Data Science For Supply Chain Forecast (con Nicolas Vandeput)

00:00:09 Introducción y antecedentes de Nicolas Vandeput.
00:01:21 El libro de Nicolas: Data Science for Supply Chain Forecast.
00:03:29 Progreso en los conjuntos de herramientas estadísticas de código abierto.
00:05:36 Facilidad de experimentación con herramientas de pronóstico modernas.
00:06:17 Amplio impacto de software de código abierto en la industria.
00:08:03 Uso de Python y R para ciencia de datos.
00:10:35 Impacto de las herramientas de código abierto en los proveedores.
00:13:22 Rol de los proveedores en las soluciones de pronóstico.
00:14:26 Aplicación de la teoría en entornos de producción.
00:15:38 Pasar a producción: desafíos de datos.
00:16:29 Manejo de problemas de datos de la cadena de suministro.
00:18:05 Consolidación de datos para tomar mejores decisiones.
00:19:56 Necesidad de una cultura de datos en la cadena de suministro.
00:22:14 Educación para una mejor gestión de la cadena de suministro.
00:24:01 Regla de optimización e importancia de la medición.
00:24:15 Desventajas del código abierto en la cadena de suministro.
00:25:37 Futuro papel de Lokad y el valor de los especialistas.
00:28:34 Desafíos de la evolución de Python y el código abierto.
00:31:37 Fomentar los comienzos simples en la ciencia de datos.

Resumen

Nicolas Vandeput y Joannes Vermorel discuten el papel transformador de la ciencia de datos en el pronóstico de la cadena de suministro. Vermorel enfatiza el enfoque de Lokad en proporcionar una capa analítica para la toma de decisiones en la cadena de suministro, al tiempo que aborda los desafíos de los conjuntos de herramientas de código abierto en constante evolución. Vandeput asegura que su libro simplifica las complejidades de la ciencia de datos y el aprendizaje automático para el pronóstico de la cadena de suministro, alentando a los lectores a comenzar con modelos básicos y agregar complejidad de manera progresiva. Ambos coinciden en la importancia del aprendizaje continuo y la adaptación en este campo de ritmo acelerado. Vandeput espera que su libro capacite a los lectores para aplicar con confianza la ciencia de datos en sus operaciones de cadena de suministro, anunciando una nueva era de toma de decisiones cuantitativa basada en datos.

Resumen Extendido

En la entrevista, Kieran Chandler, el presentador, presenta a Nicolas Vandeput, un científico de la cadena de suministro con un gran interés en la educación, y a Joannes Vermorel, el fundador de Lokad. La discusión gira principalmente en torno al libro recién lanzado de Vandeput, “Data Science for Supply Chain Forecast”.

Vandeput comienza destacando su pasión por el aprendizaje y la enseñanza, lo que lo llevó a escribir su libro. Expresa su fascinación por el floreciente campo de la ciencia de datos y sus posibles aplicaciones en la gestión de la cadena de suministro, que identifica como un área única y compleja de negocio que puede beneficiarse enormemente de las técnicas modernas basadas en datos. Expresa que su libro encapsula estas ideas, centrándose en cómo la ciencia de datos puede ser aprovechada para mejorar la previsión en el sector de la cadena de suministro.

Vandeput explica que, tradicionalmente, la previsión de la cadena de suministro se basaba principalmente en lo que él llama métodos estadísticos “antiguos”. Sin embargo, con el advenimiento y el avance de la ciencia de datos, han surgido nuevas formas de manejar e interpretar los datos. Su libro busca preparar a los profesionales para esta nueva era, capacitándolos para aprovechar la ciencia de datos y mejorar sus pronósticos de la cadena de suministro.

Vermorel agrega su perspectiva, enfatizando que encontró el libro de Vandeput muy valioso, especialmente para los gerentes de cadena de suministro que aún no han aprovechado la ciencia de datos. Sugiere que los gerentes deberían familiarizarse con el libro y alentar a sus equipos a hacer lo mismo.

Vermorel amplía la discusión al señalar los avances significativos en los paquetes estadísticos de código abierto en la última década. Recuerda que, hace unos diez años, dichos paquetes, aunque estaban disponibles, estaban diseñados principalmente para investigadores y no eran de calidad de producción debido a su complejidad y falta de documentación fácil de usar.

