Pseudo-Ciencia en Supply Chains

00:00:07 Scientism y su prevalencia en supply chains.
00:00:34 Explicación del cientificismo y sus consecuencias en diversos campos.
00:02:16 Ejemplos del mundo real de una excesiva dependencia en los resultados científicos y atajos.
00:04:07 Forecast de demanda en supply chain como un ejemplo de cientificismo.
00:06:50 Alternativas al cientificismo en la gestión de supply chain y la consideración de sistemas complejos.
00:08:01 Simplificación excesiva y su impacto en los profesionales de supply chain.
00:09:45 Abordar el problema del racionalismo ingenuo en la gestión de supply chain.
00:12:38 La importancia del juicio humano en supply chains y las limitaciones de los modelos cuantitativos.
00:14:48 Equilibrando las percepciones respaldadas por datos con el juicio de alto nivel en la toma de decisiones.
00:15:38 Asegurar la comprensión por parte del cliente y evitar el racionalismo ingenuo en Lokad.
00:17:06 La necesidad de considerar factores significativos como el Año Nuevo Chino en la planificación de supply chain.
00:18:30 Ser escéptico respecto a las organizaciones racionales y la importancia de combinar la ciencia con el sentido común.
00:19:51 Ingenieros altamente educados pueden no tener ni idea acerca de las aplicaciones en el mundo real.
00:21:02 La necesidad de percepciones de expertos, sentido común y evitar tonterías a escala industrial.

Resumen

El fundador de Lokad, Joannes Vermorel, analiza el concepto de cientificismo en la optimización de supply chain en una entrevista con Kieran Chandler. El cientificismo se define como una excesiva dependencia en la ciencia, asumiendo que todos los problemas pueden resolverse mediante un enfoque científico. Vermorel advierte contra un énfasis excesivo en los enfoques algorítmicos para el forecast de demanda, ya que estos modelos pueden ser excesivamente simplistas y conducir a profecías autocumplidas. Enfatiza la importancia del juicio humano de alto nivel en supply chain management, así como la necesidad de considerar efectos de segundo orden y reconocer la complejidad de los sistemas y de los humanos involucrados. Vermorel aconseja a los clientes confiar en las percepciones de expertos y el sentido común al implementar soluciones de optimización de supply chain.

Resumen Ampliado

En esta entrevista, el presentador Kieran Chandler y Joannes Vermorel, el fundador de Lokad, discuten el concepto de cientificismo y cómo impacta la optimización de supply chain. El cientificismo se describe como una creencia extrema en la ciencia, asumiendo que todos los problemas pueden resolverse mediante un enfoque científico. En el contexto de la gestión de supply chain, este término es sinónimo de racionalismo ingenuo, lo que sugiere que una única receta, algoritmo o tecnología puede resolver todos los problemas de supply chain.

Vermorel señala que las grandes organizaciones a menudo imitan el método científico en su gestión de supply chain, enfocándose en números, fórmulas y contratando a personas con PhDs. Sin embargo, estos atributos por sí solos no necesariamente hacen que su enfoque sea científico. Compara este fenómeno con una fachada, creando una ilusión de rigor científico sin adherirse verdaderamente al método científico.

Como ejemplo de cientificismo mal encaminado, Vermorel discute la controversia en torno a los p-values en las ciencias sociales. Los p-values se utilizan para medir la confianza en una hipótesis, pero cuando se prueban millones de hipótesis, algunas inevitablemente mostrarán resultados significativos debido al azar. Este problema ilustra cómo la excesiva dependencia de resultados aparentemente científicos puede conducir a conclusiones engañosas.

Aplicando este concepto a la gestión de supply chain, Vermorel identifica el forecast de demanda como un área donde el cientificismo puede ser problemático. Existen numerosos libros y modelos sobre forecast de demanda, que pueden dar la impresión de un enfoque racional y bien establecido. Sin embargo, al examinar estos modelos más de cerca, su racionalidad se vuelve cuestionable.

Discuten las limitaciones de ciertos enfoques algorítmicos para el forecast de demanda y la necesidad de un juicio humano de alto nivel en la gestión de supply chain.

Vermorel explica que muchos algoritmos de forecast pueden ser excesivamente simplistas y pueden conducir a profecías autocumplidas. Por ejemplo, si un forecast predice cero demanda para un producto, puede que el producto no se tenga en stock, y por lo tanto no se realicen ventas, lo que refuerza el forecast inicial. También menciona que para las marcas de moda, el número de unidades producidas a menudo es igual al número de unidades vendidas, debido a grandes descuentos en artículos no vendidos. Estos ejemplos ilustran el problema de las profecías autocumplidas en modelos ingenuos de forecast.

