00:00:07 Pronósticos desnudos y antecedentes de Lokad.
00:01:42 Alta demanda de pronósticos de series temporales.
00:03:14 Falta de éxito en los pronósticos desnudos a pesar de la precisión estadística.
00:05:03 Experiencia de Lokad con un referente de un gran minorista europeo.
00:07:19 Problemas con los pronósticos desnudos y su impacto en los negocios.
00:09:25 Los problemas con los pronósticos desnudos en la ejecución de la cadena de suministro.
00:12:38 La importancia de los escenarios extremos y el papel del pronóstico de cuantiles.
00:14:47 Desafíos de utilizar buenos pronósticos en los procesos S&OP de grandes corporaciones.
00:15:37 Divergencia del pronóstico y la necesidad de consideraciones futuras alternativas.
00:17:12 Desafíos de representar datos probabilísticos en grandes cantidades.
00:18:57 Las limitaciones de Excel para manejar distribuciones de probabilidad.
00:20:25 Importancia de optimizar decisiones basadas en pronósticos.
00:21:48 La necesidad de optimización predictiva y su estrecha relación con el pronóstico.
Resumen
En la entrevista, Kieran Chandler y Joannes Vermorel discuten las limitaciones de los métodos tradicionales de pronóstico en la optimización de la cadena de suministro. Vermorel enfatiza la necesidad de pronósticos de cuantiles que consideren escenarios extremos, ya que estos tienen el mayor impacto en la gestión de la cadena de suministro. Explica que los pronósticos probabilísticos pueden ofrecer una variedad de resultados posibles, pero manejar la gran cantidad de datos requeridos para este enfoque crea un desafío de “big data”. Las herramientas tradicionales como Excel no están diseñadas para trabajar con datos probabilísticos, por lo que se necesitan herramientas especializadas. Vermorel concluye que la optimización predictiva, combinando predicción y optimización, es un enfoque más efectivo para gestionar las incertidumbres de la cadena de suministro.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, discute con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de la cadena de suministro. Profundizan en el concepto de pronósticos desnudos y su efectividad para mejorar la toma de decisiones en la cadena de suministro.
Cuando Lokad fue fundada en 2008, la empresa se centró en proporcionar “pronósticos como servicio”, aprovechando métodos estadísticos para el pronóstico de series temporales. La idea era utilizar datos históricos, como ventas pasadas, para predecir la demanda futura, que también toma la forma de una serie temporal. Este enfoque generó interés entre muchas empresas que buscaban pronósticos precisos de series temporales para mejorar sus decisiones de cadena de suministro.
Había un gran interés en el pronóstico de series temporales, con muchas empresas pidiendo a Lokad pronósticos más precisos basados en sus datos históricos. Curiosamente, a pesar de proporcionar pronósticos altamente precisos con tasas de error bajas, estos pronósticos mejorados no parecían conducir a mejores decisiones o resultados en la cadena de suministro.
Vermorel encontró este resultado desconcertante, ya que se esperaría que mejores pronósticos con tasas de error más bajas resultaran en una mejor toma de decisiones y, en última instancia, un mejor rendimiento de la cadena de suministro. Le llevó algunos años entender el problema subyacente detrás de los resultados contra intuitivos.
El problema no era de naturaleza estadística; los pronósticos proporcionados por Lokad eran altamente precisos, con problemas mínimos como sobreajuste. Vermorel estaba seguro de que los pronósticos eran estadísticamente sólidos, pero parecían causar estragos en el lado del cliente.
Vermorel comparte una historia de 2011 cuando Lokad participó en una prueba de pronóstico de la demanda de 10 mini mercados, con 5,000 productos por mini mercado. Lokad ganó la prueba al lograr un 20% más de precisión que el segundo mejor competidor. Sin embargo, lo hicieron utilizando un “pronosticador cero” que solo predecía una demanda cero para todos los productos. Este método destacó los problemas con los pronósticos tradicionales y los porcentajes de precisión. Vermorel argumenta que hay poca correlación entre los porcentajes de error reducidos y los beneficios comerciales reales, y que centrarse en los porcentajes de precisión puede ser engañoso.