Sin embargo, señala que con el auge de la ciencia de datos en los últimos cinco a diez años, se ha producido una transformación. Muchos profesores universitarios han comenzado a prestar atención a la usabilidad de estos paquetes estadísticos, asegurando que sean accesibles para sus estudiantes. Esto ha llevado a una mejora en la calidad de la documentación, la consistencia en la terminología entre diferentes paquetes y un enfoque en técnicas de amplia aplicación y uso generalizado.

Vermorel concluye su punto reconociendo los esfuerzos de la comunidad de código abierto, con la ayuda de la academia, en la producción de una variedad de paquetes estadísticos de alta calidad, accesibles y fáciles de usar que ahora están disponibles para profesionales en diversas industrias, incluida la gestión de la cadena de suministro. Esto subraya la creciente importancia de la ciencia de datos en las prácticas comerciales contemporáneas.

Vandeput señaló que el libro hace posible que cualquier persona con una computadora portátil y software gratuito comience a generar pronósticos sofisticados. La disponibilidad de herramientas de código abierto permite a los usuarios experimentar y ajustar sus modelos de pronóstico según sus necesidades específicas, algo que habría sido mucho más desafiante en el pasado.

La conversación luego se centró en el impacto más amplio del software de código abierto. Vermorel destacó que casi todo el software moderno está influenciado por la programación de código abierto, y los proveedores de computación en la nube dependen en gran medida de plataformas de código abierto como Linux. Lokad en sí mismo, reveló, utiliza un 90% de software de código abierto en sus operaciones. El aspecto clave y revolucionario del software de código abierto moderno no es solo su accesibilidad, sino también la calidad de su empaquetado y documentación.

Vandeput enfatizó que ahora es más fácil programar en Python o R que en marcos antiguos como VBA o macros de Excel. Este fácil acceso y facilidad de uso, dijo, son mensajes centrales de su libro. Cuando se le preguntó si este cambio hacia el software de código abierto lo ponía nervioso, Vermorel respondió que si bien plantea un desafío para los proveedores para demostrar su valor, también actúa como un facilitador.

Vermorel señaló que si el único valor de un proveedor es implementar un modelo de pronóstico semi-complicado, tendrían dificultades para competir con el ecosistema de código abierto. El verdadero valor agregado, sugirió, radica en proporcionar soluciones a gran escala y de calidad de producción para los desafíos de la cadena de suministro, que involucran más que solo pronósticos precisos.

Kieran Chandler, el presentador, luego plantea una pregunta a Joannes Vermorel sobre la transición a una base de producción y los desafíos que podrían surgir. Vermorel comienza enfatizando la importancia de los datos de calidad, sugiriendo que sin ellos, cualquier proceso impulsado por datos puede resultar en “basura adentro, basura afuera”. Esta preocupación por la calidad de los datos se extiende a áreas que a menudo se pasan por alto en las cadenas de suministro, como los datos sobre promociones y faltantes de stock. Él argumenta que comprender los modelos que aprovechan estos datos puede ayudar a los profesionales de la cadena de suministro a ser más conscientes de estas áreas descuidadas.

Sin embargo, Vermorel también reconoce que el objetivo principal de una cadena de suministro no es compilar una base de datos histórica precisa; ese es un objetivo secundario. Lokad ayuda a los clientes a acelerar la transición hacia la consolidación de datos de calidad, potencialmente en varios sitios y sistemas. Comprender cómo se pueden explotar estos datos es importante. Además, Lokad ayuda a transformar estos pronósticos en decisiones de cadena de suministro, extendiendo la utilidad de los pronósticos a la acción.

La conversación luego se centra en la falta de cultura de datos y comprensión del aprendizaje automático en el sector de la cadena de suministro. Vandeput sugiere que esto es un obstáculo importante para muchas empresas. A menudo, los proyectos de cadena de suministro se retrasan debido a datos insuficientes o falta de comprensión de lo que el aprendizaje automático puede lograr. Esto lleva a una discusión sobre la necesidad de cambiar esta cultura y aumentar la importancia de tener datos correctos.

Vermorel sugiere que la educación es un camino a seguir, señalando los esfuerzos de él y Vandeput para evangelizar el mercado a través de sus respectivos libros y otros materiales publicados. Espera ver una nueva ola de profesionales de la cadena de suministro que aborden el campo con una mentalidad cuantitativa y de ingeniería.

