Conferencias sobre la cadena de suministro

Próxima conferencia EN VIVO: 30 de junio, 15 h, CET (Paris) - Ver en YouTube

Esta serie de conferencias en curso presenta los conceptos básicos de la gestión de la cadena de suministro: los desafíos, la metodología y las tecnologías. El objetivo es permitir que las organizaciones logren un rendimiento superior y realista de la cadena de suministro. La visión presentada en estas conferencias diverge de la teoría convencional de cadena de suministro, y se la denomina Quantitative Supply Chain (o cadena de suministro cuantitativa). Estas conferencias están a cargo de Joannes Vermorel, CEO y fundador de Lokad. Las conferencias se ilustran con ejemplos de cadenas de suministro reales que Lokad gestiona para sus clientes.

Image

Destinatarios: Estas conferencias están pensadas para todos aquellos que aspiran a mejorar las cadenas de suministro, desde ejecutivos sénior hasta analistas junior y estudiantes. Las conferencias incluyen una serie de "cursos acelerados" para que los conocimientos previos necesarios sean mínimos.

1. Prólogo
   1.1 Los conceptos básicos de la cadena de suministro
   1.2 La Quantitative Supply Chain en resumen
   1.3 Entrega orientada al producto
   1.4 Paradigmas de programación como teoría de cadena de suministro
   1.5 Tendencias del siglo XXI en la cadena de suministro
   1.6 Principios cuantitativos para las cadenas de suministro
2. Metodología
   2.1 Personas de la cadena de suministro
      2.1.1 Paris , una marca de moda con una red minorista
   2.2 Optimización experimental
   2.3 Conocimiento negativo
   2.4 Estudio de mercado entre competidores
   2.5 Escritura para la cadena de suministro
3. Personas
   3.1 Miami - MRO del sector aeronáutico
   3.2 Amsterdam , una marca de quesos
   3.3 Santa Clara : un e-commerce de accesorios
   3.4 Stuttgart : un distribuidor de piezas del mercado de posventa automotor
   3.5 Geneva : un fabricante de relojes de hard luxury
4. Ciencias auxiliares
   4.1 Computadoras modernas
   4.2 Algoritmos modernos
   4.3 Economía cuantitativa
   4.4 Racionalidad y ciencia
   4.5 Optimización numérica
   4.6 Aprendizaje estadístico
   4.7 Entornos programables y compiladores
   4.8 Ingeniería de software
   4.9 Software empresarial
   4.10 Estructura corporativa e incentivos
   4.11 Seguridad informática
   4.12 Teoría de la información
   4.13 Psicología
5. Modelado predictivo
   5.1 Programación diferenciable ( Differentiable Programming )
      5.1.1 Pronóstico de demanda para Paris (sin canibalización)
      5.1.2 Qué es la programación diferenciable ( Differentiable Programming o DP)
      5.1.3 La DP como protagonista de Envision
      5.1.4 Integración de conocimiento previo estructural con DP
      5.1.5 Afinidad cliente-producto para Paris (hacia la canibalización)
   5.2 Pronóstico probabilístico
      5.2.1 Pronóstico determinístico vs. probabilístico
      5.2.2 Precisión de los pronósticos probabilísticos
      5.2.3 Reparaciones no planificadas para Miami
      5.2.4 Álgebra de variables aleatorias
   5.3 Programación probabilística
      5.3.1 Pronóstico de demanda para Miami
      5.3.2 Modelos generativos
      5.3.3 Modelos de espacio de estado innovadores
   5.4 Interludio, replanteo del pronóstico
      5.4.1 Whiteboxing
      5.4.2 Ciclos de feedback
      5.4.3 Fuentes de datos más allá de los datos transaccionales
      5.4.4 Anulación manual de pronóstico (antipatrón)
6. Optimización financiera
   6.1 Asignaciones de inventario de tienda para Paris
   6.2 Decisiones discretas univariables
      6.2.1 Zedfunc
      6.2.2 Función Stock reward
      6.2.3 Función Action reward
      6.2.4 MOQ y otras limitaciones
   6.3 Impulsores económicos
   6.4 Programación diferenciable (segunda vuelta)
      6.4.1 Guiado de descuentos por fin de colección para Paris
      6.4.2 Fijación de precios competitivos para Stuttgart
   6.5 Interludio, replanteo de la optimización
      6.5.1 Ejecución robotizada
      6.5.2 Ampliando las opciones
      6.5.3 Ampliando el conocimiento
7. Infraestructura de software
   7.1 La responsabilidad de las recetas numéricas
   7.2 Corrección por diseño
   7.3 Mutualización y miscibilidad de hardware
   7.4 Stack integrado para entregar aplicaciones predictivas
   7.5 Enfoque relacional primero para preparar, aprender y optimizar
   7.6 Mantenibilidad profunda
   7.7 Seguridad profunda
8. Ejecución táctica
   8.1 Definición de un alcance
   8.2 Participantes y sus roles
   8.3 Plazo típico de una iniciativa
   8.4 Preparación de datos
      8.4.1 Configuración de pipeline de datos
      8.4.2 Condición de los datos de alto y bajo nivel
      8.4.3 Inspectores de datos
   8.5 Lanzamiento de producción
   8.6 La rutina diaria
9. Ejecución estratégica
   9.1 Contratación de un director de cadena de suministro
   9.2 Contratación y capacitación de un equipo
   9.3 Cooperación entre TI y cadena de suministro
   9.4 Más allá de la S&OP
10. Conocimiento negativo
   10.1 Mala ejecución
      10.1.1 Los tóxicos de siempre
      10.1.2 UX y flujos de datos oscuros
      10.1.3 Software de porcelana
   10.2 Mal liderazgo
      10.2.1 De la indecisión y la ignorancia al RFP y los prototipos
      10.2.2 Juicio de Salomón invertido
      10.2.3 Sacrificios a los dioses del pronóstico
   10.3 Seudociencia
      10.3.1 Teorías simplistas que se disfrazan de sofisticadas
      10.3.2 Teorías oscuras para hacerlo sentir iniciado


1. Prólogo

1.1 Los conceptos básicos de la cadena de suministro

Cuando se habla de cadena de suministro se hace referencia al manejo experto cuantitativo, y al mismo tiempo realista, de la opcionalidad al enfrentarse a la variabilidad y las limitaciones relacionadas con el flujo de mercancías físicas. Incluye, entre otros, al aprovisionamiento, las compras, la producción, el transporte, la distribución y las promociones. Pero con un enfoque en fomentar y elegir opciones, en lugar de gestionar directamente las operaciones subyacentes. Veremos de qué manera la perspectiva de cadena de suministro "cuantitativa", presentada en esta serie, diverge significativamente de la que se considera la teoría convencional de cadena de suministro.

Referencias (bibliografía):
  • Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson
  • Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen

1.2 La Quantitative Supply Chain en resumen

El manifiesto de la Quantitative Supply Chain pone el énfasis en una breve serie de puntos destacados para entender de qué manera esta teoría alternativa, propuesta y liderada por Lokad, diverge de la teoría convencional de cadena de suministro. Y podría resumirse de la siguiente manera: cada decisión se califica con respecto a los futuros posibles de acuerdo con los impulsores económicos. Esta perspectiva fue emergiendo gradualmente en Lokad como la teoría habitual de cadena de suministro, y su implementación por parte de (¿casi?) todos los proveedores de software sigue siendo un desafío.

