00:00:08 Enfoque decision-first en optimización de supply chain.
00:02:25 La importancia de generar decisiones para comprender la semántica de los datos.
00:04:55 Generación de decisiones como mecanismo de validación para entender los datos.
00:06:10 Los desafíos de optimizar métricas e identificar errores en el proceso de toma de decisiones.
00:07:50 La relación entre métricas, estrategia empresarial y toma de decisiones.
00:09:08 El objetivo final de las recetas numéricas capitalistas para la automatización de decisiones.
00:11:37 La necesidad de generar decisiones para comprender si los pasos previos fueron efectivos.
00:12:40 El papel del forecast en la toma de decisiones de supply chain y el problema de no ser decision-first.
00:14:45 Enfoques alternativos en la industria y dividir las decisiones.
00:16:01 Conciliación de forecast y toma de decisiones atómicas.
00:18:16 Aprender de los fracasos pasados y adoptar una nueva perspectiva.
00:20:59 Aprender haciendo y la filosofía de la praxis.
00:21:57 La preparación de la industria para un nuevo enfoque y los intentos previos.
00:24:10 Reconocer los fracasos y los límites de los enfoques cartesianos.
Resumen
En la entrevista, Kieran Chandler y Joannes Vermorel discuten el enfoque decision-first de Lokad para la optimización de supply chain. Los métodos tradicionales dependen del forecast, pero Lokad se centra en decisiones tangibles para mejorar la comprensión de los datos y potenciar la optimización. Vermorel comparte el cambio de la empresa de una perspectiva cartesiana a un enfoque decision-first después de repetidos fracasos. Él cree que las organizaciones sólo pueden aprender haciendo y enfatiza la necesidad de generar decisiones e iterar sobre ellas. Convencer a las empresas para cambiar su enfoque es un desafío, pero Vermorel piensa que la mayoría están abiertas a ello una vez que reconocen los fracasos pasados y las limitaciones de los métodos tradicionales.
Resumen Ampliado
En esta entrevista, Kieran Chandler, el presentador, conversa con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de supply chain. Discuten el enfoque único “decision-first” de Lokad para la optimización de supply chain, que difiere de los métodos de forecast.
Históricamente, las supply chains han dependido de métodos de forecast, dejando la toma de decisiones real a los miembros senior que se basan en su intuición y experiencia. Vermorel explica que Lokad ha desarrollado un enfoque alternativo, centrado en la toma de decisiones primero. Este enfoque surgió después de años trabajando en la optimización predictiva de supply chain.
Inicialmente, Lokad operaba con una perspectiva cartesiana: recopilar datos, clarificar su semántica, aplicar recetas numéricas para el forecast y la optimización, y luego producir decisiones basadas en métricas específicas. Sin embargo, Vermorel se dio cuenta de que este enfoque no funcionaba como se esperaba. Descubrió que centrarse en el proceso de toma de decisiones primero no sólo era más efectivo, sino también contraintuitivo.
Con “decision-first”, Vermorel se refiere al proceso de tomar decisiones tangibles de supply chain, tales como comprar una unidad adicional a un proveedor, producir una unidad más en una línea de producción, mover stock de una ubicación a otra, o ajustar los precios de los productos. Estas decisiones tienen impactos económicos reales en las supply chains.
Vermorel comparte su experiencia en Lokad, donde la empresa inicialmente se centró en la preparación de datos. Recopilaban datos históricos, como ventas y movimientos de stock, y documentaban los datos para asegurar su correcta comprensión. Sin embargo, a menudo descubrían que estaban malinterpretando los datos, y sólo se daban cuenta de sus errores cuando generaban decisiones basadas en ellos.
Fue a través del mecanismo de generación de decisiones que pudieron identificar errores en la interpretación de los datos. Los especialistas en supply chain podían revisar las decisiones generadas y señalar inconsistencias, permitiendo a Lokad corregir su comprensión de los datos.
El enfoque “decision-first” de Lokad para la optimización de supply chain enfatiza la importancia de tomar decisiones tangibles de supply chain antes de sumergirse en el análisis de datos y el forecast. Este método contraintuitivo permite una mejor comprensión de los datos y, en última instancia, conduce a una optimización de supply chain más efectiva.
