00:00:03 Pronósticos probabilísticos: introducción y descripción general.
00:01:34 Incertidumbre y precisión en el pronóstico probabilístico.
00:02:25 Pronósticos probabilísticos: gestión de asimetrías en la cadena de suministro.
00:04:33 Límites esquivos y eventos improbables en los pronósticos probabilísticos.
00:07:43 El papel de los modelos matemáticos en el pronóstico probabilístico.
00:09:15 Evaluación de la precisión de un pronóstico probabilístico.
00:11:14 Desventajas de los pronósticos clásicos en comparación con los probabilísticos.
00:13:07 Dependencia de las industrias de los pronósticos clásicos y los límites de Excel.
00:15:23 Mejores aplicaciones del pronóstico probabilístico.
00:18:43 Industrias donde no se necesita el pronóstico probabilístico.
00:20:03 Adopción y razones del pronóstico probabilístico.
00:22:34 Perspectivas futuras del pronóstico probabilístico.
00:24:27 Métodos futuros: omitir el cálculo explícito de probabilidades.
00:25:37 Enfocarse en futuros y demandas relevantes.
00:26:14 Incertidumbres en la línea de tiempo de la demanda del producto.
00:27:03 Escenarios “qué pasaría si”: impacto de los ajustes de precios.
00:27:56 Importancia de la exploración selectiva.
Resumen
En esta conversación con Kieran Chandler, Joannes Vermorel, fundador de Lokad, aclara la naturaleza y los beneficios del pronóstico probabilístico para las cadenas de suministro. A diferencia de los pronósticos deterministas, los pronósticos probabilísticos se consideran que ofrecen una gama de resultados, cada uno con una cierta probabilidad. Este enfoque se ve como una mejor manera de abordar las asimetrías en la cadena de suministro, como las diferentes implicaciones de la sobreestimación y la subestimación de la demanda. No se limita a los promedios, sino que evalúa un continuo de escenarios potenciales. Aunque es complejo, los avances en la capacidad computacional y el deep learning están haciendo que el pronóstico probabilístico sea más accesible. Vermorel predice un futuro en el que el pronóstico abrace la incertidumbre e integre una multitud de variables, prometiendo una representación más detallada y realista de los posibles futuros.
Resumen Extendido
En este episodio de Lokad TV, Kieran Chandler inicia un diálogo con Joannes Vermorel, el fundador de Lokad, para discutir el pronóstico probabilístico, sus ventajas, implementación y utilización en los negocios.
Vermorel aclara que los pronósticos probabilísticos denotan un tipo de predicciones en las que el conocimiento futuro sigue siendo imperfecto. A diferencia de los pronósticos deterministas que predicen un único resultado definitivo, los pronósticos probabilísticos describen un espectro de resultados potenciales, cada uno asociado con una probabilidad particular. La idea es abrazar la incertidumbre inherente a los eventos futuros. Este método puede no garantizar una precisión absoluta, pero potencialmente ofrece una mejor oportunidad de relevancia para la toma de decisiones.
Según Vermorel, la principal ventaja de los pronósticos probabilísticos sobre los pronósticos tradicionales radica en la capacidad de manejar asimetrías en las cadenas de suministro. Destaca que la sobreestimación y la subestimación de la demanda pueden llevar a resultados asimétricos. Por ejemplo, en el sector aeroespacial, sobreestimar la demanda podría generar un exceso de tornillos que cuestan 50 euros, mientras que subestimarla podría resultar en la inmovilización de una aeronave, incurriendo en costos de retraso de cientos de miles de euros.
Vermorel enfatiza que los métodos de pronóstico tradicionales a menudo apuntan a un resultado promedio. Sin embargo, señala que en las cadenas de suministro, los costos suelen estar impulsados más por eventos extremos. Ilustra aún más el problema con ejemplos de las industrias aeroespacial y minorista de alimentos, donde un inventario excesivo puede resultar en descartes y pérdidas financieras.
Al discutir los extremos, Vermorel deja claro que no hay límites estrictos, sino más bien un continuo de eventos infrecuentes. Para un producto típico, podría haber un 5% de probabilidad de presenciar el doble de la demanda diaria, un 1% de probabilidad de observar cuatro veces la demanda diaria y una probabilidad minúscula de observar diez veces la demanda diaria. El pronóstico probabilístico no se limita a los promedios, sino que investiga una gama de resultados posibles.
