00:00:07 Introducción y definición de detección de demanda.
00:01:02 Joannes critica la detección de demanda como un concepto vago.
00:02:45 Preguntas sobre la novedad de las técnicas de detección de demanda.
00:05:01 Crítica del impacto de los datos en tiempo real en el forecast de supply chain.
00:07:49 Argumento de que se necesitan más datos y métodos no tradicionales.
00:08:37 Diferencias en los casos de uso entre aplicaciones en tiempo real y no en tiempo real.
00:09:47 Trucos de marketing en la industria del software y su impacto.
00:11:25 Diferenciar entre buenas palabras de moda y palabras de moda superficiales.
00:14:24 Ejemplos de otros trucos en la industria de supply chain.
00:16:02 Dificultad para memorizar palabras de moda y su falta de sustancia.
00:16:33 Ley de preservación del hype y verificación con Google Trends.
00:17:47 Identificar palabras de moda valiosas con insights fundamentales.
00:18:26 Ejemplo de forecast cuantil y la importancia de entender lo fundamental.
00:19:21 Computación en la nube y su concepto central simple.
Resumen
En la entrevista, Kieran Chandler y Joannes Vermorel discuten la detección de demanda, un método de forecast que combina datos en tiempo real y técnicas matemáticas avanzadas. Vermorel expresa escepticismo acerca de la efectividad de la detección de demanda debido a su vaga base conceptual y la falta de investigación novedosa revisada por pares. Él aconseja a los profesionales de supply chain que tengan cuidado con los trucos de marketing y se concentren en conceptos que aborden problemas fundamentales con insights sorprendentemente obvios. Vermorel enfatiza la importancia de entender la sustancia detrás de las palabras de moda y buscar innovaciones que proporcionen una comprensión sólida y contribuyan a mejoras significativas en la optimización de supply chain.
Resumen Ampliado
En esta entrevista, Kieran Chandler discute la detección de demanda con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de supply chain. La detección de demanda es un método de forecast que combina técnicas matemáticas avanzadas con información en tiempo real. La conversación se centra en la efectividad de la detección de demanda y en cómo distinguir entre conceptos valiosos y trucos de marketing.
Vermorel comienza admitiendo que es difícil evaluar la detección de demanda debido a la vaguedad de los documentos que ha revisado sobre el tema. Él cree que la detección de demanda no es vaporware, ya que el software existe, sino más bien mootware—algo que no cumple sus promesas y, en última instancia, no importa. Atribuye esto a que el concepto es más un truco de marketing que una idea sustantiva.
Los atributos clave anunciados de la detección de demanda incluyen el uso de datos en tiempo real, la incorporación de datos más allá de los datos centrales tradicionales (como movimiento de inventario y la demanda de ventas pasadas), y el aprovechamiento de machine learning para lograr mayor accuracy. Vermorel reconoce que estos conceptos individuales parecen válidos, pero cuestiona la novedad y la profundidad del enfoque global.
Para evaluar la detección de demanda, Vermorel observa la afirmación principal hecha por sus proponentes: que pueden producir forecasts más precisos. Señala que el forecast estadístico es un campo de investigación bien establecido, con numerosas competencias online y una comunidad vibrante que constantemente desafía y avanza en el área. Muchas organizaciones, incluidas instituciones de investigación prestigiosas y grandes empresas de software, publican artículos sobre machine learning y statistical learning, incluidos aquellos enfocados en forecast future demand.
Sin embargo, Vermorel no ha visto ninguna investigación significativa y novedosa publicada sobre la detección de demanda en revistas o conferencias de renombre, lo que genera dudas sobre la legitimidad del concepto. A pesar de la abundancia de artículos y materiales disponibles en internet sobre la detección de demanda, la falta de investigaciones concretas y revisadas por pares, así como las contribuciones de la comunidad más amplia de machine learning y forecast, ponen en entredicho el verdadero valor de la detección de demanda.
Vermorel expresa escepticismo sobre la efectividad de la detección de demanda como método de forecast, debido a su vaga base conceptual y la falta de investigaciones novedosas revisadas por pares sobre el tema. Sugiere que puede ser más un truco de marketing que un enfoque verdaderamente innovador para la optimización de supply chain.
