La Ley de los Pequeños Números en la Supply Chain

00:00:07 Introducción y la importancia de los pequeños números en el rendimiento de la supply chain.
00:01:00 Cómo los pequeños números afectan el rendimiento y el costo de la computación.
00:03:33 La historia y evolución de la precisión numérica en las finanzas y los sistemas de supply chain.
00:06:00 El impacto del tamaño de los datos en el rendimiento computacional y los cuellos de botella.
00:07:44 Lograr una aceleración significativa de la computación mediante la reducción del tamaño de los datos.
00:08:47 La importancia de prestar atención a la pila tecnológica y las herramientas en la optimización de la supply chain.
00:10:17 Equilibrar el costo de la computación y modelos matemáticos más potentes para obtener mejores resultados en la supply chain.
00:12:50 Analizar datos históricos y utilizar software predictivo de la supply chain para una mejor toma de decisiones.
00:15:04 Impacto de la agregación de datos en la percepción de la ganancia de rendimiento y la pérdida de granularidad.
00:16:00 Desafíos de consolidar las decisiones de la supply chain.
00:17:33 Revisar los supuestos estadísticos fundamentales y la simpatía mecánica.
00:20:01 Importancia de la simpatía mecánica en la gestión de la supply chain.
00:20:58 Pasar de la ley de los pequeños números a la perspectiva de big data.
00:23:20 Conclusión: menos datos pueden ser más en ciertas situaciones.

Resumen

Joannes Vermorel, el fundador de la empresa de software de optimización de la gestión de la supply chain Lokad, analiza la ley de los pequeños números y su impacto en el rendimiento de la supply chain con Kieran Chandler. Vermorel destaca la importancia de los pequeños números en los datos de la supply chain y la importancia de elegir los números correctos para optimizar la velocidad y el rendimiento de la computación. La discusión enfatiza la necesidad de una mayor simpatía en el diseño para lograr mejoras en el rendimiento, el equilibrio 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 destaca la importancia de equilibrar los recursos computacionales y la modelización sofisticada para optimizar el rendimiento de la supply chain.

Resumen Extendido

En esta entrevista, Kieran Chandler habla con Joannes Vermorel, fundador de Lokad, una empresa de software especializada en la optimización de la supply chain. Discuten la ley de los pequeños números y su potencial para mejorar el rendimiento de la supply chain, la importancia de los pequeños números en los datos de la supply chain y el impacto de elegir los números correctos en la velocidad y el rendimiento de la computación.

Vermorel explica que los pequeños números, específicamente los números de un solo dígito, son omnipresentes en las supply chains. Si bien los códigos de barras pueden tener muchos dígitos, sirven como identificadores en lugar de cantidades. Las cantidades en las supply chains tienden a involucrar números muy pequeños, lo cual es sorprendente porque la mayoría de las estadísticas están orientadas a las leyes de los grandes números. Esta observación es importante porque destaca la necesidad de una mayor simpatía en el diseño para lograr mejoras en el rendimiento, especialmente a medida que la tasa de mejora en la potencia de procesamiento se está desacelerando.

La entrevista luego se centra en el impacto de los pequeños números 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 rendimiento general de un sistema de optimización de la supply chain.

Kieran le pregunta a Vermorel que explique la diferencia en el envío de números entre los sistemas y la realidad física del hardware de computación. Vermorel enfatiza que el costo del procesamiento y análisis de datos es importante para la optimización de la supply chain. Las computadoras se han vuelto más baratas en términos de potencia de procesamiento bruta, lo que permite algoritmos más potentes para mejorar la precisión de pronóstico y el rendimiento de la supply chain. Sin embargo, el equilibrio entre el costo de la computación y el rendimiento de la supply chain es crucial.

Vermorel argumenta que si los costos de computación en bruto se reducen significativamente, no significa que los costos de computadoras desaparecerán. En cambio, las empresas aprovecharán sus nuevos recursos para desarrollar modelos más complejos, lo que aumentará los costos de computación. Por lo tanto, se debe prestar atención al impacto de los pequeños números en los costos de computación para optimizar el rendimiento de la supply chain.