Si bien Vermorel reconoce el desafío de evaluar infinitas posibilidades futuras, argumenta que los recursos computacionales modernos permiten incorporar una amplia gama de riesgos. Eventos extremos como el hundimiento de un envío son poco probables, pero se pueden considerar retrasos en aduanas u otros problemas logísticos, ya que pueden tener efectos similares en el suministro.
Vermorel procede a desentrañar la naturaleza intrigante del pronóstico probabilístico. Introduce la necesidad de métricas adecuadas para evaluar la precisión de los pronósticos probabilísticos, asignando idealmente más peso a los eventos con mayores probabilidades asignadas por el modelo.
Estableciendo un paralelismo con una predicción hipotética sobre la victoria de Italia en la Copa del Mundo, Vermorel demuestra que la precisión de un modelo se refleja en qué tan cerca se alinean sus probabilidades asignadas con los eventos reales. Compara el pronóstico probabilístico con el pronóstico tradicional, afirmando que si bien el primero puede no ser inherentemente más preciso, presenta información más rica al considerar una amplia gama de resultados potenciales.
Vermorel continúa explicando que los pronósticos probabilísticos se pueden “colapsar” en pronósticos clásicos tomando un promedio. Sin embargo, este proceso omite información valiosa sobre eventos extremos o “cola” - aquellos con una demanda sorprendentemente alta o baja. Estos eventos suelen tener un impacto financiero mayor en los contextos de la cadena de suministro, donde las desviaciones del promedio pueden llevar a resultados costosos como faltantes de stock o descartes de inventario.
A pesar de estas ventajas, Vermorel reconoce que muchas industrias todavía utilizan técnicas de pronóstico clásicas, a menudo utilizando Excel. Aclara que esto se debe a la accesibilidad y conveniencia de Excel para crear pronósticos simples. La transición hacia el pronóstico probabilístico requeriría abandonar Excel debido a la complejidad y la intensidad computacional de considerar un gran número de futuros potenciales.
Vermorel señala que las industrias marcadas por una alta incertidumbre, como la moda, el mantenimiento aeroespacial, el comercio electrónico y la venta minorista a nivel de tienda, son ideales para el pronóstico probabilístico. Estas industrias luchan con la imprevisibilidad, desde las cambiantes tendencias de moda hasta las necesidades esporádicas de piezas de aeronaves específicas, y desde la larga cola de ventas en línea hasta las fluctuaciones en las ventas a nivel de tienda en grandes mercados.
Vermorel identifica situaciones en las que el pronóstico probabilístico puede
ser menos adecuado, como en industrias o casos en los que se pueden predecir con precisión los resultados futuros. Por ejemplo, la producción de cemento o ciertas líneas de producción automotriz, donde los contratos a largo plazo proporcionan una visibilidad clara de los requisitos futuros. Aquí, los métodos de pronóstico tradicionales son suficientes. El verdadero valor del pronóstico probabilístico, señala Vermorel, surge en situaciones con una gran incertidumbre, donde los resultados futuros no se pueden anticipar con precisión.
La conversación luego se centra en por qué el pronóstico probabilístico es cada vez más popular, a pesar de no ser un concepto nuevo. Vermorel identifica dos factores principales: la disminución del costo de la capacidad de procesamiento y la aparición de métodos estadísticos como el deep learning. Hace una década, los recursos computacionales necesarios para los cálculos probabilísticos eran exorbitantemente caros. Con la disminución de los costos, estos métodos se han vuelto más accesibles. Además, los avances en el deep learning, un subcampo de la inteligencia artificial impulsado por el modelado probabilístico, han impulsado aún más el aumento del pronóstico probabilístico.
Al discutir el futuro del pronóstico probabilístico, Vermorel afirma con confianza que no hay vuelta atrás a los métodos clásicos. El pronóstico probabilístico ofrece más información sobre el futuro, por lo que sería contraproducente volver a métodos que ofrecen menos información. Sin embargo, reconoce las complejidades involucradas, especialmente cuando los escenarios de pronóstico involucran múltiples factores o productos. Los escenarios a explorar se expanden exponencialmente con cada elemento agregado, lo que hace que los cálculos de probabilidad explícitos sean casi imposibles. Esto, según Vermorel, impulsará los métodos futuros hacia cálculos que no se esfuercen por expresar todas las probabilidades, un enfoque que ya emplea el deep learning.
