FAQ: Glosario

El enfoque de Lokad para optimizar las decisiones de supply chain aprovecha varias perspectivas y herramientas de diferentes campos, no solo del propio supply chain. Estas incluyen, entre otras, machine learning (ML), artificial intelligence (AI), forecast probabilístico, filosofía y economía. Así, nuestra terminología está influenciada por una multitud de disciplinas. Esta página tiene como objetivo proporcionar una explicación de cómo (y por qué) Lokad utiliza estos términos en el contexto de la optimización de supply chain, así como el matiz específico que buscamos transmitir cuando los usamos.

Audiencia prevista: Los departamentos de supply chain y/o planificación.
Última modificación: Mayo 2024

Un hombre coloca una lista impresa en las puertas de una fábrica mientras profesionales observan al fondo. La escena recuerda a Martin Luther.

¿Qué significa “Supply Chain”?

Para Lokad, supply chain es tanto una práctica como un campo de estudio que se puede definir de la siguiente manera:

Supply chain es el dominio de la opcionalidad en presencia de variabilidad al gestionar el flujo de bienes físicos.

Opcionalidad se refiere a la capacidad de elegir la “opción” correcta entre muchas alternativas en competencia. Esa única “opción” seleccionada se convierte en la “decisión”. Se consideran todas las decisiones que configuran el flujo de bienes físicos, como los pedidos de reposición, los pedidos de producción y los cambios de precio. Además, la opcionalidad se refiere a hacer que las opciones estén disponibles desde el principio. Por ejemplo, invertir recursos para identificar proveedores alternativos tiene la intención de crear más opciones para la empresa.

Variabilidad se refiere a la incertidumbre irreducible asociada al estado futuro del mercado, es decir, las condiciones pueden cambiar significativamente de un momento a otro. Esto se debe a que los supply chain, por diseño, están expuestos a fuerzas que la empresa no puede controlar completamente. Estas fuerzas incluyen la demanda de los clientes, los precios de las materias primas, los tiempos de entrega de los proveedores, etc. Por lo tanto, cualesquiera que sean los métodos o instrumentos utilizados con fines de supply chain, deben abordar de forma frontal el problema del conocimiento imperfecto y el riesgo, que son inherentes a los supply chain.

Finalmente, el flujo de bienes físicos es crítico y diferencia el dominio de supply chain de, por ejemplo, el trading financiero. Los supply chain están, naturalmente, limitados por su naturaleza física: los interesados (por ejemplo, clientes, proveedores, mayoristas, transportistas, productores, etc.) están distribuidos geográficamente. Cualesquiera que sean los métodos o instrumentos utilizados para conectar a estos interesados, deben abordar de forma directa (y adecuada) las numerosas restricciones que habitualmente surgen. Ejemplos de estas restricciones son la Cantidad Mínima de Pedido (MOQ), el Valor Mínimo de Pedido (MOV), cargas completas de camión, espacio limitado en almacenes y la capacidad general de una empresa para gestionar pedidos entrantes/salientes, etc.

¿Qué es la “perspectiva de supply chain mainstream”?

La perspectiva de supply chain mainstream (MSCP), o la perspectiva clásica de supply chain, se refiere a varias suposiciones y prácticas defectuosas que uno encuentra típicamente, entre las cuales se incluyen:

  • MSCP asume que el futuro es perfectamente predecible. Los métodos, como el forecast clásico de series temporales, intentan expresar el futuro como un único valor (por ejemplo, demanda, devoluciones, tasas de desecho, lead times, etc.). Esto es defectuoso porque el futuro es, naturalmente, incognoscible (es decir, la incertidumbre futura no se puede eliminar completamente con el forecast). Así, identificar un único valor futuro es subóptimo desde la perspectiva de la gestión del riesgo (pues faltan dimensiones de probabilidad).

  • MSCP asume que el supply chain en sí no está sujeto a comportamientos adversariales. En ningún momento la MSCP considera siquiera que los interesados (por ejemplo, empleados, clientes, proveedores, socios, competidores, etc.) puedan tener sus propias agendas, y que estas agendas puedan afectar negativamente a su supply chain.

  • MSCP asume la observabilidad. La realidad es que toda gran empresa opera a través de un paisaje aplicativo irritantemente opaco (aplicaciones de software), haciendo que la observación directa del supply chain sea sumamente difícil.

  • MSCP carece de falsabilidad. Es inmune a la realidad. No importa lo mal que funcionen, en la práctica, las técnicas listadas en los libros de texto tradicionales o en las presentaciones de los proveedores, ninguna de esas técnicas puede ser refutada por el feedback del mundo real.

A partir de 2024, la mayoría de las grandes empresas han implementado varias soluciones de optimización de supply chain desde la década de 1980, sin embargo, muchas (si no la mayoría) de esas empresas aún funcionan con hojas de cálculo. Este es otro aspecto clave de la MSCP: los proveedores de software se han convertido en maestros en el desvío de responsabilidades, e invariablemente culpan a los practicantes de supply chain por no ser capaces de “seguir el proceso” o “utilizar parámetros adecuados”.

Sin embargo, la realidad es más simple: la teoría de la MSCP en sí no funciona, y los practicantes de supply chain vuelven a sus hojas de cálculo porque, sean cuales sean las heurísticas rudimentarias que tengan, esas heurísticas (aunque lejos de ser perfectas) superan a los “métodos sofisticados” que se encuentran en los libros de la MSCP.

Esto es precisamente por lo que Lokad emprendió una refundación de supply chain en 2011, tanto como campo de estudio como de práctica. Nos referimos a esta reforma como Supply Chain Quantitativa.

La MSCP se capta perfectamente a través de una serie de libros de texto clásicos:

  • Production and Operations Analysis, Séptima Edición, por Steven Nahmias y Tava Lennon Olsen, 2015
  • Inventory and Production Management in Supply Chains, Cuarta Edición, por Edward A. Silver, David F. Pyke y Douglas J. Thomas, 2016
  • Fundamentals of Supply Chain Theory, Segunda Edición, por Lawrence V. Snyder y Zuo-Jun Max Shen, 2019

¿Qué es la “Planificación de la Demanda”?

Desde la perspectiva de supply chain mainstream, la planificación de la demanda es el conjunto de procesos que utiliza una empresa para cuantificar la demanda futura. La idea implícita que respalda la planificación de la demanda es que, una vez que se ha evaluado con precisión la demanda futura, la gestión adecuada del supply chain se reduce en gran medida a la asignación correcta y oportuna de recursos para que la empresa entregue “lo justo” para el mercado.

Los procesos de planificación de la demanda incluyen técnicas retrospectivas, como el análisis estadístico de las ventas históricas y el forecast de sus series temporales asociadas. También incluye técnicas prospectivas, como colaborar con ventas y marketing para refinar los números basados en los objetivos establecidos por la propia empresa.

Sin embargo, desde la perspectiva de Supply Chain Quantitativa (QSC) de Lokad, la planificación de la demanda es un concepto anticuado que no tiene cabida en el supply chain moderno. En cambio, QSC sostiene que la ejecución del supply chain debería ser robotizada, impulsada por recetas numéricas que típicamente cuentan con una fase de modelado predictivo, seguida de una fase de optimización estocástica.

