La Supply Chain Quantitativa en pocas palabras - Lecture 1.2

00:10 Introducción
02:23 ¿Cómo? Clases de supply chain
04:22 El Manifiesto de la Supply Chain Quantitativa
06:47 Todos los futuros posibles
17:01 Todas las decisiones factibles
21:52 Motores económicos
30:42 Robotización
35:41 Supply Chain Scientists
40:22 De la visión a la realidad
41:56 El mito de la madurez de supply chain
45:30 En conclusión
46:13 Preguntas de la audiencia

Descripción

El manifiesto de la Supply Chain Quantitativa enfatiza una breve serie de puntos relevantes para comprender cómo esta teoría alternativa, propuesta y pionera por Lokad, se diferencia de la teoría de supply chain. Podría resumirse así: cada decisión se evalúa frente a todos los futuros posibles de acuerdo con los motores económicos. Esta perspectiva emergió gradualmente en Lokad como la teoría dominante de supply chain, y su implementación por (¿casi?) todos los proveedores de software, sigue siendo un desafío.

Transcripción completa

Hola a todos, bienvenidos a las Conferencias de supply chain. Soy Joannes Vermorel, y hoy presentaré “La Supply Chain Quantitativa en pocas palabras.” Para quienes estén viendo la transmisión en vivo, pueden hacer sus preguntas en cualquier momento a través del chat de YouTube. No estaré leyendo las preguntas durante la conferencia; sin embargo, al final de la misma, regresaré al chat y comenzaré respondiendo las preguntas desde el principio, haciendo lo mejor que pueda. Así que, procedamos.

Comenzaré con una cita de uno de los expresidentes franceses, quien dijo que había tres caminos hacia la riqueza: el más rápido era mediante el juego, el más placentero era con las mujeres, pero el más seguro era con los técnicos. Obviamente, en esta serie de conferencias, optamos por la tercera opción. Creo que hay un grano de sabiduría en esta cita. La técnica es un medio poderoso para hacer más ciertas cosas, para ser mejor en algunos ámbitos, pero también puede resultar muy distractora. Con “técnicos” se refería no solo a las personas que se dedican a asuntos técnicos, como los ingenieros, sino también a aquellos que se ocupan de procesos y workflows, ese tipo de tecnicismos del MBA.

Cuando abordamos los desafíos de supply chain, debemos ser muy conscientes de si lo que aportamos contribuye a resolver los problemas fundamentales o simplemente es una distracción reconfortante.

Para la conferencia de hoy, lamentablemente me inclinaré un poco hacia el lado de la persuasión. El desafío es que, si tienes una declaración del problema, puedes demostrar que tienes una solución superior para ese problema en particular. Sin embargo, ¿puedes demostrar que, en primer lugar, tienes un tipo superior de problema? Eso es mucho más desafiante intelectualmente.

Una de las principales críticas que expuse durante la conferencia anterior es que supply chain es, en esencia, un problema complejo. Por lo tanto, la forma en que debemos abordarlo es complicada. Hoy, intentaré presentar un conjunto de requisitos que considero esenciales si alguna vez queremos tener la esperanza de ofrecer algo satisfactorio para supply chain. Sin embargo, no puedo demostrar realmente que alguno de los elementos que presento sea verdaderamente indispensable. Hay un componente de fe, y también un elemento de comprensión a alto nivel. Otro aspecto de la fe es que, a menos que tengas una solución para presentar frente a tus requisitos, lo único que tienes es un pensamiento ilusorio. Así que les pido que suspendan su incredulidad por una o dos conferencias más, para que nos enfoquemos en la naturaleza misma del problema y en los elementos que son altamente deseables para que una solución se haga elegible para una buena práctica en supply chain.

Así que, procedamos. Hace unos años, Lokad ya había sido pionero en su forma relativamente atípica de atender a sus propios clientes. A finales de 2016, decidí consolidar una breve serie de puntos relevantes que considero divergen considerablemente de la teoría dominante de supply chain. Quería utilizar esos cinco puntos como una forma de mostrar cómo difiere la Supply Chain Quantitativa de la teoría dominante de supply chain. Pido disculpas por que la terminología sea algo desafortunada, ya que incluso la teoría dominante de supply chain es también muy cuantitativa, pero decidí añadir otro adjetivo para aclarar la distinción entre la teoría de la Supply Chain Quantitativa y la teoría dominante de supply chain.

Estos elementos que voy a enumerar no son exactamente fundamentales; son más bien como una lista de verificación de aspectos que debemos abordar si queremos tener alguna esperanza de tener éxito. Estos elementos incluyen:

1. Todos los futuros posibles: Necesitamos analizar muchos futuros, no solo uno.
2. Todas las decisiones factibles: Cuando introduje la definición de supply chain como el dominio de la opcionalidad, me refería a estas decisiones.
3. Motores económicos: La idea de que vamos a contabilizar los dólares de error, no el porcentaje de error.
4. Robotización como requisito para el control de gestión: Puede parecer paradójico porque se podría pensar que la robotización implica perder el control, pero la proposición es que es exactamente lo contrario: se necesita robotización si quieres que los humanos estén al mando de cualquier aspecto en lo que respecta a supply chain.
5. Supply Chain Scientist: Al final de la práctica, debería haber una persona que tenga la responsabilidad de los resultados numéricos de la supply chain o del desempeño cuantitativo de la supply chain.

