00:00:07 La ciencia de supply chain y la creación de recetas numéricas.
00:03:21 La diferencia entre algoritmos y recetas numéricas.
00:05:21 Explicación de cómo las recetas numéricas son más adecuadas para resolver problemas complicados en supply chains en comparación con los algoritmos.
00:06:00 Discusión de cómo los algoritmos están presentes en las compañías de software y el peligro de tener una visión distorsionada de los problemas del mundo real.
00:07:48 Comparación de la optimización de un solo tornillo en una máquina con el gran problema de las supply chains.
00:08:02 Discusión sobre la importancia de las recetas numéricas para resolver los problemas de supply chain.
00:08:54 Comparación de algoritmos y recetas numéricas en términos de objetividad.
00:09:44 Explicación de cómo la subjetividad de las recetas numéricas hace que la experiencia de un Supply Chain Scientist sea crucial.
00:13:02 La importancia de alinear la solución con el problema y minimizar el potencial de errores.
00:15:52 Discusión sobre la necesidad de procesos y herramientas para prevenir errores y mejorar la calidad de la solución.
00:17:16 Explicación de los problemas que pueden surgir con las recetas numéricas.
00:18:07 Discusión de cómo las empresas en la industria de supply chain operan mediante recetas numéricas.
00:20:01 Crítica de que las herramientas son inadecuadas para resolver problemas de supply chain.
00:22:00 La importancia de las recetas numéricas para estar aproximadamente correctas y ser ágiles en problemas de supply chain.
Resumen
En una entrevista, Joannes Vermorel, el fundador de Lokad, analiza el concepto de recetas numéricas en la optimización de supply chain. Argumenta que los algoritmos y machine learning pueden dar una falsa impresión de objetividad y de límites bien definidos entre problemas y soluciones, y que las recetas numéricas son un mejor enfoque para manejar la naturaleza compleja y cambiante de los problemas de supply chain del mundo real. Vermorel enfatiza la importancia de tener alineación, corrección por diseño y buenas herramientas para prevenir errores y asegurar el éxito en la optimización de supply chain. Él cree que las recetas numéricas son esenciales para el éxito en el impredecible mundo de las supply chains.
Resumen Ampliado
En esta entrevista, Kieran Chandler y Joannes Vermorel, el fundador de Lokad, discuten el concepto de recetas numéricas en la optimización de supply chain. Vermorel explica que tomó prestado el término de un libro exitoso llamado “Numerical Recipes” publicado en los años 80, el cual ofrece una perspectiva única sobre la resolución de problemas.
Él enfatiza que la resolución de problemas en la gestión de supply chain no es tan simple como contar con un problema y una solución claramente definidos. En cambio, el tipo de solución utilizada puede moldear el problema, existiendo trade-offs y bucles de retroalimentación entre ellos. Vermorel cree que el término “recetas numéricas” es una mejor forma de describir los enfoques utilizados en la optimización de supply chain, ya que reconoce la complejidad inherente y la adaptabilidad de estas soluciones.
Vermorel explica que los algoritmos, el machine learning y otra terminología pueden dar una falsa impresión de objetividad y de límites bien definidos entre problemas y soluciones. Sin embargo, en la práctica, los supply chains del mundo real presentan situaciones más complejas y “confusas”. Contrasta la claridad de los algoritmos de ordenamiento, que tienen enunciados de problema bien definidos y propiedades matemáticas, con la ambigüedad de los problemas de supply chain, los cuales a menudo involucran negociaciones, condiciones cambiantes y otros factores del mundo real.
Por ejemplo, las cantidades mínimas de pedido (MOQs) en supply chain no son fijas como las leyes físicas, sino que son el resultado de negociaciones con los proveedores. Si un MOQ resulta problemático, una empresa podría negociar un arreglo más favorable. Una receta numérica inteligente capturaría estas opciones reales, haciendo de ella un enfoque más adecuado para abordar los problemas de supply chain que los algoritmos tradicionales.