La fase de modelado predictivo abarca todos los aspectos del “forecast”, no solo la demanda futura, sino también todas las demás fuentes de incertidumbre (por ejemplo, futuros lead times, futuros precios de materias primas, futuras devoluciones de clientes, etc.). La fase de optimización estocástica abarca todas las partes de la “toma de decisiones” (por ejemplo, elegir las cantidades a reordenar, asignar el stock disponible a través de la red de ventas, reajustar precios), algo que tradicionalmente se mantiene separado de la planificación de la demanda.

La planificación de la demanda está anticuada por varias razones.

Primero, asume que las personas deben estar involucradas en la ejecución de la “evaluación cuantitativa del futuro”. Esto es una completa pérdida de tiempo y energía. Las personas ciertamente deberían participar en la elaboración de las recetas numéricas que respaldan los modelos predictivos (tal como es el rol de los Supply Chain Scientists de Lokad). Sin embargo, los modelos predictivos deberían funcionar completamente sin intervención, ya que simplemente no añaden valor tener personas interfiriendo manualmente en un proceso que normalmente genera miles, si no millones, de números a diario.

Segundo, dado que la “planificación manual de la demanda” ya es lenta y costosa, las empresas típicamente no disponen de recursos para abordar todas las demás fuentes de incertidumbre (por ejemplo, lead times, devoluciones, calidad, etc.). Aunque evaluar la demanda futura es crucial, no es la única fuente de incertidumbre. Los futuros lead times, futuros precios de materias primas, futuros precios de competidores, futuras devoluciones de clientes, etc., son otras fuentes clave de incertidumbre que también deben evaluarse de forma cuantitativa.

En conclusión, la planificación de la demanda es una perspectiva anticuada sobre cómo orquestar los supply chain. Esta perspectiva surgió antes de la llegada de las computadoras y ha sobrevivido unas décadas más de las que debería. En este punto, debería ser reemplazada por enfoques más adecuados, como la perspectiva de QSC de Lokad.

¿Qué es la “Calidad del Servicio”?

En el contexto de la optimización de supply chain, la “calidad del servicio” (QoS) se refiere a la capacidad de la empresa para atender a su cliente mientras satisface sus expectativas implícitas. QoS no es una métrica ni siquiera algo tangible: refleja la intención de la empresa de servir adecuadamente a sus clientes. Así, QoS es direccional pero vaga.

Tratar de descubrir las expectativas implícitas de los clientes es un problema amplio y multifacético. Encuestar a los clientes está lleno de problemas. Los clientes pueden decir educadamente que están completamente satisfechos con el servicio y, sin embargo, seguir visitando a la competencia. Por el contrario, los clientes pueden quejarse en voz alta mientras permanecen fervientemente leales.

Además, QoS nunca es un problema unidimensional. La canibalización y sustitución, junto con las diferencias de precios, suelen oscurecer lo que realmente significa la “disponibilidad” para los clientes. Frecuentemente, también deben considerarse preocupaciones específicas del dominio. Por ejemplo, aunque queden muchos yogures en el estante, los clientes pueden encontrarlos inaceptables si todos caducan en tres días.

En la práctica, las métricas que aproximan razonablemente a QoS solo pueden descubrirse mediante un examen cuidadoso e inteligente del negocio. Esto requiere un pensamiento profundo y empatía con los clientes. Ciertas metodologías ayudan en gran medida a identificar métricas próximas de alta calidad, como la optimización experimental, un enfoque pionero por Lokad.

Uno de los mayores errores de la perspectiva de supply chain mainstream es presentar los niveles de servicio - la probabilidad de que un artículo no presente faltante de stock - como si fueran un proxy razonable de QoS. Esto es casi invariablemente incorrecto. Los niveles de servicio ignoran por completo toda la canibalización y sustitución que son ubicuas en la mayoría de los sectores. También ignoran totalmente la lumpy demand, que es cuando el cliente necesita que muchos artículos estén disponibles de forma conjunta para estar satisfecho (por ejemplo, un profesor comprando libros para toda una clase de estudiantes, múltiples interruptores de luz idénticos necesarios para un proyecto de renovación de una casa). Los niveles de servicio también desestiman completamente la disposición del cliente a pagar más para ser atendido más rápidamente, o, por el contrario, a pagar menos si el servicio se retrasa.

En conclusión, QoS es una perspectiva aspiracional. Refleja lo que la empresa desea optimizar, incluso si los criterios de optimización siguen siendo elusivos ya que la empresa se enfrenta a un problema complejo. QoS es el principio direccional que guiará la búsqueda de métricas que sean proxies creíbles de esta aspiración. Los niveles de servicio y otras métricas ingenuas no deben confundirse con un proxy razonable de QoS.

¿Qué es un “AI Pilot”?

Esto se refiere a la automatización general de la orquestación de un supply chain utilizando AI. El AI Pilot incluye los procesos de toma de decisiones (por ejemplo, ¿cuánto debo producir?) así como los procesos de soporte mundanos (por ejemplo, obtener MOQs actualizados para un proveedor dado). Lokad acuñó este término a principios de 2024. El AI Pilot, como una pieza de software, es elaborado por los Supply Chain Scientists de Lokad. Elaboramos un pilot por cada empresa cliente, aunque existen muchas similitudes entre nuestras implementaciones. El AI Pilot se ejecuta en la plataforma de Lokad, que cuenta con capacidades de big data y machine learning. El AI Pilot es un servicio ofrecido por Lokad y, generalmente, se factura mensualmente.

Para saber más sobre cómo funcionan los AI Pilots, consulta nuestro podcast en formato largo sobre el tema.

¿Qué significa “Supply Chain Quantitativa”?

El “Supply Chain Quantitativa” (QSC) es un conjunto de metodologías y tecnologías pioneras por Lokad durante la década de 2010. Cuenta con una serie de técnicas como el forecast probabilístico, la optimización estocástica y la programación diferenciable, que están ausentes de la perspectiva de supply chain mainstream. También cuenta con una serie de metodologías como la optimización experimental, los personae de supply chain, investigación de mercado adversarial que también están ausentes de la perspectiva de supply chain mainstream.

El término “Supply Chain Quantitativa” fue acuñado en 2017 en el libro del fundador de Lokad, Joannes Vermorel, The Quantitative Supply Chain. El manifiesto de QSC puede resumirse como sigue:

  1. Se deben considerar todos los futuros posibles; una probabilidad para cada posibilidad
  2. Se deben considerar todas las decisiones factibles; posibilidades versus probabilidades
  3. Se deben utilizar los impulsores económicos para priorizar las decisiones factibles
  4. Tener el control requiere la automatización de cada tarea mundana
  5. Un Supply Chain Scientist debe hacerse cargo de los resultados numéricos

El Supply Chain Quantitativa puede verse como el campo de estudio que reúne todos los elementos necesarios para la implementación práctica de un AI Pilot para un supply chain dado.

¿Qué es “Supply Chain as a Service”?

