00:00:03 Significado de los datos históricos en la tecnología de Lokad.
00:01:40 Profundidad del historial para la optimización de la cadena de suministro.
00:04:24 Conjuntos de datos clave: catálogo, pedidos, ventas, stock actual.
00:04:56 El papel de los datos del catálogo en el pronóstico, la estacionalidad.
00:07:06 Importancia de los datos completos del historial de ventas.
00:08:42 Seguimiento de las sutilezas del ciclo de ventas del producto.
00:11:16 Historial de órdenes de compra en la predicción de precios.
00:13:53 Margen de beneficio, riesgos de inventario, dificultades de pronóstico.
00:14:32 Registro preciso de fechas de pedido, entregas, impacto del control de calidad.
00:16:01 Control de calidad en los envíos de fresas, influencia del pedido.
00:16:55 Comprensión de la importancia de los niveles de stock actuales.
00:17:36 Los niveles teóricos de stock pueden causar inexactitudes.
00:18:39 Importancia de los “faltantes de stock” y los niveles de stock históricos.
00:20:59 Conjuntos de datos secundarios: actividad promocional.
00:22:00 Impacto de las actividades promocionales en las tendencias de ventas.
00:23:13 Error común: elección de un sistema ERP complejo.
00:24:39 Error dos: brechas en el registro de datos de pedidos.
00:25:35 Error tres: descuido de las instantáneas de los niveles de stock.
00:26:30 Importancia del registro preciso de datos.
Resumen
En una entrevista con el presentador Kieran Chandler, Joannes Vermorel, el fundador de Lokad, describe las complejidades de la optimización de la cadena de suministro. Destaca la importancia de la profundidad y el detalle histórico de los datos, un desafío con el que muchas empresas luchan. Vermorel sugiere que se necesita diez veces el valor de los tiempos de entrega en datos históricos para pronósticos precisos. Él enfatiza la necesidad de cuatro conjuntos de datos clave: catálogo, historial de órdenes de compra, historial de ventas, y niveles de stock actuales. Según él, estos conjuntos de datos ayudan a revelar patrones, optimizar pronósticos y gestionar los niveles de stock de manera efectiva. Finalmente, Vermorel identifica errores comunes cometidos por los clientes, como optar por sistemas ERP difíciles y no registrar órdenes de compra ni niveles de stock históricos.
Resumen Extendido
En la entrevista, Kieran Chandler, el presentador, mantiene una conversación con Joannes Vermorel, el fundador de Lokad, una empresa especializada en la optimización de la cadena de suministro. Discuten la naturaleza compleja de los requisitos de datos para la tecnología de Lokad y los desafíos que enfrentan los clientes al tratar de adaptarse a estos requisitos.
Vermorel explica que el desafío principal es la profundidad histórica y el detalle de los datos necesarios para la optimización de la Supply Chain Quantitativa. Mientras que el estado actual de una empresa es relativamente fácil de comprender, comprender la historia de la empresa requiere analizar un conjunto de datos más extenso. Muchas empresas encuentran dificultades al intentar recopilar los datos relevantes para esto, especialmente si anteriormente no se han concentrado en esos detalles.
La cantidad de historia necesaria, sugiere Vermorel, varía según el tipo de negocio. Un historial de datos de menos de un año dificulta que Lokad detecte cualquier estacionalidad, y esto sería válido para cualquier método estadístico. Comienza a funcionar de manera efectiva con tres años de datos. Sin embargo, la cantidad de datos históricos también depende de los tiempos de entrega de una empresa. Una empresa con tiempos de entrega cortos puede funcionar con menos datos, mientras que aquellas con tiempos de entrega más largos requieren una mayor profundidad. Como guía general, se sugiere diez veces el valor del historial de los tiempos de entrega aplicables para una previsión precisa.
Vermorel enfatiza que no hay magia en la previsión: sin los datos adecuados, ni las previsiones estadísticas ni las manuales serán precisas.