Joannes Vermorel destaca la visión de la empresa de proporcionar una superposición analítica para la toma de decisiones de la cadena de suministro, en lugar de actuar como un repositorio de ERP o movimiento de inventario. También discute los riesgos del ecosistema de Python en rápida evolución, incluido el desafío de mantener herramientas de vanguardia. Nicolas Vandeput, a su vez, asegura que la ciencia de datos y el aprendizaje automático en el pronóstico de la cadena de suministro no son excesivamente complejos. Su libro tiene como objetivo guiar a los lectores para que comiencen con modelos simples y gradualmente agreguen complejidad. Ambos oradores enfatizan la necesidad de un aprendizaje y adaptación continuos, con Vandeput expresando la esperanza de que los lectores adquieran confianza en su capacidad para aplicar la ciencia de datos en contextos de cadena de suministro.

Transcripción completa

Kieran Chandler: Hola, esta semana en Lokad TV, nos acompaña Nicolas Vandeput, un científico de la cadena de suministro especializado en pronósticos de demanda. Además de tener una sólida formación técnica en la gestión de una cadena de suministro multinacional, Nicolas también tiene un gran interés en la educación. Pasó tiempo dando conferencias en la Universidad de Bruselas y acaba de publicar su libro titulado “Data Science para pronósticos de la cadena de suministro”. Entonces, Nicolas, muchas gracias por venir hoy. Como siempre, es muy agradable conocer un poco más a nuestros invitados. Tal vez puedas comenzar explicando un poco sobre ti y contándonos cómo te involucraste en el mundo de las cadenas de suministro.

Nicolas Vandeput: Sí, como dijiste, soy alguien muy interesado en la educación y el aprendizaje. Me gusta pasar mi tiempo leyendo libros, artículos y revisando blogs en línea. Tuve la oportunidad de aprender mucho y ahora estoy extremadamente feliz de poder aplicar ese conocimiento. En algún momento, sentí la necesidad de compartir lo que había aprendido, así que escribí un libro para resumir este nuevo campo de la ciencia de datos. Creo que esto es algo realmente nuevo y también es único aplicarlo a la cadena de suministro, que es un tema específico. Las personas utilizan la ciencia de datos para el marketing en línea, pero la cadena de suministro es un tema diferente, así que me tomé el tiempo para unirlos.

Kieran Chandler: Ok, entonces el libro se llama “Data Science para pronósticos de la cadena de suministro”. Es un poco largo, pero ¿de qué se trata?

Nicolas Vandeput: Es exactamente como dice el título: se trata de la cadena de suministro y cómo aplicar la ciencia de datos para obtener pronósticos dentro de la cadena de suministro. En el pasado, las personas solían utilizar lo que me gusta llamar “estadísticas de la vieja escuela”, que venían con muchas preguntas diferentes. Ahora que hemos entrado en un nuevo mundo de la ciencia de datos, algunas preguntas siguen existiendo, pero también surgen nuevas. Necesitamos encontrar nuevas formas de lidiar con los datos y este libro trata de preparar a las personas para esta nueva era.

Kieran Chandler: Como siempre, nos acompaña Joannes Vermorel, el fundador de Lokad. Joannes, tuviste un adelanto del libro. ¿Cuál es tu perspectiva al respecto?

Joannes Vermorel: Sí, tuve un adelanto y tuve la oportunidad de revisar el manuscrito. Es muy bueno. Recomiendo a los gerentes de cadena de suministro, que no tienen a alguien con experiencia en ciencia de datos en su equipo, que obtengan una copia y lean al menos los primeros capítulos. Luego, hagan que otras personas de su equipo lean los otros capítulos y tal vez actúen en consecuencia. Lo que es muy interesante es el fantástico progreso de las herramientas estadísticas de código abierto. Hasta hace 10 años, eran utilizadas principalmente por investigadores para demostrar cosas a otros investigadores. El código estaba ahí, pero era desordenado, de calidad de investigación, no de calidad de producción, y la documentación a menudo era inexistente.

Lo que realmente cambió en los últimos cinco a diez años es que, con la aparición de la ciencia de datos, muchos profesores universitarios comenzaron a prestar atención a la calidad de los paquetes estadísticos. Su objetivo era hacerlos accesibles a sus estudiantes, asegurando una documentación impecable, una terminología consistente en todos los paquetes y centrándose en métodos principales que funcionan en una gran variedad de situaciones. La comunidad de código abierto, con la ayuda de académicos, produjo una serie de paquetes de código abierto que fueron impulsados por las necesidades de los usuarios.