Para superar las limitaciones de estos modelos, Vermorel sugiere que los profesionales de supply chain deben reconocer la complejidad de los sistemas con los que trabajan y de los humanos involucrados. También deben considerar los efectos de segundo orden, como cómo el ofrecer descuentos puede crear expectativas de futuros descuentos en los clientes. Argumenta que los métodos científicos que se centran en efectos de primer orden y simplificaciones pueden ser fáciles de medir y comparar, pero no son necesariamente relevantes para el negocio.

Vermorel enfatiza la importancia del juicio humano en la gestión de supply chain. Cree que se necesita una inteligencia humana de alto nivel para determinar si un modelo matemático es útil o si está simplificando en exceso el problema. Si bien puede ser posible abordar los problemas de supply chain de manera científica, se requiere sutileza y no puede reducirse a simples mediciones.

Observa que los profesionales de supply chain generalmente están al tanto de estos problemas, pero el atractivo del cientificismo y el racionalismo puede ser tentador, especialmente para personas altamente educadas. Dichos profesionales pueden haber estado expuestos al éxito de modelos cuantitativos en otros campos, como la termodinámica, y pueden esperar lograr el mismo poder predictivo en la gestión de supply chain. Sin embargo, Vermorel advierte que los humanos no son partículas y su comportamiento es más complejo, lo que requiere un enfoque más matizado en la gestión de supply chain.

Un ejemplo de racionalismo ingenuo en la gestión de supply chain es el proceso de Sales and Operations Planning (S&OP). Vermorel señala que las divisiones dentro de una empresa pueden simplemente devolver forecasts para cumplir con sus propios incentivos, en lugar de producir forecasts de demanda precisos.

Abordan la tendencia humana a evitar el riesgo, la importancia de respaldar los forecasts con datos y el papel del juicio de alto nivel en la optimización de supply chain.

Vermorel reconoce que las personas son naturalmente adversas al riesgo y a menudo confían en los datos para respaldar sus afirmaciones y forecasts. Está de acuerdo en que es esencial utilizar datos para apoyar las percepciones, pero advierte que se debe tener cuidado al tratar con estadísticas, especialmente cuando múltiples variables están involucradas en problemas altamente complejos y de alta dimensión.

Vermorel enfatiza la importancia del juicio de alto nivel al supervisar los cálculos y modelos utilizados en la optimización de supply chain, argumentando que es crucial asegurar que haya una perspectiva adecuada en el núcleo del análisis. Cree que el verdadero racionalismo implica este juicio de alto nivel para prevenir posibles escollos en el análisis que podrían surgir al pasar por alto aspectos importantes.

La conversación luego pasa al concepto del racionalismo ingenuo, con Chandler señalando que el enfoque de Lokad podría tener algunos elementos de ello. Menciona que muchos de sus clientes pueden no comprender completamente la “magia negra” detrás de las técnicas de optimización de supply chain de la compañía. Vermorel responde diciendo que no son las tecnicidades lo más importante, sino la comprensión de alto nivel de los procesos de supply chain.

Según Vermorel, muchas de las tecnicidades que los clientes no entienden a menudo son intrascendentes en el panorama general. Sostiene que es más importante que Lokad se enfoque en acertar los aspectos más amplios de la supply chain, como tener en cuenta eventos como el Año Nuevo Chino, que pueden tener impactos significativos en los lead times.

Vermorel comienza admitiendo que el campo de la optimización de supply chain todavía está en su infancia. Aunque ha habido mejoras significativas en comparación con métodos anteriores, la industria apenas ha arañado la superficie. Enfatiza la importancia de combinar enfoques científicos con el sentido común para lograr los mejores resultados.

Luego advierte contra la creencia en una organización perfectamente racional y bien definida, compuesta de equipos separados para el forecast, la planificación y las compras, cada uno optimizando métricas específicas. Vermorel argumenta que tales sistemas pueden parecer racionales y científicos, pero a menudo no son más que una ilusión. Subraya la necesidad de escepticismo al encontrarse con tales organizaciones, ya que pueden no ser tan racionales o efectivas como parecen.

En retrospectiva, Vermorel reconoce estos fracasos como las consecuencias obvias del racionalismo ingenuo. Aconseja a los clientes confiar en las percepciones de expertos y en el sentido común al implementar soluciones de optimización de supply chain. No importa cuántas palabras de moda o jerga técnica se lancen a un problema, sin una comprensión fundamentada y un enfoque práctico, el resultado no será más que tonterías a escala industrial.