Desde lejos, Lokad puede describirse como una empresa de software empresarial. Sin embargo, de cerca, Lokad es bastante diferente a lo que la gente podría esperar de un proveedor de software. Lokad no solo entrega robotized supply chain decisions, sino que también asume la responsabilidad del rendimiento del supply chain resultante de esas decisiones. Our Supply Chain Scientists están allí para monitorear y refinar continuamente la automatización que hemos implementado para cada uno de nuestros clientes. Así, una suscripción a Lokad le brinda a nuestros clientes una ejecución más rentable de su supply chain.

Este enfoque es muy diferente a, por ejemplo, una oferta SaaS (software as a service) en la que la empresa cliente sigue siendo, en última instancia, responsable de todo lo que importa. Con SaaS, el departamento de TI se libera de gestionar otra aplicación más, pero eso es todo. Si algo sale mal, como una demanda errática, suministros caóticos, datos incompletos, etc., depende completamente de los equipos del supply chain resolverlo. En cambio, en el caso de SCaaS, es trabajo de Lokad resolverlo. Naturalmente, en la práctica, esto es un esfuerzo colaborativo entre Lokad y su cliente. Sin embargo, Lokad está comprometido con obtener resultados, y no meramente con mantener los servidores en funcionamiento.

¿Qué es una “receta numérica”?

Lokad automatiza los procesos de toma de decisiones del supply chain, y comúnmente nos referimos a las piezas de software que realizan efectivamente la automatización como nuestras “recetas numéricas”. Estas recetas numéricas son típicamente bastante complejas, ya que reflejan las complejidades intrínsecas de los propios supply chains. Las recetas son una combinación de una miríada de pasos mundanos de preparación de datos intercalados con pasos analíticos sofisticados – típicamente algoritmos de machine learning o de optimización matemática.

Utilizamos el término “receta” en lugar de “algoritmo” ya que esas recetas no son ni de lejos tan “puras” como lo que la mayoría de los ingenieros de software esperarían al hablar de algoritmos. Además, si bien se espera que un algoritmo aborde un problema bien definido, este no es típicamente el caso con nuestras recetas. En última instancia, está en juego el rendimiento integral del supply chain, y este es un problema abierto y mal definido. Por lo tanto, la evaluación de la receta es tan compleja, si no más, que la elaboración de la receta misma.

¿Qué son las “(mundanas) supply chain decisions”?

Una decisión del supply chain es aquella que tiene consecuencias reales para el flujo de bienes. Por ejemplo, las reposiciones de inventario, las órdenes de producción y los cambios de precio son decisiones que afectan profundamente el flujo de bienes.

Los supply chains modernos implican, típicamente, decenas de miles e incluso, a veces, millones de decisiones diarias. Como regla general, cada SKU (storage keeping unit) abarca alrededor de media docena de decisiones, incluyendo el no hacer nada, lo cual también es una decisión (aunque trivial).

Estas decisiones (diarias) a menudo se denominan “mundanas” porque pueden ser completamente automatizadas. En ese sentido, “mundanas” no significa “intrascendentes”.

Las decisiones se oponen a los “artefactos numéricos” (cosas que parecen importantes pero carecen de un impacto sustantivo en el supply chain en cuestión). De hecho, con más analytics, suele generarse mucha confusión entre ambos. Por ejemplo, un demand forecast, una clase ABC, un safety stock o un service level pueden considerarse artefactos numéricos. Esos elementos ciertamente pueden ser instrumentales para calcular decisiones reales, pero por sí solos, son completamente intrascendentes. No importa si el forecast está equivocado, siempre y cuando la reposición de inventario sea adecuada; sin embargo, lo contrario, obviamente, no es cierto.

Lokad se centra en las “decisiones” en lugar de en los “artefactos numéricos”, ya que demasiadas empresas no logran ver el bosque por los árboles. Al contrario, cuentan con tantos indicadores de rendimiento (artefactos) que ya ni siquiera pueden percibir lo que realmente sucede con las decisiones que toman. Nuestro enfoque en las “decisiones” es lo que garantiza que Lokad persiga lo que realmente importa para nuestros clientes (mejor rendimiento del supply chain) en lugar de perseguir indicadores arbitrarios (artefactos numéricos).

¿Qué es un “artefacto numérico”?

Un artefacto numérico se refiere a un número que se percibe como importante, incluso si dicho número no tiene ninguna consecuencia directa o tangible para el supply chain de la empresa. Por ejemplo, los service levels son artefactos numéricos. Los artefactos numéricos no son reales, sino que son abstracciones – a menudo seleccionadas arbitrariamente por un profesional.

Por ejemplo, un service level del 98% puede ocultar el hecho de que numerosos clientes ya han dejado de pedir en su totalidad debido a una quality of service deficiente en el pasado. Además, los artefactos numéricos no pueden controlarse directamente. Una empresa puede realizar más órdenes de reposición, pero no puede decidir unilateralmente que los service levels sean del 98%, ya que, en última instancia, los clientes deciden cuánto de un producto dado se consume.

Los artefactos numéricos se oponen por definición a las “decisiones”, las cuales tienen consecuencias reales para la empresa. Las decisiones también dependen enteramente de la discreción de la compañía. Las supply chain decisions típicas incluyen órdenes de reposición, órdenes de producción, cambios de precio, etc. A diferencia de los artefactos numéricos, cada decisión errónea es una pérdida irrevocable para la empresa. Por ejemplo, la clase ABC (artefacto numérico) de un artículo puede ser completamente incorrecta o inexacta, pero mientras no haya sobrestock y no se produzca un faltante de stock, no importa. Por otro lado, una única orden de compra desmesuradamente grande (decisión) puede convertir un artículo bien abastecido en una gran baja.

A lo largo de los años, Lokad ha aprendido de la manera difícil que los indicadores numéricos son en su mayoría ilusorios y erróneos. Más a menudo de lo esperado, las precisiones del forecast y los service levels caracterizan mal por completo el problema en cuestión (es decir, anticipar y satisfacer la demanda de una manera rentable para una empresa). Debemos centrarnos en los “dólares de error” para una determinada decisión, y no en los “porcentajes de error” para un artefacto numérico.

¿Qué significa “robotized”?

Lokad robotiza (“automatiza”) las supply chain decisions repetitivas, volviéndolas mundanas. Esto significa que todas las decisiones diarias confiadas a Lokad (por ejemplo, órdenes de producción, cambios de precio, asignaciones de stock) se generan de manera completamente desatendida. Como regla general, la mayoría de nuestros clientes pueden operar durante semanas sin intervención directa de Lokad, siempre y cuando las condiciones del mercado no cambien demasiado dramáticamente. Nuestros Supply Chain Scientists mejoran de forma continua las recetas numéricas que hemos implementado, pero no se necesita ningún Supply Chain Scientist para generar las decisiones del supply chain de un día dado: nuestras recetas numéricas están diseñadas para funcionar sin supervisión.

