Forecast probabilístico en cadenas de suministro: Lokad vs. otros proveedores de software empresarial, Julio 2025

Por Léon Levinas-Ménard

Last modified: 23 de julio de 2025

Resumen ejecutivo

Enfoque probabilístico único de Lokad: Lokad fue pionero en el uso del forecast probabilístico en la optimización de cadenas de suministro, trascendiendo las estimaciones puntuales para modelar distribuciones completas de las incertidumbres de la demanda y del suministro. Desde 2012, Lokad ha construido su plataforma en torno a este concepto – estimando distribuciones de probabilidad completas (no solo forecast únicos o algunos cuantiles) y usándolas para optimizar decisiones ¹ ². Esto permite realizar forecast de todas las fuentes de incertidumbre (p.ej., la variabilidad de la demanda y de los tiempos de entrega) y calcular planes de inventario o producción optimizados que tengan en cuenta dichas incertidumbres ². El resultado es un enfoque centrado en la toma de decisiones que convierte los forecast en acciones optimizadas bajo incertidumbre, en lugar de tratar el forecast y la planificación como pasos separados.

Reclamaciones “probabilísticas” de los competidores vs la realidad: Tras el liderazgo de Lokad, muchos de los principales proveedores de software para cadenas de suministro han adoptado el lenguaje del forecast probabilístico – pero en gran medida sin la misma sustancia. Proveedores como ToolsGroup, Blue Yonder, o9 Solutions, SAP IBP, RELEX y Kinaxis ahora esparcen términos como “probabilístico” o “estocástico” en su marketing. Sin embargo, un vistazo más de cerca revela diferencias clave:

ToolsGroup (SO99+): Pionero de lo “estocástico” desde hace mucho, pero el uso moderno de lo probabilístico es parcial. Generan distribuciones de demanda (forecast de cuantiles) para el inventario, sin embargo no forecast los tiempos de entrega como variables aleatorias, confiando en entradas de tiempo de entrega fijas ³. Notablemente, desde 2018 ToolsGroup promocionó “forecast probabilísticos” mientras aún destacaba mejoras de precisión MAPE – una contradicción, ya que MAPE no se aplica a forecast probabilísticos ⁴. Esto sugiere que su impulso probabilístico fue más un eslogan que un cambio fundamental.
Kinaxis (RapidResponse/Maestro): Históricamente enfocado en la planificación determinista, en memoria. Solo recientemente (2022–2023) Kinaxis ha adoptado métodos probabilísticos asociándose con Wahupa (para la optimización de inventario probabilístico) y adquiriendo una firma de forecast de IA. Kinaxis incluso presentó patentes 2023 para forecast de cuantiles basados en ML ⁵ ⁶, lo que indica un cambio hacia técnicas probabilísticas. Sin embargo, estas características son nuevas y sin probar, proporcionando esencialmente forecast de cuantiles (intervalos de predicción) en lugar del modelado de distribución completa que realiza Lokad. La iniciativa Wahupa (motor multi-escalón probabilístico) hasta ahora ha tenido un impacto visible limitado, lo que resalta los desafíos de adaptar la lógica probabilística a una plataforma establecida.
Blue Yonder (anteriormente JDA): Un gigante del software para cadenas de suministro con motores de planificación legados (deterministas). El mensaje reciente de la plataforma Luminate de Blue Yonder menciona forecast “autónomo” y “probabilístico”, pero la evidencia es escasa de que sus motores centrales realmente produzcan distribuciones completas de probabilidad ⁷. En la práctica, BY parece ceñirse a forecast puntuales tradicionales (métodos de series temporales como ARIMA) con fórmulas de stock de seguridad, quizás añadiendo ajustes impulsados por ML. No hay indicio de que Blue Yonder modele la incertidumbre de los tiempos de entrega o produzca el tipo de optimización probabilística de extremo a extremo que realiza Lokad ⁸ ⁹. La terminología “probabilística” por lo tanto parece ser en su mayoría una estrategia de marca de mejoras menores a un enfoque fundamentalmente determinista.
SAP IBP (Planificación Empresarial Integrada): La suite de planificación de SAP heredó un motor probabilístico a través de su adquisición en 2013 de SmartOps (que realizaba optimización de inventario multi-escalón utilizando modelos de variabilidad de demanda). En teoría, IBP para Inventario puede tener en cuenta la variabilidad de la demanda e incluso algo de variabilidad en el suministro ¹⁰. En la práctica, el enfoque de SAP está en la integración y el proceso; en su mensaje no se enfatiza el forecast probabilístico ¹¹. La mayoría de los despliegues de SAP IBP aún utilizan forecast puntuales y stocks de seguridad definidos por el usuario; los tiempos de entrega son típicamente entradas fijas (con buffers opcionales) en lugar de incertidumbres forecast por el sistema ¹¹. Así, aunque la capacidad existe profundamente en el software, SAP no ha operacionalizado los métodos probabilísticos como un diferenciador clave, y muchos usuarios pueden no aprovechar esas funciones avanzadas.
o9 Solutions: Una plataforma más reciente que comercializa un “Cerebro Digital” para la planificación de la cadena de suministro. o9 se centra en la planificación integrada en tiempo real (demanda, suministro, finanzas) con análisis de escenarios e integración de big data. Su fortaleza es unificar los datos y los silos de planificación, pero no específicamente el forecast probabilístico del tipo en que Lokad se especializa ¹². Las funciones de IA/ML de o9 principalmente ayudan en la analítica predictiva y en simulaciones hipotéticas, en lugar de producir distribuciones de probabilidad explícitas para cada variable. En resumen, o9 ofrece un amplio conjunto de herramientas de planificación (con modelos de datos basados en grafos y recálculos rápidos de escenarios hipotéticos), mientras que Lokad proporciona un modelado de incertidumbre más profundo y optimización. Las empresas que busquen rigor probabilístico completo en los forecast pueden encontrar el enfoque de o9 más incremental (forecast aumentados) en comparación con la optimización estocástica integral de Lokad ¹².
RELEX Solutions: Un proveedor de rápido crecimiento enfocado en el comercio minorista, conocido por su forecast de alta frecuencia y reposición automatizada (popular en abarrotes y moda). RELEX promociona el forecast de demanda “impulsado por IA” y la analítica en tiempo real, pero no produce distribuciones completas de probabilidad para la demanda como lo hace Lokad ¹³. Los forecast se mejoran mediante machine learning (y detección de demanda a corto plazo) pero esencialmente siguen siendo forecast puntuales mejorados. Críticamente, RELEX no trata los tiempos de entrega como probabilísticos tampoco ¹⁴ – los usuarios ingresan los tiempos de entrega y, quizás, factores de variabilidad manual. Así, a pesar de una arquitectura moderna en la nube y afirmaciones de IA, RELEX depende de métodos convencionales (con algo de ML) internamente ¹⁵. Su uso de la terminología “probabilística” es mínimo; el énfasis es más en la capacidad de respuesta a corto plazo que en modelar cada incertidumbre matemáticamente.

Conclusión: El enfoque probabilístico de Lokad sigue siendo altamente diferenciado. Se destaca por incorporar genuinamente la incertidumbre de principio a fin – realizando forecast de todas las distribuciones relevantes y optimizando decisiones en consecuencia. Otros proveedores han, en diversos grados, tomado prestado el eslogan o añadido pedazos de tecnología probabilística (a menudo solo forecast de cuantiles o buffers de riesgo) para parecer estar a la última. Sin embargo, según se detalla en este informe, ninguno iguala la profundidad del enfoque de Lokad en la práctica. La mayoría aún recurre a paradigmas de planificación determinista con solo asentimientos superficiales a la incertidumbre (p.ej., usando algunos cuantiles o la lógica de “stock de seguridad” en lugar de una verdadera optimización estocástica). Los desarrollos recientes – tales como las patentes y asociaciones de Kinaxis o el cambio de marca de IA de Blue Yonder – muestran el reconocimiento de la industria de que los métodos probabilísticos son el futuro. Sin embargo, la sustancia no alcanza al marketing para estos incumbentes. Por lo tanto, los ejecutivos que evalúan soluciones de cadena de suministro “probabilísticas” deberían examinar detenidamente si la oferta de un proveedor se trata meramente de usar la palabra o de adoptar verdaderamente el paradigma probabilístico pionero por Lokad.

