00:00:07 Introducción y definición de demand sensing.
00:01:02 Joannes critica el demand sensing como un concepto vago.
00:02:45 Preguntas sobre la novedad de las técnicas de demand sensing.
00:05:01 Crítica del impacto de los datos en tiempo real en la previsión de la cadena de suministro.
00:07:49 Argumento de que se necesitan más datos y métodos no tradicionales.
00:08:37 Diferencias en el caso 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 Diferenciación entre buenas palabras de moda y palabras de moda superficiales.
00:14:24 Ejemplos de otros trucos en la industria de la cadena de suministro.
00:16:02 Dificultad de memorizar palabras de moda y su falta de sustancia.
00:16:33 Ley de preservación de la emoción y verificación de las tendencias de Google.
00:17:47 Identificación de palabras de moda valiosas con ideas fundamentales.
00:18:26 Ejemplo de pronóstico de cuantiles y la importancia de comprender los fundamentos.
00:19:21 Computación en la nube y su concepto central simple.
Resumen
En la entrevista, Kieran Chandler y Joannes Vermorel discuten el demand sensing, un método de pronóstico que combina datos en tiempo real y técnicas matemáticas avanzadas. Vermorel expresa escepticismo sobre la efectividad del demand sensing debido a su fundamento conceptual vago y la falta de investigación novedosa y revisada por pares. Aconseja a los profesionales de la cadena de suministro que sean cautelosos con los trucos de marketing y se centren en conceptos que aborden problemas fundamentales con ideas sorprendentemente obvias. Vermorel enfatiza la importancia de comprender 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 la cadena de suministro.
Resumen Extendido
En esta entrevista, Kieran Chandler discute el demand sensing con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de la cadena de suministro. El demand sensing es un método de pronóstico que combina técnicas matemáticas avanzadas con información en tiempo real. La conversación se centra en la efectividad del demand sensing y cómo distinguir entre conceptos valiosos y trucos de marketing.
Vermorel comienza admitiendo que es difícil evaluar el demand sensing debido a la vaguedad de los documentos que ha revisado sobre el tema. Él cree que el demand sensing no es vaporware, ya que el software existe, sino más bien mootware, algo que no cumple con 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 del demand sensing incluyen el uso de datos en tiempo real, la incorporación de datos más allá de los datos centrales tradicionales (como el movimiento pasado de inventario y la demanda de ventas) y el aprovechamiento del aprendizaje automático para lograr una mayor precisión. Vermorel reconoce que estos conceptos individuales parecen válidos, pero cuestiona la novedad y profundidad del enfoque general.
Para evaluar el demand sensing, Vermorel analiza la principal afirmación hecha por sus defensores: que puede producir pronósticos más precisos. Señala que el pronóstico estadístico es un campo de investigación bien establecido, con numerosas competencias en línea y una comunidad vibrante que desafía y avanza constantemente en el campo. Muchas organizaciones, incluidas prestigiosas instituciones de investigación y grandes empresas de software, publican artículos sobre aprendizaje automático y aprendizaje estadístico, incluidos aquellos enfocados en pronosticar la demanda futura.
Sin embargo, Vermorel no ha visto ninguna investigación significativa y novedosa publicada sobre el demand sensing en revistas o conferencias de prestigio, lo que plantea dudas sobre la legitimidad del concepto. A pesar de la abundancia de documentos y materiales disponibles en Internet sobre el demand sensing, la falta de investigación concreta y revisada por pares y las contribuciones de la comunidad más amplia de aprendizaje automático y pronóstico generan dudas sobre el verdadero valor del demand sensing.
Vermorel expresa escepticismo sobre la efectividad del demand sensing como método de pronóstico, debido a su fundamento conceptual vago y la falta de investigación novedosa y revisada por pares sobre el tema. Sugiere que puede ser más un truco de marketing que un enfoque verdaderamente innovador para la optimización de la cadena de suministro.
La conversación gira en torno al concepto de datos en tiempo real, su relevancia para el pronóstico de la cadena de suministro y los trucos de marketing que lo rodean.
Vermorel explica que los datos en tiempo real, que se refieren a datos con una latencia inferior a la percepción humana (alrededor de 100 milisegundos), se han vuelto populares debido a su naturaleza atractiva. Sin embargo, es escéptico sobre si tener datos en tiempo real ofrece alguna mejora significativa en la precisión del pronóstico. Cita una demostración típica de software donde se utiliza un producto con tres años de historial para pronosticar seis meses en el futuro. Vermorel argumenta que tener datos de hace 100 milisegundos, en lugar de hace 24 horas, no marcará mucha diferencia en este contexto.