Aunque Lokad utiliza muchos algoritmos en su stack de software, Vermorel argumenta que depender únicamente de los algoritmos puede llevar a una comprensión distorsionada de los problemas de supply chain del mundo real, especialmente para aquellos con educación formal en informática o ingeniería de software. Esto se debe a que los algoritmos tradicionales suelen ser más adecuados para problemas claramente definidos con salidas definitivas, mientras que las recetas numéricas son más adaptables y se ajustan mejor a la naturaleza compleja y cambiante de los supply chains.
Vermorel cree que el concepto de recetas numéricas es una manera más apropiada de describir los métodos utilizados en la optimización de supply chain, debido a su adaptabilidad y capacidad para manejar la complejidad y ambigüedad inherentes a los problemas de supply chain del mundo real. Este enfoque reconoce la importancia de los trade-offs y los bucles de retroalimentación entre problemas y soluciones, y permite una comprensión más matizada de la gestión de supply chain.
Discutieron los desafíos de la optimización de supply chain y el papel de los Supply Chain Scientists en la creación de recetas numéricas. Vermorel explica que, a pesar de décadas de investigación, los algoritmos de ordenamiento para la optimización de supply chain aún tienen ventajas y desventajas. Utiliza la metáfora de una máquina compleja, donde incluso si se optimiza un solo componente, ello no garantiza la eficiencia del sistema en su conjunto.
Vermorel señala que los problemas de supply chain del mundo real a menudo requieren recetas numéricas en lugar de algoritmos estrictamente definidos. Estas recetas son creadas por Supply Chain Scientists, cuya experiencia desempeña un papel significativo en la elaboración de soluciones. Aunque los algoritmos son objetivos y se basan en las matemáticas, Vermorel reconoce que la subjetividad existe incluso en las matemáticas, ya que conceptos como la elegancia influyen en la percepción de los algoritmos.
Cuando se trata de recetas numéricas, Vermorel sostiene que algunos aspectos de la realidad son demasiado complejos para encajar en un marco matemático. Aunque los métodos estadísticos avanzados pueden extraer patrones de los datos, hay casos en los que se requieren juicios. Por ejemplo, los Supply Chain Scientists deben tomar decisiones basadas en situaciones únicas, que podrían no tener ejemplos previos en el sales history. Vermorel compara esto con las artes culinarias, donde chefs de distintos niveles de habilidad crean platos que pueden ser altamente subjetivos pero que aún se consideran excelentes o mediocres.
Hablando del desafío de mantener la calidad entre diferentes clientes e industrias, Vermorel reconoce que hay múltiples ángulos a considerar. Un aspecto clave es asegurar que los ingenieros no traicionen al negocio, ya que pueden sentirse tentados a crear fórmulas que aparentan ser sofisticadas pero que no abordan el problema subyacente.
Vermorel discute la importancia de tener alineación entre el problema que se está resolviendo y la modelización cuantitativa que se aplica, así como unas herramientas que minimicen la cantidad de errores diarios. Destaca que tener la corrección por diseño es crucial para prevenir errores terminales y asegurar que, incluso cuando las personas están demasiado cansadas para ser inteligentes, puedan tomar decisiones acertadas. Vermorel también menciona que la mitad del éxito de Lokad proviene de saber cómo implementar una iniciativa de Supply Chain Quantitativa.
Vermorel destaca que las empresas en la industria de supply chain operan mediante recetas numéricas, pero muchas aún se quedan estancadas utilizando enfoques clásicos basados en algoritmos. Señala que, si bien spreadsheets son la encarnación del entendimiento de cómo modelar supply chain, no son adecuadas para lidiar con la uncertainty o con supply chains multinivel. Vermorel critica las herramientas, diciendo que son inadecuadas y altamente subjetivas, e incluyen muchas recetas numéricas estrechas. Cree que las empresas necesitan diseñar muchos procesos para prevenir problemas de estabilidad numérica que puedan cerrar una fábrica o warehouse.
En general, Vermorel enfatiza la importancia de tener alineación, corrección por diseño y buenas herramientas para prevenir errores y asegurar el éxito en la optimización de supply chain. También resalta las limitaciones de las spreadsheets y la necesidad de mejores herramientas para lidiar con la uncertainty y con supply chains multinivel.
