00:00:07 El problema de la caja negra en la gestión de la cadena de suministro.
00:02:20 El aumento de la IA y las recetas numéricas complejas que exacerban 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 del mundo real 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 cálculo de Excel.
00:09:06 El concepto de whiteboxing para la transparencia y la comprensión.
00:11:27 Importancia de crear unos pocos números bien diseñados para explicar las decisiones.
00:14:17 Los beneficios de utilizar impulsores 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 una documentación exhaustiva de las entradas del sistema para evitar resultados erróneos.
00:18:47 Explorando la necesidad de capas de cálculo de datos ágiles que respalden los cálculos intermedios.
00:20:08 Importancia de crear impulsores económicos independientes para evitar resultados engañosos.
00:21:09 Por qué el whiteboxing es crucial y las consecuencias de no tener un proceso transparente.
Resumen
En esta entrevista, Kieran Chandler y Joannes Vermorel discuten la importancia del “white boxing” en la optimización de la cadena de suministro. Las cadenas de suministro son sistemas complejos y la incorporación de software o técnicas impulsadas por IA puede hacerlas más opacas. Vermorel argumenta que los sistemas tradicionales de ERP, a menudo diseñados sin inteligencia, contribuyen a esta opacidad. El enfoque de white-boxing de Lokad tiene como objetivo recrear la transparencia centrándose en unos pocos números cuidadosamente diseñados y utilizando métricas de toda la empresa como impulsores económicos. Con Envision, su lenguaje de programación, Lokad ayuda a mantener la transparencia en el proceso de optimización de la cadena de suministro. Adoptar el white-boxing puede generar confianza en los sistemas de cadena de suministro y mejorar la eficiencia general.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, discute el concepto de “white boxing” con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de la cadena de suministro. La conversación comienza con una explicación del problema de la “caja negra” en la informática, que se refiere a sistemas donde se pueden observar las entradas y salidas sin entender su funcionamiento interno. Esto puede ser problemático, especialmente con la creciente prevalencia de la inteligencia artificial en diversas industrias.
Vermorel explica que las cadenas de suministro son sistemas inherentemente complejos que involucran a numerosas personas, productos y ubicaciones. Esta complejidad conduce a la opacidad, lo que dificulta que los involucrados comprendan completamente el funcionamiento de la cadena de suministro. La adición de software, incluso software básico que no es particularmente “inteligente”, puede agravar aún más esta opacidad. Este problema se complica aún más cuando se introducen técnicas avanzadas de recetas numéricas o impulsadas por IA, lo que puede dificultar cada vez más que las personas en la organización comprendan el significado detrás de los números y los resultados producidos por estos sistemas.
La opacidad, según la definición de Vermorel, es la dificultad para determinar el origen y el significado de los resultados o mediciones producidos por un sistema. En el contexto de las cadenas de suministro, esto significa que puede ser desafiante comprender por qué se produjeron ciertos valores o resultados y qué factores contribuyeron a ellos.
Según Vermorel, el problema de la caja negra es generalizado en la industria de la cadena de suministro. Los sistemas tradicionales de planificación de recursos empresariales (ERP) y otras tecnologías más antiguas a menudo eran opacos por diversas razones, como 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 mismos, pero cuando se combinan, pueden crear 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 recetas numéricas avanzadas o técnicas impulsadas por IA en estos sistemas puede hacer que la opacidad se dispare. Esto hace que sea aún más difícil para las personas involucradas en la cadena de suministro validar si los números que se están produciendo son precisos. 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, esta validación se vuelve cada vez más desafiante.
Vermorel explica que los sistemas tradicionales de planificación de recursos empresariales (ERP) se centran más en la gestión que en la planificación, y a menudo están diseñados sin inteligencia. Las recetas numéricas avanzadas que algunos proveedores pueden llamar IA generalmente se superponen al sistema ERP, lo que hace que todo el proceso sea más opaco.
En ejemplos del mundo real, Vermorel ha observado que incluso cálculos simples, como el stock de seguridad, pueden tener efectos de caja negra. Por ejemplo, una empresa puede ingresar un nivel de servicio del 99.9% pero solo lograr un nivel de servicio del 97%. Esta desconexión entre la entrada y los resultados produce una falta de comprensión del funcionamiento interno del sistema. Las empresas suelen recurrir al uso de hojas de cálculo de Excel para superar este problema, extrayendo datos fundamentales del sistema ERP y creando sus propias recetas numéricas para mantener el control sobre los cálculos.
