Aprende sobre la cadena de suministro

learn menu

Esta serie continua de conferencias presenta los fundamentos de la gestión de la cadena de suministro: los desafíos, la metodología y las tecnologías. El objetivo es permitir que las organizaciones logren un rendimiento superior en la cadena de suministro del mundo real. La visión presentada en estas conferencias diverge de la teoría convencional de la cadena de suministro y se conoce como la cadena de suministro cuantitativa. Las conferencias son presentadas por Joannes Vermorel, CEO y fundador de Lokad. Las conferencias están ilustradas con cadenas de suministro del mundo real en las que Lokad opera en nombre de sus clientes.

conferencias

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

1.1 Los fundamentos de la cadena de suministro

La cadena de suministro es el dominio cuantitativo pero astuto de la opción cuando se enfrenta a la variabilidad y las restricciones relacionadas con el flujo de bienes físicos. Incluye abastecimiento, compras, producción, transporte, distribución, promoción, … - pero con un enfoque en el fomento y la selección de opciones, en lugar de la gestión directa de las operaciones subyacentes. Veremos cómo la perspectiva de la cadena de suministro “cuantitativa”, presentada en esta serie, diverge profundamente de lo que se considera la teoría convencional de la cadena de suministro.

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 cadena de suministro cuantitativa en pocas palabras

El manifiesto de la cadena de suministro cuantitativa enfatiza una serie corta de puntos destacados para comprender cómo esta teoría alternativa, propuesta y pionera por Lokad, diverge de la teoría convencional de la cadena de suministro. Se podría resumir de la siguiente manera: cada decisión individual se evalúa en función de todos los futuros posibles según los impulsores económicos. Esta perspectiva surgió gradualmente en Lokad como la teoría convencional de la cadena de suministro, y su implementación por parte de (¿casi?) todos los proveedores de software sigue siendo un desafío.

1.3 Entrega orientada al producto

El objetivo de una iniciativa de cadena de suministro cuantitativa es entregar o mejorar una aplicación de software que robotice un conjunto de decisiones rutinarias (por ejemplo, reposiciones de inventario replenishments, actualizaciones de precios). La aplicación se ve como un producto que debe ser diseñado. Si bien la teoría convencional de la cadena de suministro lucha por prevalecer en las empresas en general, una herramienta “específicamente Microsoft Excel”, ha tenido un considerable éxito operativo. Reimplementar las recetas numéricas de la teoría convencional de la cadena de suministro a través de hojas de cálculo es trivial, sin embargo, esto no es lo que sucedió en la práctica a pesar de la conciencia de la teoría. Demostramos que las hojas de cálculo ganaron al adoptar paradigmas de programación que demostraron ser superiores para ofrecer resultados en la cadena de suministro.

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 cadena de suministro

La optimización predictiva de las cadenas de suministro requiere paradigmas de programación específicos. De hecho, si bien el enfoque “programático” no se puede evitar mediante un producto de software empaquetado (cf. conferencia anterior), los enfoques de programación convencionales implican capas de complejidades accidentales que son extremadamente perjudiciales para las iniciativas de la cadena de suministro. Presentamos una serie de paradigmas de programación que son particularmente adecuados para las cadenas de suministro del mundo real. Esta conferencia se ilustra con Envision, el DSL (Lenguaje de Programación Específico del Dominio) dedicado a la optimización de las cadenas de suministro, desarrollado por Lokad basado en esos 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 la cadena de suministro

Algunas tendencias importantes han dominado la evolución de las cadenas de suministro en las últimas décadas, remodelando en gran medida la combinación de desafíos a los que se enfrentan las empresas. Algunos problemas han desaparecido en gran medida, como los riesgos físicos y los problemas de calidad. Algunos problemas han surgido, como la complejidad general y la intensidad de la competencia. Especialmente, el software también está remodelando las cadenas de suministro de manera profunda. Un rápido repaso de estas tendencias nos ayuda a comprender en qué debería centrarse una teoría de la cadena de suministro.

