00:00:07 Introducción y la importancia de los números pequeños en el desempeño de supply chain.
00:01:00 Cómo los números pequeños afectan el desempeño computacional y los costos.
00:03:33 La historia y la evolución de la precisión numérica en los sistemas de finanzas y supply chain.
00:06:00 El impacto del tamaño de los datos en el desempeño computacional y los cuellos de botella.
00:07:44 Lograr una aceleración computacional significativa reduciendo el tamaño de los datos.
00:08:47 La importancia de prestar atención al stack tecnológico y las herramientas en la optimización de supply chain.
00:10:17 Equilibrar el costo computacional y modelos matemáticos más potentes para mejores resultados en supply chain.
00:12:50 Analizar datos históricos y utilizar software predictivo de supply chain para una mejor toma de decisiones.
00:15:04 Impacto de la agregación de datos en la ganancia percibida de desempeño y la pérdida de granularidad.
00:16:00 Desafíos de consolidar las decisiones de supply chain.
00:17:33 Revisar los supuestos estadísticos básicos y la simpatía mecánica.
00:20:01 Importancia de la simpatía mecánica en la gestión de supply chain.
00:20:58 Pasar de la ley de los números pequeños a la perspectiva de big data.
00:23:20 Conclusión: menos datos pueden ser más en ciertas situaciones.
Resumen
Joannes Vermorel, fundador de supply chain optimization de la compañía de software Lokad, discute la ley de los números pequeños y su impacto en el desempeño de supply chain con Kieran Chandler. Vermorel resalta la importancia de los números pequeños en los datos de supply chain y la relevancia de elegir los números correctos para optimizar la velocidad y el desempeño computacional. La discusión enfatiza la necesidad de una mayor empatía de diseño para lograr mejoras en el desempeño, la compensación entre la eficiencia computacional y el examen de todos los futuros posibles y decisiones, y el desafío de utilizar modelos estadísticos en entornos minoristas complejos. La entrevista subraya la importancia de equilibrar los recursos computacionales y el modelado sofisticado para optimizar supply chain en desempeño.
Resumen Extendido
En esta entrevista, Kieran Chandler conversa con Joannes Vermorel, fundador de Lokad, una compañía de software especializada en supply chain optimization. Hablan sobre la ley de los números pequeños y su potencial para mejorar el desempeño de supply chain, la importancia de los números pequeños en los datos de supply chain, y el impacto de elegir los números correctos en la velocidad y el desempeño computacional.
Vermorel explica que los números pequeños, específicamente los de un dígito, son ubicuos en supply chain. Aunque los códigos de barras pueden tener muchos dígitos, sirven más como identificadores que como cantidades. Las cantidades en supply chain tienden a involucrar números muy pequeños, lo cual es sorprendente ya que la mayoría de las estadísticas se orientan hacia la ley de los números grandes. Esta observación es importante porque resalta la necesidad de una mayor empatía de diseño para lograr mejoras en el desempeño, especialmente a medida que la tasa de mejora en la potencia de procesamiento se está ralentizando.
La entrevista luego se centra en el impacto de los números pequeños en la computación. Vermorel afirma que, aunque las computadoras pueden manejar cualquier número, pueden realizar cálculos mucho más rápido si se eligen los números correctos. Por ejemplo, las computadoras pueden ser de 10 a 20 veces más rápidas al realizar operaciones mundanas con números si se seleccionan los números correctos. Esto puede marcar una diferencia significativa en el desempeño general de un sistema de supply chain optimization.
Kieran le pregunta a Vermorel que explique la diferencia en el envío de números entre sistemas y la realidad física del computing hardware. Vermorel enfatiza que el costo del procesamiento y análisis de datos es importante para supply chain optimization. Las computadoras se han vuelto más baratas en términos de potencia de procesamiento bruta, lo que permite algoritmos más potentes para mejorar la forecast accuracy y el desempeño de supply chain. Sin embargo, el equilibrio entre el costo computacional y el desempeño de supply chain es crucial.
Vermorel sostiene que si los costos brutos de computación se reducen significativamente, no significa que los costos de las computadoras desaparecerán. En cambio, las compañías aprovecharán sus recursos recién adquiridos para desarrollar modelos más complejos, lo que, a su vez, incrementa los costos computacionales. Por lo tanto, se debe prestar atención al impacto de los números pequeños en los costos computacionales para optimizar el desempeño de supply chain.
