00:00:07 El problema de la caja negra en la gestión de supply chain.
00:02:20 El auge de la IA y de recetas numéricas complejas que agravan el problema de la caja negra.
00:03:59 Diferencias entre los sistemas ERP antiguos y los modernos, y su relación con el problema de la caja negra.
00:06:10 Ejemplos reales del problema de la caja negra y sus efectos en las empresas.
00:07:36 Cómo las empresas están superando el problema de la caja negra utilizando hojas de Excel.
00:09:06 El concepto de whiteboxing para la transparencia y el entendimiento.
00:11:27 La importancia de elaborar unos pocos números bien diseñados para explicar las decisiones.
00:14:17 Los beneficios de utilizar motores económicos para la toma de decisiones.
00:15:28 Las limitaciones de Excel para manejar datos complejos y la necesidad de mejores herramientas.
00:17:36 La importancia de documentar minuciosamente las entradas del sistema para evitar resultados basura.
00:18:47 Explorando la necesidad de capas ágiles para el procesamiento de datos que soporten cálculos intermedios.
00:20:08 La importancia de crear motores económicos independientes para evitar resultados engañosos.
00:21:09 Por qué el whiteboxing es crucial y las consecuencias de no contar con un proceso transparente.

Resumen

En esta entrevista, Kieran Chandler y Joannes Vermorel discuten la importancia del whiteboxing en supply chain optimization. Las supply chains son sistemas complejos, y la incorporación de software o técnicas basadas en IA puede hacerlas más opacas. Vermorel sostiene que los sistemas tradicionales ERP, a menudo diseñados con cero inteligencia, contribuyen a esa opacidad. El enfoque de whiteboxing de Lokad tiene como objetivo recrear la transparencia enfocándose en unos pocos números cuidadosamente elaborados y utilizando métricas a nivel de toda la empresa, como economic drivers. Con Envision, su lenguaje de programación, Lokad ayuda a mantener la transparencia en el proceso de optimización de supply chain. Adoptar el whiteboxing puede generar confianza en los sistemas de supply chain y mejorar la eficiencia general.

Resumen Ampliado

En esta entrevista, Kieran Chandler, el presentador, discute el concepto de whiteboxing con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en supply chain optimization. La conversación comienza con una explicación del problema de la “caja negra” en informática, que se refiere a sistemas donde se pueden observar las entradas y salidas sin comprender su funcionamiento interno. Esto puede ser problemático, especialmente con la creciente prevalencia de artificial intelligence en diversas industrias.

Vermorel explica que las supply chains son sistemas inherentemente complejos que involucran a numerosas personas, productos y ubicaciones. Esta complejidad conduce a la opacidad, dificultando que los involucrados comprendan completamente el funcionamiento de la supply chain. La adición de software, incluso software básico que no es particularmente “inteligente,” puede agravar aún más esta opacidad. Este problema se complica cuando se introducen numerical recipes avanzadas o técnicas basadas en IA, lo cual puede dificultar cada vez más que los miembros de la organización entiendan el significado detrás de los números y resultados producidos por estos sistemas.

La opacidad, tal como la define Vermorel, es la dificultad de determinar los orígenes y el significado de los resultados o mediciones producidos por un sistema. En el contexto de las supply chains, esto significa que puede ser un desafío entender por qué se produjeron ciertos valores o resultados y qué factores contribuyeron a ellos.

Según Vermorel, el problema de la caja negra está muy extendido en la industria de supply chain. Los sistemas tradicionales de planificación de recursos empresariales (ERP) y otras tecnologías antiguas solían ser opacos por diversas razones, como las dificultades para diseñar esquemas relacionales efectivos para bases de datos o la existencia de múltiples sistemas que no estaban bien integrados. Estos sistemas pueden ser relativamente simples por sí solos, pero cuando se combinan, pueden generar una cantidad significativa de confusión y complejidad. Las integraciones ad hoc entre sistemas que no están bien documentadas contribuyen aún más a la opacidad.