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

1.6 Principios cuantitativos para las cadenas de suministro

Si bien las cadenas de suministro no pueden caracterizarse por leyes cuantitativas definitivas, a diferencia de la electromagnetismo, aún se pueden observar principios cuantitativos generales. Por “generales”, nos referimos a aquellos aplicables a (casi) todas las cadenas de suministro. Descubrir tales principios es de gran interés porque se pueden utilizar para facilitar la ingeniería de recetas numéricas destinadas a la optimización predictiva de las cadenas de suministro, pero también se pueden utilizar para hacer que esas recetas numéricas sean más poderosas en general. Revisamos dos listas cortas de principios: algunos principios observacionales y algunos principios de optimización.

1.7 Sobre el conocimiento, el tiempo y el trabajo en las cadenas de suministro

Las cadenas de suministro se rigen por los principios económicos generales. Sin embargo, estos principios son poco conocidos y a menudo se interpretan de manera incorrecta. Las prácticas populares de la cadena de suministro y sus teorías a menudo contradicen lo que se acepta generalmente en economía. Sin embargo, es poco probable que estas prácticas demuestren que la economía básica está equivocada. Además, las cadenas de suministro son complejas. Son sistemas, un concepto relativamente moderno que también es poco conocido y a menudo se representa de manera incorrecta. El objetivo de esta conferencia es comprender qué aportan tanto la economía como los sistemas al abordar problemas de planificación para una cadena de suministro del mundo real.

2. Metodología

El estudio y la práctica de la cadena de suministro deben estar fundamentados 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 el sello distintivo de la “ciencia”. Sin embargo, la cadena de suministro no ha experimentado tal progreso, al menos aún no, y gran parte de la culpa se puede atribuir a metodologías experimentales inadecuadas. La naturaleza malvada de la cadena de suministro exige métodos adecuados, que exploramos en este capítulo.

2.1 Personajes de la cadena de suministro

Una “persona” de la cadena de suministro es una empresa ficticia. Sin embargo, aunque la empresa es ficticia, esta ficción está diseñada para resaltar lo que merece atención desde una perspectiva de cadena de suministro. Sin embargo, la persona no está idealizada en el sentido de simplificar los desafíos de la cadena de suministro. Al contrario, la intención es magnificar los aspectos más desafiantes de la situación, los aspectos que más obstinadamente resistirán cualquier intento de modelado cuantitativo y cualquier intento de pilotar una iniciativa para mejorar la cadena de suministro. En la cadena de suministro, los estudios de caso, cuando se nombran una o varias partes, sufren graves conflictos de interés. Las empresas y sus proveedores de apoyo (software, consultoría) tienen un interés en presentar el resultado bajo una luz positiva. Además, las cadenas de suministro reales suelen sufrir o beneficiarse de condiciones accidentales que no tienen nada que ver con la calidad de su ejecución. Los personajes de la cadena de suministro son la respuesta metodológica a estos problemas.

Referencias:

  • Introducción al estudio de la Medicina Experimental (versión en inglés), (versión original en francés), Claude Bernard, 1865
  • El Proyecto Fénix: Una novela sobre IT, DevOps y cómo ayudar a que tu empresa triunfe, Gene Kim, Kevin Behr, George Spafford, 2013
  • Traducción automática no supervisada utilizando solo corpus monolingües, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018

2.1.1 París - una marca de moda con una red minorista

París es una marca de moda ficticia europea que opera una gran red minorista. La marca se dirige a mujeres y se posiciona como relativamente asequible. Si bien 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. Empujar el producto adecuado, en el momento adecuado, al precio adecuado y con la cantidad de stock adecuada es uno de los desafíos principales.

2.2 Optimización Experimental

Lejos de la perspectiva cartesiana ingenua donde la optimización se trata simplemente de implementar 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 suele ser conductores económicos inadecuados, que deben ser reevaluados en cuanto a sus consecuencias no deseadas. Las iteraciones cambian de naturaleza cuando las recetas numéricas ya no producen resultados insanos.

Referencias:

  • La lógica de la investigación científica, Karl Popper, 1934

2.3 Conocimiento Negativo

Los antipatrones son los estereotipos de soluciones que parecen buenas pero no funcionan en la práctica. El estudio sistemático de los antipatrones fue pionero a fines de la década de 1990 por el campo de la ingeniería de software. Cuando corresponde, los antipatrones son superiores a los resultados negativos en bruto, ya que son más fáciles de memorizar y razonar. La perspectiva de los antipatrones es de suma relevancia para la supply chain y debe considerarse como uno de los pilares de su conocimiento negativo.