La discusión concluye con Vermorel pintando un panorama de cómo el pronóstico futuro podría acomodar la incertidumbre e integrar variables complejas. Al contemplar todos los futuros potenciales, incluidas las variaciones en la demanda de productos, los plazos de suministro y los ajustes de precios, las posibilidades se vuelven prácticamente ilimitadas. Sin embargo, Vermorel enfatiza que el objetivo no debe ser examinar cada futuro potencial individualmente, sino emplear técnicas matemáticas que permitan la exploración de muchos escenarios posibles sin necesidad de enumerarlos necesariamente. Si bien este enfoque plantea numerosos desafíos, también anuncia nuevas oportunidades de exploración en el ámbito del pronóstico.
Transcripción completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir exactamente qué son los pronósticos probabilísticos, por qué pueden ser beneficiosos y cómo se pueden implementar en las empresas para mejorar su funcionamiento. Entonces, Joannes, un tema de interés en este momento, tenemos tantos fanáticos del deporte y apostadores tratando de averiguar quién va a ganar exactamente la Copa del Mundo. Tal vez un buen lugar para comenzar es: ¿Qué son los pronósticos probabilísticos?
Joannes Vermorel: Los pronósticos probabilísticos representan una clase de pronósticos en los que tienes información imperfecta sobre el futuro. Tienes una idea de los futuros probables, los futuros que tienen posibilidades de suceder, en comparación con los futuros que no tienen posibilidades de suceder. Típicamente, cuando las personas piensan en pronósticos, los consideran como definitivos, como “Este equipo va a ganar”. Pero el punto es que no lo sabes con certeza; es solo una cierta probabilidad de que este equipo vaya a ganar. Un pronóstico más preciso es tener una lista corta de equipos que son muy fuertes y que tienen colectivamente una probabilidad muy alta de ganar. No es tan satisfactorio como saber quién ganará, pero nadie puede saberlo debido a la incertidumbre en juego. El pronóstico probabilístico consiste en hacer una declaración sobre el futuro que involucra probabilidades. Acepta la noción misma de que no sabes todo sobre el futuro y no pretendes saberlo.
Kieran Chandler: Entonces, ¿cuál es el principal beneficio de esto en comparación con las técnicas de pronóstico más tradicionales?
Joannes Vermorel: El beneficio principal es que los pronósticos probabilísticos te brindan un enfoque para abordar todas las asimetrías que tienes en la cadena de suministro. Lo que quiero decir con asimetrías es el hecho de que el costo de sobreestimar o subestimar la demanda no es simétrico. Por ejemplo, tomemos la industria aeroespacial. Si sobreestimas tu demanda, es posible que tengas un tornillo en stock que nunca uses. Pero si subestimas tu necesidad de tornillos, puedes tener un avión en tierra simplemente porque le falta un tornillo, y eso podría costarte cientos de miles de dólares en reenrutamiento de pasajeros y retrasos. El problema con los pronósticos clásicos es que apuntas al promedio. Pero en la cadena de suministro, no necesariamente es el promedio lo que quieres asegurar. Tus costos están típicamente mucho más impulsados por los extremos. Si tienes demasiado inventario en el comercio minorista de alimentos, es posible que tengas que desecharlo por completo, perdiendo toda la inversión.
Kieran Chandler: Entonces, si hablamos de estos extremos, básicamente son límites, ¿verdad? Entonces, ¿cómo podemos establecer dónde están estos límites?
Los límites pueden ser esquivos; es una cuestión de probabilidad. Por ejemplo, si normalmente tienes en una tienda una demanda de, digamos, cinco unidades al día para un determinado producto, entonces podrías tener un 5% de probabilidad de observar diez unidades que se demanden en cualquier día dado, un 1% de probabilidad de que se soliciten 20 unidades, y una probabilidad casi cero de que se soliciten, por ejemplo, 50 unidades en cualquier día dado. Entonces, no hay un límite final, es un continuo de eventos que se vuelven cada vez más raros, y puedes evaluar las probabilidades de eso. Sin embargo, en este continuo, ¿estás diciendo que estás prediciendo cada una de las posibilidades? Seguramente, tienes que trazar una línea en algún lugar. No puedes saber exactamente qué va a pasar mañana. Por ejemplo, si te están entregando productos, existe la probabilidad de que el barco en el que vienen pueda hundirse. ¿Realmente puedes considerar cada posible futuro?
