Analizando el cambio climático como un planificador de la cadena de suministro

Joannes Vermorel

Transcripción de la charla impartida por Joannes Vermorel en la Ecole polytechnique de Palaiseau (Francia) el viernes 3 de junio para el simposio Inteligencia Artificial, Digital y Cambio Climático. El simposio fue organizado por Sylvain Le Corff, profesor en Telecom Sud Paris, y Eric Moulines, profesor en la Ecole polytechnique y miembro electo de la Académie des sciences.

Mi competencia se encuentra en la ciencia de la cadena de suministro y en la analítica predictiva de la cadena de suministro. La cadena de suministro es, en pocas palabras, el vínculo entre la producción y el consumo: se deben adquirir, transportar, transformar y distribuir materiales. De eso se trata la cadena de suministro. Debo confesar de inmediato que es poco probable que la ciencia de la cadena de suministro sea el futuro de la climatología.

Sin embargo, las cadenas de suministro modernas ya están aprovechando técnicas de pronóstico automatizadas a gran escala. Esto es exactamente lo que mi empresa, Lokad, ha estado haciendo durante más de una década.

Durante esta década, he aprendido una serie de lecciones críticas cuando se trata del uso de técnicas predictivas, típicamente algoritmos de aprendizaje automático, en entornos del mundo real. La lección más importante es que es mejor estar aproximadamente en lo correcto que exactamente equivocado. Sin embargo, cuando miro a mi alrededor, veo toneladas de esfuerzos de ciencia de datos profundamente equivocados.

El aspecto más insidioso de “analizar los datos” es que los algoritmos, o la tecnología, pueden dar una ilusión de racionalidad, una ilusión de ciencia. Sin embargo, con demasiada frecuencia, esos esfuerzos equivocados de análisis de datos arrojan conclusiones que no son mejores que la astrología. Ningún algoritmo te salvará si abordas un problema de la manera equivocada.

Para comprender cómo el modelado predictivo para la cadena de suministro puede brindarnos lecciones valiosas para pronosticar el cambio climático, permítanme señalar que el clima y los mercados globales tienen mucho en común. En ambos casos, nuestro estilo de vida está en juego. En ambos casos, tenemos sistemas complejos que no se comprenden completamente. En ambos casos, cada participante tiene un impacto en el sistema, pero es un impacto pequeño. En conjunto, una serie de pequeños impactos pueden generar un gran impacto. Sin embargo, los participantes tienen incentivos propios y, como tal, nada es simple.

Por lo tanto, voy a evaluar, al estilo de la cadena de suministro, la evolución del clima desde la perspectiva metropolitana francesa, al igual que una empresa utiliza sus propias cuotas de mercado para evaluar el mercado.

Las cadenas de suministro me enseñaron que el costo siempre se encuentra en los extremos. Los excesos pequeños de producción y las faltantes menores suelen ser triviales de solucionar; son los grandes los que condenan a las empresas. Por lo tanto, al pronosticar el cambio climático, como planificador de la cadena de suministro, no me interesan las pequeñas variaciones. Francia tiene un clima templado; y recuerden que aquí estoy adoptando una perspectiva centrada en Francia.

Francia tendría poco o ningún problema para adaptarse a temperaturas dos grados más altas o más bajas en promedio. De manera similar, podríamos tener un 10% más de viento, o menos viento, o un 10% más de lluvia o menos lluvia, casi no haría ninguna diferencia. Permítanme aclarar de inmediato que no estoy diciendo que no habría ningún impacto. Simplemente estoy señalando que otros países, como Dinamarca o Italia, no tienen problemas a largo plazo asociados con climas más fríos o más cálidos, mientras mantienen un estilo de vida que, para todos los efectos, es casi idéntico al que disfrutamos en Francia. A medida que el clima cambia, se producirían ajustes en una serie de áreas que van desde la elección de cultivos para la agricultura hasta el grosor de las capas de aislamiento térmico en los edificios. Sin embargo, esas evoluciones son modestas en comparación con otras fuentes de cambio que afectan a Francia.

