00:00:03 Significado de los datos históricos en la tecnología de Lokad.
00:01:40 Profundidad histórica para la optimización de supply chain.
00:04:24 Conjuntos de datos clave: catálogo, órdenes, ventas, stock actual.
00:04:56 El rol de los datos del catálogo en el forecast y la estacionalidad.
00:07:06 La importancia de contar con datos completos del historial de ventas.
00:08:42 Seguimiento de los matices 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 en el forecast.
00:14:32 Registro preciso de las fechas de pedidos, entregas, impacto de QC.
00:16:01 QC en los envíos de fresas, influencia en los pedidos.
00:16:55 Comprender la importancia de los niveles actuales de stock.
00:17:36 Los niveles teóricos de stock pueden provocar inexactitudes.
00:18:39 Faltante de stock y la importancia de los niveles históricos de stock.
00:20:59 Conjuntos de datos secundarios: actividad promocional.
00:22:00 El impacto de las actividades promocionales en las tendencias de ventas.
00:23:13 Error común: Elegir un sistema ERP complejo.
00:24:39 Error dos: Brechas en el registro de datos de pedidos.
00:25:35 Error tres: Descuidar las instantáneas de los niveles de stock.
00:26:30 La importancia de registrar los datos con precisión.
Resumen
En una entrevista con el presentador Kieran Chandler, Joannes Vermorel, el fundador de Lokad, expone las complejidades de supply chain optimization. Destaca la importancia de la profundidad histórica y el nivel de detalle de los datos, un desafío con el que muchas empresas lidian. Vermorel sugiere que se necesita un historial equivalente a diez veces los lead times para accurate forecasting. Enfatiza la necesidad de contar con 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 el forecast y gestionar eficazmente los niveles de stock. Finalmente, Vermorel identifica errores comunes cometidos por los clientes, como optar por sistemas ERP difíciles y no registrar las órdenes de compra o los niveles históricos de stock.
Resumen Ampliado
En la entrevista, Kieran Chandler, el presentador, mantiene una conversación con Joannes Vermorel, el fundador de Lokad, una empresa que se especializa en supply chain optimization. Están discutiendo la complejidad de los requisitos de datos para la tecnología de Lokad y los desafíos que enfrentan los clientes al intentar adaptarse a estos requerimientos.
Vermorel explica que el desafío principal es la profundidad histórica y el nivel de detalle de los datos necesarios para la optimización de Supply Chain Quantitativa. Aunque entender el estado actual de una empresa es relativamente sencillo, comprender su historia requiere analizar un conjunto de datos más extenso. Numerosas empresas encuentran dificultades al intentar recopilar los datos relevantes para ello, sobre todo si no se han concentrado previamente en esos detalles.
La extensión del historial necesario, sugiere Vermorel, varía dependiendo del 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. No obstante, la cantidad de datos históricos también depende de los lead times. Una empresa con lead times cortos puede funcionar con menos datos, mientras que aquellas con lead times más largos requieren una mayor profundidad. Como pauta general, se sugiere un historial equivalente a diez veces el valor de los lead times aplicables para accurate forecasting.
Vermorel destaca que no hay magia en el forecast: sin datos adecuados, ni los forecasts estadísticos ni los manuales serán precisos.
La conversación cambia luego hacia los cuatro conjuntos de datos principales que Lokad emplea: el catálogo, el historial de órdenes de compra, el historial de ventas y una instantánea de los niveles actuales de stock. Vermorel expone la importancia del catálogo, que permite a su tecnología de forecast aprovechar la relación entre productos para refinar el forecast de cada uno. Esto resulta particularmente beneficioso al forecast de nuevos productos, los cuales no cuentan con historial de ventas. Se pueden utilizar atributos que describen el producto, como las categorías, tallas y colores, para deducir patrones estacionales basados en productos similares.
El historial de ventas es esencial, afirma Vermorel, pero es fundamental verificar su integridad. Un historial de ventas incompleto puede deberse a la falta de datos de ventas de productos que ya no se venden. En ese punto, la conversación se interrumpe, y Vermorel promete proporcionar más información sobre la importancia del historial de ventas.
Vermorel comienza enfatizando la necesidad de contar con un historial de ventas completo, que incluya detalles de productos que ya no se encuentran a la venta. Esto se debe a que, en ciertos casos, estos productos se eliminan del catálogo, lo que resulta en datos de historial de ventas distorsionados. 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 demanda futura.