Introducción

Durante la última década, el forecast probabilístico ha surgido como una innovación fundamental en la planificación de la cadena de suministro. A diferencia de los forecast deterministas tradicionales que proporcionan un único valor esperado, un forecast probabilístico ofrece un rango de posibles resultados con probabilidades asociadas ¹⁶. Esto es crucial para la optimización de la cadena de suministro: decisiones como la cantidad de inventario a mantener o cómo programar la producción deben tener en cuenta la variabilidad en la demanda, los tiempos de entrega de los proveedores, los retrasos en el transporte y otras incertidumbres. Para 2012, Lokad reconoció que los forecast clásicos (incluso los de “mejor estimación” o forecast medianos) eran insuficientes para tales decisiones, ya que ignoran el riesgo de resultados mayores o menores. Lokad comenzó a producir forecast de cuantiles en 2012 – esencialmente forecast sesgados dirigidos a niveles de servicio específicos o compensaciones de costos – y para 2015 evolucionó hacia forecast de distribuciones completas (a través de “rejillas de cuantiles”) ¹⁷ ¹⁸. En 2016, Lokad adoptó por completo el forecast probabilístico, estimando explícitamente distribuciones completas de la demanda en lugar de puntos únicos ¹⁹ ²⁰. Esto fue seguido por el desarrollo de técnicas de optimización estocástica que toman esas distribuciones como insumos para calcular decisiones óptimas bajo incertidumbre ²⁰ ²¹.

Hoy en día, el enfoque de Lokad (a veces denominado “Forecasting & Optimization” o “Quantitative Supply Chain”) integra de manera estrecha el forecast con la optimización de decisiones ²² ²³. Usando su lenguaje específico de dominio Envision, Lokad modela las incertidumbres (p.ej. la variabilidad de la demanda, la fiabilidad de los proveedores, la distribución de los tiempos de entrega, etc.) y las limitaciones empresariales (costos de inventario, objetivos de servicio, límites de capacidad), y luego produce un plan optimizado (cantidades de pedido, programas de producción, etc.) que maximiza el rendimiento esperado dada la incertidumbre ²⁴ ². La clave es que la incertidumbre no es una ocurrencia tardía – está incorporada en los cálculos. Esto contrasta con las herramientas tradicionales que a menudo generan un único forecast, para luego agregar buffers (stock de seguridad, tiempo de seguridad) de manera heurística. El éxito de Lokad en la competencia M5 de forecast en 2020 (alcanzando la precisión #1 a nivel SKU mundial) demostró aún más su liderazgo en el modelado predictivo. Más importante aún, Lokad argumenta que la precisión por sí sola no es suficiente – se necesitan tomar decisiones óptimas a partir de esos forecast probabilísticos ²⁵ ²³.

A medida que Lokad ha ganado tracción con este enfoque probabilístico, otros proveedores de software para la cadena de suministro han tomado nota. A mediados de la década de 2010, términos como “estocástico”, “forecast probabilístico” y “planificación impulsada por IA” empezaron a aparecer en los folletos de los competidores. A finales de la década de 2010, varios proveedores comenzaron a comercializar alguna forma de capacidad probabilística – al menos de nombre. El desafío para los ejecutivos de la cadena de suministro es desentrañar este marketing: ¿cómo definen estos proveedores lo “probabilístico” y en qué se diferencian sus soluciones de las de Lokad? Este informe examina el enfoque de Lokad frente a los enfoques de varios proveedores líderes: ToolsGroup, Kinaxis, Blue Yonder (BY), SAP IBP, o9 Solutions y RELEX Solutions. Nos enfocamos en cómo cada proveedor aborda la incertidumbre en el forecast y la planificación:

¿Producen distribuciones completas de probabilidad o solo forecast puntuales / predicciones de un solo número?
¿Si se mencionan distribuciones, son solo para la demanda o también para tiempos de entrega y otros factores?
¿Han demostrado su destreza en forecast (p.ej. en competiciones o con métricas publicadas), o es principalmente eslóganes?
¿Cómo incorporan la incertidumbre en la toma de decisiones (p.ej., optimización estocástica real vs. simples fórmulas de stock de seguridad)?
¿Están respaldadas sus afirmaciones de “IA/ML” por especificaciones técnicas, o están modernizando métodos antiguos con nueva terminología?

Al explorar estas preguntas, podemos entender la brecha entre Lokad y sus competidores en lo que respecta a la optimización de la cadena de suministro probabilística. A continuación, detallamos la postura y las capacidades de cada proveedor, destacando cómo se interpreta lo “probabilístico” en la práctica – y si realmente cumple la promesa que Lokad ejemplifica.

Enfoque Probabilístico de Lokad: Distribuciones Completas y Optimización de Decisiones

La filosofía de Lokad es que mejores decisiones provienen de una mejor comprensión de la incertidumbre. Concretamente, esto significa realizar forecast de la distribución completa de probabilidad de la demanda futura (y otras incertidumbres) y luego calcular directamente las decisiones que optimizan métricas (como el nivel de servicio, costo o beneficio) utilizando esas distribuciones como insumos. Varios elementos hacen único el enfoque de Lokad:

Adopción temprana e innovación: Lokad estuvo casi una década adelantado al mercado en impulsar forecast probabilísticos. Ya en 2012, Lokad defendió públicamente el forecast más allá de los promedios – introduciendo forecast de cuantiles hechos a la medida de los objetivos empresariales ²⁶ ¹. Para 2015–2016, Lokad pasó a realizar forecast probabilístico completo, lo que significa que para cada artículo produce una distribución completa de probabilidad de la demanda durante el tiempo de entrega (o cualquier horizonte de interés) ¹⁹ ²⁰. Esto supuso un cambio radical respecto a la norma de la industria de generar un solo número por artículo y período. La inversión de Lokad en esta área lo convirtió en “uno de los pocos proveedores que realmente implementa forecast probabilístico (demanda y suministro) y verdadera optimización estocástica” en la práctica ².
Modelado de todas las fuentes de incertidumbre: A diferencia de la mayoría de las herramientas que solo modelan la incertidumbre de la demanda (y tratan los tiempos de entrega del suministro u otros factores como fijos), Lokad modela explícitamente cada factor estocástico significativo. Por ejemplo, si los tiempos de entrega de los proveedores varían, Lokad realizará forecast de una distribución de tiempos de entrega (p.ej., un 10% de probabilidad de que un tiempo de entrega se extienda a 8 semanas en lugar del promedio de 6 semanas). Si hay incertidumbre en el rendimiento de la fabricación o riesgo de retraso en el transporte, también se pueden modelar como insumos probabilísticos. La documentación de Lokad enfatiza en realizar forecast tanto de las incertidumbres de demanda y suministro como en integrarlos en la optimización ². Este enfoque integral significa que las decisiones resultantes (como la cantidad de inventario a mantener) protegen contra toda la variabilidad importante, no solo los cambios en la demanda.
Entradas Probabilísticas para la Optimización (No Solo Forecasts): Fundamentalmente, Lokad no se detiene en predecir distribuciones; las usa en modelos de optimización matemática para derivar decisiones. La plataforma Envision de Lokad permite crear una función objetivo (por ejemplo, maximizar el beneficio esperado o minimizar el costo total) que se evalúa con toda la gama de resultados probabilísticos ²⁵ ²³. Técnicas como la Simulación de Eventos Discretos Estocásticos y la Optimización Estocástica (Lokad introdujo métodos como Stochastic Discrete Descent in 2021 para resolver estos problemas ²⁰) calculan la mejor decisión ponderando miles de posibles escenarios futuros (extraídos de la distribución de forecast). Esto produce recomendaciones como ordenar X unidades ahora (o establecer el punto de reorden en Y), con probabilidades conocidas de faltante de stock o exceso de inventario basadas en el forecast. Es un pipeline integral de forecast a decisión: datos → forecast probabilístico → decisión optimizada. Muchos proveedores, en contraste, o bien proporcionan forecasts y dejan el resto a los planificadores, o usan reglas simplistas (como “stock de seguridad = Z * σ de la demanda”) que no constituyen optimizaciones verdaderas.
Transparencia y Hecho a la medida: Lokad ha hecho un esfuerzo por white-box su enfoque. Envision es un motor completamente programable en el que una empresa puede ajustar el modelo a sus realidades. Por ejemplo, si la obsolescencia es una preocupación, se puede modelar una probabilidad de que la demanda caiga a cero después de cierta fecha; si existe la posibilidad de fallo del proveedor, se puede incorporar ese escenario. Esta flexibilidad asegura que el “modelo probabilístico” no es una caja negra – es comprensible y ajustable, lo que contrasta con la inteligencia artificial de caja negra de talla única de algunos proveedores. Además, los resultados y métodos de Lokad han sido documentados en detalle en su sitio web y en conferencias en YouTube (supply chain “Lokad TV”), reflejando un nivel de transparencia técnica no común en el software empresarial ²⁷ ²⁵.
Rendimiento Comprobado: La credibilidad de Lokad en forecasting probabilístico está respaldada por benchmarks externos. Un punto destacado, frecuentemente citado, es el desempeño de Lokad en la competencia M5 (un concurso global de forecasting) donde alcanzó una precisión superior a nivel de SKU/artículo ²⁸. Esto es importante porque es una evidencia objetiva de que la tecnología de forecasting de Lokad es de última generación. Además, al ser cloud-native y completamente automatizado, Lokad asegura que estas técnicas avanzadas puedan funcionar a gran escala sin intervención manual – la re-optimización diaria o semanal puede ocurrir “hands-off”, lo cual es esencial para la practicidad. En resumen, Lokad combina ciencia de vanguardia con automatización, buscando eliminar el tradicional compromiso entre modelos sofisticados y facilidad de uso.