Transcripción Completa

Kieran Chandler: Hoy en Lokad TV, vamos a entender por qué este es un hueco tan fácil de caer y discutir si algo que parece ingenioso en la superficie realmente lo es en la realidad. Entonces Joannes, hoy hablamos sobre el cientificismo. Suena un poco teórico, pero ¿qué es exactamente?

Joannes Vermorel: Diría que el cientificismo es una creencia extrema en la ciencia. Es la idea de que literalmente puedes resolver todos tus problemas en la vida y en la sociedad con un enfoque científico, lo cual suena bien pero en realidad es un poco ingenuo. En el caso específico de supply chain, sería sinónimo de racionalismo ingenuo, un enfoque donde tenemos una receta, algoritmos y un poco de tecnología para resolver el problema con un método definitivo. He observado que, especialmente en supply chain, las grandes organizaciones tienden a imitar los métodos científicos. Hacen cosas que comparten los atributos de la ciencia, como involucrar muchos números, fórmulas, personas con PhDs, métricas, mediciones y algún tipo de proceso. Pero a veces, o de hecho muy frecuentemente, no tienes nada que, en mi opinión, califique como científico. Así que tienes los atributos, pero es como una fachada, una ilusión.

Kieran Chandler: Antes de pasar al lado de supply chain, ¿tienes algún ejemplo del mundo real de cómo las personas se han vuelto excesivamente dependientes de resultados científicos y se han dejado llevar demasiado? ¿Dónde hemos visto que se han tomado atajos?

Joannes Vermorel: Hoy en día hay una gran controversia en las ciencias sociales porque la mayoría de los artículos publicados durante las últimas cinco décadas en las ciencias sociales simplemente no se reproducen, lo cual es un problema enorme. Una de las causas fundamentales son los p-values, una forma de establecer cuánta confianza se puede tener en una hipótesis. Por ejemplo, supongamos que postulo que comer fresas es bueno para la salud. Realizo una medición y valido esta hipótesis. El problema es que si se prueban miles o millones de hipótesis, se generarán toneladas de hipótesis que exhiben buenos p-values, es decir, cosas que parecen muy confiables. Pero el problema es que has probado tantas hipótesis que, según los datos limitados, algunas de ellas resultan ser casi completamente verdaderas por puro azar. En supply chain, hay muchas similitudes donde los métodos tienen el aspecto de algo muy racional, pero cuando se indaga más a fondo, son profundamente irracionales.

Kieran Chandler: Miremos ejemplos de supply chain. ¿Cuáles son esas cosas que parecen fáciles en la superficie pero que, en realidad, al profundizar en ellas, no lo son en absoluto y son mucho menos racionales?

Joannes Vermorel: Probablemente el forecast de demanda. Hay libros enteros escritos sobre cómo se pueden construir modelos de forecast de demanda. Contamos con toda una literatura al respecto, desde los viejos modelos de suavizado exponencial, Holt-Winters, y demás. Uno pensaría que el forecast de demanda estadístico es algo muy establecido. Tienes un forecast, puedes hacer un benchmark, puedes hacer backtesting. Parece el arquetipo de algo súper científico, y mi punto es que, frecuentemente, no lo es. No es científico en absoluto. Es, de hecho, muy ingenuo. Uno de los primeros errores que cometí en Lokad hace una década fue pensar que este tipo de enfoque algorítmico para el forecast de demanda funcionaba realmente. No es así, por en realidad bastantes razones. Una de ellas es que terminas con un efecto autoprofético. Sabes, si forecastas que no vas a tener demanda para un producto en una tienda, entonces tal vez ni siquiera coloques el producto en la tienda, y así acabarás con profecías autocumplidas. Si forecastas cero demanda, entonces no pones stock, y luego no vendes nada, y entonces tu forecast es 100% correcto. Y supongo que entonces tendrías más confianza en el forecast. Está estadísticamente probado y, sin embargo, cuando lo piensas, es algo tonto desde el punto de vista del negocio, y en realidad, lo es. Así que ese es un ejemplo extremo. Un ejemplo un poco más avanzado pero aún bastante tonto es cuando quieres hacer un forecast para una marca de moda. Si quieres forecastar cuántas unidades se van a vender de un producto dado, bueno, solo tienes que ver cuántas unidades se produjeron en primer lugar. Si produces 1,000 camisetas, pues adivina qué, vas a vender 1,000 camisetas, menos la merma.

