Acerca de las cookies en este sitio Nuestros sitios web requieren algunas cookies para funcionar correctamente (obligatorio). Además, se pueden usar otras cookies con su consentimiento para analizar el uso del sitio, mejorar la experiencia del usuario y para publicidad. Para obtener más información, revise sus opciones de. Al visitar nuestro sitio web, usted acepta nuestro método de procesamiento de información tal como se describe en ladeclaración de privacidad de IBM. Para proporcionar una navegación fluida, sus preferencias de cookies se compartirán entre los dominios web de IBM enumerados aquí.
Ventaja de la IA: cómo visualizar y optimizar los flujos de trabajo
Cómo usar la solución IBM Process Mining para optimizar los procesos del pedido al cobro
Cuando un negocio opera instalaciones en cinco continentes, con cadenas de suministro que se extienden por miles de kilómetros, las interrupciones en cualquier paso del proceso del pedido al cobro (O2C) pueden provocar retrasos en la entrega de productos. Pero debido a la complejidad de sus operaciones lejanas, una gran empresa multinacional de fabricación (MMC) tenía problemas para encontrar las causas principales de los retrasos que ocurrían en su actividad logística.
“Observamos diferencias significativas en los plazos de entrega promedio y los costos de entrega entre diferentes clientes, y los motivos de estas diferencias no se entendían bien”, dice el vicepresidente de Logística de la MMC. “También vimos que muchos pedidos se suspendían, pero no siempre podíamos determinar quién introducía los bloques o por qué no se ajustaban a los procesos estándar”.
Aunque los gerentes de logística de la MMC intentaron repetidamente reducir los retrasos, la acción correctiva se vio obstaculizada por información incompleta e inconexa. Como no se controlaban las desviaciones de los procesos estándar, no había forma de entender cómo repercutían en los plazos de entrega y los costos.
“Hasta que no tuviéramos una mejor visión de dónde y por qué se estaban introduciendo retrasos en el sistema, no podríamos tomar las medidas necesarias para corregir las desviaciones”, dice el vicepresidente de la MMC. “También creíamos que si teníamos una visión detallada e integral de los procesos reales que se utilizan, podríamos comenzar a automatizar más procesos y reducir el esfuerzo humano”.
A través de entrevistas y métodos informales, los gerentes de logística de la MMC intentaron trazar los procesos de O2C, identificar cuellos de botella y corregir anomalías, sin éxito. “Pero luego, mientras implementábamos nuestra plataforma ERP, nuestro socio de integración de sistemas recomendó una nueva herramienta”, dice el vicepresidente de la MMC. “Podría proporcionarnos una visión detallada de todos los procesos y personas involucradas del pedido al cobro y a partir de la que se pueda crear un modelo sobre datos del mundo real derivados de nuestro sistema ERP. Estábamos intrigados por las posibilidades”.
Ahorro de costos
Se redujo la cantidad de instancias de Fecha de entrega cambiada para un ahorro de costos de USD 50,000 y se redujo el plazo de entrega en 3 días.
Automatización de entregas
Adoptó una solución RPA para reducir la reelaboración y automatizó el 75
% de la actividad de entrega para lograr USD 60,000 en ahorros de costos
Después de revisar una prueba de concepto (POC), la MMC eligió la solución IBM® Process Mining y la implementó con el software IBM Cloud Pak® for Business Automation. IBM Process Mining también se incluye como una capacidad fundamental en la cartera de soluciones de IBM Cloud Paks for Automation. “Queríamos ver un 'gemelo digital' de nuestra organización logística”, dice el vicepresidente de la MMC, “para poder identificar los cuellos de botella en nuestros procesos O2C y detectar oportunidades de automatización”.
Cuando los ejecutivos de la MMC vieron su proceso O2C mapeado por primera vez, tuvieron la misma respuesta que muchos clientes tienen con la tecnología de simulación impulsada por IA. “Nuestra primera reacción fue: 'Ustedes dibujaron esto. No creemos que se haya creado automáticamente a partir de los datos”. La segunda reacción fue: 'No es verdad, los datos son incorrectos'”, comenta el VP de la MMC. “Pero tan pronto como exploramos la simulación, pudimos ver qué tan bien se construyó este modelo, basado en los datos del mundo real de nuestra plataforma de ERP. En verdad nos abrió los ojos”.
Al trabajar con la herramienta para estudiar todas las actividades, puntos de contacto y empleados involucrados en el proceso O2C, el equipo de logística de la MMC pudo:
- Analizar el comportamiento de los procesos, encontrar actividades que no estaban en cumplimiento e identificar oportunidades de mejora
- Identificar las actividades críticas en términos de impacto en los costos y variabilidad del tiempo de entrega
- Descubrir los usuarios clave de los procesos y verificar la segregación de tareas
- Supervisar la repetición de trabajos para descubrir en dónde afectan los errores y los procedimientos inadecuados a los cronogramas de entrega.