La discusión abordó los orígenes de la necesidad de cálculos aritméticos en los sistemas empresariales, que provino principalmente del mundo de las finanzas. Los primeros sistemas empresariales fueron diseñados pensando en cálculos financieros, y esta historia tiene implicaciones sobre cómo se utilizan y entienden los números pequeños en el contexto de supply chain optimization.
La ley de los números pequeños tiene el potencial de mejorar significativamente el desempeño de supply chain si las compañías pueden aprovechar correctamente los números adecuados en sus sistemas computacionales. Al prestar atención al equilibrio entre los costos computacionales y el desempeño de supply chain, las compañías pueden desarrollar modelos más complejos y lograr resultados de optimización superiores.
Vermorel explica cómo las prácticas de supply chain adoptadas desde las industrias de finanzas y contabilidad en los años 70 y 80 llevaron al uso de alta precisión numérica en los sistemas de supply chain. La necesidad de alta precisión en finanzas y contabilidad surgió a partir de una serie de fraudes a principios de los 80, donde se explotaron errores de redondeo para desviar millones de dólares.
Sin embargo, la alta precisión utilizada en finanzas no siempre es necesaria en la gestión de supply chain. Vermorel observa que en el 80% de las transacciones en tienda, la cantidad de un producto que se compra es solo uno. Esto significa que, en promedio, solo se necesitan dos bits de precisión para representar las cantidades en una tienda. Kieran cuestiona la relevancia del tamaño de los datos en el contexto de la gestión de supply chain, considerando la asequibilidad de dispositivos de almacenamiento con terabytes de capacidad.
Vermorel aclara que el desempeño de la mayoría de los cálculos está determinado por el tamaño de los datos, ya que el cuello de botella radica en la carga y descarga de los datos en lugar de en las capacidades de procesamiento de la CPU. Destaca que reducir el tamaño de los datos puede llevar a ganancias significativas y, en ocasiones, super-lineales en la velocidad computacional. Por ejemplo, cuando Lokad logró reducir los datos en un factor de 10, experimentaron una aceleración de 50 veces en las computaciones.
El desafío para la gestión de supply chain es diferenciar entre los datos que requieren alta precisión y los que pueden representarse con menos precisión. Vermorel sugiere que una plataforma como Lokad puede encargarse de esta tarea, enfatizando la importancia de que alguien preste atención al stack tecnológico o a las herramientas utilizadas por el IT department. Ignorar la optimización de datos puede resultar en sistemas con hardware computacional masivo pero con un desempeño decepcionante.
Vermorel también aborda la compensación entre la eficiencia computacional y el objetivo de examinar todos los futuros y decisiones posibles en supply chain optimization. Al hacer que las computaciones sean más rápidas, es posible analizar más escenarios sin aumentar significativamente los costos computacionales.
Discuten la optimización de supply chain y los desafíos de usar modelos estadísticos. Él enfatiza que utilizar promedios móviles y otros modelos simples no es suficiente para entornos minoristas complejos, como los hipermercados, donde se requieren herramientas predictivas más sofisticadas para manejar la estacionalidad, las tendencias y otros factores.
Vermorel también destaca el problema de la “ley de los números pequeños”, que surge al tratar con un gran número de productos con pocas transacciones diarias. Los enfoques estadísticos tradicionales, que se basan en la ley de los números grandes, a menudo son inadecuados en estas situaciones. Para superar esto, muchas compañías agregan sus datos, como consolidar las ventas por semana o mes. Sin embargo, este enfoque sacrifica la granularidad y puede llevar a una toma de decisiones deficiente, ya que las supply chain decisions aún se toman a diario.
La conversación sugiere que supply chain software, avanzado, como Lokad, puede proporcionar una mejor orientación analizando datos históricos y considerando los ciclos de vida del producto. Es crucial que tales herramientas se diseñen en torno a la realidad de los números pequeños, ya que a menudo necesitan ser relevantes para una parte significativa de la vida de un producto. En última instancia, la entrevista destaca la importancia de equilibrar recursos computacionales y modelado sofisticado para optimizar el desempeño de supply chain.