Argumenta que las empresas actuales operan mediante recetas numéricas, pero a menudo se enfrentan a herramientas y procesos inadecuados, como silos. Vermorel cree que las recetas numéricas han llegado para quedarse y que es la mentalidad correcta a tener cuando se trata de problemas de supply chain. Explica que las recetas numéricas son fórmulas que no poseen pureza y no son como las ecuaciones electromagnéticas, que son increíblemente puras y precisas. Los supply chains son complejos y requieren cientos de condiciones y factores semi-accidentales para tener sentido. Vermorel enfatiza la importancia de contar con algo que pueda ser versátil como una receta y que pueda adaptarse a condiciones cambiantes. Compara esto con los mejores chefs, que pueden improvisar y adaptarse a ingredientes que faltan, plazos cortos y restricciones cambiantes, pero que siempre tienen un método en medio de su locura. Vermorel explica que en Lokad, cultivan un método para hacer frente al desorden de los supply chains. La conclusión principal del episodio es que las recetas numéricas son esenciales porque encarnan el pensamiento de que es mejor estar aproximadamente correcto que exactamente equivocado, lo cual es crucial en el impredecible mundo de los supply chains. En conclusión, Vermorel sostiene que contar con una receta numérica versátil que se adapte a condiciones y restricciones cambiantes es clave para el éxito en la industria de supply chain.
Transcripción Completa
Kieran Chandler: Hola, al igual que un chef de primera estrella Michelin, un Supply Chain Scientist tiene que crear recetas que se adapten y evolucionen en cada escenario. Por ello, hoy vamos a investigar lo que se necesita para crear estas recetas, y en particular, lo que caracteriza a las que usamos en nuestros supply chains. Entonces, Joannes, hemos utilizado este término “recetas numéricas” varias veces antes. ¿Por qué crees que era importante retomarlo?
Joannes Vermorel: Este término, lo robé a personas en los años 80 que escribieron un libro increíblemente exitoso llamado “Numerical Recipes”. Enfatizaba una cierta manera de ver el problema. Verás, existe esta idea de que usualmente tienes un problema y tienes una solución, pero la realidad no es tan simple. El tipo de solución que tienes literalemente moldea el problema, y hay un vaivén entre ambos. Tienes un trade-off en la forma en que deseas abordar tu problema, dependiendo de cómo abordes tu solución.
La idea clave es que queremos ofrecer resultados numéricos para empresas que gestionan supply chains reales. El problema con otra terminología, como decir que usamos algoritmos o machine learning, es que enfatiza algo completamente objetivo y bien definido, donde tienes el problema y la solución, y luego, para el mismo problema, puedes tener soluciones en competencia. Pero la realidad es que cuando deseas obtener resultados para un supply chain real, todo es mucho más confuso. Es un proceso muy accidental con muchos tropiezos en el camino. Lo que obtienes al final es una receta numérica, que describe la cadena de cálculo numérico para obtener los resultados.
Kieran Chandler: ¿Por qué algo como un algoritmo no sería apropiado para describir eso? Quiero decir, ¿qué es lo que un algoritmo deja de lado?
Joannes Vermorel: Estoy usando el término “receta” precisamente para decir que esto no es un algoritmo. Para aquellos con formación en informática o machine learning, habrán aprendido sobre algoritmos en sus libros de texto y cursos. Tomemos el arquetipo del algoritmo, el algoritmo de ordenamiento. Tienes una colección de objetos con una relación de orden, y puedes ordenarlos usando una serie de pasos bien definidos. Al final, la colección queda ordenada, y tu algoritmo tiene propiedades tales como consumo de memoria y complejidad.
Existe una variedad de algoritmos de ordenamiento con diferentes propiedades. Algunos son deterministas, otros estocásticos, y otros son muy buenos si los datos ya están parcialmente ordenados. Pero la cosa es que, cuando se trata de la optimización de supply chain, necesitamos algo más adaptable y flexible, como una receta numérica, en lugar de un algoritmo rígido.
