BOLETIN DE ESTUDIOS ECONOMICOS

Vol. LXVI - N.º 204 - Diciembre 2011

(Páginas 531-550)

PANORAMA DE LA GESTIÓN DE LA CADENA DE

SUMINISTRO: RETOS, COLABORACIÓN Y GESTIÓN
DE EXCEPCIONES

Esther Álvarez
Fernando Díaz
Miguel A. Larrinaga
Universidad de Deusto

El mundo empequeñece a la vez que las nuevas tecnologías acercan

pueblos, “aplanan” la tierra (ver Friedmann, 2005) y permiten una mayor
personalización en la producción y en el servicio, atendiendo no sólo a
mercados de masas (ese 20% de la cartera de productos que supone el
80% de los ingresos) sino ofreciendo opciones rentables a productos C
(el 80% que apenas se mueve, ver Anderson, 2006). La visión logística,
por tanto global, es la mejor lupa para garantizar un servicio rentable,
sostenible y en ese punto la colaboración es el elemento llave. Este artí-
culo comienza, por tanto, en una aproximación “top-down”, sobre la
importancia de la logística –hecho que no por recurrente, no se puede
dejar de mencionar– hasta la presentación de un proyecto en el que par-
ticipan sus autores para mejorar la colaboración en el contexto concreto
de la gestión de excepciones.

1. La logística en su lugar

No cabe duda de que la supervivencia de una empresa proviene en

gran parte del hecho de que el cliente repita la compra de sus servicios y
productos. Pero lo que ve el cliente es el resultado final de toda una cade-
na de agentes –proveedores, fabricantes, transportistas, distribuidores,
incluso administraciones públicas, ongs– que deben ser considerados de
una forma holística. Se repite, y cada vez es más cierto que no son las
empresas quienes compiten sino las cadenas de suministro (Christopher,
2011). Una cadena de suministro (supply chain), recordemos que tiene
dos funciones: crear productos y servicios y posibilitar el intercambio
con los clientes y proveedores.
532 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

La crisis desatada en 2008 destapó los riesgos de la virtualidad financie-

ra frente a la realidad de los procesos de gestión más físicos dentro de la
empresa. De hecho podemos ver los siguientes retos en los próximos meses.

1.1. Los procesos de flujos físicos: mercancías y productos

Producir, Productividad, Eficiencia, son palabras que vuelven a estar

de moda y este reenfoque hacia lo productivo coloca la gestión logística
o de cadena de suministro en la agenda de todas las empresas como un
elemento primordial porque en el fondo recoge dos visiones
– Una visión hacia dentro, de búsqueda de esa eficiencia y eficacia en
los procesos relacionados con el aprovisionamiento interno, pro-
ducción, expedición y retornos de productos y servicios así como
toda la información relacionada con dichos procesos. Así, los
modelos de fabricación tienden a lograr un mayor equilibrio entre
la configuración a medida con una creciente estandarización de
procesos y materias primas.
– Una visión hacia fuera, la empresa como un nodo más en una red de
empresas que prestan un servicio o suministran un producto hacia el
cliente final. Se habla de cadenas logísticas, redes logísticas.

1.2. Los procesos de flujos financieros: la liquidez

Adicionalmente, las recientes crecientes tensiones de tesorería en

muchas empresas, si bien, por un lado, van a permitir realmente valorar
cómo de buena (o mala) es la gestión financiera de muchos departamentos
financieros, por otro lado, este hecho llevará a mirar los procesos de gestión
logísticos de otra manera: como posibles fuentes adicionales de fondos.
El ciclo cash-to-cash1 es el nexo de unión entre la gestión logística y
las finanzas. Está directamente relacionado con la gestión de los inven-
tarios2, la calidad de servicio al cliente –que está dispuesto a pagar algo
más o en menor tiempo por una calidad mejor y la coordinación con el
aprovisionador –quién a su vez podrá ofrecer precios más ventajosos si

1
Este ratio recordemos que es el resultado de la diferencia del total periodo medio de pago con
el total de días de inventario más periodo medio de cobro, de manera que un saldo negativo, indica
que los clientes me financian, es decir, cobro antes de pagar.
2
En el estudio Accenture Research and Insights into Supply Chain Planning Mastery
(Accenture, 2009) entre 240 empresas, las consideradas “master” tenían un ratio de rotación de
inventarios más frecuente de 30 mientras que el resto tan sólo de 5.
PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 533

la relación con su cliente es más transparente, con menores fluctuacio-

nes. La cadena de suministro, por tanto, renace como potencial fuente de
efectivo.
Un ejemplo de este análisis lo refleja la Figura 1 donde se recogen algu-
nas de las empresas que la consultora AMR (2008) identifica como las
“top25 cadenas de suministros”, en este caso con datos de 2008, puesto que
no se encuentran disponibles los datos del último ranking elaborado.
Figura 1
Cash-to-cash en los top25 Supply Chain

Fuente: AMR Research, TOP 25 Supply Chain 2008.

