Aprende sobre supply chain

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 superior y real en supply chain. La visión presentada en estas conferencias diverge de la teoría dominante de supply chain, y se le conoce como la Supply Chain Quantitativa. Las conferencias son presentadas por Joannes Vermorel, CEO y fundador de Lokad. Las conferencias se ilustran con supply chain reales que Lokad opera en nombre de sus clientes.

Público destinatario: Estas conferencias están destinadas a todos aquellos que tengan la ambición de mejorar supply chain, desde ejecutivos de alto nivel hasta analistas junior y estudiantes. Las conferencias incluyen una serie de ‘cursos intensivos’ para mantener al mínimo los conocimientos previos.

1. Prólogo

1.1 Los fundamentos de supply chain

Supply chain es la maestría cuantitativa pero práctica de la opcionalidad al enfrentar la variabilidad y las restricciones relacionadas con el flujo de bienes físicos. Engloba el abastecimiento, la compra, la producción, el transporte, la distribución, la promoción, … - pero con un enfoque en nutrir 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 dominante de supply chain.

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 dominante de supply chain. Se podría resumir en: cada decisión se evalúa contra todos los posibles futuros de acuerdo con los impulsores económicos.

1.3 Entrega orientada al producto

El objetivo de una iniciativa de supply chain cuantitativa es entregar o mejorar una aplicación de software que robotice un conjunto de decisiones rutinarias (por ejemplo, reposiciones de inventario, actualizaciones de precios). La aplicación se concibe como un producto a ser desarrollado. Mientras que la teoría dominante de supply chain lucha por prevalecer en las empresas en general, una herramienta – a saber, Microsoft Excel – ha obtenido un éxito operativo considerable. Reimplementar las recetas numéricas de la teoría dominante de supply chain mediante 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 entregar 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 chain requiere paradigmas de programación específicos. De hecho, aunque el enfoque ‘programático’ no se puede evitar mediante un producto software empaquetado (cf. conferencia anterior), los enfoques de programación dominantes implican capas de complejidades accidentales que son sumamente perjudiciales para las iniciativas de supply chain. Presentamos una serie de paradigmas de programación que están particularmente bien adaptados a supply chains reales. Esta conferencia se ilustra con Envision, el DSL (lenguaje de programación específico de dominio) dedicado a la optimización de supply chain, desarrollado por Lokad basándose en dichos paradigmas de programación.

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 tendencias importantes han dominado la evolución de supply chain 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 peligros físicos y los problemas de calidad. Otros han surgido, como la complejidad general y la intensidad de la competencia. Cabe destacar que el software también está remodelando supply chain de maneras profundas. Una breve encuesta de estas tendencias nos ayuda a entender cuál debería ser el enfoque de una teoría de supply chain.

Referencia (artículo, mencionado en la parte de Preguntas y Respuestas de la conferencia):

• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, 2018, (caso de uso de blockchain para combatir las falsificaciones en la página 28)

1.6 Principios cuantitativos para supply chain

Aunque supply chain no puede caracterizarse por leyes cuantitativas definitivas – a diferencia del electromagnetismo – aún se pueden observar principios cuantitativos generales. Con ‘generales’ nos referimos a principios aplicables a (casi) todas las supply chain. Descubrir tales principios es de suma importancia, ya que pueden utilizarse para facilitar la elaboración de recetas numéricas destinadas a la optimización predictiva de supply chain, pero también para hacer que esas recetas numéricas sean más potentes en general. Revisamos dos breves listas de principios: algunos principios observacionales y algunos principios de optimización.

1.7 Sobre el conocimiento, el tiempo y el trabajo en supply chain

La supply chain se rige por los principios económicos generales. Sin embargo, estos principios son poco conocidos y con demasiada frecuencia malinterpretados. Las prácticas populares de supply chain y sus teorías a menudo contradicen lo que se acepta en general en economía. No obstante, es poco probable que estas prácticas lleguen a demostrar que la economía básica está equivocada. Además, supply chain es compleja. Son sistemas, un concepto relativamente moderno que también es poco conocido y con demasiada frecuencia malinterpretado. El objetivo de esta conferencia es entender lo que tanto la economía como los sistemas aportan al abordar problemas de planificación para una supply chain en el mundo real.

