Aprende sobre Supply Chain

learn menu

Esta serie continua de conferencias presenta los fundamentos de la gestión de supply chain: los desafíos, la metodología y las tecnologías. La intención es permitir a las organizaciones lograr un rendimiento de supply chain superior y real. La visión presentada en estas conferencias diverge de la teoría de supply chain, y se conoce como la Supply Chain Quantitativa. Las conferencias son presentadas por Joannes Vermorel, CEO y fundador de Lokad. Las conferencias se ilustran con supply chains reales que Lokad opera en nombre de sus clientes.

conferencias

Público objetivo: Estas conferencias están dirigidas a todos aquellos que tienen la ambición de mejorar supply chains, desde altos ejecutivos hasta analistas junior y estudiantes. Las conferencias incluyen una serie de “cursos intensivos” para mantener al mínimo el conocimiento previo necesario.

1.1 Los fundamentos de supply chain

Supply chain es el dominio cuantitativo pero astuto en la calle de la opcionalidad al enfrentar la variabilidad y las restricciones relacionadas con el flujo de bienes físicos. Engloba aprovisionamiento, compras, producción, transporte, distribución, promoción, … - pero con un enfoque en fomentar y seleccionar opciones, en lugar de la gestión directa de las operaciones subyacentes. Veremos cómo la perspectiva de la Supply Chain Quantitativa, presentada en esta serie, diverge profundamente de lo que se considera la teoría de supply chain convencional.

Referencias (libros):

  • Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
  • Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011

1.2 La Supply Chain Quantitativa en pocas palabras

El manifiesto de la Supply Chain Quantitativa enfatiza una breve serie de puntos destacados para comprender cómo esta teoría alternativa, propuesta y pionera por Lokad, diverge de la teoría de supply chain convencional. Se podría resumir en: cada decisión se evalúa frente a todos los futuros posibles de acuerdo con los impulsores económicos. Esta perspectiva emergió gradualmente en Lokad como la teoría de supply chain convencional, y su implementación por (¿casi?) todos los proveedores de software, sigue siendo un desafío.

1.3 Entrega orientada al producto

El objetivo de una iniciativa de Supply Chain Quantitativa es, ya sea, entregar o mejorar una aplicación de software que robotice un conjunto de decisiones rutinarias (por ejemplo, reabastecimientos, actualizaciones de precios). La aplicación se considera un producto a diseñar. Mientras que la teoría de supply chain convencional lucha por prevalecer en las empresas en general, una herramienta — a saber, Microsoft Excel — ha disfrutado de un considerable éxito operativo. Reimplementar las recetas numéricas de la teoría de supply chain convencional a través de hojas de cálculo es trivial, sin embargo, esto no ocurrió en la práctica a pesar del conocimiento de la teoría. Demostramos que las hojas de cálculo triunfaron al adoptar paradigmas de programación que resultaron superiores para ofrecer resultados en supply chain.

Referencia (libro):

  • Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004

1.4 Paradigmas de programación para Supply Chain

La optimización predictiva de supply chains requiere paradigmas de programación específicos. De hecho, aunque el enfoque ‘programático’ no se puede evitar mediante un producto de software empaquetado (cf. la conferencia anterior), los métodos convencionales de programación implican capas de complejidades accidentales que son sumamente perjudiciales para las iniciativas en supply chain. Presentamos una serie de paradigmas de programación que están particularmente bien adaptados para supply chains reales. Esta conferencia se ilustra con Envision, el DSL (lenguaje de programación específico de dominio) dedicado a la optimización de supply chains, diseñado por Lokad basándose en dichos paradigmas.

Referencia (libro, mencionado en la parte de preguntas y respuestas de la conferencia):

  • Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Tendencias del siglo XXI en supply chain

Algunas grandes tendencias han dominado la evolución de las supply chains en las últimas décadas, remodelando en gran medida la combinación de desafíos que enfrentan las empresas. Algunos problemas han desaparecido en gran medida, como los riesgos físicos y las cuestiones de calidad. Otros problemas han surgido, como la complejidad general y la intensidad de la competencia. Notablemente, el software también está remodelando las supply chains de maneras profundas. Una rápida revisión de estas tendencias nos ayuda a entender en qué debe centrarse una teoría de supply chain.