Kieran Chandler: Joannes, ¿puedes contarnos más sobre el nuevo libro de Nicolas, “Data Science para pronósticos de la cadena de suministro”?

Joannes Vermorel: En este libro, Nicolas toma las partes buenas de Python y los paquetes más relevantes para demostrar cómo se pueden lograr pronósticos casi de vanguardia con un esfuerzo mínimo, lo cual es muy impresionante.

Kieran Chandler: Nicolas, ¿qué ha cambiado en la comunidad de código abierto que ha mejorado la calidad de lo que estaba disponible?

Nicolas Vandeput: Creo que es una cuestión de qué tan fácil es crear un pronóstico. Hace diez años, hubiera sido un desastre y este libro no hubiera sido posible. Habría estado dirigido a profesionales extremadamente motivados. Pero hoy en día, cualquier profesional con un poco de curiosidad y pasión puede hacerlo. Es bastante fácil; solo necesitas tu propia computadora portátil con software gratuito y puedes comenzar con un lenguaje realmente fácil. Hace algunos años, eso no hubiera sido posible. Habría sido más complejo. Entonces, ahora tienes la capacidad de probar algo por tu cuenta de forma gratuita y, a partir de ahí, tienes la capacidad de experimentar. Como es fácil experimentar, puedes hacer más experimentos y luego ajustar el pronóstico, el código y la ciencia de datos específicamente para tu caso. En el pasado, eso no hubiera sido posible.

Kieran Chandler: Joannes, no solo el mundo de los pronósticos se beneficia del software de código abierto. ¿Tienes ejemplos de otras industrias que realmente se han beneficiado al tener conjuntos de herramientas de código abierto disponibles?

Joannes Vermorel: El movimiento de código abierto es increíblemente vasto, por lo que prácticamente todo el mundo del software en la actualidad se ve afectado por el código abierto. Todos los principales proveedores de computación en la nube están ejecutando sus propias nubes basadas en Linux, e incluso en Lokad, el 90% del software que utilizamos es de código abierto. Incluso Microsoft, que utilizamos, está utilizando mucho Linux en Azure. El propio marco .NET es de código abierto y la deep learning toolkit que utilizamos, el CNTK, también es un producto de código abierto de Microsoft. En Lokad, también lanzamos bastantes cosas como código abierto. Este movimiento ha estado en marcha durante varias décadas.

Lo interesante y relevante para los pronósticos y la cadena de suministro no es solo el hecho de que el software sea de código abierto, sino que tienes componentes de código abierto bien empaquetados y bien documentados. Esto cambia completamente el juego. Significa la diferencia entre comenzar con algo simple, como una regresión lineal, en 20 líneas de código sencillas, en lugar de necesitar 200 líneas de código y un mes para reunir todas tus piezas de software solo para tener algo que incluso se pueda compilar. Solías tener código incompatible que se bloqueaba cuando se combinaba, y necesitabas un mes de plomería solo para hacer que algo publicado por otra persona funcionara. Ahora, configurar todo tu entorno de Python para la ciencia de datos solo lleva un par de páginas en el libro. Simplemente instalas Anaconda y listo.

Kieran Chandler: Joannes, ¿puedes hablarnos sobre el subsistema de Linux en Windows y cómo afecta la facilidad de acceso a estas herramientas?

Joannes Vermorel: El subsistema de Linux en Windows permite que estas herramientas funcionen en prácticamente cualquier distribución de Linux, e incluso en sistemas Windows. El libro demuestra la facilidad de acceso a estas herramientas, que ha cambiado significativamente debido al código abierto y los paquetes de calidad de producción.

Nicolas Vandeput: Me gustaría agregar que en el libro, hablo de profesionales que solían depender de VBA y macros en Excel. Siempre me pareció complejo y propenso a errores. Cuando sugieres usar Python u otro lenguaje, la gente a menudo piensa que es demasiado complejo. Sin embargo, mi mensaje en el libro es que en realidad es mucho más fácil usar marcos de trabajo abiertos como Python o R que VBA o macros de Excel.

