00:00:07 Aprovechando datos del tiempo para optimizar 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 del tiempo y su estatus de nicho.
00:03:23 Proveedores de electricidad que aprovechan eficientemente los datos del tiempo para la predicción de consumo.
00:06:02 La complejidad de los datos del tiempo en comparación con los datos de la cadena de suministro y los desafíos técnicos.
00:08:00 El impacto del clima en los mercados de OPI y la demanda de productos.
00:10:00 El beneficio limitado de los pronósticos del tiempo para las cadenas de suministro.
00:12:45 La utilidad de los datos del tiempo pasado para explicar la demanda de productos.
00:14:00 Utilizando el cambio climático para mejorar los pronósticos estacionales y sus limitaciones.
00:15:49 Comparando 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 la cadena de suministro.
00:18:04 Aprovechando los datos de tráfico web para una mejor comprensión de la cadena de suministro.
00:18:36 Utilizando la inteligencia competitiva en la toma de decisiones de la cadena de suministro.
00:19:27 Conclusión: Priorizar otras fuentes de datos antes de explorar los datos del tiempo.
Resumen
Joannes Vermorel, fundador de Lokad, discute con Kieran Chandler, el presentador, el potencial y las limitaciones de los datos del tiempo en la optimización de la cadena de suministro. Vermorel destaca que los datos del tiempo tienen un fuerte poder explicativo, pero puede que no sean muy útiles para refinar los pronósticos. La naturaleza multidimensional del clima dificulta su incorporación efectiva en los pronósticos. Vermorel enfatiza la importancia de priorizar los datos transaccionales y los datos no transaccionales, como el tráfico web y la inteligencia competitiva, sobre los datos del tiempo y los datos sociales. Los datos del tiempo pueden ser más útiles para analizar el rendimiento de ventas pasadas. A pesar de los desafíos, a medida que la tecnología de pronóstico del tiempo y la gestión de la cadena de suministro evolucionan, puede haber mayores oportunidades para que las empresas aprovechen los datos del tiempo para la toma de decisiones estratégicas.
Resumen Extendido
En este episodio, Kieran Chandler, el presentador, entrevista a Joannes Vermorel, fundador de Lokad, una empresa de software especializada en la optimización de la cadena de suministro. Discuten el papel de los datos del tiempo en la optimización de las decisiones de compra y las complicaciones que surgen al combinar diferentes pronósticos.
La idea detrás del uso de datos del tiempo para la optimización de la cadena de suministro es simple: muchos productos son altamente sensibles al clima y su demanda se ve influenciada por las condiciones climáticas. Ejemplos incluyen carne para barbacoa e incluso automóviles, ya que las personas en diferentes climas pueden elegir diferentes vehículos. Muchas prácticas de la cadena de suministro buscan mejorar los pronósticos incorporando datos del tiempo.
Hace una década, hubo un revuelo en torno a los datos del tiempo y las startups que se enfocaban en refinar los pronósticos. Sin embargo, a pesar del interés inicial, el uso de datos del tiempo para la optimización de la cadena de suministro ha seguido siendo un área de nicho. Lokad realizó varias misiones para grandes empresas hace aproximadamente una década, pero estos esfuerzos eventualmente disminuyeron porque requerían demasiado esfuerzo en comparación con los beneficios obtenidos.
Una de las ideas clave de la experiencia de Lokad es que los datos del tiempo son increíblemente complicados. Es un problema multidimensional con un alto grado de diversidad geográfica. Las condiciones climáticas pueden variar significativamente incluso a solo 20 kilómetros de distancia debido a factores como la altitud. Además, el clima no es uniforme a lo largo del día, lo que dificulta las predicciones.
Sin embargo, hay industrias que han aprovechado con éxito los datos del tiempo, como los proveedores de electricidad. Utilizan estos datos para predecir el consumo de electricidad, lo que les permite proporcionar la cantidad justa de energía para satisfacer las necesidades de la red en cada minuto del día. El almacenamiento de electricidad es ineficiente e impráctico, por lo que los pronósticos precisos son esenciales para gestionar el suministro.
Si bien el concepto de utilizar datos del tiempo para la optimización de la cadena de suministro parece lógico, se ha demostrado que es complejo y ha seguido siendo un área de nicho. La naturaleza altamente variable y multidimensional del clima dificulta su incorporación de manera efectiva en los pronósticos. Sin embargo, algunas industrias, como los proveedores de electricidad, han encontrado éxito utilizando datos del tiempo para sus necesidades específicas.
