FAQ: Glosario

El enfoque de Lokad para optimizar las decisiones de la cadena de suministro aprovecha varias perspectivas y herramientas de diferentes campos, no solo de la cadena de suministro en sí. Estos incluyen, entre otros, el aprendizaje automático (ML), la inteligencia artificial (AI), el pronóstico probabilístico, la filosofía y la economía. Como tal, 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 la cadena de suministro, así como la sutileza específica que pretendemos transmitir cuando los usamos.

Público objetivo: Los departamentos de cadena de suministro y/o planificación.
Última modificación: Mayo 2024

¿Qué significa “Cadena de Suministro”?

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

La cadena de suministro es el dominio de la opción en presencia de la variabilidad al gestionar el flujo de bienes físicos.

Opción se refiere a la capacidad de elegir la “opción” correcta entre muchas alternativas competitivas. Esta “opción” seleccionada se convierte en la “decisión”. Se consideran todas las decisiones que dan forma al flujo de bienes físicos, como pedidos de reposición, pedidos de producción y cambios de precio. Además, la opción se refiere a hacer que las opciones estén disponibles en primer lugar. Por ejemplo, invertir recursos para identificar proveedores alternativos tiene la intención de crear más opciones para la empresa.

Variabilidad se refiere a la increíble incertidumbre asociada con el estado futuro del mercado, es decir, las condiciones pueden cambiar significativamente de un momento a otro. Esto se debe a que las cadenas de suministro están, por diseño, expuestas a fuerzas que la empresa no puede controlar completamente. Estas fuerzas incluyen la demanda del cliente, los precios de las materias primas, los plazos de entrega de los proveedores, etc. Por lo tanto, los métodos o instrumentos utilizados con fines de cadena de suministro deben abordar frontalmente el problema del conocimiento imperfecto y el riesgo, que son inherentes a las cadenas de suministro.

Por último, el flujo de bienes físicos es fundamental y diferencia el dominio de la cadena de suministro de, por ejemplo, el comercio financiero. Las cadenas de suministro están naturalmente limitadas por su naturaleza física: los interesados (por ejemplo, clientes, proveedores, mayoristas, transportistas, productores, etc.) están geográficamente distribuidos. Los métodos o instrumentos utilizados para conectar a estos interesados deben abordar directa (y adecuadamente) las numerosas restricciones que suelen surgir. Ejemplos de estas restricciones son la cantidad mínima de pedido (MOQ), el valor mínimo de pedido (MOV), cargas completas de camiones, espacio limitado en almacenes y la capacidad general de la empresa para manejar pedidos de entrada/salida, etc.

¿Cuál es la “perspectiva principal de la cadena de suministro”?

La perspectiva principal de la cadena de suministro (MSCP, por sus siglas en inglés), o perspectiva clásica de la cadena de suministro, se refiere a varias suposiciones y prácticas defectuosas que uno encuentra típicamente, incluyendo:

• MSCP asume que el futuro es perfectamente conocible. Los métodos, como el pronóstico clásico de series temporales, intentan expresar el futuro como un único valor (por ejemplo, demanda, devoluciones, tasas de desperdicio, plazos de entrega, etc.). Esto es incorrecto porque el futuro es, naturalmente, desconocido (es decir, la incertidumbre futura no se puede eliminar por completo con el pronóstico). Por lo tanto, identificar solo un valor futuro es subóptimo desde una perspectiva de gestión de riesgos (ya que faltan dimensiones de probabilidad).

• MSCP asume que la cadena de suministro en sí no está sujeta a comportamientos adversarios. En ningún momento la MSCP considera siquiera que los interesados (por ejemplo, empleados, clientes, proveedores, socios, competidores, etc.) pueden tener sus propias agendas y que estas agendas pueden afectar negativamente su cadena de suministro.

• MSCP asume la observabilidad. La realidad es que cada empresa grande opera a través de un paisaje aplicativo opaco y exasperante (aplicaciones de software), lo que dificulta enormemente la observación directa de la cadena de suministro.

• MSCP carece de falsabilidad. Es inmune a la realidad. No importa cuán mal funcionen las técnicas enumeradas en los libros de texto o las presentaciones de los proveedores en la práctica, ninguna de esas técnicas puede ser invalidada por la retroalimentación del mundo real.

A partir de 2024, la mayoría de las grandes empresas han implementado varias soluciones de optimización de la cadena de suministro desde la década de 1980, sin embargo, muchas (si no la mayoría) de esas empresas todavía se basan en hojas de cálculo. Este es otro aspecto clave de la MSCP: los proveedores de software se han convertido en maestros de la desviación de responsabilidad y siempre culpan a los practicantes de la cadena de suministro por no poder “seguir el proceso” o “utilizar parámetros adecuados”.

Sin embargo, la realidad es más simple: la teoría de la MSCP en sí misma no funciona y los profesionales de la cadena de suministro recurren a sus hojas de cálculo porque, aunque tengan heurísticas rudimentarias, esas heurísticas (aunque lejos de ser perfectas) superan a los “métodos sofisticados” que se encuentran en los libros de texto de la MSCP.

Por eso Lokad emprendió una refundación de la cadena de suministro en 2011, tanto como campo de estudio como de práctica. Nos referimos a esta reforma como Supply Chain Quantitativa.

La MSCP está perfectamente capturada por una serie de libros de texto clásicos:

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

¿Qué es la “Planificación de la Demanda”?

Desde la perspectiva principal de la cadena de suministro, la planificación de la demanda es la colección de procesos utilizados por 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 de la cadena de suministro es principalmente una cuestión de asignación correcta y oportuna de recursos para que la empresa entregue “justo lo suficiente” al mercado.

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

Sin embargo, desde la perspectiva de la Supply Chain Quantitativa (QSC) de Lokad, la planificación de la demanda es un concepto anticuado que no tiene cabida en la cadena de suministro moderna. En cambio, QSC establece que la ejecución de la cadena de suministro debe ser robotizada, impulsada por recetas numéricas que generalmente incluyen una fase de modelado predictivo, seguida de una fase de optimización estocástica.