Referencias:

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

2.4 Investigación de Mercado Adversarial

Las cadenas de suministro modernas dependen de una gran cantidad de productos de software. Elegir 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 inevitablemente termina con malos resultados, ya que las empresas de investigación de mercado terminan actuando como frentes de marketing para las empresas que se supone que deben analizar. La esperanza de que surja una empresa de investigación imparcial es equivocada. Sin embargo, la evaluación de proveedores es una metodología que permite incluso a una empresa de investigación de mercado sesgada producir resultados imparciales.

Referencias:

  • Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. por Sergio Sismondo, 2021 (texto)
  • Influence: The Psychology of Persuasion. por Robert B. Cialdini, 1984
  • Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)

2.5 Escribir para las cadenas de suministro

Las cadenas de suministro implican la coordinación de grandes equipos. Por lo tanto, los materiales escritos son fundamentales. Las cadenas de suministro modernas simplemente no son compatibles con la tradición oral. Sin embargo, los profesionales de la cadena de suministro a menudo tienen dificultades en cuanto a sus habilidades de comunicación escrita. Veamos qué dicen los estudios de usabilidad y algunos expertos destacados sobre estos temas. Además, las iniciativas de la cadena de suministro, ejecutadas a través del enfoque experimental de optimización, deben documentarse a fondo. Las fórmulas y el código fuente responden a las preguntas qué y cómo, pero no responden a la pregunta 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 garantizar una transición fluida de un Supply Chain Scientist al siguiente.

Referencias:

  • The Elements of Style (First Edition), por William Strunk Jr, 1918
  • F-Shaped Pattern For Reading Web Content, por Jakob Nielsen, 2006 (texto)

3. Personas

Una serie de personas de la cadena de suministro siguiendo la metodología definida en el capítulo anterior.

3.1 Miami - un MRO de aviación

Miami es una empresa ficticia de aviación MRO (mantenimiento, reparación, revisión) en los Estados Unidos que sirve a una gran flota de aviones comerciales. En la aviación, la seguridad es primordial. Las piezas y componentes deben ser inspeccionados rutinariamente y potencialmente reparados. Miami se dedica a mantener los aviones en el aire en todo momento, evitando incidentes de AOG (avión en tierra), 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 productos de consumo masivo que se especializa en la producción de quesos, cremas y mantequillas. Operan una amplia cartera de marcas en varios países. Se deben equilibrar cuidadosamente muchos objetivos comerciales en conflicto: calidad, precio, frescura, desperdicio, diversidad, localidad, etc. Por diseño, la producción de leche y las promociones minoristas colocan a la empresa entre la espada y la pared en términos de oferta y demanda.

3.3 San José - comercio electrónico de artículos para el hogar

San José es una empresa ficticia de comercio electrónico que distribuye una variedad de artículos para el hogar y accesorios. Operan su propio mercado en línea. Su marca privada compite con marcas externas, tanto interna como externamente. Con el fin de mantenerse competitivo con actores más grandes y a precios más bajos, la cadena de suministro de San José intenta ofrecer una alta calidad de servicio que adopta muchas formas, mucho más allá de la entrega oportuna de los productos pedidos.

3.4 Stuttgart - una empresa de posventa automotriz

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

3.5 Ginebra - un fabricante de relojes de lujo

TBD

4. Ciencias auxiliares

El dominio de la cadena de suministro se basa en gran medida en varias otras disciplinas. Presentar la teoría de la cadena de suministro como una rama de las matemáticas aplicadas es frecuente pero equivocado. Estos cursos intensivos tienen como objetivo proporcionar los conocimientos culturales necesarios para una práctica de cadena de suministro bien pensada, que no se puede ni se debe reducir a una serie de “modelos”.

