Traducido del inglés al español - www.onlinedoctranslator.
com
Investigación logística (2022) 15:7
DOI_10.23773/2022_7
Análisis de la cadena de suministro:
Investigando la Literatura-Perspectivas Prácticas y Oportunidades de Investigación
S. Lodemann1, S. Lechtenberg2, K. Wesendrup2, B. Hellingrath2, K. Hoberg3, W.Kersten1
Recibido: 30 de junio de 2021 / Aceptado: 15 de junio de 2022 / Publicado en línea:20Julio de 2022 ©
El(los) autor(es) 2022 Este artículo se publica con acceso abierto en www.bvl.de/lore
RESUMEN
Con el respaldo de cantidades cada vez mayores de datos y tecnologías maduras, el análisis
de big data ofrece mejoras viables y prometedoras para varios campos y aplicaciones. El
análisis de la cadena de suministro (SCA), la aplicación del análisis de big data a la gestión de
la cadena de suministro, puede mejorar e innovar los procesos y servicios de la cadena de
suministro en la mayoría de las empresas. Para cosechar tales beneficios, los gerentes de la
cadena de suministro deben superar varios obstáculos, incluida la identificación de métodos,
datos y casos de aplicación apropiados. El grado en que el valor potencial de SCA está siendo
realmente aprovechado por los profesionales sigue siendo incierto. El estudio tiene como
objetivo sintetizar las perspectivas científicas y prácticas con respecto a las dimensiones de
SCA: objetivo y motivación, método, datos y área de aplicación. Para este propósito, la
investigación aplica una revisión de literatura multivocal (MLR) y un enfoque de encuesta. El
estudio revisa más de 1481 publicaciones y consulta a 278 encuestados para revelar seis
objetivos diferentes y siete motivaciones para SCA. Además, se examinan análisis
descriptivos, predictivos y prescriptivos y muchos tipos de datos diferentes que permiten SCA
dentro de diferentes áreas de aplicación. El análisis cruzado entre las perspectivas científica y
práctica identifica varias brechas, como la falta de uso de datos específicos, la baja madurez
práctica de SCA o áreas de investigación infrasaturadas que muestran caminos futuros de
investigación académica. y se examinan análisis prescriptivos y muchos tipos de datos
diferentes que permiten SCA dentro de diferentes áreas de aplicación. El análisis cruzado
entre las perspectivas científica y práctica identifica varias brechas, como la falta de uso de
datos específicos, la baja madurez práctica de SCA o áreas de investigación infrasaturadas
que muestran caminos futuros de investigación académica. y se examinan análisis
prescriptivos y muchos tipos de datos diferentes que permiten SCA dentro de diferentes
áreas de aplicación. El análisis cruzado entre las perspectivas científica y práctica identifica
varias brechas, como la falta de uso de datos específicos, la baja madurez práctica de SCA o
áreas de investigación infrasaturadas que muestran caminos futuros de investigación
académica.
PALABRAS CLAVE:Supply Chain Analytics · Data
Analytics · Supply Chain Management · Systematic
Literature Review · Multivocal Literature Review
'''Este artículo es parte de una colección de enfoque sobre ''Analítica de la cadena de
suministro en la década de 2020'".
Sebastián Lodemann1, autor correspondiente
sebastian.lodemann@tuhh.de , +49 40 42878 4505
Sandra Lechtenberg2
kevin wesendrup2
Bernd Hellingrath2
kai hoberg3
Wolfgang Kersten1
1 Universidad Tecnológica de Hamburgo;
Am Schwarzenberg-Campus 4, 21073 Hamburgo,
Alemania
2 Universidad de Munster;
Leonardo-Campus 3, 48149 Münster, Alemania
3Universidad de Logística de Kühne;
Großer Grasbrook 17, 20457 Hamburgo, Alemania
1. INTRODUCCIÓN
Las nuevas tecnologías pueden capturar, almacenar y procesar
una gran cantidad de datos [1], que abarcan millones de terabytes
[2], que también tienden a caracterizarse por un alto volumen,
variedad y velocidad [3]. Debido a los inmensos aumentos en el
poder de cómputo [4], los análisis de estos grandes datos, o
análisis de grandes datos (BDA), se han vuelto posibles, con
efectos disruptivos y transformadores [3], tomando la forma de
nuevos modelos comerciales y formas de hacer negocios. , así
como procesos mejorados para la gestión de la cadena de
suministro (SCM) y la logística [5, 6].
En tales entornos, BDA también se conoce como análisis de
la cadena de suministro (SCA) [2], que puede mejorar
significativamente SCM al mejorar los procesos existentes o
crear nuevos productos o servicios [7], lo que ha suscitado un
interés creciente entre los investigadores y la industria [ 8].
Estos beneficios realizables son motivos clave para que las
organizaciones implementen SCA [9]. Sin embargo, también
enfrentan desafíos relevantes para adoptar SCA con éxito, lo
que refleja problemas organizativos y técnicos como recursos
insuficientes, preocupaciones de privacidad y seguridad,
calidad de los datos y uso inadecuado.
2
técnicas y procedimientos [10]. Sin embargo, incluso antes de
llegar a estas consideraciones, las organizaciones deben
identificar las aplicaciones a las que desean aplicar SCA y las
herramientas y métodos que deben adoptar para cada
aplicación. Como señalan Schoenherr y Speier-Pero [11], no
existe una guía viable con respecto a qué cuestiones de la
cadena de suministro puede abordar la SCA.
En particular, investigaciones previas ofrecen casos de uso
específicos o revisiones de literatura (por ejemplo, [10] para
capacidades de análisis de big data, [12] para aplicaciones y
técnicas), pero hasta donde sabemos, no hay publicaciones
que busquen analizar SCA. tanto desde la perspectiva
científica como práctica. Incluso si los investigadores tienden
a adelantarse a la práctica, es importante identificar los temas
que se discuten con frecuencia en ambos dominios y las
brechas entre ellos, lo que puede aclarar tanto las opciones
de aplicación como las áreas que requieren más investigación.
Al intentar caracterizar las perspectivas científicas y prácticas
sobre SCA, identificar las desviaciones entre ellas y derivar
más oportunidades de investigación, buscamos respuestas a
tres preguntas principales de investigación:
1. ¿Qué objetivos y aplicaciones de SCA están cubiertos
por la literatura existente y qué tipos de datos y
análisis requieren?
2. ¿Qué objetivos y aplicaciones de SCA son
relevantes para la práctica y qué tipos de datos y
análisis requieren?
3. ¿Cómo se pueden abordar las brechas entre las perspectivas
científica y práctica mediante investigaciones adicionales?
Para responder a la primera pregunta de investigación y desarrollar
una imagen holística de SCA en varios dominios de la literatura,
Figura 1: Diseño y esquema de la investigación
llevamos a cabo una revisión de la literatura multivocal (MLR) [13],
que proporciona una identificación y un análisis estructurados de
publicaciones científicas relevantes, o literatura blanca (WL), y
literatura gris (GL) o orientada a la práctica, como libros blancos e
informes Aquí, ofrecemos una descripción general de la
investigación reciente, que enmarca los tipos de análisis y los
casos de aplicación en uso, y describe las principales motivaciones
para implementar SCA mediante el uso de tipos particulares de
datos. La segunda pregunta de investigación nos lleva a realizar
una encuesta entre expertos de la industria, quienes ofrecen su
visión de SCA y sus aspectos más relevantes, así como el grado en
que han adoptado SCA. Los resultados de la encuesta brindan una
visión integral de SCA en la práctica, lo que refleja los principales
intereses de los actores de la industria, las percepciones de
relevancia y el grado de adopción de SCA. La comparación de los
resultados relacionados con la primera y la segunda pregunta de
investigación informa nuestras ideas sobre la tercera pregunta de
investigación, porque revela dónde se alinean las dos perspectivas
y dónde son discrepantes en lo que respecta a los análisis
aplicados, las tareas de SCM y los datos que priorizan. . Las
discrepancias también sugieren temas clave para futuras
investigaciones.
La Figura 1 muestra el diseño de la investigación. En la sección
2, ofrecemos algunos antecedentes sobre SCA y derivamos las
categorías que usamos para clasificar nuestra MLR y los resultados
de la encuesta. Luego, la sección 3, centrada en la perspectiva
científica sobre SCA, describe la metodología MLR y los resultados
obtenidos. La sección 4, que involucra la perspectiva del
profesional, describe la encuesta y los resultados obtenidos. La
sección 5 proporciona el análisis comparativo, junto con las
oportunidades de investigación que revela, y luego la sección 6
resume los principales resultados, limitaciones y perspectivas para
continuar con la investigación.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación 3

2. ANTECEDENTES: 2.1. Definiciones y literatura previa

ANÁLISIS DE LA CADENA DE SUMINISTRO
Para aprovechar la gran cantidad de datos que recopilan, las
empresas recurren cada vez más a SCA, que abarca técnicas
cualitativas y cuantitativas para encontrar oportunidades de
optimización en las cadenas de suministro. Buscan aprender de
los datos sobre procesos existentes y eventos anteriores para dar
forma a decisiones futuras. En la siguiente subsección,
presentaremos algunas definiciones clave y delinearemos nuestra
investigación de trabajos relacionados. En la subsección 2.2 a 2.4,
también presentaremos otras teorías en las que presentamos las
dimensiones clave de SCA que también se utilizan más adelante
para clasificar nuestros hallazgos.
La Tabla 1 contiene una muestra de las muchas definiciones
propuestas de SCA, que revela algunos elementos coherentes,
como el objetivo y la motivación de la aplicación, el tipo de
análisis, los datos empleados y el área de aplicación de SCM
para el caso de uso. Al integrar estas definiciones de literatura
anterior, desarrollamos una comprensión más holística de
SCA como una capacidad habilitada por TI [12, 14, 15] que se
basa en datos de la cadena de suministro [15, 16] y
herramientas analíticas [17-19], aprovechadas en un área de
aplicación particular de SCM, y está motivado por diversos
objetivos subyacentes [3, 14, 20]. Esta comprensión guiará
nuestra investigación y presentará los temas principales de un
escrutinio más detallado de los elementos de SCA.

Tabla 1: Definiciones de SCA

Fuente Definición

Barbosaet al.[21] “SCA, siendo Analytics aplicado a la cadena de suministro, tiene como objetivo extraer y generar información
significativa para los tomadores de decisiones en la empresa a partir de las enormes cantidades de datos
generados y capturados por los sistemas de la cadena de suministro”.

cadavidet al.[4] “En los últimos años, BDA ha demostrado ser una verdadera ventaja para los sistemas de soporte de
decisiones, alentando a los gerentes de SC a emplear estas nuevas técnicas en su cadena. El uso de
BDA avanzado en una cadena de suministro, también llamado Supply ChainAnalytics (SCA), abarca tres
ramas principales: análisis descriptivo, análisis predictivo y análisis prescriptivo.

Chaeet al.[8] “Por lo tanto, SCA se ve como una combinación de recursos habilitados por TI para la gestión de datos relacionados
con la fabricación, la planificación de la cadena de suministro y la mejora de la calidad y los procesos basados en
datos”.

Chae y Olson [22] “Basándose en la literatura de capacidades dinámicas, este marco describe SCA como capacidades
dinámicas analíticas habilitadas por TI compuestas de DMC [Capacidad de gestión de datos], APC
[Capacidad de proceso de cadena de suministro analítico] y SPC [Capacidad de gestión del rendimiento
de la cadena de suministro]”.

mínimoet al.[23]
“[…] el análisis de la cadena de suministro se refiere a una amplia gama de herramientas analíticas […] que están diseñadas para
ayudar a los profesionales de la cadena de suministro (SC) a mejorar la visibilidad de la cadena de suministro […], identificando
áreas específicas […] de las actividades de la cadena de suministro para ser mejorado y diagnosticando los resultados de
rendimiento de la cadena de suministro mediante la creación de inteligencia comercial procesable que ayuda a los profesionales
de SC a tomar decisiones más informadas”.

Tiwariet al.[2] “El término análisis de la cadena de suministro se puede utilizar para definir el análisis avanzado de big data en la
gestión de la cadena de suministro”

Zhuet al.[24] “SCA se refiere a un grupo de enfoques, procedimientos organizativos y herramientas que se utilizan en
combinación entre sí para recopilar información, analizar información y obtener conocimientos para resolver
problemas y mejorar el rendimiento en la gestión de la cadena de suministro”

Zhuet al.[25] “SCA se refiere al uso de herramientas y aplicaciones analíticas para informar la toma de decisiones y, en última
instancia, mejorar los niveles de rendimiento de la cadena de suministro”

Los estudios previos que abordan las aplicaciones de BDA a sobre temas específicos. Algunos estudios recurren a modelos
SCM no cubren el rango de dimensiones que buscamos investigar, existentes para clasificar los resultados (es decir, deductivos), mientras
como sugiere la Tabla 2. Las revisiones de literatura existentes, que otros definen categorías únicamente para su esfuerzo de
que pueden involucrar WL o GL, se enfocan investigación (es decir, enfoque inductivo).
4

Tabla 2: Revisiones de literatura existente

Fuente Incluir gris Enfoque Categorías

¿Literatura?

Arunachalamet al.[10] No Capacidades para extraer Definido inductivamente

valor de big data

Aryaet al.[5] No Cadena de suministro de repuestos Definido deductivamente

del ejército.

aryalet al.[26] No BDA e Internet de las Cosas, temas Definido inductivamente

de investigación (análisis semántico)

Awwadet al.[27] No Desafíos y beneficios Definido deductivamente

de SCA

Chakrounet al.[28] No Gestion de almacenes Definido inductivamente

Chehbi-Gamoraet al.[9] No Taxonomía para BDA en SCM Operaciones de la cadena de suministro

Modelo de referencia y

definido inductivamente

moufaddalet al.[29] No Tecnológico Modelo de referencia de las operaciones de

la cadena de suministro

Nguyenet al.[30] No Aplicaciones SCA (SCM Definido deductivamente

funciones, modelos
analíticos y técnicas)

Tiwariet al.[2] Sí BDA en SCM, sin comparación de Definido inductivamente

investigación y práctica

Fosso Wamba y Akter [31] No Desarrollo de una agenda de Ninguno (análisis en profundidad de

investigación para BDA en SCM artículos individuales identificados)

Wanget al.[12] No SCAmaturidad, aplicaciones Definido inductivamente

estratégicas y operativas

Algunas revisiones existentes se centran en tipos
específicos de cadenas de suministro, como las de
repuestos [5], o funciones específicas, como el
almacenamiento [28]. Otros análisis se centran en
determinados aspectos, como los retos y beneficios de
SCA [27], las capacidades necesarias para extraer valor del
big data [10], cuestiones tecnológicas en general [29], o
tecnologías específicas como el Internet de las cosas [ 26],
o apuntar a desarrollar una agenda de investigación [31].
Por el contrario, con un enfoque más integral, Wanget al.
[12] identifican el abastecimiento estratégico, el diseño de la red
de la cadena de suministro, el diseño y desarrollo de productos, la
planificación de la demanda, el abastecimiento, la producción, el
inventario y la logística como los principales campos de aplicación
de SCA. Sin embargo, derivan estas categorías de manera
inductiva, utilizando investigaciones científicas, por lo que
recomiendan integrar las perspectivas de los profesionales en
estudios continuos. Aunque Tiwari et al.[2] citan fuentes de GL, no
discuten sus diferencias con la literatura científica ni describen
brechas entre la ciencia y la práctica. En sus revisiones
bibliográficas, Chehbi-Gamouraet al.[9] y Nguyenet al.
[30] proporciona una descripción general de las áreas de aplicación de SCA y
los métodos analíticos ampliamente utilizados. En particular, Nguyenet
Alabama.[30] discuten las funciones de SCM, los niveles de
análisis (descriptivo, predictivo, prescriptivo), modelos
analíticos y técnicas, mientras que Chehbi-Gamouraet al.[9]
propone una taxonomía de aplicaciones BDA en SCM, deriva
una referencia de operación de cadena de suministro (SCOR)-
matriz BDA, investiga cómo se aplica SCA e identifica brechas
en la investigación. Sin embargo, ambas revisiones se
detienen en 2017, pero desde entonces se han publicado
artículos más relevantes. Además, se basan únicamente en la
investigación científica; Chehbi-Gamoraet al.[9] solo incluyen
artículos de revistas.
Por lo tanto, carecemos de una perspectiva práctica clara y de
conocimientos sobre dónde se desvían la investigación y la práctica.
Debido a que GL tiende a ser publicado por empresas o consultorías
más grandes, que prefieren historias de éxito, es posible que estas
publicaciones no reflejen con precisión una visión general de la
industria. No obstante, al ir más allá de las revisiones existentes,
brindamos una evaluación actualizada de las aplicaciones de SCA en la
investigación científica, incorporamos GL y realizamos una inmersión
profunda en las opiniones de los profesionales con nuestra encuesta.
Para guiar esta investigación, nos dirigimos a los elementos centrales
de SCA, como se identificó anteriormente.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación 5