En resumen, el enfoque probabilístico de Lokad significa una verdadera planificación estocástica de extremo a extremo: se forecast incertidumbres de manera granular y luego se convierten directamente en decisiones que optimizan los resultados bajo incertidumbre. Esto no es solo un módulo o característica, sino el núcleo de la plataforma de Lokad. El resto de este informe utilizará el estándar de Lokad como referencia para examinar cómo otros proveedores han (o no han) incorporado el forecasting probabilístico.

Proveedores Competidores y sus Enfoques “Probabilísticos”

A medida que los métodos probabilísticos ganaron atención, otros proveedores de software de supply chain respondieron de diversas maneras. Algunos tienen raíces en técnicas estocásticas pero puede que no las hayan avanzado recientemente; otros han añadido nuevas capacidades o simplemente han rebrandeado aspectos de sus herramientas existentes con terminología probabilística. A continuación, exploramos el enfoque de cada proveedor importante:

ToolsGroup – Innovador Estocástico Temprano, pero Enfocado en Cuantiles y Solo en la Demanda

Antecedentes: ToolsGroup es un veterano en planificación de supply chain (fundada en 1993) y a menudo se le atribuye el uso temprano de modelos estocásticos, especialmente para el forecasting de repuestos. En la década de 1990, ToolsGroup introdujo métodos que desafiaron la planificación puramente determinista al modelar estadísticamente la variabilidad de la demanda (por ejemplo, utilizando distribuciones de Poisson u otras para demandas intermitentes) ²⁹. Este legado significa que ToolsGroup ha hablado durante mucho tiempo de forecasting probabilístico – de hecho, su sistema insignia Service Optimizer 99+ (SO99+) durante años ha calculado “stocks de seguridad estadísticos” basados en la variabilidad. En el marketing moderno, ToolsGroup continúa afirmando que “el forecasting de demanda probabilístico (también conocido como forecasting estocástico) es la piedra angular de una planificación efectiva” ³⁰.

Aplicación Práctica del Probabilístico: A pesar del legado, el enfoque actual de ToolsGroup parece limitado en alcance en comparación con el marco probabilístico integral de Lokad. Notablemente:

Distribuciones de Demanda, pero Parámetros de Suministro Estáticos: ToolsGroup genera distribuciones de demanda en lugar de forecasts de un solo punto. Por ejemplo, SO99+ puede producir una curva “stock-to-service”, que esencialmente muestra la distribución de probabilidad de la demanda durante el tiempo de entrega y el nivel de servicio alcanzado para un determinado nivel de inventario ³¹. Esto implica que el motor de ToolsGroup simula o deduce analíticamente la distribución de la demanda durante un tiempo de entrega de reposición – un output probabilístico útil. Sin embargo, ToolsGroup se detiene antes de alcanzar un modelado probabilístico completo porque trata el tiempo de entrega como una entrada, no como una incertidumbre forecast. En la documentación de ToolsGroup, los tiempos de entrega se enumeran entre los “parámetros de suministro” que el usuario proporciona al modelo ³². No hay indicios de que SO99+ analice el desempeño histórico de los proveedores y entregue una distribución de probabilidad del tiempo de entrega. En el mejor de los casos, el usuario podría ingresar una media y una desviación estándar para el tiempo de entrega, y la herramienta lo incorporará en los cálculos de stock de seguridad de forma determinista ³³. Esto significa que ToolsGroup está ignorando una fuente importante de incertidumbre – si el tiempo de entrega de un proveedor se duplica ocasionalmente debido a interrupciones, la optimización de ToolsGroup podría no tener completamente en cuenta ese riesgo porque no forecast nativamente ese escenario ³⁴. En contraste, Lokad o un enfoque probabilístico “completo” modelaría explícitamente una probabilidad, por ejemplo del 10%, de que el tiempo de entrega se duplique y ajustaría las recomendaciones de inventario en consecuencia. La ausencia de forecasting probabilístico del tiempo de entrega llevó a un análisis a concluir: “ToolsGroup falla en el test probabilístico completo – menciona los tiempos de entrega solo como entradas estáticas, no como incertidumbres forecast” ³².
Impulso “Probabilístico” de 2018 y Confusión con MAPE: ToolsGroup comenzó a publicitar fuertemente los “forecasts probabilísticos” alrededor de 2018, probablemente en reacción a las tendencias del mercado. Sin embargo, este impulso de marketing se vio socavado por una aparente falta de comprensión (o transparencia) en cómo medir el rendimiento de un forecast probabilístico. Específicamente, los materiales de ToolsGroup de esa época emparejaron afirmaciones de forecasting probabilístico con afirmaciones de mejora en MAPE (Error Porcentual Absoluto Medio) ⁴. MAPE es una métrica para la precisión de un forecast puntual – mide la desviación de un único número forecast respecto a la demanda real. Para un forecast probabilístico (que produce una distribución o múltiples cuantiles), MAPE no es aplicable ³⁵. No se puede calcular “el MAPE de un forecast de distribución” sin reducirlo primero a una estimación puntual (lo que anula el propósito del output probabilístico). Así, la alarde de ToolsGroup de un mejor MAPE junto a forecasting probabilístico indica o que seguían utilizando efectivamente un forecast puntual (quizás la mediana) para la medición de errores, o que fue un descuido de marketing. De cualquier forma, generó escepticismo: “Una confusión tan obvia sugiere que la iniciativa probabilística de ToolsGroup podría ser más bombo publicitario que realidad” ⁴. En otras palabras, ToolsGroup pudo haber añadido características probabilísticas (como generar un rango o algunos cuantiles) pero siguió evaluando y pensando en términos deterministas internamente.
Enfoque en Cuantiles (Niveles de Servicio): Según la información disponible, el uso de datos probabilísticos por parte de ToolsGroup está mayormente orientado a niveles de servicio objetivos. Un planificador que utiliza ToolsGroup típicamente fija un nivel de servicio deseado (digamos 95% o 99%), y el sistema calcula los niveles de inventario requeridos para lograrlo, dada la variabilidad de la demanda. Esto se realiza al observar los cuantiles superiores de la distribución de la demanda. Por ejemplo, si el objetivo es un servicio del 95%, ToolsGroup se asegurará de que el inventario cubra el percentil 95 de la demanda durante el tiempo de entrega. Esto es efectivamente forecasting cuantílico: calcular la demanda del percentil 95. Aunque es útil, es una forma limitada de forecasting probabilístico – el sistema podría calcular uno o dos cuantiles (por ejemplo, P50 y P95) para establecer los stocks de seguridad, en lugar de aprovechar la forma completa de la distribución para tomar una decisión optimizada en costos. En contraste, Lokad podría considerar toda la distribución y los costos de exceso de inventario versus faltante de stock para elegir un cuantil óptimo de manera dinámica (quizás sea el percentil 87 que maximiza el beneficio esperado, por ejemplo), en lugar de simplemente alcanzar un objetivo fijo de servicio.
Sin Avances Amplios en IA/ML: ToolsGroup integra aprendizaje automático en su forecasting, pero las revisiones indican que se trata de técnicas relativamente estándar (regresión, modelos de series temporales con quizás algún ajuste de ML). Las afirmaciones de ToolsGroup sobre “IA” han sido recibidas con escepticismo ³⁶ ³⁷ – con expertos señalando que la información pública sobre ToolsGroup muestra que se utilizan “modelos de forecasting previos al 2000” ³⁸ (como el método de Croston para demanda intermitente). La compañía no ha demostrado ningún algoritmo probabilístico nuevo (por ejemplo, no hay evidencia de forecasts probabilísticos basados en deep learning o de participación en concursos). Así, su forecasting probabilístico puede verse como una extensión de sus modelos estadísticos clásicos (añadiendo más outputs), en lugar de un nuevo paradigma.

Veredicto sobre ToolsGroup: ToolsGroup sigue siendo una solución creíble y comprobada para la optimización de inventario con un largo historial. Adoptó conceptos probabilísticos hace décadas, pero el alcance de esa adopción parece limitado hoy en día. Modela la incertidumbre de la demanda y calcula los stocks de seguridad en consecuencia, lo cual es valioso. Sin embargo, al ignorar el forecasting explícito de los tiempos de entrega y al mezclar outputs probabilísticos con pensamiento determinista (por ejemplo, MAPE), el enfoque “probabilístico” de ToolsGroup carece de la integridad y rigor del de Lokad ³². Como dijo una crítica, el uso de buzzwords modernos por parte de ToolsGroup no siempre coincide con la realidad subyacente – “mezclando buzzwords modernos con técnicas anticuadas” ³⁸. Las empresas deben entender que ToolsGroup ayudará a determinar objetivos de inventario para un nivel de servicio dado bajo incertidumbre de demanda, pero no necesariamente cuantificará todos los riesgos o re-optimizará las decisiones en cada escenario estocástico de la manera en que lo haría una optimización probabilística completa.