El enfoque de white-boxing, según lo describe Vermorel, reconoce que incluso los modelos simples pueden volverse opacos cuando se aplican a escenarios complejos de la cadena de suministro. El objetivo del white-boxing es recrear la transparencia y la comprensión dentro de estos modelos. Al desarrollar un proceso orientado a recrear la transparencia, las empresas pueden generar confianza y eventualmente alejarse de la dependencia de las hojas de cálculo de Excel.
Uno de los desafíos del enfoque de white-boxing es evitar una sobrecarga de métricas e indicadores. Las empresas suelen exigir más KPI e indicadores cuando se enfrentan a un modelo de caja negra, pero esto puede llevar a una mayor complejidad y opacidad. Vermorel sugiere centrarse en unos pocos números cuidadosamente elaborados para explicar las decisiones tomadas por el modelo.
El white-boxing tiene como objetivo proporcionar explicaciones para los resultados finales de las decisiones con impacto físico en la cadena de suministro, como la producción, la compra o la reubicación de inventario. Para lograr esto, el proceso considera un puñado de cifras que explican estas decisiones, medidas en dólares o euros, ya que estas unidades tienen más sentido en toda la empresa. Al centrarse en el objetivo final y explicar las decisiones en términos de métricas en toda la empresa, el enfoque de white-boxing puede ayudar a crear comprensión y transparencia en la optimización de la cadena de suministro.
Vermorel explica que el riesgo de faltante de stock puede ser mucho mayor que el valor de los artículos que se están comprando si esto conduce a la detención de la línea de producción. Para hacer frente a esto, Lokad aplica controladores económicos para tomar decisiones. Estos controladores 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 la cadena de suministro es la naturaleza de caja negra de muchos sistemas analíticos. En cambio, el enfoque de Lokad respalda el white-boxing, lo que permite a los usuarios comprender el funcionamiento interno del sistema y validar sus resultados. Vermorel señala que Excel es una herramienta efectiva para el white-boxing a pequeña escala, pero tiene dificultades al tratar con conjuntos de datos grandes 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 tableros de control. Esto ayuda a mantener la transparencia en el proceso de optimización de la cadena de suministro.
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 entradas de datos, lo que lleva a un escenario de “basura entra, basura sale”. El siguiente paso es asegurarse de que la capa analítica del sistema permita la agilidad, similar a Excel, para que los usuarios puedan agregar columnas y depurar su lógica fácilmente.
Una vez que se cumplen estos requisitos previos, las empresas deben centrarse en crear buenos controladores económicos que sean lo más independientes posible entre sí. Esto evita el riesgo de contar dos veces o pasar por alto factores importantes en el proceso de toma de decisiones.
El white-boxing es crucial en la optimización de la cadena de suministro porque garantiza la validez de los resultados del sistema. Si las personas no confían en el sistema, volverán a sus hojas de cálculo de Excel, lo que Vermorel describe como una defensa necesaria contra la “locura del sistema”. Al adoptar el white-boxing, las empresas pueden generar confianza en sus procesos de optimización de la cadena de suministro y mejorar su eficiencia general.
Transcripción completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir la solución, algo que se conoce como white boxing. Entonces, Joannes, antes de hablar sobre el white boxing, tal vez deberíamos comenzar con el problema de la caja negra. ¿Qué hay de las cajas negras y cuál es el problema aquí?
Joannes Vermorel: Las cadenas de suministro son sistemas complejos con muchas personas involucradas, muchos productos y potencialmente numerosas ubicaciones. Desde el principio, se da por sentado que es un problema muy complejo y, por lo tanto, un problema que ya tiene su propia opacidad solo por su complejidad. Es muy difícil comprender todo el asunto. Luego, cuando agregas capas de software en el medio, solo empeora el problema. Solo estoy hablando de software relativamente básico que simplemente mueve las partes de tu cadena de suministro, nada inteligente. Pero incluso eso crea otra capa de opacidad. Ahora, lo que está sucediendo es que algunos proveedores están anunciando IA, pero prefiero pensar en recetas numéricas inteligentes y avanzadas para la cadena de suministro. Tan pronto como agregas recetas numéricas no triviales en el medio de tu software que realmente está impulsando tu cadena de suministro, crea un nuevo nivel de opacidad.