2.2. Metas y Motivación Por lo tanto, la lista no es exhaustiva ni mutuamente

Varios controladores contribuyen a la implementación de un
caso de uso de SCA. Estudios previos han establecidometas y
motivacionesque son factores en la decisión de implementar
el análisis de datos en las corporaciones [32–34]. En contraste
con las propuestas de que los impulsores clave para la
implementación de la tecnología provienen de elementos
exógenos que fuerzan el uso de la tecnología [35], también
consideramos factores internos. Según la teoría de la difusión
de la innovación [36], varios pasos preceden a la adopción de
una innovación, incluido el reconocimiento del problema o la
necesidad [36]. Kwon y Zmud [37] identifican los efectos de
empuje basados en la tecnología y los efectos de atracción
basados en problemas, que también se pueden diferenciar
según los objetivos subyacentes ("¿Qué se necesita lograr?") y
las motivaciones ("¿Por qué se está avanzando en este
proyecto?"). ). Con esta visión matizada, es posible identificar
múltiples razones para la adopción que podrían no reflejar
evaluaciones objetivas de los objetivos racionales de un
proyecto SCA, como en [32]. Para echar un vistazo a estas
razones,metasymotivaciones. Estos se relacionan con
nuestras otras categorías como, por ejemplo, diferentes
motivacionesestán asociados con diferentestipos de análisiso
Áreas de aplicación.
2.3. Tipos de análisis
En general, los tipos de análisis son descriptivos, predictivos o
prescriptivos [38]. Estas tres categorías también se aplican a
SCA [10, 20, 39]. La Tabla 3 muestra las tres categorías y los
métodos y herramientas seleccionados. Como no hay una
colección exhaustiva de métodos, la tabla contiene ejemplos
seleccionados de varios artículos de revisión.
excluyente, por ejemplo, la programación matemática es un
medio de optimización.Analítica descriptivarealiza análisis de
datos históricos para comprender eventos que ya sucedieron,
reflejando el campo del aprendizaje no supervisado [40], de
modo que la variable de resultado no se conoce. Intenta
responder preguntas sobre qué sucedió y por qué [41],
identificando patrones dentro de los datos. Los métodos
comunes incluyen visualización, análisis estadístico, detección
de valores atípicos o análisis de conglomerados. Analítica
predictivaen cambio, utiliza datos históricos para hacer
predicciones sobre tendencias y eventos en el futuro, de
modo que tiene una naturaleza proactiva en lugar de
reaccionaria. Su objetivo es responder preguntas sobre lo que
sucederá, utilizando métodos de aprendizaje supervisado
para predecir una variable de resultado discreta (clasificación)
o continua (regresión) [40]. A su vez, el análisis predictivo se
basa en muchos métodos diferentes, como el análisis de
series temporales, el análisis de regresión y el aprendizaje
automático [41]. Finalmente,análisis prescriptivose basa en
análisis descriptivos y predictivos y determina lo que debería
suceder [20]. Aquí, la optimización se utiliza para evaluar el
impacto de decisiones específicas y elegir acciones óptimas
[42]. Para SCA, las reducciones de costos a través de la
optimización de procesos [43] (p. ej., ubicación óptima del
centro de distribución) y riesgos mínimos (p. ej., simulación de
ocurrencias de riesgos) en la cadena de suministro pueden
lograrse mediante SCA prescriptivo [44]. Metodológicamente,
se basa en la optimización (p. ej., teoría de juegos, toma de
decisiones multicriterio, como procesos de jerarquía analítica,
técnicas de optimización) [20], y con frecuencia recurre a
simulaciones para optimizar modelos estocásticos [45].

Tabla 3: Sistematización de los Componentes del SCA

Escribe Métodos seleccionados

Descriptivo Visualización [20, 46–49], regresión [46, 48], gráficos y tableros [46, 49], mapeo [20],
analítica "patrones" [47], modelado de datos [48], informes, procesamiento analítico en línea [49 ]

Profético Regresión [20, 48, 49], análisis de series temporales [20, 47], modelado predictivo [46, 48], minería de datos
analítica [20, 48], aprendizaje automático predictivo, redes neuronales [47, 49], puntuación [46]

Preceptivo Optimización [46–49], simulación [46, 48], programación matemática [20, 49], proceso de
analítica jerarquía analítica, teoría de juegos [20], modelado numérico [46], aprendizaje reforzado [50]

2.4. Áreas de aplicación de SCM
Thonemann & Papier [51] diferencian entre la gestión de la cadena
de suministro (SCM) funcionalmente interna, la SCM de toda la
empresa y la SCM entre empresas. Si bien el enfoque principal del
documento son los procesos en la empresa focal y, por lo tanto, la
categoría dos de la clasificación de Thonemann & Papier, también
consideramos las funciones interorganizacionales de la gestión de
la cadena de suministro, como las consideraciones de intercambio
de datos entre organizaciones elaboradas en 4.2.3 y 5.3. Para SCM
en toda la empresa, la referencia de operación de la cadena de
suministro
El modelo (SCOR) [52] ayuda a estructurar las aplicaciones de SCA de
acuerdo con los procesos de la cadena de suministro [9, 29]; es
particularmente adecuado para proporcionar una estructura para las
tareas de SCM y es bien conocido y ampliamente utilizado tanto en la
investigación como en la práctica. Diseñado para analizar y medir el
rendimiento de una cadena de suministro, el modelo SCOR se ha
perfeccionado continuamente, pero comprende procesos
macroscópicos de la cadena de suministro: planificar, obtener, fabricar,
entregar, devolver y habilitar. Estos procesos se subdividen en varios
subprocesos. Como punto de referencia del desempeño de la cadena
de suministro, su objetivo original era la mejora de procesos
6

[53], pero su amplia aplicabilidad y grado sustancial de detalle lo
han convertido en un cuasi-estándar para modelar los procesos de
la cadena de suministro [54]. "Fuente" se ocupa de la adquisición
de materias primas y materiales necesarios para la producción.
"Hacer" se refiere al proceso de producción y "entregar" define el
proceso de entrega de los productos terminados. Luego, "return"
describe el proceso de backhaul de un producto. “Habilitar” es el
proceso dentro de la cadena de suministro que monitorea y
controla todo el proceso. El proceso de "planificación", por otro
lado, incluye la planificación de toda la cadena de suministro,
incluidos los requisitos de materiales, las finanzas y la distribución
[52]. Si bien esta división brinda la posibilidad de clasificar las
tareas de planificación con más detalle, no brinda información
sobre el horizonte de planificación. Por eso, la matriz de
planificación de la cadena de suministro (SCPM) [55] se selecciona
para proporcionar una categorización más detallada de las tareas
de planificación de SCOR. Al proponer la SCPM, Fleischmannet al.[
55] organiza las tareas de planificación horizontalmente según los
procesos y verticalmente según el horizonte temporal.
En el nivel horizontal, los procesos de planificación y sus
tareas de planificación se dividen en compras, producción,
distribución y ventas. En nuestros análisis en la sección 3,
añadimos una dimensión 'interfuncional' para facilitar una
descripción de aquellos procesos que abarcan más de una
tarea mencionada. En contraste con el modelo SCOR, el
proceso de planificación de “entrega” se llama
distribución, y hay un departamento de ventas dedicado.
función pero sin proceso de retorno. En el eje vertical, la
matriz distingue los niveles de planificación en largo, mediano
y corto plazo. Las decisiones a nivel de planificación a largo
plazo tienen una importancia estratégica, como el diseño o la
estructura de la cadena de suministro. Dentro del marco
estratégico, las condiciones definidas para el nivel de mediano
plazo incluyen, por ejemplo, la planificación de
requerimientos de materiales para un mes. Finalmente, el
nivel a corto plazo se refiere a los despliegues operativos,
como la planificación de personal para un día específico [55].
La representación matricial establece así una lista clara de
todos los componentes de planificación y permite procesos de
planificación más transparentes [55].
Proponemos combinar el marco SCOR con el SCPM como
una forma de detallar la clasificación de las tareas de
planificación para obtener una visión más holística de las
áreas relevantes de la cadena de suministro para SCA. La
consideración relativamente escasa de tareas de planificación
(áreas de aplicación esenciales para SCA) en el marco SCOR se
complementa con el enfoque detallado del SCPM. La Figura 2
muestra gráficamente cómo se han combinado SCOR y SCPM
y describe el marco de clasificación para nuestra revisión de
literatura con respecto a las áreas de aplicación de SCM.
De hecho, SCOR ya proporciona una categorización más detallada de
las tareas de planificación. En el segundo nivel, el plan se subdivide en
la cadena de suministro del plan, la fuente del plan, la elaboración del
plan, la entrega del plan y el retorno del plan [52]. Sin embargo,

SCOR - Plano

Obtención Producción Distribución Ventas

▪ programa de materiales ▪ Ubicación de la planta ▪ Estructura de ▪ Programa de productos

Largo- ▪ Selección de proveedores ▪ Sistema de producción distribución física ▪ Ventas estratégicas
término ▪ Cooperación planificación

▪ planificación personal ▪ Producción maestra ▪ Planificación de la distribución

▪ ventas a medio plazo

Medio- ▪ Requerimientos materiales Planificación planificación

término planificación ▪ Planificación de capacidad

▪ Contratos

▪ planificación personal ▪ Tamaño de lote ▪ Depósito ▪ Ventas a corto plazo

Corto- ▪ Pedido de materiales ▪ Programación de máquinas reposición planificación

término ▪ Control de planta ▪ Planificación del transporte

Flujo de mercancías Matriz de planificación de la cadena de suministro Flujo de información

Fuente SCOR Marca SCOR Entrega SCOR

SCOR Volver SCOR Volver

Habilitar SCOR

Figura 2: Combinación de SCOR [49] y la matriz de planificación de la cadena de suministro (adaptado de [51])
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación 7

esta distinción no proporciona información sobre el horizonte de
planificación. Dado que la planificación es una de las principales
áreas de aplicación de SCA, distinguir no solo entre las diferentes
funciones de planificación, sino también los horizontes temporales
puede conducir a interesantes conocimientos adicionales. El uso
de SCPM como una categorización más detallada para tareas de
planificación puede ofrecer este beneficio. Además, SCPM ofrece el
beneficio de una categoría de ventas dedicada. Los procesos SCOR
no permiten una categorización de tareas como la planificación de
ventas o la previsión de la demanda, excepto para el proceso de
planificación, resp. el proceso global de la cadena de suministro
del plan en un nivel más detallado. El SCPM permite una distinción
entre la planificación de ventas y otras tareas generales de
planificación de la cadena de suministro, lo que no sería posible
solo con SCOR. Por eso, elegimos el SCPM como una
categorización detallada sobre los procesos del plan SCOR en el
segundo nivel para clasificar los resultados de la literatura
descritos en la siguiente sección. Sin embargo, no utilizamos esta
categorización en un estudio de encuesta posterior por razones de
comprensión.1.
3. REVISIÓN DE LA LITERATURA MULTIVOCAL
Con un MLR, buscamos identificar no solo aquellos casos de uso
de SCA disponibles en literatura científica rigurosa y publicada
[13], sino también incluir GL, o "información de fuente abierta,
nacional o extranjera, disponible públicamente que generalmente
está disponible solo a través de canales especiales". y no podrá
ingresar a los canales o sistemas normales de publicación,
distribución, control bibliográfico o adquisición por parte de
vendedores de libros o agentes de suscripción” [56]. Debido a que
GL generalmente está escrito por consultoras o proveedores de
tecnología, puede funcionar como un indicador aproximado de
relevancia práctica y adopción, aunque
estas publicaciones suelen involucrar a empresas más grandes y
maduras. Además, GL no es completamente científico, ni pretende
representar el estado de la práctica. Por lo tanto, ofrece una visión
limitada de la práctica, pero sigue siendo una forma de literatura
práctica centrada en la ciencia.
3.1. Metodología
La decisión de realizar una MLR debe tener lugar en las etapas de
planificación de una revisión; utilizamos una ayuda para la toma
de decisiones desarrollada por Benziesy otros. [56] y adaptado por
Garousi et al.[13] para confirmar que debemos incluir GL. La ayuda
consta de siete preguntas; cualquier respuesta afirmativa a
cualquier pregunta sugiere la inclusión de GL. En nuestro análisis,
seis preguntas evocaron respuestas positivas (ver Apéndice A), lo
que apoyó firmemente nuestro uso de MLR. Por lo tanto,
aplicamos Garousiet al.Metodología de [13] para llevar a cabo la
revisión. Descomponen MLR en tres pasos: planificación,
realización y presentación de informes [13]. El primer paso implica
establecer la necesidad de MLR, su objetivo y las preguntas de
investigación del estudio, como se detalló anteriormente.
Presentamos el segundo paso en la Figura 3.
Las preguntas de investigación proporcionan información para
determinar las palabras clave de búsqueda. Para identificar los
usos de SCA en la investigación y la práctica, estas palabras clave
se refieren a "cadena de suministro" y "análisis de datos" y sus
sinónimos. En septiembre de 2020, recopilamos investigaciones
científicas de las bases de datos Scopus y Web of Science, que
representan las bases de datos bibliográficas más grandes
disponibles [57]. También confiamos en IEEE Xplore, que contiene
específicamente literatura tecnológica de alta calidad.Tabla 4
enumera las palabras clave y los resultados de la consulta. La
literatura analizada, por lo tanto, abarca los últimos años y, por lo
tanto, se centra en un período de tiempo más largo que los datos
empíricos que presentamos en la sección 4.

Literatura gris literatura blanca

Google Scopus, WoS,

Búsqueda Explorar IEEE
WL: 1190
LG: 71
Datos
Búsqueda Inicial Inicial limpiado
Plan MLR limpieza y
Palabras clave Búsqueda piscina piscina
Saturación
WL: 1381
LG: 100

Datos Texto completo

Final interme-
Título- resumen
extracción inclusión/
piscina inclusión/
formularios exclusión grupo diario
exclusión
WL: 120 WL: 187
GL: 9 (42 casos de uso) GL: 17

Final Datos Extraído Datos MLR Informes

Mapa Extracción datos síntesis Resultados el MLR

Figura 3: Metodología de este estudio (adaptado de [13])

1 Se pueden encontrar más detalles sobre las razones en la subsección 5.4.

8

Para GL, consultamos el motor de búsqueda de Google en La búsqueda de Google arrojó casi solo artículos científicos ya
enero de 2021, inicialmente usando una cadena de palabras identificados. Por lo tanto, cambiamos a una cadena mucho
clave análoga a la de la búsqueda de WL. Sin embargo, esto más pequeña (ver Tabla 4).

Tabla 4: Palabras clave para la búsqueda de literatura

Base de datos Palabras clave Resultados

literatura blanca

Scopus TITLE-ABS-KEY ("análisis de la cadena de suministro" O ( ("cadena de suministro" O 710

"cadena de valor") Y ( "análisis de datos" O "análisis de negocios" O "análisis
descriptivo" O "análisis predictivo" O "análisis prescriptivo" ) ) )

Web de la Ciencia TEMA: (( “análisis de la cadena de suministro” O ( (“cadena de suministro” O 536

“cadena de valor”) Y ( “análisis de datos” O “análisis de negocios” O “análisis
descriptivo” O “análisis predictivo” O “análisis prescriptivo”)) ))

Duración: Todos los años. Índices: SCI-EXPANDED, SSCI, A&HCI, ESCI.

Explorar IEEE ("análisis de la cadena de suministro" O (( "cadena de suministro" O "cadena de 135

valor" ) Y ( "análisis de datos" O "análisis de negocios" O "análisis descriptivo" O
"análisis predictivo" O "análisis prescriptivo" ) ))