Kinaxis – Orígenes Deterministas con Nuevos Forecasting Cuantílicos y Complementos de Inventario Probabilísticos

Antecedentes: Kinaxis es conocida por su plataforma RapidResponse (recientemente rebrandeada como “Kinaxis Maestro”), que durante años ha sido líder en la planificación de supply chain, particularmente en Sales & Operations Planning (S&O P) y análisis de escenarios. La característica distintiva de Kinaxis es un motor de cálculo en memoria muy rápido que permite a los planificadores ejecutar simulaciones en tiempo real – por ejemplo, “¿qué pasa si la demanda aumenta un 10%?” – y ver los impactos a lo largo de la supply chain instantáneamente. Históricamente, Kinaxis no se enfocaba en ser un motor de forecasting en sí; más bien, consumía forecasts de otras fuentes o utilizaba métodos simples, y enfatizaba la integración y velocidad en la replanificación del suministro, la capacidad y el inventario. Su planificación era en gran medida determinista – los escenarios eran versiones únicas de la verdad, y los stocks de seguridad o buffers eran establecidos por los planificadores o mediante reglas básicas.

Transición hacia Métodos Probabilísticos: En los últimos años, Kinaxis ha reconocido claramente la tendencia de la industria (y la demanda de los clientes) hacia forecasting avanzado y gestión de la incertidumbre. Varios desarrollos ilustran esta transición:

Alianza con Wahupa (2022): En mayo de 2022, Kinaxis anunció una alianza con Wahupa – una pequeña empresa de software especializada en optimización probabilística de inventario Multi-Echelon (MEIO) ³⁹. El motor de Wahupa está diseñado para cuantificar la incertidumbre (en la demanda y el suministro) y optimizar los buffers de inventario en redes complejas usando modelos probabilísticos. La idea era incorporar el MEIO probabilístico de Wahupa dentro de la plataforma de Kinaxis (como una “extensión de solución”) ⁴⁰ ⁴¹. Esto daría a los clientes de Kinaxis una manera de calcular objetivos de inventario con lógica probabilística, en lugar de los métodos tradicionales deterministas o basados en reglas. Kinaxis incluso copublicó contenido en su blog con el CEO de Wahupa discutiendo la planificación probabilística versus determinista, demostrando que estaban promoviendo este enfoque ⁴² ⁴³. Sin embargo, la integración de Wahupa parece haber enfrentado obstáculos. A finales de 2023/primeros meses de 2024, observadores de la industria notaron que esta alianza había mostrado poco progreso visible – la capacidad de MEIO probabilístico aún no era ampliamente referenciada en estudios de caso o historias de usuarios de Kinaxis. Informes sin confirmar (y el tono de la investigación de Lokad) sugieren que la integración de Wahupa no ha ganado tracción y puede haber sido discretamente rebajada en prioridad o archivada, esencialmente un “pequeño fiasco.” El informe anual de Kinaxis 2024 aún lista a Wahupa como socia, pero hay escasa evidencia de éxito. Esto subraya lo desafiante que puede ser para una plataforma de planificación establecida incorporar un nuevo motor de optimización probabilística que originalmente no estaba integrado en su modelo de datos ⁴⁴ ⁴⁵.
Adquisición de Rubikloud (2020): Kinaxis adquirió Rubikloud, una empresa de aprendizaje automático que se enfocaba en el forecasting de demanda en el retail y en IA, en 2020. La tecnología de Rubikloud presumiblemente incluía forecasting moderno basado en ML que podría producir no solo forecasts puntuales, sino también intervalos de predicción (un output probabilístico básico). Esta adquisición fue un signo temprano de que Kinaxis intentaba reforzar sus capacidades de forecasting de demanda con IA. Para 2023, Kinaxis comenzó a comercializar una suite llamada “Planning.AI” que integra forecasting avanzado basado en ML en la plataforma de planificación ⁴⁶. Aunque los detalles son limitados, es probable que esto permita a Kinaxis generar forecasts con rangos de confianza asociados (cuantiles) para la demanda, alimentando sus escenarios de planificación.
Patente para ML-based Quantile Forecasting (2023): En 2023, Kinaxis presentó una solicitud de patente en EE. UU. para un método de forecast utilizando modelos de machine learning y determinando un conjunto de cuantiles para una muestra de demanda desconocida ⁵ ⁴⁷. La patente describe el entrenamiento de modelos basados en árboles con datos históricos y luego la generación de valores sintéticos para calcular un rango de cuantiles como el forecast de salida ⁴⁸ ⁴⁹. El objetivo es explícitamente “optimizar el inventario basado en el conjunto de cuantiles” ⁵⁰. En esencia, esto es una formalización del quantile forecasting con ML – el resultado sería algo así: para un producto dado, el modelo podría producir forecasts de demanda P50, P75, P90 (o cualquier cuantil especificado), y esos se pueden usar para decidir los niveles de inventario. Que Kinaxis haya buscado una patente aquí indica que están desarrollando IP interna para probabilistic demand forecasting (aunque, notablemente, los quantile forecasts siguen siendo un subconjunto de full distribution forecasts y una forma comparativamente “débil” de modelado probabilístico, como correctamente señaló la consulta del usuario).
Mensajería cautelosa y evolución: Kinaxis ha sido algo cauteloso en su marketing en torno a AI y probabilistic forecasting. A diferencia de algunos competidores, no ha saturado su imagen de marca con afirmaciones de “magia AI”. En cambio, a menudo enfatiza una combinación de inteligencia humana y de máquina, y el término “concurrent planning” (what-if en tiempo real). Sin embargo, a medida que ha añadido estas nuevas capacidades, Kinaxis ahora discute abiertamente la incertidumbre. El hecho de que un blog de Kinaxis se adentrara en conceptos de teoría de la probabilidad es una señal positiva ⁴². Aun así, Kinaxis reconoce que está en camino: “moving toward more decision automation under uncertainty, albeit from a deterministic legacy” ⁵¹. A principios de 2025, las probabilistic features are nascent. Kinaxis no ha, por ejemplo, participado en competencias abiertas de forecasting, ni publicado libros blancos técnicos que demuestren la eficacia de sus nuevos motores probabilísticos. Así que la proof of maturity is limited ⁵².

Lo que Kinaxis ofrece actualmente: Con estos cambios, Kinaxis ahora ofrece (o pronto ofrecerá) dos elementos probabilísticos principales:

Probabilistic MEIO (via Wahupa): Una optimización de inventario que puede calcular buffers óptimos al considerar la variabilidad de la demanda a través de múltiples niveles. Si se implementa con éxito, esto sería análogo a la funcionalidad de un ToolsGroup o SmartOps, pero potencialmente más avanzado si utiliza simulaciones de Monte Carlo o similares. Respondería a preguntas como “Given the distribution of demand at each node and uncertainty in supply, what safety stock should I keep at each location to achieve X service or minimize cost?”.
ML-Based Demand Forecasting with Quantiles: Un módulo de forecast basado en AI (de Rubikloud/Planning.AI) que produce no solo un forecast, sino también un rango (por ejemplo, una banda de alto-bajo). Esto puede mejorar la planificación al brindar una idea del riesgo (por ejemplo, hay un 10% de probabilidad de que la demanda supere el forecast P90). Los planificadores o algoritmos pueden entonces ajustar los planes en consecuencia (por ejemplo, mayor producción para cubrir ese tail si el riesgo vale la pena mitigar).

Sin embargo, es importante notar que estas capacidades pueden estar actualmente separadas y no profundamente unificadas en la plataforma. La fortaleza de Kinaxis sigue siendo la capacidad de recalcular rápidamente los planes dado cualquier nuevo input. Pero si esos inputs (forecasts, parámetros de safety stock) son ahora probabilísticos, Kinaxis debe asegurar que su UI y proceso puedan manejarlo (por ejemplo, presentando a los planificadores no un solo plan, sino resultados de distribución). Esto no es trivial.