Kieran Chandler: Joannes, con todas estas herramientas de pronóstico de código abierto que son fáciles de usar, ¿te pone nervioso como proveedor de software empresarial como Lokad?

Joannes Vermorel: Como proveedor de software empresarial, es parte del ecosistema y también un facilitador. Nosotros también utilizamos estas herramientas de código abierto, por lo que no tenemos que reconstruir todo desde cero. El desafío es encontrar nuestro valor agregado. Si tu valor agregado es simplemente implementar modelos de pronóstico semi-complicados, entonces no tienes ningún valor real agregado en comparación con el ecosistema. El libro destaca que los proveedores que venden un conjunto de herramientas con unos pocos modelos de pronóstico no brindan mucho valor en comparación con las populares bibliotecas de Python. Sin embargo, todavía hay potencial en proporcionar soluciones de calidad de producción y abordar desafíos de la cadena de suministro a gran escala, que es algo a lo que Lokad apunta.

Nicolas Vandeput: Estoy de acuerdo con Joannes. Muchos profesionales y estudiantes en el mundo de la cadena de suministro todavía ven el aprendizaje automático como una palabra de moda o algo que no durará. En realidad, está aquí para quedarse. Si lees mi libro y te tomas el tiempo para aprender al respecto, verás lo útil y accesible que puede ser para la optimización de la cadena de suministro.

Kieran Chandler: Entonces, al leer el libro, estás mucho mejor preparado para obtener una solución como Lokad que puede ir un paso más allá. Como dijiste, puede hacer que toda la solución funcione de principio a fin. Por supuesto, para ejecutar un pronóstico en un entorno de superagente, también necesitas un proceso completo de revisión con personas y demás. Por lo tanto, la población de los números en el pronóstico es solo un paso en todo el proceso. ¿Puedes hablar sobre cómo se pueden implementar las ideas del libro?

Nicolas Vandeput: El objetivo del libro es discutir ese paso específico. No es porque solo leas el libro que tienes que hacerlo tú mismo. También puedes acudir a otros proveedores como Lokad para entender: “He leído esto en el libro, ¿cómo funciona para ti? ¿Cómo podemos implementarlo? Tengo esta idea, ¿funcionaría? ¿Podemos probarlo?” Entonces, comienzas a entender lo que los proveedores de software como Lokad realmente están haciendo.

Kieran Chandler: Muchas de estas ideas se han desarrollado desde una perspectiva teórica. ¿Se pueden aplicar de manera práctica?

Nicolas Vandeput: Sí, totalmente. Estos nuevos pronósticos han existido durante mucho tiempo. Quiero decir, la teoría de las redes neuronales se lanzó por primera vez en los años 60, y el primer método en el libro también proviene de los años 60. Solo comenzamos a usarlos hoy en un entorno de predicción porque se ha vuelto más fácil ejecutarlos. Tal vez hace diez años no lo era, y ahora la gente está más consciente de ello. Seguro que puedes usarlo. Lo que es realmente interesante en la ciencia de datos, y ese es uno de los grandes propósitos del libro, es que es realmente ciencia. Puedes probarlo, hacer experimentos y probarlo una y otra vez utilizando datos. Por eso se llama ciencia de datos. Puedes demostrarte a ti mismo: “¿Funciona o no?” Puede que no funcione, pero luego puedes pensar: “Voy a diseñar un nuevo experimento, tener en cuenta nuevas cosas o eliminar cosas que no necesito para ver si va a funcionar mejor”. Entonces, es realmente una ciencia donde puedes demostrar que tu pronóstico va a ser mejor y solo comenzar a usarlo después de eso.

Kieran Chandler: Entonces, se puede utilizar como otra prueba de concepto antes de acercarse a alguien como Lokad y decir: “Joannes, cuando hablamos de pasar a una base de producción y usarlo a diario, ¿cuáles son los desafíos con los que las personas podrían encontrarse? ¿Y en qué puede ayudar realmente Lokad en todo ese proceso completo?”

Joannes Vermorel: Primero, necesitas obtener buenos datos. Si no tienes datos muy calificados, terminarás con basura adentro y basura afuera. Lo interesante de este libro es que le daría a las personas de la cadena de suministro una idea de lo que están haciendo los modelos, qué tipo de cosas pueden aprovechar, y eso les daría una mejor comprensión de por qué necesitan comenzar a prestar atención ahora a una serie de áreas grises en las cadenas de suministro, como las promociones. Típicamente, los datos sobre promociones son un completo desastre. Lo mismo ocurre con los faltantes de stock. Con frecuencia, no hay datos históricos adecuados para reflejar todos los faltantes de stock, por lo que no sabes si tuviste cero ventas porque no había demanda o si tuviste cero ventas porque estaba agotado.