1.3. La sostenibilidad

Si se nos permite el juego, la crisis actual ha demostrado que ciertos

modelos económicos y de gestión no resultan sostenibles y que además,
la responsabilidad social mostrada por algunas grandes empresas ha
resultado ser tan “virtual” como la ingeniería financiera manejada. La
sostenibilidad va a ser un nuevo gran flujo dentro de la cadena de sumi-
nistros: la trazabilidad de los componentes empleados en la fabricación,
la reutilización de muchos productos como materias primas, la eficien-
534 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

cia energética en todos los procesos, el envasado de los productos, la

propia cadena de suministro de la fabricación de parques eólicos, solares
etc. son los nuevos ingredientes en la gestión logística.
Pero también afectará a los tiempos de aprovisionamiento y formas
de producción. ¿Podemos considerar que un just-in-time que infrautilice
medios de transporte contaminantes es una filosofía sostenible? ¿Quizás
debemos optar por pedidos menos frecuentes pero de mayor tamaño
empleando otros medios de transporte? Incluso las nuevas versiones de
herramientas para el diseño de redes logísticas incluyen ya estos pará-
metros.
La logística inversa, como punta del iceberg de cadenas sostenibles
debe convertirse en un elemento importante en la gestión efectiva de las
empresas, no sólo en un elemento de marketing.
Incluso el propio diseño de la cadena logística, la localización de los
almacenes, etc. se verán afectados por la necesidad de incluir en los pros
y contras de los diversos diseños la huella ecológica de cada uno de
ellos. Un dato: según un reciente estudio de Accenture (2009), sobre 250
responsables de cadenas logísticas, sólo el 10% de los encuestados te-
nían en cuenta esta posibilidad.

1.4. La vulnerabilidad

¿Cómo le ha afectado a su empresa la nube de polvo del volcán islan-

dés? Un elemento imprevisible puede llevar a grandes problemas en la
gestión logística. Las empresas deben crear, hoy más que nunca, planes
“B” puesto que al estar cada vez más interrelacionadas, son simultánea-
mente más fuertes pero también vulnerables, más contagiables por el
resto de empresas de la cadena como por otras entidades y sucesos. Y a
veces, el catarro de una empresa se entiende mal por otras empresas y
al final toda la cadena logística se ve afectada por una gripe mayúscula.
Un ejemplo interesante puede verse en Christopher y Gaudenzi
(2009) donde se reflexiona sobre cómo una caída en la reputación de uno
de los miembros de una red logística puede afectar a toda la red, tema ya
apuntado en Christopher (1996).

1.5. La gestión del talento y la demografía

Diversos estudios y artículos (Accenture, 2009, Cottrill, 2010) están

demostrando que el principal recurso de la empresa es el talento, que hay
PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 535

que buscarlo y cuidarlo. Este talento puede ser innato, pero normalmen-
te es adquirido y puede durar durante mucho tiempo. Las tensiones
demográficas de envejecimiento de la población van a afectar no sólo a
cuestiones tales cómo qué tipo de productos se van a diseñar, cómo se
van a producir sino sobre todo también de dónde vamos a captar ese
talento. Si la pirámide demográfica se invierte, ¿tendremos suficiente
talento en las personas jóvenes? Las discusiones actuales sobre la edad
de jubilación, el impacto del nuevo Sistema Europeo de Educación
Superior (espacio Bolonia) complican aún más este análisis.

1.6. La longitud de las cadenas logísticas

Siguiendo a Christopher (2010) podemos resumir el efecto de la mun-

dialización en las cadenas logísticas con la Figura 2 que acompañamos.
Como se comprueba esta globalización supone y alimenta a su vez la
longitud en las cadenas logísticas (con sus impactos en tiempo y coste).
Figura 2
Supply Chain Trends (Christopher, 2010)

Esos retos obligan a las empresas realmente a cooperar para sobrevi-

vir. Y esa cooperación supone lograr una mayor y mejor sincronización
entre las empresas, sincronización complicada frente a las numerosas
barreras tecnológicas, personales y culturales entre las empresas.
536 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

2. La colaboración como herramienta

Como se puede observar existe mucho campo para la mejora. La

visión definida por el estudio Future Value Chain 2016 de la consultora
CapGemini (Provedo, 2009) propone varios objetivos tales como: a)
Reducir de forma significativa el lead time a lo largo de la cadena de
valor completa, b) Mejorar los mecanismos de sincronización entre la
demanda y la Producción y c) Compartir información estandarizada y
flexible en tiempo real.
Los objetivos del proyecto que presentamos son los siguientes:
– Identificar la información a intercambiar entre los diferentes agen-
tes de la cadena de suministros.
– Mejorar las relaciones con clientes y proveedores mediante una
solución automática a tiempo real ante excepciones o eventos que
podemos clasificar en tres tipos, siguiendo a Shen et al. (2004):
– • Internas a la compañía
– • En la relación con proveedores.
– • En la relación con clientes.
– Para así lograr mayor flexibilidad en la búsqueda de la solución, de
forma que un evento inesperado que afecte o retrase una tarea
pueda reasignarse a otra planta o subcontratarse (Chan et al. 2005).
El objetivo de una cadena de suministros es la maximización del
valor total generado. Para lograrlo, como hemos dicho, es necesario
garantizar un flujo fluido de información entre sus miembros, con cali-
dad y en tiempos adecuados. Sin embargo, muchas veces, la información
no se transmite con claridad: por ejemplo, un pequeño cambio en la
demanda del producto final se transforma en oscilaciones anormales
entre los pedidos del resto de miembros de la cadena de suministro aguas
arriba de la misma. Es el efecto “bullwhip” (Lee et al. 1997) y que oca-
siona costes innecesarios por inventarios excesivos, demasiadas expedi-
ciones sin aprovechar descuentos por volumen, flujos innecesarios por
calidad deficientes, etc.
En la actualidad existen diversos modelos que tratan de medir y ayu-
dar en esa colaboración. Mencionamos a continuación tres de ellos:

