Más allá de las series de tiempo

Joannes Vermorel

Cuando todo lo que tienes es un martillo, todo parece un clavo. El martillo que ha sido durante mucho tiempo el favorito de la comunidad de gestión de la cadena de suministro ha sido las series de tiempo y, como resultado, en los círculos de la cadena de suministro todos los problemas parecen pronósticos de series de tiempo. La tentación de martillear se ve agravada por la extensa literatura que existe sobre pronósticos de series de tiempo más allá de los casos de uso de la cadena de suministro. No solo tenemos el martillo que ya tenemos: también estamos en medio de un centro comercial completo lleno de brillantes martillos, con todas las formas, tamaños y colores.

Sin embargo, las series de tiempo son en gran medida inadecuadas para modelar razonablemente cualquier cosa excepto, tal vez, las situaciones más simples de la cadena de suministro. Como resultado, los mejores pronósticos de series de tiempo, por muy precisos que sean, son rutinariamente derrotados por los aspectos mundanos de las cadenas de suministro. Sin embargo, cuando se enfrentan a estas situaciones, la reacción instintiva de la comunidad, las empresas que operan cadenas de suministro, sus proveedores de software y los profesores que enseñan gestión de la cadena de suministro, es buscar pronósticos más precisos. Después de todo, ¿qué más podría haber excepto pronósticos más precisos?

El paso más difícil para salir mentalmente de la caja de las series de tiempo es reconocer la existencia misma del problema, es decir, la limitación de las propias series de tiempo, sin poder (todavía) exhibir una solución alternativa. De hecho, la historia de la ciencia nos dice que los problemas tienden a ser “impensables” hasta que se encuentra una solución. Los problemas sin soluciones¹ suelen ser descartados como irrelevantes. Desafortunadamente, a menos que partamos de la premisa de que podría existir una solución, ni siquiera podemos comenzar a buscar una.

Echemos un vistazo más de cerca a la perspectiva de las series de tiempo y sus casos de uso en la cadena de suministro. Hasta ahora, he presentado tres personajes de la cadena de suministro llamados respectivamente París, Miami y Ámsterdam (habrá más). Estos personajes representan representaciones ficticias pero realistas de cadenas de suministro del mundo real. ¿Se pueden utilizar las series de tiempo para reflejar algo que se aproxime vagamente a la “demanda” en cualquiera de estas tres situaciones? Para cada una de estas tres situaciones, la respuesta es negativa:

• París, una red de moda, implica efectos masivos de sustitución y canibalización. La esencia del mecanismo en juego, la percepción difusa por parte de los clientes del surtido en su conjunto, se pierde cuando se adoptan las series de tiempo.
• Miami, un MRO de aviación, implica incidentes de AOG (aeronave en tierra), donde una pieza faltante termina dejando en tierra toda la aeronave. Tanto los AOG como la naturaleza cíclica de las reparaciones de las piezas también se pierden cuando se adopta un pronóstico de series de tiempo.
• Ámsterdam, una marca de queso, está rígidamente limitada tanto en el lado de la oferta como en el lado de la demanda. Como resultado, aunque tanto la oferta como la demanda podrían representarse como series de tiempo, las únicas piezas de interés ocurren entre esas series.

Sin embargo, los libros de texto de la cadena de suministro están llenos de “ejemplos” que involucran análisis de series de tiempo y pronósticos de series de tiempo. Sin embargo, la validez de estos ejemplos es motivo de preocupación. Estos ejemplos presentan empresas no descriptivas que producen y/o venden “algo”, sin dar detalles específicos. Sin embargo, el diablo está en los detalles. Cuando comenzamos a descubrir la letra pequeña, como se hace en las personae de la cadena de suministro presentadas anteriormente, se hace evidente que la perspectiva de las series de tiempo es esencialmente una colección de problemas de juguete, que mantendrán ocupados a los estudiantes y profesores, pero que no son realmente adecuados para ningún uso del mundo real.

La perspectiva de las series de tiempo es una de las causas fundamentales² que explica el uso generalizado de las hojas de cálculo en las cadenas de suministro a pesar de la disponibilidad de los Sistemas de Planificación Avanzada (APS, por sus siglas en inglés) durante tres décadas en la mayoría de las grandes empresas. Los profesionales de la cadena de suministro vuelven a sus hojas de cálculo porque el APS les está fallando.

El caso específico de la precisión del pronóstico es interesante. Los profesionales no son capaces de superar la precisión del APS (excepto tal vez los verdaderamente disfuncionales). Este ha sido el caso durante décadas. Incluso en la década de 1990, los modelos paramétricos de series de tiempo ajustados razonablemente ya superaban a los humanos en términos de precisión. La renuencia de los profesionales de la cadena de suministro a abandonar sus hojas de cálculo no se puede explicar por su renuencia al cambio, no durante tres décadas.

Un problema de diseño fundamental está en los propios APS, como orientar todo el software en torno a las series de tiempo, lo cual no se ajusta al problema y ofrece una explicación mucho más simple y convincente. Sin embargo, esto nos deja con el problema de por qué tantas empresas adoptaron APS (frecuentemente, varios) si los APS ofrecen tan poco.

Esta situación contra intuitiva es un caso de efecto farola.

Las series de tiempo están fallando en las cadenas de suministro y, sin embargo, como es difícil pensar en cualquier otra cosa, los profesionales y sus gerentes frecuentemente tienen la opinión predeterminada de que la perspectiva de las series de tiempo es lo que realmente necesitan; a pesar de que su rutina diaria y las heurísticas implementadas en sus hojas de cálculo contradicen esta opinión. Además, las preocupaciones de visualización de datos tienden a confundirse con las preocupaciones de modelización de datos. No importa qué perspectiva de modelización se adopte, las series de tiempo son un mecanismo de visualización que probablemente permanecerá, de hecho, la visión humana es principalmente en 2D, y la mayoría de los asuntos de la cadena de suministro involucran el tiempo como una dimensión de interés. No es porque un enfoque sea bueno para la visualización que sus beneficios se aplicarán automáticamente a la modelización.

La forma más pura del paradigma de las series de tiempo en la cadena de suministro es probablemente el Flowcasting, que reifica toda la cadena de suministro como una colección de series de tiempo. Según las discusiones con los directores de la cadena de suministro, parece que el flowcasting ha fallado cada vez que se intentó. Poner las series de tiempo en primer plano fue claramente un factor agravante.

Hasta ahora, en esta publicación, no se ha propuesto ninguna alternativa a las series de tiempo y a la previsión de series de tiempo. Sin embargo, este es el meollo del efecto de la farola: una vez que sabes que no estás buscando en el lugar correcto, deberías buscar en otro lugar, sin importar lo oscuros que puedan ser esos otros lugares.

En mi serie de conferencias sobre cadena de suministro, iré introduciendo gradualmente elementos para ir más allá del paradigma de las series de tiempo. Estos elementos reflejan las direcciones que Lokad comenzó a tomar hace años. Sin embargo, invito a mis lectores a imaginar cómo podría ser su práctica de cadena de suministro si operaran más allá de las limitaciones del paradigma de las series de tiempo.