La fase de modelado predictivo abarca todos los aspectos de “forecasting”, no solo para la demanda futura, sino también para todas las demás fuentes de incertidumbre (por ejemplo, futuros tiempos de entrega, futuros precios de los productos básicos, futuras devoluciones de los clientes, etc.). La fase de optimización estocástica abarca todas las partes de “toma de decisiones” (por ejemplo, elegir las cantidades a reordenar, asignar el stock disponible a través de la red de ventas, cambiar los precios) - algo que tradicionalmente se mantiene separado de la planificación de la demanda.

La planificación de la demanda está desactualizada 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 deben participar en la creación de las recetas numéricas que respaldan los modelos predictivos (como es el papel de los Supply Chain Scientists de Lokad). Sin embargo, los modelos predictivos deben funcionar completamente sin intervención, ya que simplemente no hay ningún valor agregado en que las personas interfieran manualmente en un proceso que típicamente genera miles, si no millones, de números diariamente.

Segundo, como la “planificación de la demanda manual” ya es lenta y costosa, las empresas típicamente no tienen recursos suficientes para abordar todas las demás fuentes de incertidumbre (por ejemplo, tiempos de entrega, devoluciones, calidad, etc.). Si bien evaluar la demanda futura es fundamental, no es la única fuente de incertidumbre. Los futuros tiempos de entrega, los futuros precios de los productos básicos, los futuros precios de los competidores, las futuras devoluciones de los clientes, etc., son otras fuentes clave de incertidumbre que también deben evaluarse cuantitativamente.

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

¿Qué es la “Calidad de Servicio”?

En el contexto de la optimización de la cadena de suministro, la “calidad de servicio” (QoS) se refiere a la capacidad de la empresa para atender a sus clientes cumpliendo con sus expectativas implícitas. QoS no es una métrica ni algo tangible: refleja la intención de la empresa de servir adecuadamente a sus clientes. Por lo tanto, QoS es direccional pero vago.

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 cortésmente que están completamente satisfechos con el servicio y aún así visitar a su competencia. Por otro lado, los clientes pueden quejarse en voz alta pero seguir siendo fervientemente leales.

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

En la práctica, las métricas que se aproximan razonablemente a QoS solo se pueden descubrir a través de un examen cuidadoso e inteligente del negocio. Requiere un pensamiento profundo y empatía con los clientes. Ciertas metodologías son muy útiles para identificar métricas de proximidad de alta calidad, como la optimización experimental, un enfoque pionero de Lokad.

Uno de los mayores errores de la perspectiva de la cadena de suministro convencional es presentar los niveles de servicio, la probabilidad de no tener un artículo fuera 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 omnipresentes en la mayoría de los sectores. También ignoran por completo la demanda irregular, que es cuando el cliente necesita que muchos artículos estén disponibles conjuntamente para estar satisfecho (por ejemplo, un profesor que compra 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 por completo la disposición del cliente a pagar más para ser atendido más rápido, o viceversa, a poder pagar menos si el servicio se retrasa.

En conclusión, QoS es una perspectiva aspiracional. Refleja lo que la empresa quiere optimizar, incluso si los criterios de optimización siguen siendo esquivos ya que la empresa se enfrenta a un problema complejo. El 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 una cadena de suministro utilizando IA. El AI Pilot incluye los procesos de toma de decisiones (por ejemplo, ¿cuánto debo producir?) así como los procesos de apoyo mundanos (por ejemplo, obtener MOQ actualizados para un proveedor determinado). Lokad acuñó este término a principios de 2024. El AI Pilot, como una pieza de software, es creado por los Supply Chain Scientists de Lokad. Creamos un piloto por empresa cliente, aunque hay muchas similitudes entre nuestras implementaciones. El AI Pilot se ejecuta en la plataforma de Lokad, que cuenta con capacidades de big data y aprendizaje automático. El AI Pilot es un servicio proporcionado por Lokad y generalmente se factura mensualmente.

Para obtener más información sobre cómo funcionan los AI Pilots, consulte nuestro podcast en formato largo sobre el tema.

¿Qué significa “Supply Chain Quantitativa”?

La “Supply Chain Quantitativa” (QSC) es un conjunto de metodologías y tecnologías pioneras desarrolladas por Lokad durante la década de 2010. Incluye una serie de técnicas como pronóstico probabilístico, optimización estocástica y programación diferenciable, que están ausentes en la perspectiva convencional de la cadena de suministro. También incluye una serie de metodologías como optimización experimental, personajes de la cadena de suministro e investigación de mercado adversarial que también están ausentes en la perspectiva convencional de la cadena de suministro.

El término “Supply Chain Quantitativa” fue acuñado en 2017 en el libro de Joannes Vermorel, fundador de Lokad, The Quantitative Supply Chain. El manifiesto de la QSC se puede resumir de la siguiente manera:

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

La Supply Chain Quantitativa se puede ver como el campo de estudio que reúne todos los materiales necesarios para la implementación práctica de un AI Pilot para una cadena de suministro determinada.

¿Qué es “Supply Chain as a Service”?

Desde lejos, Lokad se puede describir 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 ofrece decisiones de cadena de suministro robotizadas, sino que también se hace cargo del rendimiento de la cadena de suministro resultante de esas decisiones. Nuestros Supply Chain Scientists están allí para monitorear y refinar continuamente la automatización que hemos implementado para cada uno de nuestros clientes. Por lo tanto, una suscripción a Lokad les brinda a nuestros clientes una ejecución más rentable de su cadena de suministro.

Este enfoque es muy diferente, por ejemplo, a una oferta de SaaS (software como servicio) donde la empresa cliente sigue siendo en última instancia responsable de todo lo que importa. Con SaaS, el departamento de TI se libera de administrar otra aplicación, pero eso es todo. Si algo sale mal, como una demanda errática, suministros caóticos, datos incompletos, etc., depende por completo de los equipos de cadena de suministro resolverlo. Por otro lado, con 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 a obtener resultados, no simplemente a mantener los servidores en funcionamiento.

¿Qué es una “receta numérica”?

Lokad automatiza los procesos de toma de decisiones de la cadena de suministro, y comúnmente nos referimos a las piezas de software que realizan efectivamente la automatización como nuestras “recetas numéricas”. Estas recetas numéricas suelen ser bastante complejas, ya que reflejan las complejidades intrínsecas de las propias cadenas de suministro. Las recetas son una mezcla de una miríada de pasos de preparación de datos mundanos entrelazados con pasos analíticos sofisticados, típicamente algoritmos de aprendizaje automático u optimización matemática.

