00:00:07 Aprovechando datos meteorológicos para optimizar las decisiones de compra.
00:00:41 Productos sensibles al clima y su correlación con el clima.
00:02:00 Contexto histórico de las startups de datos meteorológicos y su estatus de nicho.
00:03:23 Los proveedores de electricidad aprovechando de manera eficiente los datos meteorológicos para la predicción de consumo.
00:06:02 La complejidad de los datos meteorológicos en comparación con los datos de supply chain y los desafíos técnicos.
00:08:00 El impacto del clima en los mercados de IPO y la demanda de productos.
00:10:00 El beneficio limitado de los forecast meteorológicos para los supply chain.
00:12:45 La utilidad de los datos meteorológicos pasados para explicar la demanda de productos.
00:14:00 Usar el cambio climático para mejorar los forecast estacionales y sus limitaciones.
00:15:49 Comparar las fluctuaciones diarias de temperatura con el impacto del cambio climático a largo plazo.
00:17:01 La importancia de utilizar datos transaccionales para las decisiones de supply chain.
00:18:04 Aprovechar los datos de tráfico web para una mejor comprensión del supply chain.
00:18:36 Usar la inteligencia competitiva en la toma de decisiones de supply chain.
00:19:27 Conclusión: Priorizar otras fuentes de datos antes de explorar los datos meteorológicos.
Resumen
Joannes Vermorel, fundador de Lokad, conversa con Kieran Chandler, el presentador, sobre el potencial y las limitaciones de los datos meteorológicos en la optimización del supply chain. Vermorel destaca que los datos meteorológicos tienen un fuerte poder explicativo, pero puede que no sean muy útiles para perfeccionar los forecast. La naturaleza multidimensional del clima hace que sea un desafío incorporarlos eficazmente en los forecast. Vermorel enfatiza la importancia de priorizar los datos transaccionales y no transaccionales, como el tráfico web y la inteligencia competitiva, sobre los datos meteorológicos y los datos sociales. Los datos meteorológicos pueden ser más útiles para analizar el rendimiento de ventas pasadas. A pesar de los desafíos, a medida que la tecnología de forecast meteorológico y la supply chain management evolucionan, pueden existir mayores oportunidades para que las empresas aprovechen los datos meteorológicos para la decision-making estratégica.
Resumen Extendido
En este episodio, Kieran Chandler, el presentador, entrevista a Joannes Vermorel, fundador de Lokad, una empresa de software especializada en la optimización del supply chain. Discuten el papel de los datos meteorológicos en la optimización de las decisiones de compra y las complicaciones que surgen al combinar diferentes forecast.
La idea de utilizar datos meteorológicos para la optimización del supply chain es simple: muchos productos son altamente sensibles al clima, y su demanda se ve influenciada por las condiciones meteorológicas. Ejemplos incluyen la carne para barbacoa e incluso automóviles, ya que las personas en diferentes climas pueden elegir vehículos distintos. Muchas prácticas de supply chain tienen como objetivo mejorar los forecast incorporando datos meteorológicos.
Hace una década, hubo un revuelo en torno a los datos meteorológicos y las startups enfocadas en perfeccionar los forecast. Sin embargo, a pesar del interés inicial, el uso de datos meteorológicos para la optimización del supply chain ha permanecido como un área de nicho. Lokad realizó varias misiones para grandes empresas hace aproximadamente una década, pero estos esfuerzos eventualmente se desvanecieron porque requerían demasiado esfuerzo en relación a los beneficios obtenidos.
Una de las conclusiones clave de la experiencia de Lokad es que los datos meteorológicos son increíblemente complicados. Es un problema multidimensional con un alto grado de diversidad geográfica. Las condiciones meteorológicas pueden variar significativamente incluso a 20 kilómetros de distancia debido a factores como la altitud. Además, el clima no es uniforme a lo largo del día, lo que hace que las predicciones sean más desafiantes.
Sin embargo, existen industrias que han aprovechado con éxito los datos meteorológicos, como los proveedores de electricidad. Utilizan estos datos para predecir el consumo eléctrico, permitiéndoles suministrar justo lo necesario para lo que la red requiere en cada minuto del día. El almacenamiento de electricidad es ineficiente e impráctico, por lo que se requieren forecast muy precisos para gestionar el suministro.