Por lo tanto, como planificador de la cadena de suministro, son los extremos climáticos los que captan mi interés. Para evaluar lo que se puede esperar, debemos analizar los extremos históricos. De hecho, los extremos futuros siempre deben estimarse como mayores que los extremos pasados. Esto es cierto para los mercados y muy probablemente cierto para el clima. Por lo tanto, echemos un vistazo a lo que nos dice la historia de Francia.

Verano de 1636¹, es el año en que Corneille escribió Le Cid, pero también el año de un verano terriblemente caluroso. Las temperaturas subieron a 39°C en París durante semanas. En un verano, hubo 500,000 muertes, en su mayoría bebés y niños pequeños. La causa principal de muerte fue el agua contaminada y enfermedades como la disentería. El número de muertos, en relación con la población francesa en ese momento, es comparable al de la Primera Guerra Mundial, que duró un poco más de 4 años.

Por lo tanto, una temperatura sostenida de 39°C durante todo el verano, para toda Francia, debería ser la base de lo que debemos estar preparados. Casi no hay modelado climático involucrado en esta propuesta: es una lectura directa de la historia reciente del clima francés. Si sucedió hace 4 siglos, mi propuesta es simplemente que podría volver a suceder el próximo verano.

Naturalmente, en los últimos 2 siglos, la ciencia médica y el saneamiento han eliminado prácticamente la disentería en Francia. Sin embargo, ¿significa esto que podemos pasar por veranos calurosos sin ningún problema? Si juzgamos por los eventos recientes del verano de 2003 en Francia, los veranos calurosos todavía presentan riesgos graves. La ola de calor de 2003 apenas duró 2 semanas, alcanzando los 39°C en París, y causó 15,000 muertes en Francia², principalmente entre las personas mayores. Sin embargo, en los años siguientes, la tasa de equipos de aire acondicionado en los hogares en Francia pasó del 4% en 2005³ al 25% en 2020⁴.

Aquí, estamos tocando un aspecto crítico de la previsión de los asuntos humanos: las personas observan y se adaptan. Esto no siempre impacta negativamente en la precisión de pronóstico - aunque con frecuencia lo hace - pero la ingeniosidad humana casi siempre contribuye a hacer que los pronósticos a largo plazo sean irrelevantes. De hecho, recuerde que un pronóstico, cualquier pronóstico, es ante todo una elección de modelo. El modelo define el campo de batalla: lo que se va a pronosticar. Un pronóstico puede ser muy preciso y, sin embargo, completamente irrelevante. Este es un peligro al que se enfrenta cada empresa que opera una cadena de suministro: los mercados están cambiando en su naturaleza, no solo creciendo o disminuyendo.

Volviendo a nuestros extremos climáticos, echemos ahora un vistazo al gran invierno de 1709. Durante el mes de enero de 1709⁵, las temperaturas bajaron a -20°C en París; esto es como un invierno frío en la ciudad de Quebec. El río Sena está completamente congelado al igual que los otros grandes ríos de Francia. En 11 días, Francia pierde 100,000 personas debido a la ola de frío. En total, el invierno se cobra 600,000 vidas, en su mayoría familias pobres. Nuevamente, esas pérdidas son comparables con el impacto total de la Primera Guerra Mundial en Francia, excepto que, una vez más, el desastre ocurre en cuestión de semanas, en lugar de años. Este invierno fue parte de un período conocido como la Pequeña Edad de Hielo en Europa, que duró desde mediados del siglo XIII hasta mediados del siglo XIX.

Si bien puede sorprender a esta audiencia que el río Sena esté completamente congelado en París, vale la pena señalar que la latitud norte de París es de 49°, mientras que la latitud de la ciudad de Quebec es solo de 47°. Entonces, geográficamente, París está más al norte que la ciudad de Quebec.