Vermorel explica que los datos del tiempo son altamente complejos debido a su especificidad geográfica y los diversos factores que deben tenerse en cuenta, como la lluvia, el viento, la humedad y la luz solar. Esta complejidad hace que los datos del tiempo sean significativamente más grandes y difíciles de manejar en comparación con los datos tradicionales de la cadena de suministro.
Si bien obtener datos del tiempo se ha vuelto más fácil gracias a los proveedores de servicios 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 estos matices.
En respuesta a la sugerencia de utilizar desencadenantes 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 puede no provocar un aumento en la demanda de productos para barbacoa. Además, Vermorel señala que los clientes también monitorean los pronósticos del tiempo, al igual que las empresas, lo que puede provocar cambios en los patrones de compra basados en las expectativas climáticas.
Al analizar la precisión a corto plazo de los pronósticos del tiempo, Vermorel explica que los pronósticos más allá de diez días generalmente no son muy útiles para optimizar las decisiones de la cadena de suministro. Durante ciertos eventos como las olas de calor, el pronóstico solo importa realmente al comienzo y al final del evento, lo que resulta en una ventana estrecha de utilidad.
Al discutir el futuro de las cadenas de suministro y la predicción del tiempo, Vermorel reconoce el potencial de tener pronósticos más precisos para tener un mayor impacto. Sin embargo, destaca que el uso más interesante de los datos del tiempo puede estar en el análisis del rendimiento pasado de las ventas. Por ejemplo, comprender si una exitosa campaña de ventas de helados se debió a una efectiva estrategia de marketing o simplemente a una ola de calor en París puede proporcionar información valiosa para las empresas.
Incorporar datos del tiempo en la optimización de la cadena de suministro es una tarea compleja y desafiante, con beneficios potenciales en la comprensión del rendimiento pasado de las ventas y aplicaciones limitadas de pronóstico a corto plazo. A medida que la tecnología de pronóstico del tiempo y la gestión de la cadena de suministro continúan evolucionando, puede haber mayores oportunidades para que las empresas aprovechen los datos del tiempo para la toma de decisiones estratégicas.
Vermorel comparte sus ideas sobre la importancia de los datos del tiempo, el impacto del cambio climático y los tipos de datos en los que las empresas deberían centrarse para una mejor optimización de la cadena de suministro.
Vermorel explica que aunque los datos del tiempo tienen un fuerte poder explicativo, es posible que no sean tan útiles para refinar los pronósticos. Muchos profesionales de la cadena de suministro los encuentran útiles para comprender el pasado, pero no necesariamente para hacer predicciones futuras.
Cuando se le pregunta sobre el impacto del cambio climático en los pronósticos estacionales, Vermorel señala que, aunque es un problema global significativo, su efecto en la optimización de la cadena de suministro es mínimo debido a la diferencia en los plazos. Las predicciones del cambio climático abarcan siglos, mientras que las decisiones de la cadena de suministro se centran en meses o unos pocos años. Como resultado, el efecto del cambio climático en la optimización de la cadena de suministro es relativamente pequeño.
Vermorel destaca la importancia de los datos transaccionales para la optimización de la cadena de suministro. Señala que muchas empresas no están utilizando eficazmente 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 cadena de suministro.
Además, Vermorel sugiere centrarse en datos no transaccionales que sean fáciles de recopilar y altamente relevantes para la cadena de suministro de una empresa. Los datos de tráfico web, por ejemplo, pueden proporcionar información valiosa sobre el comportamiento del cliente y el rendimiento del producto. La inteligencia competitiva, como los precios de los competidores, es otra fuente de datos valiosa, aunque puede ser más difícil de recopilar.
Los datos del tiempo 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 del tiempo y los datos sociales deben considerarse cuando una empresa ya ha aprovechado al máximo otras fuentes de datos y tiene un equipo de Supply Chain Scientist grande.
Los datos del tiempo pueden ser útiles e interesantes para comprender el rendimiento pasado de la cadena de suministro, pero hay otras fuentes de datos que son más importantes para la optimización. Las empresas deben priorizar los datos transaccionales, los datos de tráfico web y los datos de inteligencia competitiva antes de explorar los datos del tiempo o los datos sociales para la optimización de la cadena de suministro.