Aunque el concepto de utilizar datos meteorológicos para la optimización del supply chain parece lógico, ha demostrado ser complejo y ha permanecido como un área de nicho. La naturaleza altamente variable y multidimensional del clima hace que sea un desafío incorporarlo eficazmente en los forecast. Sin embargo, algunas industrias, como los proveedores de electricidad, han encontrado éxito al utilizar datos meteorológicos para sus necesidades específicas.
Vermorel explica que los datos meteorológicos son altamente complejos debido a su especificidad geográfica y a los diversos factores que deben ser considerados, como la lluvia, el viento, la humedad y la luz solar. Esta complejidad hace que los datos meteorológicos sean significativamente mayores y más difíciles de manejar en comparación con los datos tradicionales del supply chain.
Aunque obtener datos meteorológicos se ha vuelto más fácil gracias a los proveedores de computación en la nube, procesar y correlacionar estos datos con los patrones de ventas sigue siendo un desafío. Vermorel destaca que el clima puede tener efectos altamente localizados en las ventas, y las empresas deben navegar por diversas heurísticas para tener en cuenta estas particularidades.
En respuesta a la sugerencia de utilizar disparadores más simples y reactivos basados en la temperatura, Vermorel reconoce que la temperatura puede ser un factor importante pero enfatiza que no es el único. Por ejemplo, un fin de semana caluroso, lluvioso y ventoso podría no conducir a un aumento en la demanda de productos de barbacoa. Además, Vermorel señala que los clientes monitorean los forecast meteorológicos al igual que las empresas, lo que conduce a posibles cambios en los patrones de compra basados en las expectativas sobre el clima.
Al observar la accuracy a corto plazo de los forecast meteorológicos, Vermorel explica que los forecast con una duración superior a diez días generalmente no son muy útiles para optimizar las decisiones de supply chain. Durante ciertos eventos, como las olas de calor, el forecast realmente solo importa al inicio y al final del evento, resultando en una ventana de utilidad muy estrecha.
Al hablar del futuro de los supply chain y del forecast meteorológico, Vermorel reconoce el potencial de que accurate forecasts tengan un mayor impacto. Sin embargo, destaca que el uso más interesante de los datos meteorológicos puede ser, en realidad, en analizar el rendimiento de ventas pasadas. Por ejemplo, entender si una exitosa campaña de ventas de helados se debió a un marketing efectivo o simplemente a una ola de calor en París puede proporcionar valiosas ideas para las empresas.
Incorporar datos meteorológicos en la optimización del supply chain es una tarea compleja y desafiante, con beneficios potenciales en la comprensión del rendimiento de ventas pasadas y aplicaciones de forecast a corto plazo limitadas. A medida que la tecnología de forecast meteorológico y la gestión del supply chain continúan evolucionando, pueden surgir mayores oportunidades para que las empresas aprovechen los datos meteorológicos para la toma de decisiones estratégica.
Vermorel comparte sus ideas sobre la importancia de los datos meteorológicos, el impacto del cambio climático y los tipos de datos en los que las empresas deberían centrarse para una mejor optimización del supply chain.
Vermorel explica que, aunque los datos meteorológicos tienen un fuerte poder explicativo, puede que no sean tan útiles para perfeccionar los forecast. Muchos especialistas del supply chain los encuentran útiles para comprender el pasado, pero no necesariamente para hacer future predictions.
Cuando se le pregunta sobre el impacto del cambio climático en los forecast estacionales, Vermorel señala que, si bien es una cuestión global significativa, su efecto en la optimización del supply chain es mínimo debido a la diferencia en los plazos. Las predicciones del cambio climático abarcan siglos, mientras que las decisiones de supply chain se centran en meses o pocos años. Como resultado, el efecto del cambio climático en la optimización del supply chain es relativamente pequeño.
Vermorel destaca la importancia de los datos transaccionales para la optimización del supply chain. Señala que muchas empresas no están utilizando efectivamente estos datos, ya que a menudo no cuantifican su stock y los costos de faltante de stock en términos financieros. Al aprovechar al máximo los datos transaccionales, las empresas pueden optimizar sus decisiones de supply chain.
