Aprende sobre Supply Chain

Esta serie en curso 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 en la supply chain del mundo real. La visión presentada en estas conferencias diverge de la teoría convencional 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 están ilustradas con supply chains del mundo real que Lokad opera en nombre de sus clientes.

Audiencia prevista: Estas conferencias están dirigidas a todos aquellos que tienen la ambición de mejorar supply chains, desde altos ejecutivos hasta analistas novatos y estudiantes. Las conferencias incluyen una serie de ‘cursos intensivos’ para mantener al mínimo los conocimientos previos necesarios.

1. Prólogo

1.1 Los fundamentos de la supply chain

La supply chain es la destreza cuantitativa y práctica para aprovechar la opcionalidad al enfrentar la variabilidad y las restricciones relacionadas con el flujo de bienes físicos. Engloba la adquisición, 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 “cuantitativa” de la supply chain, presentada en esta serie, diverge profundamente de lo que se considera la teoría convencional 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 salientes para comprender cómo esta teoría alternativa, propuesta y pionera por Lokad, diverge de la teoría convencional de supply chain. Se podría resumir en: cada decisión se evalúa en función de todos los futuros posibles según los impulsores económicos. Esta perspectiva surgió gradualmente en Lokad como la teoría convencional de supply chain, 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 entregar o mejorar una aplicación de software que robotice un conjunto de decisiones rutinarias (p. ej., reabastecimientos de inventario, actualizaciones de precios). La aplicación se considera un producto a ser diseñado. Mientras que la teoría convencional de supply chain lucha por prevalecer en las empresas en general, una herramienta —a saber, Microsoft Excel— ha disfrutado de un éxito operativo considerable. Re-implementar las recetas numéricas de la teoría convencional de supply chain 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 demostraron ser 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 la supply chain

La optimización predictiva de supply chains requiere paradigmas de programación específicos. De hecho, si bien el ángulo ‘programático’ no se puede evitar mediante un producto de software empaquetado (cf. conferencia anterior), los enfoques convencionales de programación 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 las supply chains del mundo real. Esta conferencia está ilustrada 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 la supply chain

Algunas tendencias importantes han dominado la evolución de las supply chains durante las últimas décadas, remodelando en gran medida la combinación de desafíos que enfrentan las empresas. Algunos problemas han desaparecido en gran parte, como los peligros físicos y los problemas de calidad. Otros problemas han surgido, como la complejidad general y la intensidad de la competencia. Es notable cómo el software también está remodelando las supply chains de manera profunda. Un rápido análisis de estas tendencias nos ayuda a comprender en qué debería centrarse 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 las supply chains

Aunque las supply chains no pueden caracterizarse por leyes cuantitativas definitivas - a diferencia del electromagnetismo - aún se pueden observar principios cuantitativos generales. Con “general” nos referimos a que son aplicables a (casi) todas las supply chains. Descubrir tales principios es de suma importancia porque pueden utilizarse para facilitar la ingeniería de recetas numéricas destinadas a la optimización predictiva de las supply chains, pero también pueden emplearse para hacer que dichas 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 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 que la economía básica está equivocada. Además, las supply chains son complejas. Son sistemas, un concepto relativamente moderno que también es poco conocido y frecuentemente 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 del mundo real.

2. Metodología

El estudio y la práctica de la supply chain deben estar arraigados 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 progreso fantástico que hemos llegado a reconocer como la marca de la ‘ciencia’. Sin embargo, la 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 la supply chain exige métodos adecuados, los cuales 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, esta ficción está diseñada para delinear lo que merece atención desde una perspectiva de supply chain. No obstante, la persona no está idealizada en el sentido de simplificar los desafíos de la supply chain. Por el contrario, la intención es magnificar los aspectos más desafiantes de la situación, aquellos aspectos que resistirán con mayor obstinación cualquier intento de modelado cuantitativo y de pilotaje de una iniciativa para mejorar la supply chain. En supply chain, los estudios de caso —cuando se nombran a una o varias partes— sufren de severos conflictos de interés. Las empresas, y sus proveedores de apoyo (software, consultoría), tienen un interés inherente en presentar los resultados bajo una luz 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 estas cuestiones.

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 París - una marca de moda con una red de tiendas

París 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. Mientras que 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 impulsar oleadas de nuevos productos. Lanzar el producto adecuado, en el momento oportuno, al precio correcto y con la cantidad de stock adecuada es uno de los desafíos fundamentales.