La introducción de [numerical recipes] avanzadas o técnicas basadas en IA en estos sistemas puede hacer que la opacidad se dispare. Esto hace que sea aún más difícil para los involucrados en la supply chain validar si los números producidos son correctos. Anteriormente, podría haber sido posible verificar manualmente los valores de stock en diferentes sistemas, por ejemplo. Sin embargo, con la adición de recetas numéricas complejas, esa validación se vuelve cada vez más desafiante.

Vermorel explica que los sistemas tradicionales de planificación de recursos empresariales (ERP) son más sobre gestión que sobre planificación, y a menudo están diseñados con cero inteligencia. Las recetas numéricas avanzadas que algunos proveedores pueden llamar IA generalmente se superponen al sistema ERP, haciendo que todo el proceso sea más opaco.

En ejemplos del mundo real, Vermorel ha observado que incluso cálculos simples, como safety stock, pueden ocasionar efectos de caja negra. Por ejemplo, una empresa podría ingresar un service level de 99.9% pero solo alcanzar un nivel de servicio del 97%. Esta desconexión entre la entrada y la salida resulta en la falta de comprensión del funcionamiento interno del sistema. Las empresas suelen recurrir al uso de hojas de Excel para superar este problema, extrayendo datos fundamentales del sistema ERP y elaborando sus propias recetas numéricas para mantener el control sobre los cálculos.

El enfoque de whiteboxing, según lo describe Vermorel, reconoce que incluso los modelos simples pueden volverse opacos cuando se aplican a escenarios. El objetivo del whiteboxing es recrear la transparencia y el entendimiento en estos modelos. Al desarrollar un proceso orientado a recrear la transparencia, las empresas pueden generar confianza y, finalmente, dejar de depender de las hojas de Excel.

Un desafío del enfoque de whiteboxing es evitar una sobrecarga de métricas e indicadores. Las empresas a menudo exigen más KPIs e indicadores cuando se enfrentan a un modelo de caja negra, pero esto puede llevar a una complejidad y opacidad aún mayores. Vermorel sugiere centrarse en unos pocos números cuidadosamente elaborados para explicar las decisiones tomadas por el modelo.

El whiteboxing tiene como objetivo proporcionar explicaciones para los resultados finales de las decisiones con impactos físicos en la supply chain, tales como la producción, la compra o la reubicación de inventario. Para lograrlo, el proceso toma en cuenta un puñado de cifras que explican estas decisiones, medidas en dólares o euros, ya que estas unidades tienen el mayor sentido a nivel empresarial. Al centrarse en el resultado final y explicar las decisiones en términos de métricas a nivel de toda la empresa, el enfoque de whiteboxing puede ayudar a crear entendimiento y transparencia en la optimización de supply chain.

Vermorel explica que el riesgo de faltante de stock puede ser mucho mayor que el valor de los artículos que se compran si ello conduce a paradas en la línea de producción. Para abordar esto, Lokad aplica motores económicos para tomar decisiones. Estos motores son útiles porque permiten la comparación en toda la empresa, asegurando que las decisiones se tomen utilizando métricas comparables.

Uno de los desafíos de las técnicas tradicionales de optimización de supply chain es la naturaleza de caja negra de muchos sistemas analíticos. En contraste, el enfoque de Lokad soporta el whiteboxing, permitiendo a los usuarios entender el funcionamiento interno del sistema y validar sus resultados. Vermorel señala que Excel es una herramienta efectiva para el whiteboxing a pequeña escala, pero tiene dificultades al tratar con grandes conjuntos de datos o cálculos complejos.

Para abordar esta limitación, Lokad ha desarrollado un lenguaje de programación llamado Envision, que permite a los usuarios mantenerse cerca de los datos, realizar validaciones y generar dashboards. Esto ayuda a mantener la transparencia en el proceso de optimización de supply chain.

Para las empresas que utilizan soluciones de software de caja negra, Vermorel recomienda comenzar con una documentación exhaustiva de las entradas del sistema. A menudo, las empresas tienen una documentación deficiente de sus datos de entrada, lo que conduce a un escenario de basura entra, basura sale. El siguiente paso es asegurarse de que la capa analítica del sistema permita agilidad, similar a Excel, de modo que los usuarios puedan agregar columnas y depurar su lógica fácilmente.