1.3 Entrega orientada al producto

El objetivo de una iniciativa de Quantitative Supply Chain es entregar o mejorar un aplicación de software que robotiza algún aspecto de las decisiones rutinarias (por ej., reabastecimientos de inventario, actualizaciones de precio, etc.). La aplicación se ve como un producto que debe diseñarse. La teoría de cadena de suministro nos ayuda a entregar una aplicación que guía a la empresa hacia un mejor rendimiento de la cadena de suministro y resulta al mismo tiempo compatible con todas las limitaciones que implica la producción.

Referencias (bibliografía):
  • Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004

1.4 Paradigmas de programación como teoría de cadena de suministro

Mientras que a la teoría de cadena de suministro le cuesta imponerse en las empresas a gran escala, hay una herramienta que ha gozado de un considerable éxito operativo (hablamos de Microsoft Excel). La reimplementación de las recetas numéricas de la teoría de cadena de suministro convencional a través de hojas de cálculo es simple; no obstante, no es lo que ha sucedido en la práctica, a pesar de la difusión de la teoría. Demostramos que las hojas de cálculo ganaron por haber adoptado paradigmas de programación que resultaron ser mejores a la hora de entregar resultados de cadena de suministro superiores.

Referencias (bibliografía):
  • Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Tendencias del siglo XXI en la cadena de suministro

Algunas importantes tendencias han dominado la evolución de las cadenas de suministro en las últimas décadas y han sido responsables en gran medida de dar forma a la combinación de desafíos que enfrentan las empresas. Algunos problemas se han desvanecido hace tiempo, como los peligros físicos y los problemas de calidad. Otros han ido en aumento, como la complejidad global y la intensidad de la competencia. Y resulta notable que también el software está dando una nueva forma a las cadenas de suministro de un modo profundo. Un análisis rápido de estas tendencias nos ayuda a comprender en qué debería concentrarse una teoría de cadena de suministro.

Referencia (publicación mencionada en la parte de preguntas y respuestas de la conferencia):


1.6 Principios cuantitativos para las cadenas de suministro

Si bien las cadenas de suministro no se caracterizan por seguir leyes cuantitativas definitivas —a diferencia del electromagnetismo—, es posible ver, no obstante, que siguen principios cuantitativos generales. Con "general" queremos decir aplicables a (casi) todas las cadenas de suministro. Descubrir esos principios es muy importante, porque pueden utilizarse para facilitar el diseño y la mejora de recetas numéricas dirigidas a la optimización predictiva de las cadenas de suministro. Veremos dos listas breves de principios: algunos observacionales y algunos de optimización.

2. Metodología

El estudio y la práctica de la cadena de suministro deben fundarse en la ciencia; es decir que deben contar con el respaldo de métodos científicos. De hecho, en los últimos tres siglos, todos los campos que lograron elevarse a través de una práctica experimental adecuada han logrado el increíble progreso que hoy reconocemos como sello distintivo de la "ciencia". Sin embargo, la cadena de suministro no ha visto este progreso, al menos no aún, y gran parte de la culpa se le puede echar a las metodologías experimentales inadecuadas. La compleja naturaleza de la cadena de suministro exige métodos adecuados, que veremos en este capítulo.

2.1 Personas de la cadena de suministro

Una "persona" de cadena de suministro es una empresa ficticia. Si bien la empresa es ficticia, esta ficción está diseñada para destacar lo que merece atención desde una perspectiva de cadena de suministro. Sin embargo, la persona no está idealizada, es decir que no simplifica los desafíos de cadena de suministro. Al contrario, el objetivo es el de magnificar los aspectos más complejos de la situación, aquellos que resultan más resistentes a cualquier intento de modelado cuantitativo y de pilotaje de una iniciativa para mejorar la cadena de suministro.

En la cadena de suministro, los estudios de caso —cuando se nombran una o varias partes— son susceptibles de graves conflictos de interés. Las empresas, y sus proveedores de soporte (software, consultoría), tienen un interés en presentar el resultado en clave positiva. Además, las cadenas de suministro reales generalmente padecen o se benefician de condiciones accidentales que no tienen nada que ver con la calidad de su ejecución. Las personas de la cadena de suministro son una respuesta metodológica a esos problemas.

Referencias:
  • An introduction to the study of Experimental Medicine (versión en inglés), (versión original en francés), Claude Bernard, 1865
  • The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
  • Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, 2018

2.1.1 Paris, una marca de moda con una red minorista

Paris es una cadena de moda europea ficticia que opera una gran red minorista. La marca se dirige a mujeres y se posiciona como relativamente asequible. Si bien la línea de diseño es bastante clásica y sobria, el principal impulsor comercial siempre ha sido la novedad. Se utilizan varias colecciones por año para lanzar tandas de nuevos productos. Lanzar el producto adecuado en el momento justo y al precio y con la cantidad de stock correctos forman parte de los desafíos centrales.

2.2 Optimización experimental

Lejos de la perspectiva ingenua cartesiana, donde la optimización implicaría simplemente ejecutar un optimizador para una determinada función de calificación, la cadena de suministro requiere un proceso iterativo. Cada iteración se utiliza para identificar decisiones "dementes" que deben investigarse y abordarse. La causa raíz reside, a menudo, en los impulsores económicos, que deben reevaluarse con respecto a las consecuencias involuntarias que generan. Las iteraciones cambian en esencia cuando las recetas numéricas dejan de producir resultados dementes.

Referencias:
  • The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Conocimiento negativo

Los antipatrones son los estereotipos de soluciones que se ven bien, pero no funcionan en la práctica. El estudio sistemático de los antipatrones fue liderado a fines de los años 90 por el campo de la ingeniería de software. Cuando resultan aplicables, los antipatrones son superiores a los resultados negativos no elaborados, ya que son más fáciles de memorizar y razonar. La perspectiva de los antipatrones es de primordial relevancia para la cadena de suministro, y debería considerarse como uno de los pilares de su conocimiento negativo.

Referencias:

2.4 Estudio de mercado entre competidores

Las cadenas de suministro modernas cuentan con muchos productos de software, y elegir a los proveedores adecuados es cuestión de supervivencia. Sin embargo, debido a que los proveedores son muchos, las empresas precisan aplicar un abordaje sistemático para llevar a cabo esta tarea. La práctica tradicional de investigación de mercado parte con buenas intenciones, pero inevitablemente acaba con malos resultados, ya que las empresas de de investigación acaban actuando como agentes de marketing de las empresas a las que se supone que deben analizar. La esperanza de que aparezca una empresa de investigación de mercado imparcial es equivocada. Sin embargo, la evaluación individual de proveedores es una metodología que permite que incluso una empresa de investigación de mercado con sesgos produzca resultados imparciales.

Referencias:
  • Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (texto)
  • Influence: The Psychology of Persuasion, Robert B. Cialdini, 1984
  • Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)

2.5 Escritura para la cadena de suministro

Las cadenas de suministro implican la coordinación de equipos grandes. Por lo tanto, los materiales escritos son el centro de la atención. Las cadenas de suministro modernas simplemente no son compatibles con la tradición oral. Sin embargo, los profesionales de la cadena de suministro a menudo se desempeñan bastante mal a la hora de aplicar sus habilidades comunicativas escritas. Veamos lo que dicen sobre estos temas los estudios de usabilidad y algunos expertos destacados. Además, las iniciativas de cadena de suministro, ejecutadas a través del abordaje de optimización experimental, deben documentarse exhaustivamente. Las fórmulas y el código fuente responden al qué y el cómo, pero no responden al por qué. La documentación debe asegurar que los Supply Chain Scientists comprendan el problema al que se enfrentan. Con el tiempo, esta documentación se convierte en la clave para asegurar una transición sin tropiezos de un Supply Chain Scientist al siguiente.