La conversación gira en torno al concepto de datos en tiempo real, su relevancia para el forecast de supply chain y los trucos de marketing que lo rodean.
Vermorel explica que los datos en tiempo real, que se refieren a datos con una latencia por debajo de la percepción humana (alrededor de 100 milisegundos), se han vuelto populares debido a su naturaleza atractiva. Sin embargo, es escéptico sobre si disponer de datos en tiempo real ofrece alguna mejora significativa en la precisión del forecast. Cita una demostración típica de software en la que se utiliza un producto con tres años de historial para realizar un forecast de seis meses adelante. Vermorel argumenta que tener datos de hace 100 milisegundos, en contraposición a hace 24 horas, no marcará una gran diferencia en este contexto.
Otra afirmación a menudo hecha por los defensores de los datos en tiempo real es el uso de técnicas superiores de machine learning. Vermorel se muestra escéptico, comparándolo con un fabricante de automóviles que afirma tener mejores coches debido a una mejor física. No obstante, está de acuerdo en que incorporar más datos que el forecast tradicional time series puede conducir a mejoras sustanciales.
Vermorel afirma que la información en tiempo real en escenarios de supply chain generalmente es excesiva, ya que el nivel de granularidad que proporciona es innecesario para la mayoría de los casos de uso. Sin embargo, señala que los datos en tiempo real podrían ser útiles para controlar robots rápidos en warehouses. Cuestiona la idea de que los datos en tiempo real puedan marcar una diferencia significativa en la planificación de supply chain, donde el forecast generalmente abarca desde tres semanas hasta un año.
Según Vermorel, la promoción de los datos en tiempo real en el forecast de supply chain es a menudo un truco de marketing utilizado por software vendors que carecen de nuevas ideas, experiencia o tecnologías. Sugiere que este enfoque refleja una cierta indiferencia ante los problemas del cliente y una asunción arrogante de que los clientes pueden ser engañados fácilmente. Para identificar conceptos valiosos entre meras palabras de moda, aconseja observar si diversas personas de diferentes campos discuten el concepto. Si solo los vendedores lo promueven, es más probable que se trate de un truco de marketing.
Como ejemplo positivo, Vermorel cita el forecast probabilístico, que es discutido por numerosas comunidades, incluidas aquellas que estudian el clima. La investigación climática de vanguardia se basa en modelos probabilísticos, lo que indica que este enfoque se fundamenta en una sustancia genuina, a diferencia del concepto impulsado por el marketing de los datos en tiempo real en el forecast de supply chain.
Vermorel comienza explicando el concepto de apelación a la autoridad, que él cree es un fuerte indicator de una palabra de moda. Utiliza el ejemplo de la detección de demanda, donde los proponentes mencionan los nombres y cargos de los expertos involucrados, en lugar de detallar el algoritmo o la matemática subyacente.
Cuando se le pregunta sobre otros ejemplos de trucos en la industria de supply chain, Vermorel señala que ha habido muchos a lo largo de la historia. Menciona el impulso de IBM por la computación autónoma hace diez años, que resultó ser insustancial, y la popularidad de la minería de datos hace veinte años, que desde entonces ha desaparecido. Vermorel cree que estas palabras de moda a menudo quedan relegadas debido a la falta de sustancia, y se refiere a su “ley de preservación del hype”, que explica como una masa total constante de hype que sólo cambia cuando una nueva palabra de moda entra en el mercado.
Vermorel sugiere que los profesionales de supply chain deben estar atentos a las palabras de moda que parecen abordar un problema fundamental con un insight sorprendentemente obvio. Proporciona el ejemplo de quantile forecasts, que se centran en los riesgos concentrados en los extremos en lugar de en el medio. Vermorel cree que ideas tan simples y fundamentales, una vez entendidas, son difíciles de desaprender y pueden conducir a innovaciones significativas.