Literatura gris

Google "análisis de la cadena de suministro" Y tipo de archivo: pdf 100

El motor de búsqueda de Google devuelve conjuntos de resultados
masivos, por lo que inicialmente observamos los primeros 100 resultados en
orden descendente de relevancia.
En general, revisamos 1381 artículos de literatura blanca y
100 de literatura gris. Reflejando el umbral de saturación
teórico propuesto por Garousiet al., redujimos el conjunto de
GL a los primeros 72 resultados, en cuanto a las últimas 28
entradas, "ya no surgen nuevos conceptos [d] de los
resultados de búsqueda" [13]. Este hallazgo indica que
probablemente no habría sido fructífero incluir más de los
primeros 100 resultados de búsqueda de Google y, por lo
tanto, no hemos ampliado la búsqueda. Verificamos
duplicados y entradas erróneas. El grupo limpio contenía 1190
entradas de literatura blanca y 71 grises. Para asegurar su
relevancia para nuestro objetivo de investigación, aplicamos
los siguientes criterios de exclusión:
Formal. Los documentos podrían ser excluidos por motivos formales.
razones (p. ej., idioma, la entrada fue una conferencia
completa y no un solo documento, faltan metadatos
críticos). Para GL, también optamos por incluir solo
literatura de primer y segundo nivel, según lo definido
por Garousi et al. [13].
Analítica. Algunos artículos no discuten un tema específico.
método de análisis, sino que tenga en cuenta los
marcos generales o la infraestructura. Por ejemplo,
Hausladen y Schosser [58] se ocupan del análisis de
datos para la planificación de redes de líneas aéreas.
Sin embargo, no discuten la aplicación de un método
analítico sino que desarrollan una madurez
modelo. Otros autores, como Yanamandra [59],
consideran un conjunto más amplio de tecnologías y,
por lo tanto, no se consideraron relevantes para un
artículo centrado en el análisis.
Dominio. Es posible que un artículo no use análisis para
resolver un tema de SCM, y el tema no se pudo asignar a
ninguna categoría de proceso del modelo SCOR ni a
ningún campo del SCPM. Varias fuentes utilizaron el
análisis de datos para abordar casos de uso no
restringidos específicamente a tareas SC pero relevantes
para cualquier empresa, por ejemplo, gestión de recursos
humanos [60] o enfocados en industrias específicas como
la atención médica [61].
Metanálisis. Muchos artículos examinan los beneficios
o desafíos del análisis de la cadena de suministro,
realizar análisis empíricos o proporcionar revisiones.
Estos últimos están excluidos porque pueden dar
lugar a duplicados y es probable que las cadenas de
búsqueda no se correspondan con el alcance previsto
de este trabajo. Este criterio es de especial
importancia para esta revisión. Dado que el objetivo
es analizar específicamente la aplicación de SCA, es
necesario excluir el trabajo conceptual o las revisiones
de nuestro conjunto de resultados. De hecho, esto
conduce a la exclusión de trabajos tan relevantes
como Fosso Wamba y Akter [62] o Chaeet al.[63]. Si
bien esas fuentes y muchos otros autores brindan
contribuciones valiosas al campo de la investigación
de SCA, no analizan casos de aplicación específicos.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
Por lo tanto, no se ajustan a nuestro enfoque previsto
sobre cómo y dónde se aplica SCA y no se pueden
categorizar de acuerdo con nuestro marco elegido. En
consecuencia, esta revisión no cubre todo el trabajo
relevante relacionado con SCA en SCM, sino solo
aquellos documentos con un enfoque de aplicación.
Solo al excluir los trabajos conceptuales y de revisión,
la comparación posterior de las perspectivas de la
literatura y la práctica se vuelve posible.
porque garousiy otros. [13] ofrecen cierta ambigüedad con
respecto a los criterios exactos de inclusión/exclusión, adoptamos
una metodología propuesta por Thoméy otros. [64] y analice el
título/resumen y el texto completo por separado para su inclusión
y exclusión. También proponen que las verificaciones de exclusión
sean realizadas por múltiples revisores, con verificaciones
periódicas de confiabilidad. Para los títulos y resúmenes, al menos
dos revisores tomaron decisiones de forma independiente. Su
índice de fiabilidad entre codificadores, calculado como el número
de inclusiones acordadas dividido por la suma de todas las
inclusiones, fue del 93,32 %. Los desajustes se discutieron entre el
grupo de todos los revisores y todos los conflictos se resolvieron
de mutuo acuerdo. Este análisis de inclusión inicial, utilizando solo
el título y el resumen, generó un grupo de 187 artículos de
literatura blanca y 17 de literatura gris. Finalmente, se redujo aún
más con base en la revisión de los textos completos de los trabajos
restantes. El grupo final comprendió 120 publicaciones WL y 9 GL.
A pesar de la diferencia en estos valores, cada uno de los últimos
informes incluye numerosos casos de uso, que involucran
múltiples aplicaciones analíticas y casos de uso (42 en total),
mientras que la mayoría de los artículos científicos contienen solo
casos de uso único. Por lo tanto, los datos reales extraídos están
aproximadamente a la par.
Con este conjunto final de documentos, realizamos análisis
para recopilar información valiosa. Para recuperar datos de
forma estructurada,Garousi et al.. [13] sugiere diseñar formas
de extracción primero. Sobre la base de nuestros
antecedentes teóricos (sección 2), el uso de SCA implica
múltiples dimensiones:
Meta y Motivación.Recurrimos a estudios previos
[32–34] para generar potencialmetas: "optimizar
procesos internos", "optimizar decisiones", "optimizar
productos/servicios existentes", "desarrollar nuevos
productos/servicios", "adquirir nuevos clientes" y
"captar y utilizar nuevos conocimientos". El
identificadomotivaciones son "utilizar datos
existentes", "resolver un problema específico",
"utilizar nuevas posibilidades tecnológicas para
comunicar esto internamente/externamente",
"aumentar la transparencia para un área en
particular", "nivelarse con la competencia que ya usa
SCA" y "satisfacer los demanda de análisis por parte
de los socios”. Con estas opciones, podemos
establecer comparaciones con las respuestas de los
profesionales, en un conjunto más amplio de posibles
respuestas. No todas las opciones son relevantes para
el análisis de este conjunto de literatura por sí solo.
9
Analítica.Registramos la analítica aplicada
métodos de cada trabajo y asignó el tipo de
análisis a descriptivo, predictivo o prescriptivo,
como se define en la Tabla 3 de la sección 2.
Datos.Los datos de entrada para los métodos de análisis de datos.
se incluyeron en tipos de datos más generales cuando fue
posible, sin comprometer demasiado la especificidad (p.
ej., datos de Facebook incluidos en los datos de redes
sociales).
SCOR/SCPM.Los papeles fueron asignados a uno
o múltiplo de los principales procesos del modelo
SCOR [52]. Para los procesos de planificación y
habilitación, también se asignaron a una categoría
de proceso específica, si era posible. Como se
describe en la subsección 2.4, el SCPM [55] sirve
para detallar más el proceso del plan SCOR. Así,
todos los papeles asignados al plan SCOR también
han sido asignados a una categoría del SCPM.
3.2. Resultados
El análisis de la cadena de suministro es un campo emergente y la
investigación ha crecido enormemente en los últimos años, como lo
revela la Figura 4. Entre las 129 publicaciones que consideramos, la
mayoría de los trabajos se han publicado en los últimos cinco años, con
90 publicaciones desde 2018. La tasa de crecimiento anual promedio es
del 55,44 %, mientras que la tasa de crecimiento anual de todas las
publicaciones de SCM [65] es del 12,88 %, lo que marca SCA como un
tema emergente rápidamente.
3.2.1. Metas y Motivación
La Figura 5 muestra la proporción de casos de uso que aplicaron
SCA para seis objetivos diferentes. Encontramos que WL aplica SCA
para optimizar las decisiones en la mayor medida posible, con casi
dos tercios (63 %) de los artículos citando este objetivo. Muy por
detrás, la optimización de los procesos internos aparece en casi
una cuarta parte (23 %) de las publicaciones, seguida de la
recopilación y uso de conocimientos no utilizados anteriormente
(11 %). La aplicación de SCA para optimizar productos o servicios
existentes o desarrollar nuevos es marginal; adquirir clientes
parece irrelevante para WL. En el conjunto de GL, los dos primeros
lugares cambian, de modo que la optimización de los procesos
internos es el tema de casi las tres cuartas partes de los casos de
uso (73 %). Aproximadamente uno de cada cinco casos utiliza SCA
para optimizar la toma de decisiones (19 %), y cada décimo
recopila y aplica conocimientos sin explotar (11 %). Uno de estos
casos de uso se refiere a la creación de nuevos productos y
servicios a través de SCA [66], pero dos objetivos, desarrollar
nuevos productos/servicios y adquirir nuevos clientes, no se
abordan en absoluto. En resumen, la diferencia más notable es
que en el GL, el enfoque está en optimizar los procesos internos,
mientras que en el WL, está en optimizar la toma de decisiones.
10
Figura 4: Publicaciones por año
Figura 5: Objetivos subyacentes al respectivo caso de uso de SCA
La Figura 6 detalla diferentes motivaciones para emplear SCA y
las proporciones de WL y GL para cada uno. Un enfoque
importante de WL es resolver un problema específico, como
ocurre en más de la mitad de los casos (54%). Esta motivación
prevalece mucho más que mejorar la transparencia, la motivación
subyacente a uno de cada cuatro artículos, o utilizar los datos
disponibles, que fue la motivación de uno de cada cinco casos.
Solo un estudio usó SCA para implementar nuevas tecnologías
(para comunicación externa) [67]; las tres motivaciones restantes
no se abordan en absoluto en WL. En contraste, GL se enfoca en
lograr una mayor transparencia (55% de los casos de uso). El 18%
de los casos de uso confían en SCA para utilizar los datos
disponibles, y una décima parte de ellos aborda las motivaciones
para resolver un problema específico, implementar nuevas
tecnologías (para comunicación externa) o los socios exigen el uso.
Dos motivaciones no se abordan en absoluto. Estas discrepancias
tienen sentido,
teniendo en cuenta las audiencias objetivo de WL y GL. El primero
busca el progreso en la arista científica de la investigación, por lo
que parece sensato centrarse profundamente en los problemas
individuales a resolver. Pero GL busca aportar valor a los
principales consumidores de estos informes: las empresas. Tienen
fuertes incentivos para generar transparencia y ofrecer datos
desde un punto de vista superior. El enfoque en soluciones
individuales para problemas particulares es secundario. Aún así,
no se debe descuidar el potencial de valor agregado de ofrecer las
mejores prácticas, basadas en casos de uso individuales.
Finalmente, ambas áreas consideran el uso de los datos
disponibles como una motivación válida.
3.2.2. Analítica
La Figura 7 proporciona una descripción general de cuántas
fuentes analizan casos de aplicación descriptivos, predictivos y
prescriptivos. Las aplicaciones de la descripción
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación 11

Figura 6: Motivación para investigar la respectiva solicitud de SCA

Figura 7: Prevalencia de tipos de SCA (bibliografía)

análisis (23 % WL, 39 % GL) giran principalmente en torno a la
transparencia y la visibilidad de la cadena de suministro, como la
identificación de productos pedidos con frecuencia [68] o la
implementación de una herramienta que proporciona visibilidad
en tiempo real de las operaciones de una empresa farmacéutica
[69] . La mayoría de los trabajos utilizaron diferentes análisis
estadísticos, como vectores de autorregresión [70] o análisis de
correlación para investigar la dependencia de múltiples variables
[71]. El análisis predictivo (47 % WL, 29 % GL) implica tareas de
regresión y clasificación, como la previsión de la demanda [72, 73].
Pero la regresión y la clasificación también se aplican en otros
procesos SC, como la predicción de fallos de máquinas [74] o la
clasificación y selección de proveedores [75]. La clasificación y la
regresión se realizaron aproximadamente por igual entre todas las
publicaciones;
sin embargo, se utilizaron múltiples algoritmos diferentes para
estas dos aplicaciones. Para los primeros se aplican algoritmos de
árboles de decisión [76, 77], bosques aleatorios [78], redes
neuronales [79] o k-vecino más cercano [68]. Para esto último, se
utilizan regresiones lineales simples [76], ARIMA [70, 80] o
modelos de aprendizaje automático más complejos, como
máquinas de vectores de soporte, redes neuronales y muchos más
[81, 82]. Finalmente, el análisis prescriptivo es la categoría menos
discutida (30% WL, 32% GL), y estos documentos usan
optimización o simulación para evaluar las consecuencias de
decisiones o probar escenarios alternativos, como para
determinar cantidades óptimas de pedido [83]; también podrían
analizar el desempeño de las redes de la cadena de suministro,
según diferentes escenarios de comportamiento del mercado [84].
Para eso, en su mayoría métodos de optimización.
12

se utilizaron, incluida la optimización matemática [85–88], la
heurística [89, 90] o los algoritmos genéticos [91].
Nuestro análisis revela que WL se centra en gran medida en
el análisis predictivo, que representa casi la mitad de todos los
artículos incluidos. De hecho, los avances en el aprendizaje
automático y la IA han ampliado las posibilidades del análisis
predictivo. Por el contrario, notamos un descuido general de
la analítica descriptiva, que podría deberse a la relativa
simplicidad de este tipo de analítica. El interés científico
limitado también parece aplicarse al análisis prescriptivo,
aunque podría decirse que es el tipo más maduro. Entre GL,
encontramos un enfoque más descentralizado, de modo que
los tres tipos están representados de manera más o menos
uniforme, excepto por un ligero dominio del análisis
descriptivo, que es fundamental para las operaciones de
cualquier cadena de suministro, seguido por el análisis
prescriptivo, que tiende a ofrecer resultados más procesables.
Una comparación entre los tipos de análisis revela
una diferencia notable entre WL y GL: el análisis
predictivo es más prominente en la literatura científica
(47% WL, 29% GL), pero las publicaciones de práctica se centran en
cambio en el análisis descriptivo (39% GL, 23% WL), buscando ante
todo transparencia y comprensión de los datos. Por el contrario, la
literatura científica tiende a asumir que los datos están disponibles
en forma adecuada para aplicar el análisis predictivo. Esta
diferenciación podría deberse al hecho de que los conjuntos de
datos utilizados científicamente en las publicaciones de WL tienen
un sesgo de selección hacia una mayor sofisticación para
establecer la naturaleza de vanguardia de la investigación
realizada. Comparativamente, los conjuntos de datos
considerados en GL pueden ser más representativos del estado de
disponibilidad y calidad de los datos en la industria, que en un
grado considerable no facilitan los enfoques predictivos y
prescriptivos. Esta brecha necesita ser investigada más a fondo.
3.2.3. Datos
En línea con los distintos focos analíticos entre WL y GL, los datos
explotados por estos flujos de investigación también difieren,
como muestra la Tabla 5.

Tabla 5: Tipos de datos en WL vs. GL

literatura blanca Literatura gris Diferencia

Tipo de datos
Rango # % Rango # %

Datos de transporte 1 26 10,40% 7-11 5 5,95% - 4,45%

Datos de inventario 2 23 9,20% 1 10 11,90% + 2,70%

Datos externos 3 23 9,20% 7-11 5 5,95% - 3,25%

Datos de demanda 4 17 6,80% 16-18 1 1,19% - 5,61%

Datos de estructura de costos 5 17 6,80% 2 7 8,33% + 1,53%

Datos maestros del producto 6 14 5,60% 7-11 5 5,95% + 0,35%

Datos del sitio web 7 13 5,20% - 0 0,00% - 5,20%

Previsiones de demanda 8 12 4,80% 3-6 6 7,14% + 2,34%

Planeación de producción 4,80% 7,14% + 2,34%

8 12 3-6 6
datos

Datos del punto de venta 10 11 4,40% 7-11 5 5,95% + 1,55%

Datos de la red SC 11-12 10 4,00% 3-6 6 7,14% + 3,14%

Capacidades de producción 11-12 10 4,00% 3-6 6 7,14% + 3,14%

Cantidades de ventas 13 8 3,20% 12-13 4 4,76% + 1,56%

Datos de calidad 14 7 2,80% 12-13 4 4,76% + 1,96%

Datos del sensor 15 6 2,40% 14 3 3,57% + 1,17%

datos de la orden de compra 16-19 5 2,00% - 0 0,00% - 2,00%

Interrupción del flujo de material 2,00% 1,19% - 0,81%

16-19 5 16-18 1
ción de datos
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
Datos de entrada de mercancías 16-19 5 2,00%
datos de redes sociales 16-19 5 2,00%
Registros 20 3 1,20%
Otro 21-34 17 6,80%
- Datos de rendimiento 24-34 1 0,40%
Los datos de transporte se utilizan con mayor frecuencia en WL y
aparecen en 26 artículos, o el 10% de todos los datos. Por ejemplo, los
datos de GPS respaldan un análisis de viajes frecuentes basado en
grupos para ayudar a los administradores de flotas y despachadores a
mejorar las estimaciones de la hora de llegada [92]; los tipos de
tránsito, las categorías de productos y los destinos de envío se han
ingresado en un árbol de decisiones que analiza las causas de la
gravedad de la pérdida de carga [77]; y un programa no lineal de
enteros mixtos con capacidades de transporte y emisiones de carbono
facilita las decisiones de adquisición y transporte sostenibles [86]. Este
enfoque en los datos de transporte, así como en los datos externos o
de sitios web, podría reflejar el acceso relativamente fácil que ofrecen.
Por el contrario, los datos de inventario se utilizan más en GL (segundo
para WL), como en un análisis descriptivo de gestión de materiales
diseñado para cuantificar la eficacia de la gestión de activos materiales
de una cadena de suministro [93]. Una herramienta de análisis
prescriptivo aplicada a los datos de inventario también sugiere formas
de optimizar la cadena de suministro [94]. Los datos de estructura de
costos, que son altamente confidenciales, son abordados con mayor
frecuencia por GL.
Aunque los datos de inventario alcanzan clasificaciones
similares en WL y GL (segundo y primero), otros usos de datos
resaltan desviaciones significativas. Por ejemplo, la demanda
y los datos del sitio web se emplearon menos en GL (-6% y
-5%). Este hallazgo es sorprendente; los datos de demanda
son elementos comunes de los análisis de previsión de ventas,
por ejemplo. Además, los datos de demanda a menudo se
combinan con otros tipos de datos en WL. Es más,Boldt et al..
pronostique las ventas de Nike utilizando datos de sitios web
como Google Trends y datos de Facebook [71]. Otro estudio
recopila datos de Twitter y Facebook para analizar
sentimientos y tendencias, luego combina estos hallazgos con
las ventas históricas para predecir la demanda del producto
[95]. En este sentido, quizás la falta de datos de sitios web (0
artículos) y redes sociales (1 artículo) adoptados por GL
explica la falta de datos de demanda. Sin embargo, se
requiere un análisis exhaustivo de por qué estos tipos de
datos no se han adoptado en la práctica.
Las fuentes de datos más tradicionales también exhiben una
participación más significativa en GL que en WL, con un máximo
2
A medida que nos enfocamos en la literatura científica en esta sección, el modelo SCOR se implementa en su forma común como un modelo científico bien
establecido. Sin embargo, en la subsección 5.4, al comparar los hallazgos de nuestra literatura con los resultados empíricos, interpretamos a los encuestados
reclasificando los procesos SCOR. Se pueden encontrar más detalles sobre los motivos y la implementación de esta reclasificación en la subsección 5.4.
13
7-11 5 5,95% + 3,95%
16-18 1 1,19% - 0,81%
- 0 0,00% - 1,20%
15 2 2,38% - 4,42%
15 2 2,38% + 1,98%
desviación para entradas de mercancías (+4%), redes de cadena de
suministro, datos de inventario y capacidades de producción
(+3%). No percibimos ninguna razón particular para el mayor uso
de estos datos, aparte de los picos antes mencionados en la
investigación que emplea datos de ventas o sitios web.
3.2.4. Áreas de aplicación
La parte superior de la Figura 8 muestra la distribución de los
procesos SCOR en la literatura. Tanto en WL como en GL,
encontramos un fuerte enfoque en los procesos de planificación
(66 % frente a 62 %), lo que refleja la gran relevancia de los casos
de aplicación de pronósticos de demanda y ventas [81, 96].2
Habilitar es la segunda categoría más discutida (28% WL, 14% GL).
Estos estudios tratan sobre la gestión de riesgos [79], la gestión de
la red de la cadena de suministro [97] o la gestión del rendimiento
[98]. En particular, WL parece asignar menos prioridad a las
cuestiones relacionadas con las funciones operativas de la cadena
de suministro. Los procesos de origen, fabricación, entrega y
devolución aparecen juntos en solo el 6% de todos los WL,
mientras que GL incluye al menos uno de ellos en el 24% de los
casos que informa. La brecha más importante se relaciona con el
proceso de origen: solo se puede asignar un artículo de
investigación científica a esta categoría, incluido un método de
evaluación de la calidad de los bienes entrantes [99]. Pero el
conjunto GL contiene varios casos de aplicación, como la fijación
de precios de productos básicos, la identificación de discrepancias
en la entrega y la gestión de materiales [69, 74, 93]. La fuente y los
otros procesos operativos señalan una ligera desalineación entre
WL y GL. La industria parece enfocarse en usar SCA para funciones
operativas. Quizás los investigadores no han igualado este
enfoque en las tareas operativas debido a la falta de conjuntos de
datos oa la sensación de que estas tareas ya se han resuelto
satisfactoriamente.
En contraste, encontramos una fuerte alineación con respecto
al potencial de aplicación de SCA para los procesos de
planificación. Tanto la investigación como la práctica identifican
oportunidades viables en esta categoría. En consecuencia, parece
razonable una categorización y discusión más detallada de este
proceso. Es decir, aplicamos el SCPM para ganar
14

información sobre qué tareas de planificación son de especial interés
asignando cada papel en el proceso de planificación de SCOR a una
categoría de SCPM, como se muestra en la parte inferior de la Figura 8.
Esto es beneficioso ya que, a diferencia de SCOR, SCPM proporciona
una categoría de planificación de ventas dedicada , permitiendo
asignarle tareas de previsión de la demanda.
Centrándose en WL, esta categorización hace evidente el enfoque
mencionado anteriormente en la previsión de la demanda: el 30 % de las
fuentes de WL se centra en la planificación de ventas y el 18 % se ocupa de la
planificación de ventas a medio plazo, principalmente relacionada con la
demanda a medio plazo o la previsión de ventas, como se puede deducir de
Datos de Facebook [71]. Sin embargo, la previsión de la demanda