2. Metodología

El estudio y la práctica de supply chain deben estar arraigados en la ciencia, es decir, apoyados en métodos científicos. De hecho, durante los últimos tres siglos, cada campo que ha logrado elevarse mediante una práctica experimental adecuada ha experimentado el progreso fantástico que hemos llegado a reconocer como la marca distintiva de la ‘ciencia’. Sin embargo, supply chain no ha experimentado tal progreso, al menos no aún, y gran parte de la culpa puede atribuirse a metodologías experimentales inadecuadas. La naturaleza complicada de supply chain exige métodos adecuados, que exploramos en este capítulo.

2.1 Personae de supply chain

Una “persona” de supply chain es una compañía ficticia. Sin embargo, aunque la compañía es ficticia, esta ficción se ha diseñado para delinear aquello a lo que se debe prestar atención desde la perspectiva de supply chain. No obstante, la persona no está idealizada en el sentido de simplificar los desafíos de supply chain. Al contrario, la intención es magnificar los aspectos más desafiantes de la situación, aquellos aspectos que se resistirán con mayor obstinación a cualquier intento de modelado cuantitativo y a cualquier intento de pilotar una iniciativa para mejorar supply chain. En supply chain, los estudios de caso – cuando se nombra a una o varias partes – sufren de graves conflictos de intereses. Las compañías, y sus proveedores de apoyo (software, consultoría), tienen un interés particular en presentar el resultado bajo una luz positiva. Además, las supply chain 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 de moda europea ficticia que opera una gran red de tiendas. La marca se dirige a mujeres y se posiciona como relativamente asequible. Aunque la línea de diseño es relativamente clásica y sobria, el principal impulsor del negocio siempre ha sido la novedad. Se utilizan múltiples colecciones al año para lanzar oleadas de nuevos productos. Impulsar el producto correcto, en el momento adecuado, al precio correcto y con la cantidad adecuada de stock es uno de los desafíos centrales.

2.2 Optimización Experimental

Lejos de la perspectiva cartesiana ingenua en la que la optimización se trataría simplemente de desplegar un optimizador para una función de puntuación determinada, supply chain requiere un proceso iterativo. Cada iteración se utiliza para identificar decisiones “locas” que deben ser investigadas y abordadas. La causa raíz es, con frecuencia, el uso inadecuado de impulsores económicos, los cuales deben ser reevaluados en cuanto a sus consecuencias no intencionadas. Las iteraciones cambian de naturaleza cuando las recetas numéricas ya no producen resultados absurdos.

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 son aplicables, los Antipatterns son superiores a los resultados negativos puros, ya que son más fáciles de memorizar y razonar al respecto. La perspectiva de los Antipatterns es de suma relevancia para supply chain, y debe ser considerada como uno de los pilares de 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 los proveedores adecuados es una cuestión de supervivencia. Sin embargo, dado que el número de proveedores es elevado, las compañías necesitan un enfoque sistemático para esta tarea. La práctica tradicional de investigación de mercado comienza con buenas intenciones pero invariablemente termina en malos resultados, ya que las empresas de investigación de mercado terminan actuando como frentes de marketing para las compañías que se supone deben analizar. La esperanza de que surja una firma de investigación imparcial está fuera de lugar. No obstante, la evaluación de proveedor contra proveedor es una metodología que permite incluso a una firma de investigación de mercado sesgada producir resultados imparciales.

Referencias:

• Corrupción epistemológica, 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, The World Band, 2020 (PDF)

2.5 Escribir para supply chains

Las supply chains implican la coordinación de grandes equipos. Por ello, los materiales escritos son fundamentales. Las supply chains modernas simplemente no son compatibles con la tradición oral. Sin embargo, los profesionales de supply chain a menudo tienen pésimas habilidades de comunicación escrita. Revisemos lo que estudios de usabilidad, y algunos expertos notables, tienen que decir sobre estos asuntos. Además, las iniciativas de supply chain, ejecutadas mediante el enfoque de optimización experimental, deben estar documentadas minuciosamente. Las fórmulas y el código fuente responden a las preguntas del qué y del cómo, pero no al por qué. La documentación debe asegurar que los Supply Chain Scientist comprendan el problema al que se enfrentan. Con el tiempo, esta documentación se convierte en la clave para lograr una transición fluida de un Supply Chain Scientist a otro.