2.1. El modelo SCOR

Estamos ante un modelo (Supply Chain Council, 2011) que identifi-

ca cinco procesos clave: aprovisionamiento (Source), producción
 PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 537

(Make), expedición (Deliver), retornos (Return) y planificación (Plan),

como se indica en la Figura 3. Además proporciona indicadores para
medirlos y además proporciona valores de otras empresas y generales de
sector para comparar el funcionamiento de las empresas. Es una herra-
mienta de diagnóstico que ayuda a hacer un mapa de dónde estás, y un
mapa de hacia dónde poder caminar. Algunos autores (Viswanathan et
al., 2007), a través de estudios de simulación, han mostrado que para
conseguir unos buenos resultados de la colaboración es necesario cen-
trarse más en la sincronización de procesos que sólo en la visibilidad de
la información.
Figura 3
Modelo SCOR

Deliver Source Make Deliver Source Make Deliver Source

Return Return Return Return Return Return

Fuente: Supply Chain Council, 2011.

2.2. El modelo CPFR

Por otro lado, el modelo CPFR (Collaborative Planning &

Forecasting and Replenishment) (Vics, 2008) ofrece un esquema general
donde un comprador y vendedor pueden colaborar para satisfacer mejor
al cliente. Como indica la Figura 4, el modelo CPFR liga las mejores
prácticas de ventas y marketing –como la gestión de categorías–, a la
planificación de la cadena de suministros para incrementar la disponibi-
lidad, reduciendo costes logísticos (transporte e inventarios)3.

3
Un buen ejemplo puede leerse en Cederlund et al. (2007).
538 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

Figura 4
El modelo CPFR

Fuente: www.vics.org

2.3. El proyecto CO-OPERATE

Este proyecto permite mejorar el rendimiento de toda la cadena

creando una infraestructura de comunicación entre todas las empresas,
permitiendo una planificación colaborativa, una coordinación en un
aprovisionamiento, visibilidad del proceso y manejo de las excepciones
reduciendo el efecto bullwhip.
Según Jodlbauer (2005), la relación entre utilización, tiempo óptimo
y trabajo en progreso juegan un rol importante en el diseño de una cade-
na de suministros y de un sistema de producción. Esta investigación
muestra como el inventario o una variabilidad en la carga de trabajo
puede ocasionar desperdicios de capacidad, baja utilización de la maqui-
naria y largos tiempos de producción.
 PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 539

La aproximación presentada en Kanyalkar y Adil (2005) investiga la

planificación de la producción en una empresa multi-planta donde cada
planta puede servir a diferentes clientes de manera que cuando un pedi-
do llega, hay que decidir qué planta atiende el pedido.
Los autores emplean programación lineal para obtener un plan agre-
gado y los planes por planta simultáneamente. Gracias a esto se superan
los modelos jerárquicos que normalmente no logran una solución ópti-
ma.
Otra aproximación se puede encontrar en Park (2005) quien demues-
tra las ventajas de optimizar conjuntamente la producción y la distribu-
ción. Sin embargo, estos modelos se convierten muy rápidamente en
mega modelos en cuanto el número de productos, plantas, clientes y
periodos de tiempo considerados crece, con tiempos de computación
muy difíciles.
Otros estudios han analizado la posibilidad de crear programaciones
mediante el empleo de subastas. Por ejemplo, en Dewan y Joshi (2002)
se presenta una solución de este tipo, aunque es muy difícil obtener una
solución exacta. En cambio en Siwamogsatham y Saygin (2004) se plan-
tea un algoritmo basado en “pujas” por la secuenciación de sistemas fle-
xibles en tiempo real con rutas alternativas. La efectividad de este méto-
do se verifica comparándolo con los resultados obtenidos mediante la
simulación de un número de reglas de prioridad en la secuenciación. A
pesar de ello, estos métodos basados en subastas y pujas no han sido bien
aceptados en la industria por la pobre calidad de las programaciones
obtenidas y la falta de bases teóricas para evaluar las pujas.
En Surana et al. (2005) se presenta un modelo que reacciona ante
eventos inesperados porque realiza revisiones frecuentes de la planifica-
ción y la programación. Otros autores (Huang et al, 2005) proponen un
nuevo algoritmo (NEG) basado en la negociación. Este algoritmo per-
mite a todos los nodos en la cadena logística tomar decisiones de forma
independiente para también proporcionar la mayor parte de la informa-
ción común para mejorar la calidad de la cadena. El estudio demuestra
que NEG trabaja mejor que un algoritmo heurístico centralizado y puede
obtener soluciones en un periodo corto de tiempo.
En resumen, podemos encontrar, por un lado, modelos como SCOR
y CPFR que atacan el problema de la distorsión de la información a lo
largo de la cadena. Además, el proyecto CO-OPERATE permitiría una
planificación colaborativa y un tratamiento de las excepciones mediante
la creación de una infraestructura de información. Pero resulta infre-
540 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

cuente estudios en el área de sincronización de planificaciones locales y

programaciones en tiempo real para lograr óptimos locales.