2.2 Optimización experimental

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

Referencias:

• The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Conocimiento negativo

Los antipatterns son 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 en el campo de la ingeniería de software. Cuando son aplicables, los antipatterns son superiores a los resultados negativos en bruto, ya que son más fáciles de memorizar y analizar. La perspectiva de los antipatterns es de suma relevancia para la 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 chains modernas dependen de una gran cantidad de productos de software. Seleccionar 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 para esta tarea. La práctica tradicional de investigación de mercado comienza con buenas intenciones, pero invariablemente termina con resultados negativos, 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 independiente es errónea. No obstante, la evaluación entre proveedores 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, The World Bank, 2020 (PDF)

2.5 Escribir para supply chains

Las supply chains implican la coordinación de grandes equipos. Así, 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 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 temas. Además, las iniciativas de supply chain, ejecutadas a través del enfoque de optimización experimental, deben ser debidamente documentadas. Las fórmulas y el código fuente responden a las preguntas de qué y cómo, pero no al porqué. 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 garantizar una transición sin problemas de un Supply Chain Scientist a otro.

Referencias:

• Los elementos del estilo (Primera Edición), William Strunk Jr, 1918
• Patrón en forma de F para leer contenido web, Jakob Nielsen, 2006 (text)

3. Personae

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

3.1 Miami - un MRO de aviación

Miami es un ficticio MRO de aviación (mantenimiento, reparación, revisión) en 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 siempre que falta una pieza necesaria para llevar a cabo 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 con un amplio portafolio de marcas en múltiples países. Muchos objetivos empresariales en conflicto deben ser cuidadosamente equilibrados: calidad, precio, frescura, desperdicio, diversidad, localidad, etc. Por diseño, la producción de leche y las promociones minoristas sitúan 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. Opera su propio mercado en línea. Su marca privada compite con marcas externas, tanto a nivel interno como externo. Para mantenerse competitivo frente a actores más grandes y de precios más bajos, 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 solicitados.

3.4 Stuttgart - una empresa de posventa automotriz

Stuttgart es una empresa ficticia de posventa 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 automóviles 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 Ginebra - un fabricante de relojes de alta gama

TBD

4. Ciencias auxiliares

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

4.1 Computadoras modernas

Las supply chains modernas requieren recursos informáticos para funcionar, de la misma manera que las cintas transportadoras motorizadas requieren electricidad. Sin embargo, los sistemas de supply chain lentos siguen siendo omnipresentes, mientras que el poder de procesamiento de las computadoras ha aumentado por un factor mayor a 10,000x desde 1990. La falta de comprensión de las características fundamentales de los recursos informáticos modernos, incluso entre los círculos de TI o data science, explica en gran medida 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 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 en órdenes de magnitud. Los algoritmos de supply chain también necesitan adaptarse al diseño de las computadoras modernas, que 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 fundamentalmente en la optimización matemática. Además, una vez establecidos los forecast, identificar las decisiones más rentables también depende, en esencia, de la optimización matemática. Los problemas de supply chain frecuentemente involucran muchas variables. Además, suelen ser de naturaleza estocástica. La optimización matemática es una piedra angular de una práctica moderna de supply chain.

Referencias:

• The Future of Operational Research Is Past, Russell L. Ackoff, febrero 1979
• LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, septiembre 2011
• Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, última revisión en febrero 2018

4.4 Aprendizaje automático

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

Referencias:

• A theory of the learnable, L. G. Valiant, noviembre 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, septiembre 1995
• Random Forests, Leo Breiman, octubre 2001
• LightGBM: A Highly Efficient Gradient Boosting Decision Tree, 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 2017
• Deep Double Descent: Where Bigger Models and More Data Hurt, 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, Yoshua Bengio, junio 2014
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, última revisión en abril 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, última revisión en mayo 2019
• A Gentle Introduction to 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 (por ejemplo, Excel), mientras que los sistemas empresariales han estado en vigor durante una, dos o, 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 generalmente, 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. Hay evidencia de que la próxima etapa del rendimiento 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 chains son tanto complejas como caóticas, no es de extrañar que la mayoría de los problemas de software empresarial que enfrentan las supply chains se deban a una mala ingeniería de software. Las recetas numéricas utilizadas para optimizar supply chain son software y, por tanto, están sujetas al mismo problema. Estos problemas aumentan 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

La ciberdelincuencia 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 adoptado por los atacantes para encontrar y explotar vulnerabilidades. Dependiendo de las variantes 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 distanciación con 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 está en 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 las grandes supply chains. El modelado predictivo es a la vez descendiente del forecasting de series temporales y un alejamiento radical 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 suele ser irreducible, se requieren forecasts probabilísticos también.