Otra afirmación hecha con frecuencia por los defensores de los datos en tiempo real es el uso de técnicas superiores de aprendizaje automático. Vermorel sigue siendo escéptico, comparándolo con un fabricante de automóviles que afirma tener mejores autos debido a una mejor física. Sin embargo, está de acuerdo en que incorporar más datos que el pronóstico tradicional de series de tiempo puede llevar a mejoras sustanciales.
Vermorel afirma que la información en tiempo real en escenarios de cadena de suministro generalmente es excesiva, ya que el nivel de granularidad que proporciona no es necesario 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 almacenes automatizados. Cuestiona la idea de que los datos en tiempo real puedan marcar una diferencia significativa en la planificación de la cadena de suministro, donde los pronósticos típicamente van desde tres semanas hasta un año en el futuro.
Según Vermorel, la promoción de los datos en tiempo real en el pronóstico de la cadena de suministro a menudo es un truco de marketing utilizado por proveedores de software que carecen de nuevas ideas, experiencia o tecnologías. Sugiere que este enfoque refleja una cierta indiferencia hacia los problemas de los clientes y una suposición arrogante de que los clientes pueden ser fácilmente engañados. Para identificar conceptos valiosos frente a meras palabras de moda, aconseja observar si varias personas de diferentes campos discuten el concepto. Si solo los proveedores lo promueven, es más probable que sea un truco de marketing.
Como ejemplo positivo, Vermorel menciona el pronóstico 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 basa en una sustancia genuina, a diferencia del concepto impulsado por el marketing de datos en tiempo real en el pronóstico de la cadena de suministro.
Vermorel comienza explicando el concepto de apelación a la autoridad, que él cree que es un fuerte indicador de una palabra de moda. Utiliza el ejemplo de la detección de la demanda, donde los defensores presentan los nombres y títulos de los expertos involucrados, en lugar de detallar el algoritmo o las matemáticas detrás de él.
Cuando se le preguntó sobre otros ejemplos de trucos en la industria de la cadena de suministro, Vermorel señala que ha habido muchos a lo largo de la historia. Cita 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 disminuido. Vermorel cree que estas palabras de moda a menudo quedan en el olvido debido a la falta de sustancia, y se refiere a su “ley de preservación del bombo”, que explica como una masa total constante de bombo que solo cambia cuando una nueva palabra de moda entra en el mercado.
Vermorel sugiere que los profesionales de la cadena de suministro deben estar atentos a las palabras de moda que parecen abordar un problema fundamental con una idea sorprendentemente obvia. Proporciona el ejemplo de los pronósticos de cuantiles, que se centran en los riesgos concentrados en los extremos en lugar del medio. Vermorel cree que ideas simples y fundamentales como estas, una vez comprendidas, son difíciles de olvidar y pueden llevar 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, la computación en la nube puede parecer complicada, pero su concepto principal 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, es probable que carezca de sustancia y debe ser ignorada.
Vermorel enfatiza la importancia de reconocer y comprender la sustancia detrás de las palabras de moda en la industria de la cadena de suministro. Anima a los profesionales a centrarse en ideas 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 puedes distinguir entre lo que es una buena palabra de moda y lo que es simplemente un montón de tonterías de marketing. Entonces, Joannes, detección de la demanda, ¿cuál es tu opinión inicial sobre un concepto como ese?
Joannes Vermorel: En realidad, es una pregunta difícil, porque he revisado muchos documentos sobre la detección de la demanda, y lo mejor que puedo decir sobre esos documentos es que son extremadamente vagos. Por lo tanto, es muy difícil atribuir cualidades o defectos específicos a un concepto que es muy vago. Pero fundamentalmente, diría que para mí la detección de la demanda es una clara ilustración de lo que podríamos llamar no vaporware, porque el software existe y se supone que es capaz de ofrecer detección de la demanda para optimizar tu cadena de suministro. Entonces, no es vaporware, pero diría que es algo sin importancia, como algo que realmente no importa porque no cumplirá lo que promete.
Kieran Chandler: Dijiste que las ideas detrás de esto son un poco vagas, ¿cuál es el concepto básico?
Joannes Vermorel: Los conceptos que se anuncian, y nuevamente digo anunciados 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 demanda de ventas pasadas, y el uso de aprendizaje automático, que es bastante indefinido en este contexto, para hacer cosas novedosas y obtener mayor precisión.
