00:00:06 Importancia de los datos para proyectos de optimización y desmontar mitos sobre los datos.
00:01:50 Recolección accidental de datos y los desafíos de utilizar datos de diferentes sistemas.
00:03:39 Las limitaciones de los datos de series de tiempo y la importancia de la granularidad de las transacciones.
00:06:18 La necesidad de datos mejores y más relevantes para el forecast.
00:07:26 Ejemplo práctico: optimizar el stock en una cadena minorista y la importancia de los datos transaccionales.
00:10:01 El rol de las capas transaccionales y el almacenamiento de datos en la recolección de datos históricos.
00:11:38 Transiciones de sistemas ERP y la necesidad de procesos de forecast mejorados.
00:13:37 Los inconvenientes de la limpieza de datos y la importancia de los datos de espectro completo.
00:15:20 El uso de sistemas informáticos para operaciones de supply chain y la precisión de los datos.
00:17:31 La importancia de considerar los niveles de stock y las devoluciones en el forecast.
00:19:24 Adaptar el enfoque de forecast basado en una perspectiva específica del dominio.
00:21:46 Entender la importancia de datos mejores y expandir el horizonte de datos relevantes.
00:24:48 Tener una comprensión clara de la generación de datos y lograr mejores forecast.
Resumen
Kieran Chandler entrevista a Joannes Vermorel, fundador de Lokad, sobre la importancia de la recolección de datos en supply chain optimization. Vermorel sugiere que las empresas a menudo recopilan datos de forma incidental en lugar de intencionada para fines de optimización, pero estos datos aún pueden ser útiles para los procesos de forecast y optimización. Él enfatiza la importancia de los datos granulares, ya que agregar datos en series de tiempo puede resultar en la pérdida de información valiosa. Vermorel aconseja a las empresas que trabajen con los datos transaccionales crudos y enfrenten sus problemas de supply chain con una perspectiva específica del dominio. La conversación también aborda la importancia de considerar factores como la fijación de precios, las devoluciones, backorders y los movimientos de stock en los procesos de forecast.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, conversa con Joannes Vermorel, el fundador de Lokad, sobre la importancia de la recolección de datos y su papel en la supply chain optimization. Abordan el mito de que los datos deben ser perfectos para que las máquinas puedan trabajar con ellos y exploran cómo las empresas pueden mejorar sus procesos de recolección de datos.
Vermorel señala que la mayoría de las empresas recopilan datos accidentalmente, como un subproducto de sus sistemas transaccionales, en lugar de hacerlo intencionadamente para fines de optimización. Sistemas como los ERPs y los dispositivos de punto de venta fueron diseñados inicialmente para agilizar operaciones mundanas, no para recolectar un historial transaccional completo. Sin embargo, esta recolección incidental de datos aún puede servir de base para los procesos de forecast y optimización.
Chandler se pregunta si existen tesoros de datos sin explotar dentro de las empresas que no han sido utilizados. Vermorel explica que los datos generados por los sistemas corporativos a menudo son complejos y difíciles de interpretar, ya que reflejan más de cerca el funcionamiento interno del sistema IT que la realidad del proceso. Cuando las empresas intentan implementar procesos de forecast, a menudo extraen una versión simplificada de estos datos, como ventas diarias o semanales. Esta simplificación, sin embargo, puede resultar en la pérdida de información crítica sobre el negocio y sus operaciones.
La granularidad de los datos es una preocupación significativa, ya que los datos agregados pueden no proporcionar insights suficientes para un forecast y una optimización efectivos. Vermorel sostiene que cuando las empresas transforman sus datos crudos en versiones simplificadas, pierden enormes cantidades de información que podrían ser valiosas para la supply chain optimization.
La entrevista discute la importancia de la recolección de datos en la supply chain optimization y destaca los desafíos que enfrentan las empresas al utilizar los datos que recopilan, a menudo de forma incidental. La conversación enfatiza que datos perfectos no son un requisito previo para un forecast y optimización efectivos, pero reconoce que hay un margen significativo de mejora en la manera en que las empresas recopilan, procesan y analizan sus datos.