3. La colaboración en la planificación de la producción

La planificación del trabajo en planta es lo que se conoce como un

problema de optimización combinatoria de clase NP-completa (ver
Lenstra, 1997). En la práctica, esto significa que no es posible obtener la
solución óptima exacta en tiempo razonable, de forma que es necesario
emplear aproximaciones.
Así, en nuestro caso se emplearán métodos heurísticos especialmen-
te diseñados para el problema considerado. Dentro de los problemas de
planificación de trabajos en planta, el método más habitual es el clásico
de “dispatching rule”, utilizado en contextos industriales dinámicos, es
decir, cuando las órdenes de trabajo llegan de manera aleatoria, sin nin-
gún patrón específico. Su facilidad de implantación es una de las razo-
nes de la extensión de su uso. Este método consiste en secuenciar las
órdenes de trabajo siguiendo un orden de prioridad preestablecido por
una regla de expedición aunque esto suponga que para alcanzar resulta-
dos válidos, suficientemente cercanos al óptimo real, haya que ejecutar
el algoritmo repetidas veces. Existe abundante literatura sobre este méto-
do, incluyendo la problemática de cómo seleccionar la regla de expedi-
ción que mejor optimiza una amplia serie de indicadores de rendimiento
relacionados con las órdenes de trabajo (cumplimiento fechas) y la utili-
zación de la planta. Algunos ejemplos son Chang (1997), Jain et al
(1998), Shafei y Brunn (2000), Reeja y Rajendran (2000) o Jayamohan
y Rajendran (2000).
Otro tipo de métodos está basado en la construcción de algoritmos
generales de optimización combinatoria tales como:
– Path methods. Este método comienza con una primera solución ele-
gida al azar que luego se va mejorando parcialmente hasta encon-
trar una solución suficientemente buena en tiempo razonable.
Ejemplos de estos métodos son los métodos de búsqueda local (Lin,
1965), búsqueda tabú (Glover, 1986) y “recocido simulado” (Kir-
patrick et al., 1983), así como híbridos de los mismos.
– Métodos sobre la Población. Es un procedimiento similar pero en el
que se considera paralelamente un colectivo de soluciones en cada
iteración en vez de una sola solución. Entre otros podemos citar los
procedimientos genéticos y “evolventes” (Holland, 1973) así como
 PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 541

unos híbridos tales como algoritmos meméticos (memetic algo-

rithms) (Moscato, 1989) y algoritmos genéticos con recocido simu-
lado (genetic algorithms with simulated annealing), y otros como la
optimización basada en enjambre de partículas (the particle swarm
optimization) (Kennedy y Eberhart, 1995).
– Constructive methods. En este caso, se van asignando valores
secuencialmente a diferentes variables. Aquí pueden citarse los
algoritmos conocidos como GRASP (greedy randomized adaptive
search procedure) (Feo y Resende, 1989), y la optimización basa-
da en colonias de hormigas (ant colony optimization) (Dorigo et al.
1996).
En las siguientes líneas resumimos algunos ejemplos de aplicación de
algoritmos genéticos y evolventes como muestra de los métodos más fre-
cuentemente utilizados dentro de las técnicas de optimización combina-
toria.
Algunos investigadores se han centrado en la combinación de algo-
ritmos genéticos con métodos de descomposición (divide y vencerás).
Por ejemplo, Zhiming y Chunwei (2000) combinan un algoritmo genéti-
co estándar con lo que se conoce como “group technology”. La principal
idea es dividir el trabajo en grupos según similitudes de las partes, redu-
ciendo la complejidad. En Chan et al. (2005) podemos encontrar un
método de asignación y programación que estudia el impacto que la fle-
xibilidad en fabricación tiene en el cumplimiento de fechas y en la utili-
zación de la maquinaria. En particular, el problema se descompone en
dos subproblemas: asignar operaciones a máquinas y después órdenes de
fabricación a máquinas. Un reciente papel de ambos autores (Chan et al.,
2006) presenta una aproximación similar introduciendo limitaciones de
recursos para condicionar la flexibilidad de la máquina.
Otros investigadores se han centrado en la programación estocástica
y han aplicado algoritmos genéticos. Por ejemplo en Yoshitomi (2002)
se combina algoritmos genéticos con programación matemática estocás-
tica, en el que la función a optimizar fluctúa dependiendo de las distri-
buciones que siguen las variables aleatorias del problema. En Watanabe
et al. (2005) se puede encontrar una combinación de algoritmo genético
con “search area adaptation”, mGSA e independiente del “crossover” y
uso de parámetros de mutación.
En el caso de órdenes de fabricación compuestas de “m” operaciones
que pueden realizarse en cualquier orden son los algoritmos genéticos
los más utilizados (ver Senthilkumar y Shahabudeen, 2006).
542 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