Veredicto sobre Kinaxis: Kinaxis se está poniendo al día con la tendencia probabilística. Ha realizado movimientos tangibles (alianzas, adquisiciones, I+D) para incorporar el modelado de incertidumbre. Sin embargo, en la actualidad, el enfoque de Kinaxis podría caracterizarse como la adición de quantile forecasting y complementos estocásticos a una herramienta de planning fundamentalmente basada en escenarios. No es (todavía) un paradigma en el que cada cálculo se realice internamente en forma de distribución. La propia compañía reconoce la transición – aún enfatizan que los planificadores utilizan la herramienta para evaluar escenarios y que la automatización se aplica de manera controlada ⁵³ ⁵⁴ (por ejemplo, autoejecutando ciertas decisiones de planning si se encuentran dentro de umbrales, en lugar de ser completamente autónoma). En resumen, las capacidades probabilísticas de Kinaxis son mejoras incrementales más que una reinvención total. Proporcionan más información sobre la incertidumbre que antes, pero la lógica central de planning aún debe demostrarse al nivel de sofisticación del enfoque de Lokad. Los usuarios potenciales deberían monitorear cuán profundamente se integra el MEIO Wahupa (si es que llega a integrarse) y si Kinaxis puede demostrar que sus quantile forecasts conducen a mejores resultados en supply chain. A partir de 2025, se podría decir que Kinaxis es probabilistic on paper, con patentes y alianzas, pero la sustancia aún está en desarrollo.

Blue Yonder – Gigante de planificación legado que adopta terminología probabilística sin cambios profundos

Antecedentes: Blue Yonder (BY), anteriormente conocido como JDA Software, es un peso pesado en software de supply chain, proporcionando soluciones para demand forecasting, supply planning, merchandising y más. Tiene una larga trayectoria: JDA había adquirido Manugistics e i2 Technologies, dos grandes actores de principios de los 2000, heredando sus tecnologías. En 2020, JDA se rebrandeó como Blue Yonder y posteriormente fue adquirida por Panasonic. La plataforma moderna de Blue Yonder se llama Luminate, que tiene como objetivo incorporar AI y computación en la nube sobre estos módulos heredados.

Uso de “Probabilistic” y AI en Marketing: El marketing de Blue Yonder en los últimos años se ha inclinado fuertemente hacia palabras de moda como “autonomous planning”, “cognitive supply chain” y AI/ML. Han mencionado explícitamente “probabilistic forecasting” en algunos contextos – por ejemplo, la descripción en Azure Marketplace para el Demand Forecasting de Blue Yonder menciona “autonomous and probabilistic forecasts” ⁵⁵. Blue Yonder también publicó artículos en su blog sobre temas como la evaluación de forecast probabilístico (calibración, precisión) ⁵⁶, lo que indica que sus equipos de data science están al tanto de estos conceptos. Sin embargo, la pregunta clave es cuánto de esto es discusión teórica versus producto implementado.

Realidad en los Productos: La evidencia sugiere que el enfoque central de forecasting y planning de Blue Yonder sigue siendo en gran medida determinista, con algunas mejoras:

Motor de Forecasting: El Demand Planning de Blue Yonder (ahora parte de Luminate Planning) utiliza tradicionalmente algoritmos de series temporales (como exponential smoothing, ARIMA), posiblemente complementados con machine learning para detección de demanda. Blue Yonder ha hecho open-source o referenciado ciertas herramientas como “tsfresh” (para extracción de features en series temporales) y una librería llamada “PyDSE” y “VikOS” que se relacionan con ARIMA y optimización ⁵⁷. Un análisis de las contribuciones open-source de Blue Yonder señaló que se basan en métodos de hace décadas (ARIMA, regresión) a pesar del marketing de AI ⁵⁸ ⁵⁷. Esto indica que, bajo el capó, Blue Yonder no está utilizando algoritmos probabilísticos de última generación (como deep learning quantile regressors o probabilistic graphical models); en cambio, es probable que esté usando métodos de forecasting probados y verdaderos y tal vez incorporando ML para ajustar o seleccionar modelos.
Salidas Probabilísticas: ¿Produce Blue Yonder realmente probabilistic forecasts (distribuciones)? Hay poca evidencia pública de que produzca distribuciones completas por defecto. Han hablado de “dynamic safety stock”, lo que implica recalcular los niveles de safety stock basándose en la volatilidad del forecast – eso podría interpretarse erróneamente como probabilistic forecasting. Un escenario probable: Blue Yonder produce un forecast base y una distribución de error (por ejemplo, calcula la varianza del forecast). Luego podría calcular, digamos, una demanda P90 durante el lead time para establecer el safety stock (similar al enfoque de ToolsGroup). Eso sería un cuantil, pero no un reporte de distribución completo. La propia literatura de Blue Yonder sobre “cognitive inventory” esencialmente replanteó la optimización de inventario probabilístico (niveles de stock basados en probabilidades) pero proporcionó “no technical support” sobre cómo era diferente ⁵⁹. En resumen, Blue Yonder conoce las palabras correctas – reconocen que, en lugar de safety stocks estáticos, se debe tener en cuenta la variabilidad de la demanda de forma dinámica (probabilistically). Pero la implementación real probablemente recurra a fórmulas tradicionales de safety stock (que asumen que la variabilidad de la demanda tiene una distribución normal, o utilizan una búsqueda simple de percentiles de una distribución normal/Poisson utilizando la media y varianza del forecast).
Incertidumbre en el Lead Time: No encontramos mención de que Blue Yonder haga forecast de lead times o trate el lead time como estocástico en sus soluciones de planning. Es seguro asumir que BY, como la mayoría, trata el lead time como un parámetro fijo (quizás con un margen adicional añadido por los planificadores). Por lo tanto, Blue Yonder también no cumple con el criterio probabilístico completo al ignorar explícitamente la incertidumbre del supply-side ⁹. Se centra en el demand forecasting (y aun ahí, mayormente en point forecasts).
Integración vs Innovación: Blue Yonder es esencialmente una colección de muchos módulos. Algunos módulos (como su ESP – Enterprise Supply Planning, o IO – Inventory Optimization) se remontan a los algoritmos de Manugistics o i2. Estos probablemente incluyen la optimización de inventario multi-echelon que estaba a la vanguardia a principios de los 2000 (la cual consideraba la varianza de la demanda de forma analítica). Pero el desafío de Blue Yonder es que no es un motor unificado, sino “una colección desordenada de productos, la mayoría de ellos anticuados” ⁶⁰. Han intentado modernizarse añadiendo una capa de AI (Luminate) encima, pero a menudo eso se reduce a dashboards y mejoras menores impulsadas por ML, en lugar de reescribir los motores centrales. Por lo tanto, cualquier afirmación probabilística debe verse a la luz de este ensamblaje: una parte de BY podría producir un intervalo de confianza en el forecast; otra parte (la optimización de inventario) podría usar una fórmula clásica; otra parte podría ser simplemente deterministic supply planning. La consistencia es cuestionable, y la integración de un workflow verdaderamente probabilístico de extremo a extremo requeriría una refactorización significativa que no ha sido evidente.
Afirmaciones vagas sobre AI: Los analistas han señalado que las afirmaciones de AI de Blue Yonder son vagas e insustanciales. Por ejemplo, BY ha mencionado usar ML para aumentar los modelos probabilísticos ⁵⁷, pero sin detalles sobre qué algoritmos o qué tan bien funcionan. Blue Yonder sí adquirió algunas startups de AI (como Blue Yonder GmbH, una firma de AI alemana, que irónicamente es de donde obtuvieron el nuevo nombre, ya que JDA adquirió esa compañía en 2018). También se asocian con algunas investigaciones universitarias. Pero nada de esto se ha traducido en avances claros y publicados en probabilistic forecasting para supply chain. El marketing se mantiene un nivel por encima de la realidad técnica.

Veredicto sobre Blue Yonder: Blue Yonder es, sin duda, un ejemplo de “buzzwords ahead of reality.” Utilizan términos como probabilistic, cognitive, autonomous, pero cuando se les presiona, sus soluciones parecen implementar técnicas de forecasting y planning bastante estándar ⁵⁷ ⁶¹. Para ser justos, Blue Yonder tiene una inmensa experiencia en el sector y una suite amplia – su fortaleza es poder cubrir desde demand forecasting hasta fulfillment, con muchas capacidades específicas de la industria (como características especializadas en retail planning). Pero en el contexto estrecho del probabilistic forecasting: Blue Yonder lo conoce y probablemente haya añadido algo de lógica de safety stock basada en quantiles y mejoras en ML forecasting. No ha demostrado el tipo de optimización probabilística que Lokad realiza (donde cada decisión se deriva de escenarios simulados). Una crítica interna lo resumió bien: el uso de “probabilistic” en cognitive inventory por parte de Blue Yonder fue esencialmente un rebranding, “rehashed… with fancy terms” pero sin nuevos algoritmos ⁵⁹. Las empresas que consideren Blue Yonder no deben asumir que obtendrán un motor de probabilistic forecasting de vanguardia; más bien, obtendrán un conjunto de herramientas de forecasting sólido, aunque algo anticuado, con una UI moderna, y cualquier beneficio probabilístico vendrá de mejoras incrementales (como actualizaciones más frecuentes del forecast, quizás alguna gestión automatizada de excepciones) en lugar de una optimización estocástica fundamental.