Kieran Chandler: Entonces, una de las cosas que indica que es un truco de marketing es que todos esos conceptos parecen sostenerse por sí mismos. Entonces, ¿cuáles son los problemas aquí?
Joannes Vermorel: La pregunta es cuánta novedad hay en términos de profundidad. Comencemos por analizar la principal afirmación de los proveedores que están impulsando las tecnologías de detección de la demanda. La principal afirmación es que pueden obtener pronósticos más precisos. Esa es una afirmación muy razonable; dices que tienes una técnica novedosa que puede producir predicciones estadísticas más precisas. Bueno, resulta que la cadena de suministro no existe en el vacío. Existe todo un campo de investigación sobre pronósticos estadísticos, con toneladas de competencias en línea donde las personas prueban modelos y compiten. El amplio campo del aprendizaje automático y el aprendizaje estadístico es muy vibrante, con desafíos y resultados públicos publicados en conferencias, revistas y documentos de diversas fuentes, incluidos laboratorios privados como grandes empresas de software. Lo que estoy diciendo es que, aunque hay toneladas de avances en el aprendizaje automático para tareas específicas como pronosticar la demanda futura, no he visto nada que calificaría como buenos artículos novedosos o conferencias de alto nivel publicadas a través de esas palabras clave, como detección de la demanda.
Kieran Chandler: Hablemos del contenido en sí. Hay mucho material en Internet si estás investigando sobre la detección de la demanda, con muchos artículos y cosas que parecen ser legítimas. Entonces, ¿cómo le das sentido a eso? ¿Cuál es el problema si revisamos un poco lo que se está presentando? Entonces, lo que se está presentando es primero esta idea de tener datos en tiempo real. ¿Por qué no? Sin embargo, datos en tiempo real, primero vamos a calificar un poco lo que queremos decir con datos en tiempo real porque suena bien. Desde mi perspectiva, los datos en tiempo real son básicamente cuando la latencia está por debajo de la percepción humana. Entonces, como regla general, si queremos aclarar de qué estamos hablando, son 100 milisegundos. Eso es cuando comienza a ser muy cercano a lo que las personas calificarían como en tiempo real.
Joannes Vermorel: Bien, discutamos en una cadena de suministro o un problema de cadena de suministro, el hecho de que tengas datos accesibles, o que tengas un canal completo de datos que pueda procesar tus datos en menos de 100 milisegundos para ser en tiempo real. ¿Tenemos alguna posibilidad de tener, gracias a eso, algo que pueda ser del orden de magnitud de una mejora del 50% en la precisión de los pronósticos? Y aquí, soy muy escéptico. Especialmente cuando las personas comienzan a hacer demostraciones sobre el software que realiza la detección de la demanda y hace pronósticos. En la demostración, miran un producto con tres años de historial y hacen un pronóstico a seis meses vista.
Entonces, si estás pronosticando la demanda a seis meses vista, el hecho de tener datos frescos de los últimos 100 milisegundos o frescos de las últimas 24 horas, es decir, tener datos que solo están retrasados por un día, francamente, no va a marcar mucha diferencia. Incluso no estoy seguro de que tener datos que tengan dos días de antigüedad en lugar de uno solo vaya a marcar siquiera una diferencia del uno por ciento a seis meses vista. Ahí es donde digo que la parte en tiempo real del argumento me parece extremadamente superficial.
Luego, veamos la otra parte de los argumentos: afirman tener técnicas de aprendizaje automático superiores. Pero las técnicas de aprendizaje automático superiores, dado que el aprendizaje automático es un campo muy amplio, sería como si un fabricante de automóviles dijera: “Oh, tenemos el mejor automóvil porque tenemos una mejor física”. Tener una mejor física ayuda, pero es una afirmación audaz. Necesitas un avance a nivel de las leyes físicas. Entonces, nuevamente, soy escéptico cuando haces este tipo de afirmación.
Entonces, básicamente, lo que tienen es, si vuelvo al otro conjunto de argumentos, dicen que necesitas tener un pronóstico que utilice más datos que los métodos tradicionales. Yo diría que sí, absolutamente. Quiero decir, hemos discutido en este programa muchas veces el hecho de que el pronóstico ingenuo de series temporales te da toneladas de basura. La explicación más simple es que si solo miras tus ventas históricas, no tienes en cuenta los faltantes de stock. Por ejemplo, si no observaste ninguna venta porque tuviste un faltante de stock, no quieres pronosticar cero porque has observado cero. Tus ventas históricas no son la demanda histórica. Entonces 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 cadena de suministro porque, en realidad, no necesitas ese nivel de información tan rápido. ¿Cuál es el nivel de granularidad que realmente necesitamos?