Referencia (artículo, mencionado en la parte de preguntas y respuestas de la conferencia):

1.6 Principios cuantitativos para supply chains

Aunque las supply chains no pueden caracterizarse por leyes cuantitativas definitivas — a diferencia del electromagnetismo — es posible observar principios cuantitativos generales. Por “generales” entendemos que son aplicables a (casi) todas las supply chains. Descubrir tales principios es de suma importancia, ya que pueden utilizarse para facilitar el diseño de recetas numéricas destinadas a la optimización predictiva de las supply chains, pero también para hacer que dichas recetas numéricas sean, en general, más potentes. Revisamos dos breves listas de principios: algunos principios observacionales y algunos de optimización.

1.7 Sobre el conocimiento, el tiempo y el trabajo en las supply chains

Las supply chains se rigen por los principios económicos generales. Sin embargo, estos principios son poco conocidos y con demasiada frecuencia mal representados. Las prácticas populares de supply chain y sus teorías a menudo contradicen lo que se acepta generalmente en economía. No obstante, es poco probable que estas prácticas demuestren alguna vez que los fundamentos de la economía sean erróneos. Además, las supply chains son complejas. Son sistemas, un concepto relativamente moderno que también es poco conocido y con demasiada frecuencia mal interpretado. El objetivo de esta conferencia es entender lo que tanto la economía como los sistemas aportan al abordar problemas de planificación en una supply chain real.

2. Metodología

El estudio y la práctica de supply chain deben estar basados en la ciencia, es decir, respaldados por métodos científicos. De hecho, durante los últimos tres siglos, cada campo que ha logrado elevarse mediante una práctica experimental adecuada ha experimentado el fantástico progreso que hemos llegado a reconocer como la característica de la “ciencia”. Sin embargo, supply chain no ha experimentado tal progreso, al menos aún no, y gran parte de la culpa se puede atribuir a metodologías experimentales inadecuadas. La naturaleza compleja de supply chain exige métodos apropiados, que exploramos en este capítulo.

2.1 Personae de Supply Chain

Una “persona” de supply chain es una empresa ficticia. Sin embargo, aunque la empresa es ficticia, dicha ficción está diseñada para resaltar lo que merece atención desde una perspectiva de supply chain. No obstante, la persona no se idealiza en el sentido de simplificar los desafíos de supply chain. Al contrario, la intención es magnificar los aspectos más desafiantes de la situación, aquellos que resistirán obstinadamente cualquier intento de modelado cuantitativo y de pilotaje de una iniciativa para mejorar supply chain. En supply chain, los estudios de caso — cuando se nombran una o varias partes — sufren de severos conflictos de interés. Las empresas, y sus proveedores de apoyo (software, consultoría), tienen un interés propio en presentar el resultado de manera positiva. Además, las supply chains reales suelen sufrir o beneficiarse de condiciones accidentales que no tienen nada que ver con la calidad de su ejecución. Las personae de supply chain son la respuesta metodológica a estos problemas.

Referencias:

  • An introduction to the study of Experimental Medicine (English version), (original French version), Claude Bernard, 1865
  • The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
  • Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018

2.1.1 Paris - una marca de moda con una red de tiendas

Paris es una marca europea de moda ficticia que opera una gran red de tiendas. La marca se dirige a las mujeres y se posiciona como relativamente asequible. Aunque la línea de diseño es bastante clásica y sobria, el principal impulsor del negocio siempre ha sido la novedad. Se utilizan múltiples colecciones al año para impulsar oleadas de nuevos productos. Lanzar el producto adecuado, en el momento adecuado, al precio correcto y con la cantidad precisa de stock es uno de los desafíos fundamentales.