Este enfoque es radicalmente diferente de lo que ofrecen nuestros pares (otros proveedores de software empresarial) offer. En su caso, los supply chain practitioners son tratados como los “human coprocessors” de su sistema. En el momento en que los practitioners dejan de trabajar con un software, en la empresa deja de suceder algo, ya que su tiempo se consume en producir decisiones del supply chain.

En contraste, Lokad convierte cada minuto de los supply chain practitioners en una inversión para la mejora de la receta numérica que permite la robotización de decisiones. Si los supply chain practitioners dejan de trabajar, esto no afecta la ejecución robotizada de la receta numérica. La receta numérica simplemente deja de mejorar. Si esto continuara por un tiempo, resultaría en la inevitable decadencia de la calidad de las decisiones, ya que la receta numérica perdería su relevancia (debido a cambios en las condiciones del mercado).

Sin embargo, Lokad ha implementado una serie de mecanismos de auto-vigilancia para la detección temprana de dicha decadencia en la calidad, y puede así desencadenar una inspección humana de la receta numérica (primero, por un Supply Chain Scientist, y luego por un supply chain practitioner de la empresa cliente).

¿Qué es una “supply chain initiative”?

Esto se refiere específicamente a un proyecto del supply chain impulsado por la perspectiva de “Supply Chain Quantitativa” (QSC) de Lokad. El objetivo de tal iniciativa es robotizar una determinada clase de supply chain decisions y alcanzar un rendimiento más allá de lo humano en el proceso. El objetivo de dicha iniciativa no es solo mejorar un problema específico dentro del supply chain del cliente, sino ofrecer una mejora sistémica a nivel de toda la empresa.

Las iniciativas de supply chain de Lokad abordan típicamente órdenes de compra, órdenes de producción, asignaciones de inventario, cambios de precio, horarios de producción de alta precisión, etc. En esencia, nos ocupamos de todas las decisiones mundanas y repetitivas necesarias para mantener el funcionamiento del supply chain del cliente.

La iniciativa del supply chain está destinada a ser liderada por los Supply Chain Scientists (SCSs) de Lokad. Un SCS está allí para elaborar todas las recetas numéricas necesarias para automatizar las decisiones del supply chain de interés. Además, el SCS es responsable de visualizar (por ejemplo, mediante reportes y dashboards) las recetas numéricas para que los clientes (particularmente la alta dirección) comprendan tanto cómo como por qué la automatización ofrece un rendimiento superior al humano.

El entregable de una iniciativa de supply chain de Lokad es poner en producción la(s) receta(s) numérica(s) que el SCS ha elaborado para el cliente. Este entregable automatiza las decisiones y convierte efectivamente el supply chain en un activo productivo para el cliente (de la misma manera en que un equipo automatiza la producción de bienes físicos).

¿Qué es “optimización experimental”?

La optimización experimental es una metodología, empleada por Lokad, para abordar problemas en los que la noción misma de “mejora” no está clara al inicio del proceso de optimización. Esta falta de claridad se debe a que los criterios de optimización (métricas) y sus niveles favorables no se conocen, o, incluso si se han establecido previamente en ciertos niveles, no pueden justificarse de inmediato en términos financieros (por ejemplo, rentabilidad, ROI, etc.). El objetivo de la optimización experimental es establecer un método riguroso (algunos dirían “científico”) para cuantificar lo que significa la “mejora” para un supply chain desde una perspectiva financiera.

Por ejemplo, considere una tienda de moda que desea mejorar su quality of service. Uno de los principales problemas es que identificar lo que realmente significa la “quality of service” para el cliente promedio es complicado, dada la naturaleza diferente de los hábitos de compra de hombres y mujeres, así como la influencia de las sustituciones. Las sustituciones, por naturaleza, dificultan identificar cómo perciben los clientes su oferta, incluso si han realizado una compra – por ejemplo, adquirir una camiseta negra lisa en lugar de una blanca lisa que está faltante de stock. En papel, se realizó una venta, pero la ausencia de la camiseta blanca lisa puede señalar el fin de la lealtad del cliente, especialmente si ocurre de forma regular. Además, es menos probable que los hombres dediquen tiempo a explorar múltiples artículos que las mujeres, de modo que no disponer del artículo exacto que desean (o de una sustitución adecuada) puede ser decisivo a la hora de realizar una compra. Por ello, lo que la gerencia cree saber sobre su propio negocio (y sus clientes) podría resultar increíblemente engañoso, lo que a su vez puede orientar sus estrategias de inventario en la dirección equivocada.

Con este fin, la optimización experimental consiste en llevar a cabo una serie de experimentos que desafían los propios criterios de optimización – es decir, el instrumento mismo que cuantifica si el supply chain es mejor o peor (por ejemplo, “quality of service”). La esencia del método consiste en elegir un criterio, ejecutar una optimización matemática (o, más específicamente, una optimización estocástica) respecto a este criterio, y evaluar las decisiones del supply chain resultantes. Esta evaluación no se realiza de forma agregada, sino en comparación con las decisiones más absurdas que simplemente no pueden ser correctas. Posteriormente, el criterio debe modificarse para eliminar gradualmente esas decisiones absurdas, hasta que no quede ninguna.

El criterio resultante ha sido, por lo tanto, obtenido a través de una serie de experimentos. A diferencia de la perspectiva clásica de optimización, que supone que los criterios se conocen de antemano y nunca son cuestionados por el mundo real, la optimización experimental descubre los criterios confrontándolos repetidamente con situaciones reales.

Para retomar el ejemplo anterior de la tienda de moda, una optimización experimental podría indicar que redistribuir el stock preexistente entre tiendas es la solución óptima, o quizá que simplemente reorganizar las exhibiciones en cada tienda es suficiente para estimular un mayor flujo de clientes y una mejor quality of service percibida. Estas conclusiones solo se pueden descubrir tras experimentar repetidamente con (ajustar) la receta numérica que genera la(s) recomendación(es) de optimización.

El supply chain, como cualquier otro sistema, es más que la suma de sus partes. De hecho, la maldición del supply chain es que la mayoría de las supuestas mejoras simplemente desplazan los problemas en lugar de resolverlos, ya que se tratan como cuestiones locales en vez de manifestaciones de problemas sistémicos. Por ejemplo, aumentar los service levels generalmente implica, además, incrementar la baja de inventario. Como tal, no es posible ajustar o modificar un elemento aislado dentro de un sistema sin impactar al resto del sistema. Por ello, resulta siempre difícil cuantificar si algo está mejorando o empeorando el sistema (el supply chain).

Además, en el caso específico de los supply chains, esta dificultad se complica ya que generalmente se requiere mucho tiempo para que los eventos se desarrollen. En el ejemplo de la tienda de moda mencionado anteriormente, los hombres pueden ser increíblemente leales a una tienda que consistentemente tiene los artículos que desean, impulsados por la mera conveniencia de no tener que pasar demasiado tiempo comprando. Como resultado, experimentar eventos de faltante de stock puede ser devastador para la lealtad del cliente y tardar mucho en manifestarse (puesto que los hombres pueden comprar solo unas pocas veces al año, aunque adquieran muchos artículos en cada visita para maximizar el valor de cada salida). Estas consideraciones y contingencias confunden todos los enfoques ingenuos para cuantificar el rendimiento del supply chain, por lo que Lokad aboga por una solución basada en la optimización experimental.