Referencias:
  • The Elements of Style (primera edición), William Strunk Jr, 1918
  • F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (texto)

3. Personas

Una serie de personas de cadena de suministro siguiendo la metodología definida en el capítulo anterior.

3.1 Miami - MRO del sector aeronáutico

Miami es un MRO (mantenimiento, reparación y reacondicionamiento) ficticio del sector aeronáutico de Estados Unidos que sirve a una importante flota de aviones comerciales. En el sector aeronáutico, la seguridad es primordial. Las piezas y los componentes deben inspeccionarse con regularidad y potencialmente repararse. La actividad de Miami consiste en mantener los aviones en el aire en todo momento, evitando incidentes de AOG (aeronave en tierra), que se producen cada vez que una pieza necesaria para realizar una operación de mantenimiento no está disponible.

3.2 Amsterdam, una marca de quesos

Amsterdam es una empresa de bienes de consumo de alta rotación (FMCG) dedicada a la producción de quesos, cremas y mantequillas, y trabaja con una amplia cartera de marcas en diferentes países. Son muchos los objetivos comerciales en conflicto que es preciso conciliar: calidad, precio, frescura, desperdicios, diversidad, localidad, etc. Por definición, la producción láctea y las promociones minoristas ponen a la empresa entre la espada y la pared en términos de oferta y demanda.

3.3 Santa Clara: un e-commerce de accesorios

Por determinar

3.4 Stuttgart: un distribuidor de piezas del mercado de posventa automotor

Por determinar

3.5 Geneva: un fabricante de relojes de hard luxury

Por determinar

4. Ciencias auxiliares

El dominio de la cadena de suministro depende en gran medida de muchos otros campos. La presentación de la teoría de cadena de suministro como una forma de matemática aplicada es frecuente, aunque equivocada. Esos cursos acelerados están pensados para proporcionar el marco cultural necesario para una práctica de cadena de suministro bien pensada que no puede (ni debería) reducirse a una serie de "modelos".

4.1 Computadoras modernas

Las cadenas de suministro modernas requieren recursos informáticos para operar del mismo modo que las cintas transportadoras motorizadas requieren electricidad. Sin embargo, los sistemas de cadena de suministro lentos siguen siendo omnipresentes, aunque la potencia de procesamiento de las computadoras se ha multiplicado por 10 000 desde 1990. La falta de comprensión de las características fundamentales de los recursos informáticos modernos —incluso en los círculos de TI o de la ciencia de los datos— basta para explicar esta situación. El diseño de software que subyace a las recetas numéricas no debería antagonizar con el sustrato computacional subyacente.

4.2 Algoritmos modernos

La optimización de las cadenas de suministro depende de la resolución de numerosos problemas numéricos. Los algoritmos son recetas numéricas altamente codificadas diseñadas para resolver problemas comunicacionales, y contar con algoritmos superiores permite lograr resultados superiores con menos recursos informáticos. Al concentrarse en las especificidades de la cadena de suministro, el rendimiento algorítmico puede mejorarse enormemente, a veces en varios órdenes de magnitud. Los algoritmos de "cadena de suministro" también deben adoptar el diseño de las computadoras modernas, que ha evolucionado significativamente en las últimas décadas.

Referencias (libro):

  • Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009

4.3 Economía cuantitativa

La leyes en la economía no llegan a ser tan sólidas ni unificadas como su contraparte física; no obstante, estas leyes caracterizan el entorno en el que operan las cadenas de suministro. Estas leyes proporcionan el conocimiento previo que resulta ser muy útil a la hora de modelar las cadenas de suministro. Además, aclaran algunos métodos que, si bien pueden ser matemáticamente atractivos, no son sensatos para los objetivos de la cadena de suministro.

4.4 Racionalidad y ciencia

Los problemas complejos merecen una introspección profunda de lo que podemos "abordar científicamente". Es necesaria una metodología racional positiva. El formalismo estricto —generalizado en los círculos académicos— no es más que un racionalismo ingenuo. Una perspectiva "visionaria" —generalizada entre los proveedores de "soluciones"— corre el riesgo de no ser más que "palabras bonitas". Estos problemas se exacerban por la naturaleza misma de las cadenas de suministro, en las que replicar resultados es generalmente muy difícil. Sin embargo, las cadenas de suministro no son la primera disciplina que se enfrenta a estos problemas. Veamos cómo la epistemiología aclara un poco el caso especial del conocimiento de la cadena de suministro.

4.5 Optimización numérica

La optimización numérica —a menudo llamada optimización matemática— es el proceso de minimizar una función matemática. Casi todas las técnicas de aprendizaje estadístico modernas —es decir, el pronóstico si adoptamos una perspectiva de cadena de suministro— dependen de una optimización numérica en su núcleo. Además, una vez que se establecen los pronósticos, la identificación de las decisiones más rentables también resulta depender, en su núcleo, de la optimización numérica. Aprovecharemos ampliamente estas técnicas a continuación.

4.6 Aprendizaje estadístico

Los problemas de pronóstico que enfrentan las cadenas de suministro pueden verse como problemas de aprendizaje estadístico de alta dimensión. Este campo de estudio ha logrado mejorar enormemente, aunque sigue siendo muy malentendido en los círculos de "científicos de datos". Transitaremos por este campo a través de la resolución de tres paradojas. La primera, que debemos hacer afirmaciones que es muy probable que sean "aproximadamente" correctas sobre datos que no tenemos. La segunda, que debemos afrontar problemas en los que la cantidad de variables excede por mucho la cantidad de observaciones. La tercera, que la solución puede yacer en modelos en los que la cantidad de parámetros excede por mucho ya sea las variables o las observaciones.

4.7 Entornos programables y compiladores

La mayor parte de las cadenas de suministro aún se gestionan a través de hojas de cálculo (es decir, Excel), si bien los sistemas empresariales comenzaron a implementarse hace ya una, dos o a veces tres décadas, supuestamente para reemplazarlas. Es cierto que las hojas de cálculo ofrecen una expresividad programática accesible, mientras que esos sistemas generalmente no lo hacen. A grandes rasgos, desde la década de los años 60, ha habido un codesarrollo constante de la industria de software en conjunto y sus lenguajes de programación. Y hay evidencia de que el próximo paso en el rendimiento de la cadena de suministro se verá impulsado en gran medida por el desarrollo y la adopción de lenguajes de programación, o, mejor dicho, entornos programables.

4.8 Ingeniería de software

El control de la complejidad y el caos es uno de los pilares de la ingeniería de software. Considerando que las cadenas de suministro son complejas y caóticas, no debería sorprender que la mayoría de los problemas de los softwares empresariales a los que se enfrentan las cadenas de suministro se reduzcan a una mala ingeniería de software. Las recetas numéricas utilizadas para optimizar la cadena de suministro son software y, por lo tanto, son susceptibles del mismo problema. Estos problemas se vuelven más intensos a medida que aumenta la sofisticación de las recetas numéricas mismas. Una ingeniería de software adecuada es para las cadenas de suministro lo que la asepsia para los hospitales: por sí sola, no hace nada —por ejemplo, no trata pacientes—, pero sin ella, todo lo demás se desmorona.

