01What it isQué es
Supplier risk scoring is a model that combines operational, financial, external and behavioral signals into a single forward-looking score per supplier, estimating the probability that the supplier will fail to deliver in the coming weeks.
El scoring de riesgo de proveedores es un modelo que combina señales operativas, financieras, externas y de comportamiento en un solo score prospectivo por proveedor, que estima la probabilidad de que ese proveedor no entregue en las próximas semanas.
02Why it mattersPor qué importa
Traditional scorecards report last quarter's OTIF, which is too late when a sole-source supplier is about to stop shipping. Supply chain disruptions are followed by significant and lasting declines in shareholder value and higher equity risk (Hendricks and Singhal, 2005 — Production and Operations Management), so a few weeks of warning on the critical few suppliers is worth far more than a precise score for the long tail.
Los scorecards tradicionales reportan el OTIF del trimestre pasado, lo cual es demasiado tarde cuando un proveedor de fuente única está por dejar de surtir. Las disrupciones de la cadena de suministro van seguidas de caídas significativas y duraderas en el valor para el accionista y de un mayor riesgo accionario (Hendricks and Singhal, 2005 — Production and Operations Management), por lo que unas semanas de aviso sobre los pocos proveedores críticos valen mucho más que un score preciso para la cola larga.
03How it is doneCómo se hace
1
Segment the critical few. Score first the sole-source and high-impact suppliers whose failure would stop production or service.
2
Blend trend and external signals. Weight recent OTIF deterioration, financial health and adverse news, not only historical averages.
3
Tie thresholds to actions. Define who does what within days when a score crosses each threshold, and recalibrate against real failures.
1
Segmenta los pocos críticos. Califica primero a los proveedores de fuente única y de alto impacto cuya falla detendría la producción o el servicio.
2
Combina tendencia y señales externas. Pondera el deterioro reciente del OTIF, la salud financiera y las noticias adversas, no solo los promedios históricos.
3
Vincula umbrales con acciones. Define quién hace qué y en cuántos días cuando un score cruza cada umbral, y recalibra contra las fallas reales.
04The concept in depthEl concepto a fondo
Supplier risk scoring with ML: anticipating failure before it impacts supply›
Supplier risk scoring uses ML models to predict the probability that a supplier will underperform in the coming weeks — whether due to financial, operational, or quality problems. Unlike traditional supplier scorecards (which measure past performance), the ML model predicts future performance by combining multiple risk signals.
Supplier risk signals for the ML model›
(1) Financial signals: supplier financial ratios (liquidity, solvency, profitability) are the most powerful long-term supplier failure predictors. Sources: credit bureaus, Dun & Bradstreet, and in Mexico the SAT's public Article 69-B list and the supplier's Opinión de Cumplimiento de obligaciones fiscales. (2) Operational signals: supplier OTIF history, defect rate, actual vs. promised lead time. (3) External signals: negative news about the supplier (labor disputes, strikes, production accidents), social media mentions, company management changes. (4) Behavioral signals: changes in supplier communication patterns (slower responses, more documentation errors, requests for advance payments).
The supplier risk scoring model›
The model combines risk signals into a score of 0 to 100 (where 100 is highest risk). Suppliers with score >70 enter the intensive monitoring program (with audit visits, meetings with supplier management, and contingency plans). Suppliers with score >85 activate the emergency substitution plan.
Intermediate vs. Advanced›
Intermediate: manages supplier scorecards according to the defined risk management process.
Advanced: designs the supplier risk scoring model with correct signals; implements the continuous monitoring process; manages the response protocol when the score exceeds thresholds.
Advanced: designs the supplier risk scoring model with correct signals; implements the continuous monitoring process; manages the response protocol when the score exceeds thresholds.
Scoring de riesgo de proveedores con ML: anticipar la falla antes de que impacte el abasto›
El scoring de riesgo de proveedores usa modelos de ML para predecir la probabilidad de que un proveedor tenga un desempeño deficiente en las próximas semanas, ya sea por problemas financieros, operativos o de calidad. A diferencia de los scorecards tradicionales de proveedores (que miden el desempeño pasado), el modelo de ML predice el desempeño futuro combinando múltiples señales de riesgo.
Señales de riesgo de proveedores para el modelo de ML›
(1) Señales financieras: las razones financieras del proveedor (liquidez, solvencia, rentabilidad) son los predictores de largo plazo más poderosos de la falla de un proveedor. Fuentes: burós de crédito, Dun & Bradstreet y, en México, la lista pública del artículo 69-B del SAT y la Opinión de Cumplimiento de obligaciones fiscales del proveedor. (2) Señales operativas: historial de OTIF del proveedor, tasa de defectos, lead time real vs. prometido. (3) Señales externas: noticias negativas sobre el proveedor (conflictos laborales, huelgas, accidentes de producción), menciones en redes sociales, cambios en la dirección de la empresa. (4) Señales de comportamiento: cambios en los patrones de comunicación del proveedor (respuestas más lentas, más errores de documentación, solicitudes de anticipos).