Transcripción completa
Kieran Chandler: Hoy vamos a discutir dónde pueden surgir algunas complicaciones al combinar diferentes pronósticos y entender si estos datos se pueden aprovechar para obtener información valiosa.
Joannes Vermorel: La idea es simple: hay toneladas de productos que son altamente sensibles al clima en términos de demanda. Puedes pensar en carne para barbacoa que vas a comprar para el próximo fin de semana si hace sol, y es probable que hagas una barbacoa. Pero en general, hay clases enteras de productos que son altamente sensibles al clima, y hasta cierto punto, prácticamente todo es un poco sensible al clima. Quiero decir, incluso tu coche; si estás en una región muy fría, es posible que no elijas el mismo coche que si vives en una región muy calurosa o donde llueve mucho, por ejemplo. Por lo tanto, es interesante tener estos datos y, obviamente, porque es un factor obvio, muchos profesionales de la cadena de suministro piensan en mejorar el pronóstico tratando de incluir estos datos del tiempo, en particular al mirar los pronósticos del tiempo.
Kieran Chandler: Seguramente, cuanto más sepas, mejor podrás tomar decisiones basadas en el futuro. Entonces, ¿cómo funciona en la práctica?
Joannes Vermorel: Eso es interesante, especialmente la parte sobre cómo funciona en la práctica. Cuando creé Lokad hace diez años, los datos meteorológicos y las startups relacionadas con el clima estaban muy de moda. En ese momento, probablemente en Francia, había tres startups que se centraban en mejorar los pronósticos con datos meteorológicos, y probablemente había unas 20 en Estados Unidos. Es interesante porque eso fue hace una década, y fue una pequeña palabra de moda por sí misma, teniendo todo lo que estaba habilitado o impulsado por el clima en términos de análisis. Pero lo interesante es que, en la práctica, ha seguido siendo increíblemente nicho. Incluso en Lokad, hicimos varias misiones para grandes empresas hace una década, y se desvaneció. En resumen, es demasiado esfuerzo para lo que vale la pena.
Kieran Chandler: Entonces, ¿qué aprendimos realmente cuando lo estábamos poniendo en práctica todos esos años atrás?
Joannes Vermorel: Aprendimos bastante. Tuvimos misiones con un gran proveedor de electricidad europeo, que creo que es exactamente el tipo de empresa que hoy en día aprovecha los datos meteorológicos de manera muy eficiente. Los proveedores de electricidad utilizan datos meteorológicos para predecir el consumo de electricidad para poder suministrar exactamente lo que la red necesita en cada minuto del día. Por cierto, no puedes almacenar electricidad, o en realidad hay formas, pero es muy ineficiente, muy lento e impráctico en la práctica. Por lo tanto, necesitas pronósticos muy precisos. Pero volviendo a los datos meteorológicos, las ideas clave fueron muchas. Una es que el clima es simplemente tan increíblemente complicado. La gente no se da cuenta de que es un problema multidimensional. Tienes la cuadrícula geográfica, y una cosa sobre el clima es que es algo muy 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 a solo un kilómetro más alto en altitud en comparación con el otro lugar. Por lo tanto, tienes una gran diversidad en términos de geografía, pero también el clima no es algo de un día. Cuando ves la televisión, tendrás como cinco instancias de lluvia, diez minutos cada una, repartidas durante el día. Por lo tanto, es algo muy preciso que cambia literalmente minuto a minuto. Entonces, está bien, tienes la geografía, luego tienes el tiempo con una granularidad muy fina. Obviamente, marca una gran diferencia si llueve durante la noche o durante el día, ya sabes, ese tipo de cosas. Pero luego el clima en sí, no se trata solo de la temperatura y si llueve o no. Hay como media docena de métricas como el viento, la humedad, la luz, la velocidad y dirección del viento, y si soplará continuamente o no. Por lo tanto, es algo muy multidimensional y, como resultado, diría que es un mundo pequeño en sí mismo. Quiero decir, ya estás lidiando con todos los datos de tu cadena de suministro, que ya es bastante complicado, y luego descubres que hay este conjunto de datos meteorológicos que está justo al lado de tus datos de cadena de suministro, y es algo que es literalmente al menos diez veces más complicado que todos tus datos de cadena de suministro juntos.
