Cuando la Investigación de Operaciones se Encuentra con la supply chain Real
La mayoría de las personas que escuchan que trabajo en “Supply Chain Quantitativa” asumen que me dedico a la investigación de operaciones. En cierto sentido, tienen razón: me importan profundamente los modelos matemáticos, la optimización y el uso de datos para apoyar las decisiones. Sin embargo, durante las últimas dos décadas, trabajando con empresas que van desde la moda hasta la industria aeroespacial, me he distanciado bastante de lo que hoy es la cultura dominante de la investigación de operaciones.
En mi reciente libro Introduction to Supply Chain, intenté reunir en un solo lugar la manera en que ahora pienso sobre los flujos de bienes, la incertidumbre y las decisiones. Este ensayo es un compañero más enfocado: me gustaría explicar cómo evolucionó mi perspectiva, por qué veo la supply chain primero como economía aplicada en lugar de matemáticas aplicadas, y dónde siento que la investigación de operaciones actual tanto ayuda como engaña a los profesionales.
Lo que prometía la investigación de operaciones
Históricamente, la investigación de operaciones tuvo una misión maravillosamente pragmática. Durante la Segunda Guerra Mundial, científicos e ingenieros se reunieron en equipos ad hoc para ayudar a los operadores de radar, planificadores de convoyes y comandantes de bombarderos a tomar mejores decisiones. El temprano libro de texto de Morse y Kimball definió el campo como “un método científico para proporcionar a los departamentos ejecutivos una base cuantitativa para las decisiones respecto a las operaciones bajo su control.” Las palabras importantes aquí son “operaciones” y “decisiones.” El objetivo no era demostrar teoremas; era cambiar lo que efectivamente hacían las flotas y las fábricas el lunes por la mañana.
Este espíritu sobrevivió hasta las primeras décadas de la posguerra. La investigación de operaciones todavía se describía como un enfoque científico y cuantitativo para la toma de decisiones, donde construimos modelos de situaciones reales y los usamos para guiar la acción. Resúmenes modernos de organizaciones como IFORS aún enfatizan esta visión: la investigación de operaciones aplica análisis de datos, modelado matemático y optimización para ayudar a los gerentes a elegir entre alternativas. En teoría, esto es casi exactamente lo que quiero para la supply chain.
Pero la forma en que estas ideas generalmente se traducen en la práctica hoy en día se siente muy diferente.
Cómo se ve el enfoque dominante desde el escritorio de un operador de supply chain
Cuando me encuentro con personas capacitadas en investigación de operaciones, normalmente concordamos en la gramática de un problema. Hay decisiones que tomar (qué comprar, producir, trasladar, fijar precios), restricciones que respetar (capacidad, regulaciones, tiempos de entrega) y un objetivo a optimizar. En los libros de texto y en muchos compromisos de consultoría, esto se convierte en un patrón familiar: definir variables de decisión, escribir las restricciones, elegir un objetivo y alimentar todo a un solver de propósito general. La programación lineal y la programación entera mixta son las herramientas centrales; las simulaciones y heurísticos orbitan a su alrededor.
No hay nada intrínsecamente malo en este patrón. Brilla en problemas como el diseño de redes o la planificación estratégica de la capacidad, donde realmente se quiere elegir una configuración una vez y vivir con ella durante años. También tiene sentido en entornos industriales con restricciones muy ajustadas, donde la física real se entiende bien y la incertidumbre es modesta.
El problema comienza cuando esta misma forma de pensar se traslada, casi sin cambios, a supply chains altamente dinámicas e inciertas: e‑commerce, moda, repuestos, electrónica de consumo, comestibles. En esos entornos, rutinariamente veo tres fallos.
Primero, la función objetivo rara vez se expresa en dinero. Optimizamos el costo sujeto a un nivel de servicio objetivo, o maximizamos una puntuación de servicio condicionado a la capacidad, o minimizamos el forecast error como si eso fuera valioso por sí mismo. Lo que a menudo falta es un único libro contable monetario donde los faltante de stock, el overstock, el manejo, el capital y todos los demás dolores y ganancias se expresen en unidades comparables. Sin tal libro, la gente discute sobre las compensaciones para siempre, pero nadie puede realmente arbitrar entre ellas.
Segundo, la incertidumbre se maneja como algo secundario. Los forecast se producen como números únicos, y cualquier reconocimiento de la variabilidad se incorpora en factores de seguridad o buffers elegidos más por hábito que por calibración. Sin embargo, en la mayoría de las empresas que veo, la ganancia o pérdida de una temporada se determina por eventos relativamente raros: una tendencia inusualmente fuerte, una huelga en un proveedor clave, un periodo de mal tiempo en el momento inadecuado. Colapsar la incertidumbre en un único valor de “más probable” y en una delgada capa de seguridad es una manera cortés de pretender que esta realidad no existe.
