00:00:03 Forecast probabilísticos: introducción y visión general.
00:01:34 Incertidumbre y exactitud en el forecast probabilístico.
00:02:25 Forecast probabilísticos: gestionando las asimetrías en supply chain.
00:04:33 Forecast probabilísticos: límites esquivos y eventos poco probables en forecast probabilístico.
00:07:43 El papel de los modelos matemáticos en el forecast probabilístico.
00:09:15 Evaluando la exactitud de un forecast probabilístico.
00:11:14 Desventajas de los forecast clásicos sobre los forecast probabilísticos.
00:13:07 La dependencia de las industrias en los forecast clásicos y los límites de Excel.
00:15:23 Las mejores aplicaciones del forecast probabilístico.
00:18:43 Industrias donde no se necesita el forecast probabilístico.
00:20:03 Forecast probabilístico: adopción y razones.
00:22:34 Perspectivas futuras del forecast probabilístico.
00:24:27 Métodos futuros: omitir el cálculo explícito de probabilidades.
00:25:37 Acercándose a futuros y demandas relevantes.
00:26:14 Incertidumbres en la línea de tiempo de la demanda de productos.
00:27:03 Escenarios ‘what-if’: impacto de los ajustes de precio.
00:27:56 Importancia de la exploración selectiva.
Resumen
En esta discusión con Kieran Chandler, Joannes Vermorel, fundador de Lokad, elucida la naturaleza y los beneficios del forecast probabilístico. A diferencia de los forecast determinísticos, los forecast probabilísticos se consideran capaces de ofrecer un rango de resultados, cada uno con una cierta probabilidad. Este enfoque se considera una mejor manera de abordar las asimetrías en supply chain, tales como las diferentes implicancias de la sobreestimación y la subestimación de la demanda. No se limita a los promedios, sino que evalúa un continuo de escenarios potenciales. Aunque complejo, los avances en el poder de cómputo y el deep learning están haciendo que el forecast probabilístico sea más accesible. Vermorel predice un futuro en el que el forecasting abrace la incertidumbre e integre una multitud de variables, prometiendo una representación más detallada y realista de futuros posibles.
Resumen Ampliado
En este episodio de Lokad TV, Kieran Chandler inicia un diálogo con Joannes Vermorel, el fundador de Lokad, en el que se discute el forecast probabilístico, sus ventajas, implementación y utilización en las empresas.
Vermorel elucida que los forecast probabilísticos denotan un tipo de predicciones en las que el conocimiento sobre el futuro permanece imperfecto. A diferencia de los forecast determinísticos, que predicen un único resultado definitivo, los forecast probabilísticos esbozan un espectro de posibles resultados, cada uno asociado a una probabilidad particular. La idea es abrazar la incertidumbre inherente a los sucesos futuros. Este método puede no garantizar una precisión absoluta, pero potencialmente ofrece una mejor oportunidad de relevancia para la toma de decisiones.
Según Vermorel, la principal ventaja de los forecast probabilísticos sobre los forecast tradicionales radica en la capacidad de manejar asimetrías en supply chain. Señala que la sobreestimación y la subestimación de la demanda podrían conducir a resultados asimétricos. Por ejemplo, en el sector aeroespacial, sobreestimar la demanda podría generar un tornillo en exceso que cuesta 50 euros, mientras que subestimar la demanda podría resultar en el paralizamiento de una aeronave, incurriendo en cientos de miles de euros en costes por demoras.
Vermorel subraya que los métodos de forecast tradicionales a menudo se orientan hacia un resultado promedio. Sin embargo, señala que en supply chain, los costes suelen estar más impulsados por eventos extremos. Ilustra el problema con ejemplos de las industrias aeroespacial y minorista de alimentos, donde un inventario excesivo puede resultar en desechos y pérdidas financieras.
Al hablar de los extremos, Vermorel aclara que no existen límites fijos, sino un continuo de eventos poco frecuentes. Para un producto típico, podría haber un 5% de probabilidad de observar el doble de la demanda diaria, un 1% de probabilidad de observar cuatro veces la demanda diaria y una probabilidad minúscula de observar diez veces la demanda diaria. El forecast probabilístico no se limita a los promedios, sino que investiga una gama de posibles resultados.