Kieran Chandler: ¿Entonces, cuál es la alternativa? Porque parece que tienes un método, el método funciona de alguna manera, está en lo correcto en líneas generales.

Joannes Vermorel: La alternativa es, en primer lugar, que debes reconocer que la situación es compleja, que hay humanos involucrados, que cuentas con un sistema complejo con bucles de retroalimentación por todas partes, que existen efectos de segundo orden. Los efectos de segundo orden son, por ejemplo, cuando le das un descuento a un cliente. ¿Qué creas? Obviamente, ese descuento te cuesta. Esos son euros o dólares en margen que no obtienes. Ese es el efecto de primer orden del descuento. Otra parte del efecto de primer orden es que probablemente experimentes algún tipo de aumento en la demanda. Pones un producto en oferta con muchos descuentos, y usualmente las ventas van a aumentar. Pero el efecto de segundo orden es que creas una expectativa en tu base de clientes de comprar productos con descuento.

Entonces, nuevamente, el nacionalismo o el cientificismo es una especie de método en el que te concentras principalmente en los efectos de primer orden, donde tomas atajos, simplificas la situación, y terminas con algo en lo que es fácil realizar mediciones, generar métricas y hacer benchmarks y probar hipótesis. Pero el hecho de que sea fácil no significa que sea relevante. No es porque algo sea sencillo que en realidad sea bueno para tu negocio.

Kieran Chandler: Entonces, ¿cómo puede la simplificación excesiva de este tipo impactar a los profesionales de supply chain? ¿Cuál es el resultado de ello? Tengo una pregunta acerca de los modelos matemáticos y la modernización cuantitativa. ¿Qué tan importante es el juicio humano en este proceso, especialmente cuando se consideran sistemas complejos?

Joannes Vermorel: El juicio humano es crucial. Se necesita una inteligencia humana de alto nivel para evaluar si un modelo es la manera correcta de abordar un problema. Esto es parte de la ciencia, pero no se trata solo de una cuestión de mediciones simples y de probar hipótesis. Se requiere un juicio de alto nivel para asegurar que el modelo esté alineado con la realidad.

Al abordar un determinado dominio, necesitas la perspectiva adecuada. Por ejemplo, cuando tratas de abordar problemas de supply chain, es necesaria una perspectiva que tenga sentido para grandes grupos de personas y sociedades. Esto no puede demostrarse de manera científica, sino a través de una discusión difícil entre personas de buena fe que intentan acercarse a la verdad. No se trata de tener una medición ingenua para demostrar que alguien tiene la razón o está equivocado, sino que hay una mayor sutileza involucrada.

Kieran Chandler: ¿Han notado los profesionales de supply chain las deficiencias de estos modelos?

Joannes Vermorel: Los profesionales de supply chain son, de hecho, altamente educados e interesados en su campo. El problema con los modelos científicos y racionales no es que se apliquen a personas sin educación, sino que se presentan entre individuos altamente educados. Alguien con una formación educativa limitada podría no impresionarse con fórmulas o protocolos y sería escéptico ante cosas complicadas que no entiende. Por el contrario, las personas altamente educadas son más propensas a enfrentar estos problemas porque han sido testigo de la efectividad de ciertos modelos científicos, como las leyes de la termodinámica.

El problema surge cuando las personas intentan aplicar el mismo enfoque a los supply chains, esperando el mismo nivel de poder predictivo que en otros dominios científicos. Sin embargo, los humanos no son partículas, piensan y reaccionan de manera diferente. Por ejemplo, los clientes se adaptarán a los descuentos y anticiparán acciones futuras, manipulando efectivamente el sistema. Esto ocurre repetidamente en la gestión de supply chain.

Kieran Chandler: El problema que tengo con esto es que los humanos son naturalmente adversos al riesgo. Si hay pruebas que respalden sus afirmaciones y forecasts, las utilizarán. Entonces, ¿qué piensas sobre el papel de la ciencia en este contexto? ¿Existe realmente una alternativa a utilizar datos en la optimización de supply chain?

Joannes Vermorel: A primera vista, tiendo a estar de acuerdo con la idea de que es mejor respaldar tus afirmaciones con datos. Sin embargo, hay que tener mucho cuidado, especialmente al tratar con problemas complejos y de alta dimensión que involucran múltiples variables y agentes, como humanos o empresas que pueden reaccionar a lo que hagas. Estos problemas pueden volverse bastante complicados. Por supuesto, deseas respaldar tu perspectiva con la mayor cantidad de datos posible, pero hay una diferencia entre el verdadero racionalismo y el racionalismo ingenuo. Aún necesitas tener un juicio de alto nivel supervisando todos tus cálculos y modelos para asegurarte de que exista una perspectiva adecuada para el análisis y que no haya ángulos extremadamente flojos que anulen todo lo que acabas de hacer.