La discusión se centró en los orígenes de las necesidades de cálculo aritmético en los sistemas empresariales, que provienen principalmente del mundo de las finanzas. Los primeros sistemas empresariales fueron diseñados teniendo en cuenta los cálculos financieros, y esta historia tiene implicaciones en cómo se utilizan y comprenden los pequeños números en el contexto de la optimización de la supply chain.

La ley de los pequeños números tiene el potencial de mejorar significativamente el rendimiento de la supply chain si las empresas pueden aprovechar con éxito los números correctos en sus sistemas informáticos. Al prestar atención al equilibrio entre los costos de computación y el rendimiento de la supply chain, las empresas pueden desarrollar modelos más complejos y lograr mejores resultados de optimización.

Vermorel explica cómo las prácticas de la supply chain adoptadas de las industrias de finanzas y contabilidad en los años 70 y 80 llevaron al uso de alta precisión numérica en los sistemas de la supply chain. La necesidad de alta precisión en finanzas y contabilidad surgió a raíz de una serie de fraudes en los años 80, donde se aprovecharon los errores de redondeo para desviar millones de dólares.

Sin embargo, la alta precisión utilizada en finanzas no siempre es necesaria en la gestión de la supply chain. Vermorel observa que en el 80% de las transacciones en tiendas, 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 cantidades en una tienda. Kieran cuestiona la importancia del tamaño de los datos en el contexto de la gestión de la supply chain, considerando la asequibilidad de los dispositivos de almacenamiento con terabytes de capacidad.

Vermorel aclara que el rendimiento de la mayoría de los cálculos está determinado por el tamaño de los datos, ya que el cuello de botella radica en cargar y descargar datos en lugar de las capacidades de procesamiento de la CPU. Destaca que reducir el tamaño de los datos puede llevar a ganancias significativas y a veces superlineales en la velocidad de cálculo. Por ejemplo, cuando Lokad logró reducir los datos en un factor de 10, experimentaron una aceleración de 50 veces en el cálculo.

El desafío para la gestión de la supply chain es diferenciar entre los datos que requieren alta precisión y los datos que se pueden representar con menos precisión. Vermorel sugiere que una plataforma como Lokad puede manejar esta tarea, enfatizando la importancia de que alguien preste atención a la pila tecnológica o las herramientas utilizadas por el departamento de TI. Ignorar la optimización de datos puede resultar en sistemas con hardware de computación masiva pero un rendimiento decepcionante.

Vermorel también aborda el compromiso entre la eficiencia computacional y el objetivo de examinar todos los futuros y decisiones posibles en la optimización de la supply chain. Al hacer los cálculos más rápidos, se vuelve posible analizar más escenarios sin aumentar significativamente los costos de cómputo.

Discuten la optimización de la supply chain y los desafíos de usar modelos estadísticos. Él enfatiza que el uso de promedios móviles y otros modelos simples no es suficiente para entornos minoristas complejos, como los hipermercados, donde se necesita 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 cuando se trata con una gran cantidad de productos con pocas transacciones diarias. Los enfoques estadísticos tradicionales, que se basan en la ley de los grandes números, a menudo son inadecuados en estas situaciones. Para superar esto, muchas empresas 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 decisiones de la supply chain aún se toman a diario.

La conversación sugiere que el software avanzado de la supply chain, como Lokad, puede proporcionar una mejor orientación al analizar datos históricos y considerar los ciclos de vida del producto. Es crucial que estas herramientas estén diseñadas en torno a la realidad de los números pequeños, ya que a menudo necesitan ser relevantes durante una parte significativa de la vida útil de un producto. En última instancia, la entrevista destaca la importancia de equilibrar los recursos computacionales y la modelización sofisticada para optimizar el rendimiento de la supply chain.