70% 66%
62% Literatura gris
60% literatura blanca

50%

40%

30% 27%

20%
14%
10% 10%
10%
4% 5%
1% 1% 2%
0%
0%
Plan Fuente Hacer Entregar Devolver Habilitar

40%
A largo plazo
35% Mediano plazo

Término corto
30% 4,0%
literatura blanca

25%

20%
18,0%
5,0%
15% 5,0%
7,0%
6,0% 9,0%
10%
7,0% 10,0%
5% 8,0% 9,0% 5,0%
3,0% 2,0% 2,0%
0%
Obtención Producción Distribución Ventas Cruz-
Funcional

40%
A largo plazo
35% 4,0% Mediano plazo

Término corto
30%
Literatura gris

25%
4,0%
20% 4,0%
33,0%
15% 13,0%

10%
17,0%
4,0% 13,0%
5%
4,0% 4,0%
0%
Obtención Producción Distribución Ventas Cruz-
Funcional

Figura 8: Predominio de los procesos SCOR y un enfoque en las tareas de planificación abordadas por la literatura
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
también abarca los plazos largo y corto o combina múltiples horizontes
de tiempo. Por ejemplo, Isikli et al. utilizan las opiniones de los
consumidores para la previsión de la demanda a corto plazo de
productos configurables [100], y Punia et al. proponen un marco
jerárquico para generar pronósticos a corto, mediano y largo plazo [83].
De lo contrario, todas las demás funciones de planificación están
representadas de forma aproximada. La planificación de adquisiciones
es el foco del 18 % de los estudios, divididos en partes iguales entre
consideraciones a largo y mediano plazo. La mayoría de las fuentes que
se refieren a la selección de proveedores de direcciones de
adquisiciones a largo plazo [79, 101], mientras que los estudios de
planificación a mediano y corto plazo giran en torno a la asignación de
pedidos [86] o decisiones relacionadas con el inventario [90, 102].
Similarmente, la mayoría de las fuentes que se ocupan de la
planificación de la producción abordan un horizonte temporal a medio
plazo para cubrir temas como el mantenimiento predictivo [103] o el
diseño de procesos de producción [68]. La planificación de la
distribución es un poco más discutida (19%), con un horizonte temporal
predominante a corto plazo que se centra en tareas como la
planificación de rutas o la predicción de tiempos de llegada [104]. El
crecimiento del comercio electrónico y las expectativas alteradas de los
consumidores con respecto a la velocidad de entrega hacen que
características como la entrega a tiempo o el envío anticipado [91] sean
más importantes, como ya se refleja en la literatura existente.
Finalmente, se tuvo que agregar la categoría adicional de planificación
interfuncional, es decir, la planificación de múltiples funciones a la vez,
para reflejar dichas fuentes correctamente. La planificación
interfuncional aparece en el 14% de las fuentes, por lo que es evidente
la importancia de la planificación a largo plazo. La planificación
interfuncional con un horizonte a largo plazo tiende a tratar con el
diseño de redes o la planificación de ubicaciones, como el diseño de
una red de fabricación internacional [87] o la selección de ubicaciones
de almacenamiento y cumplimiento, junto con socios estratégicos de la
cadena de suministro [68]. Otros temas asignados a esta categoría son
de naturaleza más general o estratégica, como la colaboración o
coordinación dentro de una cadena de suministro [97, 105].
Entre el conjunto de GL, la distribución de las fuentes es
aproximadamente la misma en todas las funciones de planificación,
pero se desvía en los horizontes de planificación. Una vez más, el
predominio de la demanda y la previsión de ventas y, por tanto, la
planificación de ventas, es evidente (38%). El enfoque en la planificación
de ventas a mediano plazo es aún más fuerte que en el conjunto WL.
Los autores utilizan SCA para obtener pronósticos más precisos para un
proveedor de autopartes [69] o anticipar la demanda de ciertos
productos alimenticios durante los huracanes [74]. Con respecto a la
planificación de adquisiciones, no encontramos diferencias notables
con WL: las adquisiciones a largo plazo con un enfoque en la selección
de proveedores o el desarrollo de estrategias de abastecimiento
también son el tema más abordado en GL [93, 106]. Sin embargo, con
respecto a la producción y distribución, GL se enfoca en tareas de
planificación a corto plazo, a diferencia de WL, lo que implica una
brecha crítica entre los intereses de los investigadores científicos y los
profesionales. Aparentemente, estos últimos consideran más
relevantes las posibilidades de utilizar SCA para la planificación de la
producción o la distribución a corto plazo. Las publicaciones incluyen
esfuerzos para predecir tiempos de llegada mediante el uso de GPS,
tráfico y datos meteorológicos [73] u horarios.
15
producción con mayor precisión aprovechando la visibilidad
mejorada de los datos [74]. Finalmente, identificamos otra
forma de variación en los estudios de planificación
multifuncional. Mientras que WL aborda esta categoría en un
14% de los casos, GL solo la incluye en un 4%, y siempre en un
contexto de planificación a largo plazo. Por ejemplo, Sandiford
menciona la posibilidad de analizar las redes de la cadena de
suministro y comparar diferentes escenarios futuros para
mejorarlos [84]. Sin embargo, este ejemplo es una rara
excepción, porque GL generalmente se enfoca en compañías
individuales en lugar de redes generales. La brecha en la
importancia de la planificación interfuncional podría deberse
a las mismas razones que ofrecemos para la diversa
relevancia percibida de la planificación a corto plazo. Sin
embargo, estas suposiciones y si se reflejan en las opiniones
de los expertos de la industria requieren confirmación.
4. ENCUESTA A EXPERTOS
Para evaluar los resultados de GL, con respecto a las aplicaciones
prácticas de SCA, así como buscar otras desviaciones potenciales
entre la práctica y la investigación, realizamos una encuesta de
expertos.
4.1. Metodología
La base empírica de este análisis es parte de una encuesta más amplia sobre tendencias y estrategias en logística y
gestión de la cadena de suministro, realizada en cooperación con la Asociación Alemana de Logística (BVL), una
asociación sin fines de lucro que representa a los profesionales de logística y gestión de la cadena de suministro. Por
lo tanto, representa una amplia variedad de funciones principales en las cadenas de suministro, incluida la
producción, la logística y el comercio. Un cuestionario en línea, diseñado en 2020 y distribuido entre la red de la BVL,
generó resultados que brindan una visión representativa del campo. Los datos se recopilaron desde principios de
febrero hasta principios de marzo de 2020, por lo que tuvo lugar inmediatamente antes y durante el brote inicial de
la pandemia de COVID-19. Este factor puede haber influido en los resultados de la encuesta y, por lo tanto, debe
tenerse en cuenta al hacer inferencias a partir de nuestros datos. La encuesta estuvo disponible en el sitio web de la
BVL y se envió a través de su lista de distribución de correo electrónico, de modo que fuera accesible a cualquier
miembro interesado. La tasa de respuesta aproximada, basada en el volumen de personas contactadas en todos los
canales, es del 2,3 %, lo que produjo 276 respuestas completas. Desglosamos la muestra por sector económico y
tamaño de la empresa en la Figura 9, lo que demuestra que las pequeñas y medianas empresas (según la definición
de la UE) constituyen el 23 % de nuestra muestra, las empresas de mediana capitalización representan el 30 % y las
grandes empresas el 47 % de la muestra. . Estos datos demográficos coinciden con la estructura general de
miembros de la BVL [107, 108], por lo que nuestra muestra es una base representativa de expertos en cadenas de
suministro de Alemania, Austria o Suiza. tal que fuera accesible a cualquier miembro interesado. La tasa de
respuesta aproximada, basada en el volumen de personas contactadas en todos los canales, es del 2,3 %, lo que
produjo 276 respuestas completas. Desglosamos la muestra por sector económico y tamaño de la empresa en la
Figura 9, lo que demuestra que las pequeñas y medianas empresas (según la definición de la UE) constituyen el 23 %
de nuestra muestra, las empresas de mediana capitalización representan el 30 % y las grandes empresas el 47 % de
la muestra. . Estos datos demográficos coinciden con la estructura general de miembros de la BVL [107, 108], por lo
que nuestra muestra es una base representativa de expertos en cadenas de suministro de Alemania, Austria o Suiza.
tal que fuera accesible a cualquier miembro interesado. La tasa de respuesta aproximada, basada en el volumen de
personas contactadas en todos los canales, es del 2,3 %, lo que produjo 276 respuestas completas. Desglosamos la
muestra por sector económico y tamaño de la empresa en la Figura 9, lo que demuestra que las pequeñas y
medianas empresas (según la definición de la UE) constituyen el 23 % de nuestra muestra, las empresas de mediana
capitalización representan el 30 % y las grandes empresas el 47 % de la muestra. . Estos datos demográficos
coinciden con la estructura general de miembros de la BVL [107, 108], por lo que nuestra muestra es una base
representativa de expertos en cadenas de suministro de Alemania, Austria o Suiza. Desglosamos la muestra por
sector económico y tamaño de la empresa en la Figura 9, lo que demuestra que las pequeñas y medianas empresas (según la definición de la UE) constituy
dieciséis
Sector económico
17,0%
43,5%
n=276
39,5%
Industria manufacturera
Servicios de logistica
Venta minorista
Figura 9: Datos demográficos de la encuesta
La encuesta contiene una sección general, enfocada en
tendencias macroscópicas, estrategias y tecnologías aplicables a
toda la industria. Todos los participantes respondieron. Luego,
tres secciones abordaron las áreas centrales de sostenibilidad,
análisis de datos y gestión de talentos con más profundidad. Cada
participante fue asignado a un área central; las encuestas
relacionadas con estos temas representan subconjuntos del
conjunto de datos general. Recopilamos datos tanto de la sección
general como del área central de análisis de datos. Esta es la razón
por la que algunos de los siguientes análisis se basan en
diferentes recuentos de respuestas. Constantemente
establecemos el tamaño de muestra específico n, para aclarar si
los hallazgos reflejan la encuesta general o el conjunto de datos
del área central.
4.2. Resultados
A continuación, se presentan los resultados del análisis de
la encuesta de expertos antes de yuxtaponerlos a los
resultados de la literatura en la siguiente sección. Las
preguntas y análisis de la encuesta se separaron
nuevamente en las dimensiones presentadas
anteriormente "Objetivos y motivación", "Análisis", "Datos"
y "Áreas de aplicación".
4.2.1. Metas y Motivación
De manera similar a la MLR, analizamos los objetivos que los
profesionales se esfuerzan por lograr con SCA (n = 60). Los
resultados en la Figura 10 resaltan que la optimización es el
objetivo número uno para que los profesionales apliquen SCA.
Clasificaron la optimización de procesos internos y la optimización
de decisiones como de alta relevancia, mientras que el desarrollo
de nuevos productos y servicios y la adquisición de nuevos clientes
recibieron calificaciones moderadas. Esto podría deberse al hecho
de que es más obvio para los profesionales mejorar los procesos o
decisiones existentes, ya que son conscientes de sus deficiencias,
que mudarse a nuevos terrenos y desarrollar nuevos productos/
servicios o adquirir nuevos clientes. Además, estos últimos
generalmente no se ejecutan con tanta frecuencia como los
procesos o decisiones internas.
Tamaño de la empresa
22,8%
46,7%
n=276
30,4%
Pequeña (< 250 empleados)
Mediana (250-3000 empleados)
Grande (> 3000 empleados)
Registrar y utilizar el conocimiento no explotado y optimizar los
productos o servicios existentes recibe calificaciones de
moderadas a altas. Además, el uso de SCA está motivado por
diferentes razones en la práctica (n = 64), como se muestra en la
Figura 11. Los motivos más fuertes son usar los datos existentes
para agregar valor, resolver un problema específico o aumentar la
transparencia/comprensión de un área. , lo que respalda la
impresión del análisis de objetivos de que SCA se ve más bien
como un medio para mejorar los procesos o decisiones internos
existentes. De nuevo, la perspectiva extrínseca, es decir, la
motivación de que los socios exigen el uso o para igualar la
competencia no es tan relevante como la intrínseca para usar SCA.
4.2.2. Analítica
Tomando nota de los diferentes tipos de análisis, los encuestados
(n = 299) categorizaron su relevancia; como indica la Figura 12,
tanto el análisis descriptivo como el predictivo se calificaron como
de relevancia moderada a alta, mientras que el análisis
prescriptivo tiene una relevancia levemente menor para los
profesionales. Para la implementación real de SCA en la práctica,
también observamos que cuanto más sofisticado es el análisis,
menor es el nivel de adopción (consulte la Figura 13). Por ejemplo,
el 60 % de los encuestados (n = 276) ha implementado análisis
descriptivos al menos marginalmente, pero solo el 47 % ha
implementado análisis predictivos y el 30 % prescriptivos. En los
próximos años, podría decirse que la brecha entre el análisis
descriptivo y el predictivo podría cerrarse, considerando que el 28
% de los encuestados declaró que planeaba implementar este
último. Las implementaciones de análisis descriptivo solo están
planificadas en un 18%. La proporción de encuestados que
planean implementar análisis prescriptivos es más alta (30 %),
pero también lo es la proporción de profesionales que no han
planeado dicha implementación (39 %), lo que probablemente
refleja la relevancia comparativamente menor que le asignan. En
general, estos números reflejan la idea de que los tipos de análisis
más complejos se consideran menos relevantes y se implementan
menos. Este último es fácil de explicar.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación 17

muy alto (5) muy alto (5)

4.47
4.08 4.11
4.07 3.84
3.90 alto (4)
3.74 alto (4) 3.52
3.20 3.09 3.08
2.90
Moderado (3)
Moderado (3) 2.38

bajo (2)
bajo (2)

muy bajo (1)

muy bajo (1)

Utilice los datos existentes para agregar valor

Aumentar la transparencia/

para comunicación externa

para comunicación interna
Resolver problema específico

Coincidir con la competencia

Nuestros socios exigen el uso

Aplicar nuevas capacidades tecnológicas.