Además, Vermorel sugiere centrarse en los datos no transaccionales que son fáciles de recolectar y altamente relevantes para el supply chain de una empresa. Los datos de tráfico web, por ejemplo, pueden proporcionar información valiosa sobre el comportamiento del cliente y el desempeño de los productos. La inteligencia competitiva, como los precios de los competidores, es otra fuente de datos valiosa, aunque puede ser más difícil de recopilar.
Los datos meteorológicos y los datos sociales pueden ser útiles, pero Vermorel recomienda que las empresas prioricen primero los datos transaccionales, los datos de tráfico web y los datos de inteligencia competitiva. Los datos meteorológicos y los datos sociales deberían considerarse cuando una empresa ya ha aprovechado al máximo otras fuentes de datos y cuenta con un gran equipo de data science.
Los datos meteorológicos pueden ser útiles e interesantes para comprender el supply chain performance pasado, pero existen otras fuentes de datos que son más importantes para la optimización. Las empresas deberían priorizar los datos transaccionales, los datos de tráfico web y los datos de inteligencia competitiva antes de explorar los datos meteorológicos o los datos sociales para la optimización del supply chain.
Transcripción Completa
Kieran Chandler: Hoy, vamos a discutir en dónde pueden encontrarse algunas de las complicaciones al combinar diferentes forecast y entender si estos datos pueden aprovecharse para brindarnos información valiosa.
Joannes Vermorel: La idea es simple: hay un montón de productos que son altamente sensibles al clima en términos de demanda. Puedes pensar, tal vez, en la carne para barbacoa que vas a comprar para el próximo fin de semana si hace sol, y es probable que organices una barbacoa. Pero, de manera más general, existen clases enteras de productos que son altamente sensibles al clima, y hasta cierto punto, casi todo es algo sensible al clima. Quiero decir, incluso tu automóvil; si estás en una región muy fría, puede que no elijas el mismo automóvil que si vivieras en una región muy calurosa o donde llueve mucho, por ejemplo. Así que es interesante disponer de estos datos, y obviamente, porque es un factor evidente, muchas prácticas de supply chain piensan en mejorar el forecast intentando incluir estos datos del clima, en particular, a partir de la observación de los forecast meteorológicos.
Kieran Chandler: Seguramente, cuanto más sepas, mejor será la base para tomar una decisión basada en el futuro. Entonces, ¿cómo funciona en la práctica?
Joannes Vermorel: Eso es interesante, especialmente la parte de cómo funciona en la práctica. Cuando creé Lokad hace diez años, los datos meteorológicos y las startups relacionadas con el clima estaban de moda. En ese momento, probablemente en Francia, había tres startups dedicadas a perfeccionar los forecast con datos meteorológicos, y probablemente alrededor de 20 en los EE. UU. Es interesante porque eso fue hace una década, y era una pequeña palabra de moda por sí misma, teniendo todo lo que estaba habilitado o impulsado por el clima en términos de analítica. Pero lo interesante es que, en la práctica, ha permanecido increíblemente como un área de nicho. Incluso en Lokad, realizamos bastantes misiones para grandes empresas hace una década, y se desvanecieron. En pocas palabras, requiere demasiado esfuerzo para lo que realmente vale.
Kieran Chandler: Entonces, ¿qué aprendimos realmente cuando lo pusimos en práctica hace todos esos años?
