¿Qué es un supply chain scientist y cómo convertirme en uno?

Un supply chain scientist combina decision science, data science, inteligencia artificial y conocimiento del negocio para tomar decisiones que mueven átomos, o sea, cosas en el mundo real. Qué hace, dónde trabaja y cómo convertirte en uno.

Cuando arrancamos a estudiar cómo resolvían problemas de supply chain algunas de las empresas más avanzadas del mundo, nos cruzamos con un término que, al menos nosotros, casi no habíamos escuchado por acá: supply chain science. Y con el rol que lo practica, el supply chain scientist.

Lo primero que pensamos es que era un rebranding fancy de data science. Pero nos terminó gustando porque engloba bajo un mismo paraguas un montón de cosas que en las empresas muchas veces vemos por separado, y que creemos que hace falta tratar juntas.

Qué hace un supply chain scientist

En pocas palabras, un supply chain scientist usa modelos cuantitativos para tomar decisiones de supply chain: cuánto comprar, cuánto stock tener, en qué orden producir, cómo armar las rutas, y mucho más.

Como en casi todo hoy en día, la inteligencia artificial y el machine learning están metidos en el medio. La diferencia es que acá todo termina en una decisión que mueve átomos en el mundo real: una orden de compra termina en cajas que llegan a un depósito, un programa de producción ocupa máquinas y gente, una ruta pone camiones en la calle. Si la decisión sale mal, sobra stock o falta producto en la góndola, y eso se ve bastante rápido.

Por eso nos gusta pensarlo como decision science. En este mundo, estimar qué va a pasar es la mitad del trabajo. La otra mitad es decidir qué hacer con esa predicción, para convertirla en una decisión de presupuesto, de capacidad, de plazos o de cualquier cosa que tenga impacto en el mundo real.

De qué está hecho

Nosotros lo pensamos como tres áreas que se apoyan sobre la misma base.

• Decision science e investigación operativa. Optimización, simulación y teoría de decisiones. Es lo que te permite elegir, entre miles de opciones posibles, la que mejor cumple con las restricciones de la operación.
• IA, data science y machine learning. Estadística y modelos para estimar lo que no se ve a simple vista: la demanda, cuánto varía, cuánto tarda en llegar la mercadería. Y cada vez más, agentes de IA que se encargan de buena parte del trabajo técnico alrededor de esos modelos y que traen al proceso información que hoy vive en mails y reuniones.
• Conocimiento de supply chain y negocio. Entender cómo funciona la operación de verdad: cuánto tarda en serio cada proveedor, cómo se mueve cada categoría en el año, qué productos no pueden faltar nunca, y qué corrige el planner y por qué.

Abajo de todo está la base, analytics y data engineering. Sin datos limpios y al día, lo demás no arranca.

Encontrar todo esto en una sola persona es bastante difícil. En general está repartido entre varios equipos que no siempre se hablan, y creemos que hace falta un perfil que cubra todas estas aristas y que pueda ser dueño de estos procesos de punta a punta.

Dónde se aplica

Hay tantos casos de uso como supply chains en el mundo. Algunos de los que solemos ver seguido son los siguientes:

• Forecasting: cuánto se va a vender de cada producto, dónde y cuándo.
• Inventarios: cuánto stock tener y cuándo reponer.
• Optimización de compras: cómo repartir un presupuesto, un depósito o la capacidad de un proveedor entre miles de productos.
• Ruteo: qué camión va a cada cliente y en qué orden.
• Scheduling: qué se produce primero, en qué máquina, y cómo reacomodar todo cuando se rompe algo.
• Pricing: a qué precio vender, sabiendo que el precio mueve la demanda.
• Simulación: probar una decisión antes de tomarla, por ejemplo cambiar de proveedor o abrir un depósito nuevo.

Casi ninguno de estos casos usa una sola área. Un forecast, por ejemplo, necesita el modelo (data science), saber qué semanas hubo quiebres de stock (negocio) y después convertirse en una orden de compra (decision science).

Dónde trabaja

Un supply chain scientist puede trabajar en básicamente cualquier empresa que tenga stock, camiones o plantas que planificar.

En retail y consumo masivo suele estar en los equipos de planificación de demanda y reposición. En la industria, armando el programa de producción y las compras de insumos. En e-commerce, pronosticando miles de productos y decidiendo en qué depósito conviene tener cada uno. En operadores logísticos, con el ruteo y la capacidad de depósitos y flota. Y también en consultoras y empresas de software, como nosotros, armando estos modelos para otras empresas.

El nombre del puesto cambia bastante según la empresa: supply chain scientist, data scientist de supply chain, analista de planificación, ingeniero de investigación operativa.