Una línea habitual de investigación consiste en el diseño de nuevos

operadores genéticos adaptados heurísticamente a un problema. Por
ejemplo, en Amirthgadeswaran y Arunachalam (2007) se emplea un
algoritmo genético conjuntamente con “un inversion operator” con el
objetivo de minimizar el tiempo de finalización de todas las tareas
(makespan). Xu y Li (2007) proponen una solución en base a un algorit-
mo genético inmune (IGA) que incorpora además de operadores de
mutación y cruzamiento un nuevo operador que inmuniza el proceso.
En la mayor parte de los estudios, los investigadores proponen algo-
ritmos de resolución para modelos muy simplificados de plantas indus-
triales. Sin embargo en Mattfeld y Bierwith (2004) podemos encontrar
un trabajo más complejo, con fechas debidas y de releas así como diver-
sos objetivos de reducción de tardanzas es considerado, empleándose
algoritmos genéticos combinados con heurísticas de “search space
reduction”.
Con respecto al problema de la programación flexible del trabajo en
planta, podemos citar otros ejemplos como Moon et al. (2008) y Chen y
Ji (2007) donde se mezclan distintos algoritmos (programación lineal
entera, algoritmos genéticos) para la resolución del mismo.
Finalmente, el empleo de planificadores dinámicos avanzados
(DAPS) es comentado en Pezella et al. (2008). Uno de los elementos
fundamentales de DAPS, en el que las ordenes llegan continuadamente,
es determinar la frecuencia de replanificación. En nuestro proyecto,
hemos adoptado la política de reprogramación periódica por “freezing
interval”. Así, la programación se revisa periódicamente y no cuando
una nueva orden de fabricación llega.
En resumen, la revisión de estos algoritmos ofrece una perspectiva
global en la que podemos encontrar algunos elementos interesantes para
el proyecto como son problemas de descomposición, operadores genéti-
cos heurísticos y estocásticos o programación dinámica con periodos
congelados.

4. El proyecto Prorreco

En un esfuerzo de síntesis entre los retos logísticos, la necesidad de

una colaboración y las posibilidades que los diferentes algoritmos de
optimización, nace un proyecto que pretende visibilizar estas ideas. Así.
este proyecto va a proporcionar una arquitectura de software adecuada
para la planificación y programación colaborativa en cadenas de sumi-
 PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 543

nistro complejas y dinámicas. Este estudio se engloba dentro del pro-

yecto PRORRECO (Grant PI2008-08, subvencionado por el Gobierno
Vasco).
El proyecto se va a desarrollar dentro de un entorno de producción
multiplanta, donde las planificaciones individuales por planta vienen
gestionadas centralizadamente teniendo en cuenta las necesidades glo-
bales.
El esquema general viene dado en la Figura 5 en base a tres subsiste-
mas de comunicación basada en agentes.
– Un subsistema interno por planta, que gestionará los eventos impre-
vistos que podrían llevar a una replanificación de toda o parte del
plan de producción vigente (excepciones internas)
– Un subsistema de comunicación entre plantas, que gestionará el
modo en el que un evento en una planta pueda afectar al resto de
plantas.
– Un sistema de comunicación a lo largo de la cadena de suministro,
en el que se gestionará el impacto de eventos imprevistos entre la
empresa y los proveedores y clientes en ambos sentidos.
Como parte de ese proyecto, la arquitectura informática que vendrá
detrás merece un comentario. Así, se utilizará una arquitectura multi-
agente avanzada: es una arquitectura descentralizada donde un software
agente representa cada nodo de la red. El sistema estará soportado en
entorno web (un ejemplo en Shen et al., 2004). Cada planta optimizará
localmente su producción pero con la información que el conjunto le
ofrezca sobre los posibles eventos que hayan surgido. Así, sin perder
autonomía, podrá sacar beneficio de la colaboración dinámica entre los
diferentes agentes.
Más aun, en el caso de existir demanda no planificada, el sistema
empleará información “ATP o CTP” de forma que el departamento de
marketing deberá negociar con el cliente nuevas fechas de envío más
reales de cumplir (por ejemplo, Azevedo et al. 2005). Tan pronto llegue
un pedido urgente, se verá las posibilidades de atenderlo: si es posible se
comunicará al cliente. En otro caso, se chequeará la disponibilidad de
materiales para realizar la producción. Si hay unidades almacenadas no
habrá problema y se comunicará a su proveedor el consumo de las mis-
mas. Si no hay suficientes unidades almacenadas, se decidirá la conve-
niencia de realizar un pedido al proveedor o no. Además, incluso tras
realizar el pedido, es posible que el proveedor no pueda atenderlo en
plazo. En cualquier caso, se notificará al cliente una nueva posible fecha
544 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

de cumplimiento del pedido, comenzando un proceso de replanificación

en cualquier caso.

5. La nube como oportunidad a la colaboración

Cloud Computing o “computación en la nube” es una oportunidad

para que el flujo de información sea mucho más efectivo y por tanto se
convierta en una herramienta importante para la gestión de excepciones
en producción. Para no complicar la lectura del artículo, la computación
en la nube sería como introducir facebook en la forma de contactar entre
las plataformas. Una forma efectiva de que la información real sea cono-
cida y gestionada por todos los agentes de la empresa. No se trata de una
idea realmente nueva –estamos ante un almacenamiento virtual de la
información pero en el fondo la idea recoge los tres elementos típicos
que venimos comentando sobre supply chain: es un entorno multiem-
presa, para compartir información y para ser proactivas. En definitiva, se
desea que la información sea como la energía eléctrica: hacemos un click
y tenemos ya la información, no está almacenada en nuestros aparatos.
Figura 5
Esquema General

Empresa

Sistema de comunicación en la Supply Chain

 PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 545

Fijémonos, especialmente, en dos ideas que esta forma de trabajo

supone:
– Un cierto ahorro en la gestión de los sistemas de información (IT)
puesto que se puede reducir el gasto de inversión en sistemas pro-
pietarios de la empresa.
– Una mejor visibilidad de la información4, con menores riesgos de
información errónea.
La nube puede aparecer, en general, en dos sistemas: mediante porta-
les web o mediante verdadera integración de sistemas, que es lo que en
el fondo el modelo PRORRECO trata de conseguir dentro de un entorno
multiplanta Para una buena presentación de este tema, el lector puede
acudir al trabajo sobre Cloud Computing impulsado por la Fundación
Bankinter. Un pequeño documento de Willcox et al. (2011) puede ilus-
trar también sobre los retos que debe afrontar la computación en la nube.