Estamos utilizando el término “receta” en lugar de “algoritmo” porque esas recetas no son tan “puras” como lo que la mayoría de los ingenieros de software esperarían al hablar de algoritmos. Además, mientras se espera que un algoritmo aborde un problema bien definido, esto generalmente no es el caso de nuestras recetas. En última instancia, está en juego el rendimiento de extremo a extremo de la cadena de suministro, 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 en sí.

¿Qué son las “decisiones (mundanas) de la cadena de suministro”?

Una decisión de la cadena de suministro es aquella que tiene consecuencias reales para el flujo de mercancías. Por ejemplo, los reabastecimientos de inventario, las órdenes de producción y los cambios de precio son decisiones que afectan profundamente el flujo de mercancías.

Las cadenas de suministro modernas suelen implicar diariamente decenas de miles, y a veces millones, de decisiones. Como regla general, cada SKU (unidad de mantenimiento de almacenamiento) abarca aproximadamente media docena de decisiones, incluida la decisión de no hacer nada, que también es una decisión (aunque trivial).

Estas decisiones (diarias) a menudo se denominan “mundanas” porque se pueden automatizar por completo. En este sentido, “mundano” no significa “inconsecuente”.

Las decisiones se oponen a los “artefactos numéricos” (cosas que parecen importantes pero carecen de impacto sustantivo en la cadena de suministro en cuestión). De hecho, con más analítica, suele haber mucha confusión entre los dos. Por ejemplo, un pronóstico de demanda, una clase ABC, un stock de seguridad, un nivel de servicio se pueden considerar artefactos numéricos. Esos elementos ciertamente pueden ser instrumentales para calcular decisiones reales, pero por sí mismos, son completamente inconsecuentes. No importa si el pronóstico es incorrecto siempre y cuando el reabastecimiento de inventario sea adecuado, sin embargo, lo contrario obviamente no es cierto.

Lokad se centra en las “decisiones” en lugar de los “artefactos numéricos”, ya que muchas empresas no pueden ver el bosque por los árboles. Por el contrario, tienen tantos indicadores de rendimiento (artefactos) que ni siquiera pueden ver lo que realmente está sucediendo 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 de la cadena de suministro) 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 este número no tiene ninguna consecuencia directa/tangible para la cadena de suministro de la empresa. Por ejemplo, los niveles de servicio son artefactos numéricos. Los artefactos numéricos no son reales, sino que son abstracciones, a menudo seleccionadas arbitrariamente por un profesional.

Por ejemplo, un nivel de servicio del 98% puede ocultar el hecho de que numerosos clientes ya han dejado de hacer pedidos debido a la mala calidad de servicio en el pasado. Además, los artefactos numéricos no se pueden controlar directamente. Una empresa puede hacer más pedidos de reabastecimiento, pero no puede decidir unilateralmente que los niveles de servicio sean del 98%, ya que los clientes son quienes deciden cuánto de un determinado producto se consume.

Los artefactos numéricos se oponen definicionalmente a las “decisiones”, que tienen consecuencias reales para la empresa. Las decisiones también están completamente a discreción de la empresa. Las decisiones típicas de la cadena de suministro incluyen pedidos de reabastecimiento, órdenes de producción, cambios de precio, etc. A diferencia de los artefactos numéricos, cada decisión incorrecta es una pérdida irrevocable para la empresa. Por ejemplo, la clase ABC (artefacto numérico) de un artículo puede ser completamente incorrecta/inexacta, pero mientras no haya exceso de stock y no falte stock, no importa. Por otro lado, una sola orden de compra extremadamente grande (decisión) puede convertir un artículo bien abastecido en una pérdida masiva.

Con el tiempo, Lokad ha aprendido de la manera más difícil que los indicadores numéricos son en su mayoría ilusorios y equivocados. A menudo, las precisiones de pronóstico y los niveles de servicio caracterizan completamente mal el problema de interés (es decir, anticipar y satisfacer la demanda de manera rentable para una empresa). Debemos centrarnos en los “dólares de error” para una decisión determinada, no en los “porcentajes de error” para un artefacto numérico.

¿Qué significa “robotizado”?

Lokad robotiza (“automatiza”) las decisiones repetitivas de la cadena de suministro, convirtiéndolas en tareas 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 automática. Como regla general, la mayoría de nuestros clientes pueden operar durante semanas sin ninguna intervención directa de Lokad, siempre y cuando las condiciones del mercado no cambien demasiado drásticamente. Nuestros Supply Chain Scientists mejoran continuamente las recetas numéricas que hemos implementado, pero no se necesita un Supply Chain Scientist para generar las decisiones de la cadena de suministro de cualquier día en particular: nuestras recetas numéricas están diseñadas para funcionar sin supervisión.

Este enfoque es radicalmente diferente de lo que ofrecen nuestros competidores (otros proveedores de software empresarial). En su caso, los profesionales de la cadena de suministro son tratados como los “coprocesadores humanos” de su sistema. En el momento en que los profesionales dejan de trabajar con un software, ya no sucede nada en la empresa, ya que su tiempo se consume en producir decisiones de la cadena de suministro.

En cambio, Lokad convierte cada minuto de los profesionales de la cadena de suministro en una inversión para mejorar la receta numérica que permite la robotización de las decisiones. Si los profesionales de la cadena de suministro dejan de trabajar, no tiene ningún impacto en la ejecución robotizada de la receta numérica. La receta numérica simplemente deja de mejorar. Si esto continuara durante un tiempo, esto resultaría en la inevitable degradación de la calidad de las decisiones, ya que la receta numérica perdería su relevancia (debido a los cambios en las condiciones del mercado).

Sin embargo, Lokad ha implementado una serie de mecanismos de autoatención para la detección temprana de dicha degradación de calidad, y puede así activar la inspección humana de la receta numérica (primero, a través de un Supply Chain Scientist, y luego a través de un profesional de la empresa cliente).

¿Qué es una “iniciativa de la cadena de suministro”?