En cualquier caso, en los últimos siglos, el río Sena se ha congelado completamente muchas veces. Es una cuestión de historia, sin intervención de modelos climáticos. Si tal invierno ocurrió hace 3 siglos, mi propuesta es que podría volver a ocurrir el próximo invierno.

Por lo tanto, consideremos los problemas que surgirían en Francia si sufriéramos un invierno canadiense como los que ocurrieron en el pasado.

El primer problema que se me ocurre es: el agua. En Francia, las tuberías de agua suelen estar enterradas a 80 cm de profundidad, pero en la ciudad de Quebec, están a 130 cm y por buenas razones. A 80 cm, las tuberías se congelan y se rompen en Quebec. Por lo tanto, una gran ola de frío en Francia probablemente destruiría una parte considerable de nuestra infraestructura de distribución de agua.

Además, el transporte se vería gravemente afectado. Los camiones canadienses utilizan calentadores de bloque porque el diésel se congela a -10°C. No tengo estadísticas sobre la prevalencia de calentadores de bloque en los camiones en Francia, pero parece que la tasa de equipamiento es muy limitada. Teniendo en cuenta que más del 98% de los vehículos profesionales funcionan con diésel, es razonable suponer que casi todos esos vehículos serían inoperables durante una gran ola de frío.

Por último, es probable que la red eléctrica también sufra graves apagones. En 2012⁶, que fue un invierno frío, Francia importaba hasta un 9% de su electricidad de Alemania. La parte de la energía que se puede apagar a voluntad, principalmente con grandes empresas industriales, solo representa aproximadamente una reducción del 1% de la energía. Un corte controlado de energía representa aproximadamente un 3% adicional de reducción de energía. Más allá de este punto, la única opción que le queda a la red eléctrica es cortar partes de la red.

Esos problemas no son teóricos. Resulta que cuando discutí el caso de los grandes inviernos con mi padre, esos problemas son exactamente lo que sucedió en Saint Etienne en 1956.

1956 fue el invierno más frío del siglo XX en Francia. En Saint Etienne, la red eléctrica colapsó. Las tuberías de agua se rompieron. Los vehículos dejaron de funcionar. En el sur, incluso el puerto marítimo de Marsella se congeló por completo.

Las familias pasaron días sin agua, comida o calefacción. Una inspección superficial de las estadísticas de muertes del INSEE para febrero de 1956⁷ indica alrededor de 15000 muertes en exceso en comparación con los años anteriores.

Este duro invierno de 1956 ocurrió en una sociedad de posguerra que aún dependía poco de los electrodomésticos eléctricos. Además, esta sociedad aún utilizaba ampliamente la calefacción a leña, que no depende de la red eléctrica. No tengo dudas de que el mismo invierno en Europa hoy tendría consecuencias mucho más graves.

Volviendo a nuestra discusión sobre la previsión del clima, está claro, en este punto, que no son las temperaturas futuras las que realmente importan, sino las consecuencias de esas temperaturas. Lo mismo podría decirse de todas las demás variables climáticas: viento, lluvia, etc.

Si el primer error de previsión de “ciencia de datos” es centrarse en los promedios en lugar de centrarse en los extremos; entonces, el segundo error de previsión es confundir los artefactos numéricos con las consecuencias del mundo real. En la cadena de suministro, esta idea se resume como los porcentajes de error de previsión no importan, solo importan los dólares de error.

De hecho, las previsiones son artefactos numéricos que se diseñan para respaldar decisiones. La calidad de esas previsiones depende en gran medida de su adecuación para alcanzar mejores decisiones en última instancia.

Evaluar la calidad de las previsiones basándose únicamente en indicadores estadísticos arbitrarios indicators como el error absoluto medio (MAE), el error cuadrático medio (MSE) o el error porcentual absoluto medio (MAPE), que están completamente desconectados de las consecuencias del mundo real, es probablemente uno de los errores más comunes que observo entre mis colegas científicos de datos.

