Más allá de las series de tiempo
Cuando todo lo que tienes es un martillo, todo se ve como un clavo. El martillo largamente favorecido por la comunidad de supply chain ha sido series de tiempo y, como resultado, en círculos de supply chain todos los problemas se ven como forecasts de series de tiempo. La tentación de martillar se ve agravada por la extensa bibliografía que existe sobre forecasting de series de tiempo más allá de los casos de uso de supply chain. No es solo el martillo que ya tenemos: también estamos en medio de un centro comercial entero lleno de martillos relucientes, de todas las formas, tamaños y colores.

Sin embargo, las series de tiempo son en gran medida inadecuadas para modelar razonablemente algo, salvo, quizás, las situaciones de supply chain más simples. Como resultado, los forecasts de series de tiempo, por muy precisos que sean, son rutinariamente derrotados por los aspectos mundanos de las supply chain. Sin embargo, ante estas situaciones, la reacción instintiva de la comunidad — las empresas que operan supply chain, sus software vendors, y los profesores que enseñan supply chain — es buscar forecasts precisos. Al fin y al cabo, ¿qué más podría haber salvo más precisos forecasts?
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 (aún) poder presentar 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 carentes de soluciones1 usualmente se descartan como irrelevantes. Desafortunadamente, a menos que empecemos por postular que podría existir una solución, ni siquiera podemos comenzar a buscar una.
Analicemos más de cerca la perspectiva de las series de tiempo y sus casos de uso en supply chain. Hasta ahora, he presentado tres personae de supply chain, respectivamente denominadas Paris, Miami y Amsterdam (seguirán más). Estas personae representan descripciones ficticias, pero realistas, de supply chain del mundo real. ¿Pueden las series de tiempo utilizarse para reflejar algo vagamente aproximado a la “demanda” en cualquiera de estas tres situaciones? Para cada una de estas tres situaciones, la respuesta es negativa:
- Paris, 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 al adoptar series de tiempo.
- Miami, un MRO de aviación, implica incidentes AOG (aircraft on ground), donde la falta de una pieza termina por dejar en tierra al avión entero. Tanto los AOG como la naturaleza cíclica de las reparaciones de piezas también se pierden al adoptar un forecast de series de tiempo.
- Amsterdam, una marca de queso, está rígidamente limitada tanto en el lado de la oferta como en el 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 supply chain están llenos de “ejemplos” que involucran análisis de series de tiempo y forecasts de series de tiempo. No obstante, la validez de estos ejemplos es motivo de preocupación. Estos ejemplos presentan empresas inespecíficas que producen y/o venden “algo”, sin ofrecer detalles específicos. Sin embargo, el diablo está en los detalles. Cada vez que comenzamos a descubrir la letra pequeña, como se hace en las personae de supply chain 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 estudiantes y profesores, pero que realmente no sirven para ningún uso en el mundo real.
La perspectiva de las series de tiempo es una de las causas fundamentales2 que explica el uso ubicuo de spreadsheets en las supply chain a pesar de la disponibilidad de Advanced Planning Systems (APS) durante tres décadas en la mayoría de las grandes empresas. Los profesionales de supply chain están recurriendo a sus spreadsheets porque el APS les está fallando.
El caso específico de la precisión en el forecast es interesante. Los profesionales no son capaces de superar en precisión al APS (excepto, tal vez, los verdaderamente disfuncionales). Así ha sido durante décadas. Incluso en la década de 1990, los modelos paramétricos de series de tiempo, razonablemente ajustados, ya superaban a los humanos en precisión. La renuencia de los profesionales de supply chain a abandonar sus spreadsheets no se puede explicar simplemente por su renuencia al cambio, al menos en más de tres décadas.
Un problema de diseño fundamental se encuentra en los propios APS, como al orientar todo el piece of software en torno a las series de tiempo, lo cual se ajusta de manera inadecuada al problema - ofrece una explicación mucho más simple y convincente. Sin embargo, esto nos deja con la pregunta de por qué tantas empresas adoptaron APS (frecuentemente, varias) si el APS ofrece tan poco.
Esta situación contraintuitiva es un caso del efecto farola.
Las series de tiempo están fallando a las supply chain y, sin embargo, dado que es difícil pensar en otra cosa, los profesionales y su dirección frecuentemente mantienen la opinión por defecto 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 spreadsheets contradicen esta opinión. Además, las preocupaciones en visualización de datos tienden a confluirse con las de modelización de datos. No importa qué perspectiva de modelización se adopte, las series de tiempo son un mecanismo de visualización que probablemente permanecerá, ya que la visión humana es mayormente 2D, y la mayoría de los asuntos de supply chain involucran el tiempo como una dimensión de interés. No es porque un enfoque sea bueno para la visualización que sus beneficios se apliquen automáticamente a la modelización.
La forma más pura de supply chain del paradigma de las series de tiempo es probablemente Flowcasting, que reifica toda la supply chain como una colección de series de tiempo. Basándonos en conversaciones con directores de supply chain, parece que el flowcasting ha fracasado cada vez que se ha intentado. Poner las series de tiempo en el centro era claramente un factor agravante.
Hasta ahora, en este post, no se ha propuesto ninguna alternativa a las series de tiempo y al forecasting de series de tiempo. Sin embargo, esta es la esencia del efecto farola: una vez que sabes que no estás buscando en el lugar correcto, deberías estar buscando en otro lado, sin importar qué tan oscuros puedan ser esos otros lugares.
En mi serie de conferencias de supply chain, iré introduciendo gradualmente elementos para ir más allá del paradigma de las series de tiempo. Estos elementos reflejan direcciones que Lokad comenzó a tomar hace años. Sin embargo, invito a mis lectores a intentar imaginar cómo podría ser su práctica de supply chain si operaran más allá de las limitaciones del paradigma de las series de tiempo.
-
A principios de la década de 1990, las empresas de venta por catálogo disponían de toda la infraestructura de supply chain necesaria para convertirse en gigantes del ecommerce. Sin embargo, el catálogo de venta por correo — la solución para crear conciencia de oferta entre los consumidores — había existido tanto tiempo que esos actores casi habían perdido de vista el problema que intentaban resolver: vender a distancia. Los nuevos entrantes en ecommerce se convirtieron en líderes del mercado, a pesar de que inicialmente tenían muy poca ventaja competitiva, especialmente en lo que respecta a sus infraestructuras de supply chain. ↩︎
-
Otra causa raíz importante, además de las series de tiempo, es la perspectiva determinista adoptada por los APS. Se asume que el futuro es perfectamente conocido, sin dejar lugar a la incertidumbre. Sin embargo, la incertidumbre es irreducible y debe abordarse de frente. Lokad lo hace mediante forecasting probabilístico, sin embargo, esta preocupación es en gran medida ortogonal a la cuestión de las series de tiempo. ↩︎