Kieran Chandler: El algoritmo de ordenamiento es una situación muy clara en la que tienes un enunciado del problema que es completamente no ambiguo. Es decir, quieres ordenar una colección de elementos, dado una relación de orden, lo que tiene una claridad matemática. En cambio, cuando piensas en el tipo de problemas que necesitas resolver en situaciones reales de supply chain, es muy confuso. Quiero decir, tienes MOQs, pero los MOQs no son como las leyes de la física; son más bien el resultado de una negociación con tus proveedores. Así que, si numéricamente un MOQ resultara ser realmente un problema, quizá puedas llamar por teléfono a un proveedor y arreglar algo intermedio. Así ves, quizás una receta numérica inteligente capturaría este tipo de opción que existe en el mundo real, pero de repente no tiene este tipo de pureza cristalina.
Joannes Vermorel: Exactamente. Quiero decir, en Lokad, no te equivoques, usamos toneladas de algoritmos, como toda empresa de software seria o semi-seria. El stack de Lokad es literalmente una serie muy larga de algoritmos. Debido a la forma en que hemos diseñado Lokad en torno a un lenguaje de programación específico de dominio llamado Envision, nuestro compilador es como una serie interminable de algoritmos que transforman el propio script en representaciones abstractas, hasta llegar a la serie de ejecuciones para el programa compilado que necesita ser ejecutado, etc. Así que, los algoritmos están por todas partes.
El peligro aquí es que, al igual que el reduccionismo ingenuo, no representa un peligro para el público no educado. Si tuviste el privilegio de no haber completado nunca una maestría en informática, o si no eres un ingeniero de software profesional, probablemente este no sea el tipo de problema al que te enfrentarás. Pero el problema es que, si resulta que estás muy educado en estas cuestiones, lo que te han enseñado en clases y lo que lees en la mayoría de los libros de informática te da una visión muy distorsionada de cómo son realmente los problemas para las real supply chains.
Los algoritmos son muy útiles, y es bueno que Lokad pueda contar con una colección de algoritmos de ordenamiento que tienen pros y contras, los cuales están completamente bien entendidos gracias a décadas de investigación que han establecido un mapeo exhaustivo de todas las diversas dimensiones para este pequeño problema. Pero es solo que, es como si tuvieras una máquina muy compleja y lograras la perfección para un engranaje diminuto. Así que sí, si miras un tornillo y dices, “¿Cuál es el metal óptimo para el tornillo?” Y debido a que tienes un problema tan bien definido, tan estrecho, podrías tener una respuesta que es: necesitas usar exactamente este tipo de acero para este tornillo porque es completamente óptimo con respecto a todas las restricciones.
Kieran Chandler: Entonces, Joannes, hablemos sobre la optimización de la supply chain. ¿Es realmente posible encontrar la solución óptima para una supply chain?
Joannes Vermorel: Esa es una buena pregunta, Kieran. Puedes optimizar algunas partes de tu supply chain, pero, por ejemplo, tener el tornillo en el lugar correcto de la máquina no es suficiente para resolver el gran problema. Debes considerar cada detalle de tu configuración masiva, y cuando lo juntas todo, realmente tiene sentido. Cuando entras en el mundo real para resolver problemas de supply chain, terminas con recetas numéricas en lugar de algoritmos. El énfasis y la actitud de la persona que elabora la cosa no son los mismos.
Kieran Chandler: Ya veo. Hablemos un poco más sobre la persona que está creando estas recetas numéricas. ¿Qué tan dependiente eres de sus habilidades y experiencia?
Joannes Vermorel: Bastante, en realidad. Eso es algo que no se debe descuidar. Cuando miras un algoritmo, dirías que es completamente objetivo, un marco matemático con pruebas y bien definido. Los algoritmos son una rama de las matemáticas, la cúspide de la objetividad. Pero la subjetividad existe en gran medida, incluso en las matemáticas. Si pasamos a las recetas numéricas, la idea es objetivar todo, pero creo que es otro mal caso de racionalismo ingenuo. La realidad es demasiado compleja para encajar en cualquier tipo de marco matemático que conozcamos.