Entonces, estar más familiarizado con el tipo de modelo que puede aprovechar los datos puede hacerte más susceptible para ver si tu proceso existente es adecuado. El objetivo principal de una cadena de suministro es mantener el flujo de mercancías en movimiento.

Kieran Chandler: Entonces, el objetivo principal de una cadena de suministro es compilar una base de datos histórica precisa. Ese es el primer objetivo. El segundo objetivo es servir a todos, mantener la producción en marcha y garantizar la satisfacción del cliente. Sin embargo, la ejecución del segundo objetivo a menudo no es de la misma calidad que la del primer objetivo. Para acelerar esta transición y lograr la consolidación de datos a gran escala con múltiples sitios, debemos ampliar nuestros horizontes. Joannes, ¿podrías ampliar sobre esto?

Joannes Vermorel: Cuando comenzamos a trabajar con clientes, a menudo nos encontramos con el desafío de la consolidación y ejecución de datos. Muchos clientes no son conscientes de que se pueden aplicar recetas numéricas avanzadas a los pronósticos para generar mejores decisiones. Leer el libro sobre ciencia de datos puede ampliar tus horizontes y brindarte ideas sobre cómo ejecutar la cadena de suministro de manera más eficiente. Te ayuda a ver el panorama general antes y después del pronóstico, desde la producción hasta la explotación de los pronósticos para tomar decisiones más inteligentes.

Nicolas Vandeput: Los líderes de la cadena de suministro carecen de dos elementos cruciales para extraer ideas accionables de la ciencia de datos y el aprendizaje automático. El primero es una cultura de datos, que falta en aproximadamente el 99% de las empresas en todo el mundo. Muchas empresas todavía están lidiando con hojas de cálculo desordenadas y no se dan cuenta de la importancia de los datos adecuados. Este libro tiene como objetivo mostrar que con datos adecuados, puedes lograr una ciencia adecuada, pronósticos precisos y experimentos efectivos. Sin datos, muchos proyectos se retrasan, y los periodistas pueden confirmarlo. El segundo elemento es la falta de talento y comprensión del aprendizaje automático y la ciencia de datos en la gestión de la cadena de suministro. Necesitamos cambiar esta cultura y crear conciencia sobre el valor de los datos.

Kieran Chandler: Absolutamente, tener los datos correctos es crucial. Debería ser como un mandamiento, “Limpia tus datos”. Pero, ¿cómo podemos lograr este cambio cultural? ¿Cómo podemos evangelizar el mercado y enfatizar la importancia de tener los datos correctos?

Joannes Vermorel: Bueno, en tono de broma, podríamos comenzar una secta donde los mejores datos sean obligatorios, como un mandamiento sagrado. Pero en serio, creo que necesitamos fomentar la comprensión y la conciencia. Podemos educar al mercado y darle más importancia al valor de los datos limpios y precisos. Al hacerlo, podemos generar un cambio cultural y asegurarnos de que tener los datos correctos se convierta en una prioridad máxima para la gestión de la cadena de suministro.

Kieran Chandler: Cuando no se tiene conciencia de lo que se puede hacer con el deep learning y no se tiene experiencia con él, ¿es muy difícil incluso ver el punto, verdad?

Joannes Vermorel: En efecto, es un desafío. Creo que un buen punto de partida es ensuciarse las manos con el análisis de datos y no quedar completamente enterrado bajo la pura tecnicidad de la tarea. No debería requerir un equipo de TI solo para configurar los entornos. Es muy importante entender qué hace que estos métodos funcionen, qué los hace funcionar. No es magia.

Desmitificar esto es importante. En Lokad, hemos tratado de evangelizar el mercado. La educación es un camino a seguir. Nicolas está publicando un libro, lo cual es excelente. También hemos publicado un libro y muchas cosas más, incluida una extensa base de conocimientos en el sitio web de Lokad. Pero sí, la conclusión es la educación.

