Probabilidades, No Escenarios
El supply chain a menudo se describe como el arte de equilibrar la demanda y la oferta. Yo lo veo de forma más cruda: cada orden de compra, cada lote de producción, cada cambio de precio es una apuesta sobre un futuro que no controlamos. Comprometemos inventario, capacidad, efectivo y atención hoy, con la esperanza de que el mundo del mañana recompense esos compromisos en lugar de castigarlos.
Porque estas decisiones son apuestas, la forma en que pensamos en el futuro no es un asunto secundario. Es el núcleo de la disciplina. En mi libro Introduction to Supply Chain, sostengo que la idea no es preservar la armonía alrededor de un plan, sino comprometer recursos donde el retorno esperado, ajustado por riesgo, sea el más alto bajo incertidumbre. Todo lo demás es decoración.
Sin embargo, la mayor parte del mundo del supply chain sigue funcionando con una lógica de planificación que trata el futuro como un puñado de “escenarios” cuidadosamente guionizados. Mi propia visión, formada a lo largo de casi dos décadas en Lokad, es que esta mentalidad centrada en escenarios no solo es subóptima, sino que está estructuralmente en desacuerdo con lo que realmente es un supply chain. Los supply chain viven en espacios de probabilidad, no en storyboards.
En este ensayo quiero explicar por qué creo que el forecast probabilístico es el lenguaje natural del supply chain, y por qué el enfoque dominante centrado en escenarios –especialmente tal como se refleja en muchos procesos de IBP y S&OP– no puede ser adaptado para ser algo adecuado. Tiene que ser reemplazado.
Cómo el mainstream enmarca el futuro
Si observas cómo planifican hoy en día las grandes empresas, el patrón es notablemente consistente entre industrias y proveedores de software.
Normalmente hay un forecast base, a menudo una única serie temporal por familia de productos o región, generado por un módulo de planificación de demanda. Alrededor de este forecast, los procesos de Integrated Business Planning (IBP) orquestan un ritual mensual o trimestral en el que ventas, operaciones y finanzas negocian un plan de “consenso” o “único”. Suites de software como SAP Integrated Business Planning presentan explícitamente la planificación de escenarios y las simulaciones de what‑if como capacidades centrales: se alienta a los planificadores a ejecutar escenarios alternativos de demanda o de oferta, compararlos en tableros, y seleccionar aquel que consideren más apropiado.
Conceptualmente, el futuro existe como un pequeño conjunto de mundos nombrados: caso base, caso optimista, caso pesimista, tal vez un escenario de disrupción o dos para colmo. Los forecast dentro de esos mundos son deterministas; la incertidumbre se maneja de forma implícita mediante objetivos de nivel de servicio, fórmulas de safety-stock y cierto criterio. Una vez elegido el escenario favorecido, se espera que la organización se alinee a él y mida la adherencia con los KPIs familiares.
El proceso se siente estructurado y colaborativo. Produce planes que pueden ser explicados en PowerPoint. Satisface el comprensible deseo humano de contarnos una historia sobre el mañana.
Pero es una forma pobre de pensar en un sistema que produce, mueve y fija precios a millones de unidades bajo una variabilidad implacable.
La incertidumbre irreducible de los supply chain
En la manufactura, a menudo es posible comprar la estabilidad. Invierte en mejores máquinas, tolerancias más ajustadas, más sensores, y las tasas de defectos disminuyen. La aleatoriedad se reduce.
Los supply chain no ofrecen este confort. La incertidumbre que importa reside en el comportamiento humano y en la política: cambios en la demanda, movimientos de la competencia, promociones, cambios de precio, faltante de stock aguas arriba, huelgas, sorpresas regulatorias. Puedes mejorar tus datos y tus modelos, y absolutamente deberías, pero nunca comprarás un futuro determinista.
