Efecto farola y forecast
Un policía ve a un borracho buscando algo bajo una farola y le pregunta qué ha perdido el borracho. Él dice que perdió sus llaves y ambos buscan debajo de la farola juntos. Después de unos minutos, el policía pregunta si está seguro de haberlas perdido aquí, y el borracho responde, no, y que las perdió en el parque. El policía pregunta por qué está buscando aquí, y el borracho responde, “aquí es donde está la luz.” David H. Freedman (2010). Incorrecto: Por qué los expertos siguen fallando
Una de las cosas más paradójicas de los forecast “clásicos” es que buscan el valor promedio – a veces mediano – de la futura demanda, mientras que este caso promedio, como veremos a continuación, es en su mayoría irrelevante. Siempre que se utilizan forecast diarios, semanales o mensuales, estos pueden considerarse como forecast promedio. ¿Por qué? Porque, otros tipos de forecast, como los quantile forecasts, no son aditivos lo que los hace bastante contraintuitivos. De hecho, la mayoría de los profesionales de supply chain ni siquiera son conscientes de que existen alternativas a los forecast “clásicos” en primer lugar.
Sin embargo, desde el punto de vista empresarial, en lo que respecta al inventario, no es el punto medio lo que cuesta dinero, sino los extremos. Por un lado, está la demanda inesperadamente alta que causa un faltante de stock. Por otro lado, está la demanda inesperadamente baja que causa inventario muerto. Cuando el nivel de demanda está aproximadamente donde se esperaba que estuviera, los niveles de inventario fluctúan suavemente, y el inventario rota de manera muy satisfactoria.
Como resultado, no tiene sentido optimizar el caso promedio, es decir, cuando el inventario rota de manera muy satisfactoria, porque hay poco o nada que mejorar en primer lugar. Son los extremos los que deben ser atendidos. De hecho, la mayoría de los profesionales son muy conscientes de este problema, ya que sus dos principales problemas son mejorar la calidad del servicio por un lado (es decir, mitigar la demanda inesperadamente alta), mientras se mantienen los niveles de stock bajo control por el otro lado (es decir, mitigar la demanda inesperadamente baja).
Sin embargo, dado que hemos acordado que los desafíos de supply chain se centran principalmente en los “extremos”, ¿por qué muchas empresas aún buscan respuestas a través de forecast “promedio”? Creo que supply chain management, como industria, sufre de un grave caso de búsqueda del borracho, un problema llamado efecto farola. Las herramientas y procesos clásicos están iluminando situaciones “promedio” que apenas necesitan ser iluminadas más, dejando completamente en la oscuridad lo que se encuentra en los extremos.
Un error común consiste en pensar que mejorar el caso “medio” también debería mejorar marginalmente los extremos. Lamentablemente, el statistical forecasting es contraintuitivo y un análisis numérico básico demuestra que simplemente no es así. El statistical forecasting es como un microscopio: aunque es increíblemente preciso, su enfoque también es increíblemente limitado.
Intentar solucionar tus problemas de supply chain mediante forecast “clásicos” promedio es como intentar diagnosticar qué le sucede a tu coche, que se niega a arrancar, examinando cada pieza del coche con un microscopio, empezando por el motor. A este ritmo, probablemente nunca logres diagnosticar que tu coche no se mueve porque se quedó sin gasolina, lo cual, en retrospectiva, era un problema bastante obvio.
Sin embargo, este no es el final de la locura. Ahora imagina que el mecánico, después de no poder diagnosticar por qué tu coche no se mueve, comienza a afirmar que su diagnóstico falló porque su microscopio no tenía suficiente resolución. Y ahora el mecánico te pide más dinero para poder comprar un microscopio mejor.
Pues, un escenario similar está ocurriendo actualmente en muchas empresas: la iniciativa de forecast anterior no logró entregar el rendimiento de inventario deseado, y las empresas se duplican con otra iniciativa de forecast siguiendo las mismas líneas que hicieron fracasar la primera iniciativa en primer lugar.
En Lokad, nos tomó 5 años darnos cuenta de que el enfoque de forecast clásico no estaba funcionando, y aún peor, que nunca funcionará sin importar cuánta tecnología agreguemos al caso, tal como cambiar a un microscopio de ultra alta resolución de $27M nunca habría ayudado al mecánico a diagnosticar tu tanque vacío. En 2012, descubrimos quantile forecasts que fuimos mejorando de manera constante; y de repente, las cosas empezaron a funcionar.
Esos cinco años de constantes fracasos se sintieron largos, muy largos. A nuestra defensa, cuando toda una industria trabaja con falsas promesas que pueden remontarse a manuales universitarios, no es tan fácil empezar a pensar fuera de la caja cuando la propia caja es tan enorme que puedes pasar la vida vagando en círculos en su interior y nunca toparte con las paredes.
Comentarios de los lectores (1)
Muy buena analogía, gracias Joannes Vermorel.
Victor (Hace un año)