Exploran los desafíos y el proceso de generar decisiones óptimas en la gestión de supply chain.
Vermorel explica que al intentar generar decisiones, a menudo se encuentran con problemas que entran en conflicto con la realidad de la supply chain. Estos problemas suelen ser mundanos y repetitivos, pero identificarlos y solucionarlos es esencial para crear soluciones efectivas.
Para comprender mejor los datos en la supply chain, Vermorel sugiere generar decisiones basadas en esos datos. Si las decisiones son aproximadamente correctas y razonables, entonces validan la comprensión semántica de los datos de entrada. Este proceso de ida y vuelta entre el modelo mental de los datos y la generación de decisiones ayuda a mejorar la accuracy y a alinear mejor las decisiones con la realidad de la supply chain.
Los entrevistados también discuten el desafío del ensayo y error al generar decisiones óptimas. Vermorel señala que los problemas no se limitan a los datos, sino que también incluyen las mismas métricas que se están optimizando. Adoptando una perspectiva cartesiana, se debería optimizar en términos de dólares de error en lugar de porcentaje de error. Esto implica aplicar economic drivers tales como carrying cost, margen bruto, y penalizaciones por faltante de stock para expresar el desempeño de las decisiones en dólares.
Sin embargo, incluso al aplicar economic drivers aparentemente sensatos, las decisiones iniciales a menudo terminan siendo ilógicas. Vermorel explica que problemas sutiles se encuentran dentro de las propias métricas, lo que requiere un proceso de ida y vuelta entre comprender los datos, generar decisiones y refinar los economic drivers.
El objetivo final de este enfoque decision-first es crear una receta numérica capaz de generar decisiones mundanas automáticamente. Esto es esencial para gestionar el masivo volumen de decisiones requeridas diariamente en grandes supply chains, ya que permite a las empresas evitar emplear un ejército de oficinistas y centrarse en la mejora continua de la receta numérica en sí.
Discuten la importancia de un enfoque “decision first” y las limitaciones del enfoque de la industria en la precisión del forecast.
Vermorel explica que el enfoque tradicional de arriba hacia abajo, en cascada, para la optimización de supply chain no funciona. Este método implica actualizar sistemas, documentar procesos y realizar estudios extensos para crear un plan integral. Sin embargo, Vermorel sostiene que, hasta que las empresas no puedan generar decisiones reales, no pueden saber si alguno de sus pasos previos fue efectivo.
El enfoque de la industria en la precisión del forecast es intelectualmente seductor, pero Vermorel sugiere que es defectuoso. Aunque los forecasts son importantes para anticipar futuros estados del mercado, son meros artefactos numéricos sin influencia directa en la supply chain. Mejorar únicamente los forecasts no conduce al aprendizaje o a la optimización en el mundo real. En cambio, Vermorel enfatiza que las empresas deben priorizar la toma de decisiones que se alineen con la realidad.
Para ilustrar las limitaciones de centrarse en artefactos numéricos, Vermorel describe cómo las empresas pueden crear forecasts a corto, medio y largo plazo. En lugar de resolver el problema inicial, este enfoque crea múltiples problemas de forecast y requiere un esfuerzo adicional para conciliar los diferentes forecasts. Esto sólo sirve para empeorar la situación y, a la vez, no proporciona una conexión clara con la realidad.
Vermorel defiende un enfoque decision-first, afirmando que las decisiones son atómicas y bien definidas, lo que puede conducir al aprendizaje en el mundo real y a una optimización de supply chain efectiva. Enfatiza la necesidad de que las empresas enfrenten la realidad mediante la toma de decisiones, lo que luego les permite evaluar la efectividad de sus esfuerzos de optimización.
El Fundador comparte su experiencia de haber intentado inicialmente un enfoque más clásico, cartesiano, que falló repetidamente, y enfatiza la necesidad de una perspectiva decision-first para evitar cometer errores.