Vermorel luego habla de la importancia de registrar con precisión las fechas de inicio y fin 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 ventas debido a la eliminación de un catálogo en línea. También es importante seguir el historial de ventas a través de diferentes canales, como las tiendas físicas y diversas plataformas online.
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 divisas. Aunque estas fluctuaciones pueden influir en los márgenes y en las decisiones de inventario, Vermorel afirma que predecir estos cambios no es el enfoque principal de Lokad.
Vermorel también enfatiza la importancia de comprender las fechas asociadas a las órdenes de compra y entregas. Estas fechas ofrecen información sobre los lead times, que son críticos para la optimización de supply chain. Los lead times pueden variar estacionalmente o debido a eventos como el Año Nuevo Chino. Añade que es esencial documentar cualquier discrepancia
entre las cantidades ordenadas y las 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 contar con 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, llevando a discrepancias significativas. Por lo tanto, mantener instantáneas y controles regulares del inventario es crucial para una gestión efectiva de supply chain.
Vermorel está discutiendo la importancia de comprender tanto los niveles actuales como los históricos de stock. El nivel de stock informa sobre la necesidad de reabastecimiento, pero también ofrece ideas sobre el historial de ventas. Por ejemplo, los faltantes de stock—instancias en las que la demanda no pudo ser satisfecha debido a un stock inadecuado—no deben interpretarse como una falta de demanda. En realidad, la demanda insatisfecha debido a faltante de stock sigue siendo demanda, aunque no observada. Los niveles históricos de stock, por tanto, ayudan a determinar la frecuencia e impacto de los faltantes de stock. Vermorel también considera una comprensión más matizada de los faltantes de stock, 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 disponer de lo suficiente para satisfacer esa cantidad también podría considerarse un faltante de stock.
La conversación luego se dirige a la importancia de los conjuntos de datos secundarios. Vermorel indica que las promotional activities son un conjunto de datos crucial a considerar, no solo en términos de precios, sino también en lo que respecta a qué productos se están promocionando a través de diversos canales. Estos datos pueden explicar 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 forecast la demanda futura.
Vermorel también menciona errores comunes cometidos por los clientes. El primero es seleccionar un sistema ERP del que es difícil extraer datos. Esta elección puede llevar a una lucha significativa en la data extraction, incluso si el sistema es local. El segundo error es no registrar las órdenes de compra. Aunque las pequeñas empresas puedan gestionar sus pedidos con spreadsheets, este enfoque se vuelve problemático al intentar analizar los lead times. El tercer error es no registrar los niveles históricos de stock. Dado el bajo costo de almacenamiento, Vermorel sostiene que no hay excusa para no conservar estos datos.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a investigar la profundidad exacta de los datos que se requieren para trabajar con nosotros y también a comprender algunas de las verdaderas deficiencias que han enfrentado algunos de nuestros clientes. Entonces, Joannes, ¿por qué es que los clientes no pueden trabajar del todo con la tecnología de Lokad?
Joannes Vermorel: Uno de los mayores desafíos a los que se enfrentan los clientes es, en efecto, el de los datos. En la práctica, no debería ser así, pero generalmente lo es. La idea clave es que los datos que necesitas para operar tu empresa no son los mismos que se requieren para la optimización cuantitativa de supply chain. Para esto último, es necesario contar con el historial completo de la empresa. No es necesario retroceder dos décadas, pero sí se requiere una cierta profundidad y un determinado nivel de detalle en la historia. Muchas empresas que no han tenido éxito en establecer un sistema de este tipo en el pasado, o donde ni siquiera se ha intentado, no han prestado la debida atención a todos los detalles necesarios para obtener todos los datos relevantes. Por ello, pueden enfrentar complicaciones a la hora de recopilar todos los datos pertinentes para obtener resultados realmente relevantes.
Kieran Chandler: Hablamos sobre la profundidad histórica. ¿Cuál es el marco temporal mínimo de profundidad histórica que se debe tener?
Joannes Vermorel: La profundidad histórica 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 captar 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 histórica que necesitas también depende de tus lead times. Si tu lead time es de un día, puedes trabajar perfectamente con solo dos meses de historia, porque realmente no te importa tanto la estacionalidad. Pero si tus lead times son de cuatro meses, entonces se vuelve mucho más importante capturar esta estacionalidad. Así que, si quieres algo que funcione bien, probablemente necesites tener un historial equivalente a 10 veces el valor de los lead times aplicables.