Kieran Chandler: Entiendo lo que dices. Entonces, ¿hay situaciones en las que tienes que tomar decisiones de juicio?
Joannes Vermorel: Sí, hay muchas situaciones en las que tienes que tomar decisiones de juicio. Por ejemplo, ¿cómo manejas una situación descubierta desde la perspectiva de la supply chain cuando no tienes ejemplos previos en tu historial de ventas? En algún momento, debes tomar una decisión que tenga en cuenta esta situación bizarra. No hay otra alternativa que contar con un Supply Chain Scientist inteligente que tenga un buen entendimiento de lo que realmente está sucediendo en la supply chain y que tome estas decisiones de juicio.
Kieran Chandler: Así que, creo que hay una decisión de juicio sobre cómo deben reflejarse esas cosas numéricamente en el sistema. Y es como, ya sabes, esta metáfora del chef: a cierto punto, no es porque la elección de la manera en que haces tu exacta, ya sabes, receta sea súper, súper altamente subjetiva que, al final del día, termines con, ya sabes, un chef pésimo de un lado y, diría yo, un chef de talentos increíbles del otro. Incluso si no puedes definir, ya sabes, reglas claras que te permitan diferenciar cuáles son los buenos y cuáles los malos, claramente los extremos existen de todos modos. Y las personas que están, ya sabes, educadas hasta cierto punto pueden tomar una decisión de juicio acerca de quién es un gran chef y quién es un chef pésimo. Y los extremos son bastante obvios. Y si quieres tener todo el matiz intermedio, probablemente necesites tener más habilidades tú mismo y estar versado en el arte culinario y la cocina. Pero, ya ves, esto no es, esto es bastante racional proceder de esta manera. Bien, quedémonos entonces con la cocina low-carb.
Joannes Vermorel: Eh, quiero decir, hay tantos ángulos en la discusión. Y primero, debes asegurarte de no traicionar el negocio. El mayor peligro cuando colocas, ya sabes, a un ingeniero inteligente frente a un problema es que el ingeniero, por formación, siempre presentará una fórmula que parece muy profunda y muy científica. Entonces, y de nuevo, ya sabes, creo que hay un dicho que dice que existe como un camino libre hacia la ruina. El camino más placentero es las mujeres, la forma más rápida de la ruina es, en realidad, el gambling, pero la forma más segura, la forma más segura de la ruina es contratar a más ingenieros. Así que, primero, debes asegurarte de tener una alineación en términos de visión entre el problema que se está resolviendo y toda la sofisticación, ya sabes, en el modelado cuantitativo que se está aplicando. Esa es la primera cosa. Y, por cierto, esta es también la razón por la que en Lokad cultivamos tener muchos materiales en nuestro sitio web, en YouTube, en muchos lugares: necesitamos fomentar esta comprensión de los problemas en sí mismos. Entonces, eso es lo primero, la alineación, ya sabes, entre la técnica y el negocio. La segunda cosa es que necesitas contar con herramientas que, por diseño, minimicen la cantidad de “foot-gunning” diario. Ya sabes, “foot-gunning” es simplemente tener una pistola en la mano y dispararte al pie. Y, literalmente, esas cosas tienden a suceder una y otra vez, especialmente cuando empiezas a tratar con, diría yo, recetas numéricas fancy. ¿Qué califico como fancy? Quiero decir, hay muchas empresas que dicen, “Oh, usamos TensorFlow.” Sí, excelente. Así que ahora, acabas de adquirir 100 maneras más de dispararte una bala en los pies.
Kieran Chandler: Bien, voy a intervenir en eso, Joannes, porque es un muy buen punto que mencionas. ¿Cómo minimizas la cantidad de “foot-gunning” diario, ya que parece que muchas empresas están comprando muchas armas para dispararse a sí mismas en los pies?