Lo que veo es una nueva ola de profesionales de la cadena de suministro que llegan al campo con una mentalidad más ingenieril, que es más cuantitativa. Quieres tener números y cosas que se puedan repetir. El liderazgo es esencial en la cadena de suministro, ya que involucra a muchas personas, países y sitios. Pero si tienes liderazgo sin ningún tipo de mentalidad ingenieril o mentalidad cuantitativa, es difícil optimizar cualquier cosa. Tan pronto como comienzas a usar la palabra “optimizar”, la regla cardinal de la optimización es que no puedes optimizar algo que no mides. Esto lleva a la pregunta: ¿cómo mides? Y luego necesitas datos.

Kieran Chandler: Nicolas, hemos hablado mucho sobre los beneficios de usar estas herramientas de código abierto. ¿Qué hay de algunas desventajas? ¿Dónde ves algunos aspectos negativos al usar estas herramientas?

Nicolas Vandeput: Como discutimos, y creo que esto es realmente importante, el mundo de la cadena de suministro se trata de mucha interacción entre productos, personas, diferentes equipos, y demás. El proceso de pronóstico es un proceso muy largo con muchos interesados ​​involucrados. Mi libro dice que durante las últimas décadas, hemos estado utilizando las mismas técnicas. Si miras hacia atrás en los años 80 y 90, encontrarás el mismo motor de pronóstico que hoy. Así que nada ha cambiado.

Sugiero que podemos cambiar esta pieza muy específica, pero por supuesto, eso no es suficiente. Todo el proceso necesita vivir y evolucionar. Solo usar Python no resolverá un proceso que no funciona. Solo mejorará los números del pronóstico, pero aún necesitas analizar todo el proceso completo.

Kieran Chandler: Joannes, pareces muy seguro de que siempre habrá un lugar para Lokad. Mirando hacia el futuro, ¿dónde ves que ese lugar en el mercado realmente esté?

Joannes Vermorel: Primero, creo que incluso cuando hablamos de pronósticos puros, todavía tenemos cartas para jugar para obtener mejores pronósticos. Pero “mejor” es más complicado que nunca. Es una cosa decir que tienes un mejor pronóstico en términos de error absoluto medio, pero tan pronto como entras en el mundo probabilístico, es otro juego.

Si comienzas a decir: “Quiero pronosticar la demanda, pero no mañana, sino en un horizonte probabilístico que es cuando llegará mi contenedor”, entonces se convierte en una demanda que comienza en un punto incierto en el futuro y termina en otro punto incierto. Las cosas pueden complicarse mucho con más dimensiones. Luego, si comienzas a incluir factores como la probabilidad de que mi competidor reduzca sus precios, lo cual tendría un impacto muy específico en la forma de la demanda, ves que la precisión del pronóstico no es algo unidimensional. Tiene toda esta complejidad que abordar.

Kieran Chandler: De repente, tus modelos se vuelven complejos, incluso si tienes herramientas de código abierto muy buenas. Ensamblar todas esas cosas de una manera libre de errores, de calidad de producción y escalable, todavía hay muchas otras cosas por hacer.

Joannes Vermorel: Sí, si tomamos el enfoque de pronóstico puro, creo que esa es una forma de abordarlo. Pero, en Lokad, nuestra visión es realmente tener una superposición analítica más profunda de extremo a extremo para generar decisiones inteligentes para una cadena de suministro determinada. No gestionamos sistemas de cadena de suministro, no somos un ERP. No queremos ser el repositorio de todos los movimientos de inventario. Tenemos una copia de estos datos, pero somos la superposición analítica inteligente.

Esa es la visión. Y nuevamente, incluso si Lokad estuviera completamente construido con herramientas de código abierto, todavía hay valor en reunir todo eso. Por ejemplo, las plataformas de computación en la nube que están disponibles hoy en día son una combinación gigantesca de cosas de código abierto, pero a la gente le gusta ir a Amazon porque podrías hacerlo tú mismo. Podrías tener tu propia nube privada, pero es un esfuerzo masivo reunir todas esas cosas, por lo que en algún momento, hay valor en que los especialistas lo hagan por ti.

Una desventaja que veo en este ecosistema de Python y código abierto en particular es que está evolucionando tan rápido. Si lo haces tú mismo, hay un peligro: eliges una versión de Python y un conjunto de herramientas, y luego, dos años después, hay algo dramáticamente mejorado. De repente, estabas a la vanguardia y ahora no lo estás, simplemente porque el mundo siguió avanzando y un laboratorio acaba de producir un nuevo conjunto de herramientas.