Kieran Chandler: Hablemos de ese juicio de alto nivel. Algunos podrían argumentar que lo que hacemos en Lokad implica una buena cantidad de racionalismo ingenuo, y muchos de nuestros clientes no entienden completamente toda la “magia negra” que usan nuestros supply chain scientists. ¿Cómo aseguras que nuestros clientes comprendan lo que está sucediendo?

Joannes Vermorel: A mí lo que realmente me importa es la comprensión a alto nivel, más que los tecnicismos. Los tecnicismos son en su mayoría inconsecuentes. Por ejemplo, sé que cuando uso una función específica, el cálculo que obtengo es una aproximación que puede variar en una parte por millón, pero cuando estoy tratando con un supply chain donde la uncertainty es de alrededor del 40%, este nivel de aproximación es irrelevante. Para nuestros clientes que usan Lokad, las cosas que no entienden suelen ser muy técnicas, pero en gran medida poco importantes. Es mucho más importante asegurarse de que Lokad lo haga bien en lo que se refiere a factores como los tiempos de entrega y tener en cuenta eventos como el Año Nuevo chino, que añade cuatro semanas de tiempo de entrega cada año.

Kieran Chandler: Las semanas de tiempo de entrega extra se reflejarán directamente en tus tiempos de entrega. No es algo sutil, y ese es el tipo de situación en el que este juicio de alto nivel te permite decidir que, no, necesito tener eso en cuenta. Puedo, literalmente, mediante una observación ingenua, juzgar si realmente lo estás considerando. No necesitas un microscopio; el efecto es fuerte. Potencialmente, sabes, dentro de un siglo habremos perfeccionado los métodos tan completamente que la gente empezará a analizar el efecto que tiene, digamos, la mitad de su tiempo terrenal en alguna configuración específica y podrán ser realmente científicos al respecto. Pero por ahora, aún estamos rascando la superficie, y lograr que el sistema sea aproximadamente correcto es una mejora fantástica comparada con lo que teníamos antes. Entonces, si empezamos a unir las cosas hoy, ¿cuál es la lección clave que debemos aprender? Es bueno contar con estos enfoques científicos, pero deben combinarse con mucho sentido común.

Joannes Vermorel: Bueno, sí. Quiero decir, primero, sé muy escéptico respecto a tener una organización racional en la que se pueda decir, “Oh, tenemos un equipo de forecast, un equipo de planificación y un equipo de compras.” Todos ellos tienen sus fórmulas y están optimizando métricas simples. Parece perfectamente definido, racional y orientado al cliente o lo que sea. Pero cuando me enfrento a este tipo de situación, mi observación inmediata es que este sistema no es racional. Solo muestra los atributos de la racionalidad y la ciencia. Es simplemente algo que se ve muy científico, pero no lo es en absoluto.

Otra lección es no subestimar el hecho de que los ingenieros altamente dedicados aún pueden ser increíblemente ignorantes sobre el mundo real. Cuando digo ingenieros altamente dedicados, me incluyo a mí mismo en esa categoría. Comencé en Lokad justo después de la universidad, muy orgulloso de mi formación matemática y emocionado con la idea de aplicar todas esas hermosas estadísticas de alta dimensión a situaciones del mundo real. Resultó que no funcionó de manera magistral. De hecho, se estrelló sistemáticamente de maneras aparentemente increíblemente sorprendentes. Mirándolo en retrospectiva, fue la consecuencia obvia del racionalismo ingenuo en juego.

Así que, mi sugerencia para concluir es que necesitas conocimientos expertos en lo que haces, y debes tener ese sentido común de, “Ok, ¿tiene esto sentido aproximadamente?” Si no, sin importar cuántos buzzwords y keywords lances al problema, lo que obtendrás será un sinsentido a escala industrial.

Kieran Chandler: Nunca pensé que te oiríamos decir que la ciencia y las matemáticas a veces no son todo lo que necesitas.

Joannes Vermorel: Es cierto.

Kieran Chandler: Bien, eso es todo por esta semana. Muchas gracias por sintonizar, y nos veremos de nuevo la próxima vez. Gracias por ver.