4.1 Computadoras modernas

Las cadenas de suministro modernas requieren recursos informáticos para funcionar, al igual que las cintas transportadoras motorizadas requieren electricidad. Sin embargo, los sistemas de cadena de suministro lentos siguen siendo ubicuos, mientras que la potencia de procesamiento de las computadoras ha aumentado en un factor superior a 10,000 veces 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, explica en gran medida este estado de cosas. El diseño de software subyacente de las recetas numéricas no debe antagonizar el sustrato informático subyacente.

4.2 Algoritmos modernos

La optimización de las cadenas de suministro 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 los aspectos específicos de la cadena de suministro, se puede mejorar enormemente el rendimiento algorítmico, a veces en órdenes de magnitud. Los algoritmos de “cadena de suministro” también deben abarcar el 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, el pronóstico si adoptamos una perspectiva de cadena de suministro, se basan en la optimización matemática en su núcleo. Además, una vez que se establecen los pronósticos, la identificación de las decisiones más rentables también depende, en su núcleo, de la optimización matemática. Los problemas de la cadena de suministro suelen involucrar muchas variables. También suelen ser estocásticos por naturaleza. La optimización matemática es un pilar fundamental de la práctica moderna de la cadena de suministro.

Referencias:

  • The Future of Operational Research Is Past, Russell L. Ackoff, febrero de 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 de 2011
  • Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, última revisión en febrero de 2018

4.4 Aprendizaje automático

Los pronósticos son irreducibles en la cadena de suministro, ya 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 el campo clásico de “pronóstico”, tanto desde una perspectiva teórica como práctica. Este campo de estudio ha experimentado mejoras dramáticas, que siguen siendo en gran medida incomprendidas entre los círculos de “científicos de datos”. Viajaremos a través de este campo a través de la resolución de tres paradojas. Primero, necesitamos hacer afirmaciones precisas sobre los datos que no tenemos. En segundo lugar, debemos abordar problemas en los que el número de variables supera ampliamente el número de observaciones. En tercer lugar, debemos trabajar con modelos en los que el número de parámetros supera ampliamente las variables u observaciones. Intentaremos comprender lo que significa una anticipación basada en datos del futuro desde una perspectiva de “aprendizaje” moderna.

Referencias:

  • A theory of the learnable, 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 aumento de gradiente 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: Cuando los modelos más grandes y más datos perjudican, 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
  • Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, última revisión en abril de 2018
  • BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, última revisión en mayo de 2019
  • Una introducción suave a las redes neuronales gráficas, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, septiembre de 2021

4.5 Lenguajes y compiladores

La mayoría de las cadenas de suministro todavía se gestionan mediante hojas de cálculo (es decir, Excel), mientras que los sistemas empresariales llevan en funcionamiento uno, 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. Hay evidencia de que la próxima etapa del rendimiento de la cadena de suministro estará impulsada en gran medida por el desarrollo y la adopción de lenguajes de programación, o más bien de entornos programables.

4.6 Ingeniería de software

Dominar la complejidad y el caos es la piedra angular de la ingeniería de software. Teniendo en cuenta que las cadenas de suministro son tanto complejas como caóticas, no debería sorprendernos que la mayoría de los problemas de software empresarial que enfrentan las cadenas de suministro se reduzcan a una mala ingeniería de software. Las recetas numéricas utilizadas para optimizar la cadena de suministro son software y, por lo tanto, están sujetas al mismo problema. Estos problemas aumentan en intensidad junto con la sofisticación de las recetas numéricas en sí mismas. La ingeniería de software adecuada es para las cadenas de suministro 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 cadenas de suministro 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 los tipos de recetas numéricas involucradas en la optimización de la cadena de suministro, el riesgo puede aumentar o disminuir.

4.21 Blockchains

Las criptomonedas han atraído mucha atención. Se hicieron fortunas. Se perdieron fortunas. Las estafas piramidales eran rampantes. Desde una perspectiva corporativa, “blockchain” es el eufemismo educado utilizado para introducir ideas y tecnologías similares al tiempo que se establece una distancia con esas criptomonedas. Existen casos de uso de la cadena de suministro para la tecnología blockchain, pero también hay desafíos.