Cómo convertirte en uno

Casi nadie arranca sabiendo todo. Lo más común es venir de una de las áreas e ir sumando las otras, y qué te conviene estudiar depende bastante de dónde venís.

Si venís de supply chain (planificación, compras, logística), ya tenés lo que menos se aprende en un libro, que es entender la operación. Te falta la parte cuantitativa: estadística para pronosticar y medir, programación (Python o SQL) para trabajar con datos, machine learning y algo de optimización.

Si venís de data science o data engineering, las herramientas ya las tenés. Te falta entender qué decisiones se toman con cada número: cómo se relacionan ventas y demanda, qué es un lead time, cómo se pasa de un forecast a una orden de compra. Y probablemente optimización.

Si venís de investigación operativa o ingeniería industrial, optimizar ya sabés. Te falta machine learning, trabajar con datos reales (que en general vienen incompletos y con errores) y conocer el día a día de la operación.

En cualquiera de los tres casos, lo que más ayuda es meter las manos en datos reales: agarrar la historia de ventas de una empresa, armar un forecast simple, compararlo con lo que pasó y ver qué compra hubiera sugerido.

Dónde estudiar

Estos son los recursos que recomendamos para cada tema. Casi todos están en inglés, y esa es una de las razones por las que estamos armando nuestros cursos en español.

Para empezar

• Supply Chain Science, de Wallace J. Hopp (Waveland Press, 2011): una introducción casi sin matemática a cómo se comportan los sistemas de producción y de supply chain.

Forecasting

• Forecasting: Principles and Practice, de Rob J Hyndman y George Athanasopoulos: el mejor punto de partida. Se lee gratis online y tiene una versión en Python, the Pythonic Way, hecha con las librerías de Nixtla.
• Mastering Modern Time Series Forecasting, de Valeriy Manokhin: una guía práctica de modelos estadísticos, de machine learning y de deep learning en Python, con foco en llevarlos a producción.
• StatsForecast y MLForecast, de Nixtla: librerías open source para pronosticar miles de series con modelos estadísticos y de machine learning.
• Data Science for Supply Chain Forecasting, de Nicolas Vandeput (De Gruyter, 2ª ed., 2021).
• Para practicar: M5 Forecasting en Kaggle, ventas diarias de Walmart de 3.049 productos en 10 tiendas, con precios y eventos.

Inventarios

• Inventory and Production Management in Supply Chains, de Silver, Pyke y Thomas (CRC Press, 4ª ed., 2016).
• Inventory Optimization: Models and Simulations, de Nicolas Vandeput (De Gruyter, 2020), con código en Python en cada capítulo.
• Fundamentals of Supply Chain Theory, de Lawrence V. Snyder y Zuo-Jun Max Shen (Wiley, 2ª ed., 2019), y Stockpyl, la librería de Python con los modelos clásicos del libro.

Optimización y decisiones

• Hands-On Mathematical Optimization with Python, de Postek, Zocca, Gromicho y Kantor (Cambridge University Press, 2025): programación lineal, entera y bajo incertidumbre, con más de 50 notebooks. Se lee gratis online.
• Reinforcement Learning and Stochastic Optimization, de Warren B. Powell (Wiley, 2022): un marco único para modelar decisiones que se toman una detrás de otra, a medida que llega información nueva.
• Optimization Methods in Management Science, en MIT OpenCourseWare: apuntes y ejercicios de programación lineal, de redes y entera, aplicada a logística y producción.

Ruteo y scheduling

• La documentación de Google OR-Tools, con guías de ruteo de vehículos y de scheduling.
• Vehicle Routing: Problems, Methods, and Applications, editado por Paolo Toth y Daniele Vigo (SIAM, 2ª ed., 2014).
• Scheduling: Theory, Algorithms, and Systems, de Michael L. Pinedo (Springer, 6ª ed., 2022).

Un programa completo

• Los cursos de Supplai Academy, en español, que están acá abajo.

Nuestros cursos

Creemos que esto es realmente importante, y que falta formación en el tema, en la región y en el mundo. Por eso queremos aportar lo nuestro a la comunidad con cursos de supply chain science en español, con teoría, práctica y problemas reales. Cada uno va a fondo en un caso de uso:

• Demand Forecasting, 13 módulos
• Teoría de inventarios, 12 módulos
• Optimización de inventarios, 12 módulos
• Optimización de rutas, 12 módulos
• Scheduling de producción, 12 módulos

Todavía los estamos construyendo, pero ya podés ir mirando el temario completo en Supplai Academy. Si te interesa, te esperamos en la lista de espera.