La conversación luego se centra en los cuatro conjuntos de datos principales que Lokad utiliza: el catálogo, el historial de órdenes de compra, el historial de ventas y una instantánea de los niveles de stock actuales. Vermorel destaca la importancia del catálogo, que permite que su tecnología de pronóstico aproveche la relación entre los productos para refinar el pronóstico de cada uno. Esto resulta particularmente beneficioso al pronosticar nuevos productos, que no tienen historial de ventas. Los atributos que describen el producto, como categorías de productos, tamaños y colores, se pueden utilizar para deducir patrones estacionales basados en productos similares.
Vermorel afirma que el historial de ventas es esencial, pero es fundamental verificar su integridad. Un historial de ventas incompleto puede ocurrir debido a la falta de datos de ventas de productos que ya no se venden. En este punto, la conversación se interrumpe, con Vermorel prometiendo proporcionar más información sobre la importancia del historial de ventas.
Vermorel comienza destacando la necesidad de un historial de ventas completo, que incluya detalles sobre productos que ya no se venden. Esto se debe a que, en ciertos casos, estos productos se eliminan del catálogo, lo que resulta en datos de historial de ventas sesgados. También menciona la diferencia entre ventas y demanda, afirmando que las ventas no siempre reflejan la demanda real debido a diversos factores. Por ejemplo, la tasa de ventas inmediatamente después del lanzamiento de un producto puede proporcionar una estimación de la demanda futura.
Luego, Vermorel habla sobre la importancia de registrar con precisión las fechas de inicio y finalización de las ventas de productos. Estos datos pueden revelar patrones en el comportamiento del consumidor, como cambios repentinos a nuevos productos o la interrupción abrupta de las ventas debido a la eliminación de un producto del catálogo en línea. También es importante realizar un seguimiento del historial de ventas en diferentes canales, como tiendas físicas y diferentes plataformas en línea.
La conversación se centra en el historial de órdenes de compra. Vermorel explica que es beneficioso observar cuánto se ha pagado por diversos artículos de stock a lo largo del tiempo. Sin embargo, señala que predecir los precios futuros es complicado debido a factores como las fluctuaciones de las divisas. Aunque estas fluctuaciones pueden influir en los márgenes y las decisiones de inventario, Vermorel afirma que pronosticar estos cambios no es el enfoque principal de Lokad.
Vermorel también enfatiza la importancia de comprender las fechas asociadas con las órdenes de compra y las entregas. Estas fechas brindan información sobre los tiempos de entrega, que son fundamentales para la optimización de la cadena de suministro. Los tiempos de entrega pueden variar estacionalmente o debido a eventos como el Año Nuevo Chino. Añade que es esencial documentar cualquier discrepancia.
entre las cantidades ordenadas y entregadas, ya que esto puede afectar los pedidos futuros, especialmente cuando una fracción de los productos no pasa el control de calidad.
Vermorel destaca la necesidad de tener una instantánea actual de los niveles de stock. Reconoce que en teoría, estos niveles podrían reconstruirse a partir de los historiales de ventas y órdenes de compra, pero a menudo surgen inexactitudes en el inventario. Estas inexactitudes pueden acumularse con el tiempo, lo que lleva a discrepancias significativas. Por lo tanto, mantener instantáneas y controles regulares del inventario es crucial para una gestión efectiva de la cadena de suministro.
Vermorel está discutiendo la importancia de comprender los niveles de stock actuales e históricos. El nivel de stock informa sobre la necesidad de reordenar, pero también ofrece información sobre el historial de ventas. Por ejemplo, los desabastecimientos, situaciones en las que la demanda no pudo ser satisfecha debido a un stock insuficiente, no deben interpretarse como falta de demanda. En realidad, la demanda no satisfecha debido a los desabastecimientos sigue siendo demanda, aunque no observada. Los niveles de stock históricos, por lo tanto, ayudan a determinar la frecuencia e impacto de los desabastecimientos. Vermorel también considera una comprensión más matizada de los desabastecimientos, donde no siempre se trata de tener cero unidades en stock. En ciertos casos, si los clientes requieren una cantidad específica de un producto, no tener suficiente para satisfacer esa cantidad también podría considerarse un desabastecimiento.