Esto se refiere específicamente a un proyecto de cadena de suministro impulsado por la perspectiva de “Supply Chain Quantitativa” (QSC) de Lokad. El objetivo de dicha iniciativa es robotizar una determinada clase de decisiones de la cadena de suministro y lograr un rendimiento superior al humano en el proceso. El objetivo de esta iniciativa no es solo mejorar un problema específico dentro de la cadena de suministro del cliente, sino ofrecer una mejora sistémica en toda la empresa.

Las iniciativas de la cadena de suministro de Lokad suelen abordar órdenes de compra, órdenes de producción, asignaciones de inventario, cambios de precio, programaciones de producción detalladas, etc. En esencia, abordamos todas las decisiones mundanas y repetitivas necesarias para mantener en funcionamiento la cadena de suministro del cliente.

La iniciativa de la cadena de suministro está destinada a ser liderada por los Supply Chain Scientists (SCS) de Lokad. Un SCS se encarga de diseñar todas las recetas numéricas necesarias para automatizar las decisiones de la cadena de suministro de interés. Además, el SCS es responsable de visualizar (por ejemplo, a través de informes y paneles de control) las recetas numéricas para que los clientes (especialmente la alta dirección) comprendan tanto cómo como por qué la automatización ofrece un rendimiento superior al humano.

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

¿Qué es la “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 comienzo 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 establecieron previamente en ciertos niveles, no se pueden justificar de inmediato utilizando 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 “mejora” para una cadena de suministro desde una perspectiva financiera.

Por ejemplo, consideremos una tienda de moda que desea mejorar su calidad de servicio. Uno de los principales problemas es que identificar lo que realmente significa “calidad de servicio” para el cliente promedio es difícil debido a la diferente naturaleza de los hábitos de compra de hombres y mujeres, así como a la influencia de las sustituciones. Las sustituciones, por naturaleza, dificultan la identificación de cómo los clientes perciben su oferta, incluso si han realizado una compra, por ejemplo, comprar una camiseta negra lisa en lugar de una blanca lisa que está agotada. En teoría, se realizó una venta, pero la ausencia de la camiseta blanca lisa puede señalar el fin de la lealtad del cliente, especialmente si ocurre con frecuencia. Además, los hombres son menos propensos a pasar tiempo navegando entre varios artículos que las mujeres, por lo que no tener el artículo exacto que desean (o una sustitución adecuada) puede ser decisivo a la hora de realizar una compra. Como tal, lo que la dirección cree que sabe sobre su propio negocio (y clientes) puede ser increíblemente engañoso, lo que a su vez puede orientar sus estrategias de almacenamiento en la dirección equivocada.

Con este fin, la optimización experimental consiste en realizar una serie de experimentos que desafían los propios criterios de optimización, el instrumento mismo que cuantifica si la cadena de suministro es mejor o peor (por ejemplo, “calidad de servicio”). La esencia del método consiste en elegir un criterio, ejecutar una optimización matemática (o más específicamente una optimización estocástica) en función de este criterio y evaluar las decisiones resultantes de la cadena de suministro. Esta evaluación no se realiza de forma agregada, sino en comparación con las decisiones más insensatas que simplemente no pueden ser correctas. Luego, el criterio debe modificarse gradualmente para eliminar esas decisiones insensatas hasta que no quede ninguna.

El criterio resultante se ha obtenido a través de una serie de experimentos. A diferencia de la perspectiva clásica de optimización que asume que los criterios se conocen de antemano y nunca se desafían en el mundo real, la optimización experimental descubre los criterios al enfrentar repetidamente los criterios a entornos del mundo real.

Para volver al ejemplo anterior de moda, una optimización experimental puede indicar que redistribuir el stock existente entre las tiendas es la solución óptima, o tal vez simplemente reorganizar las exhibiciones en cada tienda es suficiente para estimular un mayor tráfico y una mayor calidad de servicio percibida. Estas conclusiones solo se pueden descubrir después de experimentar repetidamente con (“ajustar”) la receta numérica que genera la(s) recomendación(es) de optimización.

La cadena de suministro, al igual que cualquier otro sistema, es más que la suma de sus partes. De hecho, la maldición de la cadena de suministro es que la mayoría de las supuestas mejoras simplemente desplazan los problemas en lugar de resolverlos, ya que los problemas se tratan como problemas locales en lugar de expresiones de problemas a nivel del sistema. Por ejemplo, aumentar los niveles de servicio generalmente implica aumentar la cancelación de inventario también. Como resultado, no se puede ajustar o modificar un elemento aislado dentro de un sistema sin afectar al resto del sistema también. Como resultado, invariablemente es difícil cuantificar si algo está mejorando o empeorando el sistema (la cadena de suministro).

Además, en el caso específico de las cadenas de suministro, esta dificultad se ve agravada ya que generalmente lleva mucho tiempo que los eventos se desarrollen. En el caso de la tienda de moda mencionada anteriormente, los hombres pueden ser increíblemente leales a una tienda que siempre tiene los artículos que desean, impulsados por la simple conveniencia de no tener que pasar mucho tiempo comprando. Como resultado, experimentar eventos de falta de stock puede ser devastador para la lealtad del cliente y llevar mucho tiempo manifestarse (ya que los hombres pueden comprar solo unas pocas veces al año, pero comprar muchos artículos en cada visita para maximizar el valor de cada viaje). Estas consideraciones y contingencias confunden todos los enfoques ingenuos para cuantificar el rendimiento de la cadena de suministro, por lo tanto, Lokad defiende una solución basada en la optimización experimental.

Para obtener una perspectiva más detallada, hay una conferencia completa sobre Optimización Experimental para la Cadena de Suministro.

¿Qué es el “pronóstico probabilístico”?

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

Un pronóstico se dice que es “probabilístico” si el valor pronosticado es una distribución de probabilidad en lugar de un solo punto. Los pronósticos probabilísticos son lo opuesto a los pronósticos de punto tradicionales que dominan la teoría convencional de la cadena de suministro. La principal ventaja de los pronósticos probabilísticos es que abrazan la incertidumbre irreducible del futuro, en lugar de pretender que el “pronóstico perfecto” está a la vuelta de la esquina si solo se pudiera descubrir un modelo ligeramente más preciso. Los pronósticos probabilísticos cuantifican la incertidumbre, y esta cuantificación es fundamental para luego producir decisiones de cadena de suministro ajustadas al riesgo. Sin pronósticos probabilísticos, las decisiones son frágiles ya que ignoran por completo las variaciones mundanas (por ejemplo, la demanda, el tiempo de entrega) que se esperan que ocurran incluso considerando las condiciones normales del mercado.

