00:00:07 Previsión desnudos y los antecedentes de Lokad.
00:01:42 Alta demanda de previsión de series temporales.
00:03:14 Falta de éxito en las previsiones desnudos a pesar de la precisión estadística.
00:05:03 La experiencia de Lokad con el benchmark de un gran minorista europeo.
00:07:19 Problemas con las previsiones desnudos y su impacto en los negocios.
00:09:25 Los problemas de las previsiones desnudos en la ejecución de supply chain.
00:12:38 La importancia de los escenarios extremos y el papel de la previsión cuantil.
00:14:47 Desafíos de usar buenas previsiones en los procesos S&OP de grandes corporaciones.
00:15:37 Divergencia de la previsión y la necesidad de considerar futuros alternativos.
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 las decisiones basadas en previsión.
00:21:48 La necesidad de la optimización predictiva y su estrecha relación con la previsión.
Resumen
En la entrevista, Kieran Chandler y Joannes Vermorel discuten las limitaciones de los métodos tradicionales de métodos de previsión en la optimización de supply chain. Vermorel enfatiza la necesidad de previsiones cuantílicas que consideren escenarios extremos, ya que estos tienen el impacto más significativo en supply chain management. Explica que previsiones probabilísticas pueden ofrecer un rango de posibles resultados, pero gestionar la gran cantidad de datos requerida 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 requieren herramientas especializadas. Vermorel concluye que optimización predictiva, que combina predicción y optimización, es un enfoque más efectivo para gestionar las incertidumbres de supply chain.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, conversa con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de supply chain. Abordan el concepto de previsión desnudos y su efectividad para mejorar la toma de decisiones en supply chain.
Cuando se fundó Lokad en 2008, la empresa se centró en proporcionar “previsión como servicio,” aprovechando métodos estadísticos para la previsión de series temporales. La idea era utilizar datos históricos, como las ventas pasadas, para predecir la demanda futura, que también se presenta en forma de series temporales. Este enfoque generó interés entre muchas empresas, que buscaban previsiones precisas de time series para mejorar sus decisiones de supply chain.
Había un apetito significativo por la previsión de series temporales, con muchas empresas pidiendo a Lokad previsiones más precisas basados en sus datos históricos. Curiosamente, a pesar de proporcionar previsión altamente precisos con bajos índices de error, estas previsiones mejorados no parecían conducir a mejores decisiones o resultados de supply chain.
Vermorel encontró este resultado desconcertante, ya que se esperaría que previsiones mejores con menores índices de error resultaran en una toma de decisiones mejorada y, en última instancia, en un mejor supply chain performance. Le tomó algunos años entender el problema subyacente detrás de estos resultados contraintuitivos.
El problema no era de naturaleza estadística; las previsiones proporcionados por Lokad eran muy precisos, con problemas mínimos como el overfitting. Vermorel estaba seguro de que las previsiones eran estadísticamente sólidos, sin embargo, parecían causar estragos en el lado del cliente.
Vermorel comparte una historia de 2011 cuando Lokad participó en un benchmark para previsión la demanda de 10 mini markets, con 5,000 productos por mini market. Lokad ganó el benchmark logrando un 20% más de precisión que el segundo competidor. Sin embargo, lo hicieron utilizando un “zero forecaster” que solo predecía cero demanda para todos los productos. Este método destacó los problemas de la previsión tradicional y los porcentajes de precisión. Vermorel sostiene que existe poca correlación entre la reducción de los porcentajes de error y los beneficios reales para el negocio, y que centrarse en los porcentajes de precisión puede ser engañoso.
El presentador cuestiona por qué las empresas aún demandan previsiones tradicionales a pesar de estos problemas. Vermorel sugiere que el deseo irrealizado juega un papel significativo. La gente cree que, si tuvieran previsiones perfectas, los problemas de supply chain se resolverían, convirtiendo el proceso en un problema simple de programación y optimización. Sin embargo, Vermorel enfatiza que ningún previsión puede sobrevivir al contacto con el mercado, ya que la realidad es mucho más compleja.
Las previsiones tradicionales pueden llevar a una ejecución frágil de supply chain, ya que la precisión de una previsión a menudo depende de cómo se utiliza dentro de una empresa. Esto puede conducir a consecuencias y problemas no intencionados. Vermorel considera esto un “anti-pattern”, es decir, una solución prevista que falla de manera consistente y predecible.