2.2 Optimización Experimental

Lejos de la ingenua perspectiva cartesiana en la que la optimización se reduciría simplemente a desplegar un optimizador para una función de puntuación dada, supply chain requiere un proceso iterativo. Cada iteración se utiliza para identificar decisiones “insanas” que deben ser investigadas y abordadas. La causa raíz es frecuentemente impulsores económicos inadecuados, que deben ser reevaluados en cuanto a sus consecuencias no intencionadas. Las iteraciones cambian de naturaleza cuando las recetas numéricas dejan de producir resultados insensatos.

Referencias:

  • The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Conocimiento Negativo

Los antipatterns son los estereotipos de soluciones que se ven bien pero no funcionan en la práctica. El estudio sistemático de los antipatterns fue pionero a finales de los años 90 por el campo de la ingeniería de software. Cuando se aplican, los antipatterns son superiores a los resultados negativos crudos, ya que son más fáciles de memorizar y razonar sobre ellos. La perspectiva de los antipatterns es de suma relevancia para supply chain, y debe considerarse como uno de los pilares para su conocimiento negativo.

Referencias:

  • AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. y William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998

2.4 Investigación de Mercado Adversarial

Las supply chain modernas dependen de una miríada de productos de software. Escoger a los proveedores adecuados es una cuestión de supervivencia. Sin embargo, dado que el número de proveedores es grande, las empresas necesitan un enfoque sistemático en esta tarea. La práctica tradicional de investigación de mercado comienza con buenas intenciones pero invariablemente termina con resultados malos, ya que las firmas de investigación de mercado terminan actuando como frentes de marketing para las empresas que se supone deben analizar. La esperanza de que emerja una firma de investigación imparcial está mal fundamentada. Sin embargo, la evaluación proveedor a proveedor es una metodología que permite incluso a una firma de investigación de mercado sesgada producir resultados imparciales.

Referencias:

  • Corrupción epistémica, la industria farmacéutica, y el cuerpo de la ciencia médica. Sergio Sismondo, 2021 (text)
  • Influencia: La Psicología de la Persuasión. Robert B. Cialdini, 1984
  • Guía de adquisiciones, conflicto de interés, El Banco Mundial, 2020 (PDF)

2.5 Escribir para supply chain

Las supply chain implican la coordinación de grandes equipos. Así, los materiales escritos son fundamentales. Las supply chain modernas simplemente no son compatibles con la tradición oral. Sin embargo, los profesionales de supply chain a menudo tienen un desempeño pésimo en lo que respecta a sus habilidades de comunicación escrita. Revisemos lo que los estudios de usabilidad, y algunos expertos notables, tienen que decir sobre estos asuntos. Además, las iniciativas de supply chain, ejecutadas mediante el enfoque experimental de optimización, deben documentarse minuciosamente. Las fórmulas y el código fuente responden a las preguntas de qué y cómo, pero no contestan a la de por qué. La documentación debe asegurar que los supply chain scientists comprendan el problema al que se enfrentan. Con el tiempo, esta documentación se convierte en la clave para asegurar una transición sin contratiempos de un supply chain scientist a otro.

Referencias:

  • The Elements of Style (Primera Edición), William Strunk Jr, 1918
  • Patrón en F para la Lectura de Contenidos Web, Jakob Nielsen, 2006 (text)

3. Personae

Una serie de supply chain personae siguiendo la metodología definida en el capítulo anterior.

3.1 Miami - un MRO de aviación

Miami es un MRO de aviación ficticio en los Estados Unidos que da servicio a una gran flota de aviones comerciales. En la aviación, la seguridad es primordial. Las piezas y componentes deben ser inspeccionados rutinariamente y, en su caso, reparados. Miami se dedica a mantener los aviones en el aire en todo momento, evitando incidentes de AOG (aircraft on ground) que ocurren cada vez que falta una pieza necesaria para realizar una operación de mantenimiento.

3.2 Amsterdam - marcas de queso

Amsterdam es una empresa ficticia de FMCG que se especializa en la producción de quesos, cremas y mantequillas. Operan un amplio portafolio de marcas en múltiples países. Muchos objetivos empresariales en conflicto deben equilibrarse cuidadosamente: calidad, precio, frescura, desperdicio, diversidad, localismo, etc. Por diseño, la producción de leche y las promociones minoristas colocan a la empresa entre el martillo y el yunque en términos de oferta y demanda.