Kieran Chandler: Mencionaste una palabra clave allí, que es opacidad. ¿Podrías expandirte en lo que quieres decir con opacidad?
Joannes Vermorel: Con opacidad, me refiero a que para las personas en la organización que trabajan en la cadena de suministro o que organizan la cadena de suministro, es muy difícil entender exactamente qué significa un número, de dónde proviene y por qué se establece en este valor y no en otro valor. La opacidad es un reflejo de lo difícil que es llegar al fondo de las cosas cuando quieres investigar tu cadena de suministro.
Kieran Chandler: Entonces, básicamente estamos hablando de un problema de caja negra donde los resultados provienen de un sistema y no estamos seguros de dónde provienen esos resultados. ¿Qué tan extendido es este problema? ¿Es algo que vemos mucho en la industria de la cadena de suministro?
Joannes Vermorel: Sí, diría que los sistemas ERP y de TI más antiguos eran muy opacos por diversas razones. En ese momento, era mucho más difícil diseñar buenos esquemas relacionales para bases de datos, por lo que la configuración interna puede ser un poco caótica. Puedes tener muchos sistemas que no están bien integrados en una cadena de suministro compleja, por lo que cuando los juntas todos, hay un desorden significativo y muchas integraciones ad hoc entre los sistemas que no están tan bien documentadas. Esto crea opacidad emergente de sistemas que individualmente son relativamente simples. Y luego, cuando agregas 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 verificar en el sistema de la ubicación remota en sí que el valor de stock coincida. Eso era, ya sabes, a veces podría ser complicado hacer este tipo de verificaciones. Pero siempre y cuando no haya una receta numérica involucrada, podrías hacerlo. Tan pronto como tienes un modelo de regresión lineal en el medio, se vuelve como un infierno replicar cualquier cosa o incluso entender qué está sucediendo. Entonces, supongo que eso es lo que ha cambiado entre estos sistemas ERP más antiguos y los más modernos. Ahora estamos utilizando 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 se encuentran en el ERP. Quiero decir, el ERP, a pesar de su nombre, Planificación de Recursos Empresariales, tiene muy poco que ver con la planificación, casi nada en absoluto. Se trata de la gestión. Entonces tienes la Gestión de Recursos Empresariales, que típicamente se implementa sin inteligencia alguna por diseño. Solo quieres rastrear tus activos y tienes capas de análisis encima. Pero luego, tienes razón, dentro de esas capas de análisis, tienes 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 obtener 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 el cálculo del stock de seguridad, que es simplemente cuánto stock necesitas mantener si asumes que tu demanda se distribuye normalmente sobre tu pronóstico y lo mismo para el tiempo de entrega, 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”. Entonces, terminas con una desconexión extraña entre la configuración que ingresas en el sistema, como 99,9, y lo que obtienes en realidad, que es 97. Ese es el tipo de situación en la que tienes una caja negra y realmente no entiendes qué está pasando. Claramente, la salida del sistema no coincide con lo que esperabas del sistema, por lo que te enfrentas directamente a este efecto de caja negra.
Kieran Chandler: Si esto es tan generalizado, ¿cómo están superando estas empresas estos problemas?
Joannes Vermorel: Típicamente, lo superan con montones 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 niveles de stock, ventas históricas, órdenes de compra históricas, ese tipo de cosas. Pueden verificar que la hoja de Excel esté alineada con el sistema, por lo que no hay 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 en el almacén, solo para estar seguros. Y luego comienzan a crear sus propias recetas numéricas en la hoja de Excel misma, donde el profesional de la cadena de suministro tiene control sobre el cálculo en cada paso, y es muy visual. Así es como intentan evitar un efecto de caja negra. Aunque, cuando una hoja de Excel se pasa de un profesional de la cadena de suministro a otro a lo largo de los años, puedes terminar con cierto grado de opacidad y efecto de caja negra en esas mismas hojas de Excel. Excel no es una solución milagrosa; solo ayuda.