Vermorel cree que las organizaciones sólo pueden aprender haciendo y subraya la importancia de generar decisiones e iterar sobre ellas, en lugar de intentar desarrollar soluciones perfectas de arriba hacia abajo. Reconoce la dificultad de convencer a las empresas de cambiar su enfoque, ya que muchas han probado diversos sistemas de optimización de supply chain sin éxito. En términos de preparación, considera que la mayoría de las empresas están abiertas a adoptar un nuevo enfoque, pero primero deben reconocer los fracasos de intentos previos y las limitaciones de los métodos cartesianos tradicionales.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a comprender el enfoque alternativo de poner las decisiones primero y cómo esto puede mejorar la forma en que opera una organización. Entonces, Joannes, quizás puedas comenzar contándonos un poco más sobre lo que significa un enfoque decision-first.
Joannes Vermorel: El enfoque decision-first es un ángulo muy específico que descubrimos después de un par de años haciendo el trabajo que Lokad realiza, que es básicamente la optimización predictiva de supply chain. Cuando empecé en Lokad, tenía una perspectiva cartesiana en la que, si deseas optimizar algo, dices: “Voy a tener datos, aclarar la semántica, luego voy a aplicar una serie de recetas numéricas bien definidas: forecast, optimización, y luego voy a ir específicamente por ciertas métricas, y vamos a aplicar todo eso, y luego vamos a obtener buenas decisiones.” Sin embargo, resultó que este enfoque no funciona. Absolutamente no es así como llevamos a cabo los proyectos hoy en día, y la manera en que lo hacemos es profundamente contraintuitiva.
Cuando digo decision-first, me refiero a que se trata literalmente de producir una decisión, algo que se ajusta a la realidad. ¿Qué quiero decir con decisiones? Me refiero a decisiones mundanas de supply chain, como decidir comprar una unidad más a un proveedor, decidir fabricar una unidad adicional en tu línea de producción, decidir mover una unidad de stock de la ubicación A a la B, o decidir ajustar el precio de algún producto hacia arriba o hacia abajo. Estas son decisiones tangibles y físicas que tienen un impacto económico real en tu supply chain. Cuando digo decision-first, quiero decir que el primer paso es, literalmente, comenzar tomando una de esas decisiones antes de hacer todo lo demás, lo cual suena muy extraño porque se podría pensar que todo lo demás viene primero, pero no, es la decisión la que viene primero.
Kieran Chandler: Hablemos un poco sobre cómo surgió esa idea. ¿Qué fue lo que experimentaste en Lokad para llegar a ese enfoque?
Joannes Vermorel: Nos dimos cuenta de que cuando empezamos, necesitábamos hacer la preparación de datos. Por ejemplo, si queríamos optimizar la supply chain, necesitábamos datos, datos históricos muy básicos sobre ventas históricas, movimientos de stock y cosas por el estilo. Uno pensaría que se puede documentar los datos para asegurarse de entenderlos, y eso es lo que hicimos. Sin embargo, el problema era que cada vez que documentábamos los datos, estábamos algo equivocados. Pero no nos dábamos cuenta de que estábamos equivocados hasta que llegábamos al punto en que generábamos la decisión. Es sólo gracias al mecanismo de generación de decisiones, en el que producimos una decisión como, “Movamos X unidades de stock de esta ubicación a esa otra ubicación,” y luego un especialista en supply chain revisa la decisión y dice, “Bueno, eso es completamente incorrecto. Claramente malinterpretaste los datos.”
Kieran Chandler: En situaciones donde no deberíamos estar haciendo eso, hay una razón muy válida para no hacerlo. No es necesariamente avanzado; es muy mundano. Por ejemplo, no tienes la capacidad, o crees que tienes 1,000 unidades en la primera ubicación, pero en realidad, sólo quedan cinco. Entonces, ni siquiera puedes mover las 50 unidades que deseas mover. Existen problemas como este.
Joannes Vermorel: Es interesante que comiences generando la decisión, y luego tengas especialistas en supply chain con algo de experiencia que, de un vistazo, puedan decirte que es una decisión defectuosa. Entonces te das cuenta de que hay muchos problemas que no habías identificado.