La conversación se centra en la importancia de los conjuntos de datos secundarios. Vermorel indica que las actividades promocionales son un conjunto de datos crucial a considerar, no solo en términos de precios, sino también en cuanto a los productos que se promocionan a través de diversos canales. Estos datos pueden explicar los picos en el historial de ventas. Por ejemplo, un pico podría deberse a una promoción o a un aumento genuino en la demanda. Comprender esta distinción ayuda a pronosticar la demanda futura.
Vermorel también menciona errores comunes cometidos por los clientes. El primero es seleccionar un sistema ERP del cual es difícil extraer datos. Esta elección puede llevar a una lucha significativa en la extracción de datos, incluso si el sistema es local. El segundo error es no registrar las órdenes de compra. Si bien las pequeñas empresas pueden gestionar sus pedidos con hojas de cálculo, este enfoque se vuelve problemático al intentar analizar los tiempos de entrega. El tercer error es no registrar los niveles de stock históricos. Dado el bajo costo de almacenamiento, Vermorel argumenta que no hay excusa para no mantener estos datos.
Transcripción completa
Kieran Chandler: Hoy en Lokad TV, vamos a investigar la profundidad exacta de los datos que se requiere para trabajar con nosotros y también comprender algunas de las deficiencias reales que algunos de nuestros clientes han enfrentado. Entonces, Joannes, ¿por qué los clientes no pueden trabajar con la tecnología de Lokad?
Joannes Vermorel: Uno de los mayores desafíos que enfrentan los clientes es, de hecho, los datos. En la práctica, no debería ser así, pero generalmente lo es. La clave es que los datos que necesitas para operar tu empresa no son los mismos que necesitas para la optimización cuantitativa de la cadena de suministro. Para esto último, necesitas tener todo el historial de tu empresa. No hace falta remontarse dos décadas, pero definitivamente necesitas una cierta profundidad y un cierto nivel de detalle en tu historial. Muchas empresas que no han tenido éxito en la implementación de un sistema así en el pasado, o donde ni siquiera se ha intentado, no han prestado necesariamente atención a todos los detalles para tener todos los datos relevantes. Por lo tanto, podrían enfrentar complicaciones cuando se trata de recopilar todos los datos relevantes para obtener resultados realmente relevantes.
Kieran Chandler: Hablamos sobre la profundidad del historial. ¿Cuál es el período mínimo de profundidad del historial que deberías tener?
Joannes Vermorel: La profundidad del historial depende del tipo de datos y del tipo de negocio que tengas. Como regla general, si tienes menos de un año, es muy difícil para Lokad capturar cualquier estacionalidad. Esto sería cierto para cualquier método estadístico. Si tienes menos de un año, no has observado la estacionalidad de la empresa. Para comenzar a analizar la estacionalidad con cierto grado de precisión, necesitas alrededor de 18 meses. Comenzará a funcionar correctamente con dos años y funcionará muy bien con tres años. Pero la cantidad de profundidad del historial que necesitas también depende de tus tiempos de entrega. Si tu tiempo de entrega es de un día, puedes trabajar perfectamente con solo dos meses de historial porque no te importa tanto la estacionalidad. Pero si tus tiempos de entrega son de cuatro meses en el futuro, entonces se vuelve mucho más importante capturar esta estacionalidad. Entonces, si quieres algo que funcione bien, necesitarías tener al menos probablemente algo así como 10 veces el valor de tus tiempos de entrega aplicables en historial.
Kieran Chandler: Ahora hablemos de los propios datos. En Lokad, trabajamos con cuatro conjuntos de datos clave, ¿verdad? Los conjuntos de datos clave son el catálogo, el historial de órdenes de compra, el historial de ventas y también una instantánea de los niveles de stock actuales. Veamos estos en un poco más de detalle. Si comenzamos con el catálogo en sí, ¿por qué es de interés? Quiero decir, seguramente nuestros clientes tienen una buena comprensión de lo que están vendiendo y los detalles exactos sobre eso. ¿Qué más se puede decir sobre este catálogo?