Vale la pena señalar que cualquier pronóstico de series de tiempo puntual se puede “convertir matemáticamente” en una distribución de probabilidad. Esto es exactamente lo que se hace con los inventarios de seguridad, ya que tanto la demanda como el tiempo de entrega se pueden combinar con distribuciones normales (gaussianas). Sin embargo, aunque estas técnicas generan nominalmente distribuciones de probabilidad, también se pierde completamente el punto. El problema central que debe abordar un pronóstico probabilístico es producir un pronóstico más rico, un pronóstico que contenga más información que un pronóstico puntual. Este pronóstico probabilístico no necesariamente es más preciso, al igual que una fotografía en color no necesariamente tiene una mejor resolución que una en blanco y negro. Sin embargo, por construcción, un pronóstico puntual carece de esta dimensión adicional. Incluso si se puede utilizar un truco matemático para agregar probabilidades, esas probabilidades serán casi completamente inventadas, al igual que la colorización de una imagen puede ser muy plausible pero factualmente incorrecta.

En resumen, los pronósticos probabilísticos representan una de las etapas fundamentales de procesamiento de datos necesarias para la optimización predictiva de una cadena de suministro.

¿Qué es el “pronóstico general”?

Una técnica de pronóstico se dice que es “general” si admite datos que no se presentan como series de tiempo. De hecho, aunque los pronósticos de series de tiempo son muy útiles para fines de visualización, en última instancia son un modelo simplista y unidimensional que no refleja los eventos a medida que se desarrollan en una cadena de suministro del mundo real.

Sin embargo, considerar múltiples series de tiempo tampoco resuelve el problema.

Por ejemplo:

• compras repetidas de los mismos clientes no se pueden modelar con series de tiempo, ya que una serie de tiempo de demanda aplana completamente el origen de cada unidad comprada.
• canibalización o sustitución no se pueden representar como series de tiempo, ya que se pierden las dependencias entre los elementos.
• competidores que compiten en precios, descuentos por volumen, niveles de servicio, etc., no se pueden capturar con una serie de tiempo, ya que no puede reflejar estos factores causales.

En la teoría convencional de la cadena de suministro, los pronósticos de series de tiempo son el alfa y el omega. Sin embargo, un examen cuidadoso de las situaciones del mundo real debería demostrar que los pronósticos de series de tiempo son invariablemente una simplificación gravemente equivocada de la situación, como se muestra en los ejemplos mencionados anteriormente. En la teoría de la Supply Chain Quantitativa (QSC) de Lokad, es mejor estar aproximadamente correcto que estar exactamente equivocado. Pretender que un problema del mundo real (por ejemplo, las sustituciones) no existe no hace que el problema desaparezca.

Por esta razón, desde principios de la década de 2010, Lokad ha desarrollado y pionero una serie de tecnologías de pronóstico superiores que ofrecen formas de pronóstico más generales (más allá de los básicos de series de tiempo). Según nuestra QSC, cada fuente de incertidumbre requiere un pronóstico probabilístico propio. Estos “pronósticos generales” no son entregados por “modelos de pronóstico”, sino a través de paradigmas de aprendizaje automático programáticos, como programación diferenciable.

¿Qué es el “pronóstico clásico”?

Por “pronóstico clásico” nos referimos al pronóstico puntual de series de tiempo. Los pronósticos puntuales de series de tiempo son tan ubicuos en la teoría convencional de la cadena de suministro que muchas personas, incluidos muchos practicantes de la cadena de suministro, no se dan cuenta de que los pronósticos puntuales de series de tiempo son simplemente una forma de pronósticos estadísticos. De hecho, existen una gran cantidad de formas alternativas de pronósticos estadísticos, siendo los pronósticos puntuales de series de tiempo uno de los más simplistas.

Nota: Un pronóstico simplista no necesariamente es algo malo. De hecho, Lokad cree que el software de pronóstico no debe ser más complicado de lo necesario para cumplir con su tarea. Dicho esto, los pronósticos puntuales de series de tiempo son excesivamente simplistas, como se demostró en “¿Qué es el “pronóstico general”?”.

Los pronósticos puntuales de series de tiempo ganaron popularidad a principios del siglo XX, medio siglo antes de la aparición de las computadoras corporativas. Hasta que las computadoras potentes se hicieron ampliamente asequibles, los pronósticos puntuales de series de tiempo eran el único tipo de pronósticos estadísticos que se podían producir. A pesar de su extrema simplicidad, producir pronósticos de series de tiempo ya era demasiado trabajo como para que realmente valiera la inversión, dado que se hacían sin la potencia 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 pronosticar estadísticamente cualquier cosa en primer lugar.

Hay dos vías distintas y complementarias para ir más allá de los pronósticos clásicos. La primera vía consiste en reemplazar el enfoque del “pronóstico puntual” por uno de “pronóstico probabilístico”.

Los pronósticos probabilísticos, a diferencia de sus contrapartes “puntuales”, ofrecen densidades de probabilidad completas. Los pronósticos probabilísticos abarcan la incertidumbre irreducible del futuro y cuantifican frontalmente esta incertidumbre. En términos de la cadena de suministro, los pronósticos probabilísticos son vastamente superiores a los pronósticos puntuales porque se prestan al cálculo posterior de decisiones de cadena de suministro ajustadas al riesgo. Por el contrario, los pronósticos puntuales ignoran todas las fuentes de incertidumbre y las decisiones derivadas de estos pronósticos son frágiles por diseño.

La segunda vía consiste en reemplazar el enfoque de “series de tiempo” por una alternativa de mayor dimensionalidad. Las series de tiempo son unidimensionales por diseño. Esta limitación inherente significa que los pronósticos de series de tiempo simplemente no pueden capturar ni siquiera las interdependencias más básicas que se pueden observar en el flujo de bienes de la cadena de suministro.