Aplicar nuevas capacidades tecnológicas.

procesos
Optimizar interno

Optimizar existente

comprensión de un área
conocimiento sin explotar

Adquirir nuevos clientes

y servicios
Optimizar decisiones
Registrar y utilizar

Desarrollar nuevos productos

productos o servicios

Figura 10: Metas de SCA (encuesta) Figura 11: Motivación para SCA (encuesta)

debido a que se necesitan más recursos para la implementación SCA, parcial o totalmente. Luego, las líneas negras representan la
de algoritmos complejos, etc. Del mismo modo, es posible que los brecha. La brecha para el análisis descriptivo es la más pequeña
profesionales no puedan pensar en casos comerciales razonables (21 %), por lo que las soluciones ya están bastante maduras y
y prometedores para tipos de análisis más complejos. Por lo tanto, aplicadas (relevancia = 64 %, implementación = 43 %). Por el
actualmente no ven el valor agregado que podrían aportar y les contrario, la brecha más grande involucra el análisis predictivo, de
asignan una menor relevancia. modo que un poco más de encuestados piensan que es muy
La Figura 14 revela la brecha entre la relevancia de SCA y su relevante (66%; cf. análisis descriptivo), pero sus
implementación en un diagrama de piruleta (n = 299). Los implementaciones están muy rezagadas (25%). Aquí, los
puntos inferiores representan la proporción de encuestados profesionales ya parecen reconocer muchos casos de aplicación y,
que clasificaron la relevancia de los diferentes tipos de análisis por lo tanto, asignan una gran relevancia al análisis predictivo,
como "alta" o "muy alta". Los puntos superiores representan pero solo han podido implementar sus ideas marginalmente. Es
la proporción de encuestados que han implementado decir, el 41% de los encuestados

muy alto

3.
sesenta y cinco 3.68 alto
3.29

moderado

bajo

muy bajo

Figura 12: Relevancia de los tipos de SCA (encuesta) Figura 13: Implementación de SCA (encuesta)
18

Considere el análisis predictivo altamente relevante pero participe en
una implementación marginal o nula. Para el análisis prescriptivo, el
nivel de implementación es menor (12 %), pero también lo es su
relevancia (47 %), ya que es posible que los profesionales no prevean
casos de uso adecuados para el análisis prescriptivo, por lo que su
brecha del 35 % se encuentra entre el análisis predictivo y el
descriptivo.
4.2.3. Datos
Más allá de la relevancia y la implementación de diferentes
tipos de análisis, los encuestados (n = 79) también indicaron
qué datos estaban disponibles para realizar análisis de la
cadena de suministro, qué datos podrían faltar y qué datos
comparten. La Figura 15 indica los datos que los profesionales
marcaron como necesarios (puntos superiores) frente a los
realmente disponibles (puntos inferiores) para su análisis de
la cadena de suministro. El eje Y muestra la proporción de
todos los encuestados, y las líneas negras, que reflejan la
brecha, señalan dónde está bien habilitado el análisis de la
cadena de suministro o dónde está obstaculizado por la (no)
disponibilidad de datos particulares. En general, la brecha
promedio entre los datos faltantes y los disponibles es del 34
% (desviación estándar: 8 %). Los datos de transporte se
necesitan desesperadamente, según el 87 % de los
encuestados, y también los datos más disponibles, con un 59
% (disposición a compartir: 57 %).
Podría decirse que todos estos datos son bastante fáciles de
recopilar y obtener para una empresa, ya que son datos puramente
internos que no necesitan la colaboración de los socios de la cadena de
suministro ni la aplicación de ningún algoritmo para estar disponibles.
Por el contrario, los pronósticos de demanda y los datos de calidad son
muy necesarios (82 % y 78 %), pero no están ampliamente disponibles
(35 % y 38 %), posiblemente porque es bastante difícil adquirir
pronósticos confiables o decidir sobre medidas de calidad. La
disposición de las empresas a compartir estos datos también es
igualmente baja (38% y 39%). Estas brechas entre
Los SCA planificados y ya realizados indican qué
tipos de datos faltan y qué podría estar
obstaculizando la implementación de futuras
iniciativas de análisis. Aparece otra gran brecha en
relación con los datos de interrupción del flujo de
materiales, disponibles para menos de una cuarta
parte de los encuestados (20%). Estos datos
parecen ser especialmente difíciles de recopilar, ya
que se requeriría el monitoreo de grandes partes
de la cadena de suministro. Teniendo en cuenta
que esta brecha supera el 51 %, observamos un
gran potencial de mejora, en relación con los otros
tipos de datos que indican una brecha más
moderada en torno al 31 % (desviación estándar: 4
%). Desafortunadamente, la disposición a compartir
estos datos también es del 20%. Por último, la
disponibilidad de datos de I+D es la más baja (9 %),
y aún menos empresas quieren compartir (6 %), ya
que representan uno de los tipos de datos más
confidenciales. Por último,
4.2.4. Áreas de aplicación
Clasificamos cómo los encuestados (n = 67) califican el potencial de SCA
para diferentes áreas de gestión de la cadena de suministro utilizando
el modelo SCOR. La mayoría de los encuestados identifica un fuerte
potencial de SCA para la planificación de la cadena de suministro
(promedio de 4,38) y una gran relevancia para la entrega (3,96) y el
abastecimiento (3,74). Para los procesos de fabricación, encontramos
una calificación moderada (3,44), pero el retorno parece ser la categoría
de proceso menos prometedora para SCA, con una puntuación de 3,25.
Para evaluar el potencial de los diferentes tipos de análisis para las
categorías de procesos de SCOR, como se muestra en la Figura 16 (n =
67), contamos el número de encuestados que calificaron la relevancia
de los diferentes tipos de SCA y el potencial de SCA para SCOR como
“alto” o “muy alto”. En general, el plan es la categoría mejor calificada
(91

87 100
82
78 77 76
100 73 71 68 75
63 6
1 57 5
Porcentaje

4
64 66 75 59
46
37
50
53
49
Porcentaje

35 3 8 42
47 32 35 25
50 33

20 20 22
43 13
9 0
25
Buenos datos de recibo

Datos maestros del producto

Datos del punto de venta

datos de I+D
Capacidades de producción

25
Datos de estructura de costos
Datos de transporte

Datos de calidad

Datos publicitarios
Datos de inventario
Previsiones de demanda

Datos de planificación de la producción

Datos de entrada/salida del producto
Datos de interrupción del flujo de materiales