Discutieron los desafíos e importancia de trabajar con datos granulares para optimizar supply chain de manera más efectiva.
Vermorel explica que muchas empresas agregan sus datos en series de tiempo, lo que simplifica los datos en un solo número por día. Si bien este método es fácil de manejar, puede no ser relevante o útil para tomar decisiones comerciales informadas. Afirma que se puede lograr better forecasting y la supply chain optimization trabajando con datos a nivel transaccional, ya que esto proporciona más contexto e insight sobre las operaciones reales del negocio.
La entrevista destaca algunos de los inconvenientes de trabajar con datos agregados, ya que pueden ser engañosos y hacer que las empresas pasen por alto escenarios importantes. Por ejemplo, en un escenario de retail chain, Vermorel explica cómo la agregación de datos puede llevar a interpretar incorrectamente la demanda a nivel del centro de distribución. Al procesar los datos en series de tiempo, las empresas eliminan la ambigüedad, lo que puede ser tanto ventajoso como desventajoso, ya que podrían hacer suposiciones incorrectas involuntariamente sobre sus operaciones comerciales.
La conversación también aborda los datos históricos y cómo muchas empresas pierden información valiosa al hacer la transición entre diferentes sistemas ERP. En el pasado, preservar los datos no era una prioridad, ya que el objetivo de los sistemas ERP era ayudar a las empresas a operar de manera más fluida. Además, el almacenamiento de datos solía ser costoso, lo que llevaba a la implementación de heurísticas para deshacerse de los datos de varias maneras. Sin embargo, hoy en día, el almacenamiento de datos es relativamente barato, por lo que preservar los datos es más factible.
Vermorel enfatiza que cuando Lokad trabaja con empresas, a menudo encuentran que los procesos de forecast existentes no son un punto de partida adecuado para la supply chain optimization. Esto se debe a que gran parte de la información relevante se ha perdido debido a la proyección crude de los datos transaccionales en series de tiempo. En su lugar, sugiere que las empresas se concentren en trabajar con los datos transaccionales crudos para optimizar sus procesos de supply chain.
Por último, la entrevista aborda el tema de la limpieza de datos. Vermorel afirma que los datos transaccionales crudos ya son lo suficientemente limpios para sus propósitos, y que el concepto de “data cleansing” a menudo se refiere a la simplificación excesiva de los datos en series de tiempo, lo que puede no ser útil para comprender la verdadera naturaleza de las operaciones de una empresa.
Vermorel comienza explicando que si las empresas solo observan sus datos de manera limitada, como considerar solo tonalidades de verde, su comprensión del mundo se verá restringida. Enfatiza que los datos deben verse en su espectro completo de colores para obtener una imagen más precisa. También señala que los datos no son inherentemente incorrectos, sino un reflejo de los procesos de la empresa. Las empresas deben reconocer sus datos tal como son y usarlos para hacer mejores forecast.
Vermorel continúa diciendo que las empresas deben reconocer que sus sistemas no fueron diseñados inicialmente para producir datos, sino para operar la supply chain. El hecho de que las empresas tengan facturas, pagos y otra documentación es prueba de que sus datos son en gran parte correctos. Sin embargo, cuando se trata de forecast, las empresas a menudo pasan por alto factores cruciales como la fijación de precios, las devoluciones y stock levels.
La fijación de precios tiene un impacto significativo en la demanda y la supply chain. Cuando las empresas analizan sus procesos de forecast, generalmente descubren que la fijación de precios está ausente. Esto es solo la punta del iceberg, ya que factores como las devoluciones y los stock levels también suelen faltar. Vermorel explica que comprender los niveles de stock es esencial, ya que si no hay stock, no habrá ventas. De manera similar, los backorders representan un tipo único de demanda que no debe tratarse de la misma manera que la demanda regular.
Vermorel aconseja a las empresas abordar sus problemas de supply chain con una perspectiva específica del dominio. Deben considerar cuáles son los factores más relevantes para su industria y concentrarse en ellos. Por ejemplo, en la industria aeroespacial, el objetivo podría ser minimizar los incidentes de “aircraft on ground” (AOG) mediante la optimización de inversiones, mientras que en el retail de alimentos frescos, el enfoque debería estar en maximizar la loyalty del cliente a largo plazo asegurando la disponibilidad y frescura del producto.