El fundador habla sobre la importancia de cuestionar suposiciones fundamentales y utilizar herramientas estadísticas adecuadas en la optimización de la supply chain. Él enfatiza que muchos métodos estadísticos actuales están orientados hacia los grandes números, lo cual puede no ser adecuado para decisiones de la supply chain a menor escala. Vermorel también sugiere que los profesionales deberían desarrollar una “simpatía mecánica” por sus sistemas de supply chain, al igual que los pilotos de Fórmula Uno lo hacen por sus autos, para maximizar el rendimiento. A pesar del aumento en la recopilación de datos, Vermorel argumenta que los datos relevantes de la supply chain a menudo siguen siendo limitados, lo que puede ser engañoso al aplicar perspectivas de big data.

Transcripción completa

Kieran Chandler: Hoy en Lokad TV, vamos a hablar sobre la ley de los números pequeños y cómo se puede aprovechar para mejorar el rendimiento de la supply chain. Entonces, Joannes, como empresa especializada en big data, probablemente sea sorprendente que hoy estemos hablando de números pequeños. ¿Cuál es la idea detrás de esto?

Joannes Vermorel: La idea es que los números pequeños, no los grandes números, son omnipresentes en la supply chain. Cuando digo números pequeños, me refiero específicamente a todas las elecciones y cantidades numéricas que realmente importan. Sí, puedes tener un código de barras con 13 o 14 dígitos, pero eso es más un identificador que una cantidad. Entonces, cuando miras cosas que son como cantidades, lo que es muy sorprendente es que siempre se trata de números muy pequeños todo el tiempo. Cuando digo números muy pequeños, me refiero a números pequeños de un solo dígito, como super pequeños. Es intrigante porque la mayoría de las estadísticas están orientadas hacia las leyes de los grandes números. En términos de cómputo, pensarías que no importa, pero resulta que sí, bastante.

Kieran Chandler: ¿Puedes explicar un poco más cómo afecta al cómputo?

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 al hacer esas sumas u operaciones mundanas con números, sino que puede ser algo así como 10 a 20 veces más rápida. Entonces, marca una gran diferencia al final. No es solo una pequeña diferencia.

Kieran Chandler: Bueno, 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 ser diferente entre un sistema y otro?

Joannes Vermorel: Aquí, estamos entrando en los detalles de la realidad física del hardware de cómputo que tenemos. Importa porque, si quieres hacer optimización de la cadena de suministro o optimización cuantitativa de la cadena de suministro, vas a realizar mucho procesamiento y análisis de datos, lo cual cuesta dinero. Aunque las computadoras se han vuelto mucho más baratas de lo que solían ser, siempre hay un equilibrio entre el costo de cómputo y el rendimiento de la cadena de suministro que puedes lograr. Si tu costo de cómputo en bruto se reduce en gran medida, entonces podrías decir que los costos de la computadora van a desaparecer. Sin embargo, eso no es cierto porque vas a aprovechar tus nuevos recursos para tener un modelo más complejo, que a su vez te brinda la siguiente etapa de precisión de pronóstico o rendimiento en términos de optimización de la cadena de suministro.

Kieran Chandler: Eso puede mejorar y, por lo tanto, ya sabes, eso aumentará a su vez. Um, el costo de cómputo, por lo que debes prestar un poco de atención a eso. Ahora volvamos a esos números y números pequeños en las computadoras. Um, más especialmente en los sistemas empresariales. La mayoría de la necesidad hacia tu cálculo, cálculo aritmético, se originó, diría yo, en el mundo de las finanzas. Los primeros sistemas empresariales estaban orientados hacia, ya sabes, contabilidad, finanzas, cadena de suministro. Eso es lo que surgió en los años 70. La cadena de suministro llegó un poco más tarde en los años 80 y, um, muchas de las prácticas que ya estaban establecidas en ese momento, especialmente en lo que respecta a los números de alta precisión, se importaron a la cadena de suministro. Entonces, ¿por qué necesitas una precisión numérica súper alta para el dinero?