Kieran Chandler: Hablemos ahora de los datos en sí. En Lokad, trabajamos con cuatro conjuntos de datos clave, ¿no es así? Los conjuntos clave son el catálogo, el historial de órdenes de compra, el historial de ventas y también una instantánea de los niveles actuales de stock. Analicemos esto con un poco más de detalle. Si empezamos por el propio catálogo, ¿por qué es de interés? Quiero decir, seguramente nuestros clientes tienen una buena comprensión de lo que están vendiendo y de los detalles exactos al respecto. ¿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 hablando de la tecnología de forecast de Lokad y de cómo aprovecha la relación entre productos para refinar el forecast de cada uno. ¿Puedes elaborar sobre esto?
Joannes Vermorel: Absolutamente, por ejemplo, al hacer forecast de nuevos productos, no tenemos ningún historial de ventas en el que apoyarnos. Por eso, 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 para este producto? La respuesta es que, si solo observas la historia de este producto, no puedes, porque cuentas con tan solo tres meses de datos. Sin embargo, si tu negocio ha existido por años, puedes comparar con productos similares y detectar su estacionalidad. Así, con solo tres meses de historia además de los atributos de los productos, somos capaces de inferir la estacionalidad aplicable para este producto.
Kieran Chandler: Entonces, el catálogo, con elementos como las categorías de producto y atributos como talla y color, es muy importante?
Joannes Vermorel: Sí, absolutamente. El catálogo es esencial. También procesamos la etiqueta en texto plano si está presente, lo cual puede ayudar en ámbitos donde el catálogo mismo está mal estructurado. El objetivo es extender estos atributos para poder operar todas estas correlaciones y refinar el forecast de cada producto, incluso si la información que tenemos sobre ese producto es limitada.
Kieran Chandler: Hablemos sobre el historial de ventas. Desde una perspectiva de forecast, asumo que el historial de ventas es lo más importante a considerar. ¿Qué tipo de información nos interesa además de eso?
Joannes Vermorel: La primera cosa es asegurarte de que tu historial de ventas esté completo. Puede estar incompleto de maneras sutiles. Por ejemplo, si no tienes datos de ventas de productos que ya no vendes o si no tienes la información del producto asociada a esos datos de ventas. Para tener un historial de ventas completo durante los últimos tres años, necesitas tener todas las ventas que se realizaron en su momento, incluidos los productos que ya no vendes.
Kieran Chandler: ¿Entonces, los productos antiguos que ya no se venden pueden distorsionar los datos?
Joannes Vermorel: Exacto, a veces vemos configuraciones en las que los productos que ya no se venden son eliminados del catálogo y del historial de ventas. Esto resulta en un historial de ventas sesgado donde los datos de los productos que ya no se venden no están disponibles fácilmente. Otro aspecto sutil del historial de ventas es recordar cuándo comenzaste a vender un producto. Las ventas no son lo mismo que la demanda. Existen sesgos, por ejemplo, si comienzas a vender un producto y tienes cero demanda durante un mes, y luego finalmente vendes una unidad, es diferente a vender un producto el mismo día que sale en línea.
Kieran Chandler: ¿Puedes dar más información al respecto?
Joannes Vermorel: Claro, si publicas un producto en línea y vendes una unidad el mismo día, sugiere que podrías terminar vendiendo un producto por día. Sin embargo, si publicas un producto en línea y tienes que esperar un mes para vender tu primera unidad, sugiere que estarás vendiendo, como, una unidad por mes. Así que, comprender cuándo comenzaste a vender un producto es también crucial.
Kieran Chandler: ¿Puede un motor estadístico marcar la diferencia? El forecasting engine solo puede hacer la diferencia entre dos situaciones si has registrado adecuadamente la fecha en que la demanda realmente comenzó, y la fecha final cuando dejaste de vender el producto.
Joannes Vermorel: Absolutamente. Pero también es importante saber por qué un producto dejó de venderse. ¿Cayó repentinamente debido a la entrada en el mercado de un nuevo y mejor producto, que provocó un cambio súbito 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 de forma intermitente, o si un producto se vende pero no a través de todos tus canales. Por ejemplo, si vendes en tiendas físicas, online, o tal vez a través de un canal B2B, necesitas registrar el historial de lo que estaba influyendo en la demanda, como qué canales estaban disponibles en cada momento.
Kieran Chandler: Pasemos ahora al historial de la orden de compra. Supongo que lo bueno de observar el historial de la orden de compra es que puedes ver cuánto has pagado por varios artículos de stock. Así que, asumo que usamos eso para forecast, en el futuro, cuál es el precio que probablemente vamos a pagar por un artículo. ¿Es correcto?