Discutieron que en lugar de centrarse en perfeccionar y agregar datos históricos, Vermorel sugiere ampliar los horizontes de los datos relevantes considerando aspectos mundanos como los precios, las devoluciones, los backorders y los movimientos de stock. Él enfatiza la importancia de entender cómo se generan los datos para evitar situaciones de “garbage in, garbage out”. Vermorel también argumenta que los mejores forecast deberían medirse en dólares y estar vinculados a una mejor decision-making, en lugar de basarse en métricas porcentuales.
Transcripción Completa
Kieran Chandler: Así que hoy vamos a discutir si una empresa ya recolecta datos, qué puede hacer para mejorar y abordar el mito de que los datos deben ser perfectos para que las máquinas puedan trabajar con ellos. Entonces, Joannes, si una empresa ya está recolectando datos, ¿hay mucho más que realmente pueda hacer?
Joannes Vermorel: Sí, lo primero que hay que entender es que la mayoría de las empresas recopilan datos, pero de manera completamente accidental. Nunca fue la intención recolectar datos; la intención era simplemente operar. Por ejemplo, un ERP no está diseñado para recopilar datos, está diseñado para que todas las operaciones mundanas que ocurren constantemente en la empresa puedan realizarse con el apoyo de un sistema IT centralizado. Así como cuando estás en el punto de venta en una tienda, la caja registradora electrónica está ahí solo para acelerar tu pago. El sistema no fue realmente diseñado o implementado con el propósito de recolectar un historial transaccional completo de todos los recibos. Debido a que esos sistemas han estado recolectando datos durante años, las empresas terminan teniendo muchos datos, pero no están diseñados naturalmente para la optimización. Así que hay muchos datos flotando, y usualmente, a lo largo de las últimas décadas, surge algún tipo de proceso de forecast u optimización sobre ellos. Pero eso no significa que no exista un margen enorme de mejora.
Kieran Chandler: Si las empresas no tenían la intención de recolectar datos cuando comenzaron, ¿significa eso que existe un tesoro entero de datos que simplemente queda almacenado y de los que realmente no se ha pensado?
Joannes Vermorel: El problema es que, por lo general, los datos no se recopilan de forma intencionada. Es solo un artefacto, un subproducto de tus sistemas transaccionales. No es que sean desordenados; es solo que cuando miras los datos tal como se generan en los sistemas corporativos típicos, resultan ser algo muy ajeno. No imitan el mundo real; generalmente tienen más que ver con la infraestructura interna del sistema IT que con la realidad del proceso. Como resultado, cuando las personas en una gran organización inician un nuevo proceso, digamos un proceso ERP, y quieren tener algún tipo de forecast, terminan con datos que son muy extraños y ajenos, y que tienen montones de complejidades accidentales que no tienen nada que ver con el desafío del forecast. Típicamente, lo que hacen las empresas es extraer una versión muy simplificada de estos datos, de modo que terminan con ventas diarias o semanales, y luego construyen sus forecasts sobre ello. Ahí es donde surge toda una gama de problemas: el hecho de que estos datos, una vez extraídos como ventas diarias o semanales, pierden mucha información crítica sobre lo que está ocurriendo en el negocio.
Kieran Chandler: Pero, ¿qué tan granular deben ser esos datos? Porque si estamos hablando de una empresa que ha estado recolectando datos durante unos 20 años, seguramente agregar esos datos hace que todo sea mucho más manejable. Para manejar, quiero decir, cuando agregas datos, normalmente los reformateas de forma que encajen bien en algo que funciona típicamente con series de tiempo. Y sí, las series de tiempo son súper buenas, ya sabes, un número por día, es así de simple. Entonces tienes una serie, un número por día, y luego quieres proyectarlo hacia el futuro. Es muy sencillo. Hay muchos modelos súper buenos que pueden operar con este tipo de datos, empezando por los promedios móviles, podemos tener algo un poco más sofisticado. Pero el problema es que, no porque sea fácil, no significa que sea realmente relevante. Y ese es el problema: es muy fácil hacerlo de esa manera, pero eso no significa que sea realmente relevante para la empresa.