Por ejemplo, los pronósticos de series de tiempo no pueden aprehender la canibalización y la sustitución. No pueden aprehender el riesgo de tener un volumen de ventas constante que depende completamente de un único cliente importante (por ejemplo, en situaciones B2B). No pueden aprehender la perspectiva de la cesta de un cliente que compra en un hipermercado y necesita todos los ingredientes necesarios para completar una receta (es decir, no tener ningún artículo significa que no se compra nada). Lokad utiliza la programación diferenciable para crear modelos predictivos que van más allá de la perspectiva unidimensional de las series de tiempo y capturan la verdadera información de interés.

En conclusión, el pronóstico clásico es una perspectiva estadística anticuada que no tiene cabida en una cadena de suministro moderna. Confiar en pronósticos clásicos, también conocidos como pronósticos puntuales de series de tiempo, es una receta para el fracaso, ya que esos pronósticos conducen a decisiones frágiles en el mejor de los casos, y decisiones incorrectas en el peor de los casos. En su lugar, recomendamos utilizar pronósticos probabilísticos generales, aprovechando típicamente un paradigma de aprendizaje automático programático como la programación diferenciable.

¿Qué es la “perspectiva de la cesta”?

La perspectiva de la cesta es una preocupación de gran relevancia para todas las verticales donde se espera que los clientes compren varios artículos a la vez (como una sola transacción), en lugar de un solo artículo. Se refiere al valor percibido de tener las compras realizadas en combinación en lugar de de forma aislada. En otras palabras, el valor de todos los artículos disponibles como un todo puede ser mayor que la suma de los valores separados de los artículos adquiridos por separado. Esta perspectiva es fundamental para muchas verticales, como el comercio minorista de mercancías en general, por ejemplo. Reconocer esta interdependencia en la demanda conduce a decisiones superiores en la cadena de suministro en comparación con las metodologías tradicionales que tratan cada compra de SKU como un evento aislado.

Por ejemplo, consideremos a un cliente que entra a un supermercado para comprar varios artículos. Estos artículos representan una mezcla de productos básicos esenciales (por ejemplo, leche, pan y huevos) y compras discrecionales (por ejemplo, helado y chocolate). Si el supermercado se queda sin stock de un artículo discrecional (por ejemplo, chocolate), es probable que el cliente aún compre los otros artículos (leche, pan, huevos y helado). Sin embargo, si no hay stock de un producto básico esencial (por ejemplo, leche), es posible que el cliente se vaya sin comprar nada y vaya a un competidor para completar sus compras. Por lo tanto, la penalización financiera por la falta de stock del artículo esencial se extiende más allá del propio artículo, afectando a toda la cesta 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 en la cadena de suministro para optimizar el inventario y reducir las faltas de stock (clasificadas desde las que más perjudican hasta las que menos), mejorando así las ventas generales, los beneficios del cliente y la satisfacción del cliente.

¿Qué es un “científico de la cadena de suministro”?

Un científico de la cadena de suministro (SCS, por sus siglas en inglés) 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 al riesgo, listas de asignación de stock, precios, etc. El término “científico de la cadena de suministro” 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 determinada iniciativa de cadena de suministro.

A diferencia de un científico de datos, cuya responsabilidad principal consiste en producir modelos para respaldar el proceso de toma de decisiones, el SCS asume la responsabilidad personal de la calidad de las recomendaciones de decisiones generadas por las recetas numéricas. Además, el SCS también asume la responsabilidad directa de crear toda la instrumentación (por ejemplo, paneles de control, informes) que explique 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, también ponemos la responsabilidad personal en primer plano. Un QSC no es un “sistema” que sea responsable del rendimiento de la cadena de suministro, sino una persona que impulsa el QSC.

Sin embargo, aunque un SCS tiene una responsabilidad personal, no están solos en su misión. Lokad está completamente dedicado 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 monitoreo por parte de SCS senior.

Una descripción más detallada de lo que hace un SCS se puede encontrar en nuestro artículo dedicado El Supply Chain Scientist.

¿Qué es un “practicante de la cadena de suministro”?

El término “practicante de la cadena de suministro” generalmente se refiere a todas las personas que tradicionalmente están involucradas o son responsables de tomar las decisiones de la cadena de suministro que la empresa requiere para operar. Como no hay una terminología unificada, el título varía según los diferentes sectores y de una empresa a otra. Algunas variaciones comunes de “practicante de la cadena de suministro” incluyen planificador de oferta y demanda, analista de inventario, pronosticador de demanda, gerente de categoría, gerente de inventario, gerente de producción, gerente de compras, gerente de precios, etc.

La Supply Chain Quantitativa (QSC) ofrece una visión modernizada del rol del practicante de la cadena de suministro. Mientras que el practicante de la cadena de suministro 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 practicantes de la cadena de suministro pueden centrarse en tareas que aportan más valor agregado para la empresa. En particular, los practicantes de la cadena de suministro están a la vanguardia de desafiar las recetas numéricas (las piezas de software que respaldan la robotización de la cadena de suministro) al recopilar comentarios e inteligencia de alto nivel de clientes y proveedores.

¿Qué significa “ejecutivo de la cadena de suministro”?

Para Lokad, este término se refiere específicamente a una persona que está en posición de arbitrar propuestas conflictivas dentro de la empresa con respecto a los procesos de toma de decisiones robotizados que orquestan la cadena de suministro.

Este rol es fundamental en una iniciativa de Supply Chain Quantitativa (QSC), que unifica los procesos de toma de decisiones de la cadena de suministro a través de evaluaciones financieras explícitas realizadas con lógica de software. El QSC revela todas las contradicciones y ambigüedades que típicamente existen previamente en la empresa. Como resultado, para asegurarse de que una iniciativa de cadena de suministro no se paralice debido a la indecisión, se debe designar a un ejecutivo de la cadena de suministro 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 limitado).

Nota: El QSC no asume que el ejecutivo de la cadena de suministro tenga alguna capacidad innata de estar “correcto” todo el tiempo. Separar lo que funciona de lo que no es el papel de la metodología de optimización experimental que Lokad emplea, no del ejecutivo de la cadena de suministro.