Joannes Vermorel: El catálogo es de suma importancia. Es una parte muy significativa de los datos.
Kieran Chandler: Estamos discutiendo la tecnología de pronóstico de Lokad y cómo aprovecha la relación entre los productos para refinar el pronóstico de cada producto individual. ¿Puedes ampliar sobre esto?
Joannes Vermorel: Absolutamente, por ejemplo, al pronosticar nuevos productos, no tenemos ningún historial de ventas en qué basarnos. Por lo tanto, nos basamos en los atributos que describen los productos. Utilizamos estas técnicas de manera extensiva para productos que ya han sido lanzados.
Kieran Chandler: ¿Puedes darnos un ejemplo?
Joannes Vermorel: Claro, tomemos un producto que se ha vendido durante tres meses. ¿Podemos aplicar un patrón estacional a la demanda proyectada de este producto? La respuesta es que si solo te fijas en el historial de este producto, no puedes porque solo tienes tres meses de datos. Sin embargo, si tu negocio ha estado funcionando durante años, puedes analizar productos comparables y detectar su estacionalidad. Entonces, con solo tres meses de historial más los atributos de los productos, podemos inferir la estacionalidad aplicable para este producto.
Kieran Chandler: Entonces, el catálogo, con cosas como categorías de productos, atributos de productos como tamaño y color, es muy importante, ¿verdad?
Joannes Vermorel: Sí, absolutamente. El catálogo es esencial. También procesamos la etiqueta de texto plano si está presente, lo cual puede ayudar en dominios donde el catálogo en sí está mal estructurado. El objetivo es ampliar estos atributos para que podamos operar todas estas correlaciones y refinar el pronóstico para cada producto individual, incluso si la información que tenemos sobre este producto es limitada.
Kieran Chandler: Hablemos sobre el historial de ventas. Desde una perspectiva de pronóstico, supongo que el historial de ventas es lo más importante para tener en cuenta. ¿Qué tipo de información nos interesa además de eso?
Joannes Vermorel: Lo primero es asegurarse de que tu historial de ventas esté completo. Puede estar incompleto de formas sutiles. Por ejemplo, si no tienes datos de ventas de productos que ya no vendes o si no tienes la información del producto asociada con esos datos de ventas. Para tener un historial de ventas completo en los últimos tres años, necesitas tener todas las ventas que ocurrieron en ese momento, incluyendo productos que ya no estás vendiendo.
Kieran Chandler: Entonces, ¿los productos antiguos que ya no se venden pueden distorsionar los datos?
Joannes Vermorel: Exactamente, a veces vemos configuraciones donde los productos que ya no se venden se eliminan del catálogo y del historial de ventas. Esto resulta en un historial de ventas sesgado donde los datos de productos que ya no se venden no están fácilmente disponibles. Otro aspecto sutil del historial de ventas es recordar cuándo comenzaste a vender un producto. Las ventas no son lo mismo que la demanda. Hay sesgos como, si comienzas a vender un producto y no tienes demanda durante un mes, luego finalmente vendes una unidad, es diferente de vender un producto el mismo día en que se publica en línea.
Kieran Chandler: ¿Puedes dar más información al respecto?
Joannes Vermorel: Claro, si pones un producto en línea y vendes una unidad el mismo día, sugiere que terminarás vendiendo un producto por día. Sin embargo, si pones un producto en línea y tienes que esperar un mes para vender tu primera unidad, sugiere que venderás alrededor de una unidad al mes. Por lo tanto, entender cuándo comenzaste a vender un producto también es crucial.
Kieran Chandler: ¿Puede un motor estadístico marcar la diferencia? El motor de pronóstico solo puede marcar la diferencia entre dos situaciones si has registrado correctamente la fecha en que realmente comenzó la demanda y la fecha de finalización cuando dejaste de vender el producto.
Joannes Vermorel: Absolutamente. Pero también es importante saber por qué dejó de venderse un producto. ¿Dejó de venderse repentinamente debido a la entrada de un nuevo producto mejor en el mercado, lo que desencadenó un cambio repentino en el comportamiento del consumidor? ¿O dejó de venderse porque lo eliminaste de tu catálogo en línea o de la estantería de la tienda?