SAP IBP – Suite poderosa pero compleja con raíces probabilísticas (SmartOps) en gran medida subutilizada

Antecedentes: La Integrated Business Planning (IBP) de SAP es la sucesora de APO (Advanced Planning & Optimization) de SAP e incorpora varios módulos para demand forecasting, supply planning y inventory optimization. SAP, siendo un gigante ERP, a menudo compite con la promesa de una plataforma integrada de extremo a extremo (desde finanzas y ventas hasta la ejecución de supply chain). Históricamente, las herramientas de planning de SAP eran en su mayoría deterministas: el demand planning de APO daba point forecasts; el inventory planning de APO calculaba safety stocks usando fórmulas simples o, en el mejor de los casos, cálculos de una sola etapa. Reconociendo una brecha, SAP realizó adquisiciones estratégicas: SmartOps en 2013 (que fue una empresa líder en optimización de inventario multi-echelon conocida por sus modelos probabilísticos), y anteriormente SAF AG en 2009 (una firma de demand forecasting). SmartOps, en particular, introdujo un motor probabilístico que podía optimizar el inventario a través de múltiples niveles (ubicaciones) para alcanzar niveles de servicio al mínimo costo ¹⁰. Esencialmente, SmartOps modelaba matemáticamente la incertidumbre de la demanda (y, en cierta medida, la variabilidad del lead time mediante algunas suposiciones) para recomendar el safety stock. Esto se convirtió en el módulo IBP for Inventory de SAP.

Estado Actual de las Características Probabilísticas en SAP:

Demand Forecasting: SAP IBP tiene un módulo de Demand que puede utilizar métodos estadísticos avanzados e incluso machine learning (SAP cuenta con Analytics Cloud que puede usarse para forecasting, incluyendo técnicas como gradient boosting, etc.). Sin embargo, SAP usualmente presenta esto como una mejora en la precisión del forecast (MAPE, etc.), y no como la provisión de distribuciones de probabilidad completas. La salida típica sigue siendo un único forecast (quizás con algún proceso de consenso alrededor). La noción de probabilistic demand forecasts no es el centro de atención; SAP rara vez, o casi nunca, utiliza ese término en marketing.
Inventory Optimization (SmartOps): En principio, SmartOps inside IBP sí usa modelos probabilísticos. SmartOps era conocido por calcular distribuciones de probabilidad de posiciones de inventario y resolver los niveles óptimos de stock. Consideraba tanto la variabilidad de la demanda como la variabilidad de la oferta (esta última de manera limitada, a menudo utilizando un “safety time” o un factor de variabilidad en el lead time). Si se implementa IBP para Inventario, una empresa puede introducir distribuciones de error forecast y variabilidad en el lead time y obtener los stocks de seguridad recomendados en cada ubicación que logren un nivel de servicio objetivo con inventario mínimo. Esto es una forma de optimización estocástica, aunque orientada a los niveles de servicio (muy similar al enfoque de ToolsGroup, pero multi-echelon). Sin embargo, pocos clientes de SAP realmente despliegan esto a su máxima extensión. Una razón es la complejidad: IBP es modular, y no todas las implementaciones incluyen la pieza de optimización de inventario (algunas podrían simplemente realizar S&OP y la planificación de la demanda). Otra razón es la usabilidad: los algoritmos de SmartOps pueden ser una caja negra y requieren muchos datos estadísticos que a las empresas les resulta difícil proporcionar o mantener (por ejemplo, se necesita una buena noción de la distribución de error forecast por artículo, lo cual no todos tienen a mano).
Énfasis Probabilístico (or Lack Thereof): SAP no enfatiza el forecast probabilístico en su comunicación, como se ha señalado. Venden IBP basándose en la integración (“una única versión de la verdad”), en la planificación de escenarios, en ser cloud-based, etc., en lugar de afirmar que tienen los mejores algoritmos de forecast. De hecho, la reputación de SAP se centra más en la amplitud que en la profundidad: “function-rich but not algorithmically advanced” ⁶². Esto parece ser una admisión de que, si bien SAP posee las piezas (como las matemáticas de SmartOps), no las ha impulsado más. Una crítica mencionó que, incluso con adquisiciones como KXEN (una firma de análisis predictivo que SAP compró en 2013), los forecasts de SAP no son necesariamente mejores que el uso de métodos tradicionales ⁶³. Una nota de investigación indicó que los métodos modernos de ML no han superado claramente a los modelos estadísticos antiguos en este dominio, lo que implica que la integración de esas adquisiciones por parte de SAP no produjo mejoras dramáticas ⁶³.
Lead Time and Other Uncertainty: La planificación estándar de SAP asume lead times fijos. Si se utiliza el optimizador de inventario, se puede introducir una variabilidad en el lead time (o simplemente aumentar el lead time a un percentil más alto). Pero SAP no aprende automáticamente una distribución de lead time a partir de los datos. Se espera que los usuarios proporcionen un “tiempo de servicio” (como un lead time percentil) como parámetro, si es necesario. Así que, de nuevo, al igual que otros, SAP no genera internamente forecast probabilísticos para supply; depende de la configuración.
Complejidad y Fragmentación: Una de las principales desventajas es que la solución de SAP está fragmentada debido a múltiples adquisiciones. El forecast de la demanda podría provenir de un módulo (con un conjunto de supuestos), y la optimización de inventario de otro. Si no están perfectamente alineados, podrías alimentar un point forecast de IBP Demand en IBP Inventario, que internamente asume una distribución normal de la demanda con una desviación estándar determinada. Si el error forecast no sigue ese supuesto, los resultados de inventario podrían ser subóptimos. Una cita de una reseña: “enterprise software isn’t miscible through M&A” – las piezas de SAP no se mezclaron de forma fluida ⁶⁴. Así que, a menos que una implementación esté cuidadosamente ajustada, el aspecto probabilístico puede perderse o producir resultados inconsistentes. En muchos casos, las empresas con SAP terminan simplificando – por ejemplo, utilizando IBP para calcular algún stock de seguridad empleando un modelo estadístico rudimentario y sin utilizar plenamente SmartOps, o incluso desactivando el optimizador porque es demasiado difícil de confiar/ajustar, y en su lugar estableciendo el stock de seguridad mediante reglas más simples.

Veredicto sobre SAP IBP: Teóricamente, SAP IBP tiene capacidades de optimización probabilística (a través de SmartOps) que lo sitúan más cerca del enfoque de Lokad que de otros. Pero en la práctica, SAP no impulsa ni evoluciona activamente estas capacidades, y muchos clientes pueden no darse cuenta de ellas ni aprovecharlas ¹¹. La pieza probabilística es efectivamente un bolt-on para satisfacer listas de verificación de características (para aquellos que necesitan optimización de inventario multi-echelon). La principal propuesta de venta de SAP es que forma parte de un ecosistema SAP integral – no que sea el motor analítico más avanzado. Así, en comparación con Lokad, el uso de métodos probabilísticos en SAP IBP es incidental y algo estancado. Las empresas que consideren SAP IBP para forecast probabilístico deberían asegurarse de implementar específicamente el módulo de optimización de inventario y contar con los significativos expert services (o consultores) necesarios para calibrarlo. De hecho, se dice que para tener éxito con las características de planificación avanzada de SAP, se necesitan “the very best integrators – plus a few years” ⁶⁵. Esto subraya que la tecnología probabilística de SAP, aunque presente, está enterrada bajo la complejidad y no entrega valor de forma inmediata.

o9 Solutions – Plataforma “Digital Brain” Integrada con Enfoque Limitado en Distribuciones de Probabilidad

Antecedentes: o9 Solutions es un proveedor más joven (fundado en 2009 por ex ejecutivos de i2) que ha ganado rápidamente reputación como una plataforma de planificación de “nueva generación”. El enfoque de o9 es crear un modelo unificado del negocio (Enterprise Knowledge Graph) y realizar planificación en tiempo real a través de la demanda, la oferta y los ámbitos financieros. Es muy amigable con las palabras de moda: o9 comercializa conceptos como un Digital Twin de la organización, planificación de escenarios en tiempo real, y recientemente incluso promociona características de generative AI. Dado su origen, o9 es algo así como un sucesor espiritual de i2 Technologies, enfatizando la planificación integrada sobre herramientas aisladas.