Una vez que se cumplan estos requisitos previos, las empresas deben centrarse en crear buenos motores económicos que sean lo más independientes entre sí posible. Esto evita el riesgo de contabilizar dos veces o pasar por alto factores importantes en el proceso de toma de decisiones.

El whiteboxing es crucial en la optimización de supply chain porque garantiza la validez de los resultados del sistema. Si las personas no confían en el sistema, recurrirán a sus hojas de Excel, lo cual Vermorel describe como una defensa necesaria contra la “locura del sistema.” Al adoptar el whiteboxing, las empresas pueden generar confianza en sus procesos de optimización de supply chain y mejorar su eficiencia general.

Transcripción Completa

Kieran Chandler: Hoy en Lokad TV, vamos a discutir la solución, algo que se conoce como whiteboxing. Entonces, Joannes, antes de comenzar con el whiteboxing, quizás deberíamos empezar con el problema de la caja negra. ¿Qué tiene de especial las cajas negras y cuál es el problema aquí?

Joannes Vermorel: Las supply chains son sistemas complejos con muchas personas involucradas, numerosos productos y potencialmente múltiples ubicaciones. Desde el principio, se entiende que es un problema muy complejo y, por lo tanto, ya posee su propia opacidad simplemente por su complejidad. Es muy difícil captar el panorama completo. Luego, cuando añades capas de software en el medio, el problema solo empeora. Estoy hablando únicamente de software relativamente básico que simplemente reacomoda las partes fundamentales de la TI de tu supply chain, nada inteligente. Pero incluso eso crea otra capa de opacidad. Ahora bien, lo que está sucediendo es que algunos proveedores están publicitando IA, pero yo prefiero pensar en recetas numéricas avanzadas y smart para supply chain. Tan pronto como añades recetas numéricas no triviales en el medio de tu software que realmente impulsa tu supply chain, se crea un nivel completamente nuevo de opacidad.

Kieran Chandler: Mencionaste una palabra clave allí, que es opacidad. ¿Podrías ampliar a qué te refieres con opacidad?

Joannes Vermorel: Con opacidad me refiero a que para las personas en la organización que trabajan en o gestionan la supply chain, es muy difícil averiguar exactamente qué significa un número, de dónde proviene y por qué se establece en ese valor y no en otro. La opacidad es un reflejo de lo difícil que es profundizar en el fondo de las cosas cuando se quiere investigar la supply chain.

Kieran Chandler: Básicamente, estamos hablando de un problema de caja negra en el que los resultados salen de un sistema y no estamos muy seguros de dónde provienen esos resultados. ¿Qué tan extendido es este problema? ¿Es algo que vemos mucho en la industria de supply chain?

Joannes Vermorel: Sí, diría que los sistemas ERP y de TI más antiguos eran muy opacos por diversas razones. En ese entonces, era mucho más difícil diseñar buenos esquemas relacionales para bases de datos, por lo que la configuración interna podía ser algo desordenada. Puedes tener muchos sistemas que no están bien integrados en una supply chain compleja, así que cuando los juntas, se genera un desorden significativo y muchas integraciones ad hoc entre sistemas que no están tan bien documentadas. Esto crea una opacidad emergente a partir de sistemas que individualmente son relativamente simples. Y luego, cuando añades recetas numéricas a la mezcla, la opacidad se dispara porque, de repente, se vuelve muy difícil validar si los números son correctos.

Kieran Chandler: No se trata de verificar el sistema central para el valor de stock que debería tener en una ubicación remota y luego comprobar en el sistema de la propia ubicación remota que el valor de stock coincide. Eso era, ya sabes, a veces podía ser complicado hacer este tipo de verificaciones. Pero mientras no se involucre una receta numérica, se podía hacer. Tan pronto como tienes un modelo de regresión lineal en el medio, se vuelve casi imposible replicar algo o siquiera entender lo que está pasando. Entonces, supongo que ese es el cambio entre estos sistemas ERP más antiguos y los más modernos. Ahora usamos recetas numéricas más complejas. ¿Es ese el gran cambio? ¿Es por eso que se está produciendo este enfoque de caja negra?