Continúa mencionando que los profesionales deben tener cuidado con las palabras de moda que no proporcionan una comprensión clara y concisa de sus conceptos subyacentes. Por ejemplo, computación en la nube puede parecer complicado, pero su concepto central es la disponibilidad de recursos de hardware bajo demanda. Vermorel aconseja que si una palabra de moda no puede proporcionar una comprensión sólida en unos pocos minutos, probablemente carezca de sustancia y deba ser desestimada.
Vermorel enfatiza la importancia de reconocer y comprender la sustancia detrás de las palabras de moda en la industria de supply chain. Anima a los profesionales a centrarse en insights fundamentales que puedan proporcionar una comprensión sólida y contribuir a innovaciones significativas en sus negocios.
Transcripción Completa
Kieran Chandler: Hoy vamos a discutir qué tan bien funciona realmente esta palabra de moda y también si se puede notar la diferencia entre lo que es una buena palabra de moda y, en realidad, lo que es pura tontería de marketing. Entonces, Joannes, detección de demanda, ¿cuál es tu visión inicial de un concepto como ese?
Joannes Vermorel: Es una pregunta difícil, en realidad, porque he revisado muchos documentos sobre detección de demanda, y lo mejor de esos documentos es que son sumamente vagos. Así que es muy difícil atribuir cualidades o defectos específicos a un concepto que es super vago. Pero, fundamentalmente, diría que la detección de demanda para mí es una ilustración clara de lo que quizás podríamos llamar no vaporware, ya que el software existe y se supone que es capaz de ofrecer detección de demanda para optimizar tu supply chain. Así que, no es vaporware, sino que diría que es mootware, algo que realmente no importa porque no cumplirá lo que promete.
Kieran Chandler: Dijiste que las ideas detrás de ello son un poco vagas, entonces, ¿cuál es el concepto básico?
Joannes Vermorel: Los conceptos que se anuncian, y repito, se anuncian porque es algo más parecido a un truco de marketing que a algo con profundidad, incluyen el uso de datos en tiempo real, datos más allá de tus datos centrales tradicionales, como movimientos de inventario pasados o la demanda de ventas pasadas, y el uso de machine learning, que está bastante indefinido en este contexto, para hacer cosas novedosas y lograr mayor accuracy.
Kieran Chandler: Entonces, una de las cosas que indica que es un poco un truco de marketing es que todos esos conceptos parecen sostenerse por sí solos. ¿Cuáles son los problemas aquí?
Joannes Vermorel: La cuestión es cuánta novedad hay en términos de profundidad. Comencemos por observar la afirmación principal de los vendedores que impulsan las tecnologías de detección de demanda. La afirmación principal es que pueden obtener forecasts más precisos. Esa es una afirmación muy razonable; dices que tengo una técnica novedosa que puede producir predicciones estadísticas más precisas. Bueno, resulta que supply chain no existe en el vacío. Hay un campo entero de investigación sobre forecast estadístico, con toneladas de competencias en línea donde la gente prueba modelos y compite. El amplio campo de machine learning y statistical learning es muy vibrante, con desafíos y resultados públicos publicados en conferencias, revistas y artículos de diversas fuentes, incluidos laboratorios privados como las grandes empresas de software. Lo que estoy diciendo es que, aunque hay toneladas de avances en machine learning para tareas específicas como forecast future demand, no he visto nada que califique como publicaciones en revistas novedosas de calidad o en conferencias de alto nivel que se publiquen bajo esas palabras clave, como la detección de demanda.
Kieran Chandler: Hablemos del contenido en sí. Hay muchas cosas en internet si haces alguna investigación sobre la detección de demanda, con muchos artículos y cosas que parecen ser algo legítimas. Entonces, ¿cómo das sentido a eso? ¿Cuál es el problema con, si revisamos un poco, lo que se está presentando? Lo que se presenta es, en primer lugar, esta idea de tener datos en tiempo real. ¿Por qué no? Sin embargo, datos en tiempo real, primero aclaremos un poco a qué nos referimos con datos en tiempo real porque suena interesante. Mi perspectiva es que los datos en tiempo real son básicamente cuando la latencia está por debajo de la percepción humana. Así que, como regla general, si queremos aclarar de qué estamos hablando, es 100 milisegundos. Ahí es cuando empieza a acercarse mucho a lo que la gente calificaría como en tiempo real.