El presentador pregunta por qué las empresas siguen demandando pronósticos tradicionales a pesar de estos problemas. Vermorel sugiere que el pensamiento ilusorio juega un papel importante. Las personas creen que si tuvieran pronósticos perfectos, los problemas de la cadena de suministro se resolverían, convirtiendo el proceso en un simple problema de programación y optimización. Sin embargo, Vermorel enfatiza que ningún pronóstico puede sobrevivir al contacto con el mercado, ya que la realidad es mucho más compleja.
Los pronósticos tradicionales pueden llevar a una ejecución frágil de la cadena de suministro, ya que la precisión de un pronóstico a menudo depende de cómo se utiliza dentro de una empresa. Esto puede llevar a consecuencias y problemas no deseados. Vermorel considera esto un “anti-patrón”, es decir, una solución prevista que falla de manera consistente de una manera predecible.
Luego, Vermorel discute cómo Lokad cambió su enfoque para centrarse en fortalecer el plan de la cadena de suministro basado en los pronósticos. Utiliza el ejemplo de los mini mercados que venden alimentos frescos, donde los márgenes altos justifican tener mucho stock, incluso si rota lentamente. En estos casos, es más importante que los clientes encuentren lo que están buscando que para la tienda optimizar el inventario. Los pronósticos tradicionales se centran en la demanda promedio, mientras que los costos y beneficios se encuentran en los extremos.
La conversación luego se centra en la idea de producir pronósticos que consideren escenarios extremos, que es lo que Lokad hizo al pasar de los pronósticos clásicos a los pronósticos de cuantiles. El pronóstico de cuantiles agrega un sesgo al pronóstico, centrándose en los extremos donde se encuentran los costos y beneficios reales. Este enfoque, sugiere Vermorel, es más efectivo que los métodos tradicionales para optimizar la gestión de la cadena de suministro.
Discuten los desafíos del pronóstico y la importancia de considerar varios escenarios futuros en la gestión de la cadena de suministro.
Vermorel comienza explicando que los pronósticos tradicionales, que se centran en la demanda promedio, no son suficientes para una gestión efectiva de la cadena de suministro. En cambio, sugiere utilizar pronósticos de cuantiles, que tienen un sesgo a propósito para tener en cuenta escenarios extremos, como una demanda alta o baja. Él enfatiza la importancia de comprender estas situaciones extremas, ya que son las que suelen tener un impacto más significativo en la gestión de la cadena de suministro.
Chandler luego pregunta sobre el papel de los equipos internos de planificación de ventas y operaciones (S&OP) de las grandes corporaciones en el trabajo con pronósticos. Vermorel responde que incluso con buenos pronósticos, los equipos de S&OP no pueden lograr el resultado correcto porque no tienen la información necesaria sobre futuros alternativos. Él argumenta que los pronósticos solo pueden proporcionar un futuro posible, mientras que los resultados reales siempre serán diferentes de los valores pronosticados.
Vermorel sugiere que proporcionar pronósticos probabilísticos, que ofrecen una gama de resultados posibles, podría ser una solución potencial. Sin embargo, este enfoque presenta un nuevo conjunto de desafíos. Por un lado, la cantidad de datos necesarios para representar estas probabilidades es enorme, especialmente al considerar miles de productos. Esto crea un problema de “big data”, que requiere herramientas capaces de manejar grandes volúmenes de datos.
Además, las herramientas tradicionales como Excel no están diseñadas para trabajar con datos probabilísticos. Vermorel señala que no hay forma de representar distribuciones de probabilidad dentro de una celda de Excel, lo que dificulta la manipulación y el análisis de dichos datos. Como resultado, se necesitan herramientas especializadas que puedan realizar operaciones básicas en variables de probabilidad para aprovechar al máximo los pronósticos probabilísticos.
Vermorel concluye que tener un buen pronóstico que considere varios escenarios es solo la mitad de la imagen. La otra mitad implica utilizar los pronósticos de manera efectiva para tomar decisiones informadas. Él enfatiza la importancia de mantener los procesos que generan pronósticos y optimizan decisiones estrechamente conectados para evitar problemas relacionados con la escalabilidad y el procesamiento de datos.
La discusión destaca la necesidad de repensar los métodos tradicionales de pronóstico en la gestión de la cadena de suministro. Vermorel aboga por la optimización predictiva, que combina la predicción y la optimización, como un enfoque más efectivo para gestionar las incertidumbres y complejidades inherentes a las cadenas de suministro.