Joannes Vermorel: Sí, absolutamente. Y, ya sabes, la cuestión es que creo que hay diferentes tipos de herramientas para abordar este problema. Pero, una cosa que es muy importante es…
Kieran Chandler: Algunas de esas maneras pueden ser sumamente creativas y tener muchas sorpresas. Así que, primero la alineación con el negocio, y luego necesitas contar con herramientas que, por diseño, te brinden un alto grado de corrección. La corrección por diseño es algo muy prevalente en el pensamiento en Lokad.
Joannes Vermorel: Aunque soy un gran creyente en la educación, creo que es mejor cuando, por diseño, se permite a las personas cometer errores. Contratamos gente inteligente, pero incluso las personas inteligentes tienen días malos o, de vez en cuando, no duermen muy bien. Así que, quieres contar con herramientas que te impidan cometer errores terminales realmente tontos, para que te apoyen a ser más inteligente incluso cuando estás demasiado cansado para serlo.
Kieran Chandler: Y luego, tal vez, la tercera idea es que necesitas diseñar numerosos procesos.
Joannes Vermorel: Sí, por ejemplo, en Lokad, diría que la mitad se trata realmente del know-how de cómo desplegar una iniciativa de Supply Chain Quantitativa. Cuando dices “desplegar una iniciativa de Supply Chain Quantitativa”, significa, por ejemplo, ¿cómo terminas teniendo recetas numéricas que no presentan problemas terminales? Cuando digo terminal, me refiero a algo que acabaría con la iniciativa porque el problema es tan grande que la gente decide, con toda la razón, que en realidad eliminar esta iniciativa es la mejor vía a seguir.
Kieran Chandler: Entonces, ¿qué tipo de problemas podrías tener?
Joannes Vermorel: Las recetas numéricas pueden fallar de tantas maneras. Pueden ser deficientes en términos de varianza en el tiempo de cómputo, donde es demasiado errático. Así que, a veces ejecutas la cosa y tarda una hora, otras veces ocho, y la gente no está exactamente segura del porqué. Ese es un gran problema. También pueden ser deficientes porque son bastante opacas. Este efecto de caja negra hace que sea muy difícil tener algo que sea tanto numéricamente inteligente como no una caja negra inmediata, incluso para el Supply Chain Scientist en sí. También puedes tener problemas de estabilidad numérica donde, en promedio, tu receta es excelente, pero en el 0.1% de las situaciones, es francamente insana. Eso genera muchos problemas operativos para las empresas porque los costos de la supply chain tienden a concentrarse en lo extremo. Cuando estás aproximadamente en lo correcto, está bien, pero si es francamente insana, literalmente puedes tener un gran problema operativo que cierre una fábrica o un almacén.
Kieran Chandler: Hablemos un poco más sobre la industria de la supply chain en sí. ¿Cuánto has visto que las empresas en esa industria implementan recetas numéricas por sí mismas, o dirías que la mayoría de las personas y empresas todavía están atascadas en ese enfoque clásico basado en algoritmos?
Joannes Vermorel: Lo curioso es que la gran mayoría de las empresas operan, quiero decir, literalmente todas, mediante recetas. Este pensamiento algorítmico es una receta para algún tipo de desastre en la ciencia de datos, así que, en realidad, hay mucho bombo, pero básicamente no hay nada en producción. En la práctica, todos operan mediante recetas numéricas, y más del 90% de la cuota de mercado es simplemente Excel, aunque la gente lo menosprecia.
Kieran Chandler: Hojas de Excel, diciendo que es solo Excel, no, no es solo Excel. Es la encarnación del entendimiento de cómo realmente debes modelar cuantitativamente tu supply chain. Así que, esas hojas de cálculo de Excel son literalmente las recetas numéricas, y son la versión refinada de esas recetas. En este aspecto, es bastante bueno. Lo que no es tan bueno es que las hojas de cálculo, en general, no importan si es una hoja en un escritorio o en una aplicación web, offline o online; el pensamiento tabular no es exactamente adecuado para resolver problemas de supply chain.