Si bien puede que no consideremos el riesgo de que un barco se hunda, sí podemos evaluar el riesgo de que un barco sea retenido indefinidamente en aduanas. Eso puede suceder, y puede causar un retraso de tres meses debido a problemas con el proceso aduanero. Dicho retraso sería casi equivalente a que el barco se hunda, en lo que respecta a tu envío. Por ejemplo, si esperas trajes de baño, la temporada habrá terminado para cuando los recibas. Será invierno, y tu producto sería inútil.
Vermorel procede a desentrañar la intrigante naturaleza del forecast probabilístico. Introduce la necesidad de métricas adecuadas para evaluar la exactitud de los forecast probabilísticos, asignando idealmente mayor peso a los eventos con probabilidades más altas asignadas por el modelo.
Trazando un paralelo con una predicción hipotética sobre Italia ganando la Copa del Mundo, Vermorel demuestra que la precisión de un modelo se refleja en qué tan de cerca se alinean las probabilidades asignadas con los eventos reales. Compara el forecast probabilístico con el forecast tradicional, afirmando que, si bien el primero puede no ser intrínsecamente más exacto, presenta una información más rica al considerar una gama más amplia de posibles resultados.
Vermorel continúa explicando que los forecast probabilísticos pueden “colapsarse” en forecast clásicos tomando un promedio. Sin embargo, este proceso omite información valiosa sobre eventos extremos o “tail” - aquellos con una demanda sorprendentemente alta o baja. Estos eventos suelen tener un impacto financiero mayor en contextos de supply chain, donde las desviaciones del promedio pueden conducir a resultados costosos como faltante de stock o bajas de inventario.
A pesar de estas ventajas, Vermorel reconoce que muchas industrias aún emplean técnicas de forecast clásicas, a menudo utilizando Excel. Aclara que esto se debe a la accesibilidad y conveniencia de Excel para crear forecasts simples. La transición hacia el forecast probabilístico requeriría abandonar Excel debido a la complejidad y la intensidad computacional que implica considerar un gran número de futuros potenciales.
Vermorel señala que las industrias marcadas por una alta incertidumbre, como la moda, el mantenimiento aeroespacial, e-commerce y el comercio minorista a nivel de tienda, son ideales para el forecast probabilístico. Estas industrias luchan contra la imprevisibilidad, desde las caprichosas tendencias de la moda hasta las necesidades esporádicas de piezas específicas de aeronaves, y desde el long tail de las ventas de e-commerce hasta las fluctuantes ventas a nivel de tienda en grandes mercados.
Vermorel identifica situaciones en las que el forecast probabilístico puede ser menos adecuado, como en industrias o casos donde los resultados futuros pueden predecirse con precisión. Por ejemplo, la producción de cemento o ciertas líneas de producción automotriz, donde los contratos a largo plazo brindan una visibilidad clara de los requerimientos futuros. Aquí, los métodos tradicionales de forecast son suficientes. El verdadero valor del forecast probabilístico, señala Vermorel, surge en situaciones con una incertidumbre sustancial, donde los resultados futuros no pueden anticiparse con precisión. La conversación luego se desplaza hacia por qué el forecast probabilístico es cada vez más popular, a pesar de no ser un concepto novedoso. Vermorel identifica dos factores principales: la disminución del costo del poder de procesamiento y el surgimiento de métodos estadísticos como el deep learning. Hace una década, los recursos computacionales necesarios para los cálculos probabilísticos eran exorbitantemente caros. Con la disminución de costos, estos métodos se han vuelto más accesibles. Además, los avances en el deep learning, una subdisciplina de la IA impulsada por el modelado probabilístico, han impulsado aún más el auge del forecast probabilístico.
Al discutir el futuro del forecast probabilístico, Vermorel afirma con confianza que no hay regreso a los métodos clásicos. El forecast probabilístico ofrece más información sobre el futuro, lo que hace contraproducente volver a métodos que ofrecen menor información. Sin embargo, reconoce las complejidades implicadas, especialmente cuando los escenarios de forecast involucran múltiples factores o productos. Los escenarios a explorar se expanden exponencialmente con cada elemento añadido, lo que hace que los cálculos explícitos de probabilidades sean casi imposibles. Esto, según Vermorel, impulsará a los métodos futuros hacia cálculos que no se esfuercen por expresar todas las probabilidades, un enfoque ya empleado por el deep learning.