Kieran Chandler: Es ciertamente contraintuitivo, ¿no? Porque uno pensaría que al hacer la limpieza de datos y entender cómo están estructurados, ya erradicarías algunas de esas decisiones defectuosas.
Joannes Vermorel: Cuando digo que generamos decisiones defectuosas, me refiero a que generamos decisiones que entran en conflicto con la realidad de la supply chain de una manera relativamente mundana. Se requiere mucha inteligencia para generar la decisión en sí. La idea clave aquí es entender que la única manera de asegurarte de que comprendes los datos correctamente es poder generar una decisión a partir de ellos. Si esta decisión es aproximadamente correcta y razonable, valida la semántica que crees que es aplicable a los datos de entrada y que usaste para crear el modelo en primer lugar.
Sin embargo, es un mecanismo en el que tienes que ir y venir entre el modelo mental, que es sólo la semántica de lo que crees que significan los datos, y el mecanismo de generación de decisiones que produce la decisión, que es donde la realidad te da retroalimentación sobre lo que estás haciendo. Luego te das cuenta de que había muchas cosas en las que estabas equivocado sobre los datos, así que vas y vienes.
Kieran Chandler: ¿Cómo llegamos a la decisión final entonces? Parece que es mucho ensayo y error. ¿Cuánto ensayo y error toma esto?
Joannes Vermorel: Es aún peor que eso porque solo he discutido los problemas que has identificado acerca de los datos. No se trata solo de los problemas con los datos; se trata también de las mismas métricas que optimizas. Si adoptas una perspectiva cartesiana, dirías que no puedes optimizar lo que no mides. En Lokad, abogamos por una optimización realizada en dólares de error, no en porcentaje de error. Por lo tanto, necesitas una métrica expresada en dólares que represente todos los impulsores económicos aplicables. Por ejemplo, en el caso del stock, eso significaría tomar en cuenta impulsores económicos tales como el costo de mantenimiento, el margen bruto y las penalizaciones por faltante de stock.
Kieran Chandler: ¿Puedes explicar cómo mides el desempeño de la toma de decisiones en Lokad?
Joannes Vermorel: Sí, así es como mides el desempeño de tu decisión expresada en dólares. Lógicamente, dirías, “Tomo la DR que entiendo, tomo unas capacidades estadísticas de deep learning de alta dimensión que constituyen la parte de forecast, y luego tomo unas capacidades de optimización numérica de alta dimensión, y aplico una métrica que refleje mi estrategia de negocio y que me permita entender mis impulsores.”
Kieran Chandler: ¿Y qué sucede cuando aplicas esta métrica por primera vez?
Joannes Vermorel: Terminarás con toneladas de decisiones sin sentido, y eso es muy desconcertante porque todos tus impulsores económicos parecen no ser tan evidentes, pero casi, ya sabes, el costo de mantenimiento. Margen bruto, quiero decir, no estamos hablando de cosas súper avanzadas. Sin embargo, cuando aplicamos eso a la decisión, invariablemente terminamos con decisiones muy tontas y pobres. ¿Y qué reflejan esas decisiones? Reflejan que los errores, en cuanto a ideas, son problemas sutiles que yacen en las propias métricas. Y así, al igual que tuvimos, ya sabes, mucho ir y venir entre tu entendimiento de los datos y la decisión que generas a partir de ellos, hay muchos vaivenes respecto a los impulsores económicos, cómo los entiendes y qué tipo de decisión generas. Siempre hablamos de esta idea de que no puedes optimizar lo que no mides. Entonces, ¿cuál es el objetivo final? ¿Es el objetivo final que los datos avalen las decisiones que estás tomando?
Kieran Chandler: ¿Y cuál es el objetivo final según los practicantes de supply chain?