Joannes Vermorel: Bueno, resultó que, a principios de los años 80, hubo muchos fraudes relativamente espectaculares donde las personas simplemente usaban el hecho de que, cuando redondeas los centavos, puedes crear magia. En realidad, puedes robar dinero si redondeas unos pocos centavos en cada transacción que realiza tu empresa. Y es completamente invisible para el sistema porque se redondeó, pero en realidad era dinero real. Y las personas, cuando tenías miles de millones de transacciones, algunas personas lograban extraer literalmente millones de dólares del sistema simplemente tomando solo la fracción de un centavo y redirigiéndolos a sus propias cuentas. Entonces, el mundo de las finanzas y la contabilidad se actualizó a números de alta precisión donde esos problemas no aparecen. El problema es que, diría yo, también en la cadena de suministro, pero como resultado, tienes números que son como súper, súper alta precisión por defecto en prácticamente todos los sistemas. Y tienes que preguntarte, ¿cuál es la cantidad habitual que va a comprar un cliente en una tienda? Y nuestra respuesta en Lokad porque observamos los datos es que el 80% de las transacciones en la tienda es una cantidad de solo uno para el producto. Entonces, literalmente, la pregunta es, tienes un número, ¿cuántos bits de precisión necesitas? Bueno, la respuesta es que necesitas algo así como dos bits de precisión en promedio para representar, ya sabes, un número en una tienda, por ejemplo, para la cantidad que se está comprando.

Kieran Chandler: Pero, ¿por qué deberíamos preocuparnos realmente por la cantidad de bits que se utilizan para enviar datos? Porque, quiero decir, si estamos analizando toda la cadena de suministro, ¿realmente marca tanta diferencia?

Joannes Vermorel: Entonces, en el gran esquema de las cosas, pensarías que hoy en día puedes comprar discos duros de terabytes en literalmente los supermercados cercanos por solo algo así como 200 o algo así. Entonces, pensarías que es súper barato. ¿Por qué debería preocuparme por eso? Bueno, resulta que el rendimiento de la mayoría de los cálculos está literalmente determinado 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 intentas llenar este disco duro con datos, es probable que te lleve uno o incluso dos días, simplemente porque el disco es lento. Y así, simplemente escribir datos en el disco o leer el disco por completo lleva mucho tiempo. Entonces, nuevamente, si puedes minimizar los datos, literalmente puedes 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 la cadena de suministro?

Joannes Vermorel: La computación se ve significativamente afectada y cuando digo significativamente, generalmente incluso se obtienen ganancias súper lineales. Entonces, si divides el tamaño del disco por dos, no aceleras el cálculo por dos, lo aceleras por más de dos. Hemos visto en Lokad que hay muchas situaciones en las que si logramos reducir el tamaño de los datos en un factor de 10, literalmente obtuvimos una aceleración de 50 veces. Y, nuevamente, si volvemos a nuestros números, volvamos, sabes que teníamos un número de doble precisión, es decir, 64. Por cierto, lo que se llama bit en ciencias de la computación es solo un cero uno. Y, por lo tanto, si tienes un número que se representa con 64 bits, en comparación con un número que se representa solo con dos bits, bueno, tienes literalmente 32 veces más. Sabes que un número literalmente ocupa 32 veces más espacio. Entonces, si puedes compactar enormemente esos números y convertir estos grandes datos en datos mucho más pequeños, puedes tener una competencia mucho más rápida. Y eso sí, las cadenas de suministro todavía están lidiando con todos esos grandes datos financieros en términos de algunas de las transacciones que tienen que hacer.

Kieran Chandler: Entonces, ¿cómo estás clasificando entre lo que debe ser datos más pequeños y lo que debería ser datos más grandes?

