00:00:04 Introducción y descripción general del problema de la previsión de la cadena de suministro.
00:01:28 Argumento a favor de medir el error de previsión en dólares.
00:02:31 Examen de la preferencia por la medición del error porcentual.
00:04:15 Impacto tecnológico en la mejora de la precisión de la previsión.
00:05:49 Soluciones para mejorar la precisión de la previsión.
00:08:01 El papel de las previsiones meteorológicas en las previsiones probabilísticas.
00:09:33 Problemas con la integración de datos meteorológicos en la cadena de suministro.
00:11:29 Potencial y desafíos de la previsión basada en la inteligencia humana.
00:13:14 Optimización del conocimiento experto para reducir los errores de previsión.
00:14:24 Importancia de la calidad y mejora de los datos.
00:16:00 Dificultades de previsión en industrias impredecibles como la moda.
00:17:33 Previsiones estadísticas en moda y 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 discusión con el presentador Kieran Chandler sobre la previsión de la cadena de suministro. Vermorel revela humorísticamente contradicciones en la industria, revelando afirmaciones excesivas de reducción de errores y abogando por un cambio de enfoque hacia los “errores en dólares” en lugar de los porcentajes. Observa que el aprendizaje automático ha revolucionado la previsión, con un énfasis en predicciones perspicaces en lugar de simplemente precisas. También examinan los datos meteorológicos, pero los consideran demasiado complejos e poco confiables para las previsiones a largo plazo. Vermorel destaca la importancia de la inteligencia humana, pero sugiere que es impráctica a gran escala, recomendando en su lugar 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 los lanzamientos de nuevos productos en industrias volátiles como la moda.
Resumen Extendido
Kieran Chandler, el presentador, mantiene una conversación con Joannes Vermorel, el fundador de Lokad, sobre la precisión de la previsión en la industria de la cadena de suministro. Se observa una discrepancia notable entre los profesionales que se quejan con frecuencia de la precisión de la previsión y los proveedores de software que a menudo afirman tener una precisión de previsión muy alta.
Vermorel identifica una anomalía en la industria, señalando que durante los últimos veinte años, al menos un proveedor de software ha estado afirmando una reducción anual del 50% en el error de previsión en cada feria importante de la cadena de suministro. Siguiendo esta lógica, Vermorel sugiere humorísticamente que teóricamente deberíamos tener un error de previsión cero ahora, contradiciendo el estado actual de la industria de la cadena de suministro.
Continúa argumentando que la obsesión por la reducción porcentual del error de previsión es engañosa y podría incluso ser el enfoque equivocado. En cambio, Vermorel insiste en que el impacto del error es más significativo cuando se mide en términos de su costo monetario para las empresas. Las empresas deberían concentrarse en los ‘dólares de error’, ya que fundamentalmente existen para obtener ganancias, lo que se alinea mejor con este objetivo.
Abordando el enfoque continuo de la industria en los porcentajes, Vermorel lo caracteriza como una “adicción al error porcentual medio absoluto”. Razona que esta preferencia se debe a que los porcentajes son más fáciles de entender y menos propensos a causar fricción dentro de una empresa, ya que no implican directamente un presupuesto o una persona específica. Expresar los errores en dólares requeriría que alguien se haga responsable de ellos, algo que muchas personas aversas al riesgo en grandes organizaciones preferirían evitar.
Sobre el tema del progreso tecnológico y su influencia en la previsión, Vermorel reconoce que a pesar de los desafíos mencionados anteriormente, la precisión de la previsión ha mejorado con el tiempo, en gran parte debido a los avances en el aprendizaje estadístico o el aprendizaje automático. La aplicación de estas técnicas a la planificación y previsión de la demanda ha traído mejoras significativas a la industria de la cadena de suministro.
Vermorel aclara además que la incertidumbre es inherente al predecir el futuro y, por lo tanto, 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 tomar mejores decisiones de la cadena de suministro, el objetivo final y la base de cualquier impacto físico y medible. Esto refleja los dos aspectos en los que se enfoca la empresa de Vermorel: la previsión y la utilización real de estas previsiones en la toma de decisiones de la cadena de suministro.