Joannes Vermorel: Pero, nuevamente, si estás pilotando robots de selección en tiempo real en un almacén, entonces 100 milisegundos podrían ser demasiado lentos. Entonces, realmente depende del tipo de problema. Pero las personas que están impulsando la detección de la demanda no están discutiendo el caso de uso del control en tiempo real de robots súper rápidos en almacenes automatizados. Esto no es
Kieran Chandler: Lo que están mostrando en sus demostraciones es algo muy similar a la forma antigua de planificar la cadena de suministro, donde comienzas a mirar tus ventas, tu demanda en cualquier momento desde tres semanas hasta nueve meses o incluso un año en el futuro. Y ahí es donde realmente desafío el hecho de que tener información en tiempo real para este tipo de situación vaya a marcar alguna diferencia. Eso es lo que realmente desafío. Entonces, ¿a quién realmente beneficia? ¿Dirías que es simplemente un truco de marketing para vender otros software?
Joannes Vermorel: Este es un caso en el que estaba pensando en este término de “moot” donde, ya sabes, el software del que no deberías preocuparte es irrelevante. 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 ninguna sustancia. Y sé que es relativamente duro, pero francamente, no veo una mejor explicación porque los problemas a los que nos enfrentamos son tan desafiantes. Hay tantos aspectos que se pueden discutir y mejorar que no necesitamos inventar nuestras propias palabras de moda. Hay tantos aspectos que deben ser refinados para presentar algo nuevo. Si tienes que recurrir a una palabra de moda completamente inventada que resulta ser solo un truco de marketing superficial, no pone a los equipos detrás de esas empresas en buen lugar. Quiero decir, muestra 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 puedes empujarles cualquier cosa. En algún momento, es un insulto a la inteligencia de a quién estás vendiendo.
Kieran Chandler: Entonces, ¿cómo los diferenciamos? Porque hay tantas de estas palabras de moda por ahí, hay tanta investigación diferente que tendríamos que hacer. ¿Cómo puedes diferenciar entre lo que es realmente una buena palabra de moda y lo que no lo es?
Joannes Vermorel: Primero, diría que una forma es echar un vistazo amplio a quién está hablando de esta palabra de moda. ¿Es solo tu proveedor, o hay muchas personas de diferentes campos, personas que no tienen intereses convergentes, personas que no tienen motivo para copiarse entre sí? Lo que sucede con la detección de la demanda es que básicamente fue un proveedor el que la impulsó, y los otros proveedores simplemente copiaron el truco de marketing superficial. Así que comienzas con algo que es solo un truco de marketing, y termina siendo replicado en términos de marketing por otros actores. No hay 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 buenas palabras de moda, busca a diferentes personas que hablen de ellas. Por ejemplo, algo de lo que discutimos extensamente en Lokad es el pronóstico probabilístico. Si buscas en línea quién está discutiendo el pronóstico probabilístico, descubrirás que en realidad hay toneladas de otras comunidades, por ejemplo, personas que estudian el clima y que utilizan ampliamente modelos probabilísticos. Cuando piensas en el clima, la investigación de vanguardia está claramente impulsada por modelos probabilísticos. No tiene nada que ver directamente con la cadena de suministro de ninguna manera, pero aún así demuestra que los conceptos son atractivos y útiles para grupos diversos. Eso, creo, es una señal muy importante.
Otro indicador es el atractivo a la autoridad. Cuando las personas simplemente promueven algo como la detección de la demanda como una nueva forma tremenda de hacer pronósticos y hacen afirmaciones audaces, pero en lugar de detallar el algoritmo y las matemáticas sobre cómo lo hacen, presentan el nombre, el título y el pedigrí.
Kieran Chandler: De todas las cosas terribles, todas tienen al Dr. X PhD, ¿por qué hacer eso con 20 años de experiencia aquí y allá, y eso es básicamente cuando presentas el currículum de las personas al frente, es literalmente un atractivo a la autoridad. Así que eso generalmente significa que tus ideas carecen de sustancia. De lo contrario, no necesitas tener tu currículum en artículos científicos, solo tienes el nombre de los investigadores y la institución, no el currículum. Bueno, entonces, si la detección de la demanda es un ejemplo de tal vez un truco de marketing, ¿hay muchos otros ejemplos en la industria de la cadena de suministro de trucos que han existido históricamente?