Joannes Vermorel: Bien, hablemos de que, en un problema de supply chain o de supply chain, el hecho de que tengas datos accesibles, o que tengas toda una cadena de datos que pueda procesar tu información en menos de 100 milisegundos para ser en tiempo real. ¿Tenemos alguna posibilidad de obtener, gracias a eso, algo que podría representar una mejora del 50% en la precisión del forecast? Y aquí, soy muy escéptico. Especialmente cuando la gente comienza a hacer demostraciones sobre el software que realiza detección de demanda y forecast. En la demostración, observan un producto con tres años de historial, y están haciendo un forecast a seis meses vista.
Kieran Chandler: Entonces, si estás haciendo forecast de demanda para seis meses, el hecho de que tengas datos que sean de hace 100 milisegundos o de hace 24 horas, es decir, datos que se retrasan solo un día, francamente, no va a hacer mucha diferencia. Ni siquiera estoy seguro de que tener datos de hace dos días en lugar de uno realmente marque una diferencia de siquiera un uno por ciento en un forecast a seis meses vista. Por eso digo que la parte de en tiempo real del argumento me parece sumamente superficial.
Entonces, veamos la otra parte de los argumentos: afirman tener técnicas de machine learning superiores. Pero técnicas de machine learning superiores – ya que machine learning es un campo súper amplio – sería como si un fabricante de automóviles dijera, “Oh, tenemos el mejor coche porque tenemos mejor física.” Tener mejor física ayuda, pero es una afirmación audaz. Necesitas un avance a nivel de las leyes físicas. Así que, de nuevo, soy escéptico cuando haces este tipo de afirmaciones.
Entonces, básicamente, lo que tienen es, si recorro el otro conjunto de argumentos, dicen que necesitas tener un forecast que use más datos que los métodos tradicionales. Yo diría que sí, absolutamente. Quiero decir, ya hemos discutido en este programa muchas veces el hecho de que el forecast ingenuo de series temporales te da toneladas de basura. La explicación más simple es que, si solo miras tus ventas históricas, no tomas en cuenta faltantes de stock. Por ejemplo, si no observaste ventas porque hubo un faltante de stock, no quieres pronosticar cero simplemente porque has observado cero. Tus ventas históricas no son demanda histórica. Así que sí, necesitas incluir más datos además de eso, absolutamente, y eso puede llevar a mejoras muy sustanciales.
Kieran Chandler: Entonces, lo que estás diciendo es que el uso de esta información en tiempo real es prácticamente excesivo en un escenario de supply chain porque, en realidad, no necesitas ese nivel de información tan rápido. ¿Qué nivel de granularidad necesitamos realmente?
Joannes Vermorel: Pero, de nuevo, si estás probando robots de picking en tiempo real en un almacén, entonces 100 milisegundos podrían ser demasiado lentos. Así que, realmente depende del tipo de problema. Pero, las personas que impulsan el demand sensing no están discutiendo el caso de uso del control en tiempo real de robots super rápidos en almacenes automatizados. Esto no es Esto no es Kieran Chandler: Lo que muestran en sus demos es algo que se parece mucho a la vieja forma de hacer la planificación de supply chain, donde comienzas a mirar tus ventas, tu demanda desde tres semanas hasta nueve meses o incluso un año adelante. Y ahí es donde realmente cuestiono el hecho de que tener información en tiempo real para este tipo de situación vaya a hacer alguna diferencia. Eso es lo que verdaderamente cuestiono. Entonces, ¿a quién beneficia realmente? ¿Dirías que es puramente un truco de marketing para vender otras piezas de software?