Joannes Vermorel: Ese es el peligro. El problema es que la gente piensa, “Oh, necesito datos más desagregados, así que debo pasar de datos mensuales a semanales o de semanales a diarios”. Eso es solo cambiar el marco temporal de la agregación. Dirían, “Oh, si lo hacemos mejor, pasaríamos a datos por hora”. Eso absolutamente no es el problema. El problema es que cuando piensas en datos de series de tiempo, ya estás enmarcando el problema de una manera completamente diferente a cómo existen realmente los datos en tus sistemas. En tus sistemas, no existe algo como las series de tiempo. Lo que importa es tener datos a nivel de transacción, ya que te pueden decir mucho más. Si quieres mejores forecast con mejores datos, significa, en nuestra experiencia, acercarse mucho a la forma en que las cosas están en tu sistema IT, en lugar de tener una versión súper simplificada en la que ya se ha perdido toda la información relevante.
Kieran Chandler: Entonces se pierde la información relevante, y básicamente, los datos que estás mirando podrían ser ligeramente engañosos. ¿Cuáles son los tipos de escenarios que podrías estar perdiéndote?
Joannes Vermorel: Usualmente, son cosas tan mundanas que la gente incluso se olvida de ellas. Por ejemplo, miremos una cadena de retail, como de abarrotes. Imagina que tienes una serie de centros de distribución, y cada centro de distribución está atendiendo, no sé, 20 supermercados o algo así. ¿Cómo es, ya sabes, ese tipo de cosas? Tomas la posición de optimizar, digamos, el stock en el centro de distribución. Entonces, lo que sucede es que cada día, las tiendas hacen pedidos al centro de distribución. Y cuando pides, no sé, 100 unidades de algo para el supermercado, pueden pasar dos cosas en el centro de distribución: o cumplen el pedido, enviando normalmente 100 unidades al día siguiente, o no cumplen el pedido. Así que la tienda hace un pedido de 100 unidades y luego el centro de distribución no envía nada. Y al día siguiente, la misma tienda hace otro pedido de 150 unidades.
Ahora la pregunta es, si quieres reconocer la demanda a nivel del centro de distribución para esos dos días, ¿cuál es la demanda? ¿Son 100 unidades más 150 unidades? Pero eso se siente mal, porque verás, la razón por la que en el segundo día la tienda hace un pedido de 150 unidades es que el pedido del día anterior de 100 unidades no se cumplió. Así que, básicamente, tuvieron que cubrir tanto la demanda del día que no se cumplió como otro día. Entonces terminas pidiendo más, pero es un error pensar que la demanda es de 250 unidades. Tal vez en realidad la demanda total debería ser solo de 150 unidades, porque se deberían descartar las 100 unidades iniciales por completo. Pero la realidad puede ser complicada.
Kieran Chandler: Al comenzar a producir una serie temporal, sabes, se pierde esta información y toda la ambigüedad que existe, porque hay muchas ambigüedades. Todas esas ambigüedades se eliminan, y se podría decir que es algo bueno. De repente, puedo asignar a mis científicos de datos a trabajar con datos no ambiguos. Pero sí y no, porque al eliminar la ambigüedad, el problema es que ya has hecho una declaración sobre cómo opera tu negocio, y esta declaración puede estar súper equivocada.
Joannes Vermorel: Una de las razones por las que las empresas agregan sus datos antiguos es porque podrían estar pasando de un sistema ERP a uno más nuevo. Entonces, ¿es realmente útil tener toda esa información histórica quizá reimportada al nuevo sistema ERP? Inicialmente, cuando hablábamos de lo que hoy en día llamamos “yuppies”, capas transaccionales de sistemas que simplemente gestionan operaciones rutinarias, su objetivo no era recopilar datos históricos. Cuando todo comenzó, digamos a finales de los años 70 u 80, preservar datos no era el objetivo, y en ese momento, era simplemente para permitir que la empresa operara de manera más fluida.