6. Conclusion

La colaboración es la única herramienta posible para conseguir que

las cadenas de suministro sean competitivas de manera sostenible. Los
retos indicados al principio solo pueden ser resolubles entre todos y este
artículo presenta un proyecto para la colaboración en un entorno cerca-
no. Este proyecto desarrollado en nuestra Universidad pretende construir
una solución informática que de forma proactiva ayude al gestor en el
tratamiento de las excepciones, monitorizando en tiempo real posibles
alteraciones y procesándolas considerando el impacto en toda la cadena
de suministros. Así, esta sincronización de la planificación de la produc-
ción permitirá lograr una ventaja competitiva sobre los competidores.
Como indica Ellis (2010) en el futuro se necesitarán rediseñar cadenas
logísticas que sean más dinámicas, con información en tiempo real,
hacia entornos más virtuales en términos de IT, con indicadores de sos-
tenibilidad.
Para ello, se han identificado las excepciones más comunes y se han
seleccionado los algoritmos más adecuados para la optimización de
resultados, no sólo de cada nodo de forma independiente sino de toda la
cadena de suministros: algoritmos genéticos, programación dinámica
para intervalos congelados, etc.

4
Obviamente, la computación en la nube también ofrece algunas dudas: seguridad en la gestión,
diferente facilidad de acceso a las tecnologías por parte de los diferentes miembros de la cadena, etc.
546 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

La sincronización, por tanto, va más allá de la mera compartición de

información y así una programación cooperativa es una buena base para
acompañar los modelos SCOR y CPFR considerados. Los beneficios
esperados son: además de una mejor visibilidad de la información, más
rápida notificación de los problemas y por tanto, rapidez en su solución,
con el ahorro en costes y mejora en tiempos de prestación del produc-
to/servicio como herramienta clara del logro de ventajas competitivas.
Además las programaciones previstas serán cada vez más parecidas a las
reales con el impacto en costes que esto supone.5
Se ha comentado un proyecto en el que se está trabajando que trata
de poner en práctica esta colaboración. Ahora mismo nos centramos en
el desarrollo de un prototipo para en un futuro más mediato pasar a la
realización de pruebas de validez del mismo. Su instalación como un
ejemplo de computación en la nube o en sistemas internos de las com-
pañías será una decisión a tomar en último término.

Bibliografia
ACCENTURE (2008): The High Performance Supply Chain Study. The Sustainable
Supply Chain Study, publicado en www.accenture.com
ACCENTURE (2009): Accenture Research and Insights into Supply Chain Planning
Mastery, publicado en www.accenture.com
ANDERSON, CHRIS (2006): The long tail. Hyperion, pp. 256.
AMIRTHAGADESWARAN, K. S. AND V.P. ARUNACHALAM (2007): “Enhancement of
Performance of Genetic Algorithm for Job Shop Scheduling Problems through
Inversion Operator”. International Journal of Advanced Manufacturing
Technology, nº 32, pp. 780-786.
AZEVEDO, A.L.; C. TOSCANO AND J.P. SOUSA (2005): “Cooperative planning in dyna-
mic supply chains”. International Journal of Computer Integrated
Manufacturing, vol. 18, nº 5, pp. 350-356.
BAKER, K.R. (1974): Introduction to Sequencing and Scheduling. Wiley, New York.
CEDERLUND, JEROLD P.; RAJIV, KOHLI; SUSAN A. SHERER, AND YULIANG YAO (2007):
“How Motorola put CPFR into Action”. Supply Chain Management Review.
October, pp. 30 – 37.
CHAN, F.T.S.; T.C. WONG & L.Y. CHAN (2005): “A Genetic Algorithm-Based
Approach to Machine Assignment Problem”. International Journal of
Production Research, vol. 43, no. 12, pp. 2451-2472.

5
En el estudio antes mencionado “Accenture Research and Insights into Supply Chain Planning
Mastery”, el nivel de adherencia de lo previsto a lo real en planes de producción era del 98% en las
empresas sobresalientes frente a un 90% para el resto.
 PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 547