El fundador discute la importancia de cuestionar los supuestos fundamentales y de usar herramientas estadísticas apropiadas en supply chain optimization. Él enfatiza que muchos de los métodos estadísticos actuales están orientados hacia los números grandes, lo que puede no ser adecuado para decisiones de supply chain a menor escala. Vermorel también sugiere que los profesionales deberían desarrollar “simpatía mecánica” por sus sistemas de supply chain, tal como lo hacen los pilotos de Fórmula Uno con sus autos, para maximizar el desempeño. A pesar del aumento en la recolección de datos, Vermorel argumenta que los datos relevantes de supply chain a menudo permanecen limitados, lo cual puede ser engañoso al aplicar perspectivas de big data.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir la ley de los números pequeños y cómo se puede explotar para mejorar el desempeño de supply chain. Así que Joannes, como una compañía que se especializa en big data, probablemente sea sorprendente que hoy hablemos de números pequeños. ¿Cuál es la idea detrás de esto?
Joannes Vermorel: La idea es que los números pequeños, no los números grandes, son ubicuos en supply chain. Cuando digo números pequeños, me refiero específicamente a todas las elecciones numéricas y cantidades que realmente importan. Sí, puedes tener un código de barras con 13 o 14 dígitos, pero eso es más un identificador, no una cantidad. Así que cuando observas cosas que son como cantidades, lo sorprendente es que siempre se trata de números muy pequeños. Cuando digo números muy pequeños, me refiero a números de un solo dígito, como super pequeños. Es intrigante porque la mayoría de las estadísticas están orientadas hacia la ley de los números grandes. En términos de computación, pensarías que no importa, pero resulta que sí, bastante.
Kieran Chandler: ¿Puedes explicar un poco más sobre cómo influye esto en la computación?
Joannes Vermorel: Para una computadora, un número es un número, ¿verdad? No importa. Sin embargo, resulta que si eliges correctamente tus números, tu computadora no solo puede ser rápida haciendo sumas u operaciones mundanas con números, sino que puede ser, digamos, de 10 a 20 veces más rápida. Así que, al final, marca una gran diferencia. No es simplemente una diferencia pequeña.
Kieran Chandler: Bien, entonces para las personas que quizás no estén al tanto de lo que sucede cuando las computadoras envían información, ¿a qué te refieres con enviar un número? ¿Cómo puede eso ser diferente de un sistema a otro?
Joannes Vermorel: Aquí, entramos en los detalles de la realidad física del computing hardware que tenemos. Importa porque, si deseas hacer supply chain optimization o optimización de Supply Chain Quantitativa, vas a realizar mucho procesamiento y análisis de datos, lo cual cuesta dinero. Aunque las computadoras se han vuelto mucho más baratas que antes, siempre existe un equilibrio entre el costo computacional y el desempeño de supply chain que puedes lograr. Si tu costo computacional bruto se reduce enormemente, entonces podrías pensar que los costos de las computadoras desaparecerán. Sin embargo, eso no es cierto porque vas a aprovechar tus nuevos recursos para tener un modelo más complejo, que, a su vez, te brindará la siguiente etapa de forecast accuracy o el desempeño en términos de supply chain optimization.
Kieran Chandler: Eso puede funcionar mejor y, pues, sabes, eso simplemente aumentará a su vez. Umm, el costo computacional, por lo tanto, necesitas prestar un poco de atención a eso. Ahora volviendo a esos números y a los pequeños números en las computadoras. Umm, más específicamente en los sistemas empresariales. La mayor parte de las necesidades para tus cálculos, el cálculo aritmético, se originó, diría, en el mundo de las finanzas. Los primeros sistemas empresariales estaban todos orientados hacia, ya sabes, la contabilidad, las finanzas, supply chain. Eso fue lo que surgió en los años 70. Supply chain llegó un poco más tarde, en los 80, y, umm, muchas de las prácticas que ya estaban establecidas en ese momento, especialmente en lo que respecta a los números de alta precisión, fueron importadas a supply chain. Entonces, ¿por qué se necesita una precisión numérica súper alta para el dinero?