4.9 Software empresarial

El entorno aplicativo de las empresas modernas da forma de un modo profundo, y a menudo ilógico, al modo en que pueden implementarse, operarse y mantenerse los métodos cuantitativos. La idea de que una teoría de cadena de suministro pueda de alguna forma aislarse de las contingencias de las fuerzas económicas que impulsan los mercados de softwares empresariales es errónea desde dos puntos de vista. En primer lugar, desde una perspectiva académica, lleva a desperdiciar esfuerzos de investigación en las cadenas de suministro, ya que los problemas no se abordan correctamente. En segundo lugar, desde una perspectiva corporativa, ya sea para el comprador como para el vendedor de software, lleva a tecnologías de cadena de suministro con fallas de diseño que no entregan los resultados esperados.

4.10 Estructura corporativa e incentivos

Para que la cadena de suministro se optimice de un modo significativo, los intereses de la empresa deben prevalecer por sobre los intereses de muchos individuos y partes involucradas en la ejecución de la cadena de suministro misma: empleados, ejecutivos, consultores, proveedores de software, vendedores de hardware, etc. La organización misma condiciona en gran medida el grado de optimización que puede lograrse. Y, al contrario, la organización puede rediseñarse para lograr un rendimiento superior de la cadena de suministro. De nuevo, una teoría adecuada de cadena de suministro no puede estar aislada del sustrato (humano) mismo en el que operan las cadenas de suministro.

4.11 Seguridad informática

El cibercrimen aumenta. El cibersecuestro de datos (ransomware) es un negocio en auge y, debido a su naturaleza físicamente distribuida, las cadenas de suministro están particularmente expuestas a esto. Además, la complejidad del ambiente es terreno fértil para los problemas de seguridad informática. La seguridad informática es ilógica por diseño, porque es precisamente el ángulo adoptado por los atacantes para encontrar y aprovechar grietas. Dependiendo de los tipos de recetas numéricas utilizados en la optimización de la cadena de suministro, el riesgo puede aumentar o disminuir.

4.12 Teoría de la información

El pronóstico convierte datos históricos, un tipo de información, en datos de pronóstico, otro tipo de información. La "cantidad de información" de los pronósticos no puede exceder la "cantidad de información" de los datos originales: la lógica de pronóstico simplemente transforma los datos. La teoría de la información proporciona datos clave sobre la naturaleza de la información misma. En particular, esta teoría resulta ser una herramienta esencial para evaluar la "profundidad" de los datos que pueden utilizarse para optimizar la cadena de suministro.

4.13 Psicología

Por determinar.

5. Modelado predictivo

La anticipación cuantitativa adecuada de eventos futuros está en el centro de la optimización de cualquier cadena de suministro. La práctica del pronóstico de series de tiempo apareció en el siglo XX y tuvo una enorme influencia en la mayoría de las grandes cadenas de suministro. El modelado predictivo es descendiente del pronóstico de series de tiempo, pero también una desviación importante de esta perspectiva. En primer lugar, afronta un conjunto mucho más diverso de instancias problemáticas. En segundo lugar, debido a la naturaleza de los problemas de la cadena de suministro, se necesita un paradigma programático. Por último, debido a que la incertidumbre es, en general, inevitable, se necesitan también pronósticos probabilísticos.

5.1 Programación diferenciable (Differentiable Programming)

La programación diferenciable (Differentiable Programming o DP) es un paradigma generativo para diseñar una amplia clase de modelos estadísticos que resultan muy adecuados para abordar los desafíos predictivos de la cadena de suministro. La DP es descendiente del deep learning, pero se desvía de este por su intensa concentración en la estructura de los problemas de aprendizaje. La DP supera a casi todo lo que se encuentra en la literatura de pronóstico "clásico" basado en modelos paramétricos. La DP también es superior a los algoritmos del machine learning "clásico" —hasta fines de la década de 2010— en casi todas las dimensiones relevantes para un uso práctico en la cadena de suministro, incluida la simplicidad de adopción por parte de los profesionales.

5.1.1 Pronóstico de demanda para Paris (sin canibalización)

Diseñemos nuestro primer modelo de pronóstico de demanda a través de la programación diferenciable (DP) para la persona Paris, la red de moda minorista. La conferencia se ilustra a través de código escrito en Envision, el DSL (lenguaje de programación específico) desarrollado por Lokad para la optimización predictiva de las cadenas de suministro. Debido a que aún no hemos presentado formalmente a la DP, algunos aspectos de esta conferencia pueden parecer un tanto complejos. Esos aspectos se revisarán en la próxima sesión, una vez que hayamos visto cómo se expresa la DP.

5.1.2 Qué es la programación diferenciable (Differentiable Programming o DP)

La DP es un paradigma de programación en el que el programa mismo se convierte en el modelo de interés, ya sea desde una perspectiva de aprendizaje o de optimización. La DP reúne la diferenciación automática y el descenso estocástico de gradiente. Si bien la DP puede resultar intimidatoria, el abordaje es más simple que muchos algoritmos de machine learning. La DP representa el cambio profundo que ha tenido lugar en el campo del machine learning, donde se pasó de "programas" a "paradigmas de programación".

5.1.3 La DP como protagonista de Envision

Durante las últimas cinco décadas, cada paradigma crítico de programación cuestionó los lenguajes de programación existentes de modos profundos: programación orientada a objetos, recolección de basura, late-binding, etc. La DP presenta serios desafíos para los lenguajes de programación existentes. Envision, desarrollado por Lokad, adopta la DP como protagonista para aprovechar al máximo este paradigma. Aclaramos algunos de los aspectos sintácticos de la implementación de DP en Envision.

5.1.4 Integración de conocimiento previo estructural con DP

Hasta fines de los años 80, un segmento de la comunidad de machine learning intentó —y en su mayor parte, no logró— integrar conocimiento previo en software "inteligente" mediante sistemas expertos, en lugar de extraer el conocimiento directamente de los datos. Sin embargo, tres décadas más tarde, el deep learning logró un éxito considerable a través de capas convolucionales, que representan un abordaje de término medio del conocimiento previo: el experto proporciona la "estructura" de lo que deberá aprenderse de los datos. Este abordaje resulta adecuado para las cadenas de suministro, especialmente cuando se trata de eficiencia de datos y whiteboxing.

5.1.5 Afinidad cliente-producto para Paris (hacia la canibalización)

El historial de transacciones sin procesar que conecta los clientes con los productos ofrece una perspectiva mucho más rica de la demanda en comparación con la perspectiva de series de tiempo diaria/semanal/mensual agregada clásica. Este historial se ve mejor como grafo bipartito temporal entre clientes y productos. En particular, esta perspectiva responde a la pregunta de larga de data sobre la "fuente" de la demanda con un enfoque más satisfactorio. La DP (casi) trivializa las técnicas de aprendizaje a través de grafos, como el filtrado colaborativo, al mismo tiempo que proporciona las bases para utilizar estos resultados para muchas finalidades de la cadena de suministro, como la planificación, la fijación de precios y la optimización del surtido.

5.2 Pronóstico probabilístico

Se dice que un pronóstico es probabilístico (en lugar de determinístico) si contiene un conjunto de probabilidades asociadas con todos los resultados futuros posibles en lugar de señalar un resultado particular como "el" pronóstico. Los pronósticos probabilísticos son importantes cuando la incertidumbre es inevitable, algo que casi siempre aparece en sistemas complejos. Para las cadenas de suministro, los pronósticos probabilísticos son esenciales para elaborar decisiones sólidas frente a condiciones futuras inciertas.