La discusión concluye con Vermorel pintando un panorama de cómo el forecast futuro podría acomodar la incertidumbre e integrar variables complejas. Al contemplar todos los futuros potenciales, incluidas las variaciones en la demanda de productos, los plazos de supply y los ajustes de precio, las posibilidades se vuelven prácticamente ilimitadas. Sin embargo, Vermorel enfatiza que el objetivo no debe ser examinar cada futuro potencial de forma individual, sino emplear técnicas matemáticas que permitan explorar muchos escenarios posibles sin necesariamente listarlos. Aunque este enfoque plantea numerosos desafíos, también anuncia nuevas oportunidades para la exploración en el ámbito del forecast.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir exactamente qué son los forecast probabilísticos, por qué pueden ser beneficiosos, y también cómo pueden implementarse en las empresas para mejorar su operación. Así que Joannes, un tema de interés en este momento, tenemos a tantos fanáticos de los deportes y casas de apuestas intentando determinar quién va a ganar exactamente la Copa del Mundo. Quizás un buen punto de partida sea: ¿Qué son los forecast probabilísticos?
Joannes Vermorel: Los forecast probabilísticos representan una clase de forecast en los que la información sobre el futuro es imperfecta. Tienes una idea de los futuros probables, aquellos que tienen una posibilidad de ocurrir, frente a aquellos que no la tienen. Típicamente, cuando la gente piensa en forecast, los considera definitivos, como, “Este equipo va a ganar”. Pero la cuestión es que no se sabe con certeza; es solo una cierta probabilidad de que este equipo gane. Un forecast más preciso es tener en realidad esta lista corta de equipos que son muy fuertes y que colectivamente tienen una probabilidad muy alta de ganar. No resulta tan satisfactorio como conocer al ganador, pero nadie puede saberlo debido a la incertidumbre en juego. El forecast probabilístico consiste en hacer una afirmación sobre el futuro que involucra probabilidades. Abraza precisamente la noción de que no se sabe todo sobre el futuro y no se pretende saberlo.
Kieran Chandler: Entonces, ¿cuál es el principal beneficio de esto en comparación con las técnicas tradicionales de forecast?
Joannes Vermorel: El principal beneficio es que los forecast probabilísticos te ofrecen una perspectiva para abordar todas las asimetrías que existen en supply chain. Lo que quiero decir con asimetrías es que el costo de sobreestimar o subestimar la demanda no es simétrico. Por ejemplo, tomemos el sector aeroespacial. Si sobreestimas tu demanda, podrías tener un tornillo en stock que nunca usas. Pero si subestimas tu necesidad de tornillos, podrías tener una aeronave en tierra simplemente por faltar un tornillo, lo que podría costarte cientos de miles en el desvío de pasajeros y retrasos.
Kieran Chandler: Entonces, si hablamos de estos extremos, básicamente son límites, ¿verdad? ¿Cómo podemos establecer dónde están estos límites?
Los límites pueden ser esquivos; es una cuestión de probabilidad. Por ejemplo, si generalmente en una tienda tienes una demanda de, digamos, cinco unidades al día para un producto determinado, entonces podrías tener un 5% de probabilidad de observar que se demandan diez unidades en un día cualquiera, un 1% de probabilidad de que se pidan 20 unidades, y una probabilidad casi nula de que se pidan, por ejemplo, 50 unidades en un día cualquiera. Así que, no existe un límite definitivo, es un continuo de eventos que se vuelven cada vez más raros, y se pueden evaluar sus probabilidades. Sin embargo, en este continuo, ¿estás diciendo que predices cada posibilidad? Claro que hay que trazar una línea en algún punto. No se puede saber exactamente qué ocurrirá mañana. Por ejemplo, si te están entregando productos, existe la probabilidad de que el barco en el que vienen se hunda. ¿Realmente se puede usar cada futuro posible?