Joannes Vermorel: Típicamente, esas recetas numéricas avanzadas no residen en el ERP. Quiero decir, el ERP, a pesar de su nombre, Enterprise Resource Planning, tiene muy poco que ver con la planificación, casi nada. Se trata todo de la gestión. Así que tienes el Enterprise Resource Management, que típicamente se implementa con cero inteligencia por diseño. Solo quieres rastrear tus activos, y encima tienes capas de analítica. Pero luego, tienes razón, dentro de esas capas de analítica se integran recetas avanzadas que algunos proveedores podrían llamar IA, y se vuelve mucho más opaco.

Kieran Chandler: ¿Qué tal un ejemplo del mundo real de cómo estos problemas de caja negra están afectando realmente a las empresas?

Joannes Vermorel: En el mundo real, lo sorprendente es que no necesitas IA para lograr un efecto de caja negra. Cosas mucho más simples ya están causando efectos de caja negra generalizados. He visto muchas empresas donde incluso algo tan simple como un cálculo de safety stock, que consiste en determinar cuántas existencias debes mantener si asumes que tu demanda se distribuye normalmente además de tu forecast y lo mismo para el lead time, terminan con efectos de caja negra. Dicen, “Bueno, estoy ingresando un nivel de servicio del 99.9 por ciento, pero luego la medición muestra en realidad que solo estoy obteniendo un nivel de servicio del 97 por ciento.” Así que terminas con una desconexión extraña entre la configuración que introduces en el sistema, como 99.9, y lo que obtienes en realidad, que es 97. Esa es la clase de situación en la que tienes una caja negra y realmente no entiendes lo que está sucediendo. Claramente, la salida del sistema no coincide con lo que esperabas, por lo que te enfrentas de lleno a este efecto de caja negra.

Kieran Chandler: Si esto está tan extendido, ¿cómo están las empresas superando estos problemas?

Joannes Vermorel: Típicamente, lo superan con toneladas de hojas de Excel. ¿Qué sucede cuando tienes números en los que no puedes confiar del sistema? Las personas simplemente extraen datos del ERP, datos fundamentales en los que pueden confiar, como stock levels, ventas históricas, órdenes de compra históricas – ese tipo de cosas. Pueden verificar dos veces que la hoja de Excel esté alineada con el sistema, de modo que no haya efecto de caja negra. Incluso verifican que lo que está en la hoja de Excel esté realmente alineado con lo que tienen en los estantes del warehouse, solo para estar seguros. Y luego comienzan a elaborar sus propias recetas numéricas en la propia hoja de Excel, donde el supply chain practitioner tiene control sobre el cálculo en cada paso, y es muy visual. Así es como tratan de evitar el efecto de caja negra. Aunque, cuando una hoja de Excel se pasa de un supply chain practitioner a otro a lo largo de los años, puede terminar teniendo cierto grado de opacidad y efecto de caja negra en esas mismas hojas de Excel. Excel no es una solución mágica; simplemente ayuda.

Kieran Chandler: Hablemos de la solución. El enfoque de white boxing, quiero decir, en la práctica, según nuestra observación, incluso algunas recetas numéricas triviales, como una fórmula simple de safety stock o cualquier cosa ligeramente más complicada que la media móvil, es una caja negra. No se necesita IA para obtener una caja negra. Quiero decir, cualquier modelo lineal con tres variables, la mayoría de las personas no es capaz de calcularlo mentalmente. Así que, incluso un modelo tan simple como un modelo lineal con tres variables se vuelve rápidamente relativamente opaco para las personas que realmente utilizan los resultados de este modelo.

Joannes Vermorel: En cuanto te acercas a algo más inteligente, especialmente algo que capture las no linealidades que tienes en supply chains, se vuelve opaco prácticamente por diseño. Lo que necesitas es un proceso, lo que llamamos white boxing, que esté completamente orientado a la idea de que recrearás transparencia y conocimientos, sabiendo que por defecto lo que obtienes es prácticamente lo contrario. No hay alternativa. Si incluso un modelo tan simple y excesivamente simplista como el safety stock ya es opaco, no puedes tener ninguna esperanza de que un modelo mejor y más realista, como uno basado en forecast probabilístico y la evaluación probabilística del riesgo para tu inventario, sea menos opaco. Al contrario, será más opaco, mucho más preciso. Por lo tanto, necesitamos este proceso de white boxing para crear entendimiento, generar confianza y, en última instancia, lograr que las personas dejen atrás, por buenas razones, las hojas de Excel.