Joannes Vermorel: Este es un caso en el que estaba pensando en el término “moot” donde, ya sabes, el software del que no deberías preocuparte es moot. Es literalmente un truco de marketing para proveedores que carecen de nuevas ideas, tecnologías y probablemente experiencia. Bueno, simplemente deciden tomar el camino del truco de marketing porque no hay sustancia alguna. Y sé que es relativamente duro, pero francamente, no veo una mejor explicación porque los problemas que enfrentamos son tan desafiantes. Hay tantos ángulos que se pueden discutir y mejorar que no necesitamos inventar nuestros propios buzzwords. Hay tantos aspectos que necesitan ser afinados para presentar algo nuevo. Si tienes que recurrir a un buzzword completamente inventado que resulta ser simplemente un truco de marketing superficial, no favorece en absoluto a los equipos detrás de esas empresas. Es decir, demuestra una cierta indiferencia hacia los problemas que enfrentan los clientes, y también muestra cierto grado de arrogancia en el sentido de que piensan que el cliente es simplemente un idiota y que literalmente se le puede empujar cualquier cosa. En cierto punto, es casi un insulto a la inteligencia de a quién le estás vendiendo.
Kieran Chandler: Entonces, ¿cómo los diferenciamos? Porque hay tantos de estos buzzwords, hay tanta investigación diferente que tendríamos que hacer. ¿Cómo puedes diferenciar entre lo que es realmente un buen buzzword y lo que no lo es?
Joannes Vermorel: Primero, diría que una manera es observar de forma amplia quién está hablando de este buzzword. ¿Es solo tu proveedor, o hay muchas personas de diferentes campos, personas que no tienen intereses convergentes, personas que no tienen razón para copiarse entre sí? Lo que pasa con el demand sensing es que, básicamente, fue un proveedor impulsándolo, y los otros proveedores simplemente copiaron el truco de marketing superficial. Así que comienzas con algo que es simplemente un truco de marketing, y terminó siendo replicado en términos de marketing por otros actores. No tiene sustancia, por lo que es relativamente fácil de replicar. Cuando tienes tecnología real, es más difícil de replicar. Si lo único que tienes que replicar es un sitio web elegante, es mucho más fácil. Pero me desvío del tema.
Para identificar buenos buzzwords, busca a diferentes personas hablando de ellos. Por ejemplo, algo que discutimos extensamente en Lokad es el forecast probabilístico. Si buscas en línea quién está discutiendo forecast probabilístico, encontrarás que en realidad hay toneladas de otras comunidades, por ejemplo, personas que estudian el clima, utilizando en gran medida modelos probabilísticos. Cuando piensas en el clima, la investigación de vanguardia se basa claramente en modelos probabilísticos. No tiene nada que ver directamente con supply chain, pero aun así, demuestra que los conceptos son atractivos y útiles para grupos diversos. Eso, creo, es una señal muy importante.
Otro indicador es el llamado a la autoridad. Cuando las personas solo impulsan algo como el demand sensing como una nueva y tremenda forma de hacer forecast y hacen afirmaciones audaces, pero en lugar de detallar el algoritmo y las matemáticas de cómo lo hacen, ponen de relieve el nombre, el título y el currículum.
Kieran Chandler: De lo horrible de las cosas, todas tenemos al Dr. X PhD, ¿por qué hacerlo con 20 años de experiencia aquí y allá? Y es que, básicamente, cuando presentas el currículum de las personas de entrada, es literalmente un llamado a la autoridad. Así que eso generalmente significa que, ya sabes, tus ideas carecen de sustancia. De lo contrario, no necesitarías incluir tu currículum en artículos científicos, simplemente tienes el nombre de los investigadores y la institución, no el currículum. Bien, entonces, si el demand sensing es un ejemplo de quizá un truco de marketing, ¿hay muchos otros ejemplos históricos en la industria de supply chain de trucos de ese tipo?
Joannes Vermorel: Sí, quiero decir, no solo en supply chain. Creo que es uno de esos casos típicos de mercados dominados por grandes proveedores empresariales que juegan mucho esos juegos, pero no es el único ámbito. Han existido bastantes buzzwords superficiales. Por ejemplo, IBM, hace 10 años, propuso con fuerza su autonomous computing, que resultó ser un gran montón de nada. Hubo muchas personas que comenzaron a impulsar cosas como, antes de que la gente se volviera loca por data science, se volvían locos por data mining. Fue algo grande hace 20 años. Existía la idea de extraer pepitas de datos. Ni siquiera estoy seguro de que la gente recuerde lo que se suponía que era. Así que ha habido una larga serie de buzzwords superficiales, y en realidad es bastante difícil recordarlas porque precisamente tienen muy poca sustancia. Para preparar este episodio sobre demand sensing fue en realidad bastante difícil para mí, porque leí docenas de páginas sobre el tema y pasé media hora tratando de resumir lo que había aprendido. Y terminé dándome cuenta de que no había aprendido nada. Así que, es incluso difícil memorizar este tipo de cosas.