5.2.1 Pronóstico determinístico vs. probabilístico

La optimización de las cadenas de suministro depende de la anticipación adecuada de eventos futuros. A nivel numérico, estos eventos se anticipan a través de pronósticos, que incluyen una amplia variedad de métodos numéricos utilizados para cuantificar estos eventos futuros. Desde de los años 70, la forma más utilizada de pronóstico ha sido el pronóstico de series de tiempo determinístico: una cantidad medida en el tiempo —por ejemplo, la demanda en unidades de un producto— se proyecta en el futuro. Sin embargo, esta perspectiva desestima (casi) por completo la noción de incertidumbre, mientras que la perspectiva de pronóstico probabilístico la acepta y la incluye.

5.2.2 Precisión de los pronósticos probabilísticos

Independientemente de lo que suceda, un pronóstico probabilístico razonablemente bien diseñado indica que, de hecho, existía una probabilidad diferente de cero de que este se produjera este resultado. Esto es interesante, porque, a primera vista, puede parecer que los pronósticos probabilísticos sean de algún modo inmunes a la realidad, al igual que un adivino que hace afirmaciones proféticas ambiguas cuya incorrección no puede siquiera demostrarse, ya que el adivino siempre puede inventarse una explicación sucesiva sobre cómo debe interpretarse la profecía a posteriori. En la realidad, existen muchas maneras de evaluar cuantitativamente la calidad de un pronóstico probabilístico.

5.2.3 Reparaciones no planificadas para Miami

Las reparaciones no planificadas de componentes incide enormemebte sobre los costos de mantenimiento de un avión. No obstante, si se analiza ingenuamente el problema, se cae en el sesgo del sobreviviente: el historial de reparaciones de componentes no contiene las reparaciones no planificadas que no sucedieron, solo las que sí. A través de la DP, podemos proporcionar un modelo de cola gruesa (fat-tail).para las reparaciones no planificadas. En particular, ilustraremos que la idea del MTBUR (tiempo medio entre reparaciones no planificadas) es una abstracción poco sólida, ya que muchas de esas distribuciones ni siquiera tienen una media estadística bien definida.

5.2.4 Álgebra de variables aleatorias

La simple estimación de la incertidumbre no basta: los pronósticos probabilísticos necesitan herramientas dedicadas para ser útiles a los fines prácticos en la cadena de suministro. Un álgebra de variables aleatorias generalmente funciona en funciones de densidad de probabilidad explícitas. El álgebra admite las operaciones aritméticas habituales (suma, resta, multiplicación, etc.), pero extrapoladas a sus contrapartes probabilísticas, a menudo tratando las variables aleatorias como estadísticamente independientes. Esta conferencia se ilustra con el tipo de datos ranvar en Envision, que proporciona un álgebra de variable aleatoria eficaz adaptada a los fines de la cadena de suministro.

5.3 Programación probabilística

Por determinar.

5.3.1 Pronóstico de demanda para Miami

Por determinar.

5.3.2 Modelos generativos

Por determinar.

5.3.3 Modelos de espacio de estado innovadores

Por determinar.

5.4 Interludio, replanteo del pronóstico

Llegados a este punto, ya hemos presentado una breve serie de métodos de pronóstico o, mejor dicho, hemos presentado un paradigma de programación —la programación diferenciable— para crearlos como sea necesario y de manera estructuralmente compatible con el contexto. Ha llegado el momento de dar un paso atrás y explorar los ángulos del pronóstico de cadena de suministro más allá de las tecnicidades de las recetas numéricas en sí.

5.4.1 Whiteboxing

Más allá de las medias móviles, es esperable que cualquier receta numérica no trivial sea "velada por defecto" para los profesionales de la cadena de suministro. Sin embargo, al afrontar esta opacidad numérica, los profesionales de la cadena de suministro deberían (y en la práctica es lo que harán) emitir su juicio con respecto a esos resultados en los que no se debería confiar. El whiteboxing, la respuesta a este problema, es fundamentalmente un proceso que puede, sin embargo, simplificarse radicalmente si la infraestructura del software está bien diseñada.

5.4.2 Ciclos de feedback

Los pronósticos no se elaboran aislados; tienen consecuencias en la cadena de suministro. A menudo, estas consecuencias acaban afectando precisamente al fenómeno de las cadenas de suministro que los pronósticos intentaban capturar originalmente. En la práctica, estos ciclos de feedback están por todas partes y, sin embargo, con mucha frecuencia se ignoran. Algunos ciclos de feedback tienen consecuencias positivas para la empresa (por ej., efectos de profecía autocumplida en ventas), mientras que otros, no tanto (por ej., compras postergadas hasta las liquidaciones). De cualquier manera, el método de pronóstico debería intentar considerar estos efectos.

5.4.3 Fuentes de datos más allá de los datos transaccionales

El aprovechamiento adecuado de los datos transaccionales como se encuentran en los sistemas de la empresa tiene (sorprendentemente) mucha importancia a la hora de optimizar la cadena de suministro. Sin embargo, a veces estos datos se complementan con fuentes de datos "externas", entre las que se destacan principalmente los datos de inteligencia competitiva. Algunas fuentes de datos son notoriamente difíciles de aprovechar para los propósitos de la cadena de suministro. Revisamos los pros y los contras asociados con estas fuentes de datos.

5.4.4 Anulación manual de pronóstico (antipatrón)

Debido al diseño defectuoso del stack de software, muchas empresas han comenzado a implementar de forma rutinaria anulaciones manuales a sus pronósticos. Estas anulaciones manuales afectan a la cadena de suministro, porque no son beneficiosas: todo el tiempo invertido en la identificación de las correcciones necesarias y su aplicación estaría mejor invertido en la corrección de las recetas numéricas subyacentes. Por lo tanto, para eliminar las anulaciones manuales, debemos eliminar las causas raíz del problema.

6. Optimización financiera

Cada día, en una empresa se deben tomar miles de decisiones de cadena de suministro (millones en las empresas grandes) como parte de la rutina operativa diaria. Cada decisión viene con alternativas. El objetivo de la optimización de la cadena de suministro es elegir las opciones que resultan más rentables cuando se afrontan condiciones futuras inciertas. Este proceso presenta dos desafíos clave que no hemos abordado aún: el primero, la evaluación cuantitativa de la rentabilidad de cualquier decisión; el segundo, la implementación de las recetas numéricas de optimización adecuadas para los problemas de la cadena de suministro.

6.1 Asignaciones de inventario de tienda para Paris

Diseñemos nuestro primer modelo de optimización financiera para las operaciones de reabastecimiento de stock a nivel de tienda para la persona Paris, la red de moda minorista. Esta conferencia se ilustra a través de código escrito en Envision, el DSL (lenguaje de programación específico) desarrollado por Lokad para la optimización predictiva de las cadenas de suministro. Presentamos el esquema de priorización económica e ilustramos de qué manera este esquema aborda también problemas a nivel de almacén sin esfuerzo adicional.

6.2 Decisiones discretas univariables

Muchas decisiones de cadena de suministro se presentan como problemas discretos univariables; por ejemplo, cuando se debe decidir cuánto comprar, trasladar, transformar, envasar, desechar, etc., de una determinada SKU gestionada por la empresa. Debido a la prevalencia y la diversidad de estas decisiones, es de interés determinar algunas herramientas versátiles para gestionar no una instancia particular del problema, sino clases enteras de problemas.

