mejoras en la cadena.

Bibliografía:

• Chairit, T., Benjabhon, M., & Kittisak, J. (2019). The Supply Chain Innovation, Supply Chain Transaction Cost, Supply Chain Risk and Supply Chain Responsiveness and the Supply Base and Its Complexity. International Journal of Supply Chain Management. ISSN: 2050-7399
• Coronado Hernández, J. R., & Garcia Sabater, J. P. (2017). Complejidad en la cadena de suministro: clasificación, fuentes y medición.
• Gershenson, C., & Heylighen, F. (2005). How can we think the complex. Managing organizational complexity: philosophy, theory and application, 3, 47-62.
• Icarte Ahumada, G. A. (2016). Aplicaciones de inteligencia artificial en procesos de cadenas de suministros: una revisión sistemática. Ingeniare. Revista chilena de ingeniería, 24(4), 663-679.
• Meadows, D. H. (2008). Thinking in systems: A primer. chelsea green publishing.
• NetLogo. (2019). What is NetLogo?. Recuperado de https://ccl.northwestern.edu/netlogo/docs/
• Ramírez, S. A., & Peña, G. E. (2011). Análisis de comportamiento caótico en variables de la cadena de suministro. Journal of Economics, Finance and Administrative Science, 16(31), 85-106.
• Saenz, F. (2010). Simulación basada en agentes aplicada a la cadena de suministro. Tesis. Centro Politécnico Nacional, Universidad de Zaragoza.
• Senge, P. M., & Gardini, C. (1992). La quinta disciplina (Vol. 30). Sperling & Kupfer.
• Senge, P. M. (2005). La quinta disciplina en la práctica. Ediciones Granica SA.
• Sterman, J. (2010). Business dynamics. Irwin/McGraw-Hill c2000...
• Stuart, R., & Peter, N. (2003). Artificial intelligence: a modern approach.
• Wooldridge, M., & Jennings, N. Intelligent Agents: Theory and Practice, Knowledge Engineering Review10 (2)(1995), 115-152. Google Scholar Google Scholar Cross Ref Cross Ref.

Por Carlos Campa Arvizu.

Agile & Digital Business Consulting