Vermorel luego discute cómo Lokad cambió su enfoque para centrarse en fortalecer el plan de supply chain basado en previsión. Utiliza el ejemplo de mini markets que venden comida fresca, donde los altos márgenes justifican tener mucho stock, incluso si rota lentamente. En estos casos, es más importante que los clientes encuentren lo que buscan que que la tienda optimice el inventario. Las previsiones tradicionales se centran en la demanda promedio, mientras que los costos y beneficios se encuentran en los extremos.
La conversación luego gira en torno a la idea de producir previsión que consideren escenarios extremos, que es lo que Lokad hizo al pasar de previsiones clásicas a previsión cuantil. La previsión cuantil añade un sesgo a la previsión, centrando la atención en los extremos donde se encuentran los costos y beneficios reales. Este enfoque, sugiere Vermorel, es más efectivo que los métodos tradicionales para optimizar el supply chain management.
Discuten los desafíos de la previsión y la importancia de considerar diversos escenarios futuros en el supply chain management.
Vermorel comienza explicando que las previsiones tradicionales, que se centran en la demanda promedio, no son suficientes para una gestión efectiva de supply chain. En cambio, sugiere usar previsión cuantil, que deliberadamente tienen un sesgo para tener en cuenta escenarios extremos, como una demanda alta o baja. Enfatiza la importancia de comprender estas situaciones extremas, ya que son las que normalmente tienen el impacto más significativo en el supply chain management.
Chandler luego pregunta sobre el papel de los equipos internos de sales and operations planning (S&OP) de las grandes corporaciones al trabajar con previsión. Vermorel responde que, incluso con buenas previsiones, los equipos S&OP no pueden alcanzar el resultado correcto porque la información necesaria sobre futuros alternativos no está disponible. Sostiene que las previsiones solo pueden ofrecer un futuro posible, mientras que los resultados reales siempre diferirán de los valores previsión.
Vermorel sugiere que proporcionar previsión probabilística, que ofrecen un rango de posibles resultados, podría ser una solución potencial. Sin embargo, este enfoque presenta un nuevo conjunto de desafíos. Por un lado, la cantidad de datos requerida 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, 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 requieren herramientas especializadas que puedan realizar operaciones básicas sobre variables de probabilidad para aprovechar plenamente las previsiones probabilísticas.
Vermorel concluye que tener una buena previsión que considere diversos escenarios es solo la mitad del panorama. La otra mitad implica utilizar las previsiones de manera efectiva para tomar decisiones informadas. Enfatiza la importancia de mantener los procesos que generan previsión y optimizan decisiones estrechamente conectados para evitar problemas relacionados con la escalabilidad y el procesamiento de datos.
La discusión resalta la necesidad de repensar los métodos tradicionales de previsión en el supply chain management. Vermorel aboga por la optimización predictiva, que combina predicción y optimización, como un enfoque más efectivo para gestionar las incertidumbres y complejidades inherentes al supply chain.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir por qué estas previsiones desnudos no mejoran realmente los recursos y, de hecho, pueden introducir toda una serie de problemas diferentes. Entonces, Joannes, con un tema como previsión desnudos, parece el tipo de cosa que encontrarías quizás en la deep dark web. Así que, antes de que nos saquen de YouTube, ¿podrías explicarnos un poco a qué te refieres aquí?
Joannes Vermorel: Cuando creé Lokad en 2008, el eslogan de la empresa era previsión como servicio. Recién salido de la universidad, buscaba áreas donde la estadística pudiera aplicarse a los negocios. Existía la idea de simplemente tener previsión de series temporales. Conceptualmente, es algo muy simple: tienes series temporales de entrada que representan tu pasado, típicamente tus ventas históricas, y luego vas a previsión el futuro, que también toma la forma de una serie temporal. Para una piece of software, es un problema muy bien definido y lo suficientemente interesante, por eso Lokad ganó tracción. Hay muchas personas que estaban, y aún están, interesadas en resolver sus problemas simplemente teniendo esas previsiones de series temporales.
Kieran Chandler: ¿Existe en realidad un apetito por una solución de esta naturaleza? Quiero decir, ¿realmente funciona?
Joannes Vermorel: Existe un enorme apetito por la previsión de series temporales. Nos lo preguntan una y otra vez. Cuando comencé Lokad, uno de los elementos clave de una start-up exitosa es hacer algo que la gente quiere. Desde esta perspectiva, la previsión de series temporales desnudo tenía un apetito muy significativo. Las empresas decían: “Aquí están nuestros datos históricos representados como series temporales, por favor, danos previsiones mejores.” Pero el problema era que no funcionaba. No era un problema estadístico; ya éramos muy buenos en términos de exactitud de la previsión hace una década. El problema no era que las métricas estuvieran equivocadas.