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

En 2020, un equipo de Lokad logró el No5 entre 909 equipos competidores en el M5, una competencia mundial de forecasting. Sin embargo, a nivel de agregación de SKU, esos forecasts alcanzaron el No1. El forecasting de demanda es de importancia primaria para supply chain. El enfoque adoptado en esta competencia resultó ser atípico y distinto a los otros métodos empleados por los otros 50 mejores contendientes. Hay múltiples lecciones que aprender de este logro como preludio para abordar nuevos 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 excelentemente adecuados para abordar los desafíos predictivos de supply chain. DP es el descendiente del deep learning, pero se diferencia de este por su intenso enfoque en la estructura de los problemas de aprendizaje. DP supera 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 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 depende de 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 futuros. Desde la década de 1970, la forma de forecast más utilizada ha sido el forecast de series temporales puntual: se proyecta en 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 con todos los posibles resultados futuros, en lugar de señalar un resultado particular como “el” forecast. Los forecasts probabilísticos son importantes siempre que la incertidumbre sea irreducible, lo cual es casi siempre el caso cuando se trata de sistemas complejos. Para supply chains, los forecasts probabilísticos son esenciales para producir decisiones robustas frente a condiciones futuras inciertas.

5.3 Forecast de tiempo de entrega

Los tiempos de entrega son una faceta fundamental de la mayoría de las situaciones de supply chain. Los tiempos de entrega pueden y deben ser forecast, al igual que la demanda. Se pueden utilizar modelos de forecast probabilístico, dedicados a los tiempos de entrega. Se presentan una serie de técnicas para elaborar forecasts de tiempo de entrega probabilísticos para fines de supply chain. La composición de esos forecasts, tiempo de entrega 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 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 escoger las opciones que resulten ser las más rentables al enfrentar condiciones futuras inciertas. Este proceso plantea 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 problemas de supply chain.

6.1 Asignación de inventario al detalle con forecasts probabilísticos

Las decisiones de supply chain requieren evaluaciones económicas ajustadas al riesgo. Convertir forecasts probabilísticos en evaluaciones económicas no es trivial y requiere herramientas dedicadas. Sin embargo, la priorización económica resultante, ilustrada por las asignaciones de inventario, se demuestra ser más poderosa que las técnicas tradicionales. Comenzamos con el desafío de la asignación de inventario al detalle. En una red de dos niveles que incluye tanto un centro de distribución (DC) como múltiples tiendas, se debe 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. Así, la optimización de precios pertenece al ámbito de supply chain, al menos en buena 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 perciben el contexto adecuado. Saber qué debe ser optimizado es más importante que los detalles minuciosos de la optimización en sí.

7. Ejecución táctica y estratégica

Supply chain, tanto como práctica y como campo de estudio, tiene como objetivo ser un habilitador y una ventaja competitiva para la empresa en su conjunto. Desde la perspectiva de la alta dirección, predominan dos enfoques: convertir supply chain en un activo creciente y desbloquear maneras superiores de ejecutar el negocio. En la práctica, los resultados se reducen principalmente a la elección de los jugadores adecuados del equipo.

Una iniciativa que pretende mejorar el rendimiento de supply chain mediante recetas numéricas superiores puede, si tiene éxito, alterar profundamente la propia supply chain. Esta perspectiva viene con dos advertencias importantes. Primero, las recetas numéricas deben ser diseñadas de manera que faciliten el proceso; hay más de lo que aparenta. Segundo, el propio proceso de introducir las recetas numéricas reconfigura las recetas en sí; lo cual, a primera vista, es bastante contraintuitivo.

7.1 Comenzando con una iniciativa cuantitativa

Realizar una optimización predictiva exitosa de supply chain es una mezcla de problemas blandos y duros. Desafortunadamente, no es posible separar estos aspectos. Los aspectos blandos y duros están profundamente entrelazados. Usualmente, este entrelazamiento choca frontalmente con la división del trabajo tal como se define en el organigrama de la empresa. Observamos que, cuando las iniciativas de supply chain fracasan, las causas fundamentales del fracaso suelen ser errores cometidos en las primeras etapas 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 impulsar toda una clase de decisiones mundanas, como los reabastecimientos de stock. La automatización es esencial para convertir supply chain en una iniciativa capitalista. Sin embargo, conlleva riesgos sustanciales de causar daño a gran escala si la receta numérica es 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 incluso peores, ya que generalmente dan la ilusión de racionalidad y control. Un proceso altamente iterativo es la clave para diseñar la receta numérica que demuestre ser de nivel de producción.

7.3 The Supply Chain Scientist

En el núcleo de una iniciativa de 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 KPI. La automatización inteligente de las decisiones de supply chain es el producto final del trabajo realizado por el SCS. El SCS se apropia de las decisiones generadas. El SCS entrega inteligencia humana amplificada a través del poder de procesamiento de las máquinas.