Joannes Vermorel: Bueno, resultó que, a principios de los años 80, hubo muchos fraudes relativamente espectaculares en los que la gente simplemente aprovechaba el hecho de que, al redondear los centavos, realmente se podía crear magia. Se puede robar dinero si simplemente redondeas unos pocos centavos en cada transacción que realiza tu empresa. Y es completamente invisible para el sistema porque se redondeaba, pero en realidad, era dinero real. Y la gente, cuando había como miles de millones de transacciones, algunas personas lograban literalmente extraer millones de dólares del sistema sólo tomando la fracción de un centavo y redirigiéndolo a sus propias cuentas. Así que el mundo de las finanzas y la contabilidad se actualizó a números de muy alta precisión, donde esos problemas no aparecen. El problema es que, yo diría, ya sabes, supply chain también, pero como resultado, tienes números con una precisión super, super alta por defecto en prácticamente todos los sistemas. Y hay que preguntarse, ¿cuál es la cantidad usual que va a comprar un cliente en una tienda? Y nuestra respuesta en Lokad, porque observamos los datos, es que en el 80% de las transacciones en la tienda, la cantidad es simplemente uno por producto. Así que, literalmente, la pregunta es: tienes un número, ¿cuántos bits de precisión necesitas? Bueno, la respuesta es que necesitas algo como dos bits de precisión en promedio para representar, ya sabes, un número en una tienda, por ejemplo, en cuanto a la cantidad que se compra.
Kieran Chandler: Pero, ¿por qué deberíamos importarnos realmente cuántos bits se usan para enviar datos? Porque, quiero decir, si estamos mirando toda la supply chain, quiero decir, ¿realmente marca tanta diferencia?
Joannes Vermorel: Entonces, en el gran esquema de las cosas, se podría pensar que hoy en día puedes comprar discos duros de terabytes en, literalmente, los supermercados cercanos por algo como 200 o algo así. Entonces, se pensaría que es super barato. ¿Por qué me importaría eso? Bueno, resultó que el rendimiento de la mayoría de los cálculos está literalmente impulsado por el tamaño de los datos. Si los datos son más grandes, serán más lentos. ¿Por qué? Porque el cuello de botella no es tu CPU. Es simplemente cargar y descargar los datos. Sí, puedes comprar un disco duro de un terabyte, pero si en realidad intentas llenar ese disco duro con datos, es probable que te lleve uno o incluso dos días, sólo porque el disco es lento. Y así, simplemente escribir datos en el disco o leer el disco completo toma mucho tiempo. Así que, de nuevo, si puedes minificar los datos, puedes literalmente acelerar.
Kieran Chandler: Entonces, Joannes, ¿puedes contarnos más sobre cómo el tamaño de los datos afecta la velocidad de los cálculos en la optimización de supply chain?
Joannes Vermorel: De manera significativa, la computación —y cuando digo significativamente, normalmente hasta se logran ganancias super lineales—. Entonces, si divides el tamaño del dr por dos, no aceleras el cálculo por dos, aceleras el cálculo por más de dos. En Lokad hemos visto muchas situaciones donde, si logramos reducir los datos por un factor de 10, literalmente obteníamos una aceleración de 50 veces. Y, de nuevo, si volvemos a nuestros números, volvamos: ya sabes, teníamos un número de doble precisión, o sea, 64. Por cierto, lo que se llama el bit en informática es simplemente un cero o un uno. Y, entonces, si tienes un número que está representado con 64 bits, comparado con un número que sólo está representado con dos bits, bueno, literalmente ocupas 32 veces más espacio. Así que, si puedes compactar vastamente esos números y convertir este big data en datos mucho más pequeños, puedes tener cálculos que sean mucho más rápidos. Y, eso es, ya sabes, las supply chains siguen lidiando con ese tipo de grandes datos financieros también en términos de algunas de las transacciones que deben realizar.
Kieran Chandler: Entonces, ¿cómo estás clasificando entre lo que necesita ser datos más pequeños y lo que debería ser datos más grandes?