CHAN, F.T.S.; T.C. WONG & L.Y. CHAN (2006): “Flexible Job-Shop Scheduling
Problem under Resource Constraints”. International Journal of Production
Research vol. 44, no. 11, pp. 2071-2089.
CHANG, F.C.R. (1997): “Heuristics for Dynamic Job Shop Scheduling with Real-
Time Updates Queuing Time Estimates”. International Journal of Production
Research, vol. 35, nº3, pp. 651-665.
CHEN, K.J. & P. JI (2007): “A Genetic Algorithm for Dynamic Advanced Planning
and Scheduling (DAPS) with a Frozen Interval”. Expert Systems with
Applications, vol. 33, pp. 1004-1010.
CHRISTOPHER, M. y BARBARA GAUDENZI (2009): “Exploiting Knowledge across
Networks through reputation management”, Industrial Marketing Management.
Vol. 38, nº 2, pp. 191-197.
CHRISTOPHER, M. (1996): “From brand value to customer value”, Journal of
Marketing Practice. Applied Marketing Science, Vol. 2, nº 1, pp. 55-66.
CHRISTOPHER, M. (2010): “Enhancing Supply Chain Agility Through Complexity
Reduction”, papel presentado en Supply Chain & Logistics Summit, Polonia.
CHRISTOPHER, M. (2011): Logistics and Supply Chain Management, Prentice-Hall,
4rd edition.
COTTRILL, KEN (2010): “Are you prepare for the supply chain talent crisis?”. MIT
CTL White Paper.
DEWAN, P. AND S. JOSHI (2002): “Auction-based distributed scheduling in a dynamic
job shop environment”. International Journal of Production Research. Vol. 40,
nº 5, pp. 1173-1191.
DONOVAN, R. M. (2002): Supply chain management: Cracking the bullwhip effect.
Accedido en http://www.rmdonovan.com.
DORIGO, M.; V. MANIEZZO & A. COLORNI (1996): “The ant system: Optimization by
a colony of cooperating agents”. IEEE Transactions on Systems, Man and
Cybernetics, Part B, Vol. 26, No. 1, pp. 29-41.
ELLIS, SIMON (2010): European Supply Chain Best Practices, ponencia presentada
en la conferencia NACDS Supply Chain Conference.
FEO, T.A. AND M.G.C. RESENDE (1989): “A Probabilistic Heuristic for a
Computationally Difficult Set Covering Problem”. Operations Research Letters,
vol. 8, pp. 67-71.
FRIEDMANN, THOMAS (2005): The World Is Flat: A Brief History of the Twenty-first
Century. Ed Farrar, Straus and Giroux; 1st edition.
GLOVER, F. (1986): “Future Paths for Integer Programming and Links to Artificial
Intelligence”. Computers and Operations Research, nº 5, pp. 533-549.
HOLLAND, J.H. (1973): “Genetic Algorithms and the Optimal Allocation of Trials”.
SIAM Journal of Computing, nº 2, pp. 88-105.
HUANG, G. C.; J.S.K. LAU; K. L. MAK AND L. LIANG (2005): “Distributed supply-
chain project rescheduling: part I- Impacts of information-sharing strategies”.
International Journal of Production Research, vol. 43, nº 24, pp. 5107-5129.
548 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

JAYAMOHAN, M.A. AND C. RAJENDRAN (2000): “New Dispatching Rules for Job
Shop Scheduling; A Step Forward”. International Journal of Production
Research, vol. 38, nº 3, pp. 563-586.
JODLBAUER, H. (2005): “Range work in progress and utilization”. International
Journal of Production Research, vol. 43, nº 22, pp. 4771-4786.
KANYALKAR, P. AND G.K. ADIL (2005): “An integrated aggregate and detailed plan-
ning in a multi-site production environment using linear programming”,
International Journal of Production Research, vol. 43, nº 20, pp. 4431-4454.
KENNEDY, J. AND R.C. EBERHART (1995): “Particle swarm optimization”.
Proceedings of the IEEE International Conference on Neural Networks-
ICNN’95, vol. 4, pp. 1942-1948.
KIRKPATRICK, S.; C.D. GELATT AND M.P. VECCHI (1983): “Optimization by
Simulating Annealing”. Science, nº 220, pp. 671-680.
LENSTRA, J.K.; A.H.G. RINNOOY KAN AND P. BRUCKER (1997): “Complexity of Machine
Scheduling Problem”. Annals of Discrete Mathematics, vol. 1, pp. 343- 362.
LEE, HAU; V. PADMANABHAN and SEUNGJIN WHANG (1997): “Information
Distortion in a Supply Chain: The Bullwhip Effect”. Management Science, Vol.
43, Nº 4, pp. 546–558.
LIN, S. (1965): “Computer Solutions of the Traveling Salesman Problem”. Bell
System Technical Journal, nº. 44, pp. 2245-2269.
MATTFELD, D. C. AND C. BIERWIRTH (2004): “An Efficient Genetic Algorithm for
Job-Shop Scheduling with Tardiness Objectives”. European Journal of
Operational Research, nº 155, pp. 616-630.
MOON, I.; S. LEE AND H. BAE (2008): “Genetic Algorithms for Job-Shop Scheduling
Problems with Alternative Routings”. International Journal of Production
Research, vol. 46, nº. 10, 2695-2705.
MOSCATO, P. (1989): “On Evolution, Search, Optimization Genetic Algorithms and
Martial Arts: Towards Memetic Algorithms”. Technical Report, Caltech Concurrent
Computation Program, Report 826. California Institute of Technology.
PARK, Y.B (2005): “An integrated approach for production and distribution planning
in supply chain management”, International Journal of Production Research,
vol. 43, nº 6, pp.1205-1224.
PEZZELLA, F.; G. MORGANTI AND G. CIASCHETTI (2008): “A Genetic Algorithm for
the Flexible Job-Shop Scheduling Problem”. Computers & Operations
Research, nº 35, pp. 3202-3212.
PROVEDO, PETER (2009): Future Supply Chain 2016, ponencia presentada en el Foro
Pilot.
REEJA, M. AND C. RAJENDRAN (2000): Dispatching Rules for Scheduling in Assembly
Job Shops - Part 1. International Journal of Production Research, vol. 38, nº 9,
pp. 2051-2066.
SENTHILKUMAR, P. AND P. SHAHABUDEEN (2006): “GA Based Heuristic for the Open
Job Shop Scheduling Problem”. International Journal of Advanced
Manufacturing Technology, nº 30, pp. 297-301.
 PANORAMA DE LA GESTIÓN DE LA CADENA DE SUMINISTRO: RETOS, COLABORACIÓN ... 549