Joannes Vermorel: Hay un límite a lo que podemos evaluar debido a los recursos computacionales. Sí, tenemos computadoras con mucha memoria y poder de procesamiento, pero debemos restringir el número de características que evaluamos a un número finito. Sin embargo, las computadoras cuentan con recursos de cálculo tremendos. Así que, incluso si el número de futuros que pueden evaluar es finito, puede seguir siendo extremadamente grande. Por ejemplo, para un producto que generalmente solo vende unas pocas unidades al día, aún se puede evaluar de manera accesible la probabilidad de vender mil unidades, incluso si es una posibilidad remota de una en un millón. Del mismo modo, para el riesgo de que un barco se hunda, puede ser una posibilidad de una en un millón, pero una computadora puede realizar miles de millones de cálculos por segundo.
Joannes Vermorel: Si bien puede que no consideremos el riesgo de que un barco se hunda, sí podemos evaluar el riesgo de que un barco sea retenido indefinidamente en aduanas. Eso puede suceder, y puede causar un retraso de tres meses debido a problemas con el proceso aduanero. Dicho retraso sería casi equivalente a que el barco se hunda, en lo que respecta a tu envío. Por ejemplo, si esperas trajes de baño, la temporada habrá terminado para cuando los recibas. Será invierno, y tu producto sería inútil.
Kieran Chandler: Sí, un barco en el fondo del océano es, de hecho, un ejemplo extremo. Hablemos sobre los modelos matemáticos que mencionaste. ¿Cómo sabemos cuál es el mejor para usar? Según tengo entendido, existen diferentes forecast y diferentes técnicas de forecasting dependiendo del modelo matemático que utilicemos.
Joannes Vermorel: Primero, necesitas un modelo matemático que genere distribuciones de probabilidad, lo cual es muy diferente de los modelos que podrías utilizar en Excel. Cuando la gente piensa en forecasting, típicamente imagina algún tipo de promedio móvil. Consideran cuál fue la demanda la semana pasada o el año pasado, promedian el periodo de tiempo relevante, y eso les da un forecast. No es un mal método, pero produce una estimación puntual.
Cuando quieres pasar al mundo probabilístico, necesitas algo que genere una distribución de probabilidades. Tienes a tu disposición una variedad de modelos matemáticos. El más famoso es el modelo de Poisson, o si quieres ser realmente elegante, puedes echar un vistazo a los modelos binomiales negativos. Estas son diferentes clases de modelos paramétricos, pero también puedes tener modelos no paramétricos.
Kieran Chandler: Entiendo que el uso de un modelo matemático más sofisticado puede generar probabilidades que ayuden a predecir la demanda. Sin embargo, esto no parece ser el final del proceso. Pase lo que pase, tu modelo siempre puede decir “te lo dije”. Si predice 10 unidades de demanda y observamos 10 unidades, el modelo tiene razón. Si observamos 100 unidades, el modelo aún dice que había una probabilidad de que esto sucediera. Entonces, ¿cómo sabemos si un modelo es bueno o no?
Joannes Vermorel: Tienes razón. Por eso necesitamos mejores métricas, métricas adecuadas para forecast probabilísticos. Si tu modelo asigna una alta probabilidad a un evento que efectivamente ocurre, entonces tu modelo está funcionando bien. Por ejemplo, si predigo que Italia tiene un 80% de probabilidad de ganar la Copa del Mundo y no lo logran, el modelo fue inexacto. Sin embargo, si digo que Italia tiene un 5% de probabilidad y no ganan, entonces el modelo fue razonablemente preciso. Estas métricas miden cuánto peso, en términos de probabilidad, estás asignando a las cosas que realmente suceden.
Kieran Chandler: Es interesante que menciones la precisión. ¿Cómo se compara la precisión de un forecast probabilístico con la de un forecast clásico? Parece que están midiendo cosas muy diferentes.
Joannes Vermorel: De hecho, sí. Un forecast probabilístico no es, por diseño, más preciso que un forecast clásico. Sin embargo, una distribución de probabilidades se puede reducir a un forecast clásico tomando el promedio. El problema con esto es que se pierde toda la información sobre las colas – los eventos en los que la demanda podría ser sorprendentemente alta o baja. Puedes medir la precisión de un forecast probabilístico con una métrica tradicional como el error porcentual absoluto medio, pero realmente no tiene sentido. El objetivo es capturar más información sobre eventos sorprendentes. Quieres que tu forecast sea preciso donde realmente importa financieramente. En gestión de supply chain, esta no es siempre la situación promedio.
Kieran Chandler: Entonces, en esencia, ¿el beneficio del forecast probabilístico es que te permite ver un panorama más amplio y producir forecast más ricos?