Joannes Vermorel: Hay un límite en lo que podemos evaluar debido a los recursos computacionales. Sí, tenemos computadoras con mucha memoria y capacidad de procesamiento, pero debemos restringir el número de características que evaluamos a un número finito. Sin embargo, las computadoras tienen recursos de cálculo tremendos. Entonces, aunque el número de futuros que pueden evaluar es finito, aún puede ser extremadamente grande. Por ejemplo, para un producto que normalmente vende solo unas pocas unidades al día, aún puedes evaluar de manera asequible la probabilidad de vender mil unidades, incluso si es una posibilidad remota de una entre un millón. Del mismo modo, para el riesgo de que un barco se hunda, tal vez sea una posibilidad entre un millón, pero una computadora puede realizar miles de millones de cálculos por segundo.
Si bien es posible que no consideremos el riesgo de que un barco se hunda, podemos evaluar el riesgo de que un barco sea detenido indefinidamente en la aduana. Eso puede suceder y puede causar un retraso de tres meses debido a problemas con el proceso de aduanas. Tal retraso sería casi equivalente a que el barco se hunda, en lo que respecta a tu envío. Por ejemplo, si esperas trajes de baño, la temporada habrá terminado cuando los recibas. Será invierno y tu producto será inútil.
Kieran Chandler: Sí, un barco en el fondo del océano es realmente un ejemplo extremo. Hablemos de los modelos matemáticos que mencionaste. ¿Cómo sabemos cuál es el mejor para usar? Según entiendo, hay diferentes pronósticos y técnicas de pronóstico dependiendo del modelo matemático que usemos.
Joannes Vermorel: Primero, necesitas un modelo matemático que genere distribuciones de probabilidad, lo cual es muy diferente de los modelos que podrías usar en Excel. Cuando la gente piensa en pronósticos, típicamente imagina algún tipo de promedio móvil. Consideran cuál fue la demanda la semana pasada o el año pasado, promedian el período de tiempo relevante y eso les da un pronóstico. No es un mal método, pero produce una única estimación puntual.
Cuando quieres moverte hacia el mundo probabilístico, necesitas algo que genere una distribución de probabilidades. Tienes una variedad de modelos matemáticos disponibles. El más famoso es el modelo de Poisson, o si quieres ser realmente sofisticado, puedes echar un vistazo a los modelos de binomial negativo. Estos son diferentes clases de modelos paramétricos, pero también puedes tener modelos no paramétricos.
Kieran Chandler: Entiendo que el uso de un modelo matemático más sofisticado puede generar probabilidades que pueden ayudar a predecir la demanda. Sin embargo, esto no parece ser el final del proceso. No importa lo que suceda, tu modelo siempre puede decir “te lo dije”. Si predice 10 unidades de demanda y observamos 10 unidades, el modelo es correcto. Si observamos 100 unidades, el modelo aún dice que había una probabilidad de que esto sucediera. Entonces, ¿cómo sabemos si un modelo es bueno o no?
Joannes Vermorel: Tienes razón. Por eso necesitamos mejores métricas, métricas adecuadas para pronósticos probabilísticos. Si tu modelo asigna una alta probabilidad a un evento que realmente ocurre, entonces tu modelo está funcionando bien. Por ejemplo, si predigo que Italia tiene un 80% de probabilidad de ganar la Copa del Mundo y no ganan, el modelo fue inexacto. Sin embargo, si digo que Italia tiene un 5% de probabilidad y no ganan, entonces el modelo fue razonablemente preciso. Estas métricas miden cuánto peso, en términos de probabilidad, estás poniendo en cosas que realmente están sucediendo.
Kieran Chandler: Es interesante que menciones la precisión. ¿Cómo se compara la precisión de un pronóstico probabilístico con un pronóstico tradicional? Parecen estar midiendo cosas muy diferentes.
Joannes Vermorel: De hecho, lo están. Un pronóstico probabilístico no es, por diseño, más preciso que un pronóstico clásico. Sin embargo, una distribución de probabilidades se puede convertir en un pronóstico clásico tomando el promedio. El problema con esto es que pierdes toda la información sobre las colas, los eventos donde la demanda podría ser sorprendentemente alta o baja. Puedes medir la precisión de un pronóstico probabilístico con una métrica tradicional como el error porcentual absoluto medio, pero no tiene mucho sentido. El objetivo es capturar más información sobre eventos sorprendentes. Quieres que tu pronóstico sea preciso donde realmente importa financieramente. En la gestión de la cadena de suministro, esto no siempre es la situación promedio.