Joannes Vermorel: Aprendimos bastante. Tuvimos misiones con un gran proveedor europeo de electricidad, que creo es exactamente el tipo de empresa que hoy en día aprovecha los datos meteorológicos de manera muy eficiente. Los proveedores de electricidad aprovechan los datos meteorológicos para predecir el consumo eléctrico, de modo que pueden suministrar justo lo necesario para lo que la red requiere en cada minuto del día. Por cierto, no se puede almacenar electricidad, o en realidad hay maneras, pero es muy ineficiente, muy lento e impráctico en la práctica. Así que se requieren forecast muy precisos. Pero volviendo a los datos meteorológicos, las conclusiones clave fueron muchas. Una es que el clima es simplemente tan increíblemente complicado. La gente no se da cuenta de que es un problema tan multidimensional. Tienes la malla geográfica, y una cosa sobre el clima es que es algo súper local. Me sorprendió un poco darme cuenta de lo diferente que puede ser la temperatura a solo 20 kilómetros de distancia. Literalmente puedes tener una diferencia de 15 grados a 20 kilómetros de distancia porque un lugar está apenas un kilómetro más alto en altitud comparado con otro. Así que tienes una super diversidad en términos de geografía, pero además, el clima no se limita al día. Cuando miras la TV, verás como cinco episodios de lluvia, de diez minutos cada uno, repartidos a lo largo del día. Es algo muy preciso que cambia literalmente minuto a minuto. Entonces, tienes la geografía, luego tienes el tiempo con una granularidad súper fina. Obviamente, hace mucha diferencia si llueve durante la noche o durante el día, ya sabes, esas cosas. Pero luego, el clima en sí, no se trata solo de la temperatura y de si llueve o no. Existen como media docena de métricas, como viento, humedad, luz, velocidad y dirección del viento, y si soplará de forma continua o no. Es algo muy multidimensional y, como resultado, diría que es un mundo pequeño por sí mismo. Quiero decir, ya estás lidiando con todos tus datos del supply chain, que ya son bastante complicados, y luego descubres que existe este conjunto de datos meteorológicos que está justo al lado de tus datos del supply chain, y es algo que es literalmente al menos diez veces más complicado que todos tus datos del supply chain juntos.
Kieran Chandler: Sí, obviamente existen estas complicaciones, pero son complicaciones que se han tratado adecuadamente. Se han recolectado bastante, así que ¿qué tipo de desafíos técnicos introduce eso, dado que son cosas que ya empezamos a conocer?
Joannes Vermorel: Sí, quiero decir, primero, terminas con un volumen de datos meteorológicos que es literalmente de 10 a 100 veces mayor que tus datos de supply chain. Entonces, simplemente, en términos de ingeniería de software, terminas con algo que fue diseñado para gestionar el supply chain y su escala, y luego te das cuenta de que si quieres manejar los datos meteorológicos, necesitas procesar literalmente 100 veces más datos. Es mucha fricción en eso. Quiero decir, obviamente, hace una década, era en cierto modo un problema propio poder acceder a los datos meteorológicos. Este problema hoy en día, con muchos proveedores de computación en la nube que te venden los datos directamente en la nube, se ha vuelto mucho más fácil. Pero procesar esos datos sigue siendo muy complicado, especialmente porque, de nuevo, esto no se trata de procesar los datos meteorológicos para hacer simulaciones meteorológicas. Se trata de procesar los datos meteorológicos para hacer algo que todavía es muy nicho, que es intentar correlacionar estos datos con los patrones de ventas. Y, nuevamente, recuerda, el clima es súper local. Por ejemplo, si tienes un mercado que atrae a personas de una amplia área, como 30 o incluso 50 kilómetros a la redonda, no solo tienes un clima a considerar. Podrías tener que consolidar datos en una área geográfica más amplia, pero tendrás que descubrir todas las heurísticas necesarias por tu cuenta.
Kieran Chandler: Pero estamos empezando a complicarlo mucho aquí, observando diferentes altitudes y diferentes granularidades. ¿No hay algo un poco más simplista que podríamos introducir, tal vez algo más reactivo, como en lugar de un min/max, podrías tener una orden de compra automatizada tan pronto como la temperatura alcance cierta cantidad de grados? ¿No es eso algo interesante?