Echemos un vistazo más de cerca a cada uno de estos cinco puntos.

Primero, la idea es que debemos considerar todos los futuros posibles. ¿Por qué necesitamos mirar el futuro en primer lugar? Necesitamos mirar el futuro porque todo requiere tiempo. No podemos imprimir en 3D todo al instante, e incluso si pudiéramos, aún tendríamos que transportar las cosas. Así que todo requiere tiempo, lo que significa que cada vez que tomas una decisión de supply chain, como decidir producir o comprar algo, lo haces porque estás mirando hacia adelante y anticipando un estado futuro del mercado en el que habrá algún tipo de demanda para esos productos. Luego retrocedes y haces un forecast de algún tipo, optimizando tu supply chain en consecuencia.

Necesitamos tener esta visión a futuro y estos forecasts, que son simplemente el sabor matemático de la intuición. Pero, ¿de qué forecasts estamos hablando? Los forecasts que han dominado completamente la práctica de supply chain durante el siglo XX y la primera parte del siglo XXI son los forecasts clásicos de series de tiempo, que están profundamente defectuosos, a mi parecer, en varios aspectos. El primer aspecto es que este enfoque ignora por completo la idea de incertidumbre. Mi propuesta es que la incertidumbre es completamente irreducible, y siempre que se trate de supply chain, el futuro nunca puede ser forecasted perfectamente. La idea de que puedes tener un 99% de forecast accuracy es absurdo. Incluso al observar el consumo de agua o de electricidad, es muy desafiante lograr forecasts con ese grado de precisión.

Si observamos de manera realista a las supply chain y consideramos, por ejemplo, un producto en una tienda que vende solo una unidad por semana para dicho producto en una tienda determinada, no hay esperanza de lograr jamás una precisión inferior al uno por ciento. La pregunta ni siquiera tiene sentido. Así que, la incertidumbre es irreducible. Si quisiéramos tener una prueba mayor de ello, basta con mirar el año 2020. Tuvimos una pandemia mundial masiva causando estragos por doquier en las supply chain. Simplemente no es posible hacer un forecast de ese tipo de situaciones desde una perspectiva clásica donde tienes un número y dices, “esto es, este es el futuro.”

En cambio, lo que puedes tener son forecasts probabilísticos. La idea es que todos los futuros son posibles, pero no son igualmente probables. Esa es la esencia del forecast probabilístico. Es la idea de que puedes disponer de un método estadístico que, en lugar de pretender tener el forecast perfecto de cómo se desarrollarán las cosas en el futuro, simplemente dice, “Tengo todos estos futuros posibles; algunos son más probables que otros.” Este enfoque abraza la incertidumbre irreducible. En muchas de las situaciones en que la gente me dice, “no puedes forecast eso,” la respuesta es, “sí, puedo.” No puedo darte un forecast clásico correcto, pero ciertamente puedo tener un forecast probabilístico perfecto.

El ejemplo extremo de esto serían los billetes de lotería. Puedo establecer las probabilidades exactas de que cualquier boleto en particular sea el ganador. No sé cuál va a ganar, pero si el juego no está amañado, puedo tener un forecast probabilístico perfecto que refleje las probabilidades uniformes para todos los boletos. Eso es exactamente lo que significa un forecast probabilístico; significa que aceptas el hecho de que, aunque no conozcas el futuro a la perfección, sabes mucho sobre el futuro. Cuando decimos que tenemos probabilidades, sabemos muchas cosas. Por ejemplo, puedo decir que en cualquier momento, existe un riesgo de cola de una disrupción masiva en el mercado. No sé exactamente de dónde vendrá el riesgo; tal vez sea una pandemia, un desplome de la bolsa, una guerra o una nueva tarifa como la que introdujo el presidente Trump. Pueden ser muchas cosas las que interrumpan tu supply chain, y si tuviera que evaluar el riesgo de cola en cualquier momento para cualquier supply chain, es de varios por ciento la posibilidad de una caída masiva en el siguiente trimestre. Nuevamente, no es magia; es simplemente una suposición muy razonable acerca del futuro. Con las herramientas estadísticas adecuadas, puedes tener algo mucho más elaborado. Todas las áreas que son inciertas requieren un forecast, y un forecast probabilístico, además. La demanda no es la única área que necesita un forecast. Por ejemplo, todas las áreas en las que hay incertidumbres requieren un forecast.

Esto podría incluir forecastear la demanda futura, pero también lead times futuros, devoluciones futuras en ecommerce, rendimientos de producción inciertos en fuentes primarias de producción como la minería o las granjas, tasas probabilísticas de fallo o de desecho en el control de calidad de procesos biológicos, y reparaciones de piezas. Hay una gran variedad de áreas en las que hay incertidumbre, y todas esas áreas merecen un forecast. Una buena práctica en supply chain es adoptar la necesidad de considerar todos los futuros posibles con sus respectivas probabilidades, examinando todas las cosas que necesitan ser forecast. No es solo la demanda.

Por ejemplo, incluso podemos considerar cosas como los precios de las materias primas. Obviamente, si pudieras forecastear con precisión el precio futuro de una materia prima, simplemente jugarías en la bolsa y no gestionarías una supply chain real. Sin embargo, ciertas materias primas son mucho más volátiles en cuanto a precio que otras, y eso significa que el tipo de riesgo que asumes al tratar con estas materias primas puede ser optimizado con los modelos adecuados, teniendo forecasts probabilísticos en tu arsenal de herramientas.

Otro elemento es que no se trata solo de tus propios futuros posibles; todos esos futuros posibles no son independientes entre sí. Tienen fuertes dependencias, y eso es algo en lo que la teoría dominante de supply chain realmente carece. Enfocan el forecast de demanda como si fuera completamente independiente de todo lo demás que sucede en la supply chain. Incluso hasta el día de hoy, aún tengo clientes potenciales que me preguntan si Lokad puede hacer un forecast a 12 meses para un producto específico.

Por ejemplo, digamos que estamos tratando con una marca deportiva y nos piden una mochila para tracking. ¿Podemos forecastear cuánta demanda habrá durante los próximos 12 meses? Mi respuesta básica es: “depende.” Si solo vendes una mochila, entonces quizá tengas cierta demanda. Pero si de repente decides aumentar enormemente tu surtido e introducir diez variantes más de la misma mochila con casi el mismo rango de precios, tamaño y características, con algunas variaciones en bolsillos y gadgets, no vas a multiplicar tu demanda por un factor de diez simplemente porque introdujiste diez productos muy similares. Sin embargo, cuando miramos desde la perspectiva clásica de forecast, no hay nada que impida que el modelo forecast incremente radicalmente las cifras de demanda si solo aumentas el número de productos a forecastear. Así que, eso no tiene sentido, y por ello tenemos estos futuros. No solo se caracterizan por una incertidumbre irregular, sino también por las dependencias que existen entre ellos. Necesitamos tener herramientas que puedan captar todos esos cambios.

Como reflexión final, los forecasts son esenciales si queremos tener alguna esperanza de optimizar algo, simplemente porque necesitamos mirar hacia adelante. Sin embargo, debemos tener en cuenta que son solo opiniones fundamentadas sobre el futuro.

No son reales, en el sentido de que la calidad de tu forecast no tiene consecuencias directas en tu supply chain. En muchas empresas, las personas se enfocan intensamente en mejorar el forecast, pero mi pregunta es: ¿con qué fin? Si crees que optimizar el forecast se traduce inmediatamente en un mejor desempeño de supply chain, mi propuesta para ti es que esto es una ilusión. No es cierto, ni remotamente.

Las únicas cosas que realmente mejoran un supply chain son las decisiones que tienen un impacto tangible y físico en el supply chain. Con decisiones me refiero a acciones como comprar una unidad adicional de un proveedor, trasladar una unidad de stock de un lugar a otro, o aumentar o disminuir el precio de cualquier producto que estés vendiendo. Estas acciones tienen consecuencias reales y tangibles para la empresa.

Por el contrario, los forecast son solo opiniones fundamentadas sobre el futuro. Es mejor tener una opinión más detallada sobre cómo será el futuro, pero lo único que realmente importa son las decisiones. La propuesta que tengo para ti es que la práctica de supply chain debería estar completamente orientada hacia la generación de esas decisiones, ya que eso es lo único que importa. La idea de que se pueda tener algo como un departamento de forecast o de planificación es, en gran medida, equivocada. Los forecast están solo para educar tus suposiciones a la hora de tomar mejores decisiones.

Es muy peligroso y desafortunado separar la parte de forecast de la optimización de decisiones. Por cierto, cuando hablo de decisiones factibles, me refiero a que las decisiones deben cumplir con todas las restricciones físicas presentes en el supply chain. Cualquier supply chain tiene no linealidades por todas partes. Por ejemplo, puedes tener cantidades mínimas de pedido, espacio máximo en estantería en una tienda y capacidad máxima de volumen o peso en un contenedor o truck. Puedes tener no linealidades más sutiles, como las fechas de caducidad, o el hecho de que ciertas piezas en la aeronáutica vienen con horas de vuelo y ciclos de vuelo, requiriendo reparaciones programadas.

Puedes tener todo tipo de problemas, como por ejemplo algunos productos, en alimentos frescos, que no pueden viajar en el mismo truck. O, al menos, necesitas trucks especiales porque no pueden ser transportados a la misma temperatura. Necesitas ya sea múltiples compartimentos o múltiples trucks. Hay muchas restricciones que limitan las decisiones factibles.

¿Qué quiero decir con decisiones factibles? Señalo este término porque no tiene sentido decir que la cantidad perfecta para reabastecer una tienda es de 1.3 unidades de un producto. Esta no es una decisión factible; va a ser o una unidad o dos, pero no puedes tener 1.3. Necesitas algo que sea inmediatamente accionable desde una perspectiva muy mundana, y a eso se refiere la factibilidad.

Ahora, si examinamos cada decisión factible y todos los futuros posibles, la pregunta es: ¿cómo evaluamos cuál es la decisión correcta?

Tenemos que considerar los impulsores económicos. La idea es que los porcentajes de error no importan; sólo importan los dólares de error y recompensa. Existe una gran ilusión de que si optimizas porcentajes, realmente harás algo bueno para tu empresa. Esto no es cierto; creo que es profundamente equivocada.

Si quieres un ejemplo, veamos service levels. ¿Qué significa tener un nivel de servicio súper alto? Con frecuencia escucho a prospectos decir que quieren un nivel de servicio del 99%. Ciertamente podemos lograrlo, pero tendrás que acumular stock como loco, lo que resultará en inmensas cancelaciones de inventario y una rentabilidad abismal. Es una compensación, y no cualquier compensación: es una compensación económica. En algo tan simple como el nivel de servicio, existe un compromiso entre el coste de inventario por un lado y el coste de faltante de stock por el otro.

La idea es que, si damos un paso atrás y examinamos estos impulsores económicos para cada decisión, podemos evaluar el resultado. Podemos tomar una decisión y, para un posible futuro, analizar el resultado de esa decisión para ese futuro en particular. Podemos evaluar sus resultados en dólares observando los impulsores económicos.

¿Qué quiero decir con impulsores económicos? Me refiero a todos los factores que están configurando el rendimiento de tu empresa. El primer círculo de impulsores es muy directo: cosas que encontrarás en los libros de contabilidad, como el coste de materiales, el precio de venta, el coste de mantenimiento, los costes de transporte y los costes de transformación. Debes acumular todos estos costes y luego restarlos de tu precio de venta para calcular tu presupuesto de costes. Estos son el primer círculo de impulsores, los muy obvios que literalmente puedes encontrar en tu ERP o software de contabilidad.

Sin embargo, estos costes por sí solos no son suficientes. Si solo los consideras, terminas con una perspectiva financiera muy miope. Necesitas incluir el segundo círculo de impulsores económicos, aquellos que no existen en tu sistema, al menos no explícitamente. Estos son, típicamente, los efectos de segundo orden de tus decisiones de supply chain. Por ejemplo, la mayoría de las veces, si tienes un faltante de stock, no existe una penalización por ello. Tal vez, si eres una gran marca que vende a una gran red minorista como Walmart, tienes un acuerdo de nivel de servicio y penalizaciones si no alcanzas ciertos objetivos, pero esto no es muy frecuente. Incluso cuando existen penalizaciones, no reflejan de manera natural los costes reales que has infligido a tus clientes.

La idea es que necesitamos impulsores que representen las consecuencias de segundo orden de tus acciones, tanto positivas, como generar loyalty extra de los clientes, como negativas, como generar deslealtad y proporcionar un incentivo para que tus clientes busquen alternativas en otro lado. Esto es, obviamente, dependiente del problema. Por ejemplo, si eres una marca de moda y ofreces un descuento al final de la temporada, cuesta más que simplemente la pérdida inmediata del dólar descontado. Estás creando un hábito en tus clientes, quienes esperarán el mismo descuento el próximo año. Esto ilustra el impacto a corto plazo y el impacto a largo plazo de construir hábitos y expectativas entre tu base de clientes, que es de lo que hablo cuando menciono los impulsores económicos del segundo círculo.

Bien hecha, la optimización financiera no es miope. Sin embargo, si realizas una optimización financiera ingenua, terminas con mucho sinsentido, lo cual es cierto para cualquier receta ingenua al tratar con supply chains. La optimización económica es esencial porque, sin ella, ni siquiera tienes un objetivo para tu optimización. La idea de optimizar porcentajes no funciona; lo que quieres es optimizar dólares. A menos que hayas consolidado todos esos dólares de recompensa y coste bajo un mismo paraguas, no hay nada que optimizar desde una perspectiva cuantitativa, que es lo que interesa en esta serie de conferencias.

Necesitamos esos dólares, de lo contrario ni siquiera podemos empezar a optimizar. Mi propuesta para ti es que, si tu empresa no ha comenzado a tener un marco financiero unificado para impulsar la optimización de su supply chain, ni siquiera ha empezado aún. Si tienes docenas de equipos manejando porcentajes, niveles de servicio y otras métricas no monetarias, es una ilusión de desempeño. Sólo importan los dólares – dólares, euros o yen – pero necesitas una cuenta monetaria.

Estos impulsores económicos tienen otro propósito muy importante que frecuentemente se pasa por alto. El primer propósito es impulsar la optimización numérica de manera muy mecánica. El segundo propósito de estos impulsores es habilitar el white-boxing, al que volveré en una conferencia posterior. La idea es que, para cada decisión, vamos a analizar todos los futuros posibles, asignar el desempeño económico de la decisión, promediar el desempeño económico de las decisiones a través de todos los futuros posibles, y luego ordenar todas las decisiones desde la que tenga el mayor retorno de inversión (ROI) hasta la que tenga el menor. Obviamente, queremos dejar de tomar esas decisiones cuando ya no haya rentabilidad. Sin embargo, necesitamos algún tipo de transparencia y entendimiento en cuanto a por qué elegimos esas decisiones en lugar de otras. Aquí, esos impulsores económicos se muestran extremadamente valiosos porque pueden decirnos el “porqué” que hay detrás de cualquier decisión que vaya a ser generada por un sistema, práctica o software.

La idea es que, con los impulsores económicos, podrás examinar cada decisión y contar con algunos indicadores clave de desempeño (KPIs) expresados en dólares, que expliquen por qué esa decisión es realmente buena. Por el contrario, para una decisión que no se toma, puedes mirar los impulsores y evaluar por qué no es una buena decisión.

Con estos tres bloques de construcción, tenemos todo lo necesario para iniciar la práctica. Analizamos todos los futuros posibles, todas las decisiones posibles y desafiamos cada decisión frente a todos los futuros posibles, puntuándolas en dólares y clasificándolas.

Para hacer esto real y efectivo, el enfoque mental necesario es la robotización de extremo a extremo completa. La razón por la que necesitas una robotización de extremo a extremo completa es para devolver el control a la dirección. Puede sonar extraño al principio porque, si robotizas, ¿cómo logras que alguien tenga el control? Tiene que ver con la naturaleza de los supply chains, que son sistemas muy complejos y distribuidos con muchos sitios, productos, clientes, piezas de software, personas y vehículos.

La alternativa a tener un proceso robotizado para generar todas esas decisiones que deben tomarse a diario es contar con un ejército de oficinistas usando un océano de hojas de cálculo. El problema es que, si diriges un ejército de oficinistas, cada vez que quieras cambiar algo en tu supply chain, se tardarán seis meses en asimilar el cambio porque tendrás que lidiar con muchas personas a las que tendrás que reentrenar y comprobar que realmente entienden la nueva estrategia y las nuevas reglas.

La robotización es la idea de que, si puedes implementar una receta numérica de extremo a extremo que genere todas esas decisiones mundanas, puedes evitar este retraso. Estoy hablando de todas las decisiones mundanas; no me refiero a decisiones como si iniciar una nueva planta en un país o abrir un nuevo mercado para la empresa. Esas decisiones no se toman a diario. Se toman unas pocas veces al año, y está perfectamente bien que muchas personas piensen en ellas. Pero por cada SKU que tienes en tu supply chain, hay media docena de decisiones que deben tomarse cada día. ¿Debo producir más? ¿Debo traer más? ¿Debo desplazar el stock que tengo a otro lugar? ¿Debo subir o bajar el precio? ¿Incluso debo deshacerme de este stock que no sirve para nada y que solo ocupa espacio en mi almacén o tienda? Incluso decidir no hacer nada, si tienes un SKU y decides no hacer nada en particular hoy, ya es una decisión. Así que, considerando la escala a la que operan los modern supply chains, creo que es necesaria una robotización de extremo a extremo si queremos tener alguna esperanza de ser ágiles.

También hay otro ángulo esencial, que es que es crucial tener una robotización de extremo a extremo si alguna vez queremos tener algo que sea capitalista y preciso. Este será el tema de mi próxima conferencia, pero en resumen, no quieres tratar a tu división de supply chain como gastos operativos (OPEX). Quieres tratar la inversión en supply chain como gastos de capital (CAPEX). Todos los esfuerzos que impulsas en supply chain deben ser precisos, y quieres hacer de tu supply chain un activo capitalista de la empresa. La única manera de hacerlo es mediante la robotización; de lo contrario, lo opuesto es simplemente un ejército de oficinistas a los que tienes que pagar cada día para hacer lo mismo reiteradamente.

Esto me lleva a la pregunta de quién debería encargarse de la robotización y del software que realiza el trabajo clerical en lugar de un ejército de oficinistas.

¿Quién debería ser responsable de esas recetas numéricas? ¿Quién debe hacerse cargo de esos resultados? La respuesta clásica, “tenemos un sistema, el sistema es responsable de eso”, creo que es equivocada. Un software, incluso si es un software empresarial muy caro, nunca es responsable de nada. No tiene autoconciencia. A pesar de lo que la gente pueda decir sobre la IA, aún no hemos llegado a ese punto. Lo que tenemos son recetas numéricas engalanadas y sofisticadas, y ya pueden aportar un valor tremendo a tu empresa.

Alguien en tu empresa o fuera de ella necesita hacerse cargo de la calidad de esos resultados numéricos que impulsarán tu supply chain de una manera muy mundana. La práctica que hemos pionerado en Lokad es la idea del supply chain scientist. El concepto de supply chain scientist nació de mis primeros fracasos cuando intenté abordar el problema con data scientists. El problema con los data scientists es que su compromiso radica en las tecnicidades. ¿Recuerdas la primera cita sobre que la forma más segura de arruinar es con técnicos? Esa es exactamente mi perspectiva hoy en día cuando la gente me habla de data scientists intentando resolver problemas de supply chain. Es un camino muy corto, con muy poca incertidumbre sobre adónde te diriges, no es que vayas a obtener grandes resultados al final del camino. El supply chain scientist es la persona que se hará cargo de generar decisiones del mundo real, y esta persona tiene que prestar atención a los detalles más minuciosos de tu supply chain. Por ejemplo, si uno de tus almacenes se inundó el año pasado y durante tres semanas nada fluyó a través de ese almacén, distorsionando completamente el perfil de seasonality, no puedes descartarlo simplemente como un detalle. No desafía la validez central del modelo matemático. La perspectiva del supply chain scientist es que sí importa. Si termino tomando decisiones pobres para este almacén porque un accidente operacional en el pasado introdujo sesgos severos en mis datos históricos, importa. Todo eso importa, ya sea que genere dólares de recompensa o dólares de coste.

Si observamos esta ilustración con dos tipos de eruditos, Indiana Jones, quien se supone que es un erudito e investigador, y Windle Poons de las obras de Terry Pratchett, la realidad de estos dos personajes ficticios no puede ser más radicalmente diferente. La diferencia fundamental entre ellos refleja, en gran medida, la diferencia entre un Supply Chain Scientist y un científico de datos. Como prueba decisiva, puedes preguntarte, ¿le importa al CEO? ¿El CEO de la compañía te cuestionará a ti, como Supply Chain Scientist, sobre lo que estás haciendo? Mi experiencia dirigiendo Lokad durante más de una década es que ahora me reúno regularmente con los CEOs y juntas directivas de mis clientes, y me desafían en lo fundamental de su supply chain y en cómo estamos generando dólares de retorno.

Las preguntas no giran en torno a si usamos máquinas de vectores de soporte o árboles potenciados por gradiente. Las preguntas tratan sobre el camino que garantiza que la supply chain sea un activo valioso capaz de superar al resto del mercado.

Presenté cinco puntos como requisitos, no la solución real al problema. Son simplemente una lista de elementos que, si no se abordan adecuadamente, significan que ni siquiera has comenzado realmente a trabajar en algo que mejore o optimice de manera significativa la supply chain, al menos no de forma cuantitativa. Existen muchas optimizaciones no cuantitativas, como mejor equipamiento, mejores políticas de contratación o incentivos financieros bien pensados para tus equipos.

Existe un plan completo y detallado de las próximas conferencias en el sitio web de Lokad en lokad.com/lectures. Tendremos que cubrir muchos temas, incluyendo diferentes perspectivas, conceptos y paradigmas, especialmente relacionados con métodos, herramientas y prácticas de programación. Hay una cantidad significativa de material que abordar, y todos estos conceptos se introducirán para ayudar a cumplir con los cinco puntos que presenté anteriormente. Sin estos, el enfoque simplemente no funcionará.

Ahora, para abordar una tangente, algunas personas me han desafiado diciendo que la visión que presento es tan diferente de lo que actualmente están haciendo. Argumentan que es demasiado avanzada y prefieren tomárselo con calma, mejorando de forma incremental antes de considerar este enfoque de Supply Chain Quantitativa. Sin embargo, creo que este enfoque de “gatear, caminar, correr” es una falacia. El progreso a menudo no es incremental y puede ser disruptivo. Por ejemplo, cuando Amazon decidió convertirse en un proveedor de computación en la nube, dieron un salto significativo, pasando de vender libros en línea a ofrecer recursos de computación en la nube bajo demanda. Esto no fue una progresión suave y paso a paso; fue un cambio disruptivo.

De manera similar, está la famosa cita de Henry Ford, quien dijo que si hubiera preguntado a sus clientes lo que querían, ellos habrían pedido caballos más rápidos. La cuestión es que, si aceptamos la idea de que los requisitos que he enumerado son necesarios, y la mayoría de las compañías ni siquiera han comenzado a abordar el problema desde la perspectiva correcta, entonces nuestro punto de partida con la mayoría de los clientes es que casi nadie tiene madurez en esta área. Es una ilusión pensar que las empresas más grandes, con grandes divisiones optimizando las métricas equivocadas, poseen una madurez real en la gestión de la supply chain.

Mi mensaje para el público es que no se consideren inmaduros solo porque no están haciendo lo que otras compañías hacen, especialmente en lo que respecta al tamaño de sus respectivas burocracias. Desde mi perspectiva, esto dice muy poco acerca de su efectividad. Las empresas que veo con mayor madurez son, por lo general, pequeñas compañías de e-commerce ágiles y norteamericanas que están enfocadas digitalmente. Es posible que no cuenten con grandes equipos de científicos de datos, pero sí tienen a algunas personas con la mentalidad adecuada y las recetas numéricas apropiadas.

En conclusión, he abarcado aspectos relacionados con el lado de la necesidad del problema. En la próxima conferencia, comenzaremos a examinar el lado de la suficiencia del problema, centrándonos en nuestra declaración del problema y la solución. Sin embargo, es crucial comenzar por la parte de la declaración del problema, ya que nos permite entender si la solución que presentamos es valiosa o simplemente una solución en busca de un problema.

Muchas gracias por su tiempo hoy. Ahora, responderé las preguntas.

Question: Disfruté la sutil referencia a Dune.

Agradezco que hayas disfrutado la referencia a Dune. Los personajes principales del libro tienen la capacidad de ver todos los futuros posibles, lo que les proporciona habilidades estratégicas superiores. Esta metáfora es muy adecuada para la gestión de la supply chain. Si puedes examinar todos los futuros posibles, incluso si no sabes exactamente cuál ocurrirá, te brinda una ventaja significativa sobre los competidores que solo consideran un posible resultado.

Question: ¿Podrías elaborar más acerca de los impulsores de segundo orden?

Cuando digo “segundo orden”, me refiero a las consecuencias de segundo orden. En la gestión de la supply chain, tratamos con humanos y sistemas complejos, no solo con sistemas físicos simples con trayectorias predecibles. Las personas pueden adaptarse, y debemos considerar sus acciones y reacciones.

Por ejemplo, en el pasado en Lokad, tuvimos un cliente al que sugerimos cantidades específicas para las órdenes de compra. Sin embargo, notamos que el cliente terminaba realizando pedidos con cantidades significativamente mayores a las que recomendábamos. Resultó que, cuando el cliente recibía la mercancía, los equipos encargados de la recepción contaban nuevamente los artículos para asegurarse de que coincidieran con la orden inicial. Si la cantidad recibida no coincidía con la orden, su sistema tenía una peculiar limitación: podían cancelar la orden de compra completa y devolver la mercancía, poniendo en riesgo su línea de producción. Lo que ocurría era que estaban cambiando la cantidad de la orden de compra original para que coincidiera con la cantidad recibida. Con el tiempo, algunos proveedores inteligentes habían descubierto esta propiedad única del sistema ERP. Cuando se acercaban al final del trimestre y no habían alcanzado sus objetivos, sabían que podían enviar lo que quisieran a este cliente, quien lo aceptaría y pagaría la factura sin hacer preguntas ni quejas.

Este es un ejemplo de lo que llamo un efecto de segundo orden. Tienes un aspecto aparentemente trivial y cotidiano de tu ERP, pero luego tienes humanos inteligentes en el proceso que manipulan el sistema. Esto es inevitable cuando se trata de humanos, ya que pueden pensar y reaccionar a lo que hagas. La idea de las consecuencias de segundo orden es que debes considerar las consecuencias de las consecuencias. Incluso podría ser de cuarto o quinto orden: tienes que pensar en las consecuencias en cascada. Es un juego intelectual desafiante, pero si no tomas en cuenta las consecuencias de segundo orden, podrías terminar tomando decisiones poco acertadas.

En cuanto a los impulsores económicos de segundo orden, es esencial asignarles un valor en dólares, aunque puede ser difícil. La clave es estar aproximadamente correcto en lugar de estar exactamente equivocado. Es mejor tener una estimación aproximada que tenga sentido en lugar de cálculos precisos que te desvíen.

Question: ¿Cuáles son las técnicas utilizadas en la robotización completa?

Existen numerosas técnicas para la robotización completa, las cuales cubriremos en las próximas conferencias sobre programming paradigms. Aunque estamos hablando de software, necesitamos considerar las propiedades fundamentales de diseño que son más deseables para lograr la robotización. El objetivo principal es crear software de nivel de producción, no necesariamente AI. No se puede lograr un error de forecast del cero por ciento, pero se puede aspirar a cero por ciento de locura.

Con “locura” me refiero a algo que pondría en riesgo toda tu compañía. Por ejemplo, Target Canada quebró debido a una optimización de la supply chain que salió mal, y Nike enfrentó un desastre en 2004 cuando una de sus soluciones de software para supply chain, que competía con Lokad, casi llevó a la empresa al colapso. Así que, primero, abordaremos este tema en la próxima conferencia, pero nos tomará un poco de tiempo llegar allí.

Question: En tu forecast, si intentamos abarcar tantas variables progresivas, tendríamos que desarrollar modelos nosotros mismos, y podría convertirse en simulaciones. ¿Alguna opinión al respecto?

No hay una diferencia clara entre una simulación precisa del futuro y un forecast probabilístico. Estos son dos sabores diferentes de recetas numéricas para capturar el futuro. Siempre que tengas un modelo de forecast probabilístico, puedes generar trayectorias que representen el futuro. Tomas tus probabilidades, extraes una desviación, creas una observación ficticia, reentrenas tu modelo, reconstruyes tus probabilidades y iteras. La distinción entre simulación y modelado estadístico se vuelve tenue, especialmente para modelos adecuados para fines de supply chain. En gran medida, se superponen por completo.

Question: ¿Las soluciones que desarrollaron son basadas en el servicio o una combinación de ambas? ¿Cuál es tu opinión sobre este enfoque para el futuro de la supply chain?

En Lokad, nuestra perspectiva es ofrecer un desempeño de la supply chain expresado en dólares. Hay una inmensa cantidad de complejidad en este dominio, y así como la incertidumbre es irreducible en el forecast, la complejidad es irreducible si intentas tener un producto de software que aborde todos los problemas a la vez. Necesitas una meta-solución para el problema. El enfoque adoptado en Lokad es reconocer la necesidad de la inteligencia humana, específicamente de Supply Chain Scientists. Creo que es poco realista pensar que la AI puede comprender los desafíos de una supply chain moderna.

Necesitamos personas inteligentes y experimentadas, con las habilidades adecuadas para ser efectivas en sus trabajos. Lokad ha desarrollado un producto con el objetivo de hacer que los Supply Chain Scientists sean productivos y sumamente confiables. El desafío es proporcionar las herramientas adecuadas para estos Supply Chain Scientists. En resumen, Python no es la solución, y a medida que avancemos en estas conferencias, verás que existen problemas profundos con la mayoría de los lenguajes de programación genéricos. Estos problemas de diseño los hacen inadecuados para abordar los problemas de la supply chain de manera satisfactoria. Tendremos que entrar en los detalles, ya que hay mucha sutileza en lo que quiero decir con “production-grade” y la “production-readiness” de la solución. Recuerda, ese es el cero por ciento de locura que queremos, porque mientras tengas un robot insano que impacte negativamente tu supply chain, simplemente no puede funcionar. Eso es lo que necesitamos abordar primero.

Question: A menudo, los enfoques cuantitativos nos requieren cuantificar lo que aún no se ha cuantificado o lo que estaba en hojas de cálculo de Excel, no en los sistemas ERP. ¿Cuál es la forma más eficiente de abordar este problema? ¿Cómo se puede recopilar esta información adicional para que sea tan fiable como la información de los sistemas ERP?

Hay dos problemas distintos aquí. Primero, está el status quo, donde el problema de cuantificar recompensas y errores es que, políticamente, es muy difícil. Muchas personas en grandes organizaciones tienen fuertes incentivos para no discutir los dólares de retorno o recompensas, porque de lo contrario la compañía se daría cuenta de que no tienen ningún valor añadido. Así que, hay muchas cosas que no se cuantifican solo porque existen fuertes fuerzas políticas en contra.

Para hacerlo más concreto, cuando Lokad comenzó a trabajar para una cadena de tiendas de retail para optimizar el stock en las tiendas, nos dimos cuenta de que el stock cumplía dos propósitos radicalmente diferentes. El primer propósito era atender adecuadamente a los clientes, lo que requería cierta cantidad de stock. El otro propósito era que la tienda se viera llena y atractiva, lo que requería una cantidad adicional de stock. Teníamos una cantidad de stock expresada en euros para este gran minorista y dijimos que la mitad del stock era necesaria para propósitos de servicio y debía estar a cargo de la supply chain, mientras que la otra mitad era necesaria para fines de merchandising y debía ser responsabilidad del marketing. Obviamente, el marketing, que de repente tenía una línea masiva de inventario entrando en su presupuesto, no estaba contento con esta idea.

Entonces, primero, necesitamos abordar el hecho de que es muy difícil establecer reglas para cuantificar dólares de recompensa y costo, y estas reglas deberían aplicarse a todos por igual. Esto es difícil de lograr, y muchas personas en las organizaciones tienen un interés particular en mantener las cosas de esta manera. Tenemos otro tipo de problema, que en realidad es mucho más fácil de abordar: shadow IT. El problema con los ERPs y software similares, como puedes ver en la base de conocimiento de Lokad sobre ERPs, es que es muy difícil para los proveedores de ERP cubrir todas las situaciones. Por ejemplo, podrías tener cantidades mínimas de pedido (MOQs). ¿Cómo se representa eso en un ERP? Realmente depende. El MOQ puede estar a nivel de producto, a nivel de pedido, o a veces en una combinación de ambos. Incluso puede ser más complicado, como en el caso de los textiles, donde el MOQ se define por la cantidad de tela en cada color.

El problema es que, para los proveedores de ERP, es increíblemente difícil representar todo eso. Como resultado, la gente compra un ERP y luego se da cuenta de que no les permite representar todo lo que necesitan, por lo que recurren a hojas de cálculo de Excel. Creo que ese es precisamente el papel de un buen departamento de IT: construir y entregar las piezas faltantes para que el shadow IT no permanezca como shadow IT, sino que se convierta en pequeños componentes adicionales de extensiones internas. En cierto sentido, es bueno tener un ERP, y mi consejo es no personalizar tu ERP, sino hacer algo aparte. Es mucho más fácil de mantener que ir por el camino de “Frankenstein” encima del ERP.

Muchas gracias a todos por ver. La próxima conferencia será el próximo miércoles, mismo día, misma hora. Nos vemos pronto. Adiós.