Kieran Chandler: Sí, obviamente hay estas complicaciones, pero son complicaciones con las que se trata mucho. Se recopilan mucho, por lo que ¿qué tipo de desafíos técnicos introduce eso porque son cosas que empezamos a conocer ahora?
Joannes Vermorel: Sí, quiero decir, en primer lugar, te encuentras con un volumen de datos meteorológicos que es literalmente de 10 a 100 veces mayor que tus datos de la cadena de suministro. Entonces, en términos de ingeniería de software, terminas con algo que fue diseñado para lidiar con la cadena de suministro y su escala, y luego te das cuenta de que si quieres lidiar con los datos meteorológicos, necesitas manejar literalmente 100 veces más datos. Hay mucha fricción en eso. Quiero decir, obviamente, hace una década, era un problema en sí mismo solo obtener acceso a los datos meteorológicos. Este problema hoy en día, con muchos proveedores de servicios 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, nuevamente, no se trata de procesar los datos meteorológicos para hacer simulaciones meteorológicas. Se trata de procesar los datos meteorológicos para hacer algo que aún es muy específico, que es tratar de 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 tienes solo un clima para considerar. Es posible que debas consolidar datos en un área geográfica más grande, pero tendrás que descubrir todas las heurísticas necesarias por tu cuenta.
Kieran Chandler: Pero aquí nos estamos complicando mucho, mirando diferentes altitudes y diferentes granularidades. ¿No hay algo más simplista que podríamos introducir, tal vez algo más reactivo, como en lugar de un mín/máx, podrías tener una orden de compra automatizada tan pronto como la temperatura alcance cierta cantidad de grados? ¿No es algo interesante?
Joannes Vermorel: Quiero decir, es interesante, de hecho. Con la temperatura, tienes la primera medida de interés, absolutamente. Y de hecho, puedes comenzar enfocándote solo en la temperatura y 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 hacer una barbacoa si el próximo fin de semana hace mucho calor, pero también está muy lluvioso y ventoso, es posible que no tengas un pico tan bueno para tus productos de barbacoa. Entonces, nuevamente, sí, la temperatura es importante. Los pronósticos del tiempo dejan en claro que este fin de semana o el siguiente, con alta probabilidad, va a ser un fin de semana muy agradable. Entonces, todo el mundo lo sabe y, por lo tanto, tienes clientes que comenzarán a comprar los productos sensibles al clima. Si solo analizas los datos con solo uno o dos días de retraso, también tienes información sobre el clima. Recuerda que los pronósticos del tiempo no son muy precisos más allá de unos diez días a partir de ahora, por lo que no puedes optimizar con decisiones de pronóstico del tiempo 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. Aún es algo de interés, pero también es muy a corto plazo. Solo considera que cuando, por ejemplo, ingresas a una ola de calor como en París, la ola de calor puede durar un par de semanas. El período de tiempo en el que el pronóstico realmente importa no son las tres semanas de la ola de calor, sino los tres días en los que estás ingresando a la ola de calor y luego tal vez los dos o tres días en los que estás saliendo de la ola de calor. Entonces, es un punto de tiempo muy estrecho durante el año en el que incluso tienes una ventaja real.
Kieran Chandler: Bueno, la ventana es muy pequeña y recopilar todos estos datos realmente no nos beneficia mucho. Si miramos hacia el futuro y visualizamos que algún día tendremos pronósticos del tiempo futuros increíblemente precisos y podremos tener un mayor control de nuestras cadenas de suministro en su conjunto, ¿podrías imaginar ese día en el que un pronóstico del tiempo sería más útil para tratar de aprovechar los datos meteorológicos y mejorar las previsiones?
Joannes Vermorel: Es posible. Hay empresas, como los proveedores de electricidad, que lo están haciendo con una eficiencia muy alta. Para ellos, los datos meteorológicos son una entrada muy valiosa y ayudan a refinar su precisión en gran medida. Pero lo interesante es que la aplicación más útil de los datos meteorológicos no es mirar hacia el futuro, sino mirar hacia el pasado. Por ejemplo, si estás vendiendo helados y lanzas una nueva campaña comercial para tus productos y se vende muy bien, ¿se vende 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 los datos meteorológicos pasados 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 geografías extendidas, y te dará algo que tiene un fuerte poder explicativo.