La conversación continúa adentrándose 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 climáticas en estas previsiones, ya que a menudo influyen en el comportamiento del consumidor.
En respuesta, Vermorel indica que si bien los datos meteorológicos podrían ser una fuente, plantea dos preocupaciones principales. En primer lugar, las previsiones meteorológicas en sí mismas son imperfectas y construir previsiones sobre ellas podría aumentar las inexactitudes. Además, teniendo en cuenta las preocupaciones de la cadena de suministro, a menudo las previsiones deben ser más de una semana por delante, período en el cual la precisión de las previsiones meteorológicas disminuye significativamente.
En segundo lugar, las previsiones meteorológicas generan grandes cantidades de datos que podrían ser difíciles de gestionar. Vermorel ilustra esto señalando que se genera un punto de datos por hora por kilómetro cuadrado cada 20 minutos al considerar el clima. Esto no solo implica la temperatura, sino que también incluye la humedad, la velocidad y dirección del viento y la luz, lo que lleva a terabytes de datos que son difíciles de incorporar en la cadena de suministro.
La discusión pasa de las complejidades de los datos meteorológicos al potencial de la inteligencia humana para mejorar 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 empresa de gran cadena de suministro, se deben tomar miles a millones de decisiones de cadena de suministro diariamente, lo que requiere un número considerable de personas inteligentes. Sin embargo, la mayoría de las empresas no pueden permitirse emplear a tantas personas, por lo que dependen de las empresas de software. Vermorel acepta que si bien
la aportación humana puede mejorar en gran medida la precisión de las previsiones, no es escalable y esta cuestión práctica 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 perspicacia deben tratarse como recursos valiosos que se acumulan con el tiempo, en lugar de entidades desechables o consumibles. Este enfoque puede llevar a una mejora continua en los sistemas de cadena de suministro.
Vermorel sugiere una forma de aprovechar la inteligencia humana al mejorar la calidad de los datos alimentados en el sistema de pronóstico. La calidad de los datos no es algo dado; requiere esfuerzos continuos de mantenimiento y mejora. Los datos transaccionales, argumenta Vermorel, desempeñan un papel fundamental en la mejora de la precisión de los pronósticos y tienen margen para mejoras adicionales. Por ejemplo, pocas empresas registran con precisión el historial de faltantes de stock. Sin embargo, para predecir la demanda futura, es crucial determinar si la falta de ventas se debió a la falta de demanda o a una situación de faltante de stock. Por lo tanto, Vermorel aboga por el registro adecuado de todos los datos relevantes, incluidos los faltantes de stock, las promociones y los precios de la competencia, para mejorar la precisión del pronóstico.
Al abordar el pronóstico para productos que aún no se han lanzado, Vermorel reconoce el desafío inherente, especialmente en industrias volátiles como la tecnología y la moda, donde los datos históricos no existen o son erráticos. Contrarresta que el objetivo no es la precisión absoluta del pronóstico, sino más bien un pronóstico que sea más preciso que lo que los equipos pueden producir dadas sus limitaciones de tiempo.
En situaciones como la moda, donde los nuevos lanzamientos de productos carecen de datos históricos, Vermorel ofrece una solución. Sugiere que si bien los productos individuales pueden ser nuevos, surgen de un mercado que la empresa ha observado a través de sus propias ventas. Por lo tanto, se puede construir un pronóstico estadístico basado en lanzamientos históricos de productos y atributos del producto. Este método puede correlacionar una nueva camisa, por ejemplo, con camisas lanzadas anteriormente para construir un pronóstico que, aunque puede no ser extremadamente preciso debido a la naturaleza volátil de la industria de la moda, puede ser lo suficientemente preciso como para ser rentable.
Vermorel confirma que Lokad utiliza este enfoque en su modelo de pronóstico, lo que permite predicciones efectivas incluso en condiciones desafiantes, como nuevos lanzamientos de productos.