12
0
Profético

Preceptivo
Descriptivo

Figura 14: Brecha entre relevancia y Figura 15: Datos necesarios, datos disponibles
implementación de SCA (encuesta) y la brecha (encuesta)
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
respuestas), seguida de cerca por la entrega (88)
y la fuente (76). Hacer caer (54) y devolver (46) al
fondo. Los números muestran que los
profesionales ven el mayor potencial de SCA en
los procesos de planificación, entrega y fuente, lo
que sugiere las luchas actuales en estas
categorías. Posiblemente, la necesidad de
considerar más que la propia empresa para esos
procesos lleva a que los practicantes constituyan
un alto potencial de mejora. La categoría
'habilitar' del proceso SCOR no se incluyó en la
encuesta debido a la naturaleza indirecta de la
categoría y la subsiguiente necesidad de
profundizar en los procesos subyacentes. En las
pruebas preliminares de la encuesta, nos dimos
cuenta de que la categoría no se explica por sí
misma como las demás y que los participantes
corren el riesgo de tener una comprensión
diferente de la naturaleza de la categoría.
La intersección entre el modelo SCOR y los tipos de SCA revela
que, proporcionalmente, menos encuestados reconocen los
beneficios potenciales del análisis descriptivo para los procesos de
creación (33,33 % de las respuestas) que para los procesos de
planificación (36 % de los encuestados). Sin embargo, para los
procesos de devolución, el análisis prescriptivo se identifica como
opciones de alto potencial por el 28 % de los participantes, y para
el proceso del plan, este porcentaje se reduce al 24 %. Finalmente,
el análisis predictivo realmente brilla para la categoría de entrega
(41 %), no para los procesos de devolución (37 %). Curiosamente,
no hay una tendencia clara sobre qué proceso SCOR se considera
adecuado para qué tipo de análisis. Esto también fue respaldado
por un análisis de correlación de Pearson que mostró la
correlación más alta entre el análisis prescriptivo y los procesos de
fabricación con una correlación débil.
Figura 16: Potencial de tipos de SCA por proceso SCOR
19
coeficiente de 0,30 ( = 0,03). Otras combinaciones dieron lugar a
correlaciones aún más bajas y valores de p superiores al 5 %.
Nuevamente y para todos los procesos, lo prescriptivo se considera
menos relevante.
5. ANÁLISIS COMPARATIVO
La comparación de perspectivas representadas en la literatura y la
práctica científicas puede descubrir similitudes y diferencias, que
también sugieren oportunidades de investigación. Además de las
secciones coherentes que tratan sobre los objetivos y la
motivación, los tipos de análisis, los datos y las áreas de aplicación,
presentamos un análisis cruzado de las áreas de aplicación y los
tipos de análisis al final de esta sección.
5.1. Metas y Motivación
La relevancia de los diferentes objetivos para implementar SCA en
la práctica corresponde en cierta medida a los hallazgos de MLR.
Los objetivos de 'optimizar los procesos internos' y 'optimizar las
decisiones', que se centran en muchas publicaciones, también
logran una calificación de relevancia promedio alta de los
participantes de la encuesta. Las motivaciones para usar los datos
existentes para agregar valor, resolver problemas específicos y
aumentar la transparencia/comprensión de un área,
predominantes en el MLR, también obtienen la calificación de
relevancia promedio más alta en todos los objetivos (alta) en la
encuesta. Estos objetivos y motivaciones se pueden alcanzar
directamente con SCA y, por lo tanto, predominan en la literatura y
se califican más alto. Por el contrario, los objetivos más indirectos,
como 'desarrollar nuevos productos y servicios' y 'adquirir nuevos
clientes', reciben calificaciones moderadas; de manera similar, no
estaban ampliamente representados en la literatura.
20
el caso se debe a la naturaleza más indirecta de agregar valor
cuando se enfoca en estos objetivos: esta relación más
implícita con SCA aún no ha ingresado a la literatura en la
misma medida que los objetivos antes mencionados, más
explícitos relacionados con SCA.
Si bien SCA puede tener un efecto comercializable positivo,
la práctica no lo utiliza principalmente para una mejor
publicidad sino para ahorrar costos. 'Registrar y utilizar
conocimientos no explotados' y 'optimizar productos o
servicios existentes' evoca calificaciones de moderadas a altas.
Aunque el primer objetivo está representado de manera
similar y moderada en la literatura anterior, el segundo rara
vez se ha abordado. Si bien los profesionales muestran que
SCA agrega valor a sus productos, la literatura no especifica
con qué propósito se pueden usar los métodos, aunque es
posible el uso para la servitización del producto o servicios de
consulta mejorados.
Por lo tanto, encontramos similitudes y diferencias en
los objetivos y la motivación para usar SCA. La literatura
científica, que representa una perspectiva de
investigación, no está diseñada principalmente para
satisfacer a los clientes y, en cambio, busca nuevos
conocimientos o soluciones a problemas específicos. Pero
los investigadores deben tener en cuenta algunas
motivaciones prácticas al identificar las preguntas de
investigación a seguir. En particular, las desviaciones que
identificamos sugieren la necesidad de más estudios del
objetivo de optimizar los productos o servicios existentes,
en línea con los estudios que intentan mejorar el control
de calidad de los productos o aumentar la calidad, la
trazabilidad y la confiabilidad de los productos [99, 109,
110]. Más allá de estas aplicaciones, las motivaciones
subyacentes implican algunas vías de investigación
interesantes. Los profesionales consideran que SCA es
muy relevante, pero luchan por implementarlo,
Figura 17: Consideración de tipos de análisis por profesionales y literatura
apoyar fines de marketing. Otra vía relevante para la
investigación involucraría la pregunta de si SCA realmente
cumple con el objetivo previsto y satisface las esperanzas
de los profesionales sobre los beneficios que se
obtendrán del uso de análisis avanzados.
5.2. Analítica
La Figura 17, que muestra la comparación entre la MLR
y las respuestas de los profesionales, refleja
información sobre la relevancia percibida (respuestas
que mencionaron una relevancia media o alta) y el
grado de implementación (respuestas que
mencionaron un grado medio o alto), según cada tipo
de análisis. y aplicación descrita.
Nuevamente encontramos una brecha entre la relevancia
percibida y el grado de implementación de los tipos de análisis
avanzados. Sin embargo, cuando comparamos los hallazgos de la
encuesta con nuestros resultados de MLR, también descubrimos
una segunda brecha: especialmente WL se enfoca más en los tipos
de análisis prescriptivos y predictivos avanzados (77%
acumulativo), no solo en comparación con el estado de
implementación (46% acumulativo). ) sino también a la relevancia
percibida de los profesionales (63% acumulado). WL se esfuerza
por desarrollar y exhibir tecnologías emergentes y aplicaciones
SCA y, por lo tanto, el enfoque en tipos de análisis más maduros
no es sorprendente. Por el contrario, GL está un poco más
alineado con los temas relevantes identificados por los
profesionales. Con un 61 % acumulativo centrado en tipos de
análisis prescriptivos y predictivos más avanzados, está por
delante del estado de implementación de los profesionales y está
alineado con la relevancia que asignan a estos tipos de análisis.
Este hallazgo subraya nuestra justificación metodológica para usar
una MLR. Debido a su enfoque orientado a la investigación, en su
mayoría de vanguardia, WL va más allá de las preocupaciones
actuales de los profesionales,
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
que es una consecuencia natural e intencionada de las
publicaciones de investigación. Sin embargo, vincular los
resultados de la investigación con la forma en que los
profesionales pueden aplicarlos es un requisito esencial para
el uso exitoso de SCA en la práctica. GL se posiciona entre WL
y el punto de vista del profesional porque, si bien necesita
presentar innovaciones, aún debe cumplir con los requisitos
más "con los pies en la tierra" de su audiencia. No obstante,
de manera similar a WL, todavía hay un énfasis excesivo en el
análisis prescriptivo en GL. La razón de esto podría ser que el
valor solo se obtiene después de que se puede derivar una
decisión de SCA, que se logra a través del tipo de análisis más
maduro. Esto, y la brecha entre la relevancia percibida y el
estado de implementación actual, respalda la impresión de
que es necesario seguir trabajando para ayudar a los
profesionales a aplicar el SCA.
A su vez, solicitamos una investigación que identifique las
razones específicas de la brecha en la relevancia percibida y el
grado de implementación, para aclarar las barreras que
obstaculizan la implementación de SCA más avanzados (por
ejemplo, adquisición de datos, habilidades y experiencia faltantes)
y encontrar formas de superarlos. Posiblemente, se podría
desarrollar una guía de implementación de SCA que reconozca las
barreras y luego forje un camino estructurado que permitiría a las
cadenas de suministro implementar SCA. Para el análisis
descriptivo, la implementación práctica todavía va a la zaga de su
relevancia, por lo que también recomendamos más investigación
sobre el análisis descriptivo.
5.3. Datos
La Figura 18 muestra la cantidad de encuestados que requieren un
tipo de datos específico en el eje x y la cantidad de casos de uso de
WL y GL en el eje x, pertenecientes a los diez tipos de datos
principales.
Los datos de inventario y transporte son muy relevantes
para los profesionales y prevalecen en la literatura existente.
Esto demuestra que los datos de inventario y transporte son
el pan de cada día de SCA. En el primer caso, la literatura está
un poco más saturada que su relevancia práctica real, pero lo
contrario es cierto para los datos de transporte.
Figura 18: Consideración de datos por profesionales y literatura
21
Los datos de planificación de la producción y las
capacidades de producción son menos significativos en la
práctica, y su cobertura de investigación es moderada.
Junto con el maestro del producto, la entrada/salida, la
interrupción del flujo de material y los datos de recepción,
logran un buen ajuste, lo que indica una relevancia
práctica de media a baja y una cobertura científica
moderada. En el cuadrante inferior derecho, encontramos
datos de demanda, calidad y recepción de mercancías,
que no se han abordado en la literatura pero representan
tipos de datos muy requeridos según la encuesta, donde
representan del segundo al cuarto tipo más relevante.
Para los datos de demanda y calidad, esto se puede
atribuir a la gran brecha entre los datos relevantes y
disponibles que se investigó en la subsección 4.2.3 y que
también podría aplicarse a la situación de la investigación.
Sin embargo, la evidencia de subrepresentación de los
datos de entrada de mercancías,
Como señalamos en la subsección 3.2.3, los datos de redes
sociales y sitios web son raros en GL, pero los resultados
generales también nos llevan a preguntarnos hasta qué punto son
realmente valiosos en entornos prácticos. La facilidad de
accesibilidad puede incitar a los investigadores a usar ciertos tipos
de datos, pero el valor de implementarlos en un caso de uso
práctico podría no justificar el esfuerzo. Por lo tanto, sería útil
investigar el valor de los tipos de datos para SCA. Una definición
de los costos de datos, incluidos los esfuerzos de análisis de datos,
la seguridad de la información y los costos de privacidad, podría
ser un esfuerzo que valga la pena. Entonces podría respaldar una
comparación de valor y costo y adopciones más transparentes de
algunos datos en la práctica.
5.4. Área de aplicación y análisis
Con un análisis cruzado, comparamos la relevancia de diferentes
tipos de análisis para cada proceso SCOR, tanto para WL y GL
como para la encuesta de expertos. Desafortunadamente, una
interpretación diferente de los procesos SCOR se hizo evidente en
nuestras discusiones con algunos participantes de la encuesta. En
el MLR, clasificamos los artículos al segundo nivel de SCOR y
distinguimos diferentes
22
procesos de planificación, dependiendo de lo que se planeó (ver
Figura 19 para el plan en el segundo nivel). Este análisis revela que
la mayoría de las publicaciones tratan temas de planificación
relacionados con toda la cadena de suministro (sP1 - Plan Supply
Chain), como la previsión de la demanda.
Los otros subprocesos del plan están destinados a contener todas
las actividades de planificación relacionadas con cada proceso
operativo (p. ej., sP2: fuente del plan), pero los participantes de la
encuesta parecen percibir tales actividades de planificación
relacionadas con el proceso como parte de la categoría de proceso
operativo respectivo (p. ej., , sS – Fuente). Por ejemplo, la selección de
proveedores debe ser en sP2, según la definición proporcionada por la
American Production and Inventory Control Society [52]; es una tarea
de planificación relacionada con el proceso fuente. Pero los
participantes de la encuesta, posiblemente sin conocer las definiciones
detalladas de SCOR, asignan la selección de proveedores al proceso de
origen, de manera intuitiva. Surgen problemas similares para planificar
la fabricación frente a la fabricación, planificar la entrega frente a la
entrega y planificar la devolución frente a la devolución.
Antes de que podamos comparar el número de
publicaciones con los resultados de la encuesta, debemos
abordar este problema de comprensión. En particular,
ajustamos la asignación de categoría de WL y GL, de modo
que sP2: Plan Source se presentó como Source, sP3: Plan
Make cambió a Make, sP4: Plan Deliver se convirtió en Deliver,
Figura 19: División del Plan SCOR
Figura 20: Relevancia percibida de los procesos SCOR
y sP5 – Plan Return cambiado a Return. Con estos cambios, la
categorización de la literatura se alinea con la interpretación
de SCOR de los participantes de la encuesta, por lo que
podemos realizar una comparación de las percepciones
científicas y prácticas de relevancia. En la literatura científica,
la relevancia está representada por la cantidad de fuentes que
se refieren a un tipo de análisis o proceso SCOR. En la
encuesta, los encuestados respondieron una pregunta directa
sobre su percepción de relevancia, en una escala de 0 (nada
relevante) a 5 (muy relevante). Incluimos respuestas que
cuentan con calificaciones altas o muy altas, que forman la
población básica, para que representen el valor del 100 %
para este análisis. La Figura 20 traza la relevancia de cada
proceso SCOR según la literatura (WL y GL) y la encuesta,
luego de la reinterpretación.
A primera vista, notamos un aparente consenso general, pero
también advertimos que los participantes de la encuesta no
asignaron valores inferiores a 3,2 a la relevancia de ningún
proceso SCOR. Por lo tanto, identificamos una fuerte discrepancia
en el proceso de devolución. Los participantes de la encuesta solo
lo consideran un poco menos relevante que hacer, obtener o
entregar; la literatura anterior lo ignora casi por completo y
proporciona pocos casos de aplicación. Destacando especialmente
el creciente interés por la sostenibilidad y los esfuerzos por
encontrar soluciones ecológicas, utilizando SCA para el retorno.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
procesos podría ser un campo prometedor para la investigación.
En contraste, la literatura previa y los participantes de la encuesta
están de acuerdo en la alta relevancia de los procesos del plan.
Después de reinterpretar las categorías, como se describe,
identificamos un acuerdo general sobre los procesos de origen,
fabricación y entrega. Se consideran menos relevantes que el plan,
pero la diferencia entre los valores de relevancia de la encuesta
(fuente 3.7, creación 3.4, entrega 4.0) versus el plan (4.4) es mucho
menor que la diferencia en la frecuencia de publicación (fuente 28,
creación 27, entrega 26 vs plan 52).
Al considerar los procesos SCOR y los tipos de análisis en
relación, como en la Figura 21, encontramos que la distribución de
WL, GL y las respuestas de la encuesta con respecto a la relevancia
de cada tipo de análisis para cada función SCOR, nuevamente,
resalta la importancia de la planificación, especialmente en WL . En
particular, cuando WL aplica análisis descriptivos, es
principalmente para resolver tareas de planificación. Tanto GL
como la encuesta aplican análisis descriptivos de manera más
uniforme a todos los procesos de SCOR. Estos valores se han
normalizado para que sumen 100 % para cada barra, para facilitar
la comparación, pero la información sobre la frecuencia con la que
se aborda cada tipo de análisis no se refleja en esta figura.
En general, los resultados de la encuesta asignan
aproximadamente la misma relevancia a cada tipo de análisis
para cada proceso SCOR. Fabricar y entregar están
ligeramente subrepresentados, pero se consideran más o
menos igualmente relevantes para SCA. Los encuestados de la
industria realmente no diferencian entre los tipos de análisis y
sus áreas de aplicación, lo que quizás refleja una falta de
comprensión de las fortalezas de cada tipo de análisis y los
casos de aplicación más adecuados. La encuesta confirma que
los profesionales consideran que los análisis son (altamente)
relevantes en general, pero también puede implicar que se
necesita probar una gama más amplia de casos de aplicación
para proporcionar una diferenciación más clara entre los tipos
de análisis. Un análisis de correlación de Pearson también
podría confirmar esta noción, ya que los diferentes tipos de
análisis tenían una correlación débil o nula entre procesos
SCOR particulares. A diferencia de,
Figura 21: Relevancia de los procesos SCOR y tipos de análisis
23
predominantemente para tareas de planificación, pero los casos
de uso de análisis prescriptivos se distribuyen de manera más
uniforme en todos los procesos. Un análisis de correlación Phi
también podría respaldar esto: el análisis prescriptivo casi no tenía
correlación con ningún proceso SCOR. Aquí, los coeficientes solo
oscilaron entre -0,084 (hacer) y 0,06 (plan). Este hallazgo podría
provenir del tipo de métodos utilizados para el análisis
prescriptivo: la simulación y la optimización son fácilmente
aplicables a problemas relacionados con los procesos operativos
de SCOR, como la programación o el enrutamiento. Esta razón
también podría ser la razón por la que GL tiende a centrarse en la
entrega, como el segundo proceso SCOR más abordado. Teniendo
en cuenta la distribución de los procesos SCOR por tipo de análisis,
GL se sitúa en algún lugar entre WL y la encuesta. El plan está más
representado que otras categorías, pero el enfoque no es tan
fuerte como en WL. Esta evidencia apoya la impresión de que GL
examina temas más cercanos a la industria, lo cual no es
sorprendente. Sin embargo, debe señalarse que el tamaño de
muestra más pequeño limita la expresividad de los hallazgos y esa
es también la razón por la cual no se realizó aquí un análisis de
correlación.
Los conocimientos adquiridos al comparar la literatura y los
intereses de la práctica con respecto a los procesos SCOR y un análisis
cruzado de los procesos SCOR y los tipos de análisis ofrecen algunas
sugerencias adicionales para la investigación. En primer lugar, muy
pocas investigaciones se refieren a procesos de devolución. Los
profesionales creen que es al menos parcialmente relevante para SCA
(3,2 de 5 puntos), pero WL incluye solo unos pocos casos de aplicación.
Tomando nota de las discusiones en curso sobre temas críticos como la
sostenibilidad, el cambio climático y las demandas resultantes para
todas las funciones de SCM, postulamos que la relevancia de un
proceso de devolución sin problemas y que funcione bien solo
aumentará, por lo que la investigación debe centrarse en cómo SCA
puede contribuir. En segundo lugar, necesitamos más investigación
sobre los procesos operativos en general, aunque podría ser pertinente
primero establecer las razones de la falta de interés hasta el momento.
Si el motivo es que los datos son insuficientes para probar los casos de
aplicación, se requiere una mayor colaboración entre la investigación y
la práctica; si en cambio las pocas aplicaciones
24
casos reflejan una falta de oportunidades de investigación, la
industria debe promover la implementación de SCA para procesos
operativos. En tercer lugar, el análisis cruzado indica que los
profesionales no distinguen entre los tipos de análisis, sino que
asignan a cada uno de ellos aproximadamente la misma
relevancia para cada proceso SCOR.
Aparentemente, tienen una comprensión aproximada de lo que
abarca cada tipo, pero carecen de un conocimiento detallado
sobre las fortalezas especiales y las posibilidades de aplicación de
cada opción. En lugar de centrarse en casos de aplicación
específicos, los investigadores podrían trabajar para desarrollar
pautas sobre cuándo aplicar qué tipo de análisis, lo que podría
ayudar a la práctica a cosechar los beneficios de SCA.
6. CONCLUSIÓN
Este artículo ha buscado proporcionar una visión holística de
las perspectivas de la práctica científica en SCA. Por lo tanto,
realizamos una MLR y una encuesta de expertos para obtener
información y también establecer una comparación entre las
fuentes. La estructura de este análisis refleja los componentes
clave de SCA, como se detalla en cada sección de este artículo:
(1) el tipo de análisis empleado, (2) los datos, (3) el área de
aplicación funcional y (4) el análisis subyacente. objetivos y
motivaciones para la aplicación. En general, este estudio
revela una fuerte relevancia de SCA, según investigaciones
basadas en la literatura y una encuesta entre profesionales.
Además de resumir los hallazgos clave, reconocemos algunas
limitaciones y oportunidades de investigación en esta sección.
6.1. Resumen
La razón principal para usar SCA es mejorar la toma de decisiones. Tanto la literatura como la
práctica se enfocan en aplicar SCA a las tareas de planificación, aunque la práctica prioriza el
análisis descriptivo, mientras que la literatura enfatiza el análisis predictivo. Una amplia
variedad de tipos de datos son valiosos para SCA. Aunque los profesionales esperan
beneficios notables del uso de SCA y lo consideran relevante para varios escenarios de
aplicación, su implementación a menudo no está a la altura de sus expectativas. Además, la
comparación revela algunas divergencias críticas, como el enfoque en diferentes tipos de
análisis y la falta de diferenciación entre ellos, así como diversas nociones sobre datos
potencialmente utilizables para SCA y sus áreas de aplicación. Las desviaciones ofrecen
algunas ideas provisionales para la investigación de SCA: Su función principal sigue siendo
impulsar la vanguardia de lo (tecnológicamente) posible, pero también es fundamental crear
vínculos con el valor práctico. En particular, es necesaria una investigación que asimile el
valor percibido por los profesionales y la producción científica. Tal paso intermedio puede ser
ejecutado por diferentes actores. Por ejemplo, en GL, los conocimientos generados por la
investigación pueden converger para producir contenido que sea más fácil de aprovechar
para los profesionales. El MLR proporciona información adicional sobre el campo, lo que
representa una valiosa extensión de las revisiones de la literatura tradicional. los
conocimientos generados por la investigación pueden converger para producir contenido
que sea más fácil de aprovechar para los profesionales. El MLR proporciona información
adicional sobre el campo, lo que representa una valiosa extensión de las revisiones de la
literatura tradicional. los conocimientos generados por la investigación pueden converger
para producir contenido que sea más fácil de aprovechar para los profesionales. El MLR
proporciona información adicional sobre el campo, lo que representa una valiosa extensión
de las revisiones de la literatura tradicional.
Considerar el vínculo entre la investigación y la práctica es
valioso para garantizar que conservemos el potencial de valor
agregado de los resultados de la investigación y permita su
difusión en la práctica. Carter [111] argumenta que las brechas
entre la investigación y la práctica en SCM surgen de problemas de
transferencia y producción de conocimiento. Para cerrar las
brechas y alentar la adopción de los hallazgos de investigación
generados, especificamos algunas áreas que deberían ser el foco
de los esfuerzos para transferir la investigación de SCA para
maximizar su impacto.
6.2. Limitaciones
Aunque la revisión de WL es extensa, la búsqueda de GL se basó en una cadena de palabras clave estrecha que
mencionaba explícitamente "análisis de la cadena de suministro". Una cadena más amplia podría producir
resultados relevantes adicionales, pero cuando intentamos este paso, el motor de búsqueda arrojó casi
exclusivamente WL. Para GL, también impusimos restricciones con respecto al tipo de archivo para garantizar el
nivel de calidad requerido (por ejemplo, GL de primer o segundo nivel; [13]). Pero esta elección metodológica
también podría excluir algunos GL relevantes de primer o segundo nivel publicados en diferentes tipos de archivos,
así como literatura de tercer nivel que podría contener resultados prometedores. La investigación continua podría
relajar las restricciones sobre palabras clave, tipo de archivo y calidad. Además, la relevancia del motor de búsqueda
se calcula mediante el algoritmo Google PageRank, que puede ser sesgado y poco transparente [112]. Todavía,
aceptamos este inconveniente ya que a) pensamos que los beneficios de incluir GL superan las desventajas, b)
percibimos que el motor de búsqueda de Google es la mejor manera de buscar el GL objetivo, y c) tomamos
precauciones (es decir, no cookies, aplicación de los criterios de evaluación propuestos por Garousi et al [13]). Por
último, la elección de no extender nuestra búsqueda más allá de los 100 resultados de Google es cuestionable.
Después de todo, podrían aparecer resultados relevantes después de estos 100 resultados, especialmente
considerando la naturaleza del algoritmo PageRank explicado anteriormente. Sin embargo, se indica fuertemente
que se logró la saturación teórica porque las últimas 28 entradas (más del 25% de todos los resultados) fueron
irrelevantes para nuestra investigación. b) percibieron el motor de búsqueda de Google como la mejor manera de
buscar el GL objetivo, yc) tomaron precauciones (es decir, no usar cookies, aplicar los criterios de evaluación
propuestos por Garousi et al. [13]). Por último, la elección de no extender nuestra búsqueda más allá de los 100
resultados de Google es cuestionable. Después de todo, podrían aparecer resultados relevantes después de estos
100 resultados, especialmente considerando la naturaleza del algoritmo PageRank explicado anteriormente. Sin
embargo, se indica fuertemente que se logró la saturación teórica porque las últimas 28 entradas (más del 25% de
todos los resultados) fueron irrelevantes para nuestra investigación. b) percibieron el motor de búsqueda de Google
como la mejor manera de buscar el GL objetivo, yc) tomaron precauciones (es decir, no usar cookies, aplicar los
criterios de evaluación propuestos por Garousi et al. [13]). Por último, la elección de no extender nuestra búsqueda
más allá de los 100 resultados de Google es cuestionable. Después de todo, podrían aparecer resultados relevantes
después de estos 100 resultados, especialmente considerando la naturaleza del algoritmo PageRank explicado
anteriormente. Sin embargo, se indica fuertemente que se logró la saturación teórica porque las últimas 28
entradas (más del 25% de todos los resultados) fueron irrelevantes para nuestra investigación. podrían aparecer resultados relevantes después de estos 1
Al adquirir a nuestros expertos, nos enfrentamos a diferentes
posibles sesgos de los encuestados. Entre ellos está nuestro enfoque en
los encuestados de habla alemana, así como en la comunidad BVL en
particular. Aunque generamos una muestra representativa de la
comunidad BVL, es posible que esta comunidad no coincida
exactamente con las proporciones industriales de los participantes de
la cadena de suministro.
Algunas otras limitaciones pertenecen a las categorías
utilizadas para analizar los resultados. Los objetivos y la
motivación para aplicar SCA fueron difíciles de comparar entre
fuentes, debido a la especificidad de su contexto. La encuesta
produjo algunos resultados interesantes, pero la revisión de la
literatura rara vez identifica metas explícitamente y cita solo
algunas motivaciones particulares. Por lo tanto, es poco
probable construir hipótesis sólidas sobre los objetivos y
motivaciones de SCA sobre la base de la revisión de la
literatura. Además, la categoría tipos analíticos abarca tres
tipos (descriptivo, predictivo y prescriptivo), sin
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
detallando el método o algoritmo específico utilizado. Por ejemplo,
el análisis predictivo se basa en regresiones de redes neuronales
tanto lineales simples como complejas, que requieren datos,
habilidades y conocimientos completamente diferentes. Una
investigación de cada método SCA puede generar más
información.
Al tratar de describir las brechas entre la ciencia y la práctica,
dedicamos menos esfuerzo a explicar por qué existen estas
brechas. Por ejemplo, encontramos que algunos tipos de análisis
se usan con más frecuencia y que algunos datos no están
disponibles para los profesionales, pero no sabemos por qué.
Tales conclusiones requerirían más investigación. Los estudios
adicionales de expertos o Delphi también podrían abordar las
inquietudes que surgen porque los encuestados no entendieron
bien la definición de SCOR. Reorganizamos los procesos del plan
SCOR en elementos de proceso, para respaldar las comparaciones
con la encuesta, pero el nivel de comparabilidad real podría ser
limitado. De manera similar, para otros análisis, medimos la
prevalencia de ciertos tipos de análisis o aplicaciones en la
literatura anterior, pero la encuesta requería que los encuestados
calificaran la relevancia y el nivel de adopción de SCA, por lo que la