Joannes Vermorel: Sí, no solo en la cadena de suministro. Creo que es uno de esos casos típicos de mercados dominados por grandes proveedores empresariales que juegan mucho a esos juegos, pero no es el único ámbito. Ha habido bastantes palabras de moda superficiales. Por ejemplo, hace 10 años, IBM hizo un gran impulso para su cómputo autónomo, que resultó ser un montón de nada. Había mucha gente que comenzó a impulsar cosas como, antes de que la gente estuviera loca por la ciencia de datos, estaban locos por la minería de datos. Fue algo importante hace 20 años. Había la idea de extraer pepitas de datos. Ni siquiera estoy seguro de si la gente recuerda para qué se suponía que era. Así que ha habido una larga serie de palabras de moda superficiales, y en realidad es bastante difícil incluso recordarlas porque precisamente hay muy poca sustancia.
Preparar este episodio sobre la detección de la demanda fue realmente difícil para mí porque estaba leyendo docenas de páginas al respecto y pasando media hora tratando de resumir lo que he aprendido. Y me encontré a mí mismo sin haber aprendido nada. Así que, incluso es difícil memorizar este tipo de cosas.
Kieran Chandler: Entonces, ¿cuál es normalmente el resultado? ¿Estas palabras de moda simplemente quedan en el olvido porque no tienen sustancia detrás de ellas, y la industria pasa a la siguiente?
Joannes Vermorel: Sí, esa es mi creencia personal. Lo llamo la ley de preservación del hype. En física, tenemos la ley de preservación de la masa, y en lo que respecta al marketing de los proveedores empresariales, existe esta ley de preservación del hype. Existe una masa total de hype, y si tienes una palabra de moda que entra en la pila, algo más sale de la pila. En realidad, puedes verificar empíricamente mi ley de conservación del hype mirando las tendencias de Google, esta herramienta proporcionada por Google. Si tomas muchas palabras de moda como IA, computación en la nube, big data, aprendizaje automático, y demás, verás que con el tiempo, es algo constante, incluso si cada palabra de moda tiene un pico y luego se desvanece. Así que, claramente, existen estos patrones.
Kieran Chandler: Bueno, entonces vamos a resumir un poco las cosas. Para los profesionales de la cadena de suministro que buscan la próxima gran palabra de moda en el futuro, ¿en qué deberían estar atentos?
Joannes Vermorel: Creo que deberían estar atentos a cosas que aborden fundamentalmente algo bastante esencial con una idea que, al mirar hacia atrás, sea 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 la cadena de suministro, antes de que comenzáramos a darnos cuenta de que cuando queríamos analizar la demanda, teníamos que hacerlo con un propósito, como el soporte. Ese fue el nacimiento de los pronósticos de cuantiles. Esa fue la idea de los riesgos
Kieran Chandler: Es obvio que optimizar el stock y reducir los costos son importantes cuando el inventario rota. Es algo tan importante que ni siquiera puedes desaprenderlo. Una vez que comprendes un concepto fundamental, se vuelve muy importante. Diría que cuando ves una palabra clave y haces clic en ella, generalmente es porque has entendido algo muy fundamental. No es algo increíblemente difícil. En el núcleo de la innovación masiva, generalmente hay algo fundamentalmente simple.
Joannes Vermorel: Si te hablo de la computación en la nube, podrías pensar que es súper complicado. Pero luego, si te digo que son simplemente recursos de hardware bajo demanda, y por bajo demanda me refiero a que puedes decir simplemente “Dame una máquina de computación en el próximo minuto”, y ahí la tienes. Tienes proveedores a gran escala que pueden venderte potencia de procesamiento disponible bajo demanda. Una vez que entiendes eso, entiendes muchas cosas sobre la computación en la nube.
Kieran Chandler: Entonces, estas palabras clave suelen representar los conceptos fundamentales, y el diablo está en los detalles. Pero la idea clave, si no puedes entenderla en unos minutos, puede que no sea tan valiosa. Debería golpearte realmente como una comprensión adicional sólida para tu negocio de la que puedas aprovecharte. Tal vez para aprovechar esta idea adicional, necesitarás herramientas adicionales. Pero si no hay una comprensión fundamental, entonces lo que estás viendo probablemente no tenga ninguna sustancia y sea simplemente un montón de nada.
Joannes Vermorel: Eso es correcto.
Kieran Chandler: Genial, tenemos que terminar aquí. Gracias por tu tiempo. Eso es todo por hoy. Si estás de acuerdo o en desacuerdo, asegúrate de dejarnos un comentario a continuación, y eso es todo por esta semana. Nos vemos la próxima vez.
