Factores de éxito en las cadenas de suministro predictivas

Joannes Vermorel

Tener cadenas de suministro en piloto automático a través de tecnologías predictivas y lograr un rendimiento superior al humano a gran escala sigue siendo una meta lejana para casi todas las empresas, excepto los sospechosos habituales (por ejemplo, Amazon). Este estado de cosas es aún más sorprendente considerando la gran cantidad de proveedores de software que prometen reducciones radicales de inventarios y faltantes de stock - entre otras cosas. La broma de larga data 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 informales entre las experiencias pasadas¹ de la base de clientes de Lokad indican que la gran mayoría de las iniciativas predictivas de la cadena de suministro están fallando. Al decir que están fallando, me refiero específicamente a que estas soluciones ni siquiera logran obtener una puntuación de 10 de 12 en nuestra prueba de rendimiento de la cadena de suministro de 5 minutos. Un criterio más estricto para el éxito sería un impulso duradero en el rendimiento financiero general de la cadena de suministro, pero en este momento, nuestra modesta prueba de 5 minutos es suficiente para proporcionar un límite superior razonable en las tasas de éxito.

Es difícil poner un número exacto a la tasa real, ya que los éxitos son tan pocos y distantes entre sí que creo que la tasa de éxito general del mercado² es inferior a uno de cada diez. Sin embargo, como en la lotería, el ganador (singular) es noticia, mientras que los perdedores (multitud) son ignorados. El problema se amplifica ya que ambas partes, cliente y proveedor, tienen un fuerte incentivo para promocionarse como exitosos, sin importar el resultado real del proyecto. Para el proveedor, el éxito es obviamente un gran material de relaciones públicas. Para los empleados³ del cliente, el éxito significa mejores perspectivas laborales⁴. Peor aún, permitir que el resto de la empresa se dé cuenta de que una inversión de varios millones fue desperdiciada es con demasiada frecuencia una receta para ser despedido o desviado en la carrera profesional. Afortunadamente, medir cuantitativamente el rendimiento de la cadena de suministro es una meta notablemente esquiva, principalmente debido a los efectos de red. Por lo tanto, realmente se necesita un error épico⁵ para no poder encubrir el desastre simplemente manipulando un poco los números.

La primera excepción notable son las soluciones “AI”⁶ - en optimización de la cadena de suministro - que logran una tasa de éxito espectacular del cero por ciento según mis extensas observaciones⁷. Patrick Cousot, uno de mis antiguos profesores de ciencias de la computación, me dijo en 2002 que en ciencias de la computación, una “solución” solo se refería como “AI” mientras no tuviéramos ni idea de cómo hacer que funcionara. Tan pronto como se descubre un camino práctico para hacerlo funcionar, la solución toma otro nombre: optimización convexa, análisis estático, aprendizaje por refuerzo, etc. Cuatro años después, Mehryar Mohri, mi supervisor de investigación en ese momento, me repitió lo mismo. Dos décadas después, esas ideas resultaron ser premonitorias⁸, y de hecho, esos proveedores de IA no parecen tener la menor idea de cómo hacer que su “IA” entregue algo que califique como de calidad de producción desde una perspectiva de cadena de suministro.

Si no fuera un desperdicio de recursos, la situación se percibiría como cómica. Tomemos la reciente competencia mundial de pronóstico de demanda de Walmart: de las dos docenas de proveedores de cadena de suministro “notables” enumerados, digamos, por Gartner, ninguno de ellos llega al Top 100 de más de 900 equipos. La discrepancia entre lo que funciona objetivamente y lo que el mercado compra o promueve es asombrosa. Sin embargo, los mercados libres son filtros increíbles: con el tiempo, lo que no funciona lo suficientemente bien se elimina. No es porque las personas recapaciten y cambien de opinión, sino simplemente porque las empresas atrapadas con métodos ineficientes se desvanecen gradualmente y son reemplazadas por sus competidores, la destrucción creativa identificada por 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 un orden de magnitud menos arriesgados que nuestros competidores. Históricamente, no comenzamos así. Según los mismos criterios de éxito mencionados anteriormente durante los primeros tres años, de 2008 a 2011, logramos exactamente cero éxitos. Nos llevó casi una década atroz ganar cada porcentaje adicional de éxito, a través de docenas de mejoras graduales. Sería agotador intentar catalogar todo el asunto, pero revisemos una lista seleccionada de ideas notables.

• Alentamos a los clientes a terminar si no están satisfechos. Punto. Desde 2008, Lokad ha estado promoviendo suscripciones mensuales, mientras que nuestros competidores siguen impulsando compromisos anuales o plurianuales. Esto no es casualidad. Cuando un cliente se va, envía una señal clara de que no está funcionando. Por lo general, se reduce a una tecnología defectuosa o una falta de competencia (o ambas). No hay forma de endulzarlo. Es difícil, pero podemos aprender de ello. En contraste, por lo general no hay nada que aprender de los puntos de dolor educados inventados un año después de los eventos para hacer que la historia parezca mejor de lo que realmente fue¹⁰.

• La tecnología de pronóstico correcta es más importante que una simplemente precisa. Nos llevó años darnos cuenta de que los pronósticos clásicos desnudos eran perjudiciales. Resolvimos este problema a través de pronósticos probabilísticos y álgebras especializadas para asignar puntuaciones financieras a las decisiones.

• La plataforma de análisis de datos correcta es más importante que las capacidades básicas. Los datos de la cadena de suministro son complejos, heterogéneos y poco comprendidos. Hay toneladas de problemas bastante mundanos que deben abordarse para evitar los errores de “basura entra, basura sale”. Facilitar la documentación en el lugar de los datos es un buen comienzo y evitar errores tontos [/es/blog/2016/5/4/autocompletar-rutas-de-archivo-con-envision/] a través del autocompletado rápidamente se convierte en algo imprescindible.

• En la medida de lo posible, la corrección debe lograrse mediante el diseño. “Fallar rápido y romper cosas” no es una opción para las cadenas de suministro. Los errores en compras o producción son extremadamente costosos. Ya es suficientemente desafiante operar una cadena de suministro en un mundo altamente caótico, una tecnología predictiva no debe empeorar las cosas al agregar su propia capa de entropía.

• Aproximadamente correcto es mejor que completamente equivocado. Problemas difíciles como la variabilidad del tiempo de entrega, los movimientos de precios de los competidores, la canibalización dentro del surtido, los efectos autocumplidos, … deben ser aceptados en lugar de ser descartados. Además, es fácil descarrilar una iniciativa al centrarse en los desafíos incorrectos, como tener en cuenta el clima porque es interesante, mientras se descartan los riesgos extremos porque planificar para lo peor requiere nervios y fortaleza.

La mayoría de los elementos que desempeñaron un papel decisivo en mejorar la tasa de éxito de nuestras iniciativas para cadenas de suministro predictivas resultaron ser conceptos básicos, fundamentales incluso, como revisar la propia noción de lo que se espera que sea un pronóstico, y reingeniar nuestra tecnología y nuestros procesos desde cero, basándonos en la nueva comprensión tantas veces como sea necesario. Seguiremos haciéndolo en el futuro. Nuestro compromiso es con la resolución del problema, no con los detalles de la solución actual.