Lo mismo, necesitas tener un registro adecuado de las fechas de finalización. También puede haber otros factores si tienes un producto que está en el mercado y luego se retira, o si un producto se vende pero no en todos tus canales. Por ejemplo, si vendes en tiendas físicas, en línea o tal vez a través de un canal B2B, necesitas registrar el historial de lo que influenciaba la demanda, como qué canales estaban disponibles en cualquier momento.
Kieran Chandler: Pasemos ahora a la historia de la orden de compra. Supongo que lo bueno de mirar la historia de la orden de compra es que puedes ver cuánto has pagado por varios artículos de stock. Entonces, supongo que lo usamos para pronosticar cuál será el precio probable que pagaremos por un artículo en el futuro. ¿Es correcto?
Joannes Vermorel: Depende. Porque el precio probable depende del proveedor. Para la mayoría de los sectores, el precio que pagas a los proveedores es relativamente estable. Sin embargo, puede haber sorpresas, típicamente debido a las fluctuaciones de la moneda. Por ejemplo, puedes terminar con una cotización en yuanes mientras estás vendiendo cosas en dólares. Si hay una fluctuación del 15% en los tipos de cambio de divisas, puedes tener una sorpresa donde las cosas sean significativamente más baratas o más caras.
Kieran Chandler: ¿Es algo que podemos incluir en el pronóstico, ese tipo de fluctuación de la moneda?
Joannes Vermorel: Depende de lo que quieras pronosticar. Las fluctuaciones de la moneda tendrán un impacto, pero no directamente en tu pronóstico de demanda. Tendrá más impacto en cómo optimizas tus decisiones sobre el pronóstico.
Por ejemplo, si tu margen para un determinado producto es mayor o menor, no asumirías tanto riesgo de inventario en él. Si tienes un artículo que tiene un margen masivo, es literalmente un crimen tener un faltante de stock. En un caso extremo, si tienes un margen del 95 por ciento, vender una unidad paga el exceso de stock de otras veinte unidades. Por lo tanto, quieres tener un exceso de stock si tienes artículos que se venden constantemente con un margen tan alto.
Por otro lado, si tienes un margen del 5 por ciento, debes tener mucho cuidado con la cantidad que tienes en stock. Si tienes un poco de exceso de stock, necesitarás una gran cantidad de ventas para compensar el dinero que está congelado en la unidad adicional en stock. Si terminas haciendo una cancelación de inventario, será muy costoso.
En general, normalmente no pronosticamos márgenes futuros porque depende de tantos factores. Podemos hacerlo, pero típicamente no es lo principal porque nadie puede pronosticar realmente las fluctuaciones de la moneda. Las únicas personas que pueden hacerlo son aquellas que comercian directamente en el mercado para ganar dinero con el comercio de divisas esperado. Esa no es nuestra especialidad, así que no pretendemos ser mejores que el mercado en el comercio de divisas.
Kieran Chandler: Entonces, alejémonos del comercio. Pero en términos de órdenes de compra, ¿qué más es de interés?
Joannes Vermorel: Por lo general, las fechas involucradas en una orden de compra y entrega son cruciales, ya que proporcionan los tiempos de entrega. Cuando buscamos optimizar las cadenas de suministro, debemos considerar que todas las decisiones dependen, diría yo, del tiempo de entrega. Además, estos tiempos de entrega pueden variar estacionalmente. Por ejemplo, puede haber períodos ocupados para tus proveedores cuando no están tan disponibles. Estos pueden ser estacionales según el calendario occidental, pero también pueden seguir el calendario oriental, como el Año Nuevo Chino, que puede agregar aproximadamente dos semanas a los tiempos de entrega de los productos provenientes de China o Asia en general.