Kieran Chandler: Parece muy sorprendente porque siempre se pensaría que si obtienes mejores resultados de una previsión con menor error, vas a terminar tomando mejores decisiones de supply chain 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 indican que tengo una previsión mejor. Entrego a mis clientes una previsión mejor, ¿qué podría salir mal? La previsión era muy bueno, y no me refiero a problemas como el overfitting. Estaba bien bajo control. El problema era que una previsión que es estadísticamente más preciso aún podía causar estragos en el lado del cliente. Me tomó unos años entender esto. En algún momento, tuvimos un gran minorista europeo que organizó un benchmark entre media docena de software vendors para previsión.
Kieran Chandler: Entonces, estábamos discutiendo las soluciones y el problema de previsión la demanda para 10 mini markets, cada uno con 5,000 productos. Esto fue en 2011, y el objetivo era predecir la demanda con tres a cuatro días de antelación, ya que cada mini market se reabastece dos veces a la semana. ¿Cómo se desempeñó Lokad en este benchmark?
Joannes Vermorel: Lokad ganó con orgullo el benchmark, superando al segundo mejor en un 20% en precisión. La métrica de calidad para la previsión era la diferencia absoluta entre la previsión y la realidad. Sin embargo, logramos esto con el zero forecaster, que solo devolvía ceros para toda la demanda y las ventas. Curiosamente, forecastar cero demanda resultaría en cero stock, y, por lo tanto, las ventas convergerían rápidamente a cero. Esto haría que la previsión no solo fuera más preciso, sino 100% preciso. Pero, por supuesto, esto es un completo sinsentido y no tiene ningún sentido.
Kieran Chandler: Entonces, ¿estás diciendo que existe una desconexión entre tener una previsión más precisa expresado en porcentajes y lograr beneficios reales para el negocio? ¿Por qué es que las empresas aún demandan ese tipo de previsión si pueden ser tan engañosos?
Joannes Vermorel: Mi explicación básica es que el deseo irrealizado es muy poderoso. Si las previsiones fueran perfectos, tendrían cero por ciento de error, cero dólares de error y cero euros de error. Una previsión perfecta resolvería todos los problemas, y la gestión de supply chain se convertiría en un problema puro de optimización y programación. Pero ese no es el caso, y lo que la gente no se da cuenta es que una previsión desnudo, en el que se predice un solo futuro, termina siendo un plan de batalla que no sobrevive al primer día de contacto con el mercado. Hay un dicho militar que ninguna estrategia de batalla sobrevive al primer contacto con el enemigo, y el equivalente en supply chain es que literalmente ningún previsión sobrevive a su encuentro con el mercado.
Kieran Chandler: Entonces, el primer contacto con el mercado, y así, ¿qué sucede cuando tienes esta previsión más precisa?
Joannes Vermorel: Más generalmente, lo que sucede es que, debido a que tu previsión es más preciso, creas un plan que en realidad es más frágil ante las divergencias en comparación con la previsión, y así haces que la ejecución de tu supply chain sea más vulnerable. Esa es una forma muy abstracta de verlo. En definitiva, básicamente, tienes la previsión, pero no sabes cómo se va a utilizar esta previsión, y otras personas en tu empresa simplemente van a utilizar esta previsión de maneras que no esperas, y eso explotará. Por eso esos previsiones desnudos son básicamente algo malo. Se usan de maneras en que no deberían usarse, y porque ocurre todo el tiempo, hoy en día es un anti-patrón. Es algo que es como una solución pretendida que siempre explota de forma completamente predecible.
Kieran Chandler: Entonces, ¿te orientaste a fortalecer el plan sobre el que estabas construyendo a partir de una previsión una vez que te diste cuenta de esto?
Joannes Vermorel: Exacto, y entonces te das cuenta de que hacer previsión ni siquiera es lo correcto. Si vuelvo a la historia de esos mini markets, te das cuenta de que, si estás vendiendo comida fresca en un mini market, tienes márgenes muy grandes. Puedes permitirte tener mucho stock, porque lo que deseas es que, cuando un cliente entre, encuentre lo que busca. Tienes tanto margen que vale la pena invertir en tener mucho stock, incluso stock que va a rotar lentamente. No te preocupa la demanda promedio. Si sólo aparece un cliente cada diez días y estás vendiendo yogures, aún puedes obtener una ganancia muy saludable si realmente estás vendiendo tus productos con un 70% gross margin, y tus yogures tienen una vida de anaquel de un mes. Así que, en definitiva, 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 una previsión que considere esos escenarios extremos?