Joannes Vermorel: Sí, exactamente. Te da más dimensiones, más profundidad para entender el futuro.
Kieran Chandler: Pero a pesar de esto, muchos en la industria siguen usando técnicas de forecasting tradicionales. ¿Por qué la gente sigue contenta utilizando estos métodos?
Joannes Vermorel: No diría necesariamente que se sientan contentos de usar estas técnicas. La realidad es que la mayoría de las supply chains aún dependen fuertemente de herramientas como Excel, las cuales no están diseñadas de manera conveniente para producir forecast probabilísticos.
Kieran Chandler: Forecasts, quiero decir, es posible producir algún forecast poético, pero está lejos de ser tan conveniente. Producir un forecast clásico se basa simplemente en construir una especie de receta de promedio móvil y con eso basta. Sin embargo, cuando deseas moverte hacia el mundo probabilístico, debes renunciar a Excel. No solo tienes que dejar de generar el forecast en Excel, sino que también debes dejar de tomar las decisiones en Excel. ¿Por qué es esto?
Joannes Vermorel: Tu decisión será una exploración de todos los futuros posibles. Vas a evaluar todas las posibles decisiones y reflejarlas frente a todos los futuros posibles para evaluar el resultado económico de cada decisión individual. De esta manera, puedes seleccionar directamente la mejor decisión basada en todos los resultados posibles. De repente, ves que tienes una gran cantidad de variables a considerar y un gran número de decisiones que evaluar frente a futuros aún mayores. Se vuelve computacionalmente mucho más intensivo y fundamentalmente incompatible con Excel.
Kieran Chandler: Entonces, si entiendo correctamente, la razón por la que la gente no lo hace es principalmente porque carecen de las herramientas necesarias. Se inclinan hacia Excel no porque lo prefieran, sino porque ERP falló en entregar el tipo de análisis de riesgo sofisticado que necesitan para tomar las decisiones correctas para su supply chain. Entonces, si hablamos de esas industrias, ¿en qué industrias funciona mejor el forecast probabilístico? ¿Dónde estás viendo los mejores resultados para un forecast probabilístico?
Joannes Vermorel: Los forecast probabilísticos realmente brillan cuando hay incertidumbre. Por ejemplo, si deseas producir forecasts de consumo eléctrico a escala nacional, puedes hacerlo con un alto grado de precisión. Puedes obtener un forecast con una precisión de, digamos, 0.5% si quieres forecast el consumo eléctrico de Francia por franja horaria de una hora, probablemente hasta con 48 horas de antelación. Esta es una situación en la que casi conoces el futuro a la perfección. Lo mismo ocurre si quieres forecast cuánto tráfico tendrás en las carreteras, puedes obtener forecasts muy precisos ya que es altamente predecible. Pero si te mueves hacia ámbitos donde la incertidumbre es mayor, es allí donde los forecast probabilísticos se vuelven más valiosos.
Kieran Chandler: ¿Puedes dar algunos ejemplos de esos ámbitos?
Joannes Vermorel: Absolutamente. Industrias como la moda, donde las tendencias son altamente erráticas, son buenos ejemplos. La moda tiene mucha incertidumbre irreducible. La aeroespacial y el mantenimiento en general también presentan un gran grado de incertidumbre, no porque las aeronaves sean inciertas, sino porque tienes muchas piezas que rara vez se necesitan. No sabes cuándo vas a necesitar una pieza, y tienes tantos repuestos y aeronaves que no es como vender botellas de leche en un mercado abierto donde vendes cientos de unidades cada día. Es mucho más errático.
Ecommerce en general es otro ejemplo. La larga cola de productos es, en realidad, super larga y la mayoría de tus ventas provienen de productos que tienen ventas intermitentes y erráticas. Y no olvidemos todo lo que sucede en el punto de venta y a nivel de tienda. Incluso si observas lo que ocurre en una tienda, incluso en un hipermercado que puede tener hasta cien mil referencias, solo tienes, en Europa por ejemplo, algo como 2,000 productos en los que vas a vender cinco unidades o más cada día. El resto de los productos se venderá menos de cinco unidades al día. Así que, son números pequeños, y la naturaleza errática es considerable. Los forecast probabilísticos brillan aquí porque te ofrecen una visión de los riesgos que tienes para las decisiones de inventario que tomas.