Kieran Chandler: Entonces, en esencia, ¿el beneficio del pronóstico probabilístico es que te permite ver una imagen más amplia y producir pronósticos más ricos?
Joannes Vermorel: Sí, exactamente. Te brinda más dimensiones, más profundidad para entender el futuro.
Kieran Chandler: Pero a pesar de esto, muchos en la industria todavía utilizan técnicas de pronóstico tradicionales. ¿Por qué las personas siguen contentas con el uso de estos métodos?
Joannes Vermorel: No necesariamente diría que están contentos de usar estas técnicas. La realidad es que la mayoría de las cadenas de suministro todavía dependen en gran medida de herramientas como Excel, que no están diseñadas de manera conveniente para producir pronósticos probabilísticos.
Kieran Chandler: Los pronósticos, quiero decir, es posible producir un pronóstico poético, pero no es ni de cerca tan conveniente. Producir un pronóstico clásico se trata simplemente de construir una especie de receta de promedio móvil y ya está. Sin embargo, cuando quieres pasar al mundo probabilístico, tienes que renunciar a Excel. No solo tienes que dejar de generar el pronóstico en Excel, sino que también tienes que dejar de tomar las decisiones en Excel. ¿Por qué es esto?
Joannes Vermorel: Tu decisión será una exploración de todos los futuros posibles. Vas a evaluar todas las decisiones posibles y reflejar esas decisiones en todos los futuros posibles para evaluar el resultado económico de cada decisión individual. De esta manera, puedes seleccionar directamente la mejor decisión basada en todos los posibles resultados. De repente, ves, tienes una gran cantidad de características que considerar y una gran cantidad de decisiones que evaluar frente a futuros aún más grandes. Se vuelve computacionalmente mucho más intensivo y fundamentalmente incompatible con Excel.
Kieran Chandler: Entonces, si entiendo correctamente, la razón por la que las personas no lo hacen principalmente es porque carecen de las herramientas necesarias. Se acercan a Excel no porque lo prefieran, sino porque ERP no logró proporcionar el tipo de análisis de riesgo sofisticado que necesitan para tomar las decisiones correctas para su cadena de suministro. Entonces, si hablamos de esas industrias, ¿en qué industrias funciona mejor el pronóstico probabilístico? ¿Dónde estás viendo los mejores resultados para un pronóstico probabilístico?
Joannes Vermorel: Los pronósticos probabilísticos realmente brillan cuando hay incertidumbre. Por ejemplo, si quieres producir pronósticos de consumo de electricidad a nivel nacional, puedes hacerlo con un alto grado de precisión. Puedes tener un pronóstico preciso al 0,5% si quieres pronosticar el consumo de electricidad de Francia por intervalos de una hora, probablemente hasta 48 horas de anticipación. Esta es una situación en la que casi conoces el futuro perfectamente. Lo mismo ocurre si quieres pronosticar cuánto tráfico tendrás en las carreteras, puedes tener pronósticos muy precisos ya que es altamente predecible. Pero si te mueves hacia dominios donde la incertidumbre es mayor, ahí es donde los pronósticos probabilísticos se vuelven más valiosos.
Kieran Chandler: ¿Puedes dar algunos ejemplos de esos dominios?
Joannes Vermorel: Absolutamente. Industrias como la moda, donde las tendencias son altamente erráticas, son buenos ejemplos. La moda tiene mucha incertidumbre irreducible. La aeroespacial y el mantenimiento en general también tienen una gran cantidad de incertidumbre, no porque las aeronaves sean inciertas, sino porque tienes muchas piezas que rara vez se necesitan. No sabes cuándo vas a necesitar una pieza, y tienes tantas piezas de repuesto y aeronaves que no es como vender botellas de leche en un mercado abierto donde vendes cientos de unidades todos los días. Es mucho más errático.
El comercio electrónico en general es otro ejemplo. La larga cola de productos es realmente larga y la mayoría de tus ventas provienen de productos que tienen ventas intermitentes y erráticas. Y no olvidemos todo lo que sucede en el punto de venta y a nivel de tienda. Incluso si miras lo que está sucediendo en una tienda, incluso en un hipermercado que puede tener hasta cien mil referencias, solo tienes, en Europa por ejemplo, algo así como 2,000 productos donde vas a vender cinco unidades o más todos los días. Todos los demás productos se venderán menos de cinco unidades al día. Entonces, son números pequeños y la naturaleza errática es grande. Los pronósticos probabilísticos brillan aquí porque te brindan información sobre los riesgos que tienes para las decisiones de inventario que tomas.