Para una perspectiva más detallada, existe una conferencia completa sobre Experimental Optimization for Supply Chain.

¿Qué es el “forecast probabilístico”?

El forecast probabilístico es el proceso de identificar todos los posibles valores/resultados/escenarios futuros (p. ej., demanda para un determinado SKU), y asignar una probabilidad a cada valor. La probabilidad representa qué tan probable es que ese valor se convierta en “real” (p. ej., se podría tener una probabilidad del 3% de vender 4 unidades; una probabilidad del 4% de vender 5 unidades; una probabilidad del 2% de vender 6 unidades; etc.). Numéricamente, cuando se suman, esta distribución de probabilidad (también conocida como “forecast probabilístico”) cubre el 100% de los valores potenciales (p. ej., demanda).

Se dice que un forecast es “probabilístico” si el valor pronosticado es una distribución de probabilidad en lugar de un único punto. Los forecasts probabilísticos son lo opuesto a los forecasts puntuales tradicionales que dominan la teoría mainstream de la supply chain. La principal ventaja de los forecasts probabilísticos es que abrazan la incertidumbre irreducible del futuro, en lugar de pretender que el forecast “perfecto” está a la vuelta de la esquina si tan solo se pudiera descubrir un modelo un poco más preciso. Los forecasts probabilísticos cuantifican la incertidumbre, y esta cuantificación es fundamental para luego producir decisiones de supply chain ajustadas por riesgo. Sin los forecasts probabilísticos, las decisiones son frágiles ya que ignoran por completo las variaciones mundanas (p. ej., demanda, tiempo de entrega) que se espera que ocurran incluso considerando las condiciones regulares del mercado.

Vale la pena notar que cualquier forecast de serie temporal puntual puede ser “matemáticamente” transformado en una distribución de probabilidad. Esto es exactamente lo que se hace con los stocks de seguridad, ya que tanto la demanda como el tiempo de entrega se pueden emparejar con distribuciones normales (Gaussianas). Sin embargo, aunque tales técnicas nominalmente generan distribuciones de probabilidad, esas técnicas también pierden completamente el objetivo. El problema central que debe abordar un forecast probabilístico es producir un forecast más rico – un forecast que contenga más información que un forecast puntual. Este forecast probabilístico no es necesariamente más preciso, al igual que una fotografía en color no tiene necesariamente una mejor resolución que una en blanco y negro. Sin embargo, por construcción, un forecast puntual carece de esta dimensión extra. Incluso si se utiliza un truco matemático para añadir probabilidades, esas probabilidades estarán casi totalmente inventadas, al igual que la colorización de una imagen puede ser muy plausible aunque sea fácticamente incorrecta.

En resumen, los forecasts probabilísticos representan una de las etapas fundamentales de procesamiento de datos necesarias para la optimización predictiva de una supply chain.

¿Qué es el forecast general?

Se dice que una técnica de forecast es “general” si soporta datos que no se presentan como series temporales. De hecho, aunque los forecasts de series temporales son muy útiles para fines de visualización, en última instancia son un modelo simplista y unidimensional que no logra reflejar los eventos conforme se desarrollan en una supply chain real.

Considerar múltiples series temporales tampoco resuelve el problema.

Por ejemplo:

  • compras repetidas de los mismos clientes no pueden modelarse con series temporales ya que una serie temporal de demanda aplana completamente el origen de cada unidad que se compra.
  • canibalización o sustitución no pueden representarse como series temporales ya que se pierden las dependencias entre los artículos.
  • competidores compitiendo en precios, descuentos por volumen, niveles de servicio, etc., no pueden captarse mediante una serie temporal ya que no pueden reflejar estos factores causales.

En la teoría mainstream de la supply chain, los forecasts de series temporales son el alfa y la omega. Sin embargo, un examen cuidadoso de situaciones del mundo real debería demostrar que los forecasts de series temporales son invariablemente una simplificación gravemente equivocada de la situación – véase los ejemplos listados arriba. En la teoría de Supply Chain Quantitativa (QSC) de Lokad, es mejor estar aproximadamente correcto que exactamente equivocado. Pretender que un problema del mundo real (p. ej., sustituciones) no existe, no hace que el problema desaparezca.

Por esta razón, desde principios de la década de 2010, Lokad ha desarrollado y sido pionero en toda una serie de tecnologías de forecast superiores que ofrecen formas más generales de forecasts (más allá de los básicos de series temporales). Según nuestro QSC, cada fuente de incertidumbre requiere un forecast probabilístico propio. Estos “forecasts generales” no son entregados por “modelos de forecasting”, sino a través de paradigmas de aprendizaje automático programático, tales como differentiable programming.

¿Qué es el forecast clásico?

Por “forecast clásico” nos referimos al forecast puntual de series temporales. Los forecasts puntuales de series temporales son tan ubicuos en la teoría mainstream de la supply chain que muchas personas, incluyendo muchos supply chain practitioners, no se dan cuenta de que los forecasts puntuales de series temporales son meramente una forma de forecast estadístico. De hecho, existen una gran cantidad de formas alternativas de forecasts estadísticos, siendo el forecast puntual de series temporales una de las más simplistas.

Nota: Un forecast simplista no es necesariamente algo malo. De hecho, Lokad cree que el software de forecasting no debería ser más complicado de lo necesario para cumplir su función. Dicho esto, los forecasts puntuales de series temporales son insufriblemente simplistas, como se demostró en “¿Qué es el forecast general?”.

Los forecasts puntuales de series temporales ganaron popularidad a comienzos del siglo XX, medio siglo antes de la llegada de las computadoras corporativas. Hasta que las computadoras potentes se hicieron ampliamente asequibles, los forecasts puntuales de series temporales eran el único tipo de forecast estadístico que se podía producir. A pesar de su extrema simplicidad, producir forecasts de series temporales ya era demasiado trabajo para que realmente valiera la pena la inversión, dado que se realizaban sin la capacidad de procesamiento de las computadoras corporativas. Como resultado, la mayoría de las empresas utilizaban todo tipo de trucos para eliminar por completo la necesidad de forecast estadístico en primer lugar.

Existen dos vías distintas y complementarias para ir más allá de los forecasts clásicos. La primera consiste en reemplazar el enfoque de “forecast puntual” por uno de “forecast probabilístico”.

Los forecasts probabilísticos, a diferencia de sus contrapartes “puntuales”, entregan densidades de probabilidad completas. Los forecasts probabilísticos abrazan la incertidumbre irreducible del futuro y cuantifican de manera directa esta incertidumbre. En términos de supply chain, los forecasts probabilísticos son ampliamente superiores a los forecasts puntuales porque se prestan al posterior cálculo de decisiones de supply chain ajustadas por riesgo. Por el contrario, los forecasts puntuales ignoran todas las fuentes de incertidumbre y las decisiones derivadas de estos forecasts son frágiles por diseño.