El modelo de scoring de riesgo de proveedores›
El modelo combina las señales de riesgo en un score de 0 a 100 (donde 100 es el mayor riesgo). Los proveedores con score >70 entran al programa de monitoreo intensivo (con visitas de auditoría, reuniones con la dirección del proveedor y planes de contingencia). Los proveedores con score >85 activan el plan de sustitución de emergencia.
Intermedio vs. Avanzado›
Intermedio: gestiona los scorecards de proveedores conforme al proceso de gestión de riesgos definido.
Avanzado: diseña el modelo de scoring de riesgo de proveedores con las señales correctas; implementa el proceso de monitoreo continuo; gestiona el protocolo de respuesta cuando el score supera los umbrales.
Avanzado: diseña el modelo de scoring de riesgo de proveedores con las señales correctas; implementa el proceso de monitoreo continuo; gestiona el protocolo de respuesta cuando el score supera los umbrales.
05In practiceEn la práctica
Supplier risk scoring is most valuable for critical suppliers (Sole Source or High Impact)›
The scoring model has the highest ROI when applied to suppliers whose failure can stop production or customer service.
Supplier historical OTIF is the most powerful predictor of future non-compliance›
A supplier that had 94% average OTIF over the last 3 years but dropped to 78% in the last 90 days has a much more powerful warning signal than one that historically had 78% OTIF.
Integrate external signals (news, social media) with internal signals (OTIF, quality)›
The risk model that only uses internal performance signals may not capture external events (strikes, accidents, legal problems) that precede the most serious non-compliances.
Review and recalibrate the scoring model every 6 months with actual non-compliances from the period›
The scoring model must learn from actual non-compliances to improve its accuracy over time.
El scoring de riesgo de proveedores es más valioso para proveedores críticos (fuente única o de alto impacto)›
El modelo de scoring tiene el mayor ROI cuando se aplica a proveedores cuya falla puede detener la producción o el servicio al cliente.
El OTIF histórico del proveedor es el predictor más poderoso del incumplimiento futuro›
Un proveedor que tuvo 94% de OTIF promedio en los últimos 3 años pero cayó a 78% en los últimos 90 días emite una señal de alerta mucho más poderosa que uno que históricamente ha tenido 78% de OTIF.
Integra señales externas (noticias, redes sociales) con señales internas (OTIF, calidad)›
El modelo de riesgo que solo usa señales internas de desempeño puede no capturar eventos externos (huelgas, accidentes, problemas legales) que preceden a los incumplimientos más graves.
Revisa y recalibra el modelo de scoring cada 6 meses con los incumplimientos reales del periodo›
El modelo de scoring debe aprender de los incumplimientos reales para mejorar su precisión con el tiempo.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Supplier risk scoring implementation — manufacturing company, 420 active suppliers
The company implements an ML model for risk scoring of its 420 suppliers.
The company implements an ML model for risk scoring of its 420 suppliers.
| Risk signal incorporated in the model | Predictor of future non-compliance | Model coefficient (relative importance) |
|---|---|---|
| Supplier OTIF over the last 90 days (trend) | R²=0.68 — high predictive power · A supplier that dropped from 95% to 78% OTIF in 90 days has high probability of non-compliance in the next 30 days | 38% model weight |
| Supplier financial ratios (current ratio, accounts payable days) | R²=0.52 — suppliers with liquidity problems have high probability of production delays due to lack of raw materials | 28% model weight |
| Recent negative news about the supplier (adverse media) | R²=0.41 — news of strikes, accidents, or legal problems precede supply problems | 18% model weight |
Result: The scoring model identified 3 suppliers with score >85 in the first 6 months — all 3 experienced significant non-compliance the following month. In all 3 cases, the company activated the contingency plan before the non-compliance occurred, avoiding production stoppages. Avoided stoppage cost: $1.8M USD.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: implementación de scoring de riesgo de proveedores — empresa manufacturera, 420 proveedores activos
La empresa implementa un modelo de ML para el scoring de riesgo de sus 420 proveedores.
La empresa implementa un modelo de ML para el scoring de riesgo de sus 420 proveedores.
| Señal de riesgo incorporada en el modelo | Predictor de incumplimiento futuro | Coeficiente del modelo (importancia relativa) |
|---|---|---|
| OTIF del proveedor en los últimos 90 días (tendencia) | R²=0.68 — alto poder predictivo · Un proveedor que cayó de 95% a 78% de OTIF en 90 días tiene alta probabilidad de incumplir en los siguientes 30 días | 38% del peso del modelo |
| Razones financieras del proveedor (razón circulante, días de cuentas por pagar) | R²=0.52 — los proveedores con problemas de liquidez tienen alta probabilidad de retrasos de producción por falta de materia prima | 28% del peso del modelo |
| Noticias negativas recientes sobre el proveedor (medios adversos) | R²=0.41 — las noticias de huelgas, accidentes o problemas legales preceden a los problemas de abasto | 18% del peso del modelo |
Resultado: El modelo de scoring identificó 3 proveedores con score >85 en los primeros 6 meses, y los 3 tuvieron un incumplimiento significativo al mes siguiente. En los 3 casos, la empresa activó el plan de contingencia antes de que ocurriera el incumplimiento y evitó paros de producción. Costo de paros evitado: $1.8M USD.
