Automatización de compras con datos y eficiencia operativa
Sector
Automotive
Desafío
El área de compras de una empresa automotriz operaba un proceso crítico de reajuste de precios con sus proveedores mediante el uso de planillas de cálculo, correos electrónicos y aprobaciones descentralizadas. En un contexto inflacionario, especialmente en Argentina, la lentitud entre la variación económica y el cierre de la negociación arriesgaba la pérdida de márgenes, además de generar retrabajo y baja visibilidad operativa.
Resultados
La nueva arquitectura redujo en un 50 % el ciclo de las negociaciones complejas y en un 43 % el ciclo de las negociaciones simples. La operación también logró un aumento de la productividad de entre el 50 % y el 57 %, un NPS de 9 con las partes interesadas y un ahorro operativo estimado de 500 mil reales al año.
Producto clave
Pricer
"Cuando la decisión económica depende de un proceso fragmentado, el margen responde más a la fricción operativa que a la estrategia de compras. Pricer reorganizó esa lógica."
Cliente MATH
TI
Contexto
Esta empresa automotriz opera en un entorno industrial de alta complejidad, con cadenas de suministro extensas y gran exposición a las fluctuaciones de la economía. La gestión de los reajustes de precios afecta directamente el margen, la previsibilidad financiera y la capacidad de respuesta de la operación.
El desafío
El proceso de reajuste dependía de planillas de cálculo, intercambio de correos electrónicos y diversas etapas manuales distribuidas. Los índices como IPCA, INPC y los reajustes salariales se actualizaban manualmente. Una negociación podía tardar hasta 30 días en concluirse. Los equipos lidiaban con un retrabajo recurrente, baja trazabilidad y poca visibilidad sobre en qué punto se bloqueaba la negociación. La etapa final dependía de una implementación manual en sistemas legados globales.
La solución
MATH desarrolló Pricer como una plataforma con arquitectura optimizada para la operación de compras de la industria. La solución automatizó la ingesta de índices económicos (IPCA, INPC y reajustes salariales). El sistema fue integrado con los sistemas legados globales de la empresa (CEPS y WIPS). El backend se construyó en Java Spring Boot, el frontend en Angular y la infraestructura en la plataforma Google Cloud Platform. El sistema se retroalimenta con precios actualizados y genera automáticamente nuevos ítems a partir de ítems recientemente finalizados. Se utilizó IA para las pruebas automatizadas, la documentación técnica y el análisis predictivo de logs.
Los resultados
El ciclo de negociaciones complejas se redujo de 30 a 15 días (reducción del 50%). El ciclo de negociaciones sencillas pasó de 14 a 8 días (43%). La ganancia de productividad del equipo quedó entre el 50% y el 57%. El ahorro operativo estimado alcanzó los R$ 500 mil por año. El sistema eliminó pasivos ocultos generados por errores de fórmula en las hojas de cálculo de Excel. El NPS 9 entre los stakeholders confirma la utilidad, claridad y aplicabilidad en el día a día.