Kieran Chandler: Entonces, en resumen, ¿los pronósticos probabilísticos brillan en áreas donde hay un alto nivel de incertidumbre?
Joannes Vermorel: Así es.
Kieran Chandler: Cuando tienes mucha incertidumbre y necesitas optimizar tus decisiones teniendo en cuenta todas las formas en que puedes tener una demanda sorprendentemente baja en un extremo del espectro y una demanda sorprendentemente alta en el otro extremo del espectro. Bien, hemos hablado mucho sobre los beneficios del pronóstico probabilístico. Hemos hablado sobre dónde funciona bien. Pero, ¿qué hay de esas industrias donde no es tan apropiado usarlo? ¿Hay industrias donde el pronóstico clásico es suficiente?
Joannes Vermorel: Sí, por ejemplo, si estás produciendo cemento y tienes clientes que te dan un backlog de pedidos para los próximos tres años, entonces no necesitas pronósticos. Si conoces el futuro, también puede suceder en algunas líneas de producción de la industria automotriz. Cuando sabes que dentro de 12 meses sabes exactamente lo que vas a producir porque es un gran fabricante de automóviles que te da una hoja de ruta muy precisa y solo puede desviarse en un máximo del cinco por ciento. Si no queda ninguna incertidumbre residual sobre tus planes y es solo una cuestión de ejecución pura, entonces, efectivamente, el pronóstico probabilístico no te va a ayudar. El pronóstico probabilístico solo te va a ayudar si hay algún tipo de errática. Si no puedes conocer el futuro perfectamente, si ya tienes tu hoja de ruta congelada para los próximos 12 meses, entonces, básicamente, no te importa el pronóstico probabilístico.
Kieran Chandler: Vale, y ¿por qué las empresas están empezando a usar pronósticos probabilísticos ahora? Quiero decir, no es una tecnología especialmente nueva, ¿verdad? Entonces, ¿por qué ahora es el momento en que están empezando a ver que se usa más comúnmente en la industria?
Joannes Vermorel: Probablemente haya varias razones. En primer lugar, requiere mucho más poder de cómputo, por lo que terminas con modelos estadísticos que consumen entre 100 y 1,000 veces más potencia de cómputo. La buena noticia es que el poder de procesamiento nunca ha sido tan barato, por lo que rara vez es el cuello de botella. Pero aún así, significa que hace una década, la mayoría de estos cálculos de probabilidad eran dramáticamente costosos. Es muy diferente poder ejecutar tu cadena de suministro con un presupuesto de 2,000 euros al mes para la potencia de procesamiento, o dos millones de euros al mes para la potencia de procesamiento. Hace una gran diferencia en la práctica. Eso es lo que significan tres órdenes de magnitud en términos de costos. Entonces, claramente, el hecho de que la potencia de procesamiento sea mucho más barata ha ayudado mucho a hacer que estos métodos sean mucho más prácticos. La segunda cosa es que hay una clase completa de métodos estadísticos conocidos como deep learning, que es de donde proviene esta palabra de moda de la inteligencia artificial. Todo se trata de deep learning y el deep learning se basa en el pronóstico probabilístico. Es posible que no te importen o entiendas las tecnicidades, es posible que simplemente disfrutes del hecho de que tienes un software que hace reconocimiento de voz para ti, pero en realidad está impulsado por cálculos probabilísticos en el fondo. Primero, tuvimos más potencia de procesamiento, luego tuvimos teorías matemáticas como el deep learning que se destacaron en términos de referencias de inteligencia artificial. Por ejemplo, cuando la inteligencia artificial logró superar a jugadores como el campeón mundial de Go, se utilizó un método probabilístico, no uno combinatorio.
Kieran Chandler: Ok, parece que el pronóstico probabilístico es algo muy actual, pero ¿qué pasa con el futuro? Quiero decir, ¿cómo ves los próximos pasos para el pronóstico probabilístico? ¿Crees que durará mucho tiempo o cómo lo ves?