Joannes Vermorel: Mi gran crítica es que las herramientas son inadecuadas. No puedes lidiar con la incertidumbre, no puedes lidiar con la canibalización, no puedes lidiar con una supply chain de múltiples niveles. Hay tantos problemas que literalmente no caben en una hoja de cálculo, sin importar cómo empaquetes la hoja. Mi crítica no es que el problema de las hojas de cálculo sea que son recetas numéricas altamente subjetivas e incluyen mucha estrechez. Esto no es parte del problema; es literalmente parte de la solución. Mi crítica es que estas herramientas suelen ser inadecuadas. Las empresas actuales operan mediante recetas numéricas, pero no reconocen que esto es algo bueno, y esto no va a desaparecer. Esta es literalmente una proposición muy razonable para abordar los problemas de supply chain. Pero el problema que enfrentan es la inadecuación de las herramientas y, frecuentemente, procesos inadecuados, como, por ejemplo, el problema de dividir y conquistar que discutimos con los silos, donde las personas pueden estar intentando lidiar con la fijación de precios por un lado y con la planificación por el otro, cuando en realidad son las dos caras de la misma moneda, como se discutió en el último episodio. Las recetas numéricas han llegado para quedarse, y mi postura es que es literalmente la mentalidad correcta siempre que se involucren problemas de supply chain.
Kieran Chandler: Entonces, iremos cerrando. ¿Cuál es la conclusión principal del episodio de hoy? ¿Por qué las recetas numéricas son tan importantes, y por qué es tan importante cambiar esa mentalidad?
Joannes Vermorel: Creo que es porque las recetas numéricas son la encarnación de esta otra línea de pensamiento, que es: “Es mejor estar aproximadamente correcto que exactamente equivocado.” Terminarás con fórmulas que no tienen pureza. No son como las ecuaciones electromagnéticas, donde tienes esas ecuaciones súper ordenadamente definidas que pueden explicar todo lo que sucede en términos del electromagnetismo. Son increíblemente puras y precisas, pero las supply chains no son así. Las recetas numéricas de la supply chain consistirán en cientos de condiciones, factores y giros semi-accidentales para que todo tenga sentido, para que sea aproximadamente correcto y no haga nada completamente insano. Deberían ser altamente predecibles, para que no tengas demasiadas sorpresas, idealmente muy pocas sorpresas en los resultados numéricos de tus recetas. Y también deberían ser versátiles, al igual que la receta de un gran chef.
Kieran Chandler: Eh, quieres hacer un postre, ya sabes qué, no te voy a permitir usar azúcar hoy.
Joannes Vermorel: Oh, mierda, quiero hacer un postre. ¿Cómo voy a hacer un postre sin azúcar? Eso es, ya sabes, el tipo de cosa para la que necesitas ser súper ágil. Para que, si algo falta, simplemente porque tuviste condiciones extrañas, como una pandemia, no te quedes atascado. Tienes un camino a seguir. Y, por cierto, eso es muy interesante porque esos shows de top chefs te plantean desafíos en los que o tienes poco tiempo, ya sabes, si solo tienes 30 minutos para preparar algo que normalmente tomaría como cuatro horas, o te faltan ingredientes, o te faltan herramientas, o simplemente te falta en general. Y, sin embargo, necesitas encontrar una manera de seguir adelante. Eso es, de nuevo, creo que es lo que parecen esas recetas. Quiero decir, tienes restricciones extrañas que cambian con el tiempo. Es una situación que viene con un grado de sorpresa.
El verdadero chef es aquel que realmente puede improvisar. Pero, si observas detenidamente, esos shows revelan que hay un método, y eso es lo que realmente diferencia a un gran chef. El gran chef no es alguien que va a hacer cosas al azar cuando se enfrenta a la falta de un ingrediente o a un plazo muy corto. Realmente se puede ver que hay literalmente una década de experiencia en cómo sobrellevar este caos. Hay un método, y justamente ese es el tipo de cosas que cultivamos en Lokad.
Kieran Chandler: Bien, tendremos que terminar aquí, pero creo que esa analogía de un top chef es realmente poderosa y definitivamente una con la que nos podemos identificar en esta oficina. Tenemos muchos fans aquí. Así que eso es todo por esta semana. Muchas gracias por acompañarnos, y nos vemos de nuevo en el próximo episodio. Gracias por ver.