Joannes Vermorel: Quiero decir, de hecho, es interesante. Con la temperatura, tienes la primera medida de interés, absolutamente. Y, en efecto, puedes empezar concentrándote solo en la temperatura y en la temperatura promedio durante el día. Sin embargo, está muy lejos de reflejar todo lo que necesitas saber. Si volvemos al ejemplo de tener un pico de demanda de carne porque la gente espera tener una barbacoa si el próximo fin de semana hace mucho calor, pero también llueve mucho y hay viento, puede que no tengas un pico tan bueno para tus productos de barbacoa. Entonces, de nuevo, sí, la temperatura es importante. Los forecast meteorológicos dejan claro que este fin de semana o el siguiente, con alta probabilidad, va a ser un fin de semana muy agradable. Entonces, todos lo saben, y así tienes clientes que comenzarán a comprar los productos sensibles al clima. Si solo analizas los datos con uno o dos días de retraso, también tienes información sobre el clima. Recuerda que los forecast meteorológicos no son muy precisos más allá de aproximadamente diez días a partir de ahora, por lo que no puedes optimizar con decisiones basadas en forecast que se extiendan más allá de diez días en el futuro. Después de diez días, prácticamente vuelves al promedio estacional como si no supieras nada. Sigue siendo algo de interés, pero también es muy a corto plazo. Solo considera que cuando, por ejemplo, entras en una ola de calor como la de París, la ola de calor puede durar un par de semanas. El período de tiempo en el que el forecast realmente importa no son las tres semanas de la ola de calor, sino más bien los tres días en que entras en la ola de calor y luego quizás los dos o tres días en que sales de ella. Así que es un punto muy estrecho del año en el que realmente tienes una ventaja.
Kieran Chandler: Bien, entonces la ventana es muy pequeña, y recopilar todos estos datos realmente no nos aporta tanto beneficio. Si miramos hacia adelante a algunas de las supply chains del futuro y imaginamos que un día vamos a tener forecast meteorológicos futuros que sean increíblemente precisos y que puedan mirar más al futuro, y tenemos un mayor control de nuestras supply chains en su conjunto, ¿podrías imaginar ese día en el que un forecast meteorológico sería más útil para intentar aprovechar los datos meteorológicos para forecast mejor?
Joannes Vermorel: Es posible. Hay empresas, como los proveedores de electricidad, que lo están haciendo con muy alta eficiencia. Para ellos, los datos meteorológicos son un insumo muy valioso y ayudan a refinar su exactitud por un margen significativo. Pero lo interesante es que la aplicación más útil de los datos meteorológicos no es mirar hacia el futuro; es en realidad mirar hacia el pasado. Por ejemplo, si estás vendiendo helados y lanzas una nueva campaña comercial para tus productos y se venden muy bien, ¿se venden bien porque la campaña fue buena o simplemente porque hubo una ola de calor en París y prácticamente todos los que venden helados tuvieron un buen período durante esa parte del verano? Mirar atrás a los datos meteorológicos puede ser muy útil para explicar la demanda de tus productos. Aquí, no tienes que lidiar con las complejidades de la granularidad. Puedes agregar datos durante períodos de tiempo más largos o en geografías extendidas, y te dará algo que tiene un fuerte poder explicativo.
Kieran Chandler: Probablemente por eso las personas, incluidos muchos profesionales de supply chain, están tan entusiasmados con la idea de usar datos meteorológicos para refinar el forecast. Incluso si esa parte no funciona tan bien, es porque los datos meteorológicos son muy útiles para explicar el pasado. ¿Qué hay de cosas como el cambio climático? Tenemos entendido que el mundo se está calentando gradualmente, y eso va a afectar nuestros forecast estacionales a partir de ahora. ¿Podemos aprovechar esta perspectiva? ¿Hay algo de utilidad?
Joannes Vermorel: Desafortunadamente, hay órdenes de magnitud en juego. Incluso las predicciones de cambio climático más pesimistas están considerando algo que, a lo largo de muchos años, sigue siendo relativamente pequeño en comparación con las fluctuaciones diarias que vemos en el clima.
Kieran Chandler: Por supuesto, durante el siglo XXI, estamos hablando de un par de grados de diferencia. Por cierto, si piensas en el tiempo geológico, es una evolución muy pronunciada del clima. Si la Tierra se calienta o se enfría globalmente por dos grados en el transcurso de un siglo, es mucho. Es muy significativo. No obstante, estamos hablando de un par de grados en un siglo. Incluso en un clima muy templado como el de París, la temperatura típicamente fluctúa entre el punto más alto durante el día y el punto más bajo en alrededor de 20 grados. Tenemos un clima muy templado. Hay muchas regiones en el mundo donde las temperaturas fluctúan hasta en 40 grados entre el punto más alto durante el día y el más bajo durante la noche.
