Previsiones desnudas (Supply Chain Antipattern)

Nadie permitiría que se percibiera que no veía nada, pues eso demostraría que no estaba capacitado para su cargo o era muy estúpido. Ninguna prenda del Emperador había tenido tanto éxito como estas. (El traje nuevo del Emperador, de Hans Christian Andersen, 1909)

Alias: Gosplan (planificación soviética)

Categoría: organización

Problema: una empresa enfrenta faltante de stock recurrente y exceso de inventario. Esos problemas son muy costosos. Los clientes se están pasando a la competencia debido a los faltantes de stock, pero el exceso de inventario invariablemente termina siendo costoso de liquidar. Mientras que las macroprevisiones, a nivel de red o por categorías de producto, son relativamente precisas y sin sesgo, se cometen muchos errores a nivel de SKU, pronosticando ya sea demasiado o muy poco. La empresa ya ha pasado por varias iteraciones con software vendors, y sin embargo, aunque cada proveedor afirma haber mejorado la precisión de la previsión en comparación con el sistema anterior, el exceso de inventario y los faltantes de stock siguen siendo más prevalentes que nunca.

Evidencia anecdótica: las previsiones siempre están equivocadas, todo el mundo lo sabe, pero el equipo de planificación parece tener una interminable lista de excusas para hacer frente a la situación.

Contexto: la empresa cuenta con varios equipos para orquestar su supply chain, sobre todo: el equipo de planificación, el equipo de compras, el equipo de producción, el equipo de replenishment y el equipo de precios. El equipo de planificación produce la previsión de demanda principal para cada producto que será lanzado y vendido por la empresa. Dado que la previsión debe cubrir una porción considerable del ciclo de vida del producto, el horizonte de previsión es largo - al menos 3 meses y, con frecuencia, más de 1 año. La previsión de demanda principal, el “plan”, se transforma primero en cantidades a comprar, luego en cantidades a producir, luego en stock allocations, etc. Finalmente, dependiendo de si los niveles de stock fluctúan por encima o por debajo de los niveles establecidos por el plan, se ajustan los precios, a veces aumentando, pero mayormente disminuyendo.

Solución supuesta: el “plan” - es decir, la previsión producida por el equipo de planificación - tiene problemas de precisión ya que los productos se venden más rápido o más lento en comparación con las previsiones originales. Sin embargo, los métodos de previsión utilizados por la empresa son algo crudos, realizados en parte con hojas de cálculo, y seguramente debe haber formas más precisas de producir esas previsiones. La dirección decide que hay que hacer algo respecto a esas previsiones, y lanza una iniciativa para mejorar la precisión de la previsión. En este punto, normalmente se involucra un proveedor externo - ya que las estadísticas avanzadas no son exactamente una competencia central en la empresa - ya sea para entregar un trozo de software, o para impartir alguna capacitación al personal de planificación.

Contexto resultante: se invierte mucho esfuerzo en mejorar las previsiones. Según algunas métricas, las previsiones están mejorando. Por otro lado, todos los demás equipos, fuera de planificación, estaban acostumbrados a las fallas de los antiguos métodos de previsión, y ya habían desarrollado sus propias maneras de hacer frente a las limitaciones. A medida que el equipo de planificación cambia su receta, todos los demás equipos tienen que aprender a lidiar con las nuevas fallas de la nueva receta de previsión. Esto provoca mucha fricción por un tiempo. Luego, mientras que revisar todos los procesos de supply chain impulsados por las previsiones da algunos frutos fáciles de obtener - completamente ajenos a la previsión en sí - la dirección no ve ningún resultado medible de la iniciativa. Los excesos de stock siguen siendo un problema, los faltantes de stock son aún tan frecuentes como antes. Dejando a un lado las elegantes métricas matemáticas, la vaga percepción dentro de la empresa continúa siendo que las previsiones siguen siendo tan malas como antes. Algunos empleados clave involucrados en la iniciativa de previsión se han trasladado a campos más prometedores, a menudo en otras empresas. Nadie realmente se responsabiliza de los resultados de las iniciativas de previsión descontinuadas, pero quedan vestigios tanto en los procesos como en las herramientas de software que utiliza la empresa.

Fuerzas seductoras: una previsión más precisa parece ser la solución milagrosa. Todos, desde el equipo de compras hasta el equipo de merchandising en tienda, están de acuerdo en que aliviaría casi todos los puntos de dolor de la empresa: solo impulsar a los más vendidos al mercado, mantener justo la capacidad suficiente para soportar la demanda pero no más, dejar de ofrecer descuentos, … Además, es un problema unidimensional: reducir el error de previsión. Es fácil transmitir la intención de la iniciativa a todos los interesados, y se percibe como una forma racional –incluso científica– de mejorar la empresa. Asimismo, fundamentalmente no afecta el status quo de manera significativa. Nadie ve amenazada su posición por la potencial llegada de previsiones más precisas, y tampoco nadie debe replantearse su función en la empresa. En cuanto a la transformación digital, se espera que sea tan sencilla como pasar de una pantalla de ordenador a una más grande.

Patrones positivos para abordar el problema: la única manera de solucionar el problema de las “previsiones desnudas” es ponerles ropa; más concretamente, las supply chain decisions asociadas a las previsiones deben tratarse como intrínsecamente entrelazadas con sus previsiones subyacentes. La precisión de la previsión debe tratarse como un artefacto de “debugging” - que ayuda a precisar problemas de modelización - pero no como un KPI a optimizar. Las únicas métricas que importan se miden en dólares o euros y están asociadas a las decisiones cotidianas como “¿cuánto comprar?”, “¿cuánto impulsar en la tienda?”, “¿cuánto descontar?”, etc.