Joannes Vermorel: Literalmente quieres que tu especialista en cadena de suministro preste atención a eso. Realmente quieres tener una plataforma como Lokad, sabes, un poco de publicidad descarada, que haga eso por ti. Pero, mi mensaje, sabes, mi mensaje más amplio es que alguien tiene que prestar atención. Puede ser tu proveedor si son muy cuidadosos con su pila tecnológica. Puede ser tu departamento de TI si son muy cuidadosos en las herramientas que eligen. Pero, al final alguien tiene que prestar atención. Si nadie presta atención, lo que obtienes son sistemas donde tienes cantidades masivas de hardware informático y un rendimiento que generalmente es completamente decepcionante. Donde literalmente se tarda segundos en obtener un resultado, e incluso cálculos aparentemente semi-triviales llevan bastante tiempo. La idea de tener la cadena de suministro de mirar todos los futuros posibles, probabilidades, confrontar eso con todas las decisiones posibles o esta idea simplemente sigue siendo un sueño lejano simplemente porque el sistema ya es tan lento como para lidiar con un escenario. Entonces, un posible futuro 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, seguramente eso va en contra del objetivo principal que es reducir el costo de cálculo. Pero si estás mirando todos los futuros posibles, seguramente eso multiplicará ese costo de cálculo por mucho más, ¿no?

Joannes Vermorel: Sí, pero ese es el compromiso que estaba describiendo. Si haces que tu cálculo sea mucho más rápido, no quieres simplemente tener una computadora súper barata para ejecutar toda tu cadena de suministro. Sabes, si todavía estuviéramos usando las técnicas utilizadas en los años 80 en términos de optimización de la cadena de suministro, podríamos, en un teléfono inteligente, ejecutar un Walmart. Literalmente podríamos ejecutar Walmart en un teléfono inteligente. No tiene sentido hacerlo, pero si solo estás a la altura del desafío de demostrar el punto de cómo…

Kieran Chandler: Entonces, Joannes, estabas hablando de cómo la idea es que cuando el cálculo se vuelve más barato, adoptas un modelo matemático o estadístico más poderoso, ¿verdad?

Joannes Vermorel: Sí, eso es correcto. Cuando el cálculo se vuelve más barato, puedes adoptar un modelo más poderoso que brinda mejores resultados de cadena de suministro a expensas de consumir más recursos informáticos. Es un compromiso.

Kieran Chandler: Y aunque digamos que miramos todos los futuros posibles, ¿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 mirar la probabilidad de vender un millón de botellas de cualquier cosa 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 que vendas más de 100 unidades en un día determinado, y para la gran mayoría de los productos, solo estás mirando cero unidades que se van a vender. Eso es en realidad la mayoría de los productos. Alrededor del 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 solo: ¿vendo este producto cero, una, dos o tres unidades cada día? Y la probabilidad de que puedas alcanzar incluso 10 unidades ya es extremadamente pequeña. Entonces, todo se trata de las leyes de los números pequeños.

Kieran Chandler: Bien, entonces, en ese ejemplo de hipermercado, están lidiando con miles de transacciones al día y tienes un gran inventario. ¿Cómo sabes dónde establecer los límites para cada uno de los artículos individuales?

Joannes Vermorel: Ahí es donde necesitas herramientas adecuadas que analicen datos históricos. Te guías en tu análisis porque cuando miras los datos registrados, lo sabes, pero también un buen software de cadena de suministro, especialmente un software predictivo como Lokad, hay cosas que sabes de antemano. No estás descubriendo eso en un hipermercado por primera vez. Y sí, tienes muchas transacciones y muchos productos que se venden, pero cuando miras cada producto individual, no tienes tantas transacciones. Quiero decir, si consideras que un producto va a tener un ciclo de vida en el mercado de tal vez tres años, luego será reemplazado por otro producto. Si consideras que el producto ni siquiera se vende todos los días, significa que tal vez para llegar a un punto en el que tienes 100 unidades vendidas en toda la historia de este producto, que sería tal vez el nivel más bajo que necesitas considerar, tienes un gran número. Quiero decir, decir que 100 es un número grande es bastante exagerado, especialmente desde un…

Kieran Chandler: Entonces, desde una perspectiva estadística, pero sabes que sería como una barrera baja para eso. De hecho, podría llevar más de un año. Entonces, eso significa que si tienes una herramienta estadística diseñada en torno a esta idea de que podrás aprovechar muchas cantidades grandes, tal vez pasará más de un año para que tu herramienta incluso comience a ser relevante. Y recuerda que estamos hablando de un producto que solo va a tener un ciclo de vida de tres años, lo que significa que durante un tercio de su vida útil, tú, las dos muchas herramientas estadísticas ni siquiera serán relevantes.