Transcripción completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir por qué estos pronósticos desnudos en realidad no mejoran los recursos y pueden introducir una serie de problemas diferentes. Entonces, Joannes, con un tema como los pronósticos desnudos, parece algo que encontrarías en la web oscura. Así que antes de que nos saquen de YouTube, tal vez puedas explicarnos un poco qué quieres decir aquí.
Joannes Vermorel: Cuando creé Lokad en 2008, el lema de la empresa era “pronóstico como servicio”. Recién salido de la universidad, estaba buscando áreas donde las estadísticas pudieran aplicarse a los negocios. Existía esta idea de simplemente tener pronósticos de series de tiempo. Conceptualmente, es algo muy simple: tienes series de tiempo de entrada que representan tu pasado, típicamente tus ventas históricas, y luego simplemente vas a pronosticar el futuro, que también toma la forma de una serie de tiempo. Para un software, es un problema muy bien definido e interesante, y eso es por lo que Lokad tuvo éxito. Hay muchas personas que estaban, y aún están, interesadas en resolver sus problemas simplemente teniendo esos pronósticos de series de tiempo.
Kieran Chandler: ¿Realmente hay demanda de una solución de este tipo? Quiero decir, ¿realmente funciona?
Joannes Vermorel: Existe una enorme demanda de pronósticos de series de tiempo. Nos preguntan una y otra vez al respecto. Cuando comencé Lokad, uno de los elementos clave para que una startup tenga éxito es hacer algo que las personas quieran. Desde esta perspectiva, los pronósticos de series de tiempo sin adornos tenían una demanda muy significativa. Las empresas preguntaban: “Aquí están nuestros datos históricos representados como series de tiempo, por favor, denos mejores pronósticos”. Pero el problema era que no funcionaba. No era un problema estadístico; ya éramos muy buenos en términos de precisión de pronóstico hace una década. El problema no era que las métricas estuvieran mal.
Kieran Chandler: Eso parece muy sorprendente porque siempre pensarías que si obtienes mejores resultados de un pronóstico con un error menor, terminarás tomando mejores decisiones en la cadena de suministro y, en última instancia, actuando de una mejor manera. Entonces, ¿por qué no funcionó?
Joannes Vermorel: Esa fue mi idea inicial: ¿cómo puedo estar equivocado? Todas las métricas me dicen que tengo un mejor pronóstico. Entrego a mis clientes un mejor pronóstico, ¿qué podría salir mal? El pronóstico era muy bueno, y no estoy hablando de problemas como el sobreajuste. Estaba bien controlado. El problema era que un pronóstico que es estadísticamente más preciso aún podía causar estragos en el lado del cliente. Me llevó unos años entender esto. En algún momento, tuvimos un gran minorista europeo que organizó una prueba comparativa entre media docena de proveedores de software para pronósticos.
Kieran Chandler: Entonces, estábamos discutiendo las soluciones y el problema de pronosticar la demanda para 10 mini mercados, cada uno con 5,000 productos. Esto fue en 2011, y el objetivo era predecir la demanda tres o cuatro días antes, ya que cada mini mercado se reabastece dos veces por semana. ¿Cómo le fue a Lokad en esta prueba comparativa?
Joannes Vermorel: Lokad ganó orgullosamente la prueba comparativa, superando al segundo mejor por un 20% en precisión. La métrica de calidad para el pronóstico era la diferencia absoluta entre el pronóstico y la realidad. Sin embargo, logramos esto con el pronosticador cero, que solo devolvía ceros para toda la demanda y las ventas. Curiosamente, pronosticar una demanda cero resultaría en un stock cero y, por lo tanto, las ventas convergerían rápidamente a cero. Esto haría que el pronóstico no solo fuera más preciso, sino 100% preciso. Pero, por supuesto, esto es completamente absurdo y no tiene sentido alguno.
Kieran Chandler: Entonces, estás diciendo que hay una desconexión entre tener un pronóstico más preciso expresado en porcentajes y lograr beneficios comerciales reales. ¿Por qué es que las empresas siguen demandando tales pronósticos si pueden ser tan engañosos?