Kieran Chandler: Entonces, en resumen, ¿los forecast probabilísticos brillan en áreas donde hay un alto nivel de incertidumbre?
Joannes Vermorel: Eso es correcto.
Kieran Chandler: En cualquier caso, cuando tienes mucha incertidumbre y necesitas optimizar tus decisiones teniendo en cuenta todas las formas en que, en un extremo del espectro, la demanda puede ser sorprendentemente baja y, en el otro, sorprendentemente alta. Bien, hemos hablado mucho sobre los beneficios del forecast probabilístico. Hemos hablado sobre dónde funciona bien. Pero, ¿qué hay de aquellas industrias en las que no es tan apropiado utilizarlo? ¿Existen industrias en las que, en realidad, el forecast clásico es suficiente?
Joannes Vermorel: Sí, por ejemplo, si estás produciendo cemento y tienes clientes que te proporcionan un backlog de pedidos para los próximos tres años, entonces no necesitas forecasts. Si conoces el futuro, también puede suceder en algunas líneas de producción en la industria automotriz. Cuando sabes, con 12 meses de antelación, exactamente lo que vas a producir porque es un gran fabricante de automóviles que te da una hoja de ruta muy precisa y que solo puede desviarse un máximo del cinco por ciento. Si no queda incertidumbre residual sobre tus planes y se trata simplemente de ejecución pura, entonces, en efecto, el forecast probabilístico no te va a ayudar. El forecast probabilístico solo te ayudará si existe algún tipo de erraticidad. Si no puedes conocer el futuro a la perfección, si ya tienes tu hoja de ruta congelada para los próximos 12 meses, básicamente, no te importa el forecast probabilístico.
Kieran Chandler: Bien, ¿y por qué es que las empresas están empezando a usar forecasts probabilísticos ahora? Quiero decir, no es una tecnología especialmente nueva, ¿verdad? Entonces, ¿por qué es ahora el momento en que están comenzando a verse utilizados en la industria de manera un poco más común?
Joannes Vermorel: Probablemente hay varias razones. Primero, es mucho más intensivo computacionalmente, por lo que terminas con modelos estadísticos que consumen entre 100 y 1,000 veces más poder de procesamiento. La buena noticia es que el poder de procesamiento nunca ha sido tan barato, por lo que rara vez es el cuello de botella. Pero aun así, significa que hace una década, la mayoría de estos cálculos de probabilidad eran dramáticamente costosos. Es muy diferente poder operar tu supply chain con un presupuesto de 2,000 euros al mes para poder de procesamiento, o dos millones de euros al mes para poder de procesamiento. Hace una gran diferencia en la práctica. Eso es lo que significan tres órdenes de magnitud en términos de costo. Así que, claramente, el hecho de que el poder de procesamiento sea mucho más barato ha ayudado mucho a hacer estos métodos mucho más prácticos. La segunda razón es que existe una clase completa de métodos estadísticos conocidos como deep learning, que es de donde proviene este término de moda inteligencia artificial. Todo se trata de deep learning, y deep learning se basa en el forecast probabilístico en el fondo. Puede que no te importe o que no entiendas las tecnicidades, quizá solo disfrutes del hecho de tener un pedazo de software que haga reconocimiento de voz por ti, pero en realidad está impulsado por cálculos probabilísticos tras bambalinas. Primero, tuvimos más poder de procesamiento, luego tuvimos teorías matemáticas como deep learning que se destacaron en los benchmarks de IA. Por ejemplo, cuando la IA logró superar a jugadores como el campeón mundial en Go, se utilizó un método probabilístico, no uno combinatorio.
Kieran Chandler: Bien, parece que el forecast probabilístico es muy algo del presente, pero ¿qué hay del futuro? Quiero decir, ¿cómo ves los próximos pasos para el forecast probabilístico? ¿Puedes verlo perdurando por mucho tiempo, o cómo lo ves?
Joannes Vermorel: Sí, quiero decir, creo que el gato ya salió de la caja y no volverá. Probablemente no revertiremos al forecast clásico de nuevo. Una vez que tienes un forecast probabilístico, sabes mucho más sobre el futuro, por lo que sería muy extraño volver a un enfoque que fundamentalmente te brindaba mucho menos información.