Kieran Chandler: Hablemos de la solución. El enfoque de caja blanca, quiero decir, la caja blanca está en práctica, según nuestra observación, incluso algunas recetas numéricas triviales, como una fórmula de stock de seguridad simple o cualquier cosa que sea ligeramente más complicada que el promedio 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 pueden calcularlo mentalmente. Entonces, incluso un modelo tan simplista como un modelo lineal con tres variables se vuelve muy rápidamente relativamente opaco para las personas que realmente están utilizando los resultados de este modelo.
Joannes Vermorel: Tan pronto como te mueves hacia algo más inteligente, especialmente algo que capture las no linealidades que tienes en las cadenas de suministro, se vuelve opaco prácticamente por diseño. Lo que necesitas es un proceso, lo que llamamos caja blanca, que esté completamente orientado hacia 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 simplista y simplificado como el stock de seguridad ya es opaco, no puedes tener ninguna esperanza de que un modelo mejor y más realista, como uno basado en pronósticos probabilísticos y la evaluación probabilística del riesgo para tu inventario, sea menos opaco. Muy al contrario, será más opaco, mucho más preciso. Por lo tanto, necesitamos este proceso de caja blanca para crear comprensión, generar confianza y, en última instancia, hacer que las personas abandonen, por buenas razones, las hojas de cálculo de Excel.
Kieran Chandler: Entonces, ¿cómo funciona realmente en la práctica? ¿Cómo verificas los resultados que te dan y tienes ese enfoque real de caja blanca?
Joannes Vermorel: Un aspecto complicado es que es muy fácil que las personas se ahoguen en un mar de métricas. Generar números, cuando las personas se enfrentan a una caja negra, la reacción principal es decir: “Dame más indicadores, crea más KPI, quiero ver más y más”. Pero cuando haces eso, terminas con tablas gigantes con docenas de columnas que siguen siendo completamente opacas e increíblemente complejas. El punto de partida es decir que necesitamos tener algunos números que estén extremadamente bien elaborados cuando queremos explicar decisiones.
Primero, una idea es que no quieres tratar de explicarlo todo, especialmente los artefactos numéricos. Realmente no te importa cómo se están llevando a cabo algunos pasos intermedios del cálculo. Lo que te importa es el resultado final, la decisión que tiene un impacto físico en tu cadena de suministro. 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.
La caja blanca se trata de tener, para cada decisión individual, 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 más 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 de faltante de stock es de 50 mil euros porque si nos quedamos sin esto, 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 estás poniendo en riesgo una línea de producción. Estos son los conocimientos que las personas obtendrán.
Kieran Chandler: Entonces, hay estos impulsores económicos que aplicas. ¿Qué hay de ellos? Los impulsores económicos son extremadamente útiles porque son comparables en toda la empresa. La cosa es que tienes una decisión donde tienes media docena de impulsores económicos, y tienes otro tipo de decisión con otros tipos de impulsores económicos, y quieres que todas tus medidas sean compatibles para que puedas comparar manzanas con manzanas y naranjas con naranjas. Si tienes manzanas y naranjas, entonces estás un poco perdido. Eso es típicamente lo que está sucediendo con todos esos porcentajes de error. Entonces, además de los impulsores económicos, ¿qué hay en el enfoque de Lokad que hace que la caja blanca sea tan posible? ¿En qué se diferencia de otras técnicas?
Joannes Vermorel: Necesitas herramientas para hacer eso, y la mayoría de los sistemas analíticos no hacen un buen trabajo al soportar la caja blanca. Excel es realmente bueno porque te mantienes muy cerca de los datos, pero se desmorona cuando aumenta la complejidad y el volumen de los datos. Excel es excelente siempre y cuando estés trabajando con menos de diez columnas y mil filas. Si comienzas a procesar millones de filas y docenas de columnas, rápidamente se convierte en un código espagueti gigante dentro de tu hoja de cálculo de Excel. Excel es muy bueno a pequeña escala, pero se desmorona cuando se enfrenta a 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 desarrollado Envision, que tiene el término “visión” 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 similares a Excel todo el tiempo. Envision facilita mucho cuando creas fórmulas para representar, en un panel de control, todos tus números para que puedas verificarlos como si estuvieras haciendo en Excel, solo por el bien de la validación.