Si aceptas esto, lleva naturalmente a una pregunta diferente. En lugar de preguntar, “¿Cuál es nuestro plan para el próximo trimestre?”, comienzas a preguntar, “Dado todo lo que sabemos hoy, ¿cómo es probable que se distribuya el futuro, y cómo deberíamos apostar?”
Aquí es donde entra el forecast probabilístico.
Lo que realmente es el forecast probabilístico
El forecast probabilístico a menudo se malinterpreta como una manera sofisticada de trazar intervalos de confianza alrededor de un forecast tradicional. Ese no es el punto.
Para un supply chain, un forecast probabilístico asigna probabilidades a todos los resultados que importan: cuántas unidades podríamos vender la próxima semana, cuánto tiempo podría tardar realmente un proveedor en entregar, qué tan probable es que un producto sea devuelto, con qué frecuencia podría fallar una máquina clave. En lugar de un solo número predicho para la demanda y un lead time “promedio”, obtenemos distribuciones completas de probabilidad para ambos.
Esta perspectiva no es nueva en estadística, pero es un cambio paradigmático genuino para la práctica del supply chain. En conferencias y entrevistas he descrito el forecast probabilístico como uno de los cambios más importantes en más de un siglo de la ciencia del forecast, no porque las matemáticas sean exóticas, sino porque nos permite finalmente conectar el forecast con la toma de decisiones de manera sensata.
Una vez que tenemos distribuciones en lugar de números individuales, podemos hacer algo que la planificación de escenarios no puede: podemos evaluar una decisión a través de todos los futuros plausibles de una vez.
Decisiones como apuestas económicas sobre distribuciones
Considera un ejemplo muy simple. Estás decidiendo cuánta cantidad de un producto ordenar para el próximo mes.
Si te basas en un único forecast, obtienes un número – por ejemplo, 1,000 unidades – y añades algo de safety stock por si acaso. También podrías revisar un par de escenarios: ¿qué pasaría si la demanda fuera 20% mayor, o si un proveedor llegara tarde? Cada escenario se siente como un mundo diferente. Ajustas la cantidad pedida hacia arriba o hacia abajo, negocias, y finalmente eliges un número.
Si te basas en forecasts probabilísticos, la lógica es diferente. Tienes una distribución para la demanda; quizás exista una modesta probabilidad de que las ventas sean extremadamente altas, y una probabilidad no trivial de que sean muy bajas. Tienes una distribución para el lead time; algunas entregas son puntuales, otras no. Tienes cantidades económicas asociadas a los resultados: el margen que obtienes si vendes, la penalización (explícita o implícita) si ocurre un faltante de stock, el costo de capital inmovilizado en el inventario, el riesgo de obsolescencia.
Ahora puedes calcular el resultado económico esperado de ordenar 800 unidades, 900 unidades, 1,000 unidades, y así sucesivamente. Cada cantidad de orden se convierte en una apuesta cuyo rendimiento se evalúa a través de todo el espacio de probabilidad, no solo en unos pocos escenarios seleccionados a mano. Puedes favorecer decisiones que tengan un buen desempeño en promedio y sean robustas ante los extremos, en lugar de aquellas que se ven bien en un escenario de PowerPoint pero se desmoronan cuando la realidad se desvía ligeramente del guion.
Esto no se limita al inventario. La misma lógica se aplica al diseño de redes, la reserva de capacidad, la curación del surtido, e incluso a la fijación de precios. En todo lugar donde asignamos recursos escasos bajo incertidumbre, podemos hacernos la misma pregunta: dado el enfoque probabilístico del futuro y nuestras suposiciones económicas, ¿qué decisión tiene el mayor retorno esperado, ajustado por riesgo?
La planificación de escenarios, tal como se practica habitualmente, no tiene tal cálculo. En el mejor de los casos, ofrece unos pocos snapshots aislados y deja a la dirección examinar los trade‑offs a ojo.