¿Qué es una “decisión ajustada al riesgo”?

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

Además, las decisiones ajustadas al riesgo tienden a ser decisiones antifrágiles (en contraposición a las decisiones frágiles). Esto significa que sus ganancias económicas esperadas siguen siendo bastante buenas (o simplemente aceptables) para una amplia gama de variaciones futuras. Esta propiedad se logra gracias a la consideración de todas las restricciones y costos no lineales (por ejemplo, la perecibilidad).

La suposición implícita detrás de la idea misma de las decisiones ajustadas al riesgo es que los costos económicos graves se encuentran en los extremos: es la “demanda inesperadamente alta” la que causa faltantes de stock, y es la “demanda inesperadamente baja” la que causa el exceso de stock. En el medio, todo va más o menos según lo planeado, y cualquier mejora que se realice en el caso “según lo planeado” es en su mayoría insignificante para la empresa.

En contraste, la mayoría de los procesos de toma de decisiones recomendados por la teoría convencional de la cadena de suministro no generan decisiones ajustadas al riesgo. De hecho, las decisiones suelen ser frágiles. Son frágiles (ver explicación completa a continuación) porque carecen del ingrediente crítico para generar una decisión ajustada al riesgo en primer lugar: un pronóstico probabilístico. De hecho, si el único pronóstico disponible es un pronóstico de series de tiempo puntual, entonces el proceso de toma de decisiones está implícitamente apostando todo a un único valor futuro (por ejemplo, la demanda) que se asume que se conoce perfectamente. Este enfoque inevitablemente conduce a decisiones frágiles, ya que se vuelven inmediatamente inadecuadas en el momento en que se presenta una excepción o un riesgo no anticipado, algo que es demasiado común en la cadena de suministro y demasiado fácil de anticipar con un pronóstico probabilístico.

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

¿Qué es una “decisión frágil”?

En el contexto de la optimización de la cadena de suministro, una decisión es frágil si las variaciones mínimas de las condiciones del mercado o del estado de la propia cadena de suministro socavan las ganancias económicas que se esperaban originalmente de esta decisión. Los procesos de toma de decisiones promovidos por la teoría convencional de la cadena de suministro inevitablemente producen decisiones frágiles, incluso considerando condiciones de mercado suaves donde no está sucediendo nada notable.

En nuestra opinión, las decisiones deben ser ajustadas al riesgo. Este es el enfoque que recomienda la filosofía de la Supply Chain Quantitativa (QSC) de Lokad. En la práctica, para producir una decisión ajustada al riesgo se requieren dos ingredientes destacados: primero, pronósticos probabilísticos, y segundo, optimización estocástica.

Los pronósticos probabilísticos cuantifican la incertidumbre futura en forma de una distribución de probabilidad. La optimización estocástica calcula la decisión que resultará ser “la mejor” en promedio al considerar todos los futuros posibles y sus respectivas probabilidades. Esto se logra combinando los impulsores económicos, las restricciones y los pronósticos probabilísticos.

¿Qué es la corrupción epistémica?

La corrupción epistémica ocurre cuando un cuerpo de conocimiento pierde su integridad y deja de ser valioso para las personas o la organización que depende de este conocimiento para mejorar su actividad.

Desafortunadamente, la cadena de suministro, como campo de estudio, ha sufrido un grave caso de corrupción epistémica desde el final de la Segunda Guerra Mundial. Hay dos causas principales de este estado actual de las cosas:

En primer lugar, la academia, en su mayoría de manera no intencional, dejó de lado el tema hace décadas. Si bien se publican decenas de miles de artículos cada año, prácticamente ninguno de esos artículos puede ser reproducido o falsificado (en el sentido popperiano de falsificación*). A diferencia de otros campos que no sufren de corrupción epistémica generalizada (por ejemplo, el estudio de algoritmos), los artículos sobre cadena de suministro casi nunca se utilizan en entornos del mundo real, y mucho menos durante mucho tiempo cuando se utilizan.

En segundo lugar, los analistas de mercado, los proveedores de software y los consultores han actuado como adversarios durante décadas. De hecho, hay ganancias que se pueden obtener al prolongar en lugar de abordar los problemas. Los métodos obsoletos que habrían desaparecido hace mucho tiempo han sido mantenidos con soporte vital por actores que estaban demasiado ansiosos por mantener el statu quo. Curiosamente, el statu quo ha existido durante tanto tiempo que la mayoría de esas personas pueden afirmar honestamente que, desde su perspectiva, los métodos han estado “siempre” presentes, porque técnicamente los problemas los preceden.

La solución a los casos generalizados de corrupción epistémica son metodologías y métodos más efectivos que permitan a las empresas separar más rápido (y mejor) el grano de la paja. Con este fin, Lokad ha estado llevando a cabo un esfuerzo de refundación de la cadena de suministro desde 2011. Este enfoque novedoso se llama “Supply Chain Quantitativa” (QSC). Incluye técnicas y metodologías alternativas, como pronósticos probabilísticos y optimización experimental.

*El “sentido popperiano de falsificación” 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 pueda 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 cadena de suministro (por lo general) 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 “corrección por diseño”?

La corrección por diseño es un principio que enfatiza la importancia de asegurar que el diseño de un sistema prevenga inherentemente ciertos tipos de errores o fallas. Este enfoque contrasta con la práctica más común de confiar en pruebas extensivas y control de calidad para detectar y corregir problemas después de que hayan ocurrido. El objetivo de la corrección por diseño es minimizar la necesidad de mantenimiento continuo y reducir el riesgo de fallas catastróficas que pueden resultar de sistemas complejos. En el contexto de la optimización de la cadena de suministro, la corrección por diseño es particularmente relevante porque la capa analítica (la capa responsable de los procesos de toma de decisiones) no debe aumentar el caos endémico de la cadena de suministro, un entorno ya caótico de por sí.

Las recetas numéricas, destinadas a respaldar los procesos de toma de decisiones de la cadena de suministro, a menudo se implementan con herramientas genéricas que no ofrecen corrección por diseño. Como resultado, dichas recetas numéricas suelen fallar debido a mil cortes. La producción falla debido a errores de índice fuera de rango, errores de falta de memoria, condiciones de carrera, desbordamientos o subdesbordamientos numéricos, etc. “Moverse rápido y romper cosas” es una filosofía de ingeniería aceptable para una aplicación de estilo de vida, pero no para un sistema empresarial crítico.