3.3 San Jose - ecommerce de artículos para el hogar

San Jose es un ecommerce ficticio que distribuye una variedad de mobiliario y accesorios para el hogar. Operan su propio mercado en línea. Su marca privada compite con marcas externas, tanto interna como externamente. Para mantenerse competitivos frente a actores más grandes y de menor precio, la supply chain de San Jose intenta ofrecer un servicio de alta calidad que adopta muchas formas, más allá de la entrega oportuna de los productos pedidos.

3.4 Stuttgart - una empresa automotriz de postventa

Stuttgart es una empresa ficticia de postventa automotriz. Operan una red de sucursales que ofrecen reparaciones de automóviles, repuestos y accesorios. A principios de la década de 2010, Stuttgart también lanzó dos canales de ecommerce, uno para comprar y vender repuestos, y otro para comprar y vender autos usados. Stuttgart intenta ofrecer un servicio de alta calidad en el complejo y competitivo mercado automotriz europeo, que cuenta con decenas de miles de vehículos distintos y cientos de miles de repuestos diferentes.

3.5 Geneva - un fabricante de relojes de lujo de alta gama

TBD

4. Ciencias auxiliares

El dominio de la supply chain se apoya fuertemente en varios otros campos. Presentar la teoría de la supply chain como una variante de las matemáticas aplicadas es frecuente, aunque equivocado. Esos cursos intensivos tienen la intención de proporcionar el bagaje cultural requerido para una práctica de supply chain bien pensada, que no puede ni debe reducirse a una serie de “modelos”.

4.1 Computadoras modernas

Las supply chain modernas requieren recursos informáticos para operar, al igual que las cintas transportadoras motorizadas requieren electricidad. Sin embargo, los sistemas de supply chain lentos siguen siendo ubicuos, mientras que la potencia de procesamiento de las computadoras ha aumentado por un factor mayor a 10,000 desde 1990. La falta de comprensión de las características fundamentales de los recursos informáticos modernos –incluso entre los círculos de TI o ciencia de datos– ayuda a explicar este estado de cosas. El diseño de software subyacente a las recetas numéricas no debería antagonizar el sustrato informático subyacente.

4.2 Algoritmos modernos

La optimización de la supply chain se basa en la resolución de numerosos problemas numéricos. Los algoritmos son recetas numéricas altamente codificadas destinadas a resolver problemas computacionales precisos. Algoritmos superiores significan que se pueden lograr resultados superiores con menos recursos informáticos. Al centrarse en las especificidades de la supply chain, el rendimiento algorítmico puede mejorar enormemente, a veces por órdenes de magnitud. Los algoritmos de “supply chain” también deben abrazar el diseño de las computadoras modernas, el cual ha evolucionado significativamente en las últimas décadas.

Referencias (libro):

  • Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest y Clifford Stein, 2009

4.3 Optimización matemática

La optimización matemática es el proceso de minimizar una función matemática. Casi todas las técnicas modernas de aprendizaje estadístico – es decir, forecast si adoptamos una perspectiva de supply chain – se basan en la optimización matemática en su núcleo. Además, una vez establecidos los forecast, identificar las decisiones más rentables también se fundamenta, en esencia, en la optimización matemática. Los problemas de supply chain frecuentemente involucran muchas variables. Además, usualmente son estocásticos por naturaleza. La optimización matemática es una piedra angular de una práctica moderna de supply chain.