Por qué unos pocos escenarios no son suficientes
El primer problema con la planificación de escenarios es la granularidad. Los supply chain modernos operan a una escala que hace que el enfoque de escenarios sea casi cómicamente burdo. Podríamos tener millones de combinaciones SKU–ubicación–tiempo a decidir, cada una con su propio patrón de demanda, su propio perfil de lead time y sus propias sensibilidades al precio y a la promoción. Frente a esta realidad tan detallada, establecemos quizás tres o cuatro narrativas sobre el futuro.
Incluso si esas narrativas fueran perfectas, seguirían siendo muy pocas. Pero no son perfectas. Son el resultado del juicio, la política y el hábito. Qué escenarios se escriben es, en sí, un proceso aleatorio, influenciado más por las ansiedades organizacionales que por la evidencia estadística.
El segundo problema es que los escenarios rara vez se les asignan probabilidades explícitas. Tenemos “base”, “upside”, “downside”, pero no decimos si el caso de upside tiene un 5% o un 50% de probabilidad. La literatura de IBP habla con entusiasmo sobre la planificación continua de escenarios, pero en la práctica significa más y más simulaciones rápidas, no distribuciones de probabilidad calibradas.
El tercer problema es que la planificación de escenarios tiende a operar a un alto nivel de agregación. Ejecutamos escenarios sobre ingresos totales, capacidad total, quizás algunos clientes clave o familias de productos. Mientras tanto, el daño económico real en un supply chain es causado por desajustes locales: el componente que falta y paraliza la aeronave, el artículo de moda que se compra en exceso de manera grosera, la región que está persistentemente desatendida. Esos fallos casi nunca se muestran claramente en los gráficos de escenarios agregados.
Los escenarios nos resultan atractivos porque son narrativos, identificables y debatibles. Se ajustan a nuestras limitaciones cognitivas. Pero los supply chain no son objetos narrativos; son sistemas estocásticos con muchos grados de libertad. Un puñado de historias no puede hacer justicia a esa realidad.
El costo oculto de perseguir la precisión y los escenarios
Durante décadas, las empresas han invertido esfuerzo en mejorar la precisión del forecast como si estuviera obviamente alineada con una mejor economía. Medimos MAPE y métricas similares, lanzamos iniciativas de Forecast Value Add, y celebramos pequeñas mejoras como victorias. Sin embargo, en la práctica, la correlación entre una precisión “mejor” y un P&L mejor es a menudo débil, a veces negativa.
En otros trabajos he argumentado que esta fijación con la precisión es una distracción grande y lenta. Puedes mejorar la precisión prediciendo más ceros en la demanda intermitente y, en el proceso, privar a tu supply chain del inventario que necesita. Puedes mejorar la precisión siguiendo agresivamente la última señal de ventas y, sin querer, amplificar los efectos bullwhip. Puedes generar impresionantes presentaciones de escenarios que conduzcan a una ejecución deficiente.
El problema más profundo es que “precisión” y “cobertura de escenarios” son métricas de planificación que existen en un mundo de números desconectados de los precios. Evalúan qué tan cerca están los forecast de las cantidades realizadas o cuán ordenadamente cubren los escenarios las preocupaciones de un gerente, pero no dicen nada sobre las consecuencias económicas de las decisiones. Un pequeño error en el forecast de una pieza de recambio crítica puede ser mucho más perjudicial que un gran error en el forecast de un accesorio de baja rotación, sin embargo, las métricas de precisión los ponderan de manera similar.
El forecast probabilístico nos permite re-enfocar toda la discusión en la economía. En lugar de preguntar qué tan cerca estamos del número realizado, preguntamos si nuestras decisiones, evaluadas a través de la distribución completa de resultados, generan buenos retornos ajustados por riesgo. La planificación de escenarios, incluso cuando se adorna con herramientas sofisticadas, nos anima a optimizar las historias en lugar del dinero.