6.2.1 Zedfunc

En Envision, el tipo de datos "zedfunc" es una utilidad algebraica que ofrece la posibilidad de trabajar con "todas las decisiones posibles" al mismo tiempo (caso univariable). Es el complemento del tipo de dato "ranvar" —presentado en el capítulo anterior— que ofrece la posibilidad de trabajar con "todos los futuros posibles". Combinado con las técnicas de priorización, el álgebra "zedfunc" sienta las bases para una optimización financiera integral de las cadenas de suministro.

6.2.2 Función Stock reward

La función stock reward (recompensas por stock) puede verse como un pequeño marco matemático para combinar el pronóstico de demanda probabilístico con tres impulsores económicos del inventario (margen bruto, penalización por desabastecimientos y costos de almacenamiento) para evaluar el resultado financiero esperado de cada posición de nivel de stock. Lokad fue pionero en el uso de la stock reward hace unos años como alternativa superior a los métodos de calificación ingenuos que se utilizaban anteriormente.

6.2.3 Función Action reward

La función Action reward (recompensa por acciones) es descendiente espiritual de la función de stock reward. Esta función aborda muchas de las limitaciones originales de la función de stock reward, como los pronósticos de demanda probabilísticos no estáticos, los tiempos de entrega probabilísticos, la perspectiva "no-regret", la pérdida irrecuperable de demanda no satisfecha, etc. Lokad también ha sido pionero en la aplicación de la función de action reward para aprovechar las capacidades nuevas ofrecidas por los modelos predictivos de DP.

6.2.4 MOQ y otras limitaciones

El esquema de priorización económica, a pesar de su simplicidad, resulta capaz de gestionar muchas limitaciones no lineales que son prevalentes en las cadenas de suministro. A primera vista, no es algo que necesariamente pudiera esperarse de un proceso algorítmico codicioso. Ilustramos cuántas limitaciones de MOQ comunes pueden gestionarse con pocas complicaciones. Esto también aclara la naturaleza del problema de la optimización numérica en la cadena de suministro.

6.3 Impulsores económicos

El rendimiento de la cadena de suministro debería evaluarse financieramente, pero no a través de porcentajes, como se suele hacer (por ej., MAPE, niveles de servicio9). Son dos las maneras en las que la optimización de porcentajes causa daño: primero, a través de la ilusión de progreso, y segundo, a través de la burocracia que inevitablemente surge para respaldar esto. Al contrario, la evaluación financiera está diseñada para alinearse con los intereses estratégicos de la empresa. En particular, el impacto financiero de una decisión debería descomponerse en sus impulsores económicos subyacentes.

6.4 Programación diferenciable (segunda vuelta)

La programación diferenciable (DP) representa la convergencia entre los dos amplios campos del aprendizaje estadístico y la optimización numérica. Hasta ahora, este paradigma de programación se ha aplicado a los problemas de aprendizaje estadísticos, y ahora veremos cómo puede aplicarse a los problemas de optimización numérica que se encuentran en las cadenas de suministro.

6.4.1 Guiado de descuentos por fin de colección para Paris

Diseñemos un modelo de guiado de descuentos a través de DP para la persona "Paris", la red de moda minorista. La conferencia se ilustra mediante código escrito en Envision. El objetivo es aprovechar al máximo el stock almacenado por la empresa, ajustando al mismo tiempo el nivel de descuentos para asegurar una liquidación a tiempo para el final de la temporada.

6.4.2 Fijación de precios competitivos para Stuttgart

Diseñemos una estrategia de fijación de precios competitiva mediante DP para la persona Stuttgart, el distribuidor de autopartes. La conferencia se ilustra mediante código escrito en Envision. El objetivo es implementar una estrategia de fijación de precios que funcione frente a los competidores, que también se benefician de datos de inteligencia competitiva.

6.5 Interludio, replanteo de la optimización

Hemos presentado una breve serie de técnicas de optimización que son capaces de abordar situaciones de cadena de suministro muy diversas. De modo muy similar a como abordamos el modelado predictivo, la optimización se aborda a través de paradigmas de programación, en lugar de recetas numéricas específicas. Una vez más, es hora de dar un paso atrás y ampliar nuestros horizontes sobre la perspectiva de optimización.

6.5.1 Ejecución robotizada

Tratar a los expertos como los coprocesadores humanos de sistemas empresariales que de otro modo serían disfuncionales es un desperdicio. La práctica de cadena de suministro debería garantizar que el tiempo de los expertos se capitalice, no se consuma. La robotización del proceso completo que genera las decisiones es clave para lograr una práctica de cadena de suministro beneficiosa. De hecho, la robotización es la clave para lograr que los expertos se concentren en la mejora continua de las recetas numéricas, en lugar de estar todo el tiempo apagando incendios.

6.5.2 Ampliando las opciones

Las opciones —compras, producción, etc.— presentadas a la receta de optimización numérica no caen del cielo, sino que han sido originalmente diseñadas o negociadas. Por lo tanto, estas opciones pueden mejorarse, independientemente del proceso de optimización que luego tenga lugar. Si bien la mejora de las opciones y de la optimización numérica son complementarias, la primera tiende a descuidarse.

6.5.3 Ampliando el conocimiento

Los datos históricos obtenidos por la empresa son el resultado de sus decisiones pasadas. Las decisiones determinan lo que puede verse y lo que no se verá nunca. Porbar opciones "arriesgadas" es un mecanismo para aprender más sobre el mercado, pero es necesario encontrar un equilibrio en el grado de riesgo que se asume. Este problema se conoce como el compromiso entre exploración y explotación, y yace en el centro de un campo conocido como aprendizaje por refuerzo (reinforcement learning).

7. Infraestructura de software

Las cadenas de suministro modernas viven y mueren por la calidad de su infraestructura de software. Delegar a TI la comprensión de lo que hace que una infraestructura de software sea buena es la receta para asegurar problemas de producción interminables. La introducción de recetas numéricas no triviales, como mencionábamos en capítulos anteriores, magnifica el problema debido a su propia complejidad interna. La infraestructura de software misma debe estar diseñada de manera que tenga propiedades que sean adecuadas para los fines de la optimización de la cadena de suministro.

7.1 La responsabilidad de las recetas numéricas

Observaciones informales de las cadenas de suministro indican que el éxito operativo de las recetas numéricas depende ampliamente de si hay un grupo reducido de personas en la organización que sea responsable de esas recetas. En la práctica, resulta que la infraestructura del software misma dicta en gran medida si las recetas numéricas pueden tener propietarios o no. Esta perspectiva ofrece un primer atisbo de datos clave sobre las propiedades deseables de la infraestructura de software en vistas de una optimización de la cadena de suministro.

7.2 Corrección por diseño

En el siglo XXI, el buen diseño es algo que damos por sentado para casi cualquier objeto que tenemos en nuestros hogares. Sin embargo, cuando se trata del software, especialmente el tipo "científico" utilizado para implementar recetas numéricas, la falta de diseño es impresionante. La mentalidad que reza "Fracasa rápido y rompe cosas" puede ser adecuada para lanzar una aplicación de juegos, pero indudablemente no es la correcta para las cadenas de suministro, donde el fracaso tiende a ser extremadamente costoso.

