00:00:04 Introducción y visión general del problema del forecast en la supply chain.
00:01:28 Argumento a favor del error del forecast medido en dólares.
00:02:31 Se examina la preferencia por medir el error en porcentaje.
00:04:15 Impacto tecnológico en la mejora de la precisión del forecast.
00:05:49 Se discuten soluciones para mejorar la precisión del forecast.
00:08:01 Rol de los forecast del clima en los forecasts probabilísticos.
00:09:33 Problemas al integrar datos meteorológicos en la supply chain.
00:11:29 Potencial y desafíos del forecast basado en inteligencia humana.
00:13:14 Optimización del conocimiento experto para reducir los errores del forecast.
00:14:24 Importancia de la calidad de los datos y su mejora.
00:16:00 Dificultades del forecast en industrias impredecibles como la moda.
00:17:33 Forecasts estadísticos en la moda y los desafíos de nuevos productos.
00:18:01 Propuesta de método para el forecast de nuevos productos.
00:19:02 Reflexiones finales.

Resumen

Joannes Vermorel, fundador de Lokad, participa en una conversación con el presentador Kieran Chandler sobre el forecast en la supply chain. Vermorel revela con humor las contradicciones de la industria, mostrando afirmaciones excesivas de reducción de error y abogando por un cambio de enfoque hacia los errores en dólares en lugar de porcentajes. Observa que machine learning ha revolucionado el forecast, con un énfasis que se ha desplazado hacia predicciones más perspicaces en lugar de meramente precisas. La pareja también examina datos meteorológicos, pero los considera demasiado complejos y poco confiables para forecasts a largo plazo. Vermorel destaca la importancia de la inteligencia humana, aunque sugiere que es poco práctica a gran escala, recomendando en cambio una mejora en la calidad de los datos. A pesar de los obstáculos, Vermorel afirma que el modelo de Lokad demuestra su efectividad al prever con precisión incluso lanzamientos de new product en industrias volátiles como la moda.

Resumen Ampliado

Kieran Chandler, el presentador, conversa con Joannes Vermorel, fundador de Lokad, sobre la precisión del forecast en la industria de supply chain. Se observa una discrepancia notable entre los profesionales que frecuentemente se quejan de la precision del forecast, y los proveedores de software que a menudo afirman tener forecasts de muy alta precisión.

Vermorel identifica una anomalía en la industria, señalando que durante los últimos veinte años, al menos un proveedor de software de primer nivel ha afirmado una reducción anual del 50% en el error del forecast en cada importante feria de supply chain. Siguiendo esta lógica, Vermorel sugiere con humor que, en teoría, deberíamos tener ahora un error del forecast nulo, lo que contradice el estado actual de la industria de supply chain.

Continúa argumentando que la obsesión con la reducción porcentual del error del forecast es engañosa, e incluso podría ser el enfoque equivocado. En cambio, insiste Vermorel, el impacto del error es más significativo cuando se mide en términos de su costo monetario para las empresas. Los negocios deberían concentrarse en los “dólares de error”, ya que las empresas existen fundamentalmente para generar ganancias, alineándose mejor con este objetivo.

Abordando el énfasis continuo de la industria en los porcentajes, Vermorel lo caracteriza como una “adicción al error porcentual absoluto medio”. Razonó que esta preferencia se debe a que los porcentajes son más sencillos de entender y es menos probable que generen fricción dentro de una empresa, ya que no implican directamente a un presupuesto o persona en particular. Expresar los errores en dólares obligaría a que alguien asuma la responsabilidad de ellos, algo que muchos individuos adversos al riesgo en grandes organizaciones prefieren evitar.

En el tema del progreso tecnológico y su influencia en el forecast, Vermorel reconoce que, a pesar de los desafíos mencionados, la precisión del forecast ha mejorado con el tiempo, en gran parte gracias a los avances en el statistical learning o machine learning. La aplicación de estas técnicas a la planificación de la demanda y al forecast ha traído mejoras significativas a la industria de supply chain.

Vermorel aclara además que la incertidumbre es inherente al predecir el futuro, por lo que es vital asignar probabilidades a todos los posibles resultados. Curiosamente, propone que los forecasts no necesitan ser más precisos, sino que deben proporcionar más información sobre el futuro. Este advanced forecasting puede ayudar a crear mejores decisiones de supply chain, que es el objetivo final y la base para cualquier impacto físico y medible. Esto refleja los dos aspectos en los que se centra la firma de Vermorel: el forecast y la utilización real de estos forecasts en la toma de decisiones en la supply chain.