Cómo el pensamiento probabilístico cambia la práctica
Adoptar las probabilidades en lugar de los escenarios tiene varias consecuencias prácticas.
Primero, nos obliga a ser explícitos sobre dónde reside realmente la incertidumbre. La demanda y el lead time no son “parámetros” que se deben fijar en un sistema de planificación; son variables aleatorias que deben ser modeladas y actualizadas continuamente a medida que llegan nuevos datos. Esto es tan cierto para la fiabilidad y los retornos aguas arriba como lo es para la demanda del cliente.
Segundo, nos requiere asignar dinero a los resultados. Un forecast probabilístico sin una perspectiva económica es solo marginalmente mejor que uno determinista. Necesitamos saber cuánto cuesta un faltante de stock, cuánto cuesta el exceso de inventario, cuánto vale una venta perdida, cómo valorar la capacidad inactiva. Estas cantidades son imperfectas y, a veces, incómodas de estimar, pero son la única forma de comparar decisiones de manera sensata.
Tercero, conduce naturalmente a la automatización. Una vez que puedes calcular el rendimiento esperado, ajustado por riesgo, de un pedido de reposición, un cambio de precio o una transferencia, no hay razón para debatir cada decisión en reuniones. Puedes dejar que el software emita miles o millones de pequeñas decisiones cada día, mientras los humanos se centran en moldear el modelo económico, validar las suposiciones y manejar las situaciones en las que la confianza del modelo es baja.
Esto es muy diferente de un proceso de IBP cuyo centro de gravedad es un taller mensual de escenarios. En lugar de un ritual de planificación que periódicamente reautoriza un plan, obtenemos un motor económico que arbitra continuamente los compromisos bajo incertidumbre.
Dónde siguen perteneciendo los escenarios
No estoy argumentando que las empresas deban prohibir la palabra “scenario”. La imaginación es esencial en cualquier empresa compleja. Los consejos y ejecutivos necesitan narrativas para razonar sobre inversiones a largo plazo, riesgos estratégicos, cambios regulatorios y transformaciones tecnológicas.
Sin embargo, en un supply chain probabilístico, los escenarios desempeñan un papel diferente. No son futuros hechos a mano que el sistema de planificación debe seguir. Son ilustraciones extraídas de, o limitadas por, el modelo probabilístico subyacente.
Si queremos explorar un downside severo pero plausible, no lo inventamos desde cero; enfatizamos las distribuciones de manera coherente con la historia y el conocimiento experto, y dejamos que el mismo motor de decisiones compute las consecuencias. Si queremos mostrar el potencial alcista de una estrategia de fijación de precios más agresiva, usamos el modelo probabilístico para simular cómo podría responder la demanda, y cuantificamos el rango de posibles resultados.
De esta manera, los escenarios se convierten en vistas pedagógicas sobre una realidad probabilística, no en sustitutos de ella.
Más allá de los supply chain centrados en escenarios
El manual del mainstream ha tenido una larga trayectoria: forecasts deterministas, safety stocks, planes de consenso mensuales y un puñado de escenarios adicionales. Ha aportado cierto grado de estructura, pero también ha encajonado a muchas organizaciones en una forma de pensar que es cada vez más incompatible con la complejidad y volatilidad de los supply chain modernos.
La alternativa no es mística. Es simplemente tomar la incertidumbre en serio y expresarla en el único lenguaje que escala: la probabilidad. Una vez que tratamos la demanda, los lead times y otros impulsos clave como variables aleatorias; una vez que asignamos precios a los resultados; una vez que evaluamos las decisiones como apuestas a través de distribuciones completas en lugar de respuestas a unas pocas historias; la planificación de escenarios, en su sentido tradicional, comienza a parecer lo que es: un mecanismo de afrontamiento ante la ausencia de un motor adecuado, probabilístico y centrado en la decisión.
No necesitamos más escenarios. Necesitamos mejores probabilidades, y un supply chain que sepa qué hacer con ellas.