Debido a que en ese momento el hardware de cómputo era muy caro, en comparación con la actualidad, y especialmente porque el almacenamiento de datos también era muy costoso, muchos proveedores de software hicieron lo correcto en ese entonces. Implementaron herramientas de heurísticas para, básicamente, deshacerse de datos de muchas maneras. No estoy hablando de hoy en día, quiero decir, la mayoría de esas heurísticas o la mayoría de esos sistemas ya no tienen sentido, simplemente porque el almacenamiento de datos ya es súper barato.
Kieran Chandler: Entonces, ¿hay algún lugar en el que estas empresas deberían estar haciendo algún tipo de limpieza de datos? ¿O dices que simplemente deberían tomar los datos sin procesar y dejarlos tal como están?
Joannes Vermorel: Los datos ya están limpios. El problema es que, cuando dices limpieza de datos, ¿qué significa eso? Si te digo que el problema es que quieres tener una imagen buena y precisa del mundo, y por alguna razón decides que la forma en que ves el mundo es únicamente ver las cosas en algún tono de verde. Entonces tienes una imagen que solo capta tonos de verde, y todo lo que no es verde simplemente se va a ver en negro. No lo verás en absoluto. Luego, las cosas que son más o menos verdes, las verás en tonos de verde, y esa es tu imagen del mundo.
Obviamente, dirías, “Creo que necesito hacer una limpieza de datos; esta imagen no es muy precisa. Necesito, quizá, mejorarla de alguna manera.” Pero necesitas un espectro completo de colores. El problema no es el tono de verde; no hay limpieza. Tu imagen es simplemente lo que es. El problema es que, si quieres tener una mejor imagen del mundo, necesitas el espectro completo de colores.
Kieran Chandler: Por lo tanto, mejor forecast, lo primero es simplemente empezar a ver la empresa tal como es. Los datos no son incorrectos, simplemente están donde están, ya sabes. Lo que digo es que producir datos nunca fue el primer objetivo de todos tus sistemas. Tus sistemas se implementaron para que la supply chain pueda operar, para que sea posible producir, mover cosas y venderlas. Así que todas las capas que tienes son solo un reflejo de todos esos procesos, lo cual está bien. El hecho de que funcione y de que tengas cosas como facturas, pagos, etcétera, demuestra que estos datos son en gran medida correctos. No son muy correctos; de lo contrario, no sabrías qué facturar, no sabrías cuánto pagar a tus proveedores, etcétera.
Entonces, pienso que normalmente para la mayoría de las empresas hoy en día, al menos aquellas que han estado usando sistemas informáticos durante décadas, está en una ubicación en Europa, Norteamérica y, de hecho, en la mayor parte de Asia en la actualidad, ya está todo en su lugar, ya es sólido. El problema es que cuando piensas en términos de forecast de manera simplista, no se trata solo de ventas. Puede tratarse de devoluciones, también puede ser, por ejemplo, una de las cosas súper básicas en las que la gente piensa: ¿cómo podemos mejorar nuestros forecast?
Joannes Vermorel: Usualmente, cuando empezamos a mirar esas series temporales, decimos, ya sabes, ni siquiera conoces el precio. Cuando comenzamos a trabajar con empresas y quieren mejorar su forecast, simplemente miramos su pipeline de datos que está generando el forecast, y vemos que los precios están ausentes. Obviamente, los precios tienen un impacto masivo en la supply chain. Si de repente descuentas todos tus productos en un 50%, tu demanda va a explotar, tal vez tu rentabilidad desaparezca también, pero aun así, los precios usualmente tienen un impacto masivo tanto en la demanda como en tu supply chain. La mayoría de las veces, cuando examinamos esos procesos S&OP y los procesos de forecasting, los precios están ausentes, pero usualmente es solo la punta del iceberg.
Kieran Chandler: Lo hemos tocado antes, y la gente se centra en la demanda, y los precios son obviamente una cosa que pueden observar, pero quizá valga la pena reiterar, ¿cuáles son los otros tipos de cosas que podrían ser de interés?