La conversación continúa, profundizando en la influencia de los datos en los forecasts probabilísticos. Vermorel coincide en que los forecasts se basan en datos. Chandler plantea una pregunta sobre la incorporación de factores externos, como las condiciones meteorológicas, en estos forecasts, ya que a menudo influyen en el comportamiento del consumidor.

En respuesta, Vermorel indica que, aunque los datos meteorológicos podrían ser una fuente, traen consigo dos preocupaciones principales. En primer lugar, los forecast del clima en sí mismos son imperfectos, y construir forecasts basados en ellos podría agravar las inexactitudes. Asimismo, considerando las necesidades de la supply chain, los forecasts a menudo deben cubrir más de una semana, un período en el que la precisión de los forecast del clima disminuye significativamente.

En segundo lugar, los forecast del clima generan una gran cantidad de datos que pueden ser difíciles de manejar. Vermorel ilustra esto señalando que se genera un dato por hora, por kilómetro cuadrado, cada 20 minutos al considerar el clima. Esto no solo involucra la temperatura, sino también la humedad, la velocidad y dirección del viento, y la luz, lo que resulta en terabytes de datos que son difíciles de incorporar en la supply chain.

La discusión se desplaza de las complejidades de los datos meteorológicos al potencial de la inteligencia humana en la mejora de los forecasts. Vermorel confirma la tremenda capacidad del cerebro humano, pero reconoce que no es una solución viable debido a su alto costo. Para cualquier gran empresa de supply chain, se deben tomar diariamente miles o millones de decisiones de supply chain, lo que requiere un número considerable de individuos inteligentes. Sin embargo, la mayoría de las empresas no pueden permitirse emplear a tanta gente, por lo que dependen de las compañías de software. Vermorel acepta que, aunque

la intervención humana puede mejorar enormemente la precisión del forecast, no es escalable, y este problema práctico requiere soluciones de software.

Vermorel enfatiza la necesidad de utilizar la inteligencia de las personas dentro de las empresas en un sentido capitalista. Su conocimiento y sus ideas deben ser tratados como recursos valiosos que se acumulan con el tiempo, en lugar de entidades desechables o consumibles. Este enfoque puede conducir a una mejora continua en los sistemas de supply chain.

Vermorel sugiere que una forma de aprovechar la inteligencia humana es mejorando la calidad de los datos alimentados en el sistema de forecast. La calidad de los datos no es algo natural; requiere un mantenimiento y una mejora continua. Vermorel argumenta que los datos transaccionales juegan un papel crítico en la mejora de la precisión del forecast y tienen margen para más mejoras. Por ejemplo, pocas empresas registran con precisión el historial de faltante de stock. Sin embargo, para predecir la demanda futura, es crucial determinar si la falta de ventas se debió a la inexistencia de demanda o a un faltante de stock. Por lo tanto, Vermorel aboga por el registro adecuado de todos los datos relevantes, incluyendo los faltantes de stock, promociones, y los precios de los competidores, para mejorar la precisión del forecast.

Al abordar el forecast para productos que aún no han sido lanzados, Vermorel reconoce el desafío inherente, especialmente en industrias volátiles como la tecnología y la moda, donde los datos históricos son inexistentes o erráticos. Argumenta que el objetivo no es una precisión absoluta en el forecast, sino un forecast que sea más preciso que el que los equipos pueden producir dadas sus limitaciones de tiempo.

En situaciones como en la moda, donde los lanzamientos de nuevos productos carecen de datos históricos, Vermorel ofrece una solución. Sugiere que, aunque los productos individuales puedan ser nuevos, provienen de un mercado que la empresa ha observado a través de sus propias ventas. Por lo tanto, se puede construir un forecast estadístico basado en lanzamientos de productos históricos y atributos del producto. Este método puede correlacionar una camisa nueva, por ejemplo, con camisas lanzadas previamente para elaborar un forecast que, aunque podría no ser extremadamente preciso debido a la naturaleza volátil de la industria de la moda, puede ser lo suficientemente preciso como para resultar rentable.

Vermorel confirma que Lokad utiliza este enfoque en su modelo de forecast, lo que permite predicciones efectivas incluso en condiciones desafiantes, como los lanzamientos de nuevos productos.