Referencias:

  • El futuro de la investigación operativa es pasado, Russell L. Ackoff, febrero de 1979
  • LocalSolver 1.x: Un solucionador de búsqueda local de caja negra para programación 0-1, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, septiembre de 2011
  • Diferenciación automática en machine learning: una encuesta, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, última revisión en febrero de 2018

4.4 Aprendizaje automático

Los forecast son irreducibles en supply chain, ya que cada decisión (compra, producción, almacenamiento, etc.) refleja una anticipación de eventos futuros. El aprendizaje estadístico y el aprendizaje automático han reemplazado en gran medida al campo clásico del ‘forecasting’, tanto desde una perspectiva teórica como práctica. Este campo de estudio ha experimentado mejoras dramáticas, las cuales siguen siendo en gran parte incomprendidas entre los círculos de “data scientist”. Emprenderemos un viaje a través de este campo mediante la resolución de tres paradojas. Primero, necesitamos hacer declaraciones precisas sobre datos de los que no disponemos. Segundo, necesitamos abordar problemas en los que el número de variables supera con creces el número de observaciones. Tercero, necesitamos trabajar con modelos en los que el número de parámetros excede con creces tanto a las variables como a las observaciones. Intentaremos comprender qué significa realmente una anticipación del futuro basada en datos desde una perspectiva moderna de ‘learning’.

Referencias:

  • Una teoría de lo aprendible, L. G. Valiant, noviembre de 1984
  • Support-vector networks, Corinna Cortes y Vladimir Vapnik, septiembre de 1995
  • Random Forests, Leo Breiman, octubre de 2001
  • LightGBM: Un Árbol de Decisión de Gradient Boosting Altamente Eficiente, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
  • Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, última revisión en diciembre de 2017
  • Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, diciembre de 2019
  • Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, junio de 2014
  • Traducción automática no supervisada usando únicamente corpora monolingües, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, última revisión en abril de 2018
  • BERT: Pre-entrenamiento de Transformadores Bidireccionales Profundos para la Comprensión del Lenguaje, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, última revisión en mayo de 2019
  • Una introducción suave a las Redes Neuronales de Grafos, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, septiembre de 2021

4.5 Lenguajes y compiladores

La mayoría de las supply chain aún se gestionan a través de hojas de cálculo (es decir, Excel), mientras que los sistemas empresariales han estado en funcionamiento durante una, dos, a veces tres décadas –supuestamente para reemplazarlos. De hecho, las hojas de cálculo ofrecen una expresividad programática accesible, mientras que esos sistemas generalmente no lo hacen. Más en general, desde la década de 1960, ha habido un desarrollo conjunto constante de la industria del software en su conjunto y de sus lenguajes de programación. Existe evidencia de que la próxima etapa en el desempeño de supply chain estará ampliamente impulsada por el desarrollo y la adopción de lenguajes de programación, o mejor dicho, de entornos programables.

4.6 Ingeniería de software

Dominar la complejidad y el caos es la piedra angular de la ingeniería de software. Considerando que las supply chain son tanto complejas como caóticas, no debería sorprendernos que la mayoría de los problemas de software empresarial que enfrentan se reduzcan a una mala ingeniería de software. Las recetas numéricas utilizadas para optimizar la supply chain son software y, por lo tanto, están sujetas al mismo problema. Esos problemas crecen en intensidad a medida que aumenta la sofisticación de las propias recetas numéricas. Una adecuada ingeniería de software es para las supply chain lo que la asepsia es para los hospitales: por sí sola no hace nada –como tratar a los pacientes– pero sin ella, todo se desmorona.

4.7 Ciberseguridad

El cibercrimen está en aumento. El ransomware es un negocio en auge. Debido a su naturaleza físicamente distribuida, las supply chain están particularmente expuestas. Además, la complejidad ambiental es un terreno fértil para los problemas de seguridad informática. La seguridad informática es contraintuitiva por diseño, porque es precisamente el ángulo adoptado por los atacantes para encontrar y explotar vulnerabilidades. Dependiendo de las variantes de recetas numéricas involucradas en la optimización de la supply chain, el riesgo puede incrementarse o disminuirse.

4.21 Blockchains

Las criptomonedas han atraído mucha atención. Se han hecho fortunas. Se han perdido fortunas. Los esquemas piramidales fueron rampantes. Desde una perspectiva corporativa, el “blockchain” es el eufemismo cortés utilizado para introducir ideas y tecnologías similares, estableciendo una distanciación respecto a esas criptomonedas. Existen casos de uso de supply chain para el blockchain, pero también abundan los desafíos.