Transcripción completa
Kieran Chandler: Hoy vamos a hablar sobre un tema que ha dividido mucho la opinión en la industria de la cadena de suministro: la precisión de los pronósticos. Me complace decir que hoy me acompaña el CEO y fundador de Lokad, Joannes Vermorel, quien me va a ayudar un poco con la discusión de hoy. Así que Joannes, gracias por unirte a nosotros hoy.
Joannes Vermorel: Gracias, Kieran.
Kieran Chandler: Joannes, si observamos la industria de la cadena de suministro en su conjunto, a menudo vemos que los profesionales se quejan mucho de la precisión de sus pronósticos. Sin embargo, si observamos a los proveedores de software, a menudo afirman tener una precisión muy alta. Ambos no pueden tener razón. Entonces, ¿cuál es tu opinión sobre la situación?
Joannes Vermorel: La situación es realmente desconcertante. Durante las últimas dos décadas, tal vez incluso más, en cada feria comercial importante de la cadena de suministro, siempre hay al menos un proveedor de software de primer nivel que afirma haber reducido el error de pronóstico 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 pronóstico, lo cual obviamente no es el estado de la industria de la cadena de suministro. Claramente, los errores de pronóstico todavía están muy presentes. Otra forma de verlo es que los porcentajes son engañosos. Pensar que se puede reducir el error de pronóstico en X por ciento es la forma incorrecta de abordar la cuestión. Los errores de pronóstico le cuestan dinero a las empresas, expresados en dólares, no en porcentaje. Lo que realmente deberíamos estar analizando son las cantidades de dólares de error para las empresas que gestionan cadenas de suministro en el mundo real.
Kieran Chandler: Eso tiene mucho sentido porque, fundamentalmente, las empresas están ahí para ganar dinero. Eso es economía básica, ¿verdad? Las empresas quieren maximizar sus ganancias y los negocios se benefician de eso. Como sociedad, también podemos beneficiarnos porque obtenemos una mejor variedad de productos a precios más bajos. Sin embargo, eso no es lo que realmente estamos viendo en la industria. La industria todavía está muy obsesionada con el uso de porcentajes. ¿Por qué están tan obsesionados con eso? ¿Cuál es la razón de eso?
Joannes Vermorel: La adicción al MAPE (Error Medio Absoluto Porcentual) se basa en el hecho de que los porcentajes son fáciles. Es fácil calcular un porcentaje. Con un porcentaje, nadie se compromete realmente con nada y no vas a afectar el presupuesto de nadie. Expresar los errores en dólares tiene más sentido, pero aclara las apuestas y quién debería ser responsable del error. Las empresas que operan grandes cadenas de suministro están formadas por muchas personas. Estas personas, al ser parte de una gran organización, tienden a ser aversas al riesgo. No quieren presentar algo que antagonice al resto de su propia organización, y expresar el error de pronóstico en dólares hace exactamente eso. Señala las áreas que son verdaderamente responsables de los dólares de error. Entonces, aunque los porcentajes son fáciles, los dólares son la métrica correcta. Probablemente por eso todavía estamos atrapados en esta situación; lo fácil es simplemente más fácil de hacer.
Kieran Chandler: Bueno, si dejamos de lado por ahora los dólares de error y solo tomamos los porcentajes de error como ejemplo, ¿hay algún proceso tecnológico que se pueda seguir para mejorar el porcentaje de error? ¿Qué pueden hacer las empresas de software al respecto?
Joannes Vermorel: A pesar de que los errores de pronóstico no han mejorado en un 50 por ciento al año durante los últimos veinte años aproximadamente, la precisión de los pronósticos sí ha mejorado. La mayor parte de la mejora no se ha producido desde el mundo de la cadena de suministro, sino más bien desde un progreso tecnológico muy amplio de un dominio conocido como aprendizaje estadístico, más comúnmente conocido como machine learning. La última versión de eso es en realidad deep learning. Entonces, ha habido un progreso tecnológico real en los últimos 20 años.