Transcripción Completa

Kieran Chandler: Hoy vamos a hablar sobre un tema que ha dividido muchas opiniones en la industria de supply chain: la precisión del forecast. Me complace decir que hoy me acompaña el CEO y fundador de Lokad, Joannes Vermorel, quien me ayudará un poco con la discusión de hoy. Así que, Joannes, gracias por acompañarnos hoy.

Joannes Vermorel: Gracias, Kieran.

Kieran Chandler: Joannes, si observas la industria de supply chain en su conjunto, a menudo ves a los profesionales quejarse mucho sobre la precisión de sus forecasts. Sin embargo, si miras a los proveedores de software, frecuentemente afirman tener una precisión muy alta. No pueden tener razón ambos a la vez. ¿Cuál es tu opinión sobre la situación?

Joannes Vermorel: La situación es, en efecto, desconcertante. Durante las últimas dos décadas, o quizás más, en cada importante feria de supply chain, al menos un proveedor de software de primer nivel afirma haber reducido el error del forecast en un 50% o algo similar. Obviamente, si se compone una reducción del 50% del error por año durante 20 años, lógicamente, no deberíamos tener ningún error de forecast, lo cual evidentemente no es el estado actual de la industria de supply chain. Claramente, los errores del forecast siguen estando muy presentes. Otra forma de verlo es que los porcentajes engañan. Pensar que se puede reducir el error del forecast en un X por ciento es la forma equivocada de abordar la cuestión. Los errores del forecast cuestan dinero a las empresas, expresado en dólares y no en porcentaje. Lo que realmente deberíamos considerar son las cantidades en dólares de error para las empresas que operan supply chains en el mundo real.

Kieran Chandler: Tiene mucho sentido porque, fundamentalmente, los negocios están para generar dinero. Es economía básica, ¿no es así? Las empresas quieren maximizar sus ganancias y los negocios se benefician de ello. Como sociedad, también podemos beneficiarnos porque obtenemos una mejor gama de productos a precios más bajos. Sin embargo, eso no es lo que realmente vemos en la industria. La industria sigue aferrada al uso de porcentajes. ¿Por qué insisten tanto en ello? ¿Cuál es la razón de ello?

Joannes Vermorel: La raíz de la adicción al MAPE (Error Porcentual Absoluto Medio) se basa en el hecho de que los porcentajes son fáciles. Es sencillo obtener un porcentaje. Con un porcentaje, nadie se compromete realmente a nada y no vas a afectar el presupuesto de nadie. Expresar los errores en dólares tiene más sentido, ya que aclara las apuestas y quién debe ser responsable del error. Las empresas que operan grandes supply chains están compuestas por muchas personas. Estas personas, al formar parte de una gran organización, tienden a ser adversas al riesgo. No quieren proponer algo que antagonice al resto de la organización, y expresar el error del forecast en dólares hace precisamente eso. Señala las áreas que son realmente responsables de los dólares de error. Así que, mientras que los porcentajes son fáciles, los dólares son la métrica correcta. Probablemente por eso seguimos en esta situación; lo fácil simplemente es más fácil de hacer.

Kieran Chandler: Bien, entonces si dejamos de lado por ahora los dólares de error y solo tomamos los porcentajes de error como ejemplo, ¿existe algún proceso tecnológico que se pueda seguir para mejorar el porcentaje de error? ¿Qué pueden hacer las compañías de software al respecto?

Joannes Vermorel: A pesar de que los errores del forecast no han mejorado en un 50 por ciento anual durante los últimos veinte años, la precisión del forecast sí ha mejorado. La mayor parte de la mejora no fue impulsada por el progreso desde el mundo de la supply chain, sino por un avance tecnológico muy amplio en un dominio conocido como statistical learning, más comúnmente conocido como machine learning. La última variante de esto es, de hecho, deep learning. Así que, en los últimos 20 años ha habido un progreso tecnológico real.

Kieran Chandler: Es sabido que el uso de ciertas técnicas para la planificación de la demanda y el forecast en la supply chain puede conducir a una mejora significativa y medible en los forecasts. Es un progreso que se puede ver en porcentajes, pero también en dólares. Así que es muy tangible. Pero debe haber otra forma de mejorar la precisión de estos forecasts. ¿Podrían, por ejemplo, las empresas y los proveedores de software cambiar la precisión de sus procesos? ¿Podrían entrenar mejor a sus equipos, por ejemplo?