Enfoque para el Forecast y la Incertidumbre: o9 ciertamente utiliza análisis avanzados para el forecast, pero no parece promocionar el forecast probabilístico como un argumento de venta único. Puntos notables:

Análisis Predictivo con ML: o9 ofrece forecast estadístico y machine learning para el demand sensing. Sus estudios de caso mencionan el uso de una variedad de datos (punto de venta, clima, búsquedas web, etc.) para mejorar los forecasts a corto plazo ⁶⁶. Esto implica que o9 aborda el lado de la exactitud del forecast – intentando obtener mejores point forecasts al incorporar más señales (el enfoque de “sensing”). Se menciona la simulación de escenarios: el “Supply Sensing” de o9 monitorea factores externos y puede simular su impacto en el supply chain ⁶⁶. Aunque esto reconoce la incertidumbre (se simulan varios escenarios), sigue siendo de manera determinista (cada escenario es un what-if, no una distribución de probabilidad sobre muchos what-ifs considerados automáticamente).
Enterprise Knowledge Graph: El uso por parte de o9 de un modelo basado en grafos (que captura relaciones entre productos, ubicaciones, clientes, etc.) es potente para el análisis de escenarios. Por ejemplo, si se retrasa cierto componente, el grafo puede mostrar rápidamente todos los productos afectados y permitir que los planificadores recalculen un plan. Pero, nuevamente, esto no es inherentemente probabilístico – es un modelo de datos estructural que facilita la rapidez y la percepción.
Sin Evidencia de Salidas Probabilísticas: No hemos visto evidencia de que o9 genere distribuciones completas de probabilidad para los forecasts. Sus materiales públicos (y una reseña escéptica de Lokad) sugieren que o9 se apega a point forecasts y optimización determinista, aunque de manera muy rápida e integrada ¹². Destacan el análisis what-if – lo que implica que se pueden variar manualmente las entradas para ver diferentes resultados, en lugar de que el sistema cuantifique automáticamente la incertidumbre. Esencialmente, o9 podría equipar al usuario para explorar diferentes posibilidades, pero no indica automáticamente la probabilidad de cada escenario ni optimiza para el mejor resultado esperado. El uso intensivo del término “Digital Twin” y “real-time scenario planning” apunta a una mentalidad de planificación interactiva: los planificadores generan escenarios, el sistema calcula rápidamente los resultados (por ejemplo, si la demanda aumenta un 10%, ¿cómo se ve el inventario?). Esto es algo diferente al enfoque de Lokad, en el que el sistema analiza miles de escenarios en segundo plano para elegir un plan óptimo.
Comparación con Lokad: Una comparación directa señaló que o9 enfatiza la amplitud (unificando muchas funciones de planificación, incorporando datos IoT, etc.) mientras que Lokad enfatiza la profundidad en la optimización cuantitativa ¹². La fortaleza de o9 es ofrecer a las grandes empresas una plataforma integral que conecta todos los datos y planes (demanda, supply, finanzas) y permite la colaboración interfuncional. La fortaleza de Lokad es resolver problemas numéricos específicos (como la optimización de inventario o producción) con el mayor rigor matemático posible (modelado probabilístico, algoritmos personalizados). En otras palabras, o9 proporciona un enfoque de planificación más amplio – pero posiblemente utiliza métodos convencionales de forecast internamente – mientras que Lokad ofrece un enfoque analítico más estrecho pero avanzado. Como afirmó la reseña de Lokad, o9 se trata de “sintetizar varias funciones de planificación en un marco unificado, mientras que Lokad genera recomendaciones precisas y accionables a través de una automatización analítica profunda” ¹².
Desarrollos Recientes: o9 ciertamente está añadiendo elementos de AI (mencionan generative AI para consultar el sistema, etc.), pero no está claro si están incorporando forecast probabilístico. Es posible que o9 eventualmente incorpore alguna librería de forecast probabilístico o, al menos, permita la integración con Python/R, donde se podría realizar tal modelado. Pero hasta ahora, su diferenciación no radica en haber inventado nuevos algoritmos de forecast; es más en cómo entregan el software (cloud-based, en tiempo real, con análisis fáciles de usar).

Veredicto sobre o9: o9 Solutions es una herramienta de planificación formidable para organizaciones que desean una plataforma única para realizar muchas tareas de forma rápida y colaborativa. Sin embargo, en lo que respecta al forecast probabilístico específicamente, o9 no parece liderar ni innovar en esa área. Probablemente ofrece un forecast “suficientemente bueno” utilizando ML y se centra en hacer que los resultados sean inmediatamente utilizables en escenarios de planificación. La mención del forecast probabilístico es casi inexistente en su contenido público. Si se implementara o9 y se desearan forecasts probabilísticos, podría ser necesario generarlos fuera del sistema o mediante código personalizado. En resumen, la propuesta de valor de o9 es agilidad e integración, no una optimización estocástica avanzada. Las empresas que prioricen un enfoque probabilístico riguroso podrían complementar o9 con esfuerzos externos de data science o considerar si una herramienta especializada (como Lokad) es más adecuada para esa necesidad particular.

RELEX Solutions – Especialista en Retail con Reclamos de AI, Usando Forecast Determinista + Replanificación Rápida

Antecedentes: RELEX Solutions es una empresa finlandesa (fundada en 2005) que ha crecido rápidamente, especialmente en el sector retail y de abarrotes. La plataforma de RELEX abarca el forecast de demanda, reabastecimiento, asignación y optimización de planogramas, con un enfoque particular en el manejo de fresh food (perishables), promociones y la planificación a nivel de tienda. RELEX a menudo triunfa con los minoristas debido a su capacidad para realizar una planificación muy granular y de alta frecuencia (forecasts diarios por tienda/SKU, intradía, etc.) y sus análisis fáciles de usar (dashboards en tiempo real de niveles de inventario, etc.). Se promocionan como altamente automatizados y “AI-driven.”

Aspectos Probabilísticos (or Lack Thereof): El enfoque de RELEX para el forecast y el inventario se centra, en esencia, en la velocidad y la frecuencia en lugar de un modelado estocástico explícito:

Re-forecasting Frecuente (Demand Sensing): RELEX enfatiza su capacidad para detectar cambios en la demanda y actualizar los forecasts rápidamente. Por ejemplo, incorporando las ventas del día anterior, cambios climáticos, tendencias en redes sociales, etc., para ajustar los forecasts a corto plazo (esto se conoce a menudo como demand sensing, una palabra de moda en sí misma). Esto puede reducir el error forecast en el horizonte corto (por ejemplo, para reaccionar mejor ante una caída o un pico repentino en las ventas). Sin embargo, esto aún produce un único forecast actualizado (solo con mayor frecuencia o con más datos), y no una distribución de forecasts. La afirmación de RELEX de “AI-driven forecasting” usualmente se refiere al uso de modelos de machine learning (como gradient boosting, redes neuronales, etc.) sobre datos recientes para mejorar la exactitud ¹³. En ningún momento afirman que generan distribuciones completas de probabilidad para la demanda de cada SKU. De hecho, un análisis de RELEX encontró “no evidence of generating full probability distributions for demand the way Lokad does” ¹³. Parece que la validación del éxito de RELEX sigue siendo mediante métricas tradicionales de exactitud (qué tan cercano está el forecast de los resultados reales), lo cual es una mentalidad determinista.
Método de Optimización de Inventario: RELEX realiza reabastecimiento y asignación multi-echelon (especialmente asignación push para promociones, etc.), pero ¿cómo compensa la incertidumbre? Probablemente utiliza cálculos tradicionales de stock de seguridad tras bambalinas. El sistema conoce los lead times y la volatilidad de la demanda (por ejemplo, mediante un promedio móvil del error forecast o un ajuste de nivel de servicio) y calcula el stock de seguridad por artículo-ubicación en consecuencia (como lo hacen muchos sistemas). Los lead times en RELEX son entradas, no variables aleatorias que el sistema forecast ¹⁴. Si un usuario sabe que cierto proveedor es inconsistente, podría ajustar el lead time o su margen de seguridad de forma manual. La documentación de RELEX no destaca la optimización estocástica ni el método Monte Carlo, por lo que se infiere que hace lo que las herramientas tradicionales hacían: para cada SKU, decidir el stock de seguridad empleando una distribución asumida (quizás normal o Poisson) basada en el error forecast, para alcanzar un nivel de servicio objetivo. Esto es un enfoque determinista y formulado, no una simulación de muchos resultados. De hecho, la fuerte orientación de RELEX al procesamiento en memoria (estilo OLAP) sugiere que prioriza consultas rápidas sobre cálculos profundos ⁶⁷ ⁶⁸. Como señaló un comentario, su arquitectura, al ser similar a un cubo OLAP, está “at odds with network-wide optimization” para aspectos como sustituciones o problemas estocásticos complejos ⁶⁹. El diseño que permite dashboards super rápidos podría no ser ideal para ejecutar grandes simulaciones de Monte Carlo sobre la incertidumbre – es posible que en su lugar se apoye en métodos analíticos (más simples) que se ajusten en memoria.
Afirmaciones vs. Evidencia: El marketing de RELEX utiliza las palabras de moda: “autonomous supply chain, AI-driven, machine learning, digital twin,”, etc. ⁷⁰. Sin embargo, rara vez especifican cuáles algoritmos o proporcionan estudios de caso que cuantifiquen el impacto de su AI más allá de anécdotas. Análisis de terceros han sembrado dudas: por ejemplo, señalando que la tecnología de forecast de RELEX “appears to be pre-2000 models” (lo que significa que probablemente utilizan métodos clásicos con algún envoltorio de ML, en lugar de enfoques fundamentalmente nuevos) ¹⁵. Además, es probable que sigan utilizando conceptos como MAPE o bias para medir la calidad del forecast internamente, lo cual es un indicativo de un pensamiento determinista.
Manejo de la Incertidumbre en Escenarios Específicos: RELEX sobresale en algunas áreas que involucran incertidumbre, pero a menudo a través de reglas de negocio o enfoques heurísticos en lugar de matemáticas probabilísticas. Por ejemplo:
- Alimentos Frescos y Caducidad: RELEX tiene funciones para gestionar las fechas de caducidad de los productos, asegurando first-expiry-first-out, sugiriendo reposición para evitar el desperdicio, etc. ⁷¹. Aunque esto trata la incertidumbre de la demanda antes del deterioro, la solución es más heurística (monitorizar días de supply vs vida útil) que forecast probabilístico del riesgo de deterioro.
- Efectos de la Promoción y Canibalización: RELEX puede modelar incrementos por promoción y quizá algo de canibalización (un producto robando ventas a otro), pero el análisis sugiere que la base OLAP de RELEX dificulta hacer un modelado sofisticado de estas interacciones ⁶⁹. Es posible que simplemente permitan a los planificadores ajustar manualmente o utilizar regresión simple para el aumento por promoción.
- Agrupación de Pedidos “Inteligente”: Mencionan cosas como optimizar cargas de camión o compras anticipadas para obtener descuentos ⁷². Estas son características valiosas que optimizan el costo dado las restricciones, pero nuevamente, probablemente asumiendo demanda conocida (o al menos demanda promedio) en lugar de cubrir explícitamente la incertidumbre.
No hay Optimización Estocástica Completa: Crucialmente, RELEX no promociona nada similar a la optimización estocástica de Lokad. No se habla de resolver una minimización de costos esperada bajo incertidumbre; se trata más de asegurar una alta disponibilidad (a menudo promocionan que sus clientes alcanzan ~98-99% in-stock). De hecho, algunos de sus resultados afirmados (más del 99% de disponibilidad) son vistos con escepticismo en la industria porque la disponibilidad promedio en estantería tiende a ser menor ⁷³. Esto implica que quizá lo lograron en pilotos controlados, o se trate de un escenario optimista, no necesariamente ampliamente reproducible. Esto nuevamente sugiere que su enfoque quizá no cambie fundamentalmente el rumbo en cuanto a incertidumbre, solo mejora la ejecución y el monitoreo para reducir faltante de stock.