Joannes Vermorel: Depende. Porque el precio probable depende del proveedor. Para la mayoría de los verticales, el precio que pagas a los proveedores es relativamente estable. Sin embargo, puede haber sorpresas, típicamente debido a fluctuaciones de divisas. Por ejemplo, podrías terminar con una cotización en yuanes mientras en realidad estás vendiendo cosas en dólares. Si hay una fluctuación del 15% en las tasas de cambio, puedes tener una sorpresa donde las cosas sean significativamente más baratas o más caras.
Kieran Chandler: ¿Es algo que podemos incluir en el forecast, ese tipo de fluctuación de divisas?
Joannes Vermorel: Depende de lo que quieras forecast. Las fluctuaciones de divisas tendrán un impacto, pero no directamente en tu forecast de demanda. Tendrán más impacto en cómo optimizas tus decisiones además del forecast.
Por ejemplo, si tu margen para un producto dado es mayor o menor, no asumirías tanto inventory risk sobre 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 compensa el sobrestock de otras veinte unidades. Por lo tanto, quieres tener sobrestock si tienes artículos que se venden de manera constante con un margen tan alto.
Por otro lado, si tienes un margen del 5 por ciento, necesitas tener mucho cuidado con la cantidad que tienes en stock. Si tienes un poco de sobrestock, necesitarás una gran cantidad de ventas para compensar el dinero que está inmovilizado en la unidad extra en stock. Si terminas haciendo una baja de inventario, será muy costoso.
En general, normalmente no forecastamos los márgenes futuros porque depende de tantos factores. Podemos hacerlo, pero normalmente no es lo principal, ya que nadie puede realmente forecast las fluctuaciones de divisas. 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 trading de forex.
Kieran Chandler: Entonces, alejémonos del trading. Pero en términos de órdenes de compra, ¿qué más es de interés?
Joannes Vermorel: Así que, normalmente, las fechas involucradas en una orden de compra y en la entrega son cruciales ya que proporcionan los plazos de entrega. Cuando buscamos optimizar supply chains, debemos considerar que todas las decisiones dependen, diría yo, de los plazos de entrega. Además, estos plazos pueden variar estacionalmente. Por ejemplo, puede haber periodos de alta demanda 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 añadir aproximadamente dos semanas a los plazos de entrega para productos que provienen de China o de Asia en general.
Absolutamente, y también hay aspectos secundarios a considerar. Por ejemplo, si pides cien unidades y tu proveedor entrega ochenta, ¿registras esta información? Si tienes medidas de control de calidad en las que el proveedor entrega cien pero veinte no pasan la revisión de calidad, ese 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 que el 20% de los envíos que recibes no pasen el control de calidad. Esto se puede anticipar, ya que cada año una cierta fracción de los envíos de fresas no cumple con el control de calidad. Entonces, si necesitas cien, quizás deberías pedir ciento veinte porque, estadísticamente, ya sabes de antemano que el 20% no pasará el control de calidad.
Kieran Chandler: Correcto, así que las órdenes de compra y el cuidado en anotar las fechas y las cantidades donde el proveedor podría cometer errores son fundamentales.
Joannes Vermorel: Sí, y además es este nivel de granularidad lo que realmente te interesa. Esto me lleva a la última pieza del rompecabezas: el snapshot de los niveles actuales de stock. Ya sabemos cuál fue el historial de órdenes de compra, y también sabemos cuál fue el historial de ventas. Contamos con Supply Chain Scientist inteligentes aquí en Lokad. Entonces, ¿realmente necesitamos ese snapshot actual? ¿No pueden generarlo 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 salieron. Eso te daría tu nivel teórico de stock en cualquier momento. El desafío es que las inexactitudes en el inventario ocurren de vez en cuando. Si lo único que haces es remontar todo el historial para calcular los niveles de stock, esas inexactitudes se acumularán con el tiempo hasta llegar a ser sumamente imprecisas.
Joannes Vermorel: Eso es correcto. En la práctica, necesitamos snapshots y controles de inventario. Primero, necesitamos conocer los niveles actuales de stock, porque si no sabemos lo que tenemos en este momento, no podemos simplemente confiar en la demanda proyectada a futuro para realizar órdenes de compra. Debemos tener en cuenta lo que ya poseemos. Si ya tienes una montaña de cosas, incluso si proyectas una demanda muy alta, es posible que no vuelvas a hacer un pedido solo porque ya tienes suficiente. Entonces, necesitamos el nivel actual de stock, pero también los niveles de stock pasados. Esto se remonta al historial de ventas. Las ventas no son la demanda. Si tuviste un faltante de stock, básicamente no se observó demanda durante días, pero eso no es porque no hubiera demanda, sino porque no pudiste atenderla. 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 algo complicada.
