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 las previsiones meteorologicas 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 climatico para mejorar las previsiones 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 meteorologicos en la optimizacion del supply chain. Vermorel destaca que los datos meteorologicos tienen un fuerte poder explicativo, pero puede que no sean muy utiles para perfeccionar las previsiones. La naturaleza multidimensional del clima hace que sea un desafio incorporarlos eficazmente en las previsiones. Vermorel enfatiza la importancia de priorizar los datos transaccionales y no transaccionales, como el trafico web y la inteligencia competitiva, sobre los datos meteorologicos y los datos sociales. Los datos meteorologicos pueden ser mas utiles para analizar el rendimiento de ventas pasadas. A pesar de los desafios, a medida que la tecnologia de previsión meteorologica y la gestion del supply chain evolucionan, pueden existir mayores oportunidades para que las empresas aprovechen los datos meteorologicos para la toma de decisiones estrategica.
Resumen Extendido
En este episodio, Kieran Chandler, el presentador, entrevista a Joannes Vermorel, fundador de Lokad, una empresa de software especializada en la optimizacion del supply chain. Discuten el papel de los datos meteorologicos en la optimizacion de las decisiones de compra y las complicaciones que surgen al combinar diferentes previsiones.
La idea de utilizar datos meteorologicos para la optimizacion del supply chain es simple: muchos productos son altamente sensibles al clima, y su demanda se ve influenciada por las condiciones meteorologicas. Ejemplos incluyen la carne para barbacoa e incluso automoviles, ya que las personas en diferentes climas pueden elegir vehiculos distintos. Muchas practicas de supply chain tienen como objetivo mejorar las previsiones incorporando datos meteorologicos.
Hace una decada, hubo un revuelo en torno a los datos meteorologicos y las startups enfocadas en perfeccionar las previsiones. Sin embargo, a pesar del interes inicial, el uso de datos meteorologicos para la optimizacion del supply chain ha permanecido como un area de nicho. Lokad realizo varias misiones para grandes empresas hace aproximadamente una decada, pero estos esfuerzos eventualmente se desvanecieron porque requerian demasiado esfuerzo en relacion 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 exito los datos meteorologicos, como los proveedores de electricidad. Utilizan estos datos para predecir el consumo electrico, permitiendoles suministrar justo lo necesario para lo que la red requiere en cada minuto del dia. El almacenamiento de electricidad es ineficiente e impractico, por lo que se requieren previsiones muy precisas para gestionar el suministro.
Aunque el concepto de utilizar datos meteorologicos para la optimizacion del supply chain parece logico, ha demostrado ser complejo y ha permanecido como un area de nicho. La naturaleza altamente variable y multidimensional del clima hace que sea un desafio incorporarlo eficazmente en las previsiones. Sin embargo, algunas industrias, como los proveedores de electricidad, han encontrado exito al utilizar datos meteorologicos para sus necesidades especificas.
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 mas simples y reactivos basados en la temperatura, Vermorel reconoce que la temperatura puede ser un factor importante pero enfatiza que no es el unico. Por ejemplo, un fin de semana caluroso, lluvioso y ventoso podria no conducir a un aumento en la demanda de productos de barbacoa. Ademas, Vermorel señala que los clientes monitorean las previsiones meteorologicas 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 precision a corto plazo de las previsiones meteorologicas, Vermorel explica que las previsiones con una duracion superior a diez dias generalmente no son muy utiles para optimizar las decisiones de supply chain. Durante ciertos eventos, como las olas de calor, la previsión 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 de la previsión meteorologica, Vermorel reconoce el potencial de que las previsiones precisas tengan un mayor impacto. Sin embargo, destaca que el uso mas interesante de los datos meteorologicos puede ser, en realidad, en analizar el rendimiento de ventas pasadas. Por ejemplo, entender si una exitosa campaña de ventas de helados se debio a un marketing efectivo o simplemente a una ola de calor en Paris puede proporcionar valiosas ideas para las empresas.
Incorporar datos meteorologicos en la optimizacion del supply chain es una tarea compleja y desafiante, con beneficios potenciales en la comprension del rendimiento de ventas pasadas y aplicaciones de previsión a corto plazo limitadas. A medida que la tecnologia de previsión meteorologica y la gestion del supply chain continuan evolucionando, pueden surgir mayores oportunidades para que las empresas aprovechen los datos meteorologicos para la toma de decisiones estrategica.
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 meteorologicos tienen un fuerte poder explicativo, puede que no sean tan utiles para perfeccionar las previsiones. Muchos especialistas del supply chain los encuentran utiles para comprender el pasado, pero no necesariamente para hacer predicciones futuras.
Cuando se le pregunta sobre el impacto del cambio climatico en las previsiones estacionales, Vermorel señala que, si bien es una cuestion global significativa, su efecto en la optimizacion del supply chain es minimo debido a la diferencia en los plazos. Las predicciones del cambio climatico abarcan siglos, mientras que las decisiones de supply chain se centran en meses o pocos años. Como resultado, el efecto del cambio climatico en la optimizacion 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 donde pueden encontrarse algunas de las complicaciones al combinar diferentes previsiones y entender si estos datos pueden aprovecharse para brindarnos informacion valiosa.
Joannes Vermorel: La idea es simple: hay un monton de productos que son altamente sensibles al clima en terminos de demanda. Puedes pensar, tal vez, en la carne para barbacoa que vas a comprar para el proximo fin de semana si hace sol, y es probable que organices una barbacoa. Pero, de manera mas 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 automovil; si estas en una region muy fria, puede que no elijas el mismo automovil que si vivieras en una region muy calurosa o donde llueve mucho, por ejemplo. Asi que es interesante disponer de estos datos, y obviamente, porque es un factor evidente, muchas practicas de supply chain piensan en mejorar la previsión intentando incluir estos datos del clima, en particular, a partir de la observacion de las previsiones meteorologicas.