Kieran Chandler: Probablemente por eso las personas, incluidos muchos profesionales de la cadena de suministro, están tan entusiasmadas con la idea de utilizar datos meteorológicos para refinar las previsiones. 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 esta comprensión de que el mundo se está calentando gradualmente, y eso afectará nuestras previsiones estacionales en el futuro. ¿Podemos aprovechar esta idea? ¿Hay algo útil?
Joannes Vermorel: Desafortunadamente, hay órdenes de magnitud en juego. Incluso las predicciones más pesimistas sobre el cambio climático consideran 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 pensamos en el tiempo geológico, es una evolución muy pronunciada del clima. Si la Tierra se calienta o se enfría globalmente en dos grados durante un siglo, es mucho. Es muy significativo. Sin embargo, estamos hablando de un par de grados en un siglo. Incluso en un clima muy suave como el de París, la temperatura fluctúa típicamente entre el punto más alto durante el día y el punto más bajo en unos 20 grados. Tenemos un clima muy suave. Hay muchas regiones en el mundo donde las temperaturas fluctúan en 40 grados entre el punto más alto durante el día y el punto más bajo durante la noche.
Joannes Vermorel: La conclusión es que tener un cambio climático de tal vez dos grados a lo largo de un siglo, cuando piensas en cuánto cambio traerá de una temporada a la siguiente, es literalmente insignificante. La mayoría de los productos de consumo ingresan al mercado, alcanzan su punto máximo 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 cadena de suministro, simplemente porque no estamos hablando del mismo período de tiempo. La cadena de suministro se trata de optimizar decisiones para los próximos meses, tal vez el próximo año, o los próximos dos o tres años si tienes planes realmente grandes. Pero no creo que haya muchas empresas que estén pensando en siglos por delante, excepto para ser más eficientes y consumir menos energía o producir menos residuos, lo cual es una ganancia para el futuro. Sin embargo, no es algo que realmente planifiques con una previsión.
Kieran Chandler: Entonces, ¿en qué otros datos deberíamos estar enfocados? ¿Qué es más importante que los datos meteorológicos en este momento?
Joannes Vermorel: Hemos llegado a un punto en el que la mayoría de las empresas ni siquiera están utilizando correctamente sus datos transaccionales. La mayoría de las empresas con las que hablamos, cuando comenzamos a trabajar con ellas, ni siquiera cuantificaron sus costos de faltante de stock en euros o dólares. El stock es un compromiso entre el costo del stock y el costo del faltante de stock. Si estoy simplificando, básicamente tienes que equilibrar dos riesgos, y ni siquiera los estás evaluando.
Kieran Chandler: Financieramente, uno de esos dos riesgos es muy difícil de optimizar. Entonces, 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 cadena de suministro. La segunda etapa es utilizar todos los datos que no son transaccionales, pero que son fáciles de recopilar y aún son muy relevantes para tu propia cadena de suministro. Por ejemplo, eso sería datos de tráfico web si eres una marca. Puedes ver cuántas visitas recibe cada página que publicas en tu sitio web, y especialmente si tienes páginas sobre tus productos, puedes ver el tráfico web. Y nuevamente, cuando el tráfico web evoluciona, obtendrás esta información que está estrechamente relacionada con tus propios productos, y eso 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, etc. Es un dato más complicado de recopilar, pero aún está muy íntimamente relacionado con tu actividad de cadena de suministro. Y luego, más allá de eso, tienes cosas como datos meteorológicos y datos sociales que son posibles. Tenemos ejemplos de empresas que utilizan datos sociales, pero tienden a ser empresas muy orientadas a la tecnología que ya han pasado por todas las etapas anteriores de aprovechar al máximo sus datos transaccionales, datos de tráfico web y datos de inteligencia competitiva. Y luego puedes aventurarte en datos meteorológicos y tal vez datos sociales, y esos son tipos de fuentes externas.
Kieran Chandler: Bueno, para concluir hoy, tal vez los datos meteorológicos sean útiles y puedan ser interesantes, especialmente cuando se mira 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 comenzar a echar un vistazo a eso.
Kieran Chandler: Bueno, terminemos aquí por hoy. Gracias, Joannes. Bueno, eso es todo por Lokad TV esta semana. Volveremos la próxima vez con otro episodio, siempre y cuando sobrevivamos a esta ola de calor. Nos vemos la próxima vez. Hasta luego.