Personalmente, me refiero a esas previsiones como previsiones desnudas. Las previsiones desnudas son como lo opuesto a las profecías míticas. Esas previsiones reciben mucha más atención de la que deberían, y cuando las personas prestan atención a esas previsiones, solo empeoran la situación.

Para entender por qué las previsiones desnudas están equivocadas, uno tiene que darse cuenta de que, en la cadena de suministro, y sospecho que también en el clima, es fácil generar previsiones que sean extremadamente precisas y extremadamente estúpidas al mismo tiempo.

De hecho, consideremos un minimercado con reabastecimientos diarios. Para casi todos los productos del minimercado, la previsión de ventas diarias más precisa es cero unidades. De hecho, la mayoría de los productos, en un minimercado, ni siquiera se venden una vez al día en promedio. Por lo tanto, una previsión de ventas cero suele ser la previsión diaria más precisa considerando el error absoluto medio.

Entonces, si se toma una previsión de ventas cero como entrada, la tienda no repondrá nada. De hecho, cero ventas proyectadas significa cero unidades para reponer. Bastante pronto, todos los estantes del minimercado están vacíos y, por lo tanto, tenemos ventas efectivamente cero, lo que hace que este modelo de previsión de cero ventas sea 100% preciso. Mientras tanto, el minimercado se declara en bancarrota.

Esta situación ocurre en la vida real (con soluciones de software empresarial que compiten con Lokad). Se llama un problema de congelación de inventario. Para solucionarlo, el modelo debe prever la demanda en lugar de prever las ventas; sin embargo, esto es difícil, porque se observan las ventas mientras que la demanda no.

Más en general, las métricas estadísticas de previsión dan la ilusión de la ciencia: He diseñado un modelo de previsión que es un 1% más preciso, por lo tanto, mi modelo es demostrablemente mejor. Sin embargo, esto suele no ser el caso, y ni siquiera estoy hablando de sobreajuste. El problema que estoy señalando es que perseguir una métrica estadística inevitablemente empeora el modelo. El modelo de previsión se vuelve exactamente incorrecto mientras solía ser aproximadamente correcto.

No soy un experto en clima, pero desde mi punto de vista de la cadena de suministro, en los medios de comunicación, la prensa pero también las redes sociales, veo una abundancia de previsiones climáticas desnudas: previsiones que no están vinculadas a ningún proceso práctico de toma de decisiones. No estoy cuestionando la precisión de esas previsiones; este es un debate para los climatólogos. Sin embargo, mi experiencia en la cadena de suministro me dice que tratar de inferir cualquier tipo de decisiones del mundo real basadas en esas previsiones desnudas es una receta para consecuencias no deseadas, que generalmente desperdician toneladas de recursos en el proceso y frecuentemente logran lo contrario de lo que se pretendía originalmente.

Una buena previsión comienza con un problema que debe abordarse. Una vez que el problema está adecuadamente caracterizado, avanzamos hacia atrás identificando los datos y las recetas numéricas que son adecuadas para respaldar cualquier decisión en juego.

Por el contrario, una mala previsión comienza con un conjunto de datos que resulta estar disponible por suerte y con un científico de datos que está ansioso por probar el último artículo de aprendizaje automático sobre este mismo conjunto de datos, posiblemente escrito por el propio científico de datos.

Por lo tanto, mi conclusión, que se aplica tanto a la cadena de suministro como al clima, es que si quieres distinguir entre las buenas previsiones y las malas previsiones, comienza por rechazar de inmediato las previsiones desnudas. Nada bueno proviene de esas previsiones. Luego, asegúrate de que las previsiones sean aproximadamente correctas, en lugar de ser exactamente incorrectas. Y finalmente, busca la proximidad de esas previsiones a las decisiones del mundo real. Si las personas que hacen las previsiones no tienen que vivir las consecuencias de esas previsiones, entonces tu posición predeterminada debería ser de profundo escepticismo.