Joannes Vermorel: Sí, creo que el gato está fuera de la caja y no volverá. Probablemente no volveremos a los pronósticos clásicos. Una vez que tienes un pronóstico probabilístico, sabes mucho más sobre el futuro, por lo que sería muy extraño volver a un enfoque que te daba mucha menos información.
Kieran Chandler: Ahora tenemos menos información sobre el futuro, incluso si decimos que queremos explorar todos los futuros posibles. En la práctica, no exploramos todas las posibilidades. Por ejemplo, podemos decir que tengo una probabilidad de vender cero, una unidad, dos unidades, tres unidades de este producto y puedo hacer un análisis similar para otro producto. Pero, ¿qué pasa con la probabilidad conjunta de esos dos productos juntos?
Joannes Vermorel: En efecto. De repente, tengo que estimar tal vez cien escenarios para considerar toda la demanda de mi producto A. Tengo que evaluar cien escenarios para toda la demanda del producto B. Pero, ¿qué pasa si observamos todos los escenarios para el producto A y B juntos? Eso serían como diez mil escenarios para analizar. Y si agrego un tercer producto con cien escenarios, eso serían un millón de escenarios para analizar. La situación se vuelve rápidamente más complicada si quieres expresar todas las probabilidades de manera explícita. Creo que lo que veremos cada vez más en el futuro son métodos que ni siquiera intentan expresar esas probabilidades. Ni siquiera intentas calcular todas las posibilidades de todas las cosas que pueden suceder. Tienes métodos que realmente hacen esos cálculos sin expresar explícitamente las probabilidades. De eso se trata el deep learning y las técnicas de IA. Calculan probabilidades, pero no expresando todo como una probabilidad. La gran ventaja es que puedes explorar escenarios sobre el futuro que son extremadamente complicados, y mucho más allá de la capacidad de cualquier computadora razonable, o incluso de una flota de computadoras.
Aún puedes explorar todas esas características con trucos matemáticos inteligentes. La esencia del deep learning es que no explorarás el futuro al azar. Quieres enfocarte en los futuros que son más relevantes para el pronóstico. Entonces, quieres centrarte en las áreas que son relativamente densas, donde hay una mayor probabilidad de que sea un futuro de interés, en lugar de intentar explorar todo al azar.
Este enfoque desbloqueará toneladas de escenarios. Por ejemplo, una de las cosas que intentaremos explorar probablemente este año será no solo todos los niveles de demanda posibles para los productos, sino también todos los horizontes posibles en el tiempo. Quieres un pronóstico para la demanda que pueda comenzar en cualquier momento y terminar en cualquier momento, de manera aleatoria.
Esta es una forma, por ejemplo, de reflejar un escenario en el que tienes un envío que llega en un barco y tienes incertidumbre. No sabes exactamente cuándo el producto dejará de estar disponible para la venta en tu tienda, en línea o fuera de línea, y quieres tener en cuenta esta incertidumbre al hacer tus planes de inventario.
Necesitas tener en cuenta el hecho de que tienes incertidumbre sobre cuándo se recibirán las mercancías y cuándo realmente comenzará y terminará la demanda. Si quieres ir aún más lejos, sería muy interesante comenzar a explorar escenarios hipotéticos.
Como parte de nuestra hoja de ruta a largo plazo, incluso planeamos comenzar a explorar cuáles son todos los futuros posibles si consideras todos los ajustes de precios que puedes hacer en tus productos. Quieres ver cuáles son todos los futuros posibles para la demanda si dejas tus precios como están y qué pasa si comienzas a explorar todas las posibilidades para todos los ajustes de precios que puedes hacer.
Cuando comienzas a pensar en todos esos futuros posibles, los números se vuelven extremadamente grandes. El truco está en que no quieres intentar iterar individualmente sobre todos esos futuros. Quieres tener algún tipo de técnicas matemáticas que te permitan explorar muchos de ellos sin intentar enumerarlos.
Kieran Chandler: Bueno, parece que hay tantas posibilidades. Me alegra que se lo dejen a las computadoras porque, de lo contrario, mi cerebro probablemente explotaría. Pero tendremos que dejarlo por hoy. Gracias por tomarse el tiempo para hablarnos sobre el pronóstico probabilístico. Ha sido realmente interesante. Gracias. Eso es todo por el episodio de hoy. Volveremos la próxima semana, pero hasta entonces, asegúrate de estar suscrito a nuestros videos y nos vemos pronto. Hasta luego.