Joannes Vermorel: Literalmente, quieres que tu Supply Chain Scientist preste atención a eso. Realmente deseas tener una plataforma como Lokad, ya sabes, promoción descarada, que haga eso por ti. Pero, mi mensaje, ya sabes, mi mensaje más amplio es que alguien tiene que prestar atención. Puede ser tu proveedor si es muy cuidadoso con su stack tecnológico. Puede ser tu departamento de IT si cuida mucho las herramientas que elige. Pero, al final, alguien tiene que prestar atención. Si nadie presta atención, lo que terminas obteniendo son sistemas en los que tienes enormes cantidades de hardware de cómputo y un rendimiento que usualmente es completamente decepcionante. Donde literalmente toma segundos obtener un resultado, e incluso cálculos aparentemente semitriviales toman bastante tiempo. La idea de que la supply chain mire todos los futuros posibles, probabilidades, confronte eso con todas las posibles decisiones, o esta idea, simplemente sigue siendo un sueño lejano sólo porque el sistema ya es tan lento para hacer frente a un escenario. Así que, un futuro posible en el que la idea de que el sistema maneje millones de futuros posibles es como una completa locura.
Kieran Chandler: Pero, si estamos mirando todos los futuros posibles, todas las decisiones posibles, ¿eso no va en contra de todo el objetivo, que es reducir el costo de cómputo? Pero si estás mirando todos los futuros posibles, ¿seguro que eso va a multiplicar ese costo de cómputo por mucho más?
Joannes Vermorel: Sí, pero ese es el trade-off que estaba describiendo. Si haces que tu cómputo sea mucho más rápido, no quieres tener simplemente una computadora super, super barata para ejecutar toda tu supply chain. Ya sabes, si todavía estuviéramos usando las técnicas de los años 80 en términos de optimización de supply chain, podríamos, con un smartphone, administrar un Walmart. Literalmente podríamos administrar Walmart en un smartphone. No tiene ningún sentido hacerlo, pero si estás dispuesto a aceptar el desafío de demostrar el punto de que cómo…
Kieran Chandler: Entonces, Joannes, estabas hablando de cómo la idea es que cuando el cómputo se vuelve más barato, adoptas un modelo matemático o estadístico que es más poderoso, ¿verdad?
Joannes Vermorel: Sí, es correcto. Cuando el cómputo se vuelve más barato, puedes adoptar un modelo más poderoso que ofrece mejores resultados de supply chain a costa de consumir más recursos de cómputo. Es un trade-off.
Kieran Chandler: E incluso si decimos que miramos todos los futuros posibles, toda la idea de las leyes de los números pequeños aún se aplica, ¿verdad?
Joannes Vermorel: Eso es correcto. Incluso si miramos todos los futuros posibles, no necesitamos analizar la probabilidad de vender un millón de botellas de algo en una sola tienda en un solo día, porque la probabilidad es simplemente cero. La realidad es que, incluso para un producto estrella, es muy raro vender más de 100 unidades en un día, y para la gran mayoría de productos, sólo se vende cero unidades. De hecho, esa es la mayoría de los productos. Como el 80% de los productos en el hipermercado ni siquiera se venden una vez al día, y para el 95% de los productos, la pregunta será únicamente: ¿vendo este producto como cero, una, dos o tres unidades cada día? Y la probabilidad de que puedas siquiera alcanzar 10 unidades ya es ínfima. Así que, todo se trata de las leyes de los números pequeños.
Kieran Chandler: Bien, entonces, en ese tipo de ejemplo de hipermercado, se manejan miles de transacciones al día y tienes enormes existencias. ¿Cómo sabes dónde trazar los límites para cada uno de los artículos individuales?
Joannes Vermorel: Ahí es donde necesitas herramientas apropiadas que analicen datos históricos. Estás guiado en tu análisis porque, cuando observas los datos registrados, ya sabes —pero también un buen software de supply chain, especialmente un software predictivo como Lokad, te ofrece cosas que ya conoces de antemano. Sabes que no estás descubriendo eso en un hipermercado por primera vez. Y sí, tienes muchas transacciones y muchos productos siendo vendidos, pero cuando miras cada producto individual, no tienes tantas transacciones. Quiero decir, si observas el hecho de que un producto tendrá un ciclo de vida en el mercado de quizás tres años, y luego será reemplazado por otro producto. Si consideras que el producto ni siquiera se vende todos los días, significa que, quizás para llegar a un punto en el que hayas vendido 100 unidades en todo el historial de ese producto, que sería tal vez el nivel mínimo que necesitas considerar, tienes un número grande. Quiero decir, decir que 100 es un número grande es algo exagerado, especialmente desde un…
Kieran Chandler: Entonces, desde una perspectiva estadística, eso sería como un umbral bajo. Podría tomar incluso más de un año. Eso significa que, si tienes una herramienta estadística diseñada en torno a la idea de que podrás aprovechar montones de números grandes, tal vez se necesite más de un año para que tu herramienta empiece a ser relevante. Y recuerda, estamos hablando de un producto que sólo tendrá, digamos, un ciclo de vida de tres años, lo que significa que durante un tercio de su vida útil, muchas herramientas estadísticas ni siquiera serán relevantes.