Referencias:

• Los elementos del estilo (Primera Edición), William Strunk Jr, 1918
• Patrón en F para leer contenido 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 (mantenimiento, reparación, revisión) en los EE.UU. que atiende a una gran flota de aeronaves comerciales. En la aviación, la seguridad es primordial. Las piezas y componentes deben ser inspeccionados de forma rutinaria y, en su caso, reparados. Miami se dedica a mantener las aeronaves en el aire en todo momento, evitando incidentes AOG (aircraft on ground) que ocurren cuando 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. Opera un amplio portafolio de marcas en múltiples países. Muchos objetivos empresariales conflictivos deben equilibrarse cuidadosamente: calidad, precio, frescura, desperdicio, diversidad, localidad, 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 artículos para el hogar y accesorios. Opera su propio mercado en línea. Su marca privada compite con marcas externas, tanto interna como externamente. Para permanecer competitivo 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, mucho más allá de la entrega oportuna de los bienes solicitados.

3.4 Stuttgart - una empresa de postventa automotriz

Stuttgart es una empresa ficticia de postventa automotriz. Opera una red de sucursales que ofrecen reparaciones de automóviles, repuestos y accesorios para coches. A principios de la década de 2010, Stuttgart también inició 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 piezas de automóvil diferentes.

4. Auxiliary sciences

El dominio de la supply chain se apoya en varias otras áreas. Presentar la teoría de supply chain como una variante de las matemáticas aplicadas es frecuente, pero equivocado. Esos cursos intensivos están destinados a proporcionar el trasfondo cultural necesario para una práctica de supply chain bien pensada, que no puede y no debe reducirse a una serie de “modelos”.

4.1 Computadoras modernas

Las supply chains modernas requieren recursos informáticos para operar, así como las cintas transportadoras motorizadas requieren electricidad. Sin embargo, los sistemas de supply chain lentos siguen siendo omnipresentes, mientras que la capacidad de procesamiento de las computadoras ha aumentado en más de 10,000 veces desde 1990. La falta de comprensión de las características fundamentales de los recursos informáticos modernos –incluso entre círculos de IT o ciencia de datos– explica en gran medida este estado de cosas. El diseño de software subyacente a las recetas numéricas no debería antagonizar al sustrato informático subyacente.

4.2 Algoritmos modernos

La optimización de las supply chains depende de 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 los aspectos específicos de supply chain, el rendimiento algorítmico puede mejorarse enormemente, a veces por órdenes de magnitud. Los algoritmos de “supply chain” también deben adoptar el diseño de las computadoras modernas, que ha evolucionado significativamente en las últimas décadas.

Referencias (libro):

• Introducción a los algoritmos, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and 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, el forecast cuando 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 depende, en esencia, de la optimización matemática. Los problemas de supply chain frecuentemente involucran muchas variables y, normalmente, 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 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 2011
• Diferenciación automática en machine learning: una encuesta, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, última revisión febrero 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 machine learning han desplazado en gran medida el campo clásico del ‘forecasting’, tanto desde una perspectiva teórica como práctica. Este campo de estudio ha experimentado mejoras dramáticas, que aún son en gran parte incomprendidas entre los círculos de “data scientist”. Abordaremos este campo mediante la resolución de tres paradojas. Primero, necesitamos hacer afirmaciones precisas sobre datos que no poseemos. Segundo, debemos abordar problemas en los que el número de variables supera ampliamente el de observaciones. Tercero, es necesario trabajar con modelos en los que el número de parámetros excede con creces tanto a las variables como a las observaciones. Intentaremos comprender lo que realmente significa una anticipación del futuro basada en datos desde una perspectiva moderna de ‘learning’.