Absolutamente, y también hay que tener en cuenta los faltantes de stock parciales. Por ejemplo, si ordenas cien unidades y tu proveedor entrega ochenta, ¿registras esta información? Si tienes medidas de control de calidad en su lugar y el proveedor entrega cien unidades pero veinte no pasan la verificación de calidad, eso es un factor significativo. Esto es especialmente relevante en el negocio de alimentos frescos, por ejemplo, donde productos como las fresas se dañan fácilmente. Puedes terminar con un 20% de los envíos que recibes que no pasan el control de calidad. Esto se puede anticipar, ya que cada año una cierta fracción de los envíos de fresas no cumplirá con el control de calidad. Entonces, si tu necesidad es de cien unidades, tal vez deberías ordenar ciento veinte porque estadísticamente, sabes de antemano que el 20% no pasará el control de calidad.
Kieran Chandler: Correcto, por lo tanto, las órdenes de compra y el cuidado al anotar las fechas y cantidades donde el proveedor puede cometer errores son muy importantes.
Joannes Vermorel: Sí, y también es este nivel de granularidad en el que realmente estás interesado. Esto me lleva a la última pieza del rompecabezas: la instantánea de los niveles de stock actuales. Ya sabemos cuál fue el historial de compras y también sabemos cuál fue el historial de ventas. Tenemos Supply Chain Scientists inteligentes aquí en Lokad. Entonces, ¿realmente necesitamos esa instantánea actual? ¿No pueden generarla a partir de los otros dos historiales?
Kieran Chandler: En teoría, sí, podrías reconstruir los niveles de stock simplemente sabiendo exactamente cuántas unidades entraron y cuántas unidades salieron. Eso te daría tu nivel de stock teórico en cualquier momento. El desafío es que las inexactitudes en el inventario ocurren de vez en cuando. Si todo lo que haces es rastrear todo el historial para determinar los niveles de stock, esas inexactitudes se acumularían con el tiempo hasta llegar a un punto en el que es muy impreciso.
Joannes Vermorel: Eso es correcto. En la práctica, necesitamos instantáneas y controles de inventario. En primer lugar, necesitamos conocer los niveles de stock actuales, porque si no sabemos lo que tenemos en este momento, no podemos simplemente confiar en la demanda futura proyectada para realizar órdenes de compra. Tenemos que tener en cuenta lo que ya tenemos. Si ya tenemos una montaña de cosas, incluso si proyectamos una demanda muy alta, es posible que no hagamos un nuevo pedido simplemente porque ya tenemos suficiente. Entonces, necesitamos el nivel de stock actual, pero también los niveles de stock pasados. Esto se remonta al historial de ventas. Las ventas no son la demanda. Si hubo un faltante de stock, básicamente no hubo demanda observada durante probablemente días, pero eso no significa que no hubiera demanda, simplemente no pudiste satisfacerla. Por lo tanto, tener el historial de niveles de stock es la forma de conocer tus faltantes de stock históricos, y la situación puede ser un poco complicada.
Las personas quieren comprar, digamos, algo como una manija de puerta. Tienen un apartamento y quieren tener cinco manijas de puerta que se vean exactamente iguales. Si entran a tu tienda y solo encuentran tres que se ven iguales, no van a comprar tres, esperando encontrar dos iguales en otra tienda. Preferirían encontrar cinco que se vean iguales o probar en otra tienda que pueda venderles cinco iguales. Entonces, el faltante de stock no es un concepto binario, donde o tienes exactamente cero unidades y estás sin stock, o estás bien. A veces, las personas buscan cantidades específicas, por lo que tienes un concepto de faltante de stock más matizado. Por eso necesitas hacer un seguimiento de los niveles de stock, y los niveles de stock históricos también pueden ser útiles para detectar automáticamente las inexactitudes de inventario más probables.
Kieran Chandler: Has hablado mucho sobre los conjuntos de datos principales, los conjuntos de datos principales que Lokad requiere. ¿Qué hay de esos conjuntos de datos secundarios? ¿Hay algo que también pueda ser de interés para nosotros allí?
