"En nuestro equipo, venimos de la cadena de suministro, no de los datos", dijo Jamal Akhiad, director de previsión de demanda global en el centro de innovación global de Sanofi. Practicamos los datos, pero venimos de la profesión. » Sobre esta cuestión de la previsión de la demanda trabajaron, paso a paso, con el objetivo de optimizar la cadena de suministro. “La farmacia es una industria reacia al riesgo. Por tanto, nuestras previsiones no deberían ser ni demasiado altas ni demasiado bajas. Si no he planificado suficientes productos para un mercado específico, un centro de distribución específico, corro el riesgo de sufrir presión de inventario. Y a la inversa, si planifico demasiado, retiro capacidad de producción para una entidad que la necesita y produzco donde no la necesito. »
La industria farmacéutica en general requiere anticiparse a la demanda en el corto plazo, para organizar mejor la distribución de los productos, y en el largo plazo, para la toma de decisiones estratégicas. Y dentro de este sector, Sanofi opera en un contexto específico de un conjunto de empresas consolidadas en el tiempo, con funcionamiento históricamente descentralizado. “Tenemos no una, sino varias cadenas de suministro, con tiempos medios de producción bastante largos como en toda esta industria, pero sobre todo variados”, explica Alex Pedurand, científico de datos del Centro de Innovación Global. Es más, también tenemos diferentes métodos de cálculo de pronósticos en el grupo. » El dúo tomó el ejemplo de la vacuna Hexaxim, que ataca varias enfermedades, cuyo plazo medio de entrega del producto (tiempo entre el inicio de la producción y la salida para la entrega) es de 36 meses.
Primer paso: limpieza de datos
El centro de innovación global de Sanofi trabaja con pronósticos para al menos 60 meses, mes a mes, con granularidad a nivel de SKU (unidad de mantenimiento de existencias). Para ello, los equipos interesados utilizan métodos cuantitativos basados en modelos de datos, complementados con previsiones cualitativas, por ejemplo en caso de que el historial sea insuficiente. “En este caso, tenemos nuestros prejuicios humanos o información del mercado”, explica Alex Perdurand. El proceso comenzó limpiando los datos con simples regresiones lineales “manuales”, luego descomponiendo las series temporales en tendencias y estacionalidades (método STL), imputación o Winzorización. Este último método mitiga el impacto de valores extremos como los efectos inducidos por acontecimientos como las conductas de consumo de pánico que se multiplicaron durante los confinamientos o la Bloqueo del Canal de Suez por el portacontenedores Ever Given.
Finalmente, Sanofi también probó algoritmos de aprendizaje automático y aprendizaje profundo.
Jamal Akhiad, director de previsión de la demanda global (izq.) y Alex Pedurand, científico de datos (dcha.), ambos trabajando en el centro de innovación global de Sanofi en Barcelona. (Foto ED)
“Ese es el objetivo de estar cerca de la empresa, de discutir día a día con los mercados, de comprender los impactos en la cadena de suministro”, subraya Alex Pedurand. "De esta manera, podemos asumir esta función de apoyar el cambio e impulsar la adopción de herramientas de previsión", afirma Jamal Akhiad. Estos pronósticos requieren compromisos que a menudo nos resultan más fáciles de hacer dentro de la profesión. » Por lo tanto, los científicos de datos han optado en ocasiones por una solución menos optimizada y más pragmática, pero suficiente para las previsiones buscadas y que evita el desperdicio innecesario de recursos. Es así como los buenos resultados obtenidos con las previsiones de la cadena de suministro también interesaron a otros departamentos de Sanofi, a pesar de su optimización específica para la cadena de suministro. “Se aplican en ámbitos en los que son consistentes, sin haber sido optimizados específicamente para las actividades en cuestión”, añade Alex Pedurand.
Una solución básica rodeada de correcciones de riesgos
Posteriormente, el equipo de Barcelona fue organizando sus desarrollos por módulos, para dar respuesta a los diferentes tipos de necesidades identificadas. A corto plazo, para organizar la distribución de productos en función de la presión de la demanda, por ejemplo, y redirigir un producto de un país a otro en caso de escasez de existencias. En este caso, se requiere una solución con gran capacidad de respuesta. A largo plazo, estamos hablando de decisiones estratégicas, como por ejemplo la creación de nuevas capacidades de almacenamiento de productos. A continuación, Sanofi trabaja en sus previsiones en colaboración con los equipos de ventas. “Nuestra idea”, continúa el científico de datos, “es tener una solución básica en torno a la cual construir una corrección del riesgo a corto plazo, mes a mes, y escenarios a largo plazo. »
El desarrollo de estas herramientas de previsión dentro del equipo de la cadena de suministro del centro de innovación global de Sanofi no se produjo en un día. “Comenzamos con archivos lineales simples llamados Alex o Jamal”, recuerda en broma Alex Pedurand. Luego, el equipo de científicos de datos creció y tuvo que estructurarse. "Automatizamos nuestros códigos", continúa. Lo que lógicamente nos llevó a automatizar todos nuestros flujos de trabajo. Y creamos una API para nuestra solución de cadena de suministro Kinaxis. » Sin embargo, los paquetes de previsión superaban cada vez más los límites de habilidades de los equipos empresariales, la mitad de los cuales no tenía conocimientos de codificación. “Éramos 3 científicos de datos y dedicábamos nuestro tiempo a mejoras o mantenimiento”, explica. Ya no respondimos a las solicitudes cuantitativas que son nuestro negocio principal y que realmente aportan valor. »
Una solución diseñada por el negocio, que ahora necesita TI
Para cambiar las cosas, Sanofi finalmente recurrió a Azure Databricks de Microsoft, que inicialmente liberó tiempo de mantenimiento. La solución también resultó ser de más fácil acceso para los no desarrolladores. “Brinda a los usuarios acceso visual al flujo de trabajo, la orquestación y el conjunto de ejecución de tareas para que puedan compartir con nosotros los problemas de orquestación que se deben depurar, por ejemplo. Las funciones de comunicación y colaboración nos permiten responder muy rápidamente. » También se han integrado en Databricks herramientas MLops, ML Flow y paneles de control. Finalmente, el equipo revisó todos sus códigos para hacerlos modulares. “Una entrada, una tarea, una salida” al lago de datos en formato Delta (Azure Databricks), resume el científico de datos. “Esto nos permite conectar otras funciones, sea cual sea el idioma, como por ejemplo una visualización de datos PowerBI. »
Para Jamal Akhiad, estos desarrollos informáticos piratas o en la sombra, como él mismo los describe, han permitido crear herramientas estables, hechas a medida de las necesidades de previsión de la cadena de suministro. “Hoy nos resulta más fácil defender un caso de negocio con nuestros equipos digitales”, insiste. Y estamos hablando de cientos de millones de cajas entregadas en el lugar correcto y en el momento correcto. Y se evitó la escasez de existencias. La innovación está en todas partes, no sólo en los datos ni sólo en la TI. Ella también está en el negocio. Pero hay que ayudarlo con apoyo. Los resultados son mucho mejores que si trabajamos en silos. »
Otras noticias que te pueden interesar