Kieran Chandler: Se sabe que el uso de ciertas técnicas para la planificación de la demanda y el pronóstico en la cadena de suministro puede llevar a una mejora significativa y medible en los pronósticos. Es un progreso que se puede ver en porcentajes, pero también en dólares. Por lo tanto, es muy tangible. Pero debe haber otra forma de mejorar la precisión de estos pronósticos. ¿Podrían las empresas y los proveedores de software, por ejemplo, cambiar la precisión de sus procesos? ¿Podrían capacitar mejor a sus equipos, por ejemplo?
Joannes Vermorel: De hecho, hay dos cosas que pueden hacer. Primero, pueden refinar el alcance de los propios pronósticos. Lo que quiero decir es que pueden pasar a pronósticos probabilísticos. El tipo tradicional de pronóstico hace una sola afirmación, como “mi demanda futura será exactamente esta”. Ahora, los pronósticos probabilísticos adoptan una visión mucho más holística. Pueden suceder muchas cosas, hay incertidumbre irreducible sobre el futuro, por lo que asignamos probabilidades a todos esos futuros potenciales. Esa es una forma en que las empresas pueden mejorar, adoptando pronósticos que revelen más sobre el futuro. No necesariamente tiene que ser más preciso, solo necesita proporcionar más información sobre el futuro. Esa es la esencia de los pronósticos probabilísticos.
El otro enfoque es pensar en qué se puede hacer para permitir que las personas aprovechen estos pronósticos para tomar mejores decisiones en la cadena de suministro. Los mejores pronósticos son geniales, pero ¿podemos convertirlos en mejores decisiones de cadena de suministro? Al final, las mejores decisiones de cadena de suministro con un impacto medible son lo que realmente importa. Así que esos son los dos enfoques que estamos analizando.
Kieran Chandler: Y estos pronósticos probabilísticos están impulsados por 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 verano, es más probable que las personas compren helados, mientras que en invierno es más probable que compren chocolates calientes, bufandas y guantes. Entonces, ¿podríamos usar cosas como los pronósticos del clima en los pronósticos probabilísticos?
Joannes Vermorel: Esa es una pregunta muy amplia. Para mejorar la precisión del pronóstico, es necesario 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 aprovechando al máximo los datos transaccionales de alta calidad que ya tienen.
En cuanto a las fuentes externas, como los pronósticos del clima, plantean al menos dos preocupaciones diferentes. En primer lugar, los pronósticos del clima son imperfectos. Si quieres construir pronósticos sobre otros pronósticos, te enfrentas al problema de la acumulación de inexactitudes en los pronósticos. Este es un problema difícil de resolver en la práctica. Además, si estás pensando en problemas de cadena de suministro, generalmente necesitas pensar más allá de los siete días, y la precisión de los pronósticos del clima se vuelve bastante pobre en la práctica. Por lo tanto, el uso de pronósticos del clima es problemático.
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, en el caso de los pronósticos del clima, que son bastante significativos en el pronóstico estadístico, estamos hablando de datos extensos. No es solo un punto de datos; es un punto de datos cada hora, por kilómetro cuadrado, cada 20 minutos mirando hacia adelante. Tenemos que considerar factores como la temperatura, la humedad, el viento y la dirección de la luz. Entonces, los datos que desearías usar para refinar tu pronóstico de cadena de suministro son inmensos. Literalmente estamos hablando de traer terabytes de datos. ¿Puedes hablar sobre la practicidad de implementar una cantidad tan vasta de datos?
Joannes Vermorel: Sí, de hecho, la practicidad de incorporar algo como datos climáticos globales en tu cadena de suministro puede ser abrumadora. Es una tarea desafiante. Hay cosas mucho más fáciles de hacer. Entonces, en la práctica, el clima probablemente no sea el mejor ejemplo para usar.
Kieran Chandler: De acuerdo, consideremos otro enfoque. ¿Qué hay de nuestro cerebro humano? Es una herramienta increíblemente poderosa. ¿Hay alguna manera de aprovecharlo para mejorar nuestros pronósticos?