La segunda vía consiste en reemplazar el enfoque de “series temporales” por una alternativa de mayor dimensión. Las series temporales son unidimensionales por diseño. Esta limitación inherente significa que los forecasts de series temporales simplemente no son capaces de capturar ni las interdependencias más básicas que pueden observarse en el flujo de bienes de la supply chain.

Por ejemplo, los forecasts de series temporales no pueden comprender la canibalización y sustitución. No pueden captar el riesgo de tener un volumen de ventas constante que dependa completamente de un único cliente grande (p. ej., en situaciones B2B). Tampoco pueden comprender la perspectiva de la canasta de un cliente que compra en un hipermercado y que necesita todos los ingredientes necesarios para completar una receta (es decir, la ausencia de un solo artículo significa que no se compra nada). Lokad utiliza differentiable programming para diseñar modelos predictivos que van más allá de la perspectiva unidimensional de las series temporales y capturan la verdadera información de interés.

En conclusión, el forecast clásico es una perspectiva estadística anticuada que no tiene lugar en una supply chain moderna. Confiar en los forecasts clásicos – es decir, en los forecasts puntuales de series temporales – es una receta para el fracaso, ya que esos forecasts conducen, en el mejor de los casos, a decisiones frágiles y, en el peor, a decisiones totalmente incorrectas. En su lugar, recomendamos utilizar el forecasting probabilístico general, aprovechando típicamente un paradigma de aprendizaje automático programático como differentiable programming.

¿Qué es la “perspectiva de la canasta”?

La perspectiva de la canasta es una inquietud de máxima relevancia para todos aquellos sectores donde se espera que los clientes compren muchos artículos a la vez (como una sola transacción), en lugar de un solo artículo. Se refiere al valor percibido de que las compras se realicen en conjunto en lugar de de forma aislada. En otras palabras, el valor de que todos los artículos estén disponibles en su conjunto podría ser mayor que la suma de los valores disjuntos de los artículos adquiridos por separado. Esta perspectiva es crucial para muchos sectores, por ejemplo, el comercio minorista de mercancía general. Reconocer esta interdependencia en la demanda conduce a decisiones de supply chain superiores en comparación con las metodologías tradicionales que tratan la compra de cada SKU como un evento aislado.

Por ejemplo, considere a un cliente que entra en un supermercado para comprar múltiples artículos. Estos artículos representan una mezcla de productos básicos esenciales (p. ej., leche, pan y huevos) y compras discrecionales (p. ej., helado y chocolate). Si el supermercado experimenta un faltante de stock para un artículo discrecional (p. ej., chocolate), es probable que el cliente aún compre los otros artículos (leche, pan, huevos y helado). Sin embargo, si hay un faltante de stock para un producto básico esencial (p. ej., leche), el cliente puede irse sin comprar nada y dirigirse a un competidor para completar sus compras. Así, la penalización financiera del faltante de stock para el artículo esencial se extiende más allá del artículo mismo, afectando toda la canasta de ventas.

Esencialmente, existen relaciones entre productos, y la ausencia de algunos productos afecta la probabilidad de que los clientes compren otros. Lokad incorpora este fenómeno sutil pero significativo en sus recomendaciones de decisiones de supply chain para optimizar el inventario y reducir los faltantes de stock (clasificados desde los que más perjudican hasta los que menos), mejorando así las ventas generales, las ganancias del cliente y la satisfacción del cliente.

¿Qué es un “supply chain scientist”?

Un supply chain scientist (SCS) es la persona que lidera una de las iniciativas de Supply Chain Quantitativa (QSC) de Lokad con un cliente, por ejemplo, la provisión de órdenes de compra ajustadas por riesgo, listas de asignación de stock, precios, etc. El término “supply chain scientist” fue acuñado por Joannes Vermorel, CEO y fundador de Lokad, en 2017. El compromiso principal del SCS es la generación, mantenimiento y propiedad de las recetas numéricas responsables de la toma de decisiones en una iniciativa de supply chain determinada.

A diferencia de un data scientist, cuya responsabilidad principal consiste en producir modelos para apoyar el proceso de toma de decisiones, el SCS asume la responsabilidad personal por la calidad de las recomendaciones de decisiones generadas por las recetas numéricas. Además, el SCS también asume la responsabilidad directa de diseñar toda la instrumentación (p. ej., dashboards, reports) que explica la lógica y la idoneidad de las decisiones generadas. Puede parecer un poco paradójico, pero mientras Lokad enfatiza la robotización de los procesos de toma de decisiones mundanos, nosotros también colocamos la responsabilidad personal en primer plano. Un QSC no es un “sistema” que se encarga del rendimiento de la supply chain, sino que es una persona que impulsa el QSC.

Sin embargo, aunque un SCS tiene una responsabilidad personal, no está solo en su misión. Lokad se dedica por completo a asegurarse de que cada SCS reciba el mayor apoyo posible. Esto implica proporcionar al SCS todas las herramientas de software necesarias, instrumentos matemáticos, metodologías, capacitación y supervisión por parte de SCS senior.

Se puede encontrar una descripción más detallada de lo que hace un SCS en nuestro artículo dedicado en la base de conocimientos The Supply Chain Scientist.

¿Qué es un “supply chain practitioner”?

El término “supply chain practitioner” se refiere generalmente a todas las personas que están tradicionalmente involucradas o son responsables de tomar las decisiones de supply chain que la empresa requiere para operar. Dado que no existe una terminología unificada, el título varía según el sector y de una empresa a otra. Las variaciones comunes de “supply chain practitioner” incluyen supply and demand planner, analista de inventario, demand forecaster, category manager, inventory manager, production manager, purchasing manager, pricing manager, etc.

El Supply Chain Quantitativa (QSC) ofrece una visión modernizada del rol del supply chain practitioner. Mientras que el supply chain practitioner tradicional es directamente responsable de apoyar manualmente el proceso de toma de decisiones, el QSC recomienda mecanizar por completo todas las tareas repetitivas. A través de esta robotización, los supply chain practitioners pueden centrarse en tareas que aportan un mayor valor añadido a la empresa. En particular, los supply chain practitioners están a la vanguardia al desafiar las recetas numéricas (las piezas de software que apoyan la robotización de la supply chain) mediante la recopilación de feedback y de inteligencia de alto nivel de clientes y proveedores.

¿Qué significa “supply chain executive”?

Para Lokad, este término se refiere específicamente a una persona que está en posición de arbitrar propuestas conflictivas dentro de la empresa en lo que respecta a los procesos de toma de decisiones robotizados que orquestan la supply chain.

Este rol es crítico en una iniciativa de Supply Chain Quantitativa (QSC), que unifica los procesos de toma de decisiones de supply chain mediante evaluaciones financieras explícitas realizadas con lógica de software. La QSC revela todas las contradicciones y ambigüedades que típicamente preexisten en la empresa. Como resultado, para asegurarse de que una iniciativa de supply chain no se estanque por pura indecisión, se debe nombrar a un ejecutivo de supply chain con el poder de arbitrar propuestas conflictivas desde una perspectiva estratégica (por ejemplo, lograr el nivel de servicio esperado a cualquier costo versus encontrar un conjunto optimizado de decisiones dentro de un presupuesto restringido).