Joannes Vermorel: Ese es el punto de interés, ¿verdad? Y eso es lo que hicimos. En la historia de Lokad, pasamos de la previsión clásica en 2008 con Lokad Previsión as a Service, y avanzamos hacia las previsiones cuantílicas. Así, la previsión cuantílica era una idea que, en ese momento en 2012, sonaba muy extraña. Era previsión con un sesgo. La mayoría de mis clientes decían que una buena previsión es una previsión que no tiene sesgo. Eso era lo opuesto a la comprensión de sentido común en la gestión de supply chain.
Si vuelves al caso del mini market, no te importa la demanda promedio. Es la demanda extremadamente alta, que casi nunca es alta, pero esa es la situación extremadamente alta que es de interés. La pregunta es, ¿qué es una situación extremadamente alta? ¿Es una de cada 30? Quizás a veces de cuatro. Ese es tu “extremadamente alto”. Por cierto, es una estadística. Esos previsiones con un sesgo a propósito se llaman previsiones cuantílicas. Puedes tener una previsión que tiene, por ejemplo, una previsión cuantílica 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, controlas el sesgo, y ese fue el inicio de tener previsiones más diversos.
Kieran Chandler: En realidad, hablemos de situaciones con riesgo en las colas, como escenarios extremos, donde se está tratando con un faltante de stock o un escenario de sobrestock. No entiendo por qué las grandes corporaciones con sus propios procesos internos de S&OP no pueden trabajar con una buena previsión para obtener el resultado adecuado al final del día. ¿Cuál es el verdadero desafío allí?
Joannes Vermorel: Eso es un pensamiento ilusorio. No puedes obtener el resultado correcto de una previsión, 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 acerca de las alternativas. La realidad es que el futuro será una alternativa. Siempre habrá una divergencia respecto a tu previsión. El problema es que piensas que puedes transformar tu conocimiento limitado de futuros alternativos en decisiones como cuánto comprar, producir o mover stock de una ubicación a otra, sin que ello afecte negativamente la calidad de tus decisiones. Es como magia.
Kieran Chandler: Pero, ¿qué pasa si les proporcionamos una previsión probabilística, dándoles un rango de posibles factores con los que trabajar?
Joannes Vermorel: Es una idea interesante. Conceptualmente, podría funcionar. Sin embargo, enfrentas otro problema, que es muy mundano. Una previsión determinista es conciso: para un producto, un año por adelantado, y haciendo previsión a nivel semanal, tienes 52 números. Es un conjunto de datos pequeño que cabe 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, así que, si quieres conocer la demanda desde la semana 5 hasta la semana 10, eso se convertirá en 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 esos 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 manera de representar distribuciones de probabilidad.
Joannes Vermorel: Sí, exactamente. Si quieres manipular datos que vienen en forma de distribución de probabilidad, no tienes una celda en 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 una previsión probabilística sobre tu futuro.
Kieran Chandler: Correcto, así que necesitas herramientas que ofrezcan todo tipo de operaciones para variables de probabilidad. Operaciones básicas como sumar, multiplicar o dividir variables aleatorias son esenciales. Si no cuentas con estas herramientas básicas, no puedes trabajar adecuadamente con previsiones probabilísticas.
Joannes Vermorel: Sí, y tener una buena previsión que tome en cuenta todos los escenarios posibles es solo la mitad de la imagen. Lo que haces con esos previsiones es mucho más importante. Cuando quieres optimizar esas decisiones, el proceso que genera las previsiones y el proceso que optimiza la decisión deben estar completamente entrelazados.
Kieran Chandler: Entiendo. Entonces, el procesamiento de datos para este tipo de grandes matrices de probabilidades puede representar un problema de escalabilidad. Parece que necesitas mantener todo muy cercano para que funcione de manera práctica.
Joannes Vermorel: Exactamente. Para tener una solución práctica, necesitas mantener estas cosas muy juntas. Deberías comenzar a pensar en la optimización predictiva. Las dos cosas, predicción y optimización, van juntas y no pueden separarse.
Kieran Chandler: Bien, eso tiene sentido. Bueno, tendremos que concluir por aquí. Gracias por acompañarnos hoy, Joannes. Ha sido realmente genial hablar contigo sobre la optimización de supply chain.
Joannes Vermorel: Gracias por invitarme, Kieran. Ha sido un placer.