Kieran Chandler: Entonces, ¿cómo funciona realmente en la práctica? ¿Cómo procedes para verificar los resultados que se te presentan y tener ese verdadero enfoque de white boxing?

Joannes Vermorel: Un aspecto complicado es que es muy fácil que la gente se ahogue en un mar de métricas. Al generar números, cuando las personas se enfrentan a una caja negra, la reacción principal es decir, “Dame más indicadores, crea más KPIs, quiero ver cada vez más.” Pero cuando haces eso, terminas con tablas gigantescas con docenas de columnas que aún son completamente opacas e increíblemente complejas. El punto de partida es decir, necesitamos tener unos pocos números que estén excepcionalmente bien diseñados cuando queremos explicar decisiones.

Primero, una idea es que no deseas intentar explicar todo, especialmente los artefactos numéricos. Realmente no te importa cómo se realizan algunos pasos intermedios del cálculo. Lo que te importa es el resultado final, la decisión que tiene un impacto físico en tu supply chain. Decides producir, decides comprar más o decides reubicar inventario de un lugar a otro. Ese es el objetivo final, y esa es la decisión que te preocupa.

El white boxing consiste en tener, para cada decisión, tal vez media docena de cifras que expliquen estas decisiones, medidas en dólares o euros. La segunda idea es usar dólares y euros porque es lo que tendrá mayor sentido en toda la empresa. Si sabes por qué estás comprando 100 unidades más de un producto y tienes una variable que dice, “Bueno, el riesgo del faltante de stock es de 50 mil euros porque si se agota este artículo, la línea de producción se detendrá,” entonces el costo del faltante de stock puede ser mucho mayor que el valor de lo que estás comprando si pones en riesgo una línea de producción. Estos son los insights que las personas obtendrán.

Kieran Chandler: Entonces, existen estos impulsores económicos que aplicas. ¿Qué tienen de especial? Los impulsores económicos son extremadamente útiles porque son comparables en toda la empresa. La cuestión es que, tienes una decisión en la que cuentas con media docena de impulsores económicos, y tienes otro tipo de decisión con otros tipos de impulsores económicos, y deseas que todas tus mediciones sean compatibles para poder comparar manzanas con manzanas y naranjas con naranjas. Si tienes manzanas y naranjas, entonces estás algo perdido. Eso es típicamente lo que está sucediendo con todos esos porcentajes de error. Entonces, aparte de los impulsores económicos, ¿qué tiene el enfoque de Lokad que hace posible el white-boxing? ¿En qué se diferencia de otras técnicas?

Joannes Vermorel: Necesitas herramientas para ello, y la mayoría de los sistemas analíticos no hacen un trabajo tan bueno al soportar el white-boxing. Excel es, en realidad, bastante bueno porque te mantienes muy cerca de los datos, pero se desmorona cuando la complejidad y el volumen de los datos aumentan. Excel es excelente siempre que manejes menos de diez columnas y mil líneas. Si empiezas a procesar millones de líneas y docenas de columnas, rápidamente se convierte en una base de código espagueti gigantesca dentro de tu hoja de Excel. Excel es muy bueno a escala limitada, pero se desmorona al enfrentar la complejidad.

Muchos sistemas analíticos no logran preservar ninguna de las propiedades de Excel, y los datos se alejan mucho del usuario. En Lokad, hemos diseñado Envision, que tiene el término “vision” en el nombre de este lenguaje de programación, derivado de la idea de que necesitábamos mantenernos muy cerca de los datos para poder realizar todas esas validaciones al estilo de Excel todo el tiempo. Envision facilita mucho, al elaborar fórmulas para trazar, en un dashboard, todos tus números de modo que puedas verificarlos tal como lo hacías en Excel, solo por el bien de la validación.

La idea es que podemos generar dashboards altamente compuestos donde tus principales impulsores se mostrarán de forma prominente, pero puedes tener muchos pequeños bloques que contengan todas tus verificaciones, tal como lo harías en Excel, para que puedas comprobar que tus cálculos son sólidos y que tus pasos intermedios no están completamente desfasados.