Joannes Vermorel: Bueno, muchas empresas consolidan sus ventas semanal o mensualmente, y ¿qué tan bien funciona eso si estás buscando un rendimiento percibido? ¿Cuánto funciona en comparación con el compromiso de perder un poco de granularidad en tus datos? Es muy interesante porque dije que tienes esos problemas de las leyes de los números pequeños que son omnipresentes, y el problema es que todas las herramientas, al menos las herramientas clásicas, ciertamente no lo tienen en cuenta. Pero las herramientas clásicas ciertamente están orientadas hacia las leyes de los números grandes. Entonces, ¿qué haces? Bueno, agregas cosas.

Kieran Chandler: ¿Y por qué agregas? No porque sea lo correcto, sino simplemente porque es una forma de obtener resultados que no sean completamente disfuncionales, pero no lo haces porque sea algo inteligente y relevante para tu cadena de suministro. Lo haces simplemente porque, de lo contrario, tu lógica basada en promedios se desmoronaría porque, nuevamente, implícitamente lo que intentas aprovechar es la ley de los números grandes.

Joannes Vermorel: Entonces, efectivamente consolidas, pero el punto es que cuando, por ejemplo, consolidas decisiones hasta una agregación mensual para tener números más grandes, el problema es que las decisiones de tu cadena de suministro aún se toman a diario. Entonces, sí, tienes un mejor análisis mensual simplemente porque has consolidado todos los datos, pero aún estás tomando decisiones a diario, y resulta que tu análisis mensual no te dice nada sobre lo que está sucediendo dentro del mes. Entonces, sí, sabes que durante un mes se consumen en promedio 100 unidades. Ahora bien, ¿hoy debería enviar cero, una o tres unidades a la tienda? Y decisiones similares también existen cuando agregas no por tiempo, sino por categoría.

Kieran Chandler: Entonces, si, por ejemplo, dices: “Hoy, en términos de refrescos, vendí 500 unidades”, sí, pero se distribuyeron en 100 referencias de productos, por lo que realmente no ayuda porque, al final, en la cadena de suministro, no estás tomando una decisión a nivel de categoría, como por ejemplo, los segmentos de alimentos frescos. No tomas una decisión a nivel del segmento de alimentos frescos de tu hipermercado. Toma una decisión sobre esta referencia de producto específica y qué debería suceder con ella. Bueno, entonces, vamos a ir terminando para alguien que esté viendo esto, ¿y qué deberían buscar para aprovechar y hacer el mejor uso del poder de procesamiento que tienen al alcance de la mano?

Joannes Vermorel: Realmente deberían comenzar a revisar. Primero, diría que, en el lado estadístico, sugiero revisar todas las suposiciones básicas. Quiero decir, cada vez que alguien te dice: “Oh, tenemos existencias de seguridad”, sí, son distribuciones normales. Nuevamente, esto es algo en lo que realmente deberías pensar.

Kieran Chandler: ¿Estoy analizando el problema con las herramientas estadísticas que son relevantes 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 hacia las leyes de los números grandes. Entonces, mi sugerencia es que seas consciente de que las herramientas que estás utilizando no están diseñadas para el tipo de situación a la que te enfrentas. Y nuevamente, volvemos a la pseudociencia y al racionalismo falso. No es porque estés utilizando una herramienta matemática que la hace racional. Tal vez el marco estadístico vino con suposiciones básicas que simplemente son violadas por tu dominio. Entonces, diría que revises lo básico, asegúrate de que no te estás perdiendo algo importante.