Joannes Vermorel: Mi explicación básica es que el pensamiento ilusorio es muy poderoso. Si los pronósticos fueran perfectos, tendrían un error del cero por ciento, cero dólares de error y cero euros de error. Un pronóstico perfecto resolvería todos los problemas, y la gestión de la cadena de suministro se convertiría en un problema puramente de optimización y programación. Pero ese no es el caso, y lo que la gente no se da cuenta es que un pronóstico desnudo, donde solo se predice un futuro, termina siendo un plan de batalla que no sobrevive al primer día de contacto con el mercado. Hay un dicho militar que dice que ningún plan de batalla sobrevive al primer contacto con el enemigo, y el equivalente en la cadena de suministro es que literalmente no hay pronóstico que sobreviva a su encuentro con el mercado.
Kieran Chandler: Entonces, primer contacto con el mercado, ¿y qué sucede cuando tienes este pronóstico más preciso?
Joannes Vermorel: Más en general, lo que sucede es que debido a que tu pronóstico es más preciso, creas un plan que en realidad es más frágil frente a la divergencia en comparación con el pronóstico, y así haces que la ejecución de tu cadena de suministro sea más vulnerable. Esa es una forma muy abstracta de verlo. Básicamente, tienes el pronóstico, pero no sabes cómo se va a utilizar este pronóstico, y otras personas en tu empresa simplemente van a utilizar este pronóstico de maneras que no esperas, y eso va a explotar. Es por eso que esos pronósticos desnudos son básicamente algo malo. Se utilizan de formas en las que no deberían usarse, y debido a que sucede todo el tiempo, es un anti-patrón en la actualidad. Es algo que es como una solución intencionada que siempre explota de una manera completamente predecible.
Kieran Chandler: Entonces, ¿te moviste hacia fortalecer el plan que estabas construyendo sobre un pronóstico una vez que te diste cuenta de esto?
Joannes Vermorel: Exactamente, y luego te das cuenta de que el pronóstico ni siquiera es lo correcto. Si vuelvo a la historia sobre esos mini mercados, te das cuenta de que si estás vendiendo alimentos frescos en un mini mercado, tienes márgenes muy grandes. Puedes permitirte tener mucho stock porque lo que quieres es que cuando un cliente entre, encuentre lo que está buscando. Tienes tanto margen que vale la pena tu inversión tener mucho stock, incluso stock que va a rotar lentamente. No te importa la demanda promedio. Si solo hay un cliente que aparece cada diez días y estás vendiendo yogures, aún puedes obtener una ganancia muy saludable si realmente estás vendiendo tus productos con un margen bruto del 70% y tus yogures tienen una vida útil de un mes. Entonces, en resumen, no es el promedio lo que interesa; son los extremos. Los costos están en los extremos.
Kieran Chandler: Bueno, entonces, ¿por qué no puedes simplemente producir un pronóstico que tenga en cuenta esos escenarios extremos?
Joannes Vermorel: Eso es lo interesante, ¿verdad? Y eso es lo que hicimos. En la historia de Lokad, pasamos de un pronóstico clásico en 2008 con Lokad Forecasting as a Service, y nos movimos hacia pronósticos de cuantiles. Entonces, el pronóstico de cuantiles era una idea que, en ese momento en 2012, sonaba muy extraña. Era pronosticar con un sesgo. La mayoría de mis clientes decían que un buen pronóstico es un pronóstico que no tiene sesgo. Eso era lo contrario de la comprensión común del sentido en la gestión de la cadena de suministro.
Si volvemos al caso del mini mercado, no te importa la demanda promedio. Es la demanda extremadamente alta, que nunca es tan alta, pero esa es la situación extremadamente alta que interesa. La pregunta es, ¿qué es una situación extremadamente alta? ¿Es una de cada 30 veces? Tal vez a veces cuatro. Eso es lo extremadamente alto. Por cierto, es una estadística. Esos pronósticos con un sesgo a propósito se llaman pronósticos de cuantiles. Puedes tener un pronóstico que tenga, por ejemplo, un pronóstico de cuantil del 99%, que dice: “Te doy un número y la demanda tiene un 99% de probabilidad de estar justo por debajo de este número y un 1% de probabilidad de estar por encima”. Así que controlas el sesgo, y eso fue el comienzo de tener pronósticos más diversos.