Joannes Vermorel: De hecho, hay dos cosas que pueden hacer. Primero, pueden refinar el alcance de los propios forecasts. Me refiero a hacer la transición a forecasts probabilísticos. El tipo tradicional de forecast hace una única afirmación, como “mi demanda futura será exactamente esta.” Ahora, los forecasts probabilísticos adoptan una visión mucho más holística. Pueden ocurrir muchas cosas, existe una incertidumbre irreducible sobre el futuro, y por eso se asignan probabilidades a todos esos futuros potenciales. Esa es una forma en que las empresas pueden mejorar, adoptando forecasts que proporcionen más información sobre el futuro. No necesariamente tienen que ser más precisos, solo deben ofrecer más información acerca del futuro.

El otro ángulo es pensar en lo que se puede hacer para permitir que las personas aprovechen estos forecast para tomar mejores decisiones. Los forecast mejores son geniales, pero ¿podemos convertirlos en mejores decisiones de supply chain? Al final, lo que realmente importa son las mejores decisiones de supply chain con un impacto medible. Así que esos son los dos ángulos que estamos analizando.

Kieran Chandler: Y estos forecast probabilísticos se basan en datos, ¿verdad?

Joannes Vermorel: Sí, absolutamente.

Kieran Chandler: En cuanto al aspecto de los datos, ¿dónde trazas la línea? Por ejemplo, cosas como el clima son bastante interesantes. En el verano, la gente es más propensa a comprar helado, mientras que en el invierno, es más probable que compren chocolates calientes, bufandas y guantes. Entonces, ¿podríamos utilizar cosas como los forecast del clima en los forecast probabilísticos?

Joannes Vermorel: Esa es una pregunta muy amplia. Para mejorar la precisión del forecast, necesitas incorporar información, y esta información tiene que provenir de algún lugar. El primer lugar donde puedes buscar esta información es en los datos históricos de la propia empresa. Sin embargo, creo que la mayoría de las empresas, digamos el 99% de ellas, no están explotando completamente los datos transaccionales de alta calidad que ya tienen.

En cuanto a las fuentes externas, como los forecast del clima, plantean al menos dos preocupaciones diferentes. Primero, los forecast del clima son imperfectos. Si quieres construir forecast sobre otros forecast, te enfrentas al problema de agravar las imprecisiones del forecast. Este es un problema desafiante de resolver en la práctica. Además, si estás pensando en problemas de supply chain, generalmente necesitas pensar a más de siete días vista, y la precisión de los forecast del clima se vuelve bastante pobre en la práctica. Así que usar los forecast del clima es problemático. And then there’s another issue. For anyone who has tried to leverage these external data sources, they’ll realize there are challenges involved. Y luego hay otro problema. Cualquiera que haya intentado aprovechar estas fuentes de datos externas se dará cuenta de que hay desafíos involucrados.

Kieran Chandler: Entonces, para los forecast del clima, que son bastante significativos en el forecasting estadístico, estamos hablando de datos extensos. No se trata de un solo dato; es un dato cada hora, por kilómetro cuadrado, cada 20 minutos a futuro. Necesitamos considerar factores como la temperatura, la humedad, el viento y la dirección de la luz. Así que los datos que querrías usar para refinar tu forecast de supply chain son inmensos. Literalmente estamos hablando de traer terabytes de datos. ¿Puedes comentar sobre las cuestiones prácticas de implementar una cantidad tan vasta de datos?

Joannes Vermorel: Sí, de hecho, las cuestiones prácticas de incorporar algo como datos globales del clima en tu supply chain pueden ser asombrosas. Es una tarea desafiante. Hay cosas mucho más fáciles de hacer. Así que, en la práctica, el clima probablemente no sea el mejor ejemplo a usar.

Kieran Chandler: Bien, consideremos otro ángulo. ¿Qué hay del cerebro humano? Es una herramienta increíblemente poderosa. ¿Existe alguna manera de aprovecharlo para mejorar nuestros forecast?

Joannes Vermorel: Absolutamente. Los algoritmos que tenemos actualmente no son fundamentalmente sobrehumanos. Sobresalen en tareas específicas, como jugar Go o ajedrez. Pero la gestión de supply chain es un problema muy abierto que requiere la extensión completa de la inteligencia humana. Una computadora simple no puede superar a un supply chain scientist porque requiere mucho más. Sin embargo, el problema con la inteligencia humana no es su capacidad sino su costo. Las grandes empresas de supply chain manejan miles, si no millones, de supply chain diariamente. La pregunta es cuántas personas inteligentes puedes permitirte para tomar esas decisiones diarias necesarias. La respuesta, como se ha visto con nuestros clientes, usualmente no es suficiente. Así que sí, la aportación humana puede mejorar significativamente la precisión del forecast, pero no escala bien, lo que la hace prácticamente desafiante. Por eso la industria depende de compañías de software como la nuestra.