Nota: La QSC no asume que el ejecutivo de supply chain tenga alguna capacidad innata para tener siempre la razón. Distinguir lo que funciona de lo que no, es el rol de la metodología de experimental optimization que utiliza Lokad, no del ejecutivo de supply chain.

¿Qué es una “decisión ajustada por riesgo”?

En el contexto de la optimización de supply chain, se dice que una decisión es ajustada por riesgo si equilibra cuidadosamente los costos económicos asociados con el estado incierto futuro del mercado y de la propia supply chain. Una decisión ajustada por riesgo es “mejor” en el sentido de que, al considerar todos los futuros posibles y sus probabilidades asociadas, el resultado financiero promedio relacionado con dicha decisión resultará ser mayor que el de las alternativas.

Además, las decisiones ajustadas por riesgo tienden a ser decisiones anti-frágiles (a diferencia de las decisiones frágiles). Esto significa que sus ganancias económicas esperadas se mantienen, al menos, en un nivel aceptable para una amplia gama de variaciones futuras, pues se han tenido en cuenta todas las restricciones y costos no lineales (por ejemplo, la perecedera). La suposición implícita detrás de la idea misma de decisiones ajustadas por riesgo es que los serios costos económicos se concentran en los extremos: es la demanda inesperadamente alta la que causa faltante de stock, y es la demanda inesperadamente baja la que provoca el sobrestock. Entre tanto, todo transcurre prácticamente según lo planeado, y cualquier mejora en el caso “según lo planeado” resulta en su mayoría insignificante para la empresa. En contraste, la mayoría de los procesos de toma de decisiones recomendados por la teoría dominante de supply chain no generan decisiones ajustadas por riesgo. De hecho, las decisiones son típicamente frágiles. Son frágiles (véase la explicación completa a continuación) debido a la carencia del ingrediente crítico para generar, en primer lugar, una decisión ajustada por riesgo: un forecast probabilístico. En efecto, si el único forecast disponible es un forecast puntual de series temporales, el proceso de toma de decisiones está implícitamente apostando “todo” a un único valor futuro (por ejemplo, la demanda) que se asume es perfectamente conocido. Este enfoque invariablemente conduce a decisiones frágiles, ya que se vuelven inmediatamente inadecuadas en el momento en que se presenta una excepción o un riesgo imprevisto —algo demasiado común en supply chain y demasiado fácil de anticipar con un forecast probabilístico.

En nuestra opinión, las decisiones deben ser ajustadas por riesgo. Este es el enfoque que recomienda la filosofía de Supply Chain Quantitativa (QSC) de Lokad. En la práctica, producir una decisión ajustada por riesgo requiere dos ingredientes notables: primero, forecast probabilístico, y segundo, optimización estocástica.

Una ilustración más granular (aunque más técnica) de cómo se derivan en la práctica las decisiones ajustadas por riesgo se puede encontrar en nuestro tutorial Reabastecimiento de inventario priorizado en Excel con forecast probabilísticos y en nuestra conferencia QSC Asignación de inventario al detalle con forecast probabilísticos.

¿Qué es una decisión frágil?

En el contexto de la optimización de supply chain, una decisión es frágil si pequeñas variaciones en las condiciones del mercado o en el estado de la propia supply chain minan las ganancias económicas que se esperaban originalmente de esa decisión. Los procesos de toma de decisiones promovidos por la teoría dominante de supply chain invariablemente producen decisiones frágiles, incluso en condiciones moderadas de mercado en las que no sucede nada notable.

En nuestra opinión, las decisiones deben ser ajustadas por riesgo. Este es el enfoque que recomienda la filosofía de Supply Chain Quantitativa (QSC) de Lokad. En la práctica, producir una decisión ajustada por riesgo requiere dos ingredientes notables: primero, forecast probabilístico, y segundo, optimización estocástica.

Forecast probabilístico cuantifica la incertidumbre futura en forma de una distribución de probabilidad. Optimización estocástica calcula la decisión que resultará ser “la mejor” en promedio al considerar todos los futuros posibles y sus respectivas probabilidades. Lo hace combinando los impulsores económicos, las restricciones y los forecast probabilísticos.

¿Qué es la corrupción epistémica?

La corrupción epistémica es cuando un cuerpo de conocimiento pierde su integridad y deja de ser valioso para las personas u organizaciones que dependen de ese conocimiento para mejorar su actividad.

El estudio de supply chain, como campo de investigación, desafortunadamente ha sufrido un grave caso de corrupción epistémica desde el final de la Segunda Guerra Mundial. Existen dos causas raíz principales para este estado de cosas actual:

Primero, la academia, en su mayoría de manera no intencional, dejó caer la pelota hace décadas. Aunque se publican decenas de miles de artículos cada año, prácticamente ninguno de ellos puede ser reproducido o falsificado (en el sentido popperiano de falsabilidad*). A diferencia de otros campos que no sufren de una corrupción epistémica generalizada (por ejemplo, el estudio de algoritmos), los artículos de supply chain casi nunca se utilizan en entornos del mundo real, y ciertamente no por mucho tiempo cuando lo hacen.

Segundo, los analistas de mercado, proveedores de software y consultores han actuado como adversarios durante décadas. De hecho, hay beneficios en prolongar en lugar de abordar los problemas. Métodos anticuados que habrían desaparecido hace mucho tiempo han sido mantenidos en suspensión por actores demasiado ansiosos por conservar el status quo. Curiosamente, el status quo ha existido tanto tiempo que la mayoría de esas personas pueden afirmar honestamente que, desde su perspectiva, los métodos “siempre” han existido —porque, técnicamente, los problemas los preceden.

La solución a los casos generalizados de corrupción epistémica es contar con metodologías y métodos más efectivos que permitan a las empresas separar, de forma más rápida (y mejor), el grano de la paja. Con este fin, Lokad ha estado llevando a cabo un esfuerzo de refundación de supply chain desde 2011. Este novedoso enfoque se denomina “Supply Chain Quantitativa” (QSC). Presenta técnicas y metodologías alternativas, como el forecast probabilístico y la experimental optimization.

El “sentido popperiano de falsabilidad” se refiere aquí a la filosofía de la ciencia desarrollada por Karl Popper. Según Popper, para que una teoría sea considerada científica, debe ser falsable — es decir, debe ser posible concebir una observación o un experimento que pudiera demostrar que la teoría es incorrecta. En otras palabras, las teorías científicas deben hacer predicciones que puedan ser probadas y potencialmente refutadas. Este concepto es fundamental para distinguir las teorías científicas de las no científicas. La investigación en supply chain (típicamente) carece de falsabilidad, ya que las teorías no pueden ser probadas y potencialmente refutadas, lo que socava su valor científico y contribuye a la corrupción epistémica del campo.

¿Qué es la “correctitud por diseño”?