7.3 Mutualización y miscibilidad de hardware

La optimización de la cadena de suministro diverge enormemente de su contraparte, la gestión de la cadena de suministro, en las necesidades altamente irregulares que tiene de recursos informáticos. Los paradigmas de software y de hardware liderados por los gigantes de la computación en la nube resultan ser de relevancia primordial para los fines de la cadena de suministro. La mutualización de hardware pone el énfasis en la asignación dinámica de recursos. La miscibilidad de hardware, por su parte, pone el énfasis en una perspectiva en la que un tipo de recursos puede cambiarse por otro.

7.4 Stack integrado para entregar aplicaciones predictivas

El diseño de capas profundo es el asesino silencioso del software moderno, ya que resulta dañino en casi todos los frentes importantes: fiabilidad, rendimiento de cálculo, productividad y rendimiento de negocios. El problema se magnifica para la cadena de suministro, debido a la complejidad del entorno tanto en los niveles de software como de hardware. Lo que es peor, cuanto más sofisticadas son las recetas numéricas, mayor es el número de capas que introducen. La eliminación de capas a través de la integración de stack resulta ser la solución que las cadenas de suministro necesitan.

7.5 Enfoque relacional primero para preparar, aprender y optimizar

Casi la totalidad de los datos de la cadena de suministro son datos relacionales altamente estructurados. Por lo tanto, no sorprende que una infraestructura de software "buena" sea una que adopte una perspectiva de los datos relacional primero. El paradigma de marco de datos es un paso importante en esa dirección. Sin embargo, este paradigma puede y debería extenderse más allá del caso puntual para admitir la mayoría de las situaciones de cadena de suministro. Además, el abordaje relacional primero también debe permear el aprendizaje estadístico y los aspectos de optimización numérica de la infraestructura del software.

7.6 Mantenibilidad profunda

La mantenibilidad del software es una cuestión de supervivencia para las cadenas de suministro. Sin embargo, tanto académicos como consultores tienen incentivos estructurales para desestimar el problema por completo. Incluso los proveedores de software empresarial pueden tener incentivos para desestimar en gran medida el problema, según la configuración de su estructura de precios. Lamentablemente, a nivel de diseño, la mantenibilidad no puede ser algo que se piensa a posteriori. Existe una serie de principios de diseño que puede mejorar ampliamente la mantenibilidad de la infraestructura del software.

7.7 Seguridad profunda

El cibersecuestro de datos va en aumento y, cuando se examinan las causas raíz, hay pocos motivos para creer que este problema desaparecerá en los próximos veinte años. La optimización de la cadena de suministro presenta algunos desafíos únicos con respecto a sus requisitos de expresividad programática. En particular, la urgencia frecuentemente asociada con las correcciones rutinarias de las recetas numéricas como se encuentran en la cadena de suministro no es compatible con las prácticas habituales adoptadas por la industria de software para asegurar que el software sea seguro. Una vez más, las soluciones deben buscarse en un diseño seguro de la infraestructura del software mismo.

8. Ejecución táctica

Una iniciativa que pretende mejorar el rendimiento de la cadena de suministro a través de recetas numéricas superiores puede, si tiene éxito, alterar profundamente la cadena de suministro misma. Esta perspectiva viene con dos condiciones. En primer lugar, las recetas numéricas deben estar diseñadas para facilitar el proceso, ya que implican más de lo que parece. En segundo lugar, el proceso mismo de introducir recetas numéricas modifica a las recetas mismas, algo que, a primera vista, es bastante ilógico.

8.1 Definición de un alcance

El alcance de una iniciativa debe vincularse a una decisión de rutina. Si bien la concentración en las irregularidades inmediatas, como los pronósticos, es algo frecuente, resulta ser equivocado. Además, la maldición de la cadena de suministro es que las soluciones locales desplazan los problemas en lugar de abordarlos. Sin embargo, los alcances que abarcan todo son también resultan dañinos. Es preciso, por lo tanto, establecer el alcance para prestar atención a los compromisos en juego.

8.2 Participantes y sus roles

Si bien las empresas modernas son increíblemente diversas, existen elementos organizativos comunes fuertes que son casi omnipresentes, como la presencia de un departamento de TI que adopta una u otra forma. Los roles típicos de la iniciativa son los del coordinador, el jefe de datos, el ejecutivo de cadena de suministro y el Supply Chain Scientist.

8.3 Plazo típico de una iniciativa

Suponiendo que esté disponible una estructura de software adecuada, el plazo de una iniciativa de cadena de suministro cuantitativa tiene poco que ver con la tecnología: es el factor humano el que se convierte en el cuello de botella de cada etapa, y así es como debería ser. La cantidad de cambio que una organización compleja puede afrontar en un período de tiempo breve (manteniendo al mismo tiempo todo bajo control) es limitada. Una infraestructura de software inadecuada generalmente desvía el plazo debido a la introducción de complejidad accidental.

8.4 Preparación de datos

Por determinar.

8.4.1 Configuración de pipeline de datos

La frescura de los datos es de importancia crítica, porque los datos obsoletos disuaden a los profesionales de la cadena de suministro. Es por eso que se necesita un pipeline de datos —no simplemente una extracción de datos—, sin importar cuán modesta sea la iniciativa. El pipeline de datos debe reflejar los datos de producción (peculiaridades incluidas) y no intentar "corregir" los datos. Además, es la oportunidad para hacer una primera ronda de calificación de datos concentrándose en la semántica de estos.

8.4.2 Condición de los datos de alto y bajo nivel

La noción de condición de los datos intenta expresar si los datos son adecuados para ser utilizados para los fines de la cadena de suministro. Este abordaje difiere significativamente de la perspectiva tradicional asociada con la limpieza de datos y la preparación de datos. La condición de los datos de bajo nivel se concentra en capturar los problemas de tipo informático, generalmente causados por problemas que se producen en los límites del sistema. Los datos de alto nivel se concentran en capturar los problemas de tipo comercial, generalmente causados por algún tipo de desfase de impedancia entre la realidad del negocio y su contraparte digital en los sistemas.

8.4.3 Inspectores de datos

Debería establecerse una correspondencia estricta entre lo que se ve en los sistemas de gestión de activos (es decir, ERP, MRP, WMS, etc.) y lo que se ve en el sistema de optimización predictivo. Además, la información debería consolidarse en unidades significativas —que se denominan "inspectores"—, que proporcionan una vista consolidada de los elementos cruciales dentro de la cadena de suministro (por ej., productos, ubicaciones, clientes, etc.).

8.5 Lanzamiento de producción

La mentalidad que reza "fracasa pronto y rompe cosas" no es la adecuada para llevar el sistema de optimización de previsiones a la producción de la cadena de suministro. Lo que es peor, los procesos en cascada son una práctica arriesgada, si bien dan la impresión de que los riesgos están bajo control. La reducción de los riesgos asociados con la puesta en marcha de la producción es principalmente una cuestión de contar con el proceso adecuado, respaldado por las herramientas correctas.

8.6 La rutina diaria

Un día típico del planificador de oferta y demanda "clásico" incluye principalmente tareas administrativas que se automatizan por completo a través de un diseño intencional de recetas numéricas, como lo promueve la Quantitative Supply Chain. Sin embargo, si bien la automatización superior reduce drásticamente los requisitos básicos de un día-hombre para operar una determinada cadena de suministro, existen clases de operaciones que seguirán quedando fuera del ámbito de la automatización, al menos, durante las próximas décadas.

9. Ejecución estratégica

La cadena de suministro, como práctica y como campo de estudio, tiene como objetivo ser una habilitadora y una ventaja competitiva para la empresa en conjunto. Desde el punto de vista de la alta dirección, son dos las perspectivas que predominan: hacer de la cadena de suministro un activo beneficioso y desbloquear modos superiores de hacer funcionar el negocio. En la práctica, los resultados se reducen esencialmente a la elección de los actores correctos.

