00:00:07 La importancia del forecast de tendencias.
00:01:36 Las limitaciones de utilizar datos de redes sociales para el forecast de supply chain.
00:04:26 La desconexión entre las tendencias de redes sociales y los datos de supply chain a nivel de SKU.
00:06:37 Desafíos para encontrar señales tempranas en los datos de redes sociales.
00:07:20 Utilizar datos de la empresa para un mejor forecast y la importancia de modelos de forecast estables.
00:10:07 La dificultad de predecir eventos extremos como el COVID-19 y la importancia del forecast probabilístico.
00:13:42 El proceso lento y manual de convertir los forecast en decisiones en la mayoría de las industrias.
00:15:00 La naturaleza lenta de los supply chain y la ineficiencia de actuar sobre señales tempranas.
00:15:53 La necesidad de robotizar las tuberías de datos para generar decisiones de manera más eficiente.
00:17:07 Las limitaciones de la tecnología de forecast y la aceptación de la incertidumbre.
00:19:35 El papel de los Supply Chain Scientists y la perspicacia humana en la toma de decisiones.
00:20:31 Evaluar el posible ahorro de tiempo de una mejor tecnología de forecast.
00:22:00 Priorizar la automatización en la toma de decisiones sobre el forecast avanzado.
Resumen
Kieran Chandler y Joannes Vermorel discuten los desafíos y el potencial de utilizar fuentes de datos externas, como las redes sociales, para predecir tendencias del supply chain. Vermorel sostiene que, si bien puede existir información valiosa en las redes sociales, es difícil relacionar esos datos con productos específicos, y la calidad y el contexto de los datos a menudo no están claros. En cambio, recomienda centrarse en los datos internos para obtener una visión más precisa del futuro y adoptar un enfoque probabilístico para prepararse ante eventos extremos. Vermorel enfatiza la necesidad de que las empresas automaticen sus procesos de toma de decisiones para mejorar su agilidad y responder mejor a las fluctuaciones de la demanda.
Resumen Ampliado
La discusión entre Kieran Chandler y Joannes Vermorel gira en torno al potencial de utilizar grandes fuentes de datos externas, como las redes sociales, para forecast tendencias y captar señales tempranas para la optimización del supply chain. Vermorel sostiene que, en la práctica, este enfoque no funciona de manera efectiva para los supply chain debido a la dificultad de extraer datos relevantes y discernir entre información real y falsa. Incluso los anunciantes luchan por diferenciar entre tráfico real y generado por bots, lo que dificulta obtener información valiosa de estas fuentes de datos. Vermorel sugiere que predecir tendencias utilizando redes sociales podría funcionar en situaciones raras o extremas, pero la granularidad de la información necesaria para la optimización del supply chain generalmente no se alcanza.
Discutieron los desafíos y el potencial de utilizar datos externos, como las redes sociales, para predecir tendencias del supply chain. Vermorel explica que, aunque puede haber información valiosa en las redes sociales, es difícil relacionar directamente estos datos con productos específicos o SKUs. Además, la calidad y el contexto de los datos a menudo no están claros, ya que las personas rara vez mencionan detalles del producto como los códigos UPC en sus publicaciones, y la interpretación del contenido puede ser muy subjetiva.
Vermorel añade que, incluso cuando la información parece obvia, como cuando una celebridad respalda un producto, la interpretación puede variar significativamente. Las personas pueden centrarse en diferentes aspectos del producto, como el color, la forma o la marca. Esta ambigüedad se ve agravada por el hecho de que las publicaciones en redes sociales a menudo forman parte de una conversación más amplia, con interacciones y respuestas que agregan mayor ambigüedad. El análisis de sentimiento puede ayudar, pero sigue siendo difícil extraer información clara y accionable de los datos de redes sociales.
Cuando se le pregunta acerca de otras señales tempranas para las tendencias del supply chain, Vermorel sugiere que las empresas deberían centrarse en sus propios datos internos. Se puede obtener una visión más precisa del futuro analizando estos datos, pero detectar señales tempranas de eventos fuera de lo común sigue siendo un desafío. Explica que, incluso con un buen modelo de forecast, existen limitaciones debido a la necesidad de estabilidad. Un supply chain requiere un plan constante para ejecutarse, y una capacidad de respuesta excesiva puede llevar a falsos positivos costosos.
Vermorel reconoce que se pueden realizar mejoras en la detección temprana de señales, pero el progreso a menudo es marginal. Por ejemplo, en Lokad se alegran cuando pueden detectar una disrupción unos días antes que antes. Advierte que, en la mayoría de los casos, estas señales tempranas siguen siendo reactivas, ya que se basan en datos de la empresa que reflejan cambios en las ventas u otros factores.
Abordando la idea de tener señales tempranas para eventos significativos, como el coronavirus, Vermorel cuestiona la viabilidad de detectar tales señales de manera confiable. Sugiere que, si bien puede ser beneficioso contar con sistemas de alerta temprana para disrupciones raras y a gran escala, la practicidad de desarrollar modelos de forecast precisos y confiables para estos escenarios sigue siendo incierta.
El fundador discutió eventos extremos de cola como el COVID-19, los desafíos de predecir tales eventos y la importancia del forecast probabilístico. Afirma que predecir valores atípicos es inherentemente difícil debido a su naturaleza sorprendente y sin precedentes. En cambio, recomienda adoptar un enfoque probabilístico que asigne una pequeña probabilidad a eventos extremos y prepararse para ellos con el tiempo.
Vermorel enfatiza la necesidad de que las organizaciones sean reflexivas y adaptativas en respuesta a los acontecimientos mundiales. Señala que muchas industrias reaccionan de manera lenta, incluso cuando reciben señales de alerta temprana, ya que carecen de la capacidad de transformar eficientemente los forecast en decisiones accionables. Esto se debe a menudo a la naturaleza manual y que consume mucho tiempo de los procesos de toma de decisiones dentro de las empresas.
Destaca la importancia de contar con un proceso completamente automatizado para transformar los forecast en decisiones sin intervención humana. Sin automatización, los beneficios de las señales de alerta temprana suelen perderse debido a la inercia de las personas al intentar convertir los forecast en acciones. Además, subraya el problema de la confianza en las señales tempranas, ya que a menudo son ruidosas e inciertas.
Vermorel sugiere que la tecnología podría mejorar potencialmente en el futuro, pero la cuestión clave sigue siendo convertir los forecast en decisiones. Él cree que un enfoque de Supply Chain Quantitativa, que incluya la robotización completa de la tubería de datos, es esencial para abordar este problema. Esto permite a las empresas ser más reactivas y estar mejor preparadas para eventos inesperados.
Él abordó los desafíos de forecast y la respuesta a picos en la demanda, como durante una pandemia. Vermorel explica que el futuro es inherentemente incierto, y el forecast probabilístico es el mejor enfoque para abrazar esta ambigüedad. Enfatiza que las empresas deberían centrarse en cómo tomar mejores decisiones basadas en probabilidades, en lugar de intentar predecir números exactos.
Vermorel cree que la clave para responder con éxito a los picos en la demanda es la agilidad, y que las empresas pueden lograrlo automatizando sus procesos. Afirma que la tecnología de better forecasting solo puede ahorrar a una empresa una o dos semanas en comparación con los métodos tradicionales, pero la verdadera ventaja proviene de eliminar el retraso entre el forecast y la toma de decisiones. Al integrar estos procesos, las empresas pueden tomar decisiones más rápidas y efectivas.
Cuando se les pregunta sobre el papel de los practicantes del supply chain, Vermorel sugiere que deberían centrarse en automatizar sus procesos y responder a los cambios en la demanda de manera oportuna. Señala que las empresas a menudo desperdician una cantidad significativa de tiempo, a veces hasta una cuarta parte, adaptándose a las nuevas realidades. Al simplificar y automatizar los procesos, las empresas pueden reducir este retraso y mejorar su agilidad.
Vermorel también habla sobre las limitaciones de utilizar datos de redes sociales para forecast. Si bien puede proporcionar algunas ideas, no es necesariamente información accionable para las empresas. En cambio, los negocios deberían priorizar la automatización de sus procesos de toma de decisiones e implementar métodos de forecasting más avanzados para aumentar su agilidad en respuesta a las fluctuaciones de la demanda.
Vermorel destaca la importancia de aceptar la incertidumbre y centrarse en tomar mejores decisiones basadas en probabilidades. Al automatizar procesos y eliminar el retraso entre el forecast y la toma de decisiones, las empresas pueden mejorar su agilidad y responder mejor a los picos en la demanda.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, vamos a discutir si, con el auge de las redes sociales, esto es ahora posible y también qué pueden hacer las empresas para aprovechar esas señales tempranas. Entonces, Joannes, hoy nuestro tema es todo acerca de forecast de esas señales tempranas. ¿Cuál es la idea detrás de esto?
Joannes Vermorel: La idea, tal como la presentan muchos software vendors, es que, al aprovechar grandes fuentes de datos que van más allá de lo que la empresa posee, básicamente puedes conocer el futuro un poco antes, para vislumbrar un futuro más lejano un poco antes. El arquetipo de esta idea de señal temprana sería detectar que algo está en tendencia en Instagram porque hay algunas celebridades que ahora están usando un nuevo tipo de prenda y, de repente, puedes usar eso para anticipar con un mes de antelación que se avecina una tendencia o algo así.
Kieran Chandler: Entonces, cuando hablamos de esas fuentes de datos, nos referimos quizás a fuentes de redes sociales. ¿Es ese el tipo correcto de datos a observar?
Joannes Vermorel: Al menos, eso es lo que dirían muchos proveedores de optimización de supply chain impulsados por IA.
Kieran Chandler: Y en la práctica, ¿qué tan bien funciona realmente entonces, el forecast de señales tempranas basado en fuentes de datos externas?
Joannes Vermorel: En la actualidad, básicamente no hay nada que funcione siquiera remotamente para los supply chain, ni de lejos. La idea de que puedes entrar a las redes sociales y extraer datos relevantes es solo una ilusión. Son personas que fingen hacerlo, nunca han visto el hecho de que la mayor parte del tráfico en esas redes sociales ni siquiera lo generan personas, sino bots, ya sabes, robots. Por lo tanto, es muy difícil determinar qué es real y qué no lo es. Incluso los anunciantes, que pagan por impresiones, tienen mucha dificultad para diferenciar lo que es real de lo que no lo es, y están pagando una fortuna para impulsar anuncios en esas plataformas. Incluso cuando pagas por cada impresión y estás desesperado por asegurarte de que realmente son personas reales con ojos reales mirando esos anuncios, es muy difícil. Entonces, imagina que si eres solo un proveedor que está recolectando terabytes de datos de tráfico aleatorio, lo que obtienes es solo mucha aleatoriedad, mucho ruido. La idea de que puedes forecast tendencias automáticamente basado en eso, tal vez en algunas situaciones extremas, sí, pero son raras, por lo que no son muy interesantes. Y el tipo de información que obtendrías no tendría ni de cerca la granularidad en la que estás interesado. Sí, si tu granularidad es predecir quién estará entre los 50 artistas más populares de Estados Unidos este año, puedes tener una señal temprana simplemente mirando las redes sociales. Eso te dará una imagen clara de antemano de quién, al final del año, será el artista más grande. Pero si en realidad intentas obtener información como… cuántas camisetas de este tamaño, de este color, de este patrón voy a vender en esta región de los EE.UU., ese es un desafío muy diferente.
Kieran Chandler: Bien, ¿y entonces cuál es el problema en términos de la calidad de los datos? Mencionaste que hay muchos robots y demás en estas plataformas de redes sociales, pero aún así, veremos que las publicaciones con más likes se elevan a la cima, volviéndose las más visibles. Entonces, en términos de datos, ¿por qué no es eso interesante?
Joannes Vermorel: El problema es que, nuevamente, en los supply chain, tus producciones están organizadas por SKUs. Estás produciendo SKUs de algo, y luego vendes esos productos, tal vez a través de un bundle para canales de marketing complejos, etc. No importa qué tweets sean retuiteados un millón de veces o qué imagen de Instagram sea vista un bazillón de veces, no existe una correspondencia directa entre eso y ninguno de los SKUs que produces o distribuyes. Las personas rara vez incluyen el código UPC en su tweet, diciendo que este producto con este código de barras es realmente de primera. Así que, generalmente, es muy confuso. Incluso cuando parece obvio, aunque tengas a una superestrella que tuitee, “Este par de zapatos nuevos es super cool”, algunas personas podrían simplemente mirar los zapatos e interpretar el color, otras podrían pensar en la forma, otras en la marca, y algunas podrían interpretar que es cualquier cosa que se parezca a eso. Puede ser muy confuso, y cuando se suma el hecho de que hay mucha interacción, no es como si pudieras mirar una sola publicación y decir, “Esto es todo.” Es una serie; hay interacción. Está destinado a los humanos. La calidad de la respuesta importa, porque ¿qué pasa si alguien publica algo que tiene un bazillón de retweets, pero los retweets son súper críticos o sarcásticos? Puedes tener análisis de sentimiento, pero entras en un ámbito donde es muy difícil.
Kieran Chandler: Bien, ciertamente suena desafiante desde la perspectiva de las redes sociales, pero ¿hay alguna otra señal temprana a la que podamos fijarnos? Hablamos sobre el clima en un episodio anterior, así que, ¿qué más podríamos observar?
Joannes Vermorel: Sí, quiero decir, normalmente, si solo miras los datos de las propias empresas, hay muchísima información, y puedes intentar, al observar los datos que las empresas ya tienen, obtener una visión más nítida del futuro. Ese es, típicamente, el enfoque que usa Lokad. Luego, cuando se trata de tener una verdadera señal temprana para algo que es, diría, un evento tail o algo un poco fuera de lo común, es muy difícil. Sí, si tienes un muy buen modelo de forecast, puedes obtener una señal que se dé un poco más temprano, pero hay fuertes límites a eso. Solo porque un mejor modelo de forecast usualmente significa que…
Kieran Chandler: Entonces, según tu experiencia, la estabilidad es importante cuando se trata de modelos de forecast, ya sean clásicos o probabilísticos. Las supply chains necesitan un plan relativamente estable para ejecutar, y no quieres que simplemente un poco de ruido en el mercado haga cambiar de rumbo, lo que interrumpiría la producción y distribución. ¿Cómo manejas forecasting engines que se vuelven excesivamente sensibles y resultan en falsos positivos?
Joannes Vermorel: Una buena tecnología de forecast no se vuelve loca solo por un día adicional en el año. Para la mayoría de las situaciones, es simplemente lo mismo de siempre con una mínima inflexión de rumbo. Si tienes un forecasting engine que se vuelve demasiado sensible, terminas con falsos positivos. Podrías pensar que tienes una señal temprana para cambiar de rumbo de manera dramática, pero dos semanas después te das cuenta de que solo fue un artefacto o un bache, lo cual puede resultar muy costoso. Hemos progresado en Lokad durante la última década, pero es muy marginal. Nos alegramos cuando podemos detectar una disrupción unos días antes, pero recortar solo unos días es lo mejor que podemos hacer.
Kieran Chandler: ¿Y qué pasa cuando hay un gran bache, como lo que ocurrió con el coronavirus? Seguramente es bueno tener una señal temprana para ese tipo de escenarios, y ¿qué puedes hacer si recibes una de esas señales tempranas? ¿No resulta beneficioso?
Joannes Vermorel: Desafío la idea de que se pueda obtener una señal temprana para eventos extremos tail como la COVID-19. La mayoría de la gente se mostró perpleja por la forma en que se desarrollaron los acontecimientos, ya que fue muy caótico e inconsistente entre países o incluso regiones. Los outliers, por definición, son muy difíciles de predecir. También desafío la idea de que un forecast, incluso con dos semanas de ventaja, habría ayudado realmente a gestionar la COVID-19.
Kieran Chandler: La visión probabilística respecto a eventos tail se basa en la idea de que realmente no puedes predecirlos. Es prácticamente así por diseño, pues es muy difícil debido a que serán nuevos y sorprendentes. Pero lo que puedes hacer es tener tu forecast, tu forecast probabilístico, que siempre asigna cierta probabilidad a cosas que son simplemente inverosímiles. No es como si pudieras anticipar la COVID-19, sino como si dijeras: bueno, el próximo trimestre hay como un uno por ciento de probabilidad de que el negocio sea la mitad de lo que es ahora o la mitad de lo que fue el año pasado. ¿Por qué? No lo sé, no lo sé. Es solo una posibilidad. Podría ser una guerra, podría ser una pandemia, podría ser un recall masivo, tal vez una campaña de difamación online contra la marca, o lo que sea. ¿Es razonable decir que para la mayoría de las empresas existe como un uno por ciento de probabilidad cada trimestre de que las ventas se reduzcan a la mitad en el siguiente trimestre?
Joannes Vermorel: Diría que para la mayoría de las empresas, sí. Significa que cuatro veces por siglo ocurre un desastre masivo. Creo que es justo. Si miramos el siglo XX, fue incluso más. Por lo tanto, necesitas un forecast probabilístico, donde asignas una probabilidad fija y baja a eventos extremos, y luego te preparas para ello, sabiendo que esto puede suceder en cualquier momento, y cuando suceda, asumirás que no habrá advertencia alguna. Pero la buena noticia es que si mantienes esta probabilidad durante años, significa que has realizado pequeños ajustes que, en caso de que algo ocurra, estarás algo preparado. Pero ello requirió años de preparación, haciendo un buen uso de tus recursos.
Kieran Chandler: Siempre hablamos de esta idea de ser reflexivos respecto a lo que sucede en el mundo. ¿Hay alguna industria que hayas observado que, clásicamente, reacciona de manera lenta y que podría beneficiarse de tener un enfoque de señal temprana?
Joannes Vermorel: La cuestión es que la mayoría de las industrias que he observado, incluso si se les proporciona una señal temprana, no harían nada con ella. La razón es que hasta que alcanzas un punto –y eso nos remite a esta visión de Supply Chain Quantitativa, donde el punto número cuatro trata de tener una robotización completa de tu flujo de datos para que puedas generar tus decisiones– verás que lo que ocurre en la mayoría de las empresas es que el elemento de forecast es solo un paso del proceso que, en última instancia, conduce a la toma de decisiones, siendo estas decisiones cosas como: ¿deberíamos comprar más a los proveedores, deberíamos producir más o deberíamos, en realidad, subir o bajar el precio? Pero la realidad es que para la mayoría de las empresas, el proceso para transformar los forecasts en decisiones reales es muy manual y, en mi perspectiva, muy lento. Así que, imagina que has invertido mucho en tecnología para obtener una señal temprana, tal vez una semana antes, dos semanas antes si eres muy bueno. Ese es el tipo de cosa que puedes obtener con la tecnología tal como existe hoy en día.
Kieran Chandler: Ahora, podría haber casos extremos en los que puedas ver algo con anticipación, pero dudo que en este caso se trate de un forecast estadístico. Es más probable que se trate de una visión de alto nivel sobre la evolución del mercado, impulsada por números y estadísticas. En este tipo de situación, tienes tu señal temprana de forecast, ¿pero vas a actuar en consecuencia?
Joannes Vermorel: Usualmente, si la consecuencia de tener una señal temprana es simplemente enviar un correo electrónico a alguien en tu empresa o esperar que esa persona ingrese a una app para ver las alertas, no ocurrirá nada a corto plazo. Será lento. Las supply chains son complejas y distribuidas, involucrando a muchas personas, sistemas y máquinas en diversas ubicaciones. Si deseas tener una buena respuesta de supply chain, necesitas coordinación. A menos que exista un grado súper alto de automatización, esa coordinación implicará que personas reales hagan llamadas frenéticas, y tomará tiempo, típicamente semanas.
The bottom line is that if you have an early signal but don’t have a fully automated process that turns your forecast into decisions automatically, without human intervention, the vast majority of the potential gain from the early signal will be lost in the inertia of people trying to turn those forecasts into actions.
Kieran Chandler: Supongo que uno de los problemas con estas señales tempranas es la cantidad de confianza que realmente puedes tener en los resultados. Como dijiste, a menudo son bastante ruidosas. ¿Crees que en el futuro podríamos llegar a un punto en el que la tecnología esté en su lugar para que puedas tener más confianza en los resultados?
Joannes Vermorel: No, y la razón es que el futuro es impreciso, y esta incertidumbre es irreducible. En lo que nos hemos enfocado durante la última década es en el forecast probabilístico, que acepta el hecho de que el futuro es incierto. Si esperas un sistema informático mágico que te dé el número ganador de la lotería con un 100% de certeza, no funciona así. En el mejor de los casos, puedes contar con un sistema que te ofrezca probabilidades.
For example, you might be facing a situation that starts as having a 1% chance of being an extreme event. Then, maybe you start seeing something off, and the next day, the estimate increases to 1.5%. Should you do something? Maybe not. The next day, it increases to a 3% chance, which is an exponential growth, but still very slow. Then it’s 6%. Should you start going crazy because there’s a 6% chance?
Kieran Chandler: Suceder, como, ya sabes, estamos hablando de algo que se suponía que iba a ocurrir solo una vez cada 25 años, y aquí estamos, frente a algo que ocurriría tal vez una vez cada cinco años. Pero es, de nuevo, solo un bache, y la idea es que esas prioridades son muy imprecisas; y si tu sistema de decisiones está bien diseñado, las variables que transforman esas prioridades en decisiones reflejarán gradualmente que el riesgo que era de un uno por ciento ahora es de seis por ciento. Así que desviará un poco, pero solo un poco, las decisiones en una dirección que las haga más protectoras para tu empresa, pero sin volverse loco de nuevo. No quieres tener algo que simplemente enloquezca a tu supply chain haciendo movimientos erráticos, y quizás al día siguiente, las cosas vuelvan a una estimación de tres por ciento, ya sabes, de seis a tres porque, en realidad, pudo haber sido un falso positivo o tal vez seguirá aumentando. Pero ya ves, esa es una especie de buena respuesta que puedes obtener de un flujo de datos completamente automatizado. Y luego, si tienes supply chain scientists además, y están viendo las noticias, tienen una comprensión de alto nivel, y ven que se acerca algo como una gran ola, como un coronavirus, entonces en realidad puedes contar con personas que, además, modifiquen la receta numérica para que se incorpore un poco de perspectiva humana extra que dirija el sistema hacia una mejor dirección.
Joannes Vermorel: Entonces, si eres un supply chain practitioner que está viendo esto, ¿deberías centrarte principalmente en automatizar por completo tus procesos en lugar de preocuparte por lo que sucede en las etapas previas del proceso? Deberías ocuparte, quizá, de cómo respondes en el momento.
Kieran Chandler: Exactamente. Quiero decir, tienes que evaluar cuántos días de agilidad vas a ganar. Para la mayoría de las empresas, diría que con una mejor tecnología de forecast, quizá como la de Lokad, por ejemplo, ¿cuánto puedes ahorrar? Tal vez una semana, tal vez dos, en comparación con un promedio móvil. Tal vez tengas mejores forecasts, así que podría representar un poco más, ya sabes, tal vez cuatro semanas si tu empresa era muy mala manejando la seasonality o algo similar. Pero, quiero decir, si no tuvieras un proceso disfuncional en marcha, probablemente estaríamos hablando solo de unas pocas semanas. Sin embargo, cuando se trata de decisiones, frecuentemente observo que las empresas pueden perder hasta un cuarto de tiempo en ponerse las pilas y aceptar una nueva realidad. Es decir, es muy lento, e incluso en negocios súper reactivos como fast fashion, donde se tardaban seis semanas en transformar el forecast en una decisión, y estoy hablando de una decisión, y además aún tienes que producir, transportar y distribuir. Todavía toma tiempo. Así que, realmente, creo que en promedio, para la vasta mayoría de las empresas, es mucho más seguro apostar a eliminar primero el retraso que existe entre las decisiones, entre el forecast y las decisiones, integrando todas esas cosas en un proceso automatizado y luego descubrir cómo pueden tener forecasts súper avanzados donde puedan recortar algunos días o semanas más si tienen suerte. Bien, genial, tendremos que dejarlo aquí. Pero supongo que ahora podemos usar las redes sociales sin que sepamos que las empresas están observando todo lo que hacemos.
Joannes Vermorel: Oh, están observando. Es simplemente agradable, hace felices a algunos analistas, pero no lo convierten en nada accionable.
Kieran Chandler: Genial, eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos en el próximo episodio.