Joannes Vermorel: Bien, muchas empresas consolidan sus ventas por semana o por mes, y ¿qué tan bien funciona eso si estás participando en un juego de rendimiento percibido? ¿Qué tan bien funciona eso en comparación con el trade-off de perder un poco de granularidad en tus datos? Es muy interesante, porque, como dije, tienes esos problemas de que las leyes de los números pequeños son omnipresentes, y el problema es que todas las herramientas —al menos las clásicas— ciertamente no están orientadas a ello. Pero las herramientas clásicas, ciertamente, están diseñadas para las leyes de los números grandes. Entonces, ¿qué haces? Pues, agregas datos.
Kieran Chandler: ¿Y por qué agregas? No porque sea lo correcto, sino simplemente porque es una forma de que termines con resultados que no sean completamente disfuncionales, pero no lo haces porque sea algo inteligente y relevante para tu supply chain. Lo haces porque, de lo contrario, tu lógica, que se basa en promedios, se desmoronaría, ya que, de nuevo, implícitamente lo que tratas de aprovechar es la ley de los números grandes.
Joannes Vermorel: Así que, en efecto, consolidas, pero el punto es que, cuando, por ejemplo, consolidas decisiones hasta una agregación mensual para tener números más grandes, el problema es que tus decisiones de supply chain aún se toman a diario. Así que, sí, tienes un mejor análisis mensual simplemente porque has consolidado todos los datos, pero sigues tomando decisiones a diario, y resulta que tu análisis mensual no te dice nada sobre lo que sucede dentro del mes. Sabes que en un mes se consumen, en promedio, 100 unidades. Pero hoy, ¿debería enviar cero, una o tres unidades a la tienda? Y existen decisiones similares cuando no agregas por tiempo, sino por categoría.
Kieran Chandler: Entonces, si, por ejemplo, dices: “está bien, hoy en términos de sodas, vendí 500 unidades”, sí, pero eso se distribuyó en 100 referencias de productos, y realmente no ayuda, porque al final, en la supply chain, no tomas una decisión a nivel de categoría, como, por ejemplo, el segmento de alimentos frescos. No tomas una decisión a nivel del segmento de alimentos frescos de tu hipermercado, sino sobre esa referencia de producto específica y lo que debe suceder con ella. Bien, ahora vamos a resumir un poco para alguien que esté viendo esto, ¿y qué deberían buscar explotar para introducir esa sinfonía de diseño y hacer el mejor uso de la potencia de procesamiento que tienen a la mano?
Joannes Vermorel: Realmente deberían empezar a revisar, ya sabes, a repasar. Primero, diría que en el aspecto estadístico, realmente sugiero repasar todas las suposiciones fundamentales. Quiero decir, cada vez que la gente te dice, “Oh, tenemos existencias de seguridad,” sí, son distribuciones normales. Nuevamente, ¿es esto algo que realmente deberías cuestionarte?
Kieran Chandler: ¿Estoy abordando el problema con las herramientas estadísticas que son adecuadas para las leyes de los números pequeños a las que me enfrento? Y la mayoría de las estadísticas del siglo XIX que la gente usa hoy en día están claramente orientadas a las leyes de los números grandes. Así que, mi sugerencia es que tengas presente que las herramientas que usas no están diseñadas para el tipo de situación a la que te enfrentas. Y, de nuevo, volvemos a la pseudociencia y al racionalismo falso. No es porque uses una herramienta matemática que se vuelva racional. Quizás tu marco estadístico vino con suposiciones fundamentales que simplemente se ven violadas por tu dominio. Así que, diría, revisa lo básico, asegúrate de no estar omitiendo algo importante.
