Factores de éxito en supply chain predictivos

Joannes Vermorel

Contar con supply chains en piloto automático mediante tecnologías predictivas y alcanzar un rendimiento por encima del humano a gran escala sigue siendo una meta lejana para casi todas las empresas, excepto los sospechosos de siempre (p.ej. Amazon). Esta situación es aún más sorprendente, considerando la gran cantidad de software vendors que prometen reducciones radicales de stocks y faltante de stock - entre otras cosas. La broma de toda la vida en Lokad ha sido que la única forma en que Lokad podría competir con las afirmaciones de nuestros competidores sería comenzar a decir que también curamos el cáncer.

Sin embargo, mis observaciones casuales entre las pasadas experiencias¹ en la base de clientes de Lokad indican que la gran mayoría de las iniciativas de supply chain predictiva están fallando. Con fallar, me refiero específicamente a que estas soluciones ni siquiera logran puntuar 10 de 12 en nuestra prueba de rendimiento de supply chain de 5 minutos. Un criterio más exigente para el éxito sería un impulso duradero en el desempeño financiero global de la supply chain, pero por ahora, nuestra modesta prueba de 5 minutos es suficiente para proporcionar un razonable límite superior sobre las tasas de éxito.

Es difícil ponerle un número a la tasa real, los éxitos son tan pocos y distantes entre sí que creo que la tasa global de éxito en el mercado² está por debajo de uno de cada diez. Sin embargo, al igual que en la lotería, el ganador (en singular) acapara la noticia, mientras que los perdedores (en masa) son ignorados. El problema se agrava ya que ambas partes, cliente y proveedor, tienen fuertes incentivos para presentarse como exitosos, sin importar el resultado real del proyecto. Para el proveedor, un éxito es, obviamente, un gran material de relaciones públicas. Para los empleados del cliente³, el éxito significa mejores perspectivas laborales⁴. Peor aún, permitir que el resto de la empresa se dé cuenta de que se desperdició una inversión multimillonaria es, con demasiada frecuencia, receta para ser despedido o quedar rezagado profesionalmente. Afortunadamente, medir cuantitativamente el desempeño de la supply chain es un objetivo notablemente esquivo – en su mayoría, debido a efectos de red. Por lo tanto, realmente se necesita un fallo épico⁵ para no poder encubrir el desastre simplemente manipulando un poco los números.

La primera excepción notable son las soluciones de “AI”⁶ — en optimización de supply chain — que consiguen una espectacular tasa de éxito de cero por ciento basándose en mis extensas observaciones⁷. Patrick Cousot, uno de mis antiguos profesores de informática, me dijo en 2002 que en informática, una “solución” se denominaba “AI” solamente mientras no tuviéramos la menor idea de cómo hacerla funcionar. Tan pronto como se descubre un camino práctico para hacerla funcionar, la solución adopta otro nombre: optimización convexa, análisis estático, reinforcement learning, etc. Cuatro años más tarde, Mehryar Mohri, mi director de investigación en ese entonces, me repitió lo mismo. Dos décadas después, esas ideas resultaron ser proféticas⁸, y de hecho, esos proveedores de AI no parecen tener la más mínima idea de cómo hacer que su “AI” entregue algo que califique como apto para producción desde una perspectiva de supply chain.

Si no fuera tal desperdicio de recursos, la situación se percibiría como cómica. Tomemos, por ejemplo, la reciente competencia mundial de demand forecasting de Walmart: de las dos docenas de proveedores “notables” de supply chain que, por ejemplo, lista Gartner, ninguno llega al Top 100 de más de 900 equipos. La discrepancia entre lo que funciona objetivamente y lo que el mercado compra o promociona es asombrosa. No es que la gente recupere el juicio y cambie de opinión, sino que las empresas que se aferran a métodos ineficientes gradualmente desaparecen y son reemplazadas por sus competidores – la destrucción creativa tal como la identificó Schumpeter.

La segunda excepción notable es Lokad⁹. Durante los últimos dos años, nuestra tasa de éxito ha sido consistentemente superior a tres de cada cuatro. Los riesgos aún están presentes, pero ahora somos una magnitud menos arriesgados que nuestros competidores. Históricamente, no empezó así. Según los mismos criterios de éxito mencionados anteriormente durante los primeros tres años, de 2008 a 2011, logramos exactamente cero éxitos. Nos tomó casi una espantosa década ganar, de forma dolorosa, cada porcentaje extra de éxito a través de docenas de mejoras graduales. Sería agotador intentar catalogar todo el asunto, pero repasemos una lista seleccionada de insights notables.

• Animamos a los clientes a terminar el servicio dondequiera que estén insatisfechos. Punto. Desde 2008, Lokad ha estado promocionando suscripciones mensuales, mientras que nuestros competidores siguen impulsando compromisos anuales o plurianuales. Esto no es casualidad. Cuando un cliente se retira, da una señal clara de que no está funcionando. Usualmente se reduce a una tecnología defectuosa o a una falta de competencia (o ambas). No hay forma de embellecerlo. Es duro, pero se puede aprender de ello. En contraste, usualmente no se aprende nada de los pretextos educados inventados un año después de los hechos para que la historia parezca mejor de lo que realmente fue¹⁰.

• La correcta tecnología de forecast es más importante que una simplemente precisa. Nos tomó años darnos cuenta de que los forecast clásicos desnudos eran francamente perjudiciales. Solucionamos este problema mediante forecast probabilísticos y álgebra especializada para asignar puntuaciones financieras a las decisiones.

• La correcta plataforma de análisis de datos importa más que las capacidades en bruto. Los datos de supply chain son complejos, heterogéneos y poco entendidos. Hay toneladas de problemas bastante mundanos que deben abordarse para evitar las trampas de “garbage in, garbage out”. Facilitar la documentación in situ de los datos es un buen comienzo y evitar errores tipográficos tontos mediante el autocompletado se convierte rápidamente en algo indispensable.

• En la mayor medida, la corrección debe lograrse por diseño. Fail fast and break things no es una opción para las supply chains. Los errores en compras o producción son sumamente costosos. Operar una supply chain en un mundo altamente caótico ya es un desafío suficiente, y una tecnología predictiva no debería empeorar las cosas añadiendo su propia capa de entropía.

• Lo aproximadamente correcto es mejor que lo exactamente incorrecto. Problemas difíciles como la variabilidad del lead time — movimientos de precios de competidores, canibalización dentro del surtido, efectos autoproféticos, … — deben asumirse en lugar de descartarse. Además, es fácil descarrilar una iniciativa al centrarse en los desafíos equivocados, como factoring the weather, porque es novedoso, mientras se desestiman los tail risks ya que planificar para lo peor requiere nervios y fortaleza.

La mayoría de los elementos que jugaron un papel decisivo en mejorar la tasa de éxito de nuestras iniciativas de supply chain predictiva resultaron ser conceptos básicos —incluso fundamentales—, como replantear la noción misma de lo que se debe esperar de un forecast y reingeniar nuestra tecnología y procesos desde cero, basándonos en la nueva comprensión tantas veces como sea necesario. Continuaremos haciéndolo en el futuro. Nuestro compromiso es con la resolución del problema, no con los detalles de la solución actual.