Joannes Vermorel: Absolutamente. Los algoritmos que tenemos actualmente no son fundamentalmente sobrehumanos. Sobresalen en tareas específicas, como jugar al Go o al ajedrez. Pero la gestión de la cadena de suministro es un problema muy abierto que requiere la totalidad de la inteligencia humana. Una simple computadora no puede superar a un especialista en cadena de suministro porque requiere mucho más. Sin embargo, el problema con la inteligencia humana no es su capacidad, sino su costo. Las grandes empresas de cadena de suministro manejan miles, si no millones, de cadenas de suministro diariamente. La pregunta es cuántas personas inteligentes puedes permitirte para tomar esas decisiones diarias necesarias. La respuesta, como se ve con nuestros clientes, generalmente no es suficiente. Entonces, sí, la aportación humana puede mejorar en gran medida la precisión del pronóstico, pero no escala bien, lo que lo hace prácticamente desafiante. Por eso la industria confía en empresas de software como la nuestra.
Kieran Chandler: Ese es un punto importante. ¿Cómo sugieres que las empresas aprovechen al máximo a sus empleados inteligentes? ¿Deben aplicar su intuición y conocimiento a los sistemas? ¿Cómo debería ocurrir esta integración?
Joannes Vermorel: La pregunta clave aquí es cómo podemos capitalizar a estas personas para reducir el error de pronóstico. No quieres simplemente consumir y descartar sus ideas; 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 alimentados en el sistema de pronóstico. Mantener y mejorar la calidad de los datos requiere un esfuerzo continuo. Por ejemplo, muy pocas empresas rastrean con precisión el historial de faltantes de stock. Pero si quieres pronosticar la demanda futura, necesitas distinguir entre ninguna venta en un período determinado debido a falta de demanda y ninguna venta 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. Estos son muy accionables y pueden hacer que tu pronóstico sea más preciso.
Joannes Vermorel: De hecho, hay numerosos factores a considerar que pueden ayudar a mejorar la precisión del pronóstico.
Kieran Chandler: Hablando de precisión del pronóstico, ¿cómo pronosticas para un producto que aún no se ha lanzado? En industrias como la tecnología y la moda, no hay datos históricos y estas industrias son bastante erráticas. ¿Hay alguna esperanza de obtener pronósticos precisos?
Joannes Vermorel: Esa es una pregunta muy complicada. No se trata de obtener un pronóstico preciso en un sentido absoluto. Si se tratara de predecir el próximo producto de moda dentro del mercado de la moda para el próximo año, no estaría haciendo un pronóstico estadístico. Estaría jugando en la bolsa de valores. La verdadera pregunta es cómo producir un pronóstico que sea más preciso que lo que tu equipo puede producir dadas sus limitaciones de tiempo. No se trata de precisión absoluta, sino más bien de precisión relativa.
Kieran Chandler: Entonces, ¿estás sugiriendo que no hay esperanza de un pronóstico 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 pronóstico estadístico que funcione en la moda, donde los productos que deseas pronosticar no tienen datos históricos? Es desconcertante porque el pronóstico estadístico se basa en datos. Pero aquí hay un enfoque. Si eres una empresa de moda, estás lanzando miles de productos cada año. Incluso si parece un producto completamente nuevo, no es del todo nuevo. Surge dentro de un mercado que puedes observar a partir de tus propias ventas. Entonces, si quieres construir un pronóstico estadístico, necesitas aprovechar todos tus lanzamientos históricos pasados 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, que se reflejará en la inexactitud del pronóstico. El punto es que sí, puedes abordar esto y puedes producir un pronóstico lo suficientemente preciso como para ser rentable incluso para los lanzamientos de productos.
Kieran Chandler: Eso suena como lo que estás 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 discusión. Esperamos que nuestros oyentes la hayan disfrutado. Si alguien tiene preguntas, no dude en ponerse en contacto, enviarnos un correo electrónico 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 vemos muy pronto.