Joannes Vermorel: Sí, el conjunto de datos transaccionales principales es lo que usamos principalmente. El segundo círculo probablemente involucra todo lo relacionado con la actividad promocional. Las promociones, en el sentido más básico de la palabra, tienen como objetivo resaltar o destacar. No se trata solo de precios. También se trata de lo que promocionas en tus diversos canales. Por ejemplo, una empresa de comercio electrónico puede hacer promociones que solo involucren los cinco productos que terminan listados permanentemente en el boletín enviado a toda la base de clientes. Eso es una especie de promoción, incluso si no viene con un descuento de precio. Es un producto que aparece en la página principal de la tienda en línea. Entonces, el segundo círculo abarca todo lo relacionado con las promociones, incluida la publicidad. Este tipo de datos también probablemente incluye todos los datos de tráfico de comercio electrónico que tienen en el sitio web.
Kieran Chandler: Discutamos algunos de los clientes actuales que tiene Lokad. ¿Hay algún error común que hayamos experimentado y del que los futuros clientes podrían aprender?
Joannes Vermorel: Creo que el mayor error número uno es elegir un sistema ERP donde sea extremadamente difícil extraer datos. Eso es una forma de dependencia del proveedor. Hay muchas empresas que eligen un sistema donde, incluso si está en sus instalaciones, tienen un servidor local que hace todo localmente. Piensan que tienen el control porque la máquina está en sus oficinas.
Kieran Chandler: La realidad es que es increíblemente difícil extraer datos porque el sistema no ha sido diseñado adecuadamente para que sea conveniente. Por ejemplo, extraer cualquier cosa de QuickBooks en el mercado estadounidense es un desafío enorme. No quiero faltarle el respeto a Intuit, son una gran empresa, pero extraer datos es simplemente increíblemente difícil.
Joannes Vermorel: De hecho, ese es probablemente el primer error. El segundo error probablemente sea no registrar las brechas de estadísticas, lo que suele suceder con las órdenes de compra. Para una empresa más pequeña, digamos con una facturación de diez millones de dólares, sus órdenes de compra podrían caber en una hoja de cálculo de Excel. Sin embargo, si no tienes un mejor sistema para registrarlas, el día que quieras hacer algún análisis de tiempo de entrega, tendrás problemas porque los datos están dispersos en docenas de hojas de cálculo.
El tercer error podría ser no tomar una instantánea de los niveles de stock. Hoy en día, los discos duros son muy baratos, sin embargo, muchas empresas no registran los niveles de stock históricos. Entonces, cuando decimos que necesitamos la situación de stock pasada o la situación de stock bajo pasada, los datos nunca se han registrado. Esto es lamentable porque estamos hablando de un par de gigabytes de datos que literalmente deberían costar centavos. No hay razón para no registrar estos datos y mantenerlos indefinidamente.
Kieran Chandler: Para concluir, si nuestros oyentes tuvieran que llevarse un punto clave de la discusión de hoy, ¿cuál sería?
Joannes Vermorel: Yo diría, presta atención a tus datos. No es naturalmente muy costoso, pero el mejor momento para comenzar a registrar correctamente todos los datos que necesitas es hoy. En tres años, cuando necesites unos años de historia, si no has comenzado hoy, no lo tendrás. Recopilar y mantener datos organizados correctamente es algo que no puedes retrasar, debe hacerse ahora.
Como gerente de la cadena de suministro, no puedes tomar decisiones correctas sin datos. No puedes optimizar lo que no mides, independientemente de si estás utilizando algo tan sofisticado como Lokad para optimizar tus cadenas de suministro. Esto se aplica no solo a los algoritmos estadísticos que Lokad utiliza, sino también a los humanos. Sin datos, las decisiones que tomes no serán buenas. No puedes adivinar cuántas unidades vas a vender para cientos de miles de productos.
Todo comienza con la elección del software adecuado para operar tu empresa y asegurarte de tener acceso a los datos. De lo contrario, estarás atrapado en la solución del proveedor que has elegido.
Kieran Chandler: Genial. Esa es una idea fundamental para alguien como yo que tiende a posponer las cosas hasta mañana. Eso es todo por esta semana. Volveremos la próxima semana con otro episodio, pero hasta entonces, nos vemos pronto. Hasta luego.