Joannes Vermorel: El objetivo final es tener algo que sea capitalista. Verás, cuando decimos decision first, la idea es que queremos entregar una receta numérica que genere todas esas decisiones tan mundanas de forma automática. ¿Por qué? Porque tienes tantas de ellas. Nuestros clientes más grandes tienen millones que generar cada día. Así que o bien tienes un ejército de empleados administrativos, como aún tienen muchas compañías, o decides, “Está bien, voy a tener como una receta milagrosa que haga este trabajo,” y entonces todos los esfuerzos que sigo invirtiendo en esta área son para la mejora continua de la receta numérica en sí.
Kieran Chandler: ¿Y qué es lo interesante de este enfoque?
Joannes Vermorel: Curiosamente, hasta que realmente generes esas decisiones, no estás ni siquiera seguro de que todas las demás cosas que puedes hacer funcionen. Ese es el asunto, porque si adoptas este tipo de perspectiva cartesiana de arriba hacia abajo, dirías: “Está bien, mi plan es primero actualizar el ERP a las nuevas capacidades XYZ. Está bien, eso tomará seis meses, y luego vamos a documentar y clarificar el orden en que están, y luego eso es asunto de XYZ de nuevo e incluso empujar todo a un data lake, y luego vamos a hacer otro estudio de seis meses con quizá un consultor externo para clarificar completamente la estrategia y tener una modalización cuantitativa completa.”
Kieran Chandler: De los impulsores de negocio, y luego finalmente vamos a juntar todas esas cosas para generar esta ejecución automatizada de la decisión optimizada. Eso parece, ya sabes, un plan con una bonita perspectiva en cascada en la que pasas de la fase uno a la fase dos y a la fase tres. Pero literalmente, esto no funciona en absoluto, y probablemente esa sea la lección más frustrante. Hasta que llegues al punto en que realmente generes decisiones, no tienes ni idea de si alguno de los pasos que tomaste antes está funcionando realmente. Y eso es algo un poco impactante. Pensarías que podrías tener un plan que puedas ejecutar de manera confiable, pero no, la lección es que, si no tienes este contacto con la realidad, este ciclo de retroalimentación, no sabes, de verdad no sabes.
Joannes Vermorel: Sí, quiero decir, la industria está muy enfocada en esta idea de forecast y en la precisión del forecast, ¿no es así? ¿Por qué es que esta clase de visión que impulsan tan fuertemente las empresas, compañías y consultores?
Kieran Chandler: Porque es muy seductor intelectualmente. Parece algo muy razonable.
Joannes Vermorel: Quiero decir, sí, los forecast son importantes, obviamente. Porque cada vez que tomas una decisión de supply chain, básicamente es una declaración que haces sobre un estado futuro del mercado. Si envías una orden de compra de materias primas a un proveedor, básicamente estás haciendo implícitamente una declaración sobre el estado de la demanda en el futuro. Así que supply chain, porque no podemos teletransportarnos y porque no podemos simplemente imprimir en 3D todo de forma instantánea, se trata de anticipar el estado futuro del mercado. Entonces, las compañías tratan de abordar eso de manera racional y dicen, “Oh, hagamos una ronda de mejora de forecast,” que es básicamente lo que discutimos en nuestro episodio Naked Forecast. Y luego terminas con todo tipo de problemas, y de hecho, cuando lo revisamos desde una perspectiva ligeramente diferente, que es esta posibilidad de este episodio de decision first, diría: bueno, el problema es que no eres decision first cuando haces eso. Si dices, “Oh, impulsemos better forecasts y luego veremos qué podemos hacer con esos better forecasts,” no estás siendo decision first. Estás partiendo de un artefacto numérico. Todo tipo de forecast no es más que un artefacto numérico. No tienen ninguna influencia directa en tu supply chain. Y luego dices, tal vez mejorará, y mi retroalimentación es que la lección aprendida en una década dirigiendo proyectos de supply chain en Lokad es que no, no vas a aprender nada. El aprendizaje solo proviene de la realidad, que es el árbitro supremo de lo que está bien o mal. Y cuando digo realidad, me refiero a la forma de asegurarse de que este proyecto de optimización de supply chain esté haciendo algo en la dirección correcta: esas decisiones, porque esas decisiones son realmente el meollo de ponerse en riesgo en cuanto a lo que la realidad puede decirte, si en realidad está funcionando o no.