Referencias:

• Una teoría de lo aprendible, L. G. Valiant, noviembre 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, septiembre 1995
• Random Forests, Leo Breiman, octubre 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 diciembre 2017
• Deep Double Descent: donde modelos más grandes y más datos perjudican, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, diciembre 2019
• Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, junio 2014
• Traducción automática no supervisada usando solo corpus monolingües, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, última revisión abril 2018
• BERT: Pre-entrenamiento de Transformers Bidireccionales Profundos para la Comprensión del Lenguaje, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, última revisión mayo 2019
• Una introducción sencilla a las Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, septiembre 2021

4.5 Lenguajes y compiladores

La mayoría de las supply chains aún se gestionan mediante hojas de cálculo (es decir, Excel), mientras que los sistemas empresariales han estado en funcionamiento durante una, dos, a veces tres décadas —supuestamente para reemplazarlas. 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 constante co-desarrollo de la industria del software en su conjunto y de sus lenguajes de programación. Existe evidencia de que la próxima etapa en el rendimiento de supply chain será impulsada en gran medida por el desarrollo y adopción de lenguajes de programación, o mejor aún, 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 chains son tanto complejas como caóticas, no debería sorprender que la mayoría de los problemas de software empresarial que afrontan se reduzcan a una mala ingeniería de software. Las recetas numéricas utilizadas para optimizar supply chain son software y, por lo tanto, están sujetas al mismo problema. Estos problemas crecen en intensidad junto con la sofisticación de las propias recetas numéricas. Una ingeniería de software adecuada es para las supply chains 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 chains están particularmente expuestas. Además, la complejidad ambiental es un terreno fértil para los problemas de seguridad informática. La seguridad informática es, por diseño, contraintuitiva, ya que es precisamente el enfoque que adoptan los atacantes para encontrar y explotar vulnerabilidades. Dependiendo de los tipos de recetas numéricas involucradas en la optimización de supply chain, el riesgo puede aumentar o disminuir.

4.21 Blockchains

Las criptomonedas han atraído mucha atención. Se hicieron fortunas. Se perdieron fortunas. Los esquemas piramidales estaban a la orden del día. Desde una perspectiva corporativa, el “blockchain” es el eufemismo cortés utilizado para introducir ideas y tecnologías similares mientras se establece una distancia respecto a esas criptomonedas. Existen casos de uso de blockchain para supply chain, 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 forecasting de series temporales surgió en el siglo XX y tuvo una enorme influencia en la mayoría de los supply chains grandes. El modelado predictivo es, a la vez, el descendiente del forecasting de series temporales y un alejamiento masivo de esta perspectiva. Primero, aborda un conjunto mucho más diverso de casos problema. Segundo, debido a la naturaleza de los problemas de supply chain, se necesita un paradigma programático. Tercero, dado que la incertidumbre usualmente es irreducible, también se requieren forecast probabilísticos.

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

En 2020, un equipo de Lokad alcanzó el No5 entre 909 equipos competidores en la M5, una competencia mundial de forecast. Sin embargo, a nivel de agregación SKU, esos forecast se posicionaron en el No1. El forecasting de la demanda es de suma importancia para supply chain. El enfoque adoptado en esta competencia resultó ser atípico y, a diferencia de los otros métodos adoptados por los otros 50 mejores competidores, ofrece múltiples lecciones que aprender de este logro como preludio para abordar futuros desafíos predictivos para 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 ser excelentemente adecuados para abordar desafíos predictivos de supply chain. DP es el descendiente del deep learning, pero se aparta de este por su intenso enfoque en la estructura de los problemas de aprendizaje. DP supera casi toda la literatura “clásica” de forecast basada en modelos paramétricos. Además, DP es superior a los algoritmos de machine learning “clásicos” –hasta finales de la década de 2010– en prácticamente todas las dimensiones que importan para un uso práctico en supply chain, incluida la facilidad de adopción por parte de los profesionales.