Referencias:

  • Bitcoin: Un sistema de efectivo electrónico peer-to-peer, Satoshi Nakamoto, octubre de 2008
  • La mayoría no es suficiente: la minería de Bitcoin es vulnerable, Ittay Eyal, Emin Gun Sirer, noviembre de 2013
  • Hash de multiconjunto de curva elíptica, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, enero de 2016
  • Graphene: Un nuevo protocolo para la propagación de bloques utilizando la reconciliación de conjuntos, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, septiembre de 2017
  • Snowflake to Avalanche: Una nueva familia de protocolos de consenso metastable para criptomonedas, Team Rocket, mayo de 2018
  • Tokeda, Metadatos impulsados por tokens viables dentro de Bitcoin, Joannes Vermorel, marzo de 2018
  • Una taxonomía del panorama aplicativo de Bitcoin, Joannes Vermorel, mayo de 2018

5. Modelado predictivo

La anticipación cuantitativa adecuada de eventos futuros es fundamental para la optimización de cualquier cadena de suministro. La práctica de pronóstico de series de tiempo surgió en el siglo XX y tuvo una enorme influencia en la mayoría de las grandes cadenas de suministro. El modelado predictivo es tanto el descendiente del pronóstico de series de tiempo como una partida masiva de esta perspectiva. En primer lugar, aborda un conjunto mucho más diverso de instancias de problemas. En segundo lugar, debido a la naturaleza de los problemas de la cadena de suministro, se necesita un paradigma programático. En tercer lugar, como la incertidumbre suele ser irreducible, también se necesitan pronósticos probabilísticos.

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

En 2020, un equipo de Lokad logró el puesto No5 entre 909 equipos competidores en el M5, una competencia de pronósticos a nivel mundial. Sin embargo, a nivel de agregación de SKU, esos pronósticos ocuparon el primer lugar. El pronóstico de la demanda es de suma importancia para la cadena de suministro. El enfoque adoptado en esta competencia resultó atípico y diferente de los otros métodos adoptados por los otros 50 principales contendientes. Hay múltiples lecciones que aprender de este logro como preludio para abordar nuevos desafíos predictivos para la cadena de suministro.

Referencias:

  • Un enfoque ISSM de caja blanca para estimar distribuciones de incertidumbre de las ventas de Walmart, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, diciembre de 2021 (enlace)
  • La competencia de incertidumbre M5: Resultados, hallazgos y conclusiones, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, noviembre de 2020 (enlace)

5.1 Modelado predictivo estructurado

La Programación Diferenciable (DP) es un paradigma generativo para diseñar una amplia clase de modelos estadísticos que resultan ser excelentes para abordar los desafíos predictivos de la cadena de suministro. DP es el descendiente del deep learning, pero se diferencia del deep learning por su intenso enfoque en la estructura de los problemas de aprendizaje. DP supera casi toda la literatura “clásica” de pronósticos basada en modelos paramétricos. DP también es superior a los algoritmos de aprendizaje automático “clásicos” - hasta finales de la década de 2010 - en prácticamente todas las dimensiones que importan para un uso práctico en la cadena de suministro, incluida la facilidad de adopción por parte de los profesionales.

5.2 Pronóstico probabilístico

La optimización de las cadenas de suministro se basa en la anticipación adecuada de eventos futuros. Numéricamente, estos eventos se anticipan a través de pronósticos, que abarcan una amplia variedad de métodos numéricos utilizados para cuantificar estos eventos futuros. A partir de la década de 1970, la forma más utilizada de pronóstico ha sido el pronóstico de series temporales de punto: una cantidad medida a lo largo del tiempo, por ejemplo, la demanda en unidades de un producto, se proyecta hacia el futuro. Un pronóstico se dice que es probabilístico si devuelve las probabilidades asociadas con todos los posibles resultados futuros, en lugar de señalar un resultado particular como “el” pronóstico. Los pronósticos probabilísticos son importantes siempre que la incertidumbre sea irreducible, lo cual es casi siempre el caso cuando se trata de sistemas complejos. Para las cadenas de suministro, los pronósticos probabilísticos son esenciales para tomar decisiones sólidas frente a condiciones futuras inciertas.