Kieran Chandler: Si soy una empresa y estoy usando una pieza de software que presenta muchas de esas características de caja negra, ¿qué debería hacer? ¿Cuál debería ser el primer paso para mejorar mi comprensión acerca de lo que está sucediendo?

Joannes Vermorel: Primero, necesitas tener una documentación exhaustiva de lo que ingresa al sistema. Usualmente, la documentación es inexistente. Para aclarar, estamos hablando de tener una tabla que requiere aproximadamente una página de documentación, no documentación de TI, sino documentación orientada al negocio en supply chain.

Kieran Chandler: Sabes, trabajando con clientes, en el mejor de los casos, si cada campo tiene una línea de documentación, estamos contentos. Usualmente, hay como 20 tablas, cada tabla con 20 campos, y apenas tenemos una línea de documentación por tabla. Deberíamos tener una página de documentación por campo. Así que ese es probablemente el punto de partida para la mayoría de las empresas: documentar completamente lo que tienes como entrada del sistema; de lo contrario, terminas con basura de entrada, basura de salida.

Joannes Vermorel: La segunda cosa es verificar que tus capas de procesamiento de datos, tus capas analíticas, te proporcionen, básicamente, el tipo de agilidad que tienes con Excel. De modo que, con unas pocas instrucciones o algunas líneas de código, puedas agregar todas esas columnas de reporte fáciles que necesitas para depurar tu lógica. Desafortunadamente, no puedes evitar el aspecto de la codificación porque, al igual que en Excel, se trata de fórmulas y demás, así que es codificación. Pero con unas pocas líneas de código, puedes tener todas esas columnas. Si no tienes un sistema que soporte un proceso tan ágil, donde simplemente puedas crear columnas como en Excel para verificar cálculos intermedios, entonces es básicamente el fin. Nunca llegarás al fondo de tu caja negra.

Así que, probablemente en este paso, necesitas cambiar la capa analítica si no tienes una capa que te otorgue cierto tipo de agilidad. Luego, el siguiente paso es comenzar a elaborar impulsores económicos muy buenos. Y por muy buenos, me refiero a que cada impulsor debe ser lo más independiente posible de los otros impulsores. Quieres tener elementos que sean muy ortogonales. El peligro es que, si no logras elaborar una serie de indicadores que reflejen cosas que sean literalmente ortogonales, podrías terminar observando lo mismo múltiples veces y ser inducido a error.

Ese es un aspecto complicado, pero la idea es que cuando miras un indicador económico que te dice €100 de costo o recompensa, quieres asegurarte de que sea lo más independiente posible de otro impulsor que también afirma aportar €100 de recompensa o costo.

Kieran Chandler: Entonces, los puntos clave son realmente entender tus entradas y salidas, y también definir esos impulsores económicos. Como palabra final de hoy, ¿por qué es tan importante el white-boxing?

Joannes Vermorel: El white-boxing es tan importante porque, de lo contrario, todos tus esfuerzos por optimizar tu supply chain se desperdiciarán. Las personas, por una buena razón, recurrirán a sus hojas de Excel, ya que si no tienes un proceso de white-boxing que brinde a todos la seguridad de que los resultados que salen de esos sistemas son sensatos, entonces las probabilidades son abrumadoramente de que tus resultados sean insensatos. La gente hace lo sensato, que es no confiar en esos resultados y recurrir a sus hojas de Excel. Lamentablemente, las hojas de Excel son la solución necesaria contra la locura del sistema. El white-boxing es requerido; de lo contrario, no esperes que tus equipos de supply chain practitioners abandonen sus hojas de Excel en el corto plazo. No lo harán, y al no hacerlo, están protegiendo tu empresa, porque confiar en un sistema insensato es mucho peor que perder tiempo en hojas de Excel.

Kieran Chandler: Y quién iba a pensar que a muchos analistas probablemente les daba la sensación de que Excel te lleva a la locura, pero ahí lo tienes. Así que eso es todo por esta semana. Muchas gracias por tu tiempo, y nos vemos de nuevo la próxima semana. Gracias por ver.