07How it is measuredCómo se mide
Supplier Risk Score Predictive Accuracy % (% of supplier non-compliances preceded by score >70)›
Supplier Risk Score Predictive Accuracy % (% of supplier non-compliances preceded by score >70)
(Supplier non-compliances preceded by score >70 in the prior 30 days / Total non-compliances in the period) × 100
Benchmark: >65% of non-compliances preceded by a score >70 in the prior 30 days
⚠️ A supplier risk scoring model that flags <40% of non-compliances in advance lets most failures arrive without warning. It may indicate selected risk signals don't have sufficient predictive power for the company's supplier category.
High-Risk Supplier Response Rate % (% of suppliers with score >70 receiving a mitigation action within 5 business days)›
High-Risk Supplier Response Rate % (% of suppliers with score >70 receiving a mitigation action within 5 business days)
(Suppliers with score >70 with documented mitigation action in <5 days / Total suppliers with score >70 in the period) × 100
Benchmark: >90% of suppliers with score >70 with mitigation action in <5 business days
🔑 The scoring model only has value if it triggers fast mitigation actions. A supplier with score >85 receiving no mitigation action in 15 days may already be in non-compliance when the team reacts.
Precisión predictiva del score de riesgo de proveedores % (% de incumplimientos de proveedores precedidos por un score >70)›
Precisión predictiva del score de riesgo de proveedores % (% de incumplimientos de proveedores precedidos por un score >70)
(Incumplimientos de proveedores precedidos por un score >70 en los 30 días previos / Total de incumplimientos del periodo) × 100
Benchmark: >65% de los incumplimientos precedidos por un score >70 en los 30 días previos
⚠️ Un modelo de scoring de riesgo que anticipa menos de 40% de los incumplimientos deja que la mayoría de las fallas lleguen sin aviso. Puede indicar que las señales de riesgo seleccionadas no tienen suficiente poder predictivo para la categoría de proveedores de la empresa.
Tasa de respuesta a proveedores de alto riesgo % (% de proveedores con score >70 que reciben una acción de mitigación en 5 días hábiles)›
Tasa de respuesta a proveedores de alto riesgo % (% de proveedores con score >70 que reciben una acción de mitigación en 5 días hábiles)
(Proveedores con score >70 con acción de mitigación documentada en <5 días / Total de proveedores con score >70 en el periodo) × 100
Benchmark: >90% de los proveedores con score >70 con acción de mitigación en <5 días hábiles
🔑 El modelo de scoring solo tiene valor si dispara acciones de mitigación rápidas. Un proveedor con score >85 que no recibe ninguna acción de mitigación en 15 días puede estar ya en incumplimiento cuando el equipo reacciona.
08What you would useQué se usa
📌 Supplier Risk Intelligence
Resilinc / Dun & Bradstreet›
Module: Supplier Risk Intelligence + Financial Health Scoring
Supplier risk intelligence platforms with financial, operational, and external news signals.
Supplier risk intelligence platforms with financial, operational, and external news signals.
Python — scikit-learn + LightGBM›
Module: Custom Supplier Risk Scoring Models
For teams with internal analytical capabilities: supplier risk scoring models in Python with internal ERP signals and external API signals.
For teams with internal analytical capabilities: supplier risk scoring models in Python with internal ERP signals and external API signals.
📌 Inteligencia de riesgo de proveedores
Resilinc / Dun & Bradstreet›
Módulo: Inteligencia de riesgo de proveedores + scoring de salud financiera
Plataformas de inteligencia de riesgo de proveedores con señales financieras, operativas y de noticias externas.
Plataformas de inteligencia de riesgo de proveedores con señales financieras, operativas y de noticias externas.
Python — scikit-learn + LightGBM›
Módulo: Modelos de scoring de riesgo de proveedores a la medida
Para equipos con capacidades analíticas internas: modelos de scoring de riesgo de proveedores en Python con señales internas del ERP y señales externas vía API.
Para equipos con capacidades analíticas internas: modelos de scoring de riesgo de proveedores en Python con señales internas del ERP y señales externas vía API.
The bottom lineEn corto
A risk score is worth only the actions it triggers — watch the suppliers that can stop you, and act within days.
Un score de riesgo vale solo por las acciones que dispara: vigila a los proveedores que pueden detenerte y actúa en días.
← PreviousAnteriorRoute optimization ML: dynamic routing, time windows & multi-depotML de optimización de rutas: ruteo dinámico, ventanas de tiempo y multi-depósitoNextSiguiente →Demand forecasting with ML: external signals, NLP & ensemble methodsPronóstico de demanda con ML: señales externas, NLP y métodos ensemble
All D12 componentsTodos los componentes de D12D12 artifactsArtifacts de D12SCRA