Joannes Vermorel: Sí, es correcto. Y luego, en términos de simpatía mecánica, mi mensaje es: es como los grandes campeones de la Fórmula Uno. Cuando ves entrevistas de los campeones, saben mucho sobre sus autos. No saben cómo construir un auto de Fórmula Uno, pero conocen la mecánica. Tienen lo que se llama simpatía mecánica. Saben mucho sobre cómo funciona el auto para realmente sacar lo mejor de la máquina que tienen. Y literalmente saben mucho sobre combustión, sobre resonancia, sobre la temperatura adecuada para los neumáticos que tienen, como la máxima adherencia al suelo. Quiero decir, saben mucho sobre las tecnicidades y la física de su motor. Y así es como pueden llegar a ser pilotos realmente excelentes. No se trata sólo de ser bueno conduciendo, se trata de conocer la herramienta que estás usando. Y creo que la supply chain es algo así. No manejas una supply chain con pura fuerza bruta. Hoy en día, tienes computadoras para apoyarte. Pero si realmente quieres ser muy bueno, no tienes que convertirte en un ingeniero capaz de producir un Fórmula Uno. Ese no es el piloto. Un piloto no es el ingeniero mecánico que es capaz de diseñar la próxima generación de motores. Pero sí sabe mucho para aprovecharlo al máximo. Así que, mi sugerencia es adquirir suficiente simpatía mecánica sobre todos esos sistemas informáticos que apoyan tu supply chain para saber, de manera intuitiva, qué hace que esas cosas funcionen y cómo puedes realmente maximizar el rendimiento que tienes.
Kieran Chandler: Esa es una analogía realmente buena. Entonces, lo que estamos viendo en este momento también en la industria es…
Kieran Chandler: Entonces, se están recolectando más datos y más personas están recopilando datos para tomar todo tipo de decisiones. ¿Dirías que esa perspectiva se aleja de esa ley de los números pequeños y que las personas se encaminen más hacia una perspectiva de big data?
Joannes Vermorel: De nuevo, el problema es que los datos más importantes siempre están en números pequeños. Sí, puedes recolectar una cantidad masiva de datos en tu sitio web por el tráfico, pero si observas el tráfico de un producto poco conocido, desafortunadamente, los productos poco conocidos representan alrededor del 80% de lo que las empresas venden en promedio. Ya sabes, ese detalle es obvio, y luego te darás cuenta de que solo tienes un puñado de visitantes web por día. Así que no es que, sí, podrías tener millones de clics, pero cuando lo reduces a la escala de tiempo que importa, que generalmente es el día o dentro del día porque tus supply chain decisions se toman a diario o incluso con mayor frecuencia. Si miras la granularidad que importa, que es el producto, la referencia en el nivel más bajo, es decir, la talla exacta, el color exacto, la forma exacta, ya sabes, la variante exacta, y no el producto genérico, porque en supply chain no decides producir una camiseta genérica. Produces una camiseta de este color, esta talla, esta forma. Así que cuando comienzas a mirarlo en el nivel más bajo, que es el que importa, vuelves a datos que son limitados. Entonces, sí, la gente dice que está haciendo big data, pero la realidad es que cuando miras el supply chain a través de los ojos de lo relevante, en realidad no es tan grande. Y lo más importante, y ojalá lo fuera, pero porque desde una perspectiva estadística sería mucho más fácil, ya sabes, pero ese no es el caso. Así que no te confundas. Creo que este big data engaña a la gente, ya sabes, es muy engañoso porque pueden pensar, “Oh, está bien. Tengo millones de data points.” No, de nuevo, si observas una fábrica, incluso las fábricas que producen millones de unidades, la cuestión es cuántos lotes estás produciendo, y tal vez, en términos de lotes, tengas algo así como un número de lotes de un solo dígito. Y solo has tenido la fábrica operando en este modo durante los últimos dos años. Así que estamos hablando de unos pocos cientos de lotes, y eso es todo. Esto no es gran cosa, incluso si recolectas una gran cantidad de aire.
Kieran Chandler: Está bien, dejaremos esto por ahí con la revelación impactante de que, en términos de datos, quizás menos es más. Así que eso es todo por esta semana. Muchas gracias por sintonizarnos, y nos veremos de nuevo en el próximo episodio. Gracias por vernos, ustedes.
