Decisiones Primero en la Gestión de la Cadena de Suministro

00:00:08 Enfoque de decisiones primero en la optimización de la cadena de suministro.
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 comprender 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 anteriores fueron efectivos.
00:12:40 El papel de los pronósticos en la toma de decisiones de la cadena de suministro y el problema de no poner las decisiones primero.
00:14:45 Enfoques alternativos en la industria y la división de decisiones.
00:16:01 Conciliación de pronósticos 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 Preparación de la industria para un nuevo enfoque y intentos anteriores.
00:24:10 Reconocimiento de los fracasos y los límites de los enfoques cartesianos.

Resumen

En la entrevista, Kieran Chandler y Joannes Vermorel discuten el enfoque de decisiones primero de Lokad para la optimización de la cadena de suministro. Los métodos tradicionales se basan en pronósticos, pero Lokad se enfoca en decisiones tangibles para mejorar la comprensión de los datos y mejorar la optimización. Vermorel comparte el cambio de la perspectiva cartesiana a un enfoque de decisiones primero después de repetidos fracasos. Él cree que las organizaciones solo pueden aprender haciendo y enfatiza la necesidad de generar decisiones e iterar sobre ellas. Convencer a las empresas de cambiar su enfoque es un desafío, pero Vermorel cree que la mayoría está abierta a ello una vez que reconocen los fracasos pasados y las limitaciones de los métodos tradicionales.

Resumen Extendido

En esta entrevista, Kieran Chandler, el presentador, habla con Joannes Vermorel, el fundador de Lokad, una empresa de software especializada en la optimización de la cadena de suministro. Discuten el enfoque único de Lokad de “decisiones primero” para la optimización de la cadena de suministro, que difiere de los métodos tradicionales de pronóstico.

Históricamente, las cadenas de suministro han confiado en métodos de pronóstico, dejando la toma de decisiones reales a los miembros del personal senior que confían en su intuición y experiencia. Vermorel explica que Lokad ha desarrollado un enfoque alternativo, centrándose primero en la toma de decisiones. Este enfoque surgió después de años de trabajo en la optimización predictiva de la cadena de suministro.

Inicialmente, Lokad operaba con una perspectiva cartesiana: recopilar datos, aclarar su semántica, aplicar recetas numéricas para el pronóstico 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 primero en el proceso de toma de decisiones no solo era más efectivo, sino también contraintuitivo.

Con “decisión primero”, Vermorel se refiere al proceso de tomar decisiones tangibles en la cadena de suministro, como comprar una unidad adicional a un proveedor, producir una unidad más en una línea de producción, mover stock de un lugar a otro o ajustar los precios de los productos. Estas decisiones tienen impactos económicos reales en las cadenas de suministro.

Vermorel comparte su experiencia en Lokad, donde la empresa inicialmente se centró en la preparación de datos. Recopilaron datos históricos, como ventas y movimientos de stock, y documentaron los datos para asegurar su correcta comprensión. Sin embargo, a menudo descubrieron que estaban interpretando mal los datos, dándose cuenta de sus errores solo cuando generaban decisiones basadas en ellos.

Fue a través del mecanismo de generación de decisiones que pudieron identificar errores en la interpretación de sus datos. Los profesionales de la cadena de suministro podían revisar las decisiones generadas y señalar inconsistencias, lo que permitía a Lokad corregir su comprensión de los datos.

El enfoque “decisión primero” de Lokad para la optimización de la cadena de suministro enfatiza la importancia de tomar decisiones tangibles en la cadena de suministro antes de adentrarse en el análisis de datos y el pronóstico. Este método contraintuitivo permite una mejor comprensión de los datos y, en última instancia, conduce a una optimización de la cadena de suministro más efectiva.

Exploran los desafíos y el proceso de generación de decisiones óptimas en la gestión de la cadena de suministro.

Vermorel explica que al intentar generar decisiones, a menudo se encuentran con problemas que entran en conflicto con la realidad de la cadena de suministro. Estos problemas suelen ser mundanos y repetitivos, pero identificarlos y abordarlos es esencial para crear soluciones efectivas.

Para comprender mejor los datos en la cadena de suministro, 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 precisión y a alinear mejor las decisiones con la realidad de la cadena de suministro.