Por ejemplo, Scikit lideraba en casi todo hasta hace un par de años, pero ahora PyTorch está desafiando completamente todo eso al incorporar el aprendizaje profundo y la programación diferenciable en la imagen. Entonces plantea una pregunta: ¿quién es responsable de revisar lo que implementaste hace dos años y actualizarlo con el sabor del día? Un buen proveedor se encargaría de asegurarse de que tu solución de ciencia de datos se revise periódicamente y probablemente se reescriba para mantenerse a la vanguardia.

No sé cuánto durará esta edad de oro del progreso en la ciencia de datos, pero no me sorprendería si, durante algo así como la próxima década, cada dos años vemos un progreso fantástico donde el nuevo sabor sea mucho mejor que el anterior. Podría haber categorías de problemas que parecen muy difíciles de abordar pero que se vuelven accesibles.

Nicolas Vandeput: Si me permites agregar algo, creo que es realmente interesante que Joannes haya mencionado la complejidad con la que Lokad puede lidiar. He trabajado personalmente con el equipo de Lokad, así que sé de lo que son capaces. Uno de los mensajes de mi libro, y esto es realmente importante para mí, es decirle a la gente que pueden hacerlo.

Algunas personas pueden haber escuchado lo que Joannes está diciendo y pensar: “Wow, la ciencia de datos y el aprendizaje automático parecen muy complejos, tal vez esto no es para mí”. Realmente quiero tranquilizar a las personas diciendo: “No, no es tan complejo. Puedes comenzar con un modelo simple”. Y de hecho, como muestra el libro, puedes comenzar fácilmente con un modelo muy simple que en realidad es extremadamente sólido tal como está. Luego, a partir de ahí, puedes agregar capas, ajustar un poco el sistema, los datos, tal vez incorporar otro modelo, y así sucesivamente.

Entonces, realmente puedes comenzar de manera simple con algo que ya funcionará muy bien, y a partir de ahí, avanzar hacia asuntos más complejos. Ese es realmente el mensaje que quiero transmitir en el libro: puedes comenzar de manera simple y luego avanzar hacia más.

Kieran Chandler: ¿Puedes ayudarnos a entender cómo podemos determinar si un modelo está funcionando? ¿Podemos probarlo? ¿Podemos replicarlo? Estos principios parecen aplicarse a modelos simples, pero una vez que los comprendes para un modelo básico, ¿también puedes entenderlos para modelos mucho más complejos?

Nicolas Vandeput: Absolutamente, recomiendo encarecidamente a las personas que comiencen de manera simple. Una vez que tengas dominados los conceptos básicos, puedes avanzar hacia algo mucho más complejo.

Kieran Chandler: Eso me lleva de manera bastante ordenada a mi última pregunta. ¿Cuáles son tus esperanzas para los lectores de tu libro y para el uso de herramientas de código abierto en el futuro?

Nicolas Vandeput: Mi visión, y de hecho mi esperanza, es que las personas lean este libro y ganen confianza en sus habilidades. Al final del libro, quiero que puedan decirse a sí mismos: “Sí, realmente puedo hacer esto. No parece tan complejo”. Tal vez hace dos semanas no sabían programar, pero al final, quiero que les parezca muy simple. Quiero que estas personas comiencen a experimentar por sí mismas, a vivir realmente la ciencia de datos y probar nuevos modelos. Espero que se conviertan en los nuevos líderes en la gestión de la cadena de suministro. Esto también es uno de los mensajes de Lokad. Ya estamos en un mundo cuantitativo de cadena de suministro donde puedes experimentar e implementar soluciones que funcionen de manera consistente. Para hacer eso, necesitas ciencia de datos. Entonces, realmente espero que el libro empodere a las personas para que lo hagan por sí mismas.

Kieran Chandler: Tenemos que terminar, pero gracias por tu tiempo hoy, Nicolas.

Nicolas Vandeput: Gracias.

Kieran Chandler: El libro, “Data Science for Supply Chain Forecast”, ya está disponible. Asegúrate de revisarlo en Amazon. Aquí en Lokad TV, volveremos pronto con otro episodio. Pero hasta entonces, gracias por ver.

Joannes Vermorel: Gracias.