00:00:04 Introducción y visión general del problema de la previsión en la supply chain.
00:01:28 Argumento a favor del error de previsión 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 de la previsión.
00:05:49 Se discuten soluciones para mejorar la precisión de la previsión.
00:08:01 Rol de las previsiones del clima en las previsiones probabilísticas.
00:09:33 Problemas al integrar datos meteorológicos en la supply chain.
00:11:29 Potencial y desafíos de la previsión basada en inteligencia humana.
00:13:14 Optimización del conocimiento experto para reducir los errores de previsión.
00:14:24 Importancia de la calidad de los datos y su mejora.
00:16:00 Dificultades de la previsión en industrias impredecibles como la moda.
00:17:33 Previsiones estadísticas en la moda y los desafíos de nuevos productos.
00:18:01 Propuesta de método para la previsión de nuevos productos.
00:19:02 Reflexiones finales.
Resumen
Joannes Vermorel, fundador de Lokad, participa en una conversación con el presentador Kieran Chandler sobre la previsión 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 la previsión, 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 previsiones 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 de la previsión en la industria de supply chain. Se observa una discrepancia notable entre los profesionales que frecuentemente se quejan de la precision de la previsión, y los proveedores de software que a menudo afirman tener previsiones 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 de previsión en cada importante feria de supply chain. Siguiendo esta lógica, Vermorel sugiere con humor que, en teoría, deberíamos tener ahora un error de previsión nulo, lo que contradice el estado actual de la industria de supply chain.
Continúa argumentando que la obsesión con la reducción porcentual del error de previsión 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 la previsión, Vermorel reconoce que, a pesar de los desafíos mencionados, la precisión de la previsión 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 a la previsión 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 las previsiones no necesitan ser más precisas, sino que deben proporcionar más información sobre el futuro. Esta previsión avanzada 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: la previsión y la utilización real de estas previsiones en la toma de decisiones en la supply chain.
La conversación continúa, profundizando en la influencia de los datos en las previsiones probabilísticas. Vermorel coincide en que las previsiones se basan en datos. Chandler plantea una pregunta sobre la incorporación de factores externos, como las condiciones meteorológicas, en estas previsiones, 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, las previsiones del clima en sí mismas son imperfectas, y construir previsiones basadas en ellas podría agravar las inexactitudes. Asimismo, considerando las necesidades de la supply chain, las previsiones a menudo deben cubrir más de una semana, un período en el que la precisión de las previsiones del clima disminuye significativamente.
En segundo lugar, las previsiones 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 las previsiones. 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 de la previsión, 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 previsión. 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 de la previsión 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 de la previsión.
Al abordar la previsión 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 la previsión, sino una previsión que sea más precisa que la 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 una previsión estadística basada en lanzamientos de productos históricos y atributos del producto. Este método puede correlacionar una camisa nueva, por ejemplo, con camisas lanzadas previamente para elaborar una previsión que, aunque podría no ser extremadamente precisa debido a la naturaleza volátil de la industria de la moda, puede ser lo suficientemente precisa como para resultar rentable.
Vermorel confirma que Lokad utiliza este enfoque en su modelo de previsión, 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 de la previsión. 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 previsiones. 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 de previsión 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 previsión, lo cual evidentemente no es el estado actual de la industria de supply chain. Claramente, los errores de previsión siguen estando muy presentes. Otra forma de verlo es que los porcentajes engañan. Pensar que se puede reducir el error de previsión en un X por ciento es la forma equivocada de abordar la cuestión. Los errores de previsión 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 de previsión 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 de previsión no han mejorado en un 50 por ciento anual durante los últimos veinte años, la precisión de la previsión 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 la previsión en la supply chain puede conducir a una mejora significativa y medible en las previsiones. 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 estas previsiones. ¿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 las propias previsiones. Me refiero a hacer la transición a previsiones probabilísticas. El tipo tradicional de previsión hace una única afirmación, como “mi demanda futura será exactamente esta.” Ahora, las previsiones probabilísticas 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 previsiones que proporcionen más información sobre el futuro. No necesariamente tienen que ser más precisas, 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 estas previsiones para tomar mejores decisiones. Las previsiones mejores son geniales, pero ¿podemos convertirlas 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 estas previsiones probabilísticas 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 las previsiones del clima en las previsiones probabilísticas?
Joannes Vermorel: Esa es una pregunta muy amplia. Para mejorar la precisión de la previsión, 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 las previsiones del clima, plantean al menos dos preocupaciones diferentes. Primero, las previsiones del clima son imperfectas. Si quieres construir previsiones sobre otras previsiones, te enfrentas al problema de agravar las imprecisiones de la previsión. 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 las previsiones del clima se vuelve bastante pobre en la práctica. Así que usar las previsiones 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 las previsiones del clima, que son bastante significativas en la previsión estadística, 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 previsión 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 nuestras previsiones?
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 de la previsión, 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 de previsión. 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 previsión. 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 prever 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 previsión más precisa.
Joannes Vermorel: De hecho, hay numerosos factores a considerar que pueden ayudar a mejorar la precisión de la previsión.
Kieran Chandler: Hablando de la precisión de la previsión, ¿cómo preverías 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 previsiones precisas?
Joannes Vermorel: Esa es una pregunta muy difícil. No se trata de obtener una previsión precisa 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 una previsión estadística. Estaría jugando en la bolsa. La verdadera pregunta es cómo producir una previsión que sea más precisa que la 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 una previsión absolutamente precisa, 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 una previsión estadística que funcione siquiera en la moda, donde los productos que deseas prever no tienen datos históricos? Es desconcertante porque la previsión estadística 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 una previsión estadística, 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 de la previsión. La cuestión es que sí, puedes abordar esto, y puedes producir una previsión lo suficientemente precisa 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.