Los entrevistados también discuten el desafío de la prueba y error en la generación de decisiones óptimas. Vermorel señala que los problemas no se limitan solo a los datos, sino que también incluyen las propias métricas que se están optimizando. Adoptando una perspectiva cartesiana, se debe optimizar en términos de dólares de error en lugar de porcentaje de error. Esto implica aplicar impulsores económicos como el costo de mantenimiento, el margen bruto y las penalizaciones por faltante de stock para expresar el rendimiento de las decisiones en dólares.

Sin embargo, incluso al aplicar impulsores económicos aparentemente sensatos, las decisiones iniciales a menudo terminan siendo insensatas. Vermorel explica que los problemas sutiles se encuentran dentro de las propias métricas, lo que requiere un proceso de ida y vuelta entre la comprensión de los datos, la generación de decisiones y la mejora de los impulsores económicos.

El objetivo final de este enfoque de “decisión primero” es crear una receta numérica capaz de generar decisiones mundanas automáticamente. Esto es esencial para gestionar el volumen masivo de decisiones requeridas a diario en grandes cadenas de suministro, ya que permite a las empresas evitar contratar un ejército de empleados y centrarse en la mejora continua de la receta numérica en sí.

Discuten la importancia de un enfoque de “decisión primero” y las limitaciones del enfoque de la industria en la precisión del pronóstico.

Vermorel explica que el enfoque tradicional de arriba hacia abajo y en cascada para la optimización de la cadena de suministro no funciona. Este método implica actualizar sistemas, documentar procesos y realizar estudios exhaustivos para crear un plan integral. Sin embargo, Vermorel argumenta que hasta que las empresas puedan generar decisiones reales, no pueden saber si alguno de sus pasos anteriores fue efectivo.

El enfoque de la industria en la precisión del pronóstico es intelectualmente seductor, pero Vermorel sugiere que es defectuoso. Si bien los pronósticos son importantes para anticipar los futuros estados del mercado, son simplemente artefactos numéricos sin ninguna influencia directa en la cadena de suministro. Mejorar solo los pronósticos no conduce a un aprendizaje u optimización del 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 pronósticos a corto plazo, a medio plazo y a largo plazo. En lugar de resolver el problema inicial, este enfoque crea múltiples problemas de pronóstico y requiere esfuerzos adicionales para conciliar los diferentes pronósticos. Esto solo sirve para empeorar la situación y aún no proporciona una conexión clara con la realidad.

Vermorel defiende un enfoque de “decisión primero”, afirmando que las decisiones son atómicas y bien definidas, lo que puede llevar a un aprendizaje y una optimización efectiva de la cadena de suministro en el mundo real. Él enfatiza la necesidad de que las empresas enfrenten la realidad a través de 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 y cartesiano, que fracasó repetidamente, y enfatiza la necesidad de una perspectiva de “decisión primero” para evitar cometer errores.

Vermorel cree que las organizaciones solo pueden aprender haciendo y enfatiza la importancia de generar decisiones e iterar sobre ellas, en lugar de intentar desarrollar soluciones perfectas de manera jerárquica. Reconoce la dificultad de convencer a las empresas de cambiar su enfoque, ya que muchas han probado varios sistemas de optimización de la cadena de suministro sin éxito. En cuanto a la preparación, cree que la mayoría de las empresas están abiertas a adoptar un nuevo enfoque, pero primero deben reconocer los fracasos de intentos anteriores y las limitaciones de los métodos cartesianos tradicionales.

Transcripción completa

Kieran Chandler: Hoy en Lokad TV, vamos a entender el enfoque alternativo de poner las decisiones primero y entender cómo esto puede mejorar la forma en que una organización opera. Entonces, Joannes, tal vez puedas comenzar contándonos un poco más sobre lo que quieres decir con un enfoque de “decisión primero”.

Joannes Vermorel: El enfoque de “decisión primero” es un ángulo muy específico que descubrimos después de varios años haciendo el trabajo que hace Lokad, que es básicamente la optimización predictiva de la cadena de suministro. Cuando comencé Lokad, tenía una perspectiva cartesiana donde quieres optimizar algo, así que dices: “Voy a tener datos, aclarar la semántica, luego voy a aplicar una serie de recetas numéricas bien definidas: pronóstico, optimización y luego voy a ir específicamente a ciertas métricas, y vamos a aplicar todo eso, y luego vamos a obtener buenas decisiones”. Sin embargo, resultó que este enfoque no funciona. Esto no es absolutamente cómo llevamos a cabo proyectos en la actualidad, y la forma en que lo hacemos es muy profundamente contraintuitiva.

Cuando digo “decisión primero”, me refiero literalmente a producir una decisión, algo que se ajuste a la realidad. ¿Qué quiero decir con decisiones? Me refiero a decisiones mundanas de la cadena de suministro, como decidir comprar una unidad más a un proveedor, decidir fabricar una unidad más en tu línea de producción, decidir mover una unidad de stock de la ubicación A a la ubicación B, o decidir subir o bajar el precio de algún producto. Estas son decisiones tangibles y físicas que tienen un impacto económico real en tu cadena de suministro. Cuando digo “decisión primero”, me refiero a que el primer paso es literalmente comenzar tomando una de esas decisiones antes de hacer todo lo demás, lo cual suena muy extraño porque pensarías que todo lo demás viene primero, pero no, es la decisión la que viene primero.

Kieran Chandler: Hablemos un poco sobre cómo llegaste a esa idea. ¿Qué fue lo que experimentaste en Lokad para llegar a ese enfoque?

Joannes Vermorel: Nos dimos cuenta de que cuando comenzamos, necesitábamos hacer preparación de datos. Por ejemplo, si queríamos optimizar la cadena de suministro, necesitábamos datos, solo datos históricos muy básicos sobre ventas históricas, movimientos de stock y cosas por el estilo. Pensarías que puedes documentar los datos para asegurarte de entenderlos, y eso es lo que hicimos. Sin embargo, el problema era que cada vez que documentábamos los datos, estábamos cometiendo errores. Pero no nos dábamos cuenta de que estábamos equivocados hasta que llegábamos al punto en el que generábamos la decisión. Solo gracias al mecanismo de generación de decisiones, donde producimos una decisión como “Movamos X unidades de stock de esta ubicación a esta otra ubicación”, y luego tenemos a un profesional de la cadena de suministro que mira la decisión y dice: “Bueno, eso está completamente equivocado. Claramente has entendido mal los datos”.

Kieran Chandler: En situaciones en las que no deberíamos hacer 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 te quedan 1,000 unidades en la primera ubicación, pero en realidad solo quedan cinco. Entonces, ni siquiera puedes mover las 50 unidades que quieres mover. Hay problemas como este.

Joannes Vermorel: Es interesante que comiences generando la decisión, y luego tienes profesionales de la cadena de suministro con cierta experiencia que pueden, de un vistazo, decirte que es una decisión defectuosa. Luego te das cuenta de que tienes muchos problemas que no habías identificado.

Kieran Chandler: Es ciertamente contraintuitivo, ¿verdad? Porque pensarías que al hacer la limpieza de datos y entender cómo se estructuran los datos, ya eliminarías 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 cadena de suministro de una manera relativamente mundana. Se necesita mucha inteligencia para generar la decisión en sí misma. La idea principal aquí es entender que la única forma de asegurarte de entender correctamente los datos es poder generar una decisión a partir de ellos. Si esta decisión es aproximadamente correcta y razonable, valida la semántica que crees que se aplica a los datos de entrada y que has utilizado 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 solo la semántica de lo que crees que significan los datos, y el mecanismo de generación de decisiones que genera la decisión, que es donde la realidad te da algún feedback sobre lo que estás haciendo. Luego te das cuenta de que había muchas cosas que estabas entendiendo mal sobre los datos, así que vas y vienes.

Kieran Chandler: ¿Cómo llegamos a la decisión final entonces? Parece que hay mucha prueba y error. ¿Cuánta prueba y error se necesita?

Joannes Vermorel: Es aún peor que eso porque solo he discutido los problemas que has identificado sobre los datos. No son solo los problemas con los datos; también son las métricas mismas que optimizas. Si adoptas una perspectiva cartesiana, dirías que no puedes optimizar lo que no mides. En Lokad, abogamos por una optimización basada 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 tener en cuenta impulsores económicos como el costo de mantenimiento, el margen bruto y las penalizaciones por faltante de stock.

Kieran Chandler: ¿Puedes explicar cómo mides el rendimiento de la toma de decisiones en Lokad?

Joannes Vermorel: Sí, así es como mides el rendimiento de tu decisión expresada en dólares. Lógicamente, dirías: “Tomo el DR que entiendo, tomo capacidades estadísticas de aprendizaje de alta dimensionalidad que es una parte de pronóstico, y luego tomo capacidades de optimización numérica de alta dimensionalidad, y aplico una métrica que refleje mi estrategia empresarial y entiendo 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 evidentes, pero casi, ya sabes, llevar coches. 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, los problemas sutiles, se encuentran en las propias métricas. Y así, al igual que tuvimos con, ya sabes, mucho ir y venir entre tu comprensión de los datos y la decisión que generas sobre eso. Tienes mucho ir y venir en 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 validen las decisiones que estás tomando?

Kieran Chandler: ¿Y cuál es el objetivo final según los profesionales de la cadena de suministro?

Joannes Vermorel: El objetivo final es tener algo que sea capitalista. Verás, cuando decimos “decisión primero”, la idea es que queremos entregar una receta numérica que genere todas esas decisiones súper mundanas automáticamente. ¿Por qué? Porque tienes tantas de ellas. Nuestros clientes más grandes tienen millones de ellas para generar todos los días. Así que o tienes un ejército de empleados, que muchas empresas todavía tienen, o decides: “De acuerdo, voy a tener una receta milagrosa que haga este trabajo”, y luego todos los esfuerzos que sigo vertiendo en esta área son para la mejora continua de la receta numérica en sí misma.

Kieran Chandler: ¿Y qué es interesante de este enfoque?

Joannes Vermorel: Curiosamente, hasta que realmente generes esas decisiones, no estás seguro de que funcionen. Esa es la cuestión, porque si tomas esta especie de perspectiva cartesiana de arriba hacia abajo, dirías: “De acuerdo, mi plan es primero actualizar el ERP con nuevas capacidades XYZ. Vale, eso lleva seis meses, y luego vamos a documentar y aclarar el orden en que están, y luego eso es XYZ de nuevo e incluso meter todo en un lago de datos, y luego vamos a hacer otro estudio de seis meses con quizás un consultor externo para aclarar completamente la estrategia y tener una cuantificación completa de la modalización”.

Kieran Chandler: De los impulsores del 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 perspectiva de cascada agradable donde pasas de la fase uno a la fase dos a la fase tres. Pero literalmente, esta cosa no funciona en absoluto, y esa es probablemente la lección más frustrante. Hasta que llegues al punto en el que realmente generes decisiones, no tienes idea de si alguno de los pasos que tomaste antes está funcionando en absoluto. 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 esta realidad, este ciclo de retroalimentación, no sabes, realmente no sabes.

Joannes Vermorel: Sí, quiero decir que la industria se centra mucho en esta idea de la previsión y la precisión de la previsión, ¿verdad? ¿Por qué esta especie de visión que las empresas, compañías y consultores empujan tanto?

Kieran Chandler: Porque es muy seductor intelectualmente. Parece algo muy razonable.

Joannes Vermorel: Quiero decir, sí, las previsiones son importantes, obviamente. Porque cada vez que tomas una decisión de la cadena de suministro, básicamente estás haciendo una afirmación sobre un estado futuro del mercado. Si envías un pedido de compra de materias primas a un proveedor, básicamente estás haciendo una afirmación implícita sobre el estado de la demanda en el futuro. Entonces, la cadena de suministro, porque no podemos teletransportarnos y porque no podemos imprimir en 3D todo instantáneamente, se trata de anticipar el estado futuro del mercado. Por eso las empresas intentan abordar eso de manera racional y dicen: “Oh, hagamos una mejora en las previsiones”, eso es básicamente lo que discutimos en nuestro episodio de Naked Forecast. Y luego te encuentras con todo tipo de problemas, y en realidad, cuando lo revisamos desde una perspectiva ligeramente diferente, que es esta posibilidad de este episodio de decisión primero, diría, bueno, el problema es que no estás tomando decisiones primero cuando haces eso. Si dices: “Oh, vamos a esforzarnos por tener mejores previsiones y luego veremos qué podemos hacer con esas mejores previsiones”, no estás tomando decisiones primero. Estás comenzando con un artefacto numérico. Todas las previsiones son solo artefactos numéricos. No tienen ninguna influencia directa en tu cadena de suministro. Y luego dices que tal vez mejore, y mi respuesta es que la lección aprendida de una década ahora ejecutando proyectos de cadena de suministro en Lokad es que no, no vas a aprender nada. El aprendizaje solo proviene de la realidad, que es el árbitro último de quién tiene razón o está equivocado. Y cuando digo realidad, me refiero a la forma de asegurarse de que este proyecto de optimización de la cadena de suministro realmente está haciendo algo que va en la dirección correcta son esas decisiones, porque esas decisiones son realmente el meollo de exponerte al riesgo en cuanto a lo que la realidad puede decirte si realmente está funcionando o no.

Kieran Chandler: Bueno, poner las decisiones primero es ciertamente la forma en que lo veríamos, pero ¿qué hay de estos enfoques alternativos que existen en la industria? ¿Y qué tal dividir esas decisiones?

Joannes Vermorel: Sí, quiero decir, por ejemplo, lo que suele suceder es que cuando comienzas a centrarte en artefactos, especialmente artefactos numéricos, tienen muy pocas restricciones asociadas a ellos, y por lo tanto puedes dividirlos o dividirlos. Por ejemplo, puedes tener una previsión a corto plazo, una previsión a medio plazo y una previsión a largo plazo. Cuando haces eso, creas más problemas. Tenías un problema al hacer previsiones, ahora tienes tres problemas de previsión, y también tienes el problema de que diferentes equipos necesitan conciliar su trabajo. Entonces, deberás conciliar la previsión a largo plazo con la previsión a medio plazo, y luego deberás conciliar la previsión a corto plazo con la previsión a medio plazo, e incluso tal vez la previsión a corto plazo con la previsión a largo plazo. Tenías un problema, ahora tienes seis. Solo empeoraste la situación, y aún no está claro si lo que estás haciendo tiene alguna conexión 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 decisión primero, las decisiones tienden a ser altamente atómicas y bien definidas. La forma en que lo vemos en Lokad, son atómicas; no puedes subdividirlas. Si digo: “Compra una unidad a este proveedor hoy”, sabes que es tan atómico como puede ser. A veces puedes refinarlo, como “Compra una unidad a este proveedor hoy y haz que esta unidad se envíe por camión”, porque tal vez haya una opción de enviarlo por tren o algo más. Entonces, en Lokad, tenemos decisiones que son, por definición, completamente atómicas. Realmente no puedes subdividirlas, lo cual es muy bueno porque también pone límites a las cosas que puedes inventar.

Centrarse en las decisiones evita que cometas clases enteras de errores, como dividir cosas o crear trabajo inventado. Es un verdadero cambio de perspectiva.

Kieran Chandler: Entonces, ¿qué haces para convencer a esas organizaciones que están acostumbradas a seguir un enfoque más clásico?

Joannes Vermorel: Esa es la clave del…

Kieran Chandler: El problema es que es muy difícil convencer, porque primero, yo mismo no estaba convencido. Sabes, no comencé con este enfoque en 2008. Intenté el enfoque más clásico, que describiría como el enfoque cartesiano. Simplemente intentas este principio de cascada o principio de ingeniería: aclarar la entrada, aclarar las métricas, aclarar el modelo y luego juntarlo todo para hacer una optimización en este orden y funcionará. Pero no, no es en absoluto la forma en que funciona.

Joannes Vermorel: Puedo comunicar mi experiencia de que había fallado una y otra vez, y tuvimos una serie vasta de iniciativas muy dolorosas. Quiero decir, en última instancia, cuando lo haces de la manera cartesiana, ¿qué sucede en la práctica? Bueno, simplemente vas a hacer tu bonito proyecto y luego, una vez en el día en que se suponía que debías haber terminado, te das cuenta de que nada funciona y tienes que hacerlo todo de nuevo.