Ejemplo: Contoso, una gran marca de moda que opera su propia red de tiendas, enfrenta exceso de inventario al final de cada temporada, lo que resulta en fuertes descuentos ofrecidos a los clientes para liquidar el exceso durante la venta. Peor aún, con el paso de los años, la tasa promedio de descuento ha ido en aumento de forma constante, y una porción creciente de la clientela ahora retrasa sus compras hasta el período de rebajas. Mientras las macroprevisiones son satisfactorias, se cometen muchos errores cada temporada para muchos productos, pronosticando ya sea demasiado o muy poco. Contoso ya ha pasado por varias iteraciones caseras para mejorar las previsiones. Esas iniciativas se sintieron como la continuación natural de la iniciativa de personalización del ERP que tuvo lugar hace unos años.

El lanzamiento de una nueva colección sigue un proceso bien establecido. Primero, el equipo de planificación define el alcance y la profundidad de la colección, con cantidades objetivo para cada producto. Le sigue el equipo de compras, aplicando ajustes adicionales: se deben cumplir los MOQs (cantidades mínimas de pedido), y tienen que distribuir las cantidades entre las tallas, ya que las previsiones originales están a nivel de producto. Luego, el equipo de merchandising y los equipos de asignación en tienda establecen las cantidades iniciales a impulsar al comienzo de la temporada en cada tienda. A medida que avanza la temporada, el equipo de replenishment dirige el reabastecimiento, tratando de mantener la alineación con la previsión. Finalmente, al final de la temporada, e incluso a veces antes, el equipo de precios orquesta las rebajas, para restablecer la alineación con el plan en aquellos lugares donde el exceso de inventario se haya desincronizado completamente con la previsión original.

Los directores de Contoso se dan cuenta de que la iniciativa interna para mejorar la precisión de la previsión no produjo los beneficios previstos. El equipo de planificación todavía lucha por acertar la estacionalidad. El CEO de Contoso es contactado por el CEO de Genialys, una startup californiana fuertemente financiada que ha desarrollado la próxima generación de previsión. Su tecnología no solo es capaz de procesar en tiempo real todos los datos de ventas de Contoso, sino que también integra datos meteorológicos en tiempo real y datos de redes sociales en tiempo real. Unas pocas llamadas de referencia demuestran que ya han validado la tecnología con algunos nombres muy importantes. Todo ello es muy impresionante.

Así, con el apoyo directo del CEO, surge la gran iniciativa con Genialys, con el objetivo de mejorar de forma dramática la precisión de la previsión. Las primeras semanas transcurren bien, pero después de dos meses, parece que los equipos de IT de Contoso realmente tienen problemas para extraer todos los datos relevantes. Muchos problemas aparentemente pequeños resultan ser complicados. Por ejemplo, el equipo de Genialys no está muy seguro de qué hacer con las promociones de “compra uno y llévate otro gratis” que Contoso realiza rutinariamente. Tras 6 meses de lucha relativamente intensa por ambas partes, Genialys ya está entregando sus previsiones. Sin embargo, el equipo de planificación realmente no confía en esos números. Revisiones manuales simples de los números producidos por Genialys muestran que a veces los números están completamente equivocados. Los equipos de Genialys siguen señalando problemas con los datos, los cuales parecen explicar esos problemas de previsión, pero en general la situación es confusa.

No sabiendo en quién confiar, la gestión de supply chain de Contoso decide implementar KPIs para evaluar cuantitativamente las precisiones respectivas de Genialys y del sistema de previsión “antiguo”. La idea parece lo suficientemente simple: hagamos un backtesting, eso aclarará quién es el más preciso. Desafortunadamente, 3 meses después, tras docenas de reuniones y cientos de horas de esfuerzo, la situación sigue siendo confusa. Resulta que el proceso histórico de previsión usado por Contoso es imposible de backtestear porque el equipo de planificación ha estado ajustando manualmente muchas de las previsiones. Por lo tanto, realmente no pueden “reproducir” sus previsiones históricas, es simplemente demasiado esfuerzo. Por otro lado, Genialys ha realizado muchos backtests, pero no está claro cuántos de esos números son reales. Mientras las métricas de precisión de Genialys parecen estar bien en conjunto, el equipo de planificación sigue descubriendo disparates en los números producidos rutinariamente por Genialys.

Pasados 18 meses, Genialys ya se utiliza en producción para unas pocas líneas de productos estables - como la ropa interior masculina - que en primer lugar nunca fueron un gran desafío para pronosticar. Categorías difíciles como los zapatos de mujer o los trajes de hombre aún se gestionan manualmente por el equipo de planificación con el proceso antiguo. La ambición original de aprovechar los datos meteorológicos y sociales ahora pertenece a un pasado lejano. La solución de Genialys apenas es capaz de afrontar las categorías más simples de todas formas. El plan sigue siendo aumentar el alcance de las categorías cubiertas por Genialys, pero los equipos están algo agotados. Algunas personas ya se han ido. Los resultados en términos de negocio son atenuados. La disponibilidad de ropa interior masculina ha aumentado un 2% y las rebajas se han reducido en un 1%, sin embargo, dado que el número de referencias se ha reducido en esta categoría, no está claro si la precisión adicional de la previsión (nunca medida) tiene algo que ver con esta evolución favorable. Oficialmente, la iniciativa de previsión aún avanza, pero la alta dirección ya no espera nada de ella.