5.2 Forecast probabilístico

La optimización de supply chains se basa en la adecuada anticipación de eventos futuros. Numéricamente, estos eventos se anticipan mediante forecasts, que abarcan una gran variedad de métodos numéricos utilizados para cuantificar dichos eventos. Desde la década de 1970, la forma más utilizada de forecast ha sido el forecast puntual de series temporales: se proyecta hacia el futuro una cantidad medida a lo largo del tiempo –por ejemplo, la demanda en unidades de un producto. Se dice que un forecast es probabilístico si devuelve las probabilidades asociadas a todos los posibles resultados futuros, en lugar de señalar un resultado particular como “el” forecast. Los forecast probabilísticos son importantes siempre que la incertidumbre sea irreducible, lo cual ocurre casi siempre en sistemas complejos. Para supply chains, dichos forecast son esenciales para generar decisiones robustas frente a condiciones futuras inciertas.

5.3 Forecast de tiempo de entrega

Los lead times son una faceta fundamental en la mayoría de las situaciones de supply chain. Estos lead times pueden y deben ser forecast al igual que la demanda. Se pueden utilizar modelos de forecast probabilístico dedicados a los lead times. Se presentan una serie de técnicas para elaborar forecasts probabilísticos de lead time con fines de supply chain. La combinación de dichos forecast –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 compañía. Cada decisión viene acompañada de alternativas. El objetivo de la optimización de supply chain es elegir las opciones que resulten más rentables frente a 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 forecast probabilísticos

Las decisiones de supply chain requieren evaluaciones económicas ajustadas al riesgo. Convertir forecast probabilísticos en evaluaciones económicas no es trivial y requiere herramientas especializadas. Sin embargo, la priorización económica resultante, ilustrada por las asignaciones de inventario, resulta ser más poderosa que las técnicas tradicionales. Comenzamos con el desafío de la asignación de inventario al detalle. En una red de 2 niveles que incluye tanto un centro de distribución (DC) como múltiples tiendas, debemos decidir cómo asignar el inventario 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. Por ello, 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 a líneas de razonamiento abstractas que no logran comprender el contexto adecuado. Saber qué debe ser optimizado es más importante que los detalles finos de la optimización misma.

7. Ejecución táctica y estratégica

Supply chain, tanto como práctica y 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 supply chain en un activo accretivo y desbloquear formas superiores de ejecutar el negocio. En la práctica, los resultados se reducen mayormente a la elección de los jugadores de equipo adecuados.

Una iniciativa que pretende mejorar el desempeño de supply chain mediante recetas numéricas superiores puede, si tiene éxito, alterar profundamente la propia supply chain. Esta perspectiva viene con dos importantes advertencias. Primero, las recetas numéricas deben ser diseñadas de manera que faciliten el proceso; hay más 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 supply chain es una combinación de problemas blandos y duros. Desafortunadamente, no es posible separar esos aspectos. Los aspectos blandos y duros están profundamente entrelazados. Usualmente, este entrelazamiento choca frontalmente con la división del trabajo tal como lo define el organigrama de la empresa. Observamos que, cuando las iniciativas de supply chain fallan, las causas principales del fracaso suelen ser errores cometidos en las primeras etapas del proyecto. Además, los errores tempranos tienden a moldear toda la iniciativa, haciéndolos casi imposibles de corregir ex post. Presentamos nuestros hallazgos clave para evitar esos errores.

7.2 Llevando las decisiones a producción

Buscamos una receta numérica para impulsar toda una clase de decisiones mundanas, como los reabastecimientos de stock. La automatización es esencial para convertir supply chain en un esfuerzo capitalista. Sin embargo, conlleva riesgos sustanciales de causar daño a gran escala si la receta numérica es defectuosa. Fallar rápido y romper cosas no es la mentalidad adecuada para aprobar una receta numérica para producción. No obstante, muchas alternativas, como el modelo waterfall, son aún peores, ya que suelen dar una ilusión de racionalidad y control. Un proceso altamente iterativo es la clave para diseñar la receta numérica que se demuestre de grado producción.

7.3 El Supply Chain Scientist

En el núcleo de una iniciativa Supply Chain Quantitativa, se encuentra el Supply Chain Scientist (SCS) quien ejecuta la preparación de los datos, el modelado económico y el reporte de KPI. La automatización inteligente de las decisiones de supply chain es el producto final del trabajo realizado por el SCS. El SCS se responsabiliza de las decisiones generadas. El SCS ofrece inteligencia humana amplificada por el poder de procesamiento de las máquinas.