Kieran Chandler: Menos información sobre el futuro ahora, incluso si dices que queremos explorar todos los futuros posibles. En la práctica, no exploramos todas las posibilidades. Por ejemplo, podemos decir: tengo una probabilidad de vender cero, una unidad, dos unidades, tres unidades de este producto y puedo hacer un análisis similar para otro producto. Pero, ¿qué hay de la probabilidad conjunta para esos dos productos juntos?
Joannes Vermorel: De hecho. De repente, tengo que estimar tal vez cien escenarios para considerar toda la demanda de mi producto A. Tengo que evaluar cien escenarios para toda la demanda del producto B. Pero, ¿qué hay de analizar todos los escenarios para el producto A y B juntos? Eso equivale a unos diez mil escenarios por mirar. Y si añado un tercer producto con cien escenarios, serían un millón de escenarios por evaluar. La situación se vuelve rápidamente más complicada si quieres expresar todas las probabilidades explícitamente. Creo que lo que veremos cada vez más en el futuro son métodos que ni siquiera intentan expresar esas probabilidades. Ni siquiera tratas de calcular todas las posibilidades para todas las cosas que pueden suceder. Cuentas con métodos que, en realidad, realizan esos cálculos sin declarar explícitamente las probabilidades. De eso se trata deep learning y las técnicas de IA. Calculan probabilidades, pero no expresando todo como una probabilidad. La gran ventaja es que puedes explorar escenarios sobre el futuro que son extremadamente complicados, y muy por encima de la capacidad de cualquier ordenador razonable, o incluso de una flota de ordenadores.
Puedes aún explorar todas esas variables con trucos matemáticos inteligentes. La esencia de deep learning es que no explorarás el futuro de manera aleatoria. Quieres acercarte a los futuros que son más probablemente relevantes para el forecast. Es decir, quieres centrarte en las áreas que son relativamente densas, donde hay una mayor probabilidad de que se trate de un futuro de interés, en lugar de intentar explorar todo de manera aleatoria.
Este enfoque desbloqueará toneladas de escenarios. Por ejemplo, una de las cosas que intentaremos explorar, probablemente este año, será no solo analizar todos los posibles niveles de demanda para los productos, sino también examinar todos los posibles horizontes temporales. Quieres un forecast para la demanda que pueda comenzar en cualquier punto del tiempo y terminar en cualquier otro, ambos de manera aleatoria.
Esta es una forma, por ejemplo, de reflejar un escenario en el que tienes un envío que llega a través de un barco y existe incertidumbre. No sabes exactamente cuándo el producto dejará de estar disponible para la venta en tu tienda, ya sea online o offline, y quieres tener en cuenta esa incertidumbre al hacer tus planes de inventario.
Debes tener en cuenta el hecho de que existe incertidumbre sobre cuándo se recibirán las mercancías y cuándo la demanda realmente comenzará y terminará. Si deseas mirar aún más lejos, sería muy interesante empezar a explorar escenarios de what-if.
Como parte de nuestra hoja de ruta a largo plazo, incluso planeamos empezar a explorar cuáles son todos los futuros posibles si consideras todos los ajustes de precios que puedes hacer en tus productos. Quieres ver cuáles son todos los futuros posibles para la demanda si dejas tus precios tal como están y qué pasaría si comienzas a explorar todas las posibilidades para todos los ajustes de precios que puedes realizar adicionalmente.
Cuando empiezas a pensar en todos esos futuros posibles, los números se vuelven extremadamente grandes. La clave es que no quieres intentar iterar individualmente sobre todos esos futuros. Quieres contar con algún tipo de técnicas matemáticas que te permitan explorar muchos de ellos sin tratar de enumerarlos.
Kieran Chandler: Bueno, parece que hay tantas posibilidades. Me alegra que se lo hayan dejado a las computadoras porque, de lo contrario, probablemente mi cerebro explotaría. Pero tendremos que dejarlo para hoy. Gracias por tomarte el tiempo para contarnos todo sobre forecast probabilístico. Ha sido realmente interesante. Gracias. Eso es todo por el episodio de hoy. Volveremos la próxima semana, pero hasta entonces, asegúrate de estar suscrito a nuestros videos y nos veremos de nuevo pronto. Adiós por ahora.