Kieran Chandler: Bien, y poner las decisiones primero es ciertamente la forma en que lo veríamos, pero ¿qué hay de esos enfoques alternativos que existen en la industria? ¿Y qué pasa con la división de esas decisiones?
Joannes Vermorel: Sí, quiero decir, por ejemplo, lo que típicamente ocurre es que cuando empiezas a concentrarte en artefactos, especialmente en artefactos numéricos, tienes muy pocas restricciones adjuntas a ellos, y por lo tanto, básicamente puedes dividirlos o fraccionarlos. Por ejemplo, puedes tener un forecast a corto plazo, un forecast a medio plazo y un forecast a largo plazo. Cuando haces eso, creas más problemas. Tenías un problema al hacer forecast, ahora tienes tres problemas de forecast, y además tienes el problema de que diferentes equipos necesiten reconciliar su trabajo. Entonces, necesitarás reconciliar el forecast a largo plazo con el forecast a medio plazo, y luego reconciliar el forecast a corto plazo con el forecast a medio plazo, e incluso tal vez el forecast a corto plazo con el forecast a largo plazo. Tenías un problema, ahora tienes seis. Acabas de empeorar la situación, y sigue siendo muy poco claro si lo que estás haciendo tiene alguna conexión, por mínima que sea, con la realidad.
La realidad no te dirá si lo que estás haciendo está mal de una manera muy indirecta. Y esa es la belleza de las decisiones. Si adoptamos este enfoque de decision first, las decisiones tienden a ser altamente atómicas y bien definidas. La forma en que lo vemos en Lokad es que son atómicas; no puedes subdividirlas. Si digo, “Compra una unidad de este proveedor hoy,” sabes que es tan atómico como puede ser. A veces puedes refinarla, como “Compra una unidad de este proveedor hoy y que esta unidad sea enviada por truck,” porque tal vez exista una opción para enviarla por tren o algo distinto. Así que, en Lokad, tenemos decisiones que, por definición, son completamente atómicas. Realmente no puedes subdividirlas, lo cual es muy bueno porque también impone límites a las cosas que se te pueden ocurrir.
Enfocarse en las decisiones te evita cometer clases enteras de errores, como dividir las cosas o crear trabajo inventado. Es un cambio real de perspectiva.
Kieran Chandler: Entonces, ¿qué haces para convencer a aquellas organizaciones que están muy acostumbradas a tomar un enfoque más clásico?
Joannes Vermorel: Ese es el quid de la…
Kieran Chandler: El problema es que es muy difícil convencer porque, primero, yo mismo no estaba convencido. Ya sabes, no comencé con este enfoque en 2008. Probé el camino más clásico, que describiría como el camino cartesiano. Simplemente intentas este principio en cascada o principio de ingeniería: clarifica la entrada, clarifica las métricas, clarifica el modelo, y luego juntas todo eso para hacer una optimización en ese orden y funcionará. Pero no, absolutamente no es la manera en que funciona.
Joannes Vermorel: Puedo comunicar mi experiencia de que ha fallado una y otra vez, y tuvimos una vasta serie de iniciativas muy dolorosas. Quiero decir, en última instancia, cuando lo haces de manera cartesiana, ¿qué sucede en la práctica? Bueno, simplemente llevas a cabo tu bonito proyecto y luego, una vez llegado el día en que se suponía que debías terminar, te das cuenta de que nada está funcionando y tienes que hacerlo de nuevo desde el principio.
Así que, en última instancia, funcionará porque cuando realmente intentes pasar a producción, verás todas esas cosas y luego tendrás que revisar todo lo que habías hecho antes. Y ese es el truco. Si no adoptas esta perspectiva, lo que sucederá es que tus proyectos simplemente tomarán años, porque harás un proyecto de un año para completarlo con esta perspectiva en cascada, bonito plan y todo. Y el día que intentes encender el sistema, te darás cuenta de que todo se desmorona. Entonces lo apagas de nuevo y repites. Y luego se tardan años.