SHAFAEI, R. AND P. BRUNN (2000): “Workshop Scheduling Using Practical Data. Part
1, 2, 3: A Framework to Integrate Job Releasing, Routing and Scheduling
Functions to Create a Robust Predictive Schedule”. International Journal of
Production Research, vol. 38, nº 1, pp. 85-99.
SHEN, W.; L. WANG AND Q. HAO (2004): “Agent-Based Integration of Manufacturing
Process Planning and Scheduling: A review”. Proceedings of the 14th
Conference on Flexible Automation and Intelligent Manufacturing, pp. 906-914.
SINGH JAIN, A. AND S. MEERAN (1998): A State-of-The-Art Review of Job-Shop
Scheduling Techniques. Department of Applied Physics, Electronic And
Mechanical Engineering University Of Dundee.
SIWAMOGSATHAM,T. AND C. SAYGIN (2004): “Auction-based distributed scheduling
and control scheme for flexible manufacturing systems”. International Journal
of Production Research, vol. 42, n º 3, pp. 547-572.
SUPPLY CHAIN COUNCIL (2011): SCOR 10.0 Overview, descargado de http://www.supply-
chain.org/cs/root/scor_tools_resources/scor_model/scor_model
SURANA, A.; S. KUMARA; M. GREAVES AND U. N. RAGHADAVAN (2005): “Supply-
chain networks: a complex adaptive systems perspective”. International Journal
of Production Research, vol. 43, nº 20, pp. 4235-4265.
VICS (2004): CPFR. An overview. descargado de http://www.vics.org/committe-
es/cpfr/cpfr_white_papers/
VISWANATHAN, S.; H. WIDIARTA AND R. PIPLANI (2007): “Value of information
exchange and synchronization in a multi-tier supply chain”. International
Journal of Production Research, vol. 45, nº 21, pp. 5057-5074.
WATANABE, M.; K. IDA AND M. GEN (2005): “A Genetic Algorithm with Modified
Crossover Operator and Search Area Adaptation for the Job-Shop Scheduling
Problem”. Computers and Industrial Engineering, vol. 48, pp. 743-752.
WILLCOX, LESLIE; WILL, VENTERS AND EDGAR A. WHITLEY (2011): “Meeting the
challenges of cloud computing”. Accenture Outlook, May, nº 1.
XU, X. AND C. LI (2007): “Research on Immune Genetic Algorithm for Solving the
Job-Shop Scheduling Problem”. International Journal of Advanced
Manufacturing Technology, nº 34, pp. 783-789.
YOSHITOMI, Y. (2002): “A Genetic Algorithm Approach to Solving Stochastic Job-
Shop Scheduling Problems”. International Transactions in Operational
Research, nº 9, pp. 479-495.
ZHIMING,W.; AND Z. CHUNWEI (2000): “Genetic Algorithm Approach to Job-Shop
Scheduling and Its Use in Real-Time Cases”. International Journal of Computer
Integrated Manufacturing, vol. 13, no. 5, 422-429.

RESUMEN

La crisis global nos permite encontrar la excusa perfecta para revisar la relación de una empre-
sa con sus proveedores y clientes, es decir, para centrarnos en lo que se conoce como cadena de
suministros. Tras una descripción de los principales retos que esta gestión supone, el artículo se cen-
tra en la colaboración entre agentes ofreciendo una gestión proactiva de las excepciones en dicha
550 ESTHER ÁLVAREZ, FERNANDO DÍAZ Y MIGUEL A. LARRINAGA

cadena, teniendo en mente el efecto bullwhip. Así, cada planta en un entorno productivo deja de ser
autónoma en su planificación productiva con mejora en la visibilidad de la información comparti-
da, con transmisión más rápida de cualquier contratiempo o excepción. El artículo termina con una
breve mención a la computación en la nube en este contexto.
Palabras Clave: Cadena de Suministro. Colaboración. Gestión de Eventos. Algoritmos.
Computación en la Nube.

SUMMARY

Global crisis is a good excuse to review the business relationship with suppliers and customers,
that is, a thorough rethink of a company’s supply chain. A supply chain is composed of a set of dif-
ferent agents such as suppliers, manufacturers and distributors. In order to manage a supply chain
in a successful way, it is necessary to reduce some key aspects like lead times and stock levels, since
they contribute to increase the global cost of the supply chain. This research aims at building a pro-
active exceptions management solution that operates in real time by monitoring possible disturban-
ces and processing them on a wide basis, thus considering their impact on the overall supply chain.
In this way, a suitable synchronization of the different production schedules will be achieved, thus
leading to a global competitive advantage over competitors. The selected approach will make use of
distributed control, where decisions are made at each node taking into account the information inter-
changed with other nodes of the supply chain. This means that each plant will be autonomous as
regards production planning and scheduling but at the same time will take advantage of the com-
mon information of the supply chain, so as to allow a dynamic collaboration between the agents.
Some expected benefits of the system are the following: a better information visibility, a fast noti-
fication of disturbances throughout the supply chain, a synchronized production and a collaborative
production scheduling. The article ends with a short comment about the implications of Cloud
Computing within this framework.
Key Words: Supply Chain. Collaboration. Event Management. Algorithm. Cloud Computing.
Reproduced with permission of the copyright owner. Further reproduction prohibited without
permission.