Joannes Vermorel: La conclusión es que tener un cambio climático de quizás dos grados en el transcurso de un siglo – cuando piensas en cuántos cambios traerá de una temporada a otra – es literalmente insignificante. La mayoría de los productos de consumo entran al mercado, pasan de cero a su pico en algo así como doce meses, y luego desaparecen del mercado dos o tres años después. Te das cuenta de que el impacto del clima promedio es muy pequeño para la optimización de la supply chain, simplemente porque no estamos hablando del mismo marco temporal. La supply chain se trata de optimizar decisiones para los próximos un par de meses, tal vez el próximo año, o los próximos un par de años si tienes planes realmente grandes. Pero, no creo que haya muchas empresas que piensen en siglos adelante, salvo por ser más eficientes y consumir menos energía o producir menos desechos, lo cual es una victoria para el futuro. Sin embargo, no es algo que realmente planifiques con un forecast.
Kieran Chandler: Entonces, ¿qué tipo de otros datos deberíamos estar analizando? ¿Qué es más importante que los datos meteorológicos en este momento?
Joannes Vermorel: Hemos llegado a una etapa en la que la mayoría de las empresas ni siquiera están utilizando correctamente sus datos transaccionales. La mayoría de las empresas con las que hablamos, cuando empezamos a trabajar con ellas, ni siquiera cuantificaron sus costos de faltante de stock en euros o dólares. El stock es un trade-off entre el costo del stock y el costo del faltante de stock. Si lo simplifico, básicamente, tienes que equilibrar dos riesgos, y ni siquiera los estás evaluando.
Kieran Chandler: Financieramente, con uno de esos dos riesgos, es muy difícil optimizar algo. Así que la primera etapa es aprovechar al máximo tus datos transaccionales que son súper confiables y tienen exactamente la granularidad que importa para tu decisión de supply chain. La segunda etapa es utilizar todos los datos que no son transaccionales, pero que son fáciles de recopilar y aún muy relevantes para tu propia supply chain. Por ejemplo, eso sería datos de tráfico web si eres una marca. Puedes ver cuántas visitas recibe cada página individual que publicas en tu sitio web, y particularmente si tienes páginas sobre tus productos, puedes observar el tráfico web. Y, de nuevo, cuando el tráfico web evoluciona, obtendrás esta información que está estrechamente conectada con tus propios productos, y es algo que puedes utilizar.
Joannes Vermorel: Tal vez una tercera capa de datos sería la inteligencia competitiva, ya sabes, lo que están haciendo tus competidores, sus precios, etcétera. Son datos que son más complicados de recopilar, pero aún así están muy íntimamente conectados con tu actividad de supply chain. Y luego, más allá de eso, tienes cosas como datos meteorológicos y datos sociales que son posibles. Tenemos ejemplos de empresas que hacen uso de datos sociales, pero tienden a ser empresas súper impulsadas por la tecnología que ya han pasado por todas las etapas anteriores de aprovechar al máximo sus datos transaccionales, datos de tráfico web e inteligencia competitiva. Y entonces puedes aventurarte en datos meteorológicos y tal vez datos sociales, y esos son como fuentes externas.
Kieran Chandler: Bien, para concluir hoy, tal vez los datos meteorológicos sean útiles y puedan ser algo interesantes, particularmente al mirar hacia el pasado. Pero la conclusión principal es básicamente que hay otras cosas que son más importantes.
Joannes Vermorel: Sí, y si aún no tienes un equipo de ciencia de datos muy grande, quiero decir, no estás listo. Ese sería mi mensaje: sabrás que estás listo cuando estés contratando a tu vigésimo cuarto científico de datos, y no sepas exactamente qué tipo de cosas nuevas explorar. Entonces sería un buen momento para empezar a mirar eso.
Kieran Chandler: Bien, terminemos por hoy. Gracias, Joannes. Bien, eso es todo por Lokad TV esta semana. Volveremos de nuevo la próxima vez con otro episodio, siempre que sobrevivamos a esta ola de calor. Nos vemos la próxima vez. Adiós por ahora.