9.1 Contratación de un director de cadena de suministro

El jefe de la cadena de suministro tiene una misión: hacer que la cadena de suministro sea lo más eficaz posible para toda la empresa. En primer lugar, esta persona debe acabar con las prácticas de apagado de incendios (si las hubiera), ya que estas obstaculizan la implementación de mejoras capitalistas. En segundo lugar, esta persona debe ser capaz de contratar a un gran equipo, que en general se reduce a ser capaz de liderar con el ejemplo.

9.2 Contratación y capacitación de un equipo

Inteligencia y capacidad de completar las tareas deberían ser las dos características que las divisiones de cadena de suministro deberían buscar en sus equipos. La cadena de suministro compite con el mercado en general por estos perfiles. Las firmas de consultoría de gestión y las empresas de software tienen décadas de historial de llevar las de ganar en la competencia con el resto del mercado en lo que a perfiles se refiere. Esto debería hacer desconfiar de personas muy "inteligentes" (doctores, data scientists) que siguen estando disponibles y se postulan a sus ofertas de trabajo.

9.3 Cooperación entre TI y cadena de suministro

La cadena de suministro debe tomar el control de sus prácticas de software. Este abordaje (re)define profundamente la relación entre TI y la cadena de suministro. TI sigue presente para respaldar la infraestructura de software central y proporcionar todo el entrenamiento necesario cuando se requiere conocimiento experto de sistema.

9.4 Más allá de la S&OP

La S&OP acierta en su concentración en la alineación de la empresa de extremo a extremo para servir correctamente al mercado. Sin embargo, sus prácticas —generalmente orientadas a las reuniones— son obsoletas. Las capacidades del software moderno permiten replantear profundamente el modo en que puede lograrse la sincronización por diseño de formas más provechosas. Una mera actualización de la S&OP a través de herramientas de software solo aporta una fracción de los beneficios que podrían obtenerse mediante un rediseño más radical de la práctica.

10. Conocimiento negativo

Como regla general, el conocimiento negativo —cosas que no funcionan— es más estable que el conocimiento positivo. Si algo ha fallado de forma recurrente hasta ahora, la probabilidad de que siga fallando por siempre es altísima. El conocimiento negativo es muy valioso para la cadena de suministro, precisamente porque es mucho más fiable que su contraparte positiva.

10.1 Mala ejecución

Muchas iniciativas de cadena de suministro fallan debido a aspectos más bien triviales de su ejecución diaria. En esas situaciones de muerte por mil puñaladas, el personal y su dirección destinan la mayor parte de su tiempo y energías a extinguir incendios, sin conocer en absoluto las causas raíz.

10.1.1 Los tóxicos de siempre

Los niveles de servicio, los stocks de seguridad, el análisis ABC, la fórmula EOQ —junto con muchos clásicos históricos— resultan ser muy utilizados y altamente disfuncionlales en un contexto real. Estas recetas numéricas clásicas comparten la idea de estar basadas en cadenas de suministro idealizadas, que se parecen poco a las cadenas de suministro reales.

10.1.2 UX y flujos de datos oscuros

Las alertas y las excepciones están por todas partes en el software de cadena de suministro y, sin embargo, estos patrones de UX (experiencia de usuario) llevan sistemáticamente a una productividad deficiente y a la casi imposibilidad de implementar mejoras continuas. En términos generales, muchos flujos de trabajo parecen "racionales" porque están totalmente "especificados" y, sin embargo, no son más que burocracias cosificadas.

10.1.3 Software de porcelana

Cada vez que un software "falla" en alguna parte del entorno de cadena de suministro, las operaciones sufren disrupciones, los equipos dejan de trabajar en la mejora continua y pasan al modo extinción de incendios. La eliminación de estos problemas deberían ser una prioridad y, sin embargo, los abordajes más comunes son equivocados y acaban dando los resultados opuestos.

10.2 Mal liderazgo

Al igual que la mayoría de los problemas corporativos, la causa raíz generalmente se encuentra en la alta dirección. Sin embargo, el lema "trabaja de modo más inteligente, trabaja más duro" es menos que útil en la práctica. No obstante, existe una serie de malas prácticas que se han vuelto muy populares, principalmente porque juegan con el miedo, la incertidumbre y las dudas que son plaga en los círculos alta de la jerarquía.

10.2.1 De la indecisión y la ignorancia al RFP y los prototipos

Es posible que los ejecutivos de la cadena de suministro no cuenten con la profundidad de visión necesaria sobre lo que deberían ser sus cadenas de suministro. La profundidad generalmente falta en dos aspectos: técnico y de negocios. En el aspecto técnico, una falta de empatía mecánica lleva a problemas en el software. En el aspecto de negocios, una falta de visión lleva a una cadena de suministro estancada en un rol de respaldo, en el mejor de los casos. La indecisión y la ignorancia se manifiestan a través de RFP y prototipos mal estructurados.

10.2.2 Juicio de Salomón invertido

El juicio de Salomón tiene que ver, entre otras cosas, con mantener unido lo que nunca debió separarse. Sin embargo, el abordaje de dividir para conquistar se utiliza mucho en empresas grandes para fragmentar decisiones entre muchos silos. Esta fragmentación se ve alimentada por la comprensión incorrecta de los beneficios de la especialización y, además, genera incentivos fragmentados a su paso.

10.2.3 Sacrificios a los dioses del pronóstico

Durante cientos de años, los antiguos generales romanos indagaban sobre el futuro a través de predicciones y auspicios. Más tarde, en épocas más recientes, los políticos pasaron a la lectura de cartas, que se practica (para mayor conveniencia) a puertas cerradas. Sin embargo, la lectura de cartas seguía siendo poco precisa, y, por lo tanto, algunos ejecutivos corporativos modernizaron la cuestión, que ahora se denomina S&OP.

10.3 Seudociencia

La seudociencia corre desenfrenada en los círculos de cadena de suministro. De hecho, la gente que se enfrenta a problemas complejos es presa fácil de charlatanes, porque les resulta más difícil ponerlos en evidencia. Además, aunque se exponga el fraude, un poco de mala fe es muy útil para desviar cualquier crítica.

10.3.1 Teorías simplistas que se disfrazan de sofisticadas

Los problemas de la cadena de suministro son tan diversos como técnicos. Como resultado, cada aproximadamente diez años surge alguna teoría que propone una simplificación radical. Esas teorías deben ser "lo suficientemente complejas" como para no ser descaradamente simplistas, pero lo suficientemente simplistas como para ganar tracción fácil, ya que solo exigen esfuerzos mínimos de parte de los profesionales de la cadena de suministro. Hablaremos acerca de DDMRP y flowcasting en este contexto.

10.3.2 Teorías oscuras para hacerlo sentir iniciado

Cada aproximadamente diez años surge, por otro lado, una teoría de cadena de suministro o una tendencia que va en la dirección exactamente opuesta que la que se señalaba en la conferencia anterior. Debido a que los problemas de la cadena de suministro parecen velados, no es tan irracional esperar que la solución sea velada también. Al jugar la poderosa carta del "miedo a perderse algo", los actores ganan tracción entre los círculos de cadena de suministro prometiendo una iniciación. Tres ejemplos recientes notables: la IA, la blockchain y el demand sensing (o detección de la demanda).