- Descubrir los costos relacionados con las actividades manuales y dónde había potencial para la automatización
El análisis del comportamiento de los empleados proporcionó información estratégica reveladora. Por ejemplo, una gerente de logística estaba anulando manualmente los cronogramas para ayudar a su fábrica a cumplir con los objetivos de producción. “Estaba tratando de ayudar, pero en realidad estaba creando retrasos”, dice el vicepresidente de la MMC. “Hablamos con ella y le explicamos que su equipo estaba haciendo un trabajo mucho mejor sin su intervención”.
Después de analizar el modelo del proceso O2C creado por la herramienta IBM Process Mining, y utilizar los paneles de control de la herramienta para supervisar la actividad, los gerentes de logística de la MMC pudieron:
- Reducir la cantidad de instancias de Fecha de entrega modificada, ahorrando USD 50 000 en costos y acortando el tiempo de entrega en tres días.
- Monitorear continuamente la variabilidad del tiempo de entrega del cliente, que aumentó la alineación de KPI en un 25 % para las actividades de eliminación de bloque logístico y fecha de entrega cambiada
- Rediseñar el proceso para reducir las actividades de eliminación de bloques logísticos, lo que generó más de USD 100,000 en ahorros de costos y redujo los tiempos de entrega promedio en dos días
La plataforma IBM Process Mining también permitió a la MMC implementar herramientas de automatización robótica de procesos (RPA), un objetivo a largo plazo de la organización. Al monitorear el rendimiento de RPA, la empresa:
- Automatizó el 75 % de la actividad de entrega, lo que generó un ahorro de costos de USD 60,000 y redujo significativamente la repetición de trabajos.
- Automatizó el 75 % de la actividad de creación de líneas para obtener ahorros de costos de USD 50,000 y reducir los plazos de entrega en tres días
“Automatizar procesos donde sea factible representa una gran oportunidad para nosotros”, dice el vicepresidente de la MMC. “Debido al volumen de trabajo que tenemos en logística, a veces luchamos con los recursos humanos que tenemos disponibles. Al reducir la cantidad de veces que las órdenes están bloqueadas o reprogramadas, podemos liberar tiempo para que nuestro personal trabaje en otras tareas”.
“Uno de los pasos que queremos dar en el futuro con IBM Process Mining es comprender los comportamientos de los clientes y cómo éstos pueden añadir retrasos y costos relacionados al proceso”, afirma el vicepresidente de la MMC. “Creemos que esta herramienta nos ayudará a cambiar estos comportamientos para poder reducir los plazos de entrega y ser más rentables”.
Como una gran empresa global, la MMC se suscribe a una variedad de servicios de inteligencia empresarial para la supervisión y planificación del rendimiento. “Ya tenemos mucha información con la cual trabajar, pero hay varios KPI críticos para el negocio que monitoreamos con IBM Process Mining que no podemos conseguir en ningún otro lugar”, dice el vicepresidente de la MMC. “Siempre es necesario mantenerse por delante de la competencia. Y al aumentar la automatización de nuestros procesos de negocio con IBM Process Mining, tenemos la intención de ampliar la brecha entre nosotros y nuestros competidores”.
Acerca de la empresa multinacional de fabricación (MMC)
Fundada hace más de 100 años, la MMC opera más de 100 plantas en 50 países y tiene más de 20,000 empleados. Es un proveedor líder en las industrias de telecomunicaciones, transmisión de energía, construcción y transporte. El cliente que aparece en este caso práctico contrató inicialmente a myInvenio, que empezó a operar como IBM el 1 de agosto de 2021. El producto myInvenio en este estudio de caso, myInvenio Process Mining, ahora se conoce como IBM Process Mining.
Notas de pie de página
© Copyright IBM Corporation 2022. IBM Corporation, New Orchard Road, Armonk, NY 10504
Producido en los Estados Unidos de América, marzo de 2018.
IBM, el logotipo de IBM, ibm.com e IBM Cloud Pak son marcas de International Business Machines Corp., registradas en muchas jurisdicciones de todo el mundo. Otros nombres de productos y servicios pueden ser marcas registradas de IBM o de otras empresas. Una lista actual de marcas comerciales de IBM está disponible en la web en "Información sobre derechos de autor y marca registrada" en https://www.ibm.com/mx-es/legal/Copyrighttrade.
Este documento está actualizado a la fecha inicial de publicación e IBM puede modificarlo en cualquier momento. No todas las ofertas están disponibles en todos los países en los que opera IBM.
Los datos de rendimiento y los ejemplos de clientes citados se presentan solo con fines ilustrativos. Los resultados de rendimiento reales pueden variar según las configuraciones específicas y las condiciones de funcionamiento. LA INFORMACIÓN CONTENIDA EN ESTE DOCUMENTO SE PROPORCIONA “TAL CUAL”, SIN NINGUNA GARANTÍA, EXPRESA O IMPLÍCITA, INCLUIDAS LAS GARANTÍAS DE COMERCIABILIDAD, IDONEIDAD PARA UN FIN DETERMINADO Y CUALQUIER GARANTÍA O CONDICIÓN DE NO INFRACCIÓN. Los productos de IBM están garantizados de conformidad con los términos y condiciones de los acuerdos bajo los cuales se proveen.