Con este fin, Lokad ha desarrollado Envision, su lenguaje de programación específico del dominio (DSL, por sus siglas en inglés) dedicado a la optimización predictiva de las cadenas de suministro, teniendo en cuenta la corrección por diseño. Lokad no comenzó con Envision cuando se fundó en 2008. Durante años, confiamos en lenguajes de propósito general como Python. Nos llevó años darnos cuenta de que nuestros intentos fallaban más a menudo que no debido a Python.

Aún más desconcertante, la situación era exactamente la misma para los equipos de ciencia de datos de nuestros propios clientes. La historia casi siempre se desarrollaba de la misma manera: en tres semanas, el equipo de ciencia de datos había creado lo que parecía ser un prototipo muy prometedor. Sin embargo, después de un año de esfuerzos intensos para asegurarse de que funcionara en entornos de producción del mundo real, el proyecto se descartaba porque nunca había alcanzado el necesario “nivel de producción”.

Así, después de años de dolor y miseria, llegamos a la conclusión en 2012 de que el propio lenguaje de programación era el problema central que debía abordarse. En otras palabras, Python no era la solución, sino el problema. Por lo tanto, sin una mejor alternativa, el equipo de ingeniería de Lokad inició un esfuerzo de ingeniería de una década para crear un DSL dedicado a las cadenas de suministro que abordara “por diseño” todos esos problemas en la mayor medida posible. Así es como surgió Envision.

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

En conclusión, la corrección por diseño es un requisito fundamental para cualquier lenguaje de programación destinado a dirigir cadenas de suministro del mundo real. Muchos proveedores de software, por pura negligencia o incompetencia, no abordan frontalmente este problema, causando invariablemente un daño inmenso a sus clientes.

¿Qué es la “mantenibilidad”?

La mantenibilidad, en el contexto del software de cadena de suministro, se refiere a la capacidad de la empresa y sus proveedores de software de mantener su paisaje aplicativo en funcionamiento.

En lo que respecta a la “gestión” de la cadena de suministro, la “mantenibilidad” es un asunto relativamente sencillo. Hay una rutina de parches de seguridad y compatibilidad para mantener el software funcionando en condiciones cambiantes (por ejemplo, cambios en los sistemas operativos, navegadores, versiones de bases de datos, etc.). A menos que la empresa desee realizar cambios funcionales en sus aplicaciones de “gestión”, la mantenibilidad es en gran medida un hecho si el proveedor es incluso modestamente competente.

Sin embargo, la optimización de la cadena de suministro es un problema muy diferente. Las recetas numéricas que robotizan los procesos de toma de decisiones inevitablemente pierden su relevancia con el tiempo. La causa de la decadencia no es tanto el crecimiento y la contracción del mercado, ya que es bastante sencillo acomodar numéricamente este tipo de variación como parte de las recetas numéricas estáticas (por ejemplo, un promedio móvil hace eso, aunque de manera rudimentaria).

Más bien, la causa de la decadencia es la evolución de los problemas que deben resolverse. Las condiciones del mercado en evolución no solo requieren respuestas que sean cuantitativamente diferentes, sino respuestas de diferentes tipos. Por ejemplo, las empresas de venta por correo nunca tuvieron que enfrentar el problema de dirigir sus inversiones en SEM (marketing en motores de búsqueda) para apoyar la liquidación de inventario excesivo, una situación que las empresas de comercio electrónico enfrentan rutinariamente.

El software de optimización de la cadena de suministro es mucho más susceptible a las condiciones del mercado en evolución que el software de gestión de la cadena de suministro. A partir de 2024, no es raro encontrar empresas que aún operan un sistema de gestión de inventario que se implementó en la década de 1990 (que aún puede parecer funcionar perfectamente), dado que las tareas de mantenimiento de inventario han permanecido prácticamente sin cambios en los últimos 30 años. Sin embargo, una lógica de optimización de la cadena de suministro que pueda mantenerse relevante durante 3 años es extremadamente rara.

La mayoría de los proveedores de optimización de la cadena de suministro no reconocen este problema fundamental. Como resultado, las inversiones tienden a concentrarse en gran medida al principio, cuando la empresa cliente se está incorporando a los proveedores. Durante los primeros meses, mientras el proveedor aún está muy involucrado en una configuración en evolución, la solución da la ilusión de ser satisfactoria. Sin embargo, avanzando rápidamente 18 meses después del final de la fase de incorporación por parte del proveedor de software, las recetas numéricas se han deteriorado hasta el punto de ser irrelevantes. Invariablemente, los practicantes de la cadena de suministro vuelven a sus hojas de cálculo que, a pesar de ser rudimentarias, se pueden mantener para seguir siendo algo relevantes.

El problema de la mantenibilidad es una de las razones fundamentales que llevaron a Lokad en 2012 a crear Envision, un lenguaje de programación específico del dominio (DSL) dedicado a la optimización predictiva de las cadenas de suministro. De hecho, durante los primeros años de Lokad (fundada en 2008), nos dimos cuenta de que, sin importar cuánto esfuerzo pusiéramos en nuestras recetas numéricas, la mayoría de las veces, y sin importar cuán buena fuera nuestra implementación inicial, esas recetas tendrían que ser reescritas extensamente cada 18 meses aproximadamente. Este era el precio a pagar para mantener la automatización estrictamente alineada con la estrategia y las prioridades en constante cambio de nuestros clientes. Por lo tanto, Envision fue diseñado específicamente para adaptarse a la necesidad de reescritura constante para evitar la irrelevancia.

En conclusión, la mantenibilidad, en lo que respecta a la optimización de la cadena de suministro, está en gran medida definida por la capacidad de la empresa para reescribir rutinariamente las recetas numéricas que rigen la ejecución de su propia cadena de suministro. Si bien esta capacidad depende del tamaño del equipo de Supply Chain Scientists que se puede asignar a la tarea, también depende en gran medida de la calidad del lenguaje de programación utilizado para implementar las recetas numéricas en primer lugar.