Joannes Vermorel: Usualmente, las devoluciones están ausentes, los niveles de stock están ausentes. Uno podría pensar, ¿para qué necesitas niveles de stock? La respuesta es, bueno, porque primero, si tienes faltante de stock, entonces no vas a vender nada simplemente porque no hay nada para vender. Quizás obtengas backorders, pero nuevamente, es un patrón muy específico. ¿Puedes realmente contar un backorder como una venta regular? Quiero decir, requiere compromiso. Un backorder es básicamente cuando el producto no está, así que voy a pedirle al proveedor que incluya algo en el backorder para enviarlo más tarde, y como cliente, estoy dispuesto a tener una demora extensa. Entonces, de nuevo, esto es demanda, pero es una demanda que no es exactamente de la misma naturaleza en comparación con la demanda regular. Así que, si simplemente dices que una unidad de backorder es exactamente lo mismo que cuando se vende, no es así, no es así.
Especialmente, solo para darte un ejemplo, si por alguna razón sucede que una gran parte de la demanda que tienes, tal vez en B2B, son clientes que están de acuerdo con backorders y largas demoras en el cumplimiento si pueden obtener un mejor precio. Entonces, de repente, desde una perspectiva de forecast, es muy conveniente porque de repente no tienes que forecast nada.
Kieran Chandler: ¿Puedes hablar sobre la demanda y los backorders?
Joannes Vermorel: Algo sobre el backorder para enviar más adelante, como cliente, estoy dispuesto a aceptar quizás una demora extensa. Entonces, de nuevo, esto es demanda, pero es una demanda que no es exactamente de la misma naturaleza en comparación con la demanda regular. Así que, si simplemente dices que una unidad de backorder es exactamente lo mismo, cuando en realidad no lo es, pues no, no es así. Especialmente, solo para darte un ejemplo, si por alguna razón, una gran parte de la demanda que tienes, tal vez en B2B, corresponde a clientes que están de acuerdo con backorders y largas demoras en el cumplimiento si pueden obtener un mejor precio, entonces de repente, desde una perspectiva de forecast, es muy, muy conveniente porque de repente no tienes que forecast nada. Simplemente ves los backorders, y orquestas tus supply chains de manera que, cuando llegue el tiempo de entrega esperado, tengas las cosas listas. Pero no necesariamente necesitas forecast esta demanda porque ya se conoce de antemano, ya que está ordenada.
Kieran Chandler: Si quieres aprovechar al máximo los datos que actualmente tienes, ¿cuál es tu tipo de consejo para las empresas?
Joannes Vermorel: Lo primero es que necesitas abordar el problema desde, diría yo, una perspectiva muy específica del dominio. Sabes, debes preguntarte, “Tengo una supply chain. ¿Qué es lo que realmente importa?” Y la respuesta es, “Depende.” Realmente depende del tipo de supply chain que operes. Si estás en aerospace, la cuestión se reduce a, “Por cada dólar que invierto en mi supply chain, ¿cómo puedo evitar el máximo número de incidentes de AOG (aircraft on ground) porque falta algo, y tienes un avión atascado en el suelo?” Entonces, usualmente, la pregunta es, “¿Cómo puedo obtener la máxima cantidad de incidentes AOG por cada dólar invertido?” Esa sería la perspectiva para aerospace. Para alimentos frescos, ese va a ser un problema completamente diferente. Sería, “Ok, ¿cómo puedo realmente maximizar la lealtad a largo plazo de mis clientes, dado que la comida se trata completamente de negocios recurrentes?” Entonces, lo que quieres no es el service level de un solo producto, lo cual es algo inútil. Realmente no te preocupa eso porque hay tantos sustitutos. Lo que quieres asegurarte es que tus clientes leales que vienen a tu tienda para básicamente comprar no un solo producto, sino una canasta entera, tengan una muy buena experiencia. Y así, si falta algo, siempre hay un sustituto, y pueden salir de tus tiendas muy satisfechos no solo con la disponibilidad general, sino con la frescura general de lo que están comprando. Así que, eso será parte de la experiencia global, y de nuevo, la pregunta será: por cada dólar invertido, ¿cómo puedes optimizar eso? La pregunta es realmente específica del dominio. ¿Cuáles son las ideas más relevantes a las que realmente necesitas prestar atención? Bueno, es solo tu experiencia en el dominio lo que te permite juzgar eso, y usualmente, no requiere habilidades avanzadas de data science. Es simplemente, diría yo, una comprensión directa del dominio que te permite decir si algo es bueno tenerlo o completamente crítico para evitar tomar decisiones realmente tontas.