Entonces, en última instancia, funcionará porque cuando realmente intentas llevarlo a producción, verás todas esas cosas y luego tendrás que revisar todo lo que has hecho antes. Y ahí está el truco. Si no adoptas esta perspectiva, lo que sucederá es que tus proyectos simplemente llevarán años porque harás un proyecto de un año para terminarlo en esta perspectiva de cascada, con un buen plan y todo. Y el día que intentes poner en marcha el sistema, te das cuenta de que todo se desmorona. Así que lo apagas de nuevo y repites. Y luego lleva años.

Mi filosofía es, en primer lugar, tratar de comunicar esta experiencia. 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, aprendes haciéndolas. En realidad, es extremadamente difícil aprender algo sin hacerlo.

Sí, en teoría, puedes aprender un idioma extranjero simplemente eligiendo un libro, leyéndolo durante seis meses, memorizándolo y luego ser fluido. No sé si alguna vez he visto a alguien capaz de hacer eso. En teoría, podría ser posible, pero en realidad, no. Lo intentarías, tropezarías y a veces la gente simplemente no entendería lo que estás diciendo, y gradualmente mejorarías. Pero ya ves, aprendes haciéndolo. Ese es el tipo de concepto antiguo griego de praxis. Y creo que para algo que es un sistema muy complejo como la cadena de suministro, no hay otra forma de aprender, creo que esto es una locura.

Kieran Chandler: Bueno, vamos a empezar a concluir un poco. Pero todo suena genial en teoría, pero 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 formas y los enfoques antiguos están demasiado arraigados?

Joannes Vermorel: Lo curioso es que, en términos de preparación, veo que la gran mayoría de las empresas que han estado implementando sistemas de optimización de la cadena de suministro durante décadas, especialmente las grandes, y quiero decir, es una locura. Tienen, quiero decir…

Kieran Chandler: Incluso el término, ya sabes, ERP (Planificación de Recursos Empresariales) normalmente se refiere a algún tipo de optimización de la cadena de suministro. 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. Puedes hacer un seguimiento de tus existencias, puedes tener visibilidad en tiempo real, lo cual es muy bueno. Puedes tener muchas automatizaciones de flujo de trabajo para facturas, pagos, seguimiento de retrasos, todas esas cosas. Muy bien. Pero cuando se trata de optimización predictiva, el estado de la industria es casi inexistente. Hay muy pocas cosas en marcha que funcionen, y no es por falta de intentarlo. Con frecuencia, las grandes empresas a las que servimos, somos típicamente su intento número cinco, seis o siete en esto. Así que claramente, en términos de preparación, creo que muchas empresas están listas para hacerlo porque han estado intentándolo durante las últimas tres décadas. No es por falta de intentarlo.

Joannes Vermorel: Creo que la clave está en que la mayoría de las empresas ni siquiera han intentado reconocer la letra pequeña de sus fracasos. Eso puede estar relacionado con el poder del conocimiento negativo, que es algo de lo que hablamos en otro episodio. Tal vez algunas empresas necesiten empezar a centrarse en esos problemas complejos, esos problemas malvados o problemas que resisten el bonito enfoque cartesiano donde puedes tomar un bolígrafo y papel, sentarte en el escritorio, pensar mucho, encontrar una solución, implementarla y que funcione. Así no funciona en la gestión de la cadena de suministro. La cadena de suministro es demasiado caótica. Necesitas generar esas decisiones, no solo actuar sobre ellas. Puedes generar la decisión, hacer que algunas personas las revisen y luego te dirán: “No, no funciona”. Eso ya es suficiente. Pero en términos de preparación, volviendo a tu pregunta, creo que muchas empresas están listas, y eso va a ser una batalla cuesta arriba. Para Lokad, todavía necesitamos convencerlos de que no hay otra forma que no sea arriesgar su iniciativa con respecto a la realidad, en lugar de tratar de hacerlo bien la primera vez desde una perspectiva cartesiana y de arriba hacia abajo, lo cual, desafortunadamente, no funciona.

Kieran Chandler: Bueno, genial. Tenemos que terminar aquí, pero gracias por tu tiempo. Eso es todo por esta semana. Muchas gracias por sintonizar y nos vemos en el próximo episodio. Hasta luego.