La correctitud por diseño es un principio que enfatiza la importancia de asegurar que el diseño de un sistema prevenga de forma inherente ciertos tipos de errores o fallos. Este enfoque contrasta con la práctica común de depender de extensas pruebas y controles de calidad para detectar y corregir problemas una vez que se han presentado. El objetivo de la correctitud por diseño es minimizar la necesidad de mantenimiento continuo y reducir el riesgo de fallos catastróficos que puedan derivarse de sistemas complejos. En el contexto de la optimización de supply chain, la correctitud por diseño es especialmente relevante porque la capa analítica (la encargada de los procesos de toma de decisiones) no debe agravar el caos endémico de supply chain —un entorno que, admitidamente, ya es caótico.

Las recetas numéricas —destinadas a apoyar los procesos de toma de decisiones de supply chain— a menudo se implementan con herramientas genéricas que no ofrecen correctitud por diseño. Como resultado, tales recetas numéricas suelen fallar por mil contratiempos. La producción fracasa debido a errores por índice fuera de rango, falta de memoria, condiciones de carrera, desbordamientos o subflujos numéricos, etc. “Move fast and break things” es una filosofía de ingeniería aceptable para una aplicación de lifestyle, no para un sistema empresarial crítico.

Con este fin, Lokad ha desarrollado Envision, su DSL (lenguaje de programación de dominio específico) dedicado a la optimización predictiva de supply chain con correctitud por diseño en mente. Lokad no comenzó con Envision cuando se fundó en 2008. Durante años, dependimos de lenguajes de propósito general como Python. Nos tomó años darnos cuenta de que nuestros intentos fracasaban más a menudo que no debido a Python.

Más aún, lo que resultaba desconcertante era que la situación era exactamente la misma para los equipos de data science de nuestros propios clientes. La historia casi siempre se desarrollaba de la misma manera: en tres semanas, el equipo de data science había elaborado lo que parecía ser un prototipo muy prometedor. Sin embargo, después de un año de intensos esfuerzos para asegurarse de que funcionara en entornos de producción del mundo real, el proyecto fue descartado, ya que nunca alcanzó el “grado de producción” necesario.

Así, después de años de dolor y miseria, concluimos en 2012 que el propio lenguaje de programación era el problema central a abordar. En otras palabras, Python no era la solución, sino el problema. Por ello, sin mejor alternativa, el equipo de ingeniería de Lokad inició un esfuerzo de ingeniería de una década para crear un DSL dedicado a supply chain que, “por diseño”, resolviera todos esos problemas a cabalidad. Así nació Envision.

Más de una década después, ahora tenemos bajo control directo inventarios por valor de varios miles de millones (USD y EUR) gracias a las extensas recetas numéricas escritas en Envision. Envision ha mejorado dramáticamente no solo la productividad de los Supply Chain Scientists de Lokad, sino que también ha reducido enormemente la frecuencia de errores “tontos” y muy costosos.

En conclusión, la correctitud por diseño es un requisito fundamental para cualquier lenguaje de programación destinado a dirigir supply chains en el mundo real. Muchos proveedores de software, por pura negligencia o incompetencia, no abordan frontalmente este problema, causando invariablemente daños inmensos a sus clientes.

¿Qué es la “mantenibilidad”?

La mantenibilidad, en el contexto del software de supply chain, se refiere a la capacidad de la empresa y de sus proveedores de software para mantener su entorno aplicativo en funcionamiento.

En lo que respecta a la “gestión” de supply chain, la mantenibilidad es un asunto relativamente sencillo. Existe una serie de parches de seguridad y compatibilidad para mantener el software operativo bajo condiciones cambiantes (por ejemplo, cambios de sistema operativo, navegadores, versiones de bases de datos, etc.). A menos que la empresa desee que se introduzcan cambios funcionales en sus aplicaciones de “gestión”, la mantenibilidad es, en gran medida, algo garantizado si el proveedor es siquiera modestamente competente.

Sin embargo, la optimización de supply chain es un problema muy diferente. Las recetas numéricas que robotizan los procesos de toma de decisiones invariablemente pierden relevancia con el tiempo. La causa del deterioro no es tanto el crecimiento o decrecimiento del mercado, ya que es bastante sencillo acomodar numéricamente este tipo de variación mediante recetas numéricas estáticas (por ejemplo, una media móvil hace eso, aunque de forma burda).

Más bien, la causa del deterioro es la evolución de los problemas a resolver. Las condiciones de mercado en evolución no solo requieren respuestas que resulten cuantitativamente diferentes, sino respuestas de tipo completamente distinto. Por ejemplo, las empresas de venta por correo nunca tuvieron que enfrentar el problema de dirigir sus inversiones en SEM (search engine marketing) para apoyar la liquidación de inventario excedente —una situación que enfrentan rutinariamente las empresas de ecommerce.

El software de optimización de supply chain es mucho más susceptible a las condiciones de mercado en evolución que el software de gestión de supply chain. A partir de 2024, no es raro encontrar empresas que aún operan un sistema de gestión de inventario desplegado en los años 90 (el cual puede seguir funcionando aparentemente bien), dado que las tareas clericales de control de stock han permanecido prácticamente inalteradas durante los últimos 30 años. Sin embargo, una lógica de optimización de supply chain que pueda mantenerse relevante incluso durante 3 años es prácticamente inexistente.

La mayoría de los proveedores de optimización de supply chain no reconocen este problema fundamental. Como resultado, las inversiones tienden a concentrarse fuertemente al inicio, cuando la empresa cliente es incorporada por los proveedores. Durante los primeros meses, mientras el proveedor está aún fuertemente involucrado en un entorno en evolución, la solución da la ilusión de ser satisfactoria. Sin embargo, 18 meses después de finalizada la fase de incorporación por parte del proveedor de software, las recetas numéricas han perdido relevancia hasta el punto de volverse irrelevantes. Invariablemente, practicantes de supply chain recurren a sus hojas de cálculo, que, a pesar de ser rudimentarias, pueden mantenerse para seguir siendo algo relevantes.

El problema de la mantenibilidad es una de las razones fundamentales que llevó a Lokad en 2012 a crear Envision – un DSL (lenguaje de programación de dominio específico) dedicado a la optimización predictiva de supply chain. De hecho, durante los primeros años de Lokad (fundada en 2008), nos dimos cuenta de que, por más que pudiéramos elaborar recetas numéricas, con mayor frecuencia que no, y sin importar lo buena que fuera nuestra implementación inicial, esas recetas tendrían que ser reescritas extensamente cada 18 meses aproximadamente. Ese era el precio a pagar para mantener la automatización estrictamente alineada con la estrategia y las prioridades siempre cambiantes de nuestros clientes. Así, Envision fue diseñado específicamente para acomodar la necesidad de reescritura constante a fin de evitar la irrelevancia.

En conclusión, la mantenibilidad, en lo que se refiere a la optimización de supply chain, se define en gran medida por la capacidad de la empresa para reescribir de manera rutinaria las recetas numéricas que rigen la ejecución de su propio supply chain. Aunque esta capacidad depende del tamaño del equipo de Supply Chain Scientist que se pueda asignar a la tarea, también depende en gran medida de la calidad del lenguaje de programación utilizado para implementar en primer lugar las recetas numéricas.