Joannes Vermorel: Sí, eso es correcto. Y luego, en términos de simpatía mecánica, mi mensaje es, es como los grandes campeones de la Fórmula Uno. Cuando ves entrevistas a 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 poder sacarle el máximo provecho a la máquina que tienen. Y literalmente saben mucho sobre la combustión, sobre la resonancia, sobre la temperatura adecuada para los neumáticos que tienen, como la adherencia máxima al suelo. Quiero decir, saben mucho sobre las técnicas y la física de su motor. Y así es como pueden convertirse en pilotos realmente excelentes. No se trata solo de ser bueno conduciendo, sino de conocer la herramienta que estás utilizando. Y creo que la cadena de suministro es un poco así. No estás conduciendo una cadena de suministro solo con pura fuerza muscular. Hoy en día, tienes computadoras que te apoyan. Pero si realmente quieres ser muy bueno, no tienes que convertirte en un ingeniero capaz de producir un auto de Fórmula Uno. Eso no es un piloto. Un piloto no es el ingeniero mecánico que es capaz de diseñar la próxima generación del motor. Pero saben mucho para sacarle el máximo provecho. Entonces, mi sugerencia es que obtengas suficiente simpatía mecánica sobre todos esos sistemas informáticos que respaldan tu cadena de suministro para que sepas intuitivamente qué hace que esas cosas funcionen y cómo puedes maximizar el rendimiento que tienes.

Kieran Chandler: Esa es una muy buena analogía. Entonces, lo que estamos viendo en este momento también en la industria es…

Kieran Chandler: Entonces, más datos y las personas están recopilando más datos para tomar todas sus decisiones. ¿Dirías que esa perspectiva se está alejando de esa ley de los números pequeños y las personas se están dirigiendo más hacia una perspectiva de big data?

Joannes Vermorel: Nuevamente, el problema con eso es que los datos más importantes siempre son en números pequeños. Sí, puedes recopilar una gran cantidad de datos en tu sitio web sobre el tráfico, pero si observas el tráfico de un producto oscuro, desafortunadamente, los productos oscuros representan aproximadamente el 80% de lo que las empresas venden en promedio. Sabes, obviamente es ese detalle, y luego te das cuenta de que solo tienes un puñado de visitantes web al día. Entonces, sí, es posible que tengas millones de clics, pero cuando lo escalas a la escala de tiempo que importa, que generalmente es el día o incluso dentro del día porque las decisiones de la cadena de suministro se toman diariamente o incluso subdiariamente. Si observas la granularidad que importa, que es el producto, la referencia en el nivel más bajo, es decir, el tamaño exacto, el color exacto, la forma exacta, ya sabes, la variante exacta, no el producto genérico porque en la cadena de suministro no decides producir una camiseta genérica. Produces una camiseta de este color, este tamaño, esta forma. Entonces, cuando comienzas a mirarlo en el nivel más bajo, que es el que importa, vuelves a datos limitados. Entonces, sí, las personas dicen que están haciendo big data, pero la realidad es que cuando miras la cadena de suministro a través de los ojos de lo que es relevante, en realidad no es tan grande. Y lo más grande, y desearía que lo fuera porque desde una perspectiva estadística sería mucho más fácil, ya sabes, pero este no es el caso. Así que no te confundas. Creo que este big data confunde a las personas, ya sabes, es muy engañoso porque pueden pensar: “Oh, está bien. Tengo millones de puntos de datos”. No, nuevamente, si estás mirando una fábrica, incluso las fábricas que producen millones de unidades, la pregunta es cuántos lotes estás produciendo, y tal vez en términos de lotes, tienes algo así como un número de un solo dígito de lotes. Y solo has tenido la fábrica operando con este modo durante los últimos dos años. Entonces estamos hablando de unos pocos cientos de lotes, y eso es todo. No es gran cosa, incluso si recopilas una gran cantidad de datos.

Kieran Chandler: Bueno, tendremos que dejarlo ahí con la revelación de que en términos de datos, menos es tal vez más. Así que eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos en el próximo episodio. Gracias por vernos.