Mi filosofía es, al principio, intentar simplemente comunicar este experimento. Y luego, desde una perspectiva más filosófica, diría que todo lo que aprendes no lo aprendes de los libros de texto. Para la gran mayoría de las cosas en la vida, se aprende haciendo. Es realmente extremadamente difícil aprender algo sin hacerlo.
Sí, en teoría, puedes aprender un idioma extranjero simplemente escogiendo un libro, leyéndolo durante seis meses, memorizándolo y luego volverte fluido. No sé si alguna vez he visto a alguien capaz de hacer eso. En teoría, podría ser posible, pero en realidad, no. Intentarías, tropezarías, y a veces la gente simplemente no entendería lo que estás diciendo, y luego gradualmente mejorarías. Pero ya ves, aprendes haciendo. Ese es el tipo de concepto griego antiguo de praxis. Y pienso que para algo que es un sistema tan complejo como el supply chain, que haya alguna otra forma de aprender, pienso que eso es una tontería.
Kieran Chandler: Bien, pues comencemos a concluir un poco. Pero todo suena genial teóricamente, aunque está lejos de estar establecido. Entonces, ¿crees que la industria está realmente lista para adoptar un enfoque completamente nuevo, o crees que está muy arraigada en sus viejas maneras y que los enfoques antiguos están demasiado inculcados?
Joannes Vermorel: Lo curioso es que, en términos de preparación, veo que la gran mayoría de las compañías que han estado implementando sistemas de optimización de supply chain durante décadas, especialmente las grandes, y quiero decir, es una locura. Ellos tienen, quiero decir…
Kieran Chandler: Incluso el término, ya sabes, ERP (Enterprise Resource Planning) normalmente se refiere a algún tipo de optimización de supply chain. La gran mayoría de los ERPs que se han implementado en las últimas tres décadas no aportan ningún valor en esta área. Sí, aportan mucho valor en el lado de la gestión. Ya sabes, puedes hacer seguimiento de tus stocks, puedes tener visibilidad en tiempo real, lo cual es muy bueno. Puedes tener muchas automatizaciones de workflow para facturas, pagos, seguimiento de retrasos, todo ese tipo de cosas. Muy bien. Pero cuando se trata de predictive optimization, el estado de la industria es casi inexistente. Hay muy pocas cosas en marcha que funcionen, y no es por falta de intentarlo. Frecuentemente, a las grandes compañías que servimos, les va siendo la iniciativa número cinco, seis o siete en esto. Así que, claramente, en términos de preparación, creo que muchas compañías están listas para hacerlo porque han estado intentándolo durante las últimas tres décadas. No es por falta de intentarlo.
Joannes Vermorel: Creo que el quid de la cuestión es que la mayoría de las compañías ni siquiera ha intentado reconocer la letra pequeña de sus fracasos. Eso puede estar relacionado con el poder del conocimiento negativo, que es algo que discutimos en otro episodio. Tal vez algunas compañías necesiten comenzar a enfocarse en esos problemas complejos, esos wicked problems o problemas que resisten el agradable enfoque cartesiano en el que puedes simplemente tomar un bolígrafo y papel, sentarte en el escritorio, pensar intensamente, idear una solución, implementarla y que funcione. Así no es como funciona en la gestión de supply chain. El supply chain es demasiado desordenado. Necesitas generar esas decisiones, no solo actuar sobre ellas. Puedes generar la decisión, hacer que algunas personas la revisen, y luego te dirán, “No, no funciona.” Eso ya es suficiente. Pero en términos de preparación, volviendo a tu pregunta, creo que muchas compañías están listas, y eso va a ser una batalla cuesta arriba. Para Lokad, aún necesitamos convencerlas de que no hay otra forma que poner su iniciativa en riesgo con respecto a la realidad, en lugar de intentar hacerlo bien a la primera vez desde un enfoque cartesiano, de arriba hacia abajo, que lamentablemente no funciona.
Kieran Chandler: Bien, brillante. Vamos a tener que concluir por aquí, pero gracias por tu tiempo. Eso es todo por esta semana. Muchas gracias por sintonizarnos, y nos vemos de nuevo en el próximo episodio. Adiós por ahora.