Veredicto sobre RELEX: RELEX es una herramienta de supply chain rápida y ágil especialmente adecuada para el retail, donde la agilidad diaria es importante. Automatiza muchas decisiones (reposiciones de tienda, por ejemplo) con facilidad de uso. Sin embargo, su profundidad científica en forecast probabilístico es limitada. Aprovecha ML para mejores forecasts, pero no para producir el tipo de distribuciones de probabilidad que alimentarían un optimizador al estilo de Lokad ¹³. En gran medida, se basa en la misma lógica de stock de seguridad y mejoras en el forecast que otros utilizan, aunque ejecutadas de manera muy eficiente a escala y con frecuencia. Para un minorista, RELEX podría producir una mejor disponibilidad en estantería simplemente replanificando con mayor frecuencia y usando datos recientes (un enfoque pragmático), mientras que Lokad podría lograrlo mediante una optimización de los niveles de stock fundamentalmente con cálculos probabilísticos. Son filosofías diferentes: una es “seguir corrigiendo el plan a medida que la realidad se despliega” (la mentalidad en tiempo casi real de RELEX), la otra es “planificar de manera óptima desde el inicio dado lo que podría suceder” (la optimización ex-ante de Lokad). Ambas pueden coexistir, pero si la cuestión es sobre forecast probabilístico per se, RELEX no es pionero en ese aspecto. Ha copiado las palabras de moda de la IA, y quizás utiliza implícitamente algunos conceptos probabilísticos (como la varianza para stock de seguridad), pero no ofrece el tipo de solución probabilística explícita que ofrece Lokad.

Conclusión

En el mercado de software de supply chain, “probabilistic” se ha convertido en una especie de palabra de moda, al igual que “AI” y “machine learning”. Lokad destaca como el proveedor que genuinamente construyó su solución en torno a principios probabilísticos – tratando la incertidumbre como una ciudadana de primera clase tanto en el forecast como en la optimización. Desde que fue pionero en este enfoque en 2012–2015, Lokad influyó en la narrativa de la industria. Los competidores han, en diversos grados, tomado prestada la terminología y reconocido la importancia de la incertidumbre, pero sus soluciones revelan una sustancial brecha en la implementación.

Para resumir los contrastes:

Lokad provee forecasts probabilísticos completos (demanda y supply) y los utiliza en un motor de optimización hecho a la medida. Cuantifica explícitamente las incertidumbres y produce decisiones que están optimizadas para resultados esperados ². En otras palabras, cumple lo que predica en la gestión probabilística de supply chain.
Otros (ToolsGroup, Blue Yonder, SAP, RELEX, o9, Kinaxis) en su mayoría proveen características parciales o pseudo-probabilísticas:
- ToolsGroup y SAP han tenido componentes de modelado de inventario probabilístico durante años, pero se centran en la variabilidad de la demanda y aún tratan entradas clave (como el tiempo de entrega) como fijas o simplistas, lo que limita su rigor probabilístico ³ ¹¹.
- Blue Yonder y RELEX, a pesar de la nueva imagen de AI, continúan basándose en métodos tradicionales de forecast y lógica de planificación determinista, con “probabilistic” apareciendo principalmente en marketing o en herramientas menores (como recalcular los stocks de seguridad de manera más dinámica) ⁸ ¹³.
- Kinaxis y o9, como plataformas modernas, han comenzado a integrar ideas probabilísticas (Kinaxis a través de socios/patentes, o9 mediante la flexibilidad de escenarios) pero aún se están evolucionando desde bases deterministas en gran medida. Los forecasts en cuantiles de Kinaxis son un paso adelante, sin embargo, representan forecast en unos pocos puntos percentiles en lugar de la distribución completa, lo que es un sustituto más débil de los forecasts probabilísticos completos ⁵⁰ ⁴⁹.

Una señal reveladora de adopción superficial es cuando los proveedores afirman ser “probabilistic” o “stochastic” pero luego continúan usando métricas o procesos deterministas. El ejemplo anterior de ToolsGroup utilizando MAPE para forecasts probabilísticos es una de esas señales de alerta ⁴. De modo similar, cualquier proveedor que ignore la incertidumbre del tiempo de entrega o no mencione cómo evalúa la precisión probabilística probablemente no haya abrazado verdaderamente el paradigma. La crítica de Lokad a estas inconsistencias se respalda con ejemplos en toda la industria: “Se publicitan claims de forecasts probabilísticos junto con reducciones de MAPE, lo cual es inconsistente… los proveedores esparcen términos como ‘stochastic’ en los folletos mientras permanecen en un mundo determinista.” ⁴ ⁷⁴. La sustancia a menudo queda atrás de los eslóganes.

Desde una perspectiva de desarrollos recientes, es claro que los competidores de Lokad ahora muestran un apoyo superficial a los métodos probabilísticos – lo cual puede verse como una validación del enfoque de Lokad. Sin embargo, el grado de capacidad real varía. Las empresas que evalúan soluciones deberían profundizar en preguntas como: ¿La herramienta produce un forecast de una distribución o solo unos pocos escenarios? ¿Optimiza decisiones utilizando simulación Monte Carlo o solo fórmulas fijas de stock de seguridad? ¿Puede tener en cuenta todas las incertidumbres principales o solo la demanda? Las respuestas a menudo revelan que muchos proveedores aún esencialmente hacen lo que siempre hicieron, con una delgada capa probabilística.

En conclusión, Lokad vs. el resto en la optimización probabilística de supply chain es una historia de profundidad contra amplitud, y de innovación temprana contra ponerse al día. Lokad ofrece una solución profunda y cuantitativamente rigurosa diseñada específicamente en torno a la incertidumbre. Los otros proveedores principales ofrecen suites más amplias de planificación de supply chain donde las características probabilísticas son complementos o componentes en evolución – en muchos casos, estas son medidas reactivas a la demanda del mercado por analíticas más avanzadas, sin rehacer sus metodologías centrales. Los ejecutivos deben desconfiar de “probabilistic” como palabra de moda y buscar evidencia técnica concreta de cómo un proveedor lo implementa. A partir de 2025, Lokad sigue siendo distintivo en proporcionar verdaderos forecasts y optimización probabilísticos, mientras que la mayoría de los competidores se apegan a enfoques deterministas o proveen solo capacidades probabilísticas limitadas que se quedan cortas frente al tratamiento integral de la incertidumbre de Lokad ³² ⁸.