Kieran Chandler: Entonces, ¿cuál suele ser el resultado? ¿Es que estos buzzwords simplemente quedan en el olvido porque no tienen sustancia, y la industria pasa al siguiente?
Joannes Vermorel: Sí, esa es mi creencia personal. Lo llamo la ley de preservación del hype. En la física, tenemos la ley de la preservación de la masa, y en lo que concierne al marketing de los proveedores empresariales, existe esta ley de preservación del hype. Hay una masa total de hype, y si tienes un buzzword que entra en la pila, algo más sale de ella. De hecho, puedes verificar empíricamente mi ley de conservación del hype mirando Google Trends, esta herramienta proporcionada por Google. Si tomas muchos buzzwords como AI, computación en la nube, big data, machine learning y otros, verás que con el tiempo es como una constante, incluso si cada buzzword tiene un pico y luego se desvanece. Así que, claramente, existen estos patrones.
Kieran Chandler: Bien, entonces, vamos a resumir un poco. Para los profesionales de supply chain que buscan el próximo gran buzzword en el futuro, ¿qué deberían tener en cuenta?
Joannes Vermorel: Creo que deberían estar atentos a cosas que aborden fundamentalmente algo bastante esencial con una percepción que, al mirar atrás, resulta completamente obvia. Lo sorprendente de la ciencia es que, cuando tienes cosas que son profundamente verdaderas y eficientes, las miras y te preguntas cómo pudiste haber sido tan ignorante antes. Por ejemplo, en supply chain, antes de que empezáramos a darnos cuenta de que cuando queríamos observar la demanda, teníamos que hacerlo con un propósito, como el soporte. Ese fue el nacimiento de los forecast de cuantiles. Esa fue la idea de que los riesgos Esa fue la idea de que los riesgos Kieran Chandler: Es obvio que optimizar el stock y reducir los costos son importantes cuando el inventario gira. Es algo tan importante que ni siquiera puedes desaprenderlo. Una vez que entiendes un concepto fundamental, se vuelve muy relevante. Diría que cuando ves una keyword y te hace clic, generalmente es porque has comprendido algo muy fundamental. No es algo increíblemente difícil. En el núcleo de la innovación masiva, suele ser algo fundamentalmente simple.
Joannes Vermorel: Si te hablo de computación en la nube, podrías pensar que es súper complicado. Pero luego, si te digo que es simplemente recursos de hardware on demand, y por on demand quiero decir que simplemente puedes decir, “Dame una máquina de cómputo en el próximo minuto,” y ahí lo tienes. Tienes proveedores a gran escala que pueden venderte potencia de procesamiento disponible on demand. Una vez que entiendes esto, terminas comprendiendo muchas cosas sobre computación en la nube.
Kieran Chandler: Así que, estas keywords normalmente representan los conceptos fundamentales, y el diablo está en los detalles. Pero la idea clave, si no puedes comprenderla en unos pocos minutos, puede que no sea tan valiosa. Realmente debería impactarte como un sólido entendimiento extra para tu negocio del cual puedas aprovecharte. Tal vez, para aprovechar esta comprensión extra, necesites herramientas adicionales. Pero si no hay un entendimiento fundamental, entonces, lo más probable es que lo que estás viendo no tenga sustancia alguna y sea simplemente un gran montón de nada.
Joannes Vermorel: Es correcto.
Kieran Chandler: Genial, tendremos que terminar aquí. Gracias por tu tiempo. Eso es todo por hoy. Si estás de acuerdo o en desacuerdo, asegúrate de dejarnos un comentario abajo, y eso es todo por esta semana. Nos vemos la próxima vez.