Kieran Chandler: De hecho, hablemos de situaciones con riesgo en los extremos, como escenarios extremos, donde estás lidiando con una falta de stock o un escenario de exceso de stock. No entiendo por qué las grandes corporaciones con sus propios procesos internos de S&OP no pueden trabajar con un buen pronóstico para obtener el resultado correcto al final del día. ¿Cuál es el desafío real allí?
Joannes Vermorel: Eso es pensar de forma ilusoria. No puedes obtener el resultado correcto de un pronóstico, incluso si es bueno, porque la información que necesitas ni siquiera está ahí. Cuando dices: “Aquí está el futuro”, solo estás mostrando una posibilidad, pero no dices nada sobre las alternativas. La realidad es que el futuro será una alternativa. Siempre habrá una divergencia de tu pronóstico. El problema es que crees que puedes transformar tu conocimiento limitado de futuros alternativos en decisiones como cuánto comprar, producir o mover stock de un lugar a otro, sin que eso afecte negativamente la calidad de tus decisiones. Es como magia.
Kieran Chandler: Pero, ¿qué pasa si les proporcionamos un pronóstico probabilístico, dándoles un rango de posibles factores con los que trabajar?
Joannes Vermorel: Esa es una idea interesante. Conceptualmente, podría funcionar. Sin embargo, te enfrentas a otro problema, que es muy mundano. Un pronóstico determinista es conciso: para un producto, un año por delante y pronosticando a nivel semanal, tienes 52 números. Es un conjunto de datos pequeño que puede caber perfectamente en una hoja de Excel. Pero con un enfoque probabilístico, tienes un histograma masivo de probabilidades para cada semana. Estas probabilidades no son aditivas, por lo que si quieres saber la demanda de la semana 5 a la semana 10, eso será otro histograma de probabilidades.
Podemos proporcionarte estos datos, pero de repente se convierte en un problema de big data porque tienes miles de productos y decenas de gigabytes de probabilidades. Necesitas herramientas que sean capaces de procesar esa cantidad de datos.
Kieran Chandler: Desde un punto de vista técnico, ¿qué tan fácil sería manipular estas herramientas y conjuntos de datos? Entonces, uno de los problemas con Excel es que no está diseñado para manejar cálculos probabilísticos. Es excelente para organizar datos tabulares, pero no tiene una forma de representar distribuciones de probabilidad.
Joannes Vermorel: Sí, exactamente. Si quieres manipular datos que vienen como una distribución de probabilidad, no tienes una entrada en una celda de Excel que represente una distribución de probabilidades. Excel no está diseñado para lidiar con ese tipo de cosas, y terminas con muchos problemas cuando quieres explotar y aprovechar un pronóstico probabilístico sobre tu futuro.
Kieran Chandler: Correcto, por lo tanto, necesitas herramientas que te brinden todo tipo de operaciones para variables de probabilidad. Operaciones básicas como sumar, multiplicar o dividir variables aleatorias son esenciales. Si no tienes estas herramientas básicas, no puedes trabajar correctamente con pronósticos probabilísticos.
Joannes Vermorel: Sí, y tener un buen pronóstico que tenga en cuenta todos los escenarios posibles es solo la mitad de la imagen. Lo que haces con esos pronósticos es mucho más importante. Cuando quieres optimizar esas decisiones, el proceso que genera los pronósticos y el proceso que optimiza la decisión deben estar completamente entrelazados.
Kieran Chandler: Ya veo. Entonces, el procesamiento de datos para este tipo de matrices grandes de probabilidades puede ser un problema de escalabilidad. Parece que necesitas mantener todo muy cerca para que funcione en la práctica.
Joannes Vermorel: Exactamente. Para tener una solución práctica, necesitas mantener estas cosas muy cerca. Deberías empezar a pensar en la optimización predictiva. Las dos cosas, la predicción y la optimización, van juntas y no se pueden separar.
Kieran Chandler: De acuerdo, eso tiene sentido. Bueno, tendremos que terminar aquí. Gracias por acompañarnos hoy, Joannes. Ha sido realmente genial hablar contigo sobre la optimización de la cadena de suministro.
Joannes Vermorel: Gracias por recibirme, Kieran. Ha sido un placer.