5.3 Pronóstico de tiempo de entrega

Los tiempos de entrega son una faceta fundamental en la mayoría de las situaciones de la cadena de suministro. Los tiempos de entrega se pueden y se deben pronosticar al igual que la demanda. Se pueden utilizar modelos de pronóstico probabilísticos dedicados a los tiempos de entrega. Se presentan una serie de técnicas para crear pronósticos probabilísticos de tiempos de entrega con fines de cadena de suministro. Componer esos pronósticos, tiempo de entrega y demanda, es fundamental en la modelización predictiva en la cadena de suministro.

6. Toma de decisiones

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

6.1 Asignación de inventario al detalle con pronósticos probabilísticos

Las decisiones de la cadena de suministro requieren evaluaciones económicas ajustadas al riesgo. Convertir los pronósticos probabilísticos en evaluaciones económicas no es trivial y requiere herramientas dedicadas. Sin embargo, la priorización económica resultante, ilustrada por asignaciones de inventario, demuestra ser más poderosa que las técnicas tradicionales. Comenzamos con el desafío de asignación de inventario al detalle. En una red de 2 niveles que incluye tanto un centro de distribución (CD) como múltiples tiendas, debemos decidir cómo asignar el inventario del CD a las tiendas, sabiendo que todas las tiendas compiten por el mismo inventario.

6.2 Optimización de precios para el mercado automotriz

El equilibrio entre la oferta y la demanda depende en gran medida de los precios. Por lo tanto, la optimización de precios pertenece al ámbito de la cadena de suministro, al menos en gran medida. Presentaremos una serie de técnicas para optimizar los precios de una empresa ficticia de posventa automotriz. A través de este ejemplo, veremos el peligro asociado con líneas de razonamiento abstractas que no ven el contexto adecuado. Saber qué se debe optimizar es más importante que los detalles de la optimización en sí.

7. Ejecución táctica y estratégica

La cadena de suministro, tanto como práctica 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, dos aspectos dominan: hacer de la cadena de suministro un activo aditivo y desbloquear formas 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 tiene como objetivo mejorar el rendimiento de la cadena de suministro a través de recetas numéricas superiores puede, si tiene éxito, alterar profundamente la cadena de suministro en sí misma. Esta perspectiva viene con dos advertencias importantes. Primero, las recetas numéricas deben ser diseñadas de manera que faciliten el proceso; hay más en ello de lo que parece. Segundo, el propio proceso de introducir recetas numéricas remodela las recetas en sí mismas; lo cual, a primera vista, es bastante contraintuitivo.

7.1 Comenzando con una iniciativa cuantitativa

Llevar a cabo una optimización predictiva exitosa de una cadena de suministro es una combinación de problemas suaves y difíciles. Desafortunadamente, no es posible separar esos aspectos. Los aspectos suaves y difíciles están profundamente entrelazados. Por lo general, este entrelazamiento choca frontalmente con la división del trabajo tal como está definida por el organigrama de la empresa. Observamos que, cuando las iniciativas de la cadena de suministro fracasan, las causas raíz del fracaso suelen ser errores cometidos en las etapas más tempranas del proyecto. Además, los errores tempranos tienden a dar forma a toda la iniciativa, lo que hace casi imposible corregirlos ex post. Presentamos nuestros principales hallazgos para evitar esos errores.

7.2 Llevando las decisiones a producción

Buscamos una receta numérica para impulsar toda una clase de decisiones mundanas, como el reabastecimiento de existencias. La automatización es esencial para convertir la cadena de suministro en un emprendimiento capitalista. Sin embargo, conlleva riesgos sustanciales de causar daños a gran escala si la receta numérica es defectuosa. “Fracasa rápido y rompe cosas” no es la mentalidad adecuada para aprobar una receta numérica para la producción. Sin embargo, 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 la clave para diseñar la receta numérica que demuestre ser de calidad de producción.

7.3 El Científico de la Supply Chain

En el núcleo de una iniciativa de Supply Chain Cuantitativa se encuentra el Científico de la Supply Chain (CSC) que ejecuta la preparación de datos, el modelado económico y el informe de KPI. La automatización inteligente de las decisiones de la cadena de suministro es el producto final del trabajo realizado por el CSC. El CSC se hace cargo de las decisiones generadas. El CSC ofrece inteligencia humana amplificada a través del poder de procesamiento de las máquinas.