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 como funciona en la practica. Cuando cree Lokad hace diez años, los datos meteorologicos y las startups relacionadas con el clima estaban de moda. En ese momento, probablemente en Francia, habia tres startups dedicadas a perfeccionar las previsiones con datos meteorologicos, y probablemente alrededor de 20 en los EE. UU. Es interesante porque eso fue hace una decada, y era una pequeña palabra de moda por si misma, teniendo todo lo que estaba habilitado o impulsado por el clima en terminos de analitica. Pero lo interesante es que, en la practica, ha permanecido increiblemente como un area de nicho. Incluso en Lokad, realizamos bastantes misiones para grandes empresas hace una decada, 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 dia aprovecha los datos meteorologicos de manera muy eficiente. Los proveedores de electricidad aprovechan los datos meteorologicos para predecir el consumo electrico, de modo que pueden suministrar justo lo necesario para lo que la red requiere en cada minuto del dia. Por cierto, no se puede almacenar electricidad, o en realidad hay maneras, pero es muy ineficiente, muy lento e impractico en la practica. Asi que se requieren previsiones muy precisas. Pero volviendo a los datos meteorologicos, las conclusiones clave fueron muchas. Una es que el clima es simplemente tan increiblemente complicado. La gente no se da cuenta de que es un problema tan multidimensional. Tienes la malla geografica, y una cosa sobre el clima es que es algo super local. Me sorprendio un poco darme cuenta de lo diferente que puede ser la temperatura a solo 20 kilometros de distancia. Literalmente puedes tener una diferencia de 15 grados a 20 kilometros de distancia porque un lugar esta apenas un kilometro mas alto en altitud comparado con otro. Asi que tienes una super diversidad en terminos de geografia, pero ademas, el clima no se limita al dia. Cuando miras la TV, veras como cinco episodios de lluvia, de diez minutos cada uno, repartidos a lo largo del dia. Es algo muy preciso que cambia literalmente minuto a minuto. Entonces, tienes la geografia, luego tienes el tiempo con una granularidad super fina. Obviamente, hace mucha diferencia si llueve durante la noche o durante el dia, ya sabes, esas cosas. Pero luego, el clima en si, no se trata solo de la temperatura y de si llueve o no. Existen como media docena de metricas, como viento, humedad, luz, velocidad y direccion del viento, y si soplara de forma continua o no. Es algo muy multidimensional y, como resultado, diria que es un mundo pequeño por si mismo. Quiero decir, ya estas lidiando con todos tus datos del supply chain, que ya son bastante complicados, y luego descubres que existe este conjunto de datos meteorologicos que esta justo al lado de tus datos del supply chain, y es algo que es literalmente al menos diez veces mas 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 interes, absolutamente. Y, en efecto, puedes empezar concentrandote solo en la temperatura y en la temperatura promedio durante el dia. Sin embargo, esta 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 proximo fin de semana hace mucho calor, pero tambien llueve mucho y hay viento, puede que no tengas un pico tan bueno para tus productos de barbacoa. Entonces, de nuevo, si, la temperatura es importante. Las previsiones meteorologicas 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 asi tienes clientes que comenzaran a comprar los productos sensibles al clima. Si solo analizas los datos con uno o dos dias de retraso, tambien tienes informacion sobre el clima. Recuerda que las previsiones meteorologicas no son muy precisas mas alla de aproximadamente diez dias a partir de ahora, por lo que no puedes optimizar con decisiones basadas en previsiones que se extiendan mas alla de diez dias en el futuro. Despues de diez dias, practicamente vuelves al promedio estacional como si no supieras nada. Sigue siendo algo de interes, pero tambien es muy a corto plazo. Solo considera que cuando, por ejemplo, entras en una ola de calor como la de Paris, la ola de calor puede durar un par de semanas. El periodo de tiempo en el que la previsión realmente importa no son las tres semanas de la ola de calor, sino mas bien los tres dias en que entras en la ola de calor y luego quizas los dos o tres dias en que sales de ella. Asi 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 dia vamos a tener previsiones meteorologicas futuras que sean increiblemente precisas y que puedan mirar mas al futuro, y tenemos un mayor control de nuestras supply chains en su conjunto, ¿podrias imaginar ese dia en el que una previsión meteorologica seria mas util para intentar aprovechar los datos meteorologicos para prever 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, estan tan entusiasmados con la idea de usar datos meteorologicos para refinar la previsión. Incluso si esa parte no funciona tan bien, es porque los datos meteorologicos son muy utiles para explicar el pasado. ¿Que hay de cosas como el cambio climatico? Tenemos entendido que el mundo se esta calentando gradualmente, y eso va a afectar nuestras previsiones 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 conclusion es que tener un cambio climatico de quizas dos grados en el transcurso de un siglo - cuando piensas en cuantos cambios traera de una temporada a otra - es literalmente insignificante. La mayoria de los productos de consumo entran al mercado, pasan de cero a su pico en algo asi como doce meses, y luego desaparecen del mercado dos o tres años despues. Te das cuenta de que el impacto del clima promedio es muy pequeño para la optimizacion de la supply chain, simplemente porque no estamos hablando del mismo marco temporal. La supply chain se trata de optimizar decisiones para los proximos un par de meses, tal vez el proximo año, o los proximos un par de años si tienes planes realmente grandes. Pero, no creo que haya muchas empresas que piensen en siglos adelante, salvo por ser mas eficientes y consumir menos energia o producir menos desechos, lo cual es una victoria para el futuro. Sin embargo, no es algo que realmente planifiques con una previsión.
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.