comparación asume que la prevalencia es equivalente a la
relevancia y la adopción. En algunos casos, las categorías tenían
una prevalencia literaria baja, pero ninguna categoría de la
encuesta calificó a ninguna de ellas por debajo de la media, en
promedio.
6.3. Más investigación
Más allá de los esfuerzos para abordar las limitaciones, este
estudio revela algunos puntos interesantes para continuar la
investigación. Con respecto a los tipos de análisis, WL actualmente
se alinea con GL con respecto al análisis prescriptivo, pero un
enfoque más fuerte por parte de la literatura científica podría
fomentar una mayor adopción en la práctica. Para el análisis
prescriptivo y predictivo, también podría ser beneficioso investigar
las razones de la baja tasa de adopción en la práctica, a pesar de
su relevancia similar para el análisis descriptivo (p. ej., datos
faltantes, algoritmos complejos, casos de uso faltantes). En
general, el campo carece de orientación sobre qué tipo de análisis
deben usar los profesionales y cuándo.
Para los profesionales, encontramos útil considerar los
impulsores subyacentes de sus iniciativas de SCA para poder
elegir un camino para la implementación compatible con la
estructura de incentivos subyacente (derivada de las metas y
motivaciones). Argumentamos que una mayor investigación
de tal ajuste de implementación de objetivos permitiría a los
profesionales llevar a cabo sus proyectos de SCA con un
mayor grado de éxito en la adopción.
Desde el punto de vista de los datos, la comparación de GL con WL
sugiere la necesidad de que WL brinde más información de
investigación de SCA basada en recibos de mercancías, redes de cadena
de suministro, datos de inventario y capacidades de producción. Otras
investigaciones deberían abordar por qué los datos de los sitios web
están tan poco representados en la práctica y qué dificulta su
implementación. Los resultados de la encuesta señalan una gran
brecha entre la disponibilidad y la accesibilidad de los pronósticos de
demanda, la calidad y los datos de interrupción del flujo de materiales,
por lo que necesitamos estudios que puedan establecer por qué a
menudo faltan estos datos tan relevantes. Un primer análisis
25
de los intereses de la empresa para compartir datos reveló que, a
menudo, la falta de voluntad para compartir la información es la razón
principal de la falta de disponibilidad. Aunque los datos de demanda,
calidad y recepción de mercancías son relevantes, no aparecen con
frecuencia en la literatura científica, lo que sugiere un camino para la
investigación.
El MLR también revela que cuatro procesos operativos SCOR están
mal representados (fuente, fabricación, entrega, devolución), de modo
que el enfoque dominante está en el proceso de planificación.
Argumentamos que SCA para los procesos de devolución en particular
exige más atención, especialmente en relación con los temas de
sostenibilidad. Para enmarcar los esfuerzos de investigación en otras
funciones operativas, llamamos a estudios que identifiquen las razones
de las brechas actuales. Finalmente, la aplicación de SCPM reveló una
grave falta de investigación de SCA para la planificación de la
producción a corto plazo, mientras que la planificación multifuncional
está sobrerrepresentada en WL en relación con GL. Por lo tanto,
algunos inhibidores impiden la adopción o la relevancia para la práctica
es baja, y esta pregunta debe abordarse.
EXPRESIONES DE GRATITUD
Los autores reconocen las contribuciones cruciales de
Lucas Stampe en la estructuración inicial del artículo y la
conceptualización de la revisión de la literatura.
REFERENCIAS
[1] MS Mahdavinejad, M. Rezvan, M. Barekatain,
P. Adibi, P. Barnaghi y A.
P. Sheth, "Aprendizaje automático para el análisis de
datos de Internet de las cosas: una encuesta"
Comunicaciones y Redes Digitales, vol. 4, núm. 3,
págs. 161 a 175, 2018.
[2] S. Tiwari, HM Wee e Y. Daryanto, "Análisis de big
data en la gestión de la cadena de suministro
entre 2010 y 2016: perspectivas para las
industrias" Informática e Ingeniería Industrial, vol.
115, págs. 319 y 330, 2016.
[3] T. Papadopoulos y K. Spanaki, “Los datos como artefacto
en la literatura de la cadena de suministro:
Un encuadre conceptual”, enOR60: Conferencia
Anual de la Sociedad OR, Lancaster, Reino
Unido, págs. 84-93, 2018.
[4] JPU Cadavid, S. Lamouri y B. Grabot, "Tendencias en
el aprendizaje automático aplicado a la
previsión de demanda y ventas: una revisión"
enCongreso Internacional de Sistemas de
Información, Logística y Cadena de Suministro,
Lyon, Francia, 2018.
[5] V. Arya, P. Sharma, A. Singh y P. de Silva, "Un estudio
exploratorio sobre el análisis de la cadena de
suministro aplicado a la cadena de suministro de
repuestos". Benchmarking: una revista internacional,
vol. 24, núm. 6, págs. 1571–1580, 2017.
26
[6] J. Klein, R. Mello, A.-K. Cordes, B.
Hellingrath y R. Martins, "Análisis de Big Data
para la gestión de la cadena de suministro:
una revisión de estudios empíricos", enActas
de la 25.ª Conferencia Internacional Anual de
la Asociación Europea de Gestión de
Operaciones, Budapest, Hungría, 2018.
[7] M. Brinch, J. Stentoft, JK Jensen y C. Rajkumar, "La
comprensión de los profesionales de los grandes
datos y sus aplicaciones en la gestión de la cadena
de suministro"La Revista Internacional de Gestión
Logística, vol. 29, núm. 2, págs. 555 a 574, 2018.
[8] B. Chae, D. Olson y C. Sheu, "El impacto del análisis de
la cadena de suministro en el rendimiento
operativo: una visión basada en recursos" Revista
internacional de investigación de producción, vol.
52, núm. 16, págs. 4695–4710, 2014.
[9] S. Chehbi-Gamoura, R. Derrouiche, D.
Damand y M. Barth, “Insights from big
Análisis de datos en la gestión de la cadena de
suministro: una revisión exhaustiva de la literatura
utilizando el modelo SCOR.Planificación y control de la
producción, vol. 31, núm. 5, págs. 355–382, 2020.
[10] D. Arunachalam, N. Kumar y JP Kawalek, "Comprender
las capacidades de análisis de big data en la
gestión de la cadena de suministro: desentrañar
los problemas, desafíos e implicaciones para la
práctica".Investigación de Transporte Parte E:
Revisión de Logística y Transporte, vol. 114, C,
págs. 416–436, 2018.
[11] T. Schoenherr y C. Speier-Pero, "Ciencia de datos,
análisis predictivo y Big Data en la gestión de la
cadena de suministro: estado actual y potencial
futuro"Revista de Logística Empresarial, vol. 36,
núm. 1, págs. 120 a 132, 2015.
[12] G. Wang, A. Gunasekaran, EW Ngai y T.
Papadopoulos, "Análisis de big data en logística
y gestión de la cadena de suministro: ciertas
investigaciones para investigación y
aplicaciones" Revista Internacional de Economía
de la Producción, vol. 176, págs. 98 a 110, 2016.
[13] V. Garousi, M. Felderer y MV Mäntylä, “Pautas
para incluir literatura gris y realizar
revisiones de literatura multivocal en
ingeniería de software”Tecnología de la
información y el software, vol. 106, págs. 101
a 121, 2019.
[14] BK Chae, D. Olson y C. Sheu, "El impacto del análisis
de la cadena de suministro en el rendimiento
operativo: una visión basada en recursos". Revista
internacional de investigación de producción, vol.
52, núm. 16, págs. 4695–4710, 2014.
[15] BK Chae y DL Olson, "Análisis de negocios para la
cadena de suministro: un marco de
capacidades dinámicas",Revista internacional
de tecnología de la información y toma de
decisiones, vol. 12, núm. 1, págs. 9 a 26, 2013.
[16] BS Sahay y J. Ranjan, "Inteligencia comercial en
tiempo real en el análisis de la cadena de
suministro" Gestión de la Información y Seguridad
Informática, vol. 16, núm. 1, págs. 28 a 48, 2008.
[17] H. Min, Y.-K. Lim y J.-W. Park, "Análisis de la cadena
de suministro para mejorar la seguridad
marítima"Revista Internacional de Sistemas y
Gestión Logística, vol. 28, núm. 2, págs. 164 a
179, 2017.
[18] S. Zhu, C. Cegielski, J. Song y KB Lee, "El impacto del
análisis de la cadena de suministro en la
transparencia operativa de la cadena de suministro:
una visión del procesamiento de la información", en
Actas de la Conferencia Americana sobre Sistemas de
Información, Boston, Estados Unidos, 2017.
[19] S. Zhu, J. Song, BT Hazen, K. Lee y C. Cegielski, "Cómo el
análisis de la cadena de suministro permite la
transparencia operativa de la cadena de suministro:
una perspectiva de la teoría del procesamiento de la
información organizacional".Revista Internacional de
Distribución Física y Gestión Logística, vol. 48, núm. 1,
págs. 47–68, 2018.
[20] GC Souza, “Análisis de la cadena de suministro”,
Horizontes de negocios, vol. 57, núm. 5, págs. 595–
605, 2014.
[21] MW Barbosa, MB Ladeira y A. de La Calle Vicente, “Un
análisis de las redes internacionales de coautoría
en el área de investigación de análisis de la cadena
de suministro”,Cienciometría, vol. 111, núm. 3,
págs. 1703–1731, 2017.
[22] B. Chae y DL Olson, "Análisis de negocios para la
cadena de suministro: un marco de capacidades
dinámicas"Revista internacional de tecnología de
la información y toma de decisiones, vol. 12, núm.
01, págs. 9 a 26, 2013.
[23] H. Min, Y.-K. Lim y J.-W. Park, "Análisis de la cadena
de suministro para mejorar la seguridad
marítima"Revista Internacional de Sistemas y
Gestión Logística, vol. 28, núm. 2, págs. 164 a
179, 2017.
[24] S. Zhu, J. Song, B. Hazen, K. Lee y C.
Cegielski, "Cómo el análisis de la cadena de
suministro permite la transparencia operativa de la
cadena de suministro" Revista Internacional de
Distribución Física y Gestión Logística, vol. 48, núm. 1,
págs. 47–68, 2017.
[25] S. Zhu, J. Song, BT Hazen, K. Lee y C. Cegielski, "Cómo
el análisis de la cadena de suministro permite la
transparencia operativa de la cadena de
suministro" Revista Internacional de Distribución
Física y Gestión Logística, vol. 48, núm. 1, págs. 47–
68, 2018.
[26] A. Aryal, Y. Liao, P. Nattuthurai y B. Li, "El análisis
emergente de big data y IoT en la gestión de la
cadena de suministro: una revisión sistemática"
Gestión de la cadena de suministro: una revista
internacional, vol. 25, núm. 2, págs. 141 a 156,
2018.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
[27] M. Awwad, P. Kulkarni, R. Bapna y A. Marathe,
“Big Data Analytics in Supply Chain: A
Literature Review”, enActas de la Conferencia
Internacional sobre Ingeniería Industrial y
Gestión de Operaciones, Washington DC, EE.
UU., págs. 418–425, 2018.
[28] A. Chakroun, AE Bouchti y H. Abbar, "Logística y
análisis de la cadena de suministro: beneficios y
desafíos", enSegunda Conferencia Mundial
sobre Tendencias Inteligentes en Sistemas,
Seguridad y Sostenibilidad (WorldS4), Londres,
Reino Unido, págs. 44–50, 2018.
[29] M. Moufaddal, A. Benghabrit e I. Bouhaddou,
"Análisis de Big Data para la gestión de la
cadena de suministro", enApuntes de
conferencias en Redes y Sistemas, Innovaciones
en Ciudades Inteligentes y Aplicaciones, M. Ben
Ahmed y AA Boudhir, Eds., Cham: Springer
International Publishing, págs. 976–986, 2018.
[30] T. Nguyen, L. Zhou, V. Spiegler, P. Ieromonachou e Y.
Lin, "Análisis de big data en la gestión de la cadena
de suministro: una revisión de la literatura de
vanguardia"Informática e Investigación de
Operaciones, vol. 98, págs. 254 y 264, 2018.
[31] S. Fosso Wamba y S. Akter, "Análisis de Big Data para
la gestión de la cadena de suministro: una revisión
de la literatura y una agenda de investigación"
enApuntes de clase sobre procesamiento de
información comercial, modelado y simulación
empresarial y organizacional, J. Barjis, R. Pergl y
E. Babkin, Eds., Cham: Springer International
Publishing, págs. 61–72, 2015a.
[32] S. Lodemann y W. Kersten, "Identifikation und
Umsetzung der Potenziale von Data Analytics
im Supply Chain Management", Mittelstand-
Digital Magazin Wissenschaft trifft Praxis, no.
13, 22–29, 2020.
[33] K. Hoberg, M. Petersen y J. Heinen, “Die
Implikationen digitaler Technologien für die
Supply Chain 4.0”, enHandbuch Industria 4.0
y Transformación Digital, R. Obermaier, Ed.,
Wiesbaden: Springer Gabler, págs. 165–187,
2019.
[34] J. Loucks, T. Davenport y D. Schatsky, "State
of AI in the Enterprise: 2nd Edition", 2018.
[En línea]. Disponible: https://www2. deloit
te.com/content /dam/insights/us/articles/
4780_State-of-AI-in-the-enterprise/
DI_ Estado-de-IA-en-la-empresa-2nd-ed.pdf
[35] MG Alles, “Impulsores del uso y facilitadores y obstáculos
de la evolución de big data por parte de la profesión
de auditoría,”Horizontes Contables, vol. 29, núm. 2,
págs. 439 y 449, 2015.
[36] EM Rogers,Difusión de las innovaciones. Nueva
York, NY, EE. UU.: Simon and Schuster, 2003.
27
[37] TH Kwon y RW Zmud, “Unificando los modelos
fragmentados de implementación de sistemas
de información,” enTemas críticos en la
investigación de sistemas de información, RJ
Boland Jr y Hirschheim RA, Eds., Nueva York:
Wiley, 1987.
[38] TH Davenport, "Analítica 3.0",Revisión de negocios
de Harvard, vol. 91, núm. 12, págs. 64–72, 2013.
[39] TT Herden y S. Bunzel, "Arquetipos de las iniciativas
de análisis de la cadena de suministro: un estudio
exploratorio"Logística, vol. 2, núm. 10, págs. 1 a
20, 2018.
[40] N. Mishra y S. Silakari, "Análisis predictivo: una
encuesta, tendencias, aplicaciones,
oportunidades y desafíos"Revista Internacional
de Ciencias de la Computación y Tecnologías de
la Información, vol. 3, núm. 3, págs. 4434–4438,
2012.
[41] K. Lepenioti, A. Bousdekis, D. Apostolou y
G. Mentzas, “Análisis prescriptivo: revisión de
literatura y desafíos de investigación,”Revista
Internacional de Gestión de la Información, vol. 50,
págs. 57 a 70, 2020.
[42] I. Varela Rozados y B. Tjahjono, “Big Data Analytics
in Supply Chain Management: Trends and
Related Research,” enVI Congreso Internacional
de Gestión de Operaciones y Cadena de
Suministro, Bali, 2014.
[43] A. Gunasekaran et al., "Big data y análisis predictivo para
la cadena de suministro y el desempeño
organizacional",Revista de investigación empresarial,
vol. 70, págs. 308–317, 2017.
[44] P. Anitha y MM Patil, “Una revisión sobre el análisis de
datos para la gestión de la cadena de suministro:
Un caso de estudio,"Revista Internacional de
Ingeniería de la Información y Comercio
Electrónico, vol. 10, núm. 5, págs. 30–39, 2018.
[45] GC Pflug,Optimización de modelos
estocásticos: la interfaz entre simulación y
optimización. Boston, MA: Springer, 1996.
[46] MK Pusala, M. Amini Salehi, JR Katukuri,
Y. Xie y V. Raghavan, "Análisis masivo de
datos: tareas, herramientas, aplicaciones y
desafíos", enBig Data Analytics: métodos y
aplicaciones, S. Pyne, BP Rao y SB Rao,
Eds., Nueva Delhi: Springer India, págs.
11–40, 2016.
[47] V. Rajaraman, "Análisis de grandes datos",Resonancia,
vol. 21, núm. 8, págs. 695–716, 2016.
[48] H. Hu, Y. Wen, T. Chua y X. Li, "Hacia sistemas
escalables para análisis de Big Data: un tutorial
de tecnología"Acceso IEEE, vol. 2, págs. 652–
687, 2014.
[49] HJ Watson, “Tutorial: Big Data Analytics:
Conceptos, Tecnologías y Aplicaciones,”
Comunicaciones de la Asociación de
Sistemas de Información, vol. 34, 2014.
28
[50] H. Wenzel, D. Smit y S. Sardesai, "Una revisión de la
literatura sobre el aprendizaje automático en la
gestión de la cadena de suministro", enInteligencia
artificial y transformación digital en la gestión de la
cadena de suministro: enfoques innovadores para las
cadenas de suministro, Hamburgo, Alemania, págs.
413–441.
[51] U. Thonemann y F. Papier, “A1.4 Gestión de la
cadena de suministro”, en el vol. 3,Handbuch
Logistik, D. Arnold, H. Isermann, A. Kuhn, H.
Tempelmeier y K. Furmans, Eds., Berlín:
Springer, 2008.
[52] Sociedad Estadounidense de Control de Inventario y
Producción,Modelo de referencia de operaciones de la
cadena de suministro (Versión 12.0). Chicago, IL, 2017.
[53] Stewart Gordon, “Modelo de referencia de operaciones de
la cadena de suministro (SCOR): el primer marco
intersectorial para la gestión integrada de la cadena
de suministro,”Gestión de la información logística, vol.
10, núm. 2, págs. 62–67, 1997.
[54] FB Georgise, T. Wuest y K.-D. Thoben, “Aplicación
del modelo SCOR en los países en desarrollo:
desafíos y requisitos”, Planificación y control de
la producción, vol. 28, núm. 1, págs. 17 a 32,
2017.
[55] B. Fleischmann, H. Meyr y M. Wagner,
“Advanced Planning”, enGestión de la cadena
de suministro y planificación avanzada:
conceptos, modelos, software y estudios de
casos, H. Stadtler, C. Kilger y H. Meyr, Eds.,
Berlín, Heidelberg: Springer Berlin
Heidelberg, págs. 71–95, 2015.
[56] KM Benzies, S. Premji, KA Hayden y
K. Serrett, "Revisiones del estado de la evidencia:
ventajas y desafíos de incluir literatura gris"
Cosmovisiones sobre la Enfermería Basada en la
Evidencia, vol. 3, núm. 2, págs. 55 a 61, 2006.
[57] AA Chadegani et al., “Una comparación entre dos
colecciones principales de literatura académica:
Bases de datos de Web of Science y Scopus”,Ciencias
sociales asiáticas, vol. 9, núm. 5, págs. 18 a 26, 2013.
[58] I. Hausladen y M. Schosser, "Hacia un modelo de madurez
para el análisis de big data en la planificación de redes
de aerolíneas", JDiario de Gestión del Transporte
Aéreo, vol. 82, núm. 101721, págs. 1 a 18, 2020.
[59] R. Yanamandra, “Un marco de estrategias de la
cadena de suministro para lograr una ventaja
competitiva en la era digital”, en2019 Conferencia
Internacional sobre Digitalización (ICD): Tema:
Paisajismo Inteligencia Artificial, Sharjah, Emiratos
Árabes Unidos, págs. 129–134, 2019.
[60] HS Kilic, AE Demirci y D. Delen, “Una metodología
integrada de análisis de decisiones basada en
IF-DEMATEL e IF-ELECTRE para la selección de
personal”,Sistemas de Soporte a la Decisión,
vol. 137, núm. 113360, págs. 1 a 19, 2020.
[61] P. Galetsi, K. Katsaliaki y S. Kumar, "Análisis
de big data en el sector de la salud: marco
teórico, técnicas y perspectivas" Revista
Internacional de Gestión de la Información
, vol. 50, págs. 206–216, 2020.
[62] S. Fosso Wamba y S. Akter, "Comprender las
capacidades de análisis de la cadena de
suministro y la agilidad para entornos ricos en
datos",Revista internacional de gestión de
operaciones y producción, vol. 39, 7/6/8, págs.
887–912, 2019b.
[63] B. Chae, C. Yang, D. Olson y C. Sheu, "El impacto del
análisis avanzado y la precisión de los datos en el
rendimiento operativo: una perspectiva de la
teoría basada en recursos contingentes (RBT)"
Sistemas de Soporte a la Decisión, vol. 59, págs.
119 a 126, 2014.
[64] AMT Thomé, LF Scavarda y AJ Scavarda, "Realización
de una revisión sistemática de la literatura en la
gestión de operaciones", PPlanificación y control
de producciónl, vol. 27, núm. 5, págs. 408 a 420,
2016.
[65] KE Blanco,Salida de publicaciones: Tendencias de EE.
UU. y comparaciones internacionales. [En línea].
Disponible: https://ncses.nsf.gov/pubs/nsb20206/
publication-output-by-region-country-oreconomy
[66] G. Walter, F. Cordes, J. Rodriguez, J. Lowe y N.
Panday, “Turning Visibility into Value in
Digital Supply Chains”, BCG, 2018. [En línea].
Disponible: https://image-src.bcg.com/
Images/BCG-Turning-Visibility-into-Value-in-
Digital-Supply-Chains-Jan-2018_tcm9-181967.
pdf
[67] P. Tawde y S. Jaswal, "Optimización del proceso
SCM usando un algoritmo evolutivo en SVR"
enConferencia Internacional 2017 sobre Big
Data Analytics e Inteligencia Computacional
(ICBDAC), Chirala, Andhra Pradesh, India, págs.
103–106, 2017.
[68] NQ Viet, B. Behdani, J. Bloemhof y K. Hoberg, "Valor de los
datos en las decisiones de la cadena de suministro
multinivel: un estudio de caso en el sector de la
floricultura holandés"Revista internacional de
investigación de producción, vol. 59, núm. 5, págs. 1 a
18, 2020.
[69] FH Gjendem y Deep Aakash, “Data-Driven and
Analytics-Powered: Digital supply chain is the
new reality”, Accenture, 2016. [En línea].
Disponible: https://www.accenture. com/
_acnmedia/PDF-26/Accenture-Digital-Supply-
Chain-Operations-Analytics-POV.pdf
[70] C.-H. Wang y Y. Yun, "Planificación de la demanda y
previsión de ventas para fabricantes de placas
base considerando las interacciones dinámicas de
los productos informáticos".Informática e
Ingeniería Industrial, vol. 149, núm. 106788, págs.
1 a 8, 2020.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación
[71] LC Boldt et al., "Pronóstico de ventas de Nike
usando datos de Facebook", enConferencia
internacional IEEE 2016 sobre Big Data (Big
Data), Washington DC, EE. UU., págs. 2447–
2456, 2016.
[72] MA Villegas, DJ Pedregal y JR Trapero, “Una máquina
de vectores de soporte para la selección de
modelos en aplicaciones de pronóstico de la
demanda”, Informática e Ingeniería Industrial, vol.
121, págs. 1 a 7, 2018.
[73] A. Grackin, L. Rosencrance y D. Turbide, "Grow
Profits With Supply Chain Analytics",
TechTarget, 2016. [En línea]. Disponible: http://
docs.media.bitpipe.com/io_13x/io_131640/
item_1340667/HB_Grow%20Profits%20
With%20Supply%20Chain%20Analytics_
final.pdf
[74] S. Rowe y M. Pournader, "Supply Chain Big Data
Series Part 1: How big data da forma a las
cadenas de suministro del mañana", KPMG,
2017. [En línea]. Disponible: https://
assets.kpmg/content/dam/kpmg/au/pdf/2017/
big-dataanalytics-supply-chain-performance.pdf
[75] S. Hosseini y AA Khaled, "Un conjunto híbrido y
un enfoque AHP para la selección de
proveedores resilientes"Revista de
fabricación inteligente, vol. 30, núm. 1, págs.
207–228, 2019.
[76] A. Kim, J. Obregón y J.-Y. Jung, "PRANAS: un sistema de
análisis de procesos basado en un almacén de
procesos y un cubo para la gestión de la cadena de
suministro"Ciencias Aplicadas, vol. 10, núm. 3521,
págs. 1 a 13, 2020.
[77] P.-J. Wu, M.-C. Chen y C.-K. Tsau, "El análisis
basado en datos para investigar la pérdida de
carga en los sistemas logísticos",Revista
Internacional de Distribución Física y Gestión
Logística, vol. 47, núm. 1, págs. 68–83, 2017.
[78] L. Li, S. Ma, X. Han, C. Zheng y Di Wang, "Cadena de
suministro de servicios en línea basada en datos: una
perspectiva del lado de la demanda y del lado de la
oferta" Revista de gestión de la información
empresarial, vol. 34, núm. 1, págs. 1 a 17, 2020.
[79] IM Cavalcante, EM Frazzon, FA Forcellini y D.
Ivanov, "Un enfoque de aprendizaje automático
supervisado para la simulación basada en datos
de la selección de proveedores resilientes en la
fabricación digital".Revista Internacional de
Gestión de la Información, vol. 49, págs. 86 y
97, 2019.
[80] KM Sabu y TM Kumar, "Análisis predictivo en
agricultura: Pronóstico de precios de
arecanuts en Kerala",Procedia Informática,
vol. 171, págs. 699–708, 2020.
29
[81] R. Sathyan, P. Parthiban, R. Dhanalakshmi y A. Minz,
"Una técnica combinada de análisis de big data y
Fuzzy DEMATEL para mejorar la capacidad de
respuesta de las cadenas de suministro de
automóviles"Revista de inteligencia ambiental y
computación humanizada, vol. 12, núm. 7, págs.
7949–7963, 2020.
[82] MI Ali, P. Patel y JG Breslin, "Middleware para la
detección de eventos en tiempo real y el
análisis predictivo en la fabricación
inteligente", en2019 15.a Conferencia
internacional sobre computación distribuida
en sistemas de sensores (DCOSS), isla de
Santorini, Grecia, págs. 370–376, 2019.
[83] S. Punia, SP Singh y JK Madaan, "Un marco
jerárquico intertemporal y aprendizaje
profundo para la previsión de la cadena de
suministro" Informática e Ingeniería Industrial,
vol. 149, núm. 106796, págs. 1 a 11, 2020.
[84] T. Sandiford, "Supply Chain Analytics", Capgemini,
2013. [En línea]. Disponible: https://
www.capgemini.com/wp-content/uploads/
2017/07/supply_chain_analytics_0.pdf
[85] E. Malinowski, MH Karwan, JM Pinto y L. Sun, "Una
estrategia de programación de enteros mixtos para la
planificación de la cadena de suministro global de
helio líquido"Investigación de Transporte Parte E:
Revisión de Logística y Transporte, vol. 110, págs. 168
a 188, 2018.
[86] H. Gholizadeh, H. Fazlollahtabar y M. Khalilzadeh,
"Una programación estocástica difusa robusta
para adquisiciones y logística sostenibles bajo
incertidumbre híbrida usando big data"Revista
de producción más limpia, vol. 258, núm.
120640, págs. 1 a 24, 2020.
[87] S. Mishra y SP Singh, “Modelo de red de
distribución usando big data en un
entorno internacional,”La ciencia del
medio ambiente total, vol. 707, núm.
135549, págs. 1 a 11, 2020.
[88] G. Sankaran, M. Knahl, G. Siestrup e I. Vasileiou,
“Value of Smart Data for Supply Chain
Decisions in a Data Rich, Uncertain World”,
enActas de la 5.ª Conferencia Europea de
Investigación Colaborativa (CERC 2019),
2019.
[89] V. Jain, S. Kumar, A. Kundu y C. Chandra, "Vincular las
operaciones de adquisición para influir en el poder
en una cadena de suministro"Revista de sistemas
de fabricación, vol. 41, págs. 201–210, 2016.
[90] B. Shen, T.-M. Choi y H.-L. Chan, “¿Vender verde
primero o no? Un análisis bayesiano con
niveles de servicio y consideraciones de
impacto ambiental en la era de Big Data”,
Pronóstico tecnológico y cambio social, vol.
144, págs. 412–420, 2019.
30
[91] CKH Lee, "Un modelo de optimización basado en GA
para análisis de big data que respalda el envío
anticipado en Retail 4.0",Revista internacional de
investigación de producción, vol. 55, núm. 2, págs.
593–605, 2017.
[92] Q. Cao, B. Bouqata, PD Mackenzie, D. Messier y JJ Salvo,
"Un método de agrupación en clústeres basado en
cuadrículas para extraer viajes frecuentes de
conjuntos de datos telemáticos basados en eventos a
gran escala", en2009 Conferencia internacional IEEE
sobre sistemas, hombre y cibernética, San Antonio,
TX, EE. UU., págs. 2996–3001, 2009.
[93] IBM, “IBM Cognos Supply Chain Analytics”, IBM,
2009. [En línea]. Disponible: https://silo. tips/
download/white-paper-febrero-ibmcognos-
supply-chain-analytics
[94] WMG Business, "El análisis de la cadena de suministro
ayuda a Tetley a prosperar a pesar de la
pandemia", Universidad de Warwick, 2020. [En
línea]. Disponible: https://warwick.ac.uk/fac/sci/
wmg/research/ transformation/supply_chain/
wmg_tetley_success_story_supplyvue.pdf
[95] R. Iftikhar y MS Khan, "Análisis de Big Data de
redes sociales para la previsión de la demanda:
desarrollo e implementación de casos de un
marco innovador"Revista de gestión de
información global, vol. 28, núm. 1, págs. 103 a
120, 2020.
[96] R. Wen y W. Yan, "Predicción de la oferta y la
demanda para la fabricación ágil con redes
neuronales profundas"Sistemas de fabricación
inteligentes y sostenibles, vol. 3, núm. 2, págs.
95–105, 2019.
[97] S. Papagiannidis, EW See-To, DG Assimakopoulos y Y.
Yang, "Identificación de clústeres industriales con
una metodología novedosa de big data: ¿Son los
códigos SIC (no) aptos para su propósito en la era
de Internet?"Informática e Investigación de
Operaciones, vol. 98, págs. 355 y 366, 2018.
[98] NK Dev, R. Shankar, R. Gupta y J. Dong, "Evaluación de
criterios múltiples de indicadores clave de
rendimiento en tiempo real de la cadena de
suministro con consideración de la arquitectura de
big data" Informática e Ingeniería Industrial, vol.
128, págs. 1076–1087, 2019.
[99] M. Mancini, A. Mircoli, D. Potena, C. Diamantini, D.
Duca y G. Toscano, "Predicción de la calidad de
los gránulos mediante técnicas de aprendizaje
automático y espectroscopia de infrarrojo
cercano"Informática e Ingeniería Industrial, vol.
147, núm. 106566, 2020.
[100] E. Isikli y M. Ketenci, “Uso de opiniones de
consumidores para la planificación de la demanda:
caso de productos configurables”, enAvances en
Sistemas Inteligentes y Computación, Técnicas
Inteligentes y Difusas en Análisis de Big Data y
Toma de Decisiones, C. Kahraman, S. Cebi, S. Cevik
Onar, B. Oztaysi, AC Tolga e I.
U. Sari, Eds., Suiza: Springer Nature, págs.
354–361, 2020.
[101] A. Singh, N. Shukla y N. Mishra, "Análisis de datos de
redes sociales para mejorar la gestión de la
cadena de suministro en las industrias
alimentarias" Investigación de Transporte Parte E:
Revisión de Logística y Transporte, vol. 114, págs.
398–415, 2018.
[102] R. Perumalsamy y J. Natarajan, "Análisis predictivo
mediante el algoritmo genético para la optimización
eficiente del inventario de la cadena de suministro"
enSegundo Congreso Internacional de
Tecnologías de Computación, Comunicación
y Redes, Karur, India, págs. 1 a 8, 2010.
[103] Sr. Åkermanet al., "Desafíos en la creación de una cadena de
valor de datos para permitir decisiones basadas en datos:
un caso de mantenimiento predictivo en la fabricación
habilitada para 5G"Fabricación de procedimientos, vol. 17,
págs. 411–418, 2018.
[104] S. van der Spoel, C. Amrit y J. van Hillegersberg, "Análisis
predictivo para la estimación del tiempo de llegada de
camiones: un estudio de campo en un centro de
distribución europeo"Revista internacional de
investigación de producción, vol. 55, núm. 17, págs.
5062–5078, 2017.
[105] K. Leng, L. Jing, I.-C. Lin, S.-H. Chang, y
A. Lam, "Investigación sobre la minería de patrones de
comportamiento colaborativo de la red dinámica de la
cadena de suministro desde la perspectiva de los grandes
datos" Computación neuronal y aplicaciones, vol. 31, S1,
págs. 113–121, 2019.
[106] Genpact, "Impulsar la excelencia de la cadena de
suministro a través del análisis de datos a la
acción", Genpact, 2015. [En línea]. Disponible:
http: // www. genpact.com/downloadable-content/
insight/driven-supply-chain-excellence-
throughdata-to-action-analytics.pdf
[107] BVL,Jahresbericht der Regionalgruppen
2017. Brema, 2017.
[108] BVL, J.ahresbericht der Regionalgruppen
2020. Brema, 2020.
[109] Y. Oh, M. Busogi, K. Ransikarbum, D. Shin, D.
Kwon y N. Kim, "Sistema de control y
monitoreo de calidad en tiempo real que
utiliza una máquina de vector de soporte
rentable integrada"Revista de ciencia y
tecnología mecánica, vol. 33, núm. 12, págs.
6009–6020, 2019.
[110] MA Benatia, D. Baudry y A. Louis, “Detección de
productos falsificados mediante minería de
patrones frecuentes”Revista de inteligencia
ambiental y computación humanizada, págs. 1
a 10, 2020.
[111] CR Carter, “Producción de conocimiento y transferencia
de conocimiento: cerrando la brecha de la práctica de
la investigación,”Revista de gestión de la cadena de
suministro, vol. 44, núm. 2, págs. 78–83, 2008.
[112] AN Langville y CD Meyer,PageRank de Google y más allá: la
ciencia de las clasificaciones en los motores de búsqueda.
Princeton, Nueva Jersey: Universidad de Princeton.
Prensa, 2006.
Análisis de la cadena de suministro: investigación de la literatura: perspectivas prácticas y oportunidades de investigación 31