La idea es que podemos generar paneles de control altamente compuestos donde tus impulsores principales se mostrarán de manera prominente, pero puedes tener muchas pequeñas casillas que contienen todas tus comprobaciones, al igual que harías en Excel, para que puedas verificar que tus cálculos sean correctos y que tus pasos intermedios no estén completamente desequilibrados.
Kieran Chandler: Si soy una empresa y estoy usando un software que muestra muchas de esas características de caja negra, ¿qué debería hacer? ¿Cuál debería ser el primer paso que debería tomar para mejorar mi comprensión sobre lo que está sucediendo?
Joannes Vermorel: Primero, necesitas tener una documentación exhaustiva de lo que ingresa al sistema. Por lo general, la documentación no existe. Solo para aclarar, estamos hablando de tener una tabla que requiere aproximadamente una página de documentación, no documentación de TI, sino documentación impulsada por la cadena de suministro y el negocio.
Kieran Chandler: Sabes, al trabajar con clientes, en el mejor de los casos, si cada campo tiene una línea de documentación, estamos contentos. Por lo general, hay como 20 tablas, cada tabla tiene 20 campos, y apenas tenemos una línea de documentación por tabla. Deberíamos tener una página de documentación por campo. Entonces, probablemente ese sea 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 adentro, basura afuera.
Joannes Vermorel: Lo segundo es verificar que tus capas de procesamiento de datos, tus capas analíticas, te brinden básicamente el tipo de agilidad que tienes con Excel. Para que puedas, con unas pocas declaraciones o algunas líneas de código, agregar todas esas columnas de informes fáciles que necesitas para depurar tu lógica. Desafortunadamente, no puedes evitar el aspecto de programación porque, al igual que Excel, se trata de fórmulas y demás, por lo que es programación. Pero con unas pocas líneas de código, puedes tener todas esas columnas. Si no tienes un sistema que admita un proceso ágil de este tipo, donde puedas crear columnas como en Excel para verificar las cálculos intermedios, entonces básicamente es el fin del juego. Nunca llegarás al fondo de tu caja negra.
Entonces, probablemente en este paso, necesitas cambiar la capa analítica si no tienes una capa que te brinde cierto tipo de agilidad. Luego, el siguiente paso es comenzar a crear indicadores económicos muy buenos. Y con muy buenos, me refiero a que cada indicador debe ser lo más independiente posible de los otros indicadores. Quieres tener cosas que sean muy ortogonales. El peligro es que si no logras crear una serie de indicadores que reflejen cosas que sean literalmente ortogonales, entonces podrías estar viendo lo mismo varias veces y ser engañado.
Esa es la parte complicada, 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 indicador que también afirma traer €100 de recompensa o costo.
Kieran Chandler: Entonces, los puntos clave son realmente comprender tus entradas y salidas y también definir esos indicadores económicos. Como última palabra 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 cadena de suministro serán en vano. Las personas, por una buena razón, volverán a sus hojas de cálculo de Excel porque si no tienes un proceso de white-boxing implementado que brinde a todos la seguridad de que los resultados que salen de esos sistemas son razonables, entonces es abrumadoramente probable que tus resultados sean insensatos. Las personas hacen lo sensato, que es no confiar en esos resultados y volver a sus hojas de cálculo de Excel. Las hojas de cálculo de Excel son, desafortunadamente, la solución necesaria contra la locura del sistema. Se requiere el white-boxing; de lo contrario, no esperes que tus equipos de profesionales de la cadena de suministro abandonen sus hojas de cálculo de Excel en el corto plazo. No lo harán, y al no hacerlo, están protegiendo a tu empresa porque confiar en un sistema insensato es mucho peor que perder tiempo en hojas de cálculo de Excel.
Kieran Chandler: Y quién sabía que muchos analistas probablemente piensan que Excel te vuelve loco, pero ahí lo tienes. Eso es todo por esta semana. Muchas gracias por tu tiempo, y nos vemos la próxima semana. Gracias por vernos.