Kieran Chandler: ¿Cuál es el mensaje principal de hoy?
Joannes Vermorel: Entonces, si tomamos el objetivo de este episodio, sabes, es cómo puedo tener un forecast mejor con un mejor tail. Eso sería algo que queremos tener, y los datos de mejor calidad normalmente no son lo que esperas.
Kieran Chandler: Quiero decir, sí, puedes tener datos que sean mucho mejores para tu labor de forecasting, pero el problema es, ¿qué quiero decir con mejor? Normalmente, la experiencia local es que nos referimos a cosas muy específicas que absolutamente no son lo que la mayoría de la gente espera. Primero, mejores datos consisten en tener una imagen completa de todas las cosas que deberías examinar, y usualmente, no es algo como Instagram o tus redes sociales o forecast del clima. Es algo que es mucho más mundano, cosas que ya existen en el sistema. Es algo en lo que muchas personas, quizá personas antes que tú, ya habían decidido que ni siquiera valía la pena mirar.
Joannes Vermorel: Bueno, nuestro mensaje es que esos datos realmente valen la pena ser analizados. Estoy hablando de precios, devoluciones, backorders, movimientos de stock, todo eso. Importan, y la buena noticia es que ya están presentes en algún lugar de tus sistemas. Entonces, primero, amplía tu horizonte sobre lo que incluso consideras como datos relevantes. La segunda cosa sería olvidar esta idea de preparación de datos. Necesitas comprender cómo se generan los datos, ¿por qué? Porque de lo contrario, acabarás en una situación de basura entra, basura sale. Entender los datos es complicado porque son dos cosas: entender el software y también comprender el proceso seguido por las personas que operan sobre el software.
Generalmente, la semántica de los datos tiene dos partes: es mitad en la cabeza de la persona que opera el software y mitad en la cabeza del ingeniero de software que diseñó el software empresarial en primer lugar. Cuando digo “la persona”, desafortunadamente, por lo general son muchas, muchas personas, y en el peor de los casos, cuando esas personas tienen interpretaciones conflictivas. Ahí es cuando puedes tener una situación muy desordenada. Así que ya ves, expande tu horizonte en términos de datos relevantes, nada muy sofisticado, solo cosas básicas y mundanas para tu negocio, pero no solo ventas. Luego, necesitas tener una comprensión de estos datos.
Finalmente, si quieres tener mejores forecast, se reduce a qué significa eso, ¿un forecast mejor? Entonces llegamos al punto en que la gente diría, “Oh, es mejor el error porcentual medio absoluto o el error medio absoluto,” o mejor, ya sabes, todo tipo de métricas. Y de nuevo, diría que, si se expresa en porcentajes, simplemente no es bueno. Tiene que expresarse en dólares. Y al igual que discutimos en uno de los episodios anteriores sobre la decisión primero, en última instancia, un forecast solo puede considerarse mejor si te lleva a mejores decisiones.
Desafortunadamente, la forma de juzgar si un forecast es mejor o no es a través del prisma de la decisión final que tomas. Es difícil, pero así es como lo haces. Si simplemente dices, “Oh, tengo un mejor MAPE, y el forecast es mejor,” eso está muy mal, y ni siquiera estarás en el camino en el que terminas, diría yo, cometiendo cosas que son errores de nacionalismo, errores de ese tipo.
Kieran Chandler: Sí, bueno, tendré que vivir con eso, pero supongo que probablemente habrá algunos IT managers que nos estarán agradeciendo por esto, ya que van a estar revisando los archivos ahora. Bien, eso es todo por esta semana. Muchas gracