Supply Chain Quantitativa en pocas palabras - Lecture 1.2

00:10 Introducción
02:23 ¿Cómo? Conferencias de supply chain
04:22 El Manifiesto de Supply Chain Quantitativa
06:47 Todos los posibles futuros
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 Supply Chain Quantitativa enfatiza una breve serie de puntos destacados para comprender cómo esta teoría alternativa, propuesta y pionera por Lokad, se diferencia de la teoría dominante de supply chain. Se puede resumir de la siguiente manera: cada decisión se evalúa contra todos los possible futures 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 software vendors, sigue siendo un desafío.

Transcripción completa

Hola a todos, bienvenidos a las Conferencias de supply chain. Soy Joannes Vermorel, y hoy estaré presentando “Supply Chain Quantitativa en pocas palabras.” Para aquellos que están viendo la transmisión en vivo, pueden hacer sus preguntas en cualquier momento a través del chat de YouTube. No leeré las preguntas durante la conferencia; sin embargo, al final de la misma, volveré al chat y comenzaré con las preguntas desde el principio e intentaré resolverlas lo mejor posible. Así que procedamos.

Empezaré 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 una forma poderosa de hacer más ciertas cosas, de ser mejor en ciertos juegos, pero también puede resultar bastante distraída. Con técnicos, se refería no solo a las personas que se ocupan de cuestiones técnicas, como los ingenieros, sino también a aquellos que se encargan de procesos y flujos de trabajo, el tipo de tecnicismos propios de un MBA.

Cuando abordamos desafíos de supply chain, debemos tener muy presente si lo que aportamos contribuye a resolver los problemas fundamentales o si es solo una distracción que nos hace sentir bien.

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

Una de las principales críticas que mencioné durante la conferencia anterior es que supply chain es, en esencia, un problema complejo. Por lo tanto, la forma en que debemos abordarlo es difícil. Hoy, intentaré presentar un conjunto de requisitos que considero esenciales si alguna vez queremos tener alguna esperanza de ofrecer algo satisfactorio para supply chain. Sin embargo, no puedo demostrar realmente que alguno de los elementos que propongo sea verdaderamente necesario. Hay un elemento de fe, y también un elemento de comprensión a alto nivel. Otro aspecto de esta creencia es que, a menos que tengas una solución que presentar frente a tus requisitos, lo único que tienes es un pensamiento deseoso. Por lo tanto, les pido que suspendan su incredulidad por una o dos conferencias más, de modo que nos centremos en la verdadera naturaleza del problema y en los elementos que son altamente deseables para que una solución se vuelva elegible para una buena práctica de 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 destacados que considero divergen considerablemente de la teoría dominante de supply chain. Quería usar esos cinco puntos como una forma de presentar cómo la Supply Chain Quantitativa se diferencia de la teoría dominante de supply chain. Pido disculpas porque la terminología resulte un poco desafortunada, ya que incluso la teoría dominante de supply chain es muy cuantitativa, pero decidí añadir otro adjetivo para aclarar la distinción entre la teoría de Supply Chain Quantitativa y la teoría dominante de supply chain.

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

1. Todos los posibles futuros: Necesitamos considerar muchos futuros, no solo un futuro.
2. Todas las decisiones factibles: Cuando presenté la definición de supply chain como el dominio de la opcionalidad, estas decisiones son las opciones a las que me refería.
3. Motores económicos: La idea de que vamos a contar los dólares de error, no el porcentaje de error.
4. Robotización como requisito para el control de la gestión: Puede parecer paradójico porque se podría pensar que la robotización implica perder el control, pero la propuesta es que es exactamente lo contrario: se necesita robotización si se quiere que los humanos tengan el control 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 propiedad de los resultados numéricos de la supply chain o del rendimiento 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 posibles futuros. ¿Por qué necesitamos mirar al futuro en primer lugar? Necesitamos mirar al futuro porque todo lleva tiempo. No podemos imprimir en 3D todo al instante, e incluso si pudiéramos, aún tendríamos que transportar las cosas. Así que todo lleva tiempo, lo cual significa que cada vez que tomas una decisión de supply chain, como decidir producir o comprar algo, lo haces porque miras hacia adelante y anticipas un estado futuro del mercado en el que habrá algún tipo de demanda para esos productos. Luego trabajas de atrás hacia adelante y realizas un forecast de cierto tipo, optimizando tu supply chain en consecuencia.

Necesitamos tener esa visión de futuro y esos forecasts, que son simplemente el matiz matemático de la intuición. Pero, ¿de qué tipo de forecasts estamos hablando? Los forecasts que han dominado por completo la práctica de supply chain durante el siglo XX y la primera parte del siglo XXI son los forecasts clásicos de series de tiempo, los cuales, a mi parecer, tienen fallas profundas en varios aspectos. La primera 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 podrá forecastearse perfectamente. La idea de que puedes tener un forecast accuracy del 99% es absurda. Incluso al observar el consumo de agua o de electricidad, es muy difícil lograr forecasts con ese grado de precisión.

Si miramos de forma realista a las supply chain y consideramos, por ejemplo, un producto en una tienda que vende solo una unidad a la semana para un determinado producto, no hay esperanza de lograr una precisión por debajo del uno por ciento. La pregunta ni siquiera tiene sentido. Así que, la incertidumbre es irreducible. Si quisiéramos tener una prueba mayor de eso, solo mira el año 2020. Tuvimos una pandemia mundial masiva que causó estragos por doquier en las supply chain. Simplemente no es posible forecastear ese tipo de eventos desde una perspectiva clásica en la que tienes un número y dices, “esto es todo, 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 forecasting probabilístico. Es la idea de que puedes tener un método estadístico que, en lugar de pretender tener el forecast perfecto de exactamente cómo se desarrollarán las cosas en el futuro, simplemente dice, “Tengo todos estos posibles futuros; algunos son más probables que otros.” Este enfoque abraza la incertidumbre irreducible. En muchas de las situaciones en las que la gente me dice, “no puedes forecastear 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 boletos 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; implica aceptar el hecho de que, aunque no conoces el futuro a la perfección, sabes mucho sobre él. Cuando decimos que tenemos probabilidades, sabemos muchas cosas. Por ejemplo, puedo decir que, en cualquier momento, existe un riesgo de cola de una disruption masiva en el mercado. No sé exactamente de dónde provendrá el riesgo; tal vez sea una pandemia, un colapso bursátil, una guerra o una nueva tarifa como la que introdujo el Presidente Trump. Pueden ser muchas las cosas que interrumpan tu supply chain, y si tuviera que evaluar el riesgo de cola en cualquier momento para cualquier supply chain, sería de varios por ciento de tener una caída masiva en el próximo trimestre. De nuevo, no es magia; es simplemente una suposición muy razonable sobre el 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 incertidumbre requieren un forecast.

Esto podría incluir el forecast de la demanda futura, pero también los lead times, los retornos futuros en ecommerce, los rendimientos de producción inciertos en fuentes de producción primaria como la minería o las granjas, las tasas probabilísticas de fallas o desechos en el control de calidad de procesos biológicos, y las reparaciones de piezas. Hay una gran variedad de áreas en las que hay incertidumbre, y todas esas áreas merecen un forecast. Una buena práctica de supply chain es aceptar la necesidad de pensar en todos los posibles futuros con sus respectivas probabilidades, considerando todas las cosas que necesitan ser forecastadas. No es solo la demanda.

Por ejemplo, incluso podemos mirar 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 al tener 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. Tienen fuertes dependencias, y eso es algo en lo que la teoría dominante de supply chain realmente falla. Se analiza el forecast de demanda como si fuera completamente independiente de todo lo demás que ocurre en la supply chain. Incluso hasta ahora, aún tengo prospectos que se acercan a mí y preguntan si Lokad puede realizar un forecast a 12 meses de antelación para un producto específico.

Por ejemplo, supongamos que estamos tratando con una marca deportiva y ellos solicitan una mochila con sistema de rastreo. ¿Podemos forecastear cuánta demanda habrá durante los próximos 12 meses? Mi respuesta básica es, “depende.” Si solo estás vendiendo una mochila, entonces tal vez tendrás cierta cantidad de demanda. Pero si de repente decides ampliar enormemente tu surtido e introducir diez variantes más de la misma mochila con casi el mismo rango de precios, tamaño y características, con algunas diferencias en bolsillos y accesorios, no vas a multiplicar tu demanda por un factor de diez solo porque introdujiste diez productos más muy similares. Sin embargo, cuando miramos desde la perspectiva clásica del forecasting, no hay nada que impida que el modelo de forecasting infle radicalmente las cifras de demanda si simplemente aumentas el número de productos a forecastear. Así que eso no tiene sentido, y por eso tenemos estos futuros. No solo se caracterizan por una incertidumbre irregular, sino también por las dependencias que existen entre ellos. Necesitamos herramientas que puedan captar todos esos cambios.

Como pensamiento concluyente, 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, la gente se concentra intensamente en mejorar el forecast, pero mi pregunta es: ¿con qué fin? Si piensas que optimizar el forecast se traduce inmediatamente en un mejor supply chain performance, mi propuesta para ti es que esto es una ilusión. No es cierto, ni siquiera remotamente.

Las únicas cosas que realmente mejoran un supply chain son las decisiones que tienen un impacto tangible y físico en el supply chain. Por decisiones, me refiero a cosas como comprar una unidad más de un proveedor, mover una unidad de stock de una ubicación a otra, 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 simplemente 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 ustedes es que la práctica del supply chain debería estar completamente orientada hacia la generación de esas decisiones, ya que es lo único que importa. La idea de que se puede tener algo como un departamento de forecast o planificación es, en gran medida, errónea. Los forecast están ahí únicamente para fundamentar tus conjeturas a la hora de tomar mejores decisiones.

Es muy peligroso y equivocado 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 camión. Puedes tener no linealidades más sutiles, como fechas de caducidad, o el hecho de que ciertas piezas en aeroespacial vienen con horas de vuelo y ciclos de vuelo, requiriendo reparaciones programadas.

Puedes tener todo tipo de problemas, como que algunos productos, por ejemplo en alimentos frescos, no puedan viajar en el mismo camión. O, al menos, necesitas camiones especiales porque no pueden ser transportados a la misma temperatura. Necesitas ya sea compartimentos múltiples o varios camiones. Existen 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 analizamos cada decisión factible y todos los futuros posibles, la pregunta es: ¿cómo evaluamos cuál decisión es la correcta?

Tenemos que considerar los impulsores económicos. La idea es que los porcentajes de error no importan; lo único que importa son los dólares de error y recompensa. Existe la gran ilusión de que si optimizas porcentajes, en realidad harás algo bueno para tu empresa. Esto no es cierto; yo creo que está profundamente equivocado.

Si quieres un ejemplo, miremos niveles de servicio. ¿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 entregar eso, pero simplemente tendrás que acaparar stock como loco, lo cual resultará en enormes bajas de inventario y una rentabilidad abismal. Es una compensación, y no es una compensación cualquiera: es una compensación económica. En algo tan simple como el nivel de servicio, hay una compensación entre el coste de inventario por un lado y el costo de faltante de stock por el otro.

La idea es que si damos un paso atrás y analizamos estos impulsores económicos para cada decisión, podemos evaluar el resultado. Podemos tomar una decisión y, para un futuro posible, mirar el resultado de esta 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 dando forma al desempeño de tu empresa. El primer círculo de impulsores es muy directo: cosas que encontrarás en los libros contables, como el costo de materiales, precio de venta, costo de mantenimiento, costos de transporte y costos de transformación. Debes acumular todos estos costos y luego restarlos de tu precio de venta para calcular tu presupuesto de costos. Estos son el primer círculo de impulsores, los muy obvios que literalmente puedes encontrar en tu ERP o software de contabilidad.

Sin embargo, estos costos 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 de forma explícita. 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 hay penalización por faltante de stock. Tal vez, si eres una gran marca que vende a una amplia red de minoristas como Walmart, cuentas con 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 naturalmente los costos 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 mayor lealtad de los clientes, como negativas, tales como generar deslealtad y dar un incentivo a tus clientes para que busquen alternativas en otro lugar. Esto, obviamente, depende 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 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.

Si se hace correctamente, la optimización financiera no es miope. Sin embargo, si realizas una optimización financiera ingenua, terminas con una gran cantidad de tonterías, 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; quieres optimizar dólares. A menos que hayas consolidado todos esos dólares de recompensa y costo bajo un mismo paraguas, no hay nada que optimizar desde una perspectiva cuantitativa, que es de lo que se trata esta serie de conferencias.

Necesitamos esos dólares, de lo contrario ni siquiera podemos comenzar a optimizar. Mi propuesta para ustedes es que si tu empresa no ha comenzado a tener un marco financiero unificado para impulsar la optimización del supply chain, ni siquiera ha comenzado. Si tienes decenas de equipos tratando porcentajes, niveles de servicio y otras métricas no monetarias, es una ilusión de rendimiento. Solo importan los dólares – dólares, euros o yenes – pero necesitas una cuenta monetaria.

Estos impulsores económicos tienen otro propósito muy importante que con frecuencia 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 tiene el mayor retorno de inversión (ROI) hasta la que tiene el menor. Obviamente, queremos dejar de tomar esas decisiones cuando ya no haya rentabilidad. Sin embargo, necesitamos algún tipo de transparencia y comprensión respecto a por qué estamos eligiendo esas decisiones en lugar de otras. Aquí, esos impulsores económicos demuestran ser muy valiosos porque pueden decirnos el “por qué” 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 analizar cada decisión y contar con algunos indicadores clave de desempeño KPIs expresados en dólares, que expliquen por qué esta decisión es realmente buena. Por el contrario, para una decisión que no se toma, puedes analizar los impulsores y evaluar por qué no es una buena decisión.

Con estos tres elementos fundamentales, tenemos todo lo necesario para comenzar la práctica. Analizamos todos los futuros posibles, todas las decisiones posibles, y desafiamos cada decisión contra todos los futuros posibles, evaluándolas en dólares y clasificándolas.

Para que esto sea real y efectivo, se necesita una mentalidad de robotización de extremo a extremo completa. La razón por la que necesitas una robotización completa de extremo a extremo es para devolver el control a la gerencia. 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 que genere todas esas decisiones que deben tomarse a diario es tener un ejército de empleados administrativos usando un océano de spreadsheets. El problema es que, si administras un ejército de empleados administrativos, cada vez que quieres cambiar algo en tu supply chain, toma seis meses para que el cambio se asiente, 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 comenzar 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 tengas en tu supply chain, tienes media docena de decisiones que deben tomarse todos los días. ¿Debería producir más? ¿Debería traer más? ¿Debería desplazar el stock que tengo a otro lugar? ¿Debería subir o bajar el precio? ¿Debería incluso deshacerme de ese 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, considerando la escala a la que operan los modern supply chains, mi convicción es que se necesita 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 la versión corta es que no quieres tratar la 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 a través de la robotización; de lo contrario, lo opuesto es simplemente un ejército de empleados administrativos que tienes que pagar cada día para hacer lo mismo repetidamente.

Esto me lleva a la pregunta de quién debería estar a cargo de la robotización y del software que realiza el trabajo administrativo en lugar de un ejército de empleados administrativos.

¿Quién debería ser responsable de esas recetas numéricas? ¿Quién debería hacerse cargo de esos resultados? La respuesta clásica, “tenemos un sistema, el sistema es responsable de eso”, creo, está 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 allí. Lo que tenemos son recetas numéricas elegantes y glorificadas, y ya pueden aportar un valor tremendo a tu empresa.

Alguien en tu empresa o fuera de ella debe hacerse cargo de la calidad de esos resultados numéricos que impulsarán tu supply chain de 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 intentaba abordar el problema con data scientists. El problema con los data scientists es que su compromiso reside en las tecnicalidades. ¿Recuerdas la primera cita sobre que la forma segura de arruinar es con técnicos? Esa es exactamente mi perspectiva hoy en día cuando la gente me habla de data scientists tratando de resolver problemas de supply chain. Es un camino muy corto, con muy poca incertidumbre sobre a dónde te diriges realmente, no es que obtendrás grandes resultados al final del camino. El Supply Chain Scientist es la persona que se va a encargar de generar decisiones reales, y esta persona tiene que prestar atención a los detalles más mínimos de tu supply chain. Por ejemplo, si uno de tus almacenes fue inundado el año pasado y durante tres semanas no pasó nada por ese almacén, distorsionando completamente el perfil de estacionalidad, 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 operativo en el pasado introdujo sesgos severos en mis datos históricos, importa. Todo eso importa, ya sea que genere dólares de recompensa o dólares de costo.

Si miramos esta ilustración con dos tipos de académicos, Indiana Jones, quien se supone es un académico e investigador, y Windle Poons de las obras de Terry Pratchett, la realidad de estos dos personajes ficticios no podría ser más profundamente diferente. La diferencia fundamental entre ellos refleja bastante bien la diferencia entre un Supply Chain Scientist y un científico de datos. Como prueba de fuego, puedes preguntarte: ¿le importa al CEO? ¿El CEO de la compañía te va a cuestionar a ti como Supply Chain Scientist en lo que estás haciendo? Mi experiencia dirigiendo Lokad por más de una década es que ahora me reúno regularmente con los CEOs y juntas directivas de mis clientes, y me cuestionan sobre los fundamentos de su supply chain y cómo estamos generando dólares de retorno.

Las preguntas no giran en torno a si utilizamos support vector machines o gradient boosted trees. Las preguntas tienen que ver con el camino que asegura que el supply chain sea un activo valioso capaz de superar al resto del mercado.

Presenté cinco puntos como requisitos, no como la solución real al problema. Son solo 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 el supply chain, al menos no de forma cuantitativa. Existen muchas optimizaciones no cuantitativas, como un mejor equipo, mejores políticas de contratación, o incentivos financieros bien pensados para tus equipos.

Hay 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 presentarán para ayudar a cumplir con los cinco puntos que presenté anteriormente. Sin estos, el enfoque simplemente no funcionará.

Ahora, para abordar un tema tangencial, algunas personas me han desafiado diciendo que la visión que presento es tan diferente de lo que están haciendo actualmente. Argumentan que es demasiado avanzada, y prefieren tomarlo 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 resulta disruptivo. Por ejemplo, cuando Amazon decidió convertirse en proveedor de computación en la nube, dieron un salto significativo de vender libros online 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, existe la famosa frase de Henry Ford, quien dijo que si hubiera preguntado a sus clientes qué 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 empresas ni siquiera han empezado a examinar 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 que optimizan las métricas equivocadas, poseen una madurez real en la gestión de supply chain.

Mi mensaje para la audiencia 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 sobre su efectividad. Las compañías que veo con mayor madurez son típicamente pequeñas, ágiles, compañías de ecommerce norteamericanas que están enfocadas digitalmente. Puede que no tengan equipos masivos de científicos de datos, pero sí cuentan con algunas personas con la mentalidad adecuada y las recetas numéricas apropiadas.

En conclusión, he cubierto 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 empezar por el lado de la declaración del problema, ya que esto nos permite entender si la solución que estamos presentando es valiosa o simplemente una solución en busca de un problema.

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

Pregunta: Disfruté la sutil referencia a Dune.

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

Pregunta: ¿Podría elaborar más sobre los impulsores de segundo orden?

Cuando digo “segundo orden”, me refiero a las consecuencias de segundo orden. En la gestión de supply chain, tratamos con humanos y sistemas complejos, no solo 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 terminó realizando pedidos con cantidades significativamente mayores de lo que recomendamos. Resultó que cuando el cliente recibía la mercancía, los equipos a cargo de la recepción volvían a contar los artículos para asegurarse de que coincidieran con el pedido inicial. Si la cantidad recibida no coincidía con el pedido, su sistema tenía una limitación peculiar: podían cancelar toda la orden de compra y devolver la mercancía, poniendo en peligro su línea de producción. Lo que sucedía era que estaban cambiando la cantidad del pedido de compra original para que coincidiera con la cantidad recibida. Con los años, 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 preguntas ni quejas.

Este es un ejemplo de lo que llamo un efecto de segundo orden. Tienes un aspecto aparentemente trivial y mundano de tu ERP, pero luego tienes humanos inteligentes en el circuito 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 tienes en cuenta las consecuencias de segundo orden, podrías terminar tomando malas decisiones.

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 completamente equivocado. Es mejor tener una estimación aproximada que tenga sentido en vez de cálculos precisos que te lleven por mal camino.

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

Existen numerosas técnicas para la robotización completa, las cuales cubriremos en las próximas conferencias sobre paradigmas de programación. Aunque estamos hablando de software, necesitamos considerar las propiedades esenciales de diseño que son más deseables para lograr la robotización. El objetivo principal es crear software de nivel de producción, no necesariamente inteligencia artificial. No puedes lograr un forecast de cero por ciento de error, pero puedes aspirar a cero por ciento de locura.

Con “locura” me refiero a algo que pondría en peligro toda tu empresa. Por ejemplo, Target Canada se declaró en bancarrota debido a una optimización del supply chain que salió mal, y Nike enfrentó un desastre en 2004 cuando una de sus soluciones de software de supply chain, que era competidora de Lokad, casi llevó al colapso de la compañía. Así que, primero, abordaremos este tema en la próxima conferencia, pero nos tomará algo de tiempo llegar a ello.

Pregunta: En tu forecast, si tratamos de abarcar tantas variables progresivas, tendríamos que desarrollar nuestros propios modelos, y podría convertirse en simulaciones. ¿Alguna idea?

No hay una diferencia clara entre una simulación precisa del futuro y un forecast probabilístico. Estas son dos variantes de recetas numéricas para aprehender el futuro. Siempre que tengas un modelo de forecast probabilístico, puedes generar trayectorias que representan el futuro. Tomas tus probabilidades, sacas un valor aleatorio, creas una observación ficticia, reentrenas tu modelo, reconstruyes tus probabilidades e iteras. La distinción entre simulación y modelado estadístico se vuelve tenue, especialmente para modelos adecuados para propósitos de supply chain. En gran medida, se superponen completamente.

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

En Lokad, nuestra perspectiva es entregar un rendimiento de supply chain expresado en dólares. Existe una cantidad inmensa de complejidad en este ámbito, 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 irreal pensar que la IA puede comprender los desafíos de un supply chain moderno.

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 problemas de supply chain de una manera satisfactoria. Tendremos que entrar en detalles, porque hay mucho matiz en lo que quiero decir con “nivel de producción” y la “preparación para producción” de la solución. Recuerda, ese es el forecast de cero por ciento de locura que queremos, porque mientras tengas un robot loco que impacte negativamente tu supply chain, simplemente no puede funcionar. Eso es lo que necesitamos abordar primero.

Pregunta: A menudo, los enfoques cuantitativos nos obligan a cuantificar lo que aún no se cuantificó o lo que estaba en hojas de cálculo de Excel, no en sistemas ERP. ¿Cuál es la forma más eficiente de lidiar con este problema? ¿Cómo se puede recopilar esta información adicional para que sea tan confiable como la información proveniente de los sistemas ERP?

Aquí hay dos problemas distintos. Primero, está el statu quo, donde el problema de cuantificar recompensas y errores es que resulta políticamente muy difícil. Muchas personas en grandes organizaciones tienen fuertes incentivos para no hablar de los dólares de retorno o recompensas, porque de lo contrario la compañía se daría cuenta de que no tienen ningún valor agregado. Por lo tanto, hay muchas cosas que no se cuantifican simplemente porque existen fuertes fuerzas políticas en contra.

Para concretar esto, cuando Lokad comenzó a trabajar para una cadena de tiendas para optimizar el stock en las tiendas, nos dimos cuenta de que el stock servía para 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 pareciera 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 los fines de servicio y debería ser gestionada por el supply chain, mientras que la otra mitad era necesaria para fines de merchandising y debería ser responsabilidad de marketing. Obviamente, el área de marketing, que de repente tenía una línea de inventario masiva entrando en su presupuesto, no estaba contenta con esta idea.

Entonces, primero, debemos abordar el hecho de que es muy difícil establecer reglas para cuantificar los dólares de recompensa y costo, y estas reglas deben 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: la shadow IT. El problema con los ERP y software similar, como puedes ver en la base de conocimientos 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 ser una combinación de ambos. Incluso puede ser más complicado, como en 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, las personas compran un ERP y luego se dan 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 TI: construir y entregar las partes faltantes para que la shadow IT no permanezca como shadow IT, sino que se convierta en pequeñas extensiones internas adicionales. 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 en lugar de seguir el camino de “Frankenstein” sobre el ERP.

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