Referencias:

  • Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Oct 2008
  • Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov 2013
  • Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
  • Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
  • Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, May 2018
  • Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, March 2018
  • A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, May 2018

5. Modelado predictivo

La adecuada anticipación cuantitativa de eventos futuros es el núcleo de la optimización de cualquier supply chain. La práctica del time-series forecasting surgió en el siglo XX y tuvo una enorme influencia en la mayoría de las grandes supply chains. El modelado predictivo es tanto el descendiente del time-series forecasting como un cambio radical respecto a esta perspectiva. Primero, aborda un conjunto mucho más diverso de instancias de problemas. Segundo, debido a la naturaleza de los problemas de supply chain, se requiere un paradigma programático. Tercero, dado que la incertidumbre suele ser irreducible, también se requieren probabilistic forecasts.

5.0. No1 a nivel de SKU en la competencia de forecasting M5

En 2020, un equipo en Lokad logró el No5 entre 909 equipos competidores en el M5, una competencia mundial de forecasting competition. Sin embargo, a nivel de SKU, esos forecasts alcanzaron el No1. El demand forecasting es de importancia primordial para supply chain. El enfoque adoptado en esta competencia resultó ser atípico y diferente a los otros métodos adoptados por los 50 mejores contendientes. Hay múltiples lecciones que aprender de este logro como preludio para enfrentar nuevos desafíos predictivos en supply chain.

Referencias:

  • A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, December 2021 (link)
  • The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (link)

5.1 Modelado predictivo estructurado

La Programación Diferenciable (DP) es un paradigma generativo para diseñar una clase muy amplia de modelos estadísticos que resultan estar excelentemente adaptados para abordar los desafíos predictivos en supply chain. DP es el descendiente de deep learning, pero se distancia del deep learning por su intenso enfoque en la estructura de los problemas de aprendizaje. DP supera a casi toda la literatura “clásica” de forecasting basada en modelos paramétricos. DP también es superior a los algoritmos de machine learning “clásicos” –hasta finales de la década de 2010– en prácticamente cada dimensión que importa para un uso práctico en supply chain, incluida la facilidad de adopción por parte de los practicantes.

5.2 Probabilistic forecasting

La optimización de las supply chains depende de la adecuada anticipación de eventos futuros. Numéricamente, estos eventos se anticipan a través de forecasts, que abarcan una gran variedad de métodos numéricos utilizados para cuantificar dichos eventos futuros. Desde los años 70 en adelante, la forma más utilizada de forecast ha sido el forecast puntual de series de tiempo: una cantidad medida a lo largo del tiempo –por ejemplo, la demanda en unidades de un producto– se proyecta hacia el futuro. Se dice que un forecast es probabilistic si devuelve las probabilidades asociadas con todos los posibles resultados futuros, en lugar de señalar un resultado particular como “el” forecast. Los probabilistic forecasts son importantes siempre que la incertidumbre sea irreducible, lo cual es casi siempre el caso cuando se trata de sistemas complejos. Para las supply chains, los probabilistic forecasts son esenciales para producir decisiones robustas ante condiciones futuras inciertas.

5.3 Lead-time forecasting

Lead times son una faceta fundamental de la mayoría de las situaciones de supply chain. Los lead times pueden y deben ser forecast al igual que la demanda. Se pueden utilizar modelos probabilistic forecasting dedicados a los lead times. Se presentan una serie de técnicas para elaborar probabilistic lead time forecasts con fines de supply chain. La composición de esos forecasts, lead time y demanda, es una piedra angular del modelado predictivo en supply chain.

6. Toma de decisiones

Cada día, se deben tomar miles de decisiones de supply chain (millones en las grandes empresas) como parte de la rutina diaria de las operaciones de la empresa. Cada decisión viene acompañada de alternativas. El objetivo de la optimización de supply chain es elegir las opciones que resulten más rentables al enfrentar condiciones futuras inciertas. Este proceso presenta dos desafíos clave que aún no hemos abordado: primero, la evaluación cuantitativa de la rentabilidad de cualquier decisión, y segundo, la implementación de las recetas de optimización numérica adecuadas para los problemas de supply chain.