Tercero, el tiempo se trata como un horizonte de planificación en lugar de como una secuencia de oportunidades para reconsiderar. Elaboramos un plan mensual o trimestral, ejecutamos una gran optimización durante la noche, y luego tratamos el resultado como un guion a seguir. El hecho de que mañana por la mañana sabremos más de lo que sabemos hoy, y de que en principio podríamos re‑optimizar, se reconoce pero no se explota sistemáticamente.
Desde lejos, todo esto todavía parece investigación de operaciones. Desde la perspectiva de un operador de supply chain, se siente extrañamente desconectado de los problemas que realmente generan o pierden dinero.
Por qué marco la supply chain como economía aplicada
Mi propia formación es en matemáticas e informática, y durante muchos años intenté abordar problemas de supply chain con el conjunto de herramientas estándar: forecast, stocks de seguridad, minimización de costos, restricciones de servicio, algoritmos ingeniosos. Gradualmente, cliente tras cliente, se hizo evidente que estaba resolviendo el problema equivocado.
Lo que realmente enfrentan los profesionales de supply chain no es la falta de modelos; es la falta de una perspectiva económica clara. Se encuentran con recursos que son escasos y versátiles: inventario que puede ir a muchos lugares, máquinas que pueden producir muchas cosas, transporte que puede servir a múltiples canales. Cada día se enfrentan a más acciones posibles de las que pueden enumerar. Operan bajo una incertidumbre profunda, especialmente en lo que respecta a la demanda y los tiempos de entrega. Y, al final, se les juzga en unidades de moneda.
Una vez que aceptas esto, la supply chain empieza a parecerse mucho menos a una rama de las matemáticas aplicadas y mucho más a una rama de la economía aplicada. La pregunta central se convierte en: dado lo que sabemos y lo que razonablemente podemos esperar, ¿qué acciones de hoy son propensas a crear más valor económico del que destruyen?
Esta visión tiene consecuencias prácticas.
Intento expresar cada compensación importante en términos monetarios, incluso si los precios son aproximados al principio. El dolor de las ventas perdidas, el costo de la obsolescencia, el valor de la frescura, la carga del capital de trabajo, la molestia de la congestión en un muelle: todos estos pueden traducirse en precios por unidad o por tiempo. Una vez que están en una única escala, podemos dejar que las matemáticas hagan su trabajo y clasifiquen las decisiones candidatas según la contribución esperada.
También insisto en modelar la incertidumbre de forma explícita donde sea que importe. En lugar de tratar la demanda como un forecast puntual más un factor de seguridad, quiero una distribución completa sobre los posibles resultados futuros. Lo mismo ocurre con los tiempos de entrega, las devoluciones, la fiabilidad del proveedor, y a veces incluso los precios. Esto no necesita ser esotérico. Los modelos probabilísticos simples y bien calibrados ya cambian las decisiones de manera dramática, porque nos permiten ver dónde se ubican las colas de la distribución – los escenarios más raros pero costosos.
Finalmente, considero las decisiones de supply chain como apuestas repetidas en lugar de planes únicos. Cada día llega nueva información: ventas, retrasos, interrupciones, oportunidades. La pregunta correcta no es “¿Cuál es el plan óptimo para el próximo trimestre?” sino “Dado lo que sabemos ahora mismo, y dada una visión razonable de cómo podría desarrollarse el futuro, ¿qué compromisos deberíamos asumir hoy y cuáles deberíamos posponer hasta saber más?” La capacidad de decir “todavía no” y dejar los recursos sin comprometer es, en sí misma, una opción valiosa.
Una vez que la supply chain se plantea de esta manera, la investigación de operaciones sigue presente, pero en un rol diferente.
De los solvers a los motores de decisión
La investigación de operaciones dominante a menudo toma el solver como el centro de gravedad. Formulamos un programa matemático, lo enviamos a un solver de propósito general, y juzgamos nuestro éxito en parte por el tamaño y la complejidad de los casos que podemos abordar. Cuanto más intrincadas son las restricciones y más sofisticado el algoritmo, más exitosos nos sentimos.
En mi trabajo diario, encuentro más fructífero tratar el solver como un componente en un “motor de decisión” más grande. Este motor tiene varias responsabilidades.
Debe absorber datos empresariales desordenados e inconsistentes y convertirlos en una visión coherente del mundo: qué productos existen, dónde se encuentran, cómo son los tiempos de entrega, cuáles son los compromisos actuales. Debe producir vistas probabilísticas de las incertidumbres relevantes: demanda, oferta, devoluciones, tiempos de transporte. Debe mantener un libro contable monetario de todos los costos y beneficios importantes, con una asignación clara de propiedad para cada precio. Y debe generar decisiones concretas y legibles por máquina: órdenes de compra, transferencias, órdenes de producción, cambios de precios.
Dentro de este motor, utilizamos absolutamente algoritmos de optimización, incluidos los clásicos. Pero ya no son el héroe de la historia. Igualmente importantes son las decisiones sobre qué fijar de precio, qué tratar como una restricción dura, qué tratar como una penalización suave, con qué frecuencia recalcular, cómo atribuir las consecuencias de las decisiones a lo largo del tiempo y cuándo negarse a actuar porque la incertidumbre es demasiado grande.
Visto de esta manera, las interesantes preguntas de diseño se acercan más a la economía y a la arquitectura de software que a la pura algorítmica. ¿Cómo aseguramos que cada compensación importante dentro del sistema se exprese en dinero? ¿Cómo nos aseguramos de que el motor pueda ser falsado por la experiencia, de que las malas decisiones sean rastreables hasta las suposiciones que podemos examinar y revisar? ¿Cómo hacemos que sea barato realizar experimentos – motores retadores contra los incumbentes – para que podamos aprender lo que realmente funciona en un negocio dado?
Estas no son preguntas que la investigación de operaciones ignore, pero no son centrales en la forma en que las instituciones del campo se presentan hoy en día.
Un desacuerdo constructivo: decisiones secuenciales
En los últimos años, Warren Powell ha estado defendiendo la “Sequential Decision Analytics”, un marco que intenta unificar las múltiples corrientes de la optimización estocástica, el aprendizaje por refuerzo y la teoría del control bajo un mismo paraguas para las decisiones a lo largo del tiempo. He escrito por separado acerca de dónde estoy de acuerdo con este enfoque y dónde discrepo.
En términos generales, compartimos la convicción de que la mayoría de los problemas empresariales interesantes son secuenciales: tomas una decisión, el mundo avanza, observas y luego decides de nuevo. En lo que difiero es en mi énfasis en el pricing (valoraciones) como la herramienta principal para comprimir el futuro en algo manejable.
En supply chain, a menudo puedes “comprar” la complejidad de las consecuencias a largo plazo eligiendo hoy los shadow prices apropiados. Por ejemplo, si atender a un cliente hoy agota el inventario que podría ser más valioso para otro cliente mañana, esa tensión debería aparecer como un precio por mantener el inventario o por consumirlo, y no como un gigantesco árbol de escenarios extendiéndose por meses. Por supuesto, esos precios son imperfectos. Pero la disciplina de expresarlos en dinero fomenta conversaciones útiles: ¿quién está dispuesto a aceptar qué compensación y por qué?
La sequential decision analytics, tal como yo la entiendo, tiende a comenzar con un modelo rico de estados, acciones, transiciones y objetivos, y luego busca políticas dentro de esa estructura. Mi práctica comienza un paso antes: con un argumento sobre qué debería tener precio, qué debería dejarse como una restricción real y cuánto tiempo mantendremos una decisión determinada como responsable de sus consecuencias. Una vez que se toman estas decisiones, la naturaleza secuencial del problema a menudo se vuelve mucho más manejable.
No veo esto como un rechazo al marco más amplio, sino como una postura particular, impulsada por la supply chain, dentro de él.
Dónde deja esto a la investigación de operaciones
Desde afuera, puede parecer que estoy en contra de la investigación de operaciones. No lo estoy. Todavía veo un valor enorme en su caja de herramientas y en su ambición histórica de apoyar decisiones reales. Simplemente creo que, en muchos contextos de supply chain, el campo se ha vuelto excesivamente apegado a modelos que son demasiado deterministas, demasiado estáticos y demasiado desconectados de la economía real de los negocios a los que se supone que deben ayudar.
Si regresamos a la aspiración original – proporcionar una base cuantitativa para las decisiones sobre operaciones – entonces creo que debemos hacer tres cosas de manera diferente.
Debemos tratar el dinero, no a KPIs abstractos, como el lenguaje principal de las compensaciones. Debemos tomar la incertidumbre en serio, no como un término de error, sino como un insumo de primera clase. Y debemos aceptar que la mayoría de nuestros problemas interesantes no son optimizaciones de una sola vez, sino secuencias continuas de apuestas, donde la capacidad de reconsiderar y adaptarse es tan importante como cualquier solución única que compute hoy.
En ese sentido, mi trabajo no es una escapatoria de la investigación de operaciones, sino un intento de reconectarla con la realidad caótica, incierta y profundamente económica de las supply chain modernas.