Kieran Chandler: Ese es un punto importante. ¿Cómo sugieres que las empresas hagan el mejor uso de sus empleados inteligentes? ¿Deben aplicar su intuición y conocimiento a los sistemas? ¿Cómo debería ocurrir esta integración?

Joannes Vermorel: La cuestión clave aquí es cómo podemos capitalizar a estos individuos para reducir el error del forecast. No quieres simplemente consumir y descartar sus aportes; ese no es el enfoque correcto. Necesitas capitalizar su conocimiento a lo largo del tiempo para una mejora continua. Un paso práctico que pueden tomar es mejorar la calidad de los datos introducidos en el sistema de forecast. Mantener y mejorar la calidad de los datos requiere un esfuerzo continuo. Por ejemplo, muy pocas empresas llevan un registro preciso del historial de faltantes de stock. Pero si quieres forecast la demanda futura, necesitas distinguir entre la ausencia de ventas en un período dado debido a la falta de demanda y la ausencia de ventas debido a un faltante de stock.

Kieran Chandler: ¿Estás registrando correctamente todo esto? Hay muchas cosas como faltantes de stock, promociones, tus propios precios y los precios de tus competidores que puedes incluir en tu conjunto de datos. Estas son muy accionables y pueden hacer tu forecast más preciso.

Joannes Vermorel: De hecho, hay numerosos factores a considerar que pueden ayudar a mejorar la precisión del forecast.

Kieran Chandler: Hablando de la precisión del forecast, ¿cómo forecastearías un producto que nunca ha sido lanzado? En industrias como la tecnología y la moda, no hay datos históricos y estas industrias son bastante erráticas. ¿Hay alguna esperanza de obtener forecast precisos?

Joannes Vermorel: Esa es una pregunta muy difícil. No se trata de obtener un forecast preciso en un sentido absoluto. Si se tratara de predecir el próximo producto de moda en el mercado de la moda para el próximo año, no estaría haciendo un forecast estadístico. Estaría jugando en la bolsa. La verdadera pregunta es cómo producir un forecast que sea más preciso que el que tu equipo puede producir dado su tiempo limitado. No se trata de precisión absoluta, sino de precisión relativa.

Kieran Chandler: Entonces, ¿estás sugiriendo que no hay esperanza para un forecast absolutamente preciso, especialmente en la moda?

Joannes Vermorel: En un sentido absoluto, no, la moda es demasiado errática. Sin embargo, podemos esforzarnos por algo que sea comparativamente más preciso. El desafío es, ¿podemos tener un forecast estadístico que funcione siquiera en la moda, donde los productos que deseas forecastear no tienen datos históricos? Es desconcertante porque el forecasting estadístico depende de los datos. Pero aquí hay un ángulo. Si eres una empresa de moda, lanzas miles de productos cada año. Incluso si parece un producto completamente nuevo, no lo es del todo. Emerge dentro de un mercado que puedes observar a partir de tus propias ventas. Así que, si quieres construir un forecast estadístico, necesitas aprovechar todos tus lanzamientos históricos y los atributos del producto.

Kieran Chandler: Entonces, ¿estás diciendo que aún podemos usar datos pasados para hacer predicciones precisas?

Joannes Vermorel: Exactamente. Puedes correlacionar esta nueva camisa que estás lanzando ahora con camisas que has lanzado en el pasado. Lo que queda es la naturaleza completamente errática de la industria de la moda, la cual se reflejará en la imprecisión del forecast. La cuestión es que sí, puedes abordar esto, y puedes producir un forecast lo suficientemente preciso como para ser rentable incluso para lanzamientos de productos.

Kieran Chandler: ¿Eso suena como lo que están haciendo en Lokad?

Joannes Vermorel: De hecho, eso es exactamente lo que estamos haciendo en Lokad.

Kieran Chandler: Gracias por tu tiempo y por esta conversación. Esperamos que nuestros oyentes lo hayan encontrado ameno. Si alguien tiene preguntas, no duden en ponerse en contacto, enviarnos un email o dejar un comentario a continuación. Es posible que podamos discutir algunas de las preguntas más interesantes en las próximas semanas. Hasta entonces, muchas gracias por acompañarnos hoy y nos veremos de nuevo muy pronto.