6.1 Asignación de inventario al detalle con probabilistic forecasts

Las decisiones en supply chain requieren evaluaciones económicas ajustadas al riesgo. Convertir probabilistic forecasts en evaluaciones económicas no es trivial y requiere herramientas dedicadas. Sin embargo, la priorización económica resultante, ilustrada por stock allocations, demuestra ser más poderosa que las técnicas tradicionales. Comenzamos con el desafío de asignación de inventario al detalle. En una red de dos niveles que incluye tanto un centro de distribución (DC) como múltiples tiendas, necesitamos decidir cómo asignar el stock del DC a las tiendas, sabiendo que todas compiten por el mismo stock.

6.2 Optimización de precios para el aftermarket automotriz

El equilibrio entre la oferta y la demanda depende en gran medida de los precios. Así, la optimización de precios pertenece al ámbito de supply chain, al menos en gran medida. Presentaremos una serie de técnicas para optimizar los precios de una empresa ficticia del aftermarket automotriz. A través de este ejemplo, veremos el peligro asociado con líneas de razonamiento abstracto que no logran percibir el contexto adecuado. Saber qué debe optimizarse es más importante que los detalles de la optimización en sí.

7. Ejecución táctica y estratégica

La supply chain, tanto como práctica como campo de estudio, tiene como objetivo ser un facilitador y una ventaja competitiva para la empresa en su conjunto. Desde la perspectiva de la alta dirección, dos enfoques dominan: convertir la supply chain en un activo generador de valor y desbloquear formas superiores de ejecutar el negocio. En la práctica, los resultados se reducen en gran medida a la elección de los jugadores adecuados del equipo.

Una iniciativa que pretende mejorar el desempeño de la supply chain mediante recetas numéricas superiores puede, si tiene éxito, alterar profundamente la propia supply chain. Esta perspectiva viene con dos grandes advertencias. Primero, las recetas numéricas deben estar diseñadas de manera que faciliten el proceso; hay más en ello de lo que parece. Segundo, el mismo proceso de introducir recetas numéricas reconfigura las recetas; lo cual, a primera vista, resulta bastante contraintuitivo.

7.1 Comenzando con una iniciativa cuantitativa

Realizar una optimización predictiva exitosa de una supply chain es una combinación de problemas blandos y duros. Desafortunadamente, no es posible separar estos aspectos. Lo blando y lo duro están profundamente entrelazados. Usualmente, este entrelazamiento colisiona frontalmente con la división del trabajo definida por el organigrama de la empresa. Observamos que, cuando las iniciativas de supply chain fracasan, las causas raíz del fracaso suelen ser errores cometidos en las etapas más tempranas del proyecto. Además, los errores tempranos tienden a moldear toda la iniciativa, haciendo casi imposible corregirlos ex post. Presentamos nuestros hallazgos clave para evitar esos errores.

7.2 Llevando las decisiones a producción

Buscamos una receta numérica para dirigir toda una clase de decisiones mundanas, como los reabastecimientos de stock. La automatización es esencial para convertir la supply chain en un emprendimiento capitalista. Sin embargo, esto conlleva riesgos sustanciales de causar daños a gran escala si la receta numérica resulta defectuosa. “Fail fast and break things” no es la mentalidad adecuada para aprobar una receta numérica para producción. No obstante, muchas alternativas, como el modelo en cascada, son aún peores, ya que suelen dar una ilusión de racionalidad y control. Un proceso altamente iterativo es clave para diseñar la receta numérica que demuestre ser de grado producción.

7.3 The Supply Chain Scientist

En el núcleo de una iniciativa Supply Chain Quantitativa se encuentra el Supply Chain Scientist (SCS) que ejecuta la preparación de datos, el modelado económico y la elaboración de informes de KPIs. La automatización inteligente de las decisiones de supply chain es el producto final del trabajo realizado por el SCS. El SCS asume la responsabilidad de las decisiones generadas. El SCS aporta una inteligencia humana magnificada por la potencia de procesamiento de las máquinas.