La gente quiere comprar, digamos, algo como una manija de puerta. Tienen un apartamento y desean tener cinco manijas de puerta que se vean exactamente iguales. Si entran en tu tienda y solo encuentran tres que se vean iguales, no van a comprar tres con la esperanza de que encuentren dos idénticas en otra tienda. Preferirían encontrar cinco que sean iguales o probar en otra tienda que pueda venderles cinco idénticas. Así que, el faltante de stock no es un concepto binario, en el que o tienes exactamente cero unidades y estás en faltante, o estás bien. A veces, la gente busca cantidades específicas, por lo que tienes un concepto más matizado del faltante de stock. Por eso necesitas llevar un registro de los niveles de stock, y los niveles históricos de stock también pueden ser útiles para detectar automáticamente las inexactitudes más probables en el inventario.
Kieran Chandler: Has hablado mucho sobre los conjuntos de datos principales, los conjuntos de datos 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 transaccional principal 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 destacar o resaltar. No se trata solo de precios. También es lo que promocionas en tus diversos canales. Por ejemplo, una empresa de ecommerce puede hacer promociones que solo involucren los cinco productos que terminan listados de forma permanente 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 portada de la tienda online. Entonces, el segundo círculo abarca todo lo relacionado con las promociones, incluida la publicidad. Este tipo de datos probablemente también incluye todos los datos de tráfico de ecommerce que tienen en el sitio web.
Kieran Chandler: Discutamos algunos de los clientes actuales que tiene Lokad. ¿Existen errores comunes que hayamos experimentado de los que los futuros clientes podrían quizás aprender?
Joannes Vermorel: Creo que el mayor error, el número uno, es elegir un sistema ERP en el que sea extremadamente difícil extraer datos. Eso es una forma de vendor lock-in. Hay muchas empresas que eligen un sistema en el que, incluso si es interno, tienen un servidor local que hace todo de manera local. 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 de EE. UU. es un desafío enorme. No quiero faltar al respeto a Intuit, que es una gran empresa, pero extraer datos es simplemente increíblemente difícil.
Joannes Vermorel: De hecho, ese es probablemente el primer error. El segundo error es probablemente no registrar los huecos en las estadísticas, lo que sucede típicamente con las órdenes de compra. Para una empresa más pequeña, digamos con una facturación de diez millones de dólares, tus órdenes de compra podrían caber en una hoja de Excel. Sin embargo, si no cuentas con un sistema mejor para registrarlas, el día que quieras hacer algún análisis de plazos de entrega, tendrás dificultades porque los datos están repartidos en docenas de hojas de cálculo.
El tercer error podría ser no realizar snapshots de los niveles de stock. Hoy en día, los discos duros son muy económicos, sin embargo, muchas empresas no registran los niveles históricos de stock. Así que, cuando decimos que necesitamos la situación de stock pasada o la situación de bajo stock 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 ninguna razón para no registrar estos datos y conservarlos indefinidamente.
Kieran Chandler: Para resumir, 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 son inherentemente muy costosos, pero el mejor momento para empezar a registrar adecuadamente todos los datos que necesitas es hoy. En tres años, cuando necesites varios años de historial, si no has comenzado hoy, no lo tendrás. Recopilar y mantener datos organizados correctamente es algo que no puedes posponer, tiene que hacerse ahora.
Como supply chain manager, no puedes tomar decisiones correctas sin datos. No puedes optimizar lo que no mides, independientemente de si usas algo tan sofisticado como Lokad para optimizar tus supply chains. Esto se aplica no solo a los algoritmos estadísticos que utiliza Lokad, sino también a los humanos. Sin datos, las decisiones que tomes no serán buenas. No puedes simplemente adivinar cuántas unidades vas a vender de cientos de miles de productos.
Todo comienza con elegir el software adecuado para operar tu empresa y asegurarte de tener acceso a los datos. De lo contrario, quedarás atrapado en la solución del proveedor que hayas elegido.
Kieran Chandler: Genial. Esa es una idea fundamental para alguien como yo que tiende a dejar las cosas para mañana. Eso es todo por esta semana. Volveremos la próxima semana con otro episodio, pero hasta entonces, nos vemos pronto. Adiós por ahora.