APÉNDICE

A. RAZONAMIENTO PARA INCLUIR LITERATURA GRIS

Tabla 6. Ayuda a la decisión para incluir GL basada en [36]

Pregunta Responder

1 ¿Es el tema “complejo” y no solucionable considerando solo la literatura formal? Sí

2 ¿Hay una falta de volumen o calidad de evidencia, o una falta de consenso sobre la medición Sí
de resultados en la literatura formal?

3 ¿La información contextual es importante para el tema en estudio? No

4 ¿Es el objetivo validar o corroborar resultados científicos con experiencias prácticas? Sí
5 ¿Es el objetivo desafiar las suposiciones o falsificar los resultados de la práctica utilizando la Sí
investigación académica o viceversa?

6 ¿Sería útil para una o incluso para ambas comunidades una síntesis de ideas y pruebas de la Sí
comunidad industrial y académica?

7 ¿Hay un gran volumen de fuentes de profesionales que indiquen un alto interés de los profesionales en un tema? Sí
32
B. PREGUNTAS DE LA ENCUESTA
Pregunta subyacente a la Figura 11:
Pregunta subyacente a la Figura 11:
Pregunta subyacente a la Figura 12:
Pregunta subyacente a la Figura 13:
Pregunta subyacente a la Figura
14, 15, 16, 18, 19 y 22:
Pregunta subyacente a las Figuras 17 y 20:
Pregunta subyacente a la Figura 18, 22 y 23:
“¿A qué sector económico pertenece su empresa?”
A) Manufactura B) Servicios Logísticos C) Comercio D) Otros
“¿Cuántos empleados tuvo su empresa en el último año comercial?”
A) Menos de 10 B) 10-49 C) 50-249 D) 250-499 E) 500-2.999
F) 3.000-9.999 G) 10.000-19.999 H) Más de 20.000
“¿Qué objetivos persigues con el uso de Advanced Data Analytics?”
A) Optimizar los procesos internos B) Optimizar las decisiones C) Optimizar los
productos/servicios existentes D) Desarrollar nuevos productos y servicios E)
Adquirir nuevos clientes F) Capturar y utilizar conocimientos previamente no
utilizados
"¿Cuál es su motivación para iniciar un proyecto de análisis de datos
avanzado?"
A) Usar los datos disponibles para agregar valor B) Resolver un problema específico C)
Aplicar nuevas posibilidades tecnológicas para comunicar esto internamente D) Aplicar
nuevas posibilidades tecnológicas para comunicar esto externamente E) Aumentar la
transparencia/comprensión para un área F) Estar a la altura de los competidores que ya
utilizan el análisis de datos G) Nuestros socios exigen el compromiso
“Evalúe qué tan relevantes son los siguientes conceptos tecnológicos
para análisis de datos/inteligencia artificial para SCM y logística en su
empresa y cuál es el estado de implementación en su empresa”.
Relevancia para la empresa… A) concepto desconocido B) muy baja C)
baja D) media E) alta F) muy alta
Estado de implementación en la empresa... A) no planificada B) planificada
>5 años C) planificada <5 años D) ya implementada en menor medida E) ya
implementada parcialmente F) ya implementada en gran medida
"Elija qué datos necesita su empresa de sus socios de la cadena de
suministro y qué datos su empresa estaría dispuesta a compartir con sus
socios de la cadena de suministro".
Datos que necesitamos de nuestros socios: A) Sí, ya están disponibles
B) Sí, pero no están disponibles C) No
Datos que estaríamos dispuestos a compartir con nuestros socios: A) Sí, ya
los estamos compartiendo B) Sí, pero aún no los compartimos C) No D) No
se aplica a nuestra empresa
"¿Cómo evalúa el potencial de Advanced Data Analytics en las
siguientes áreas de su empresa?"
A) Muy bajo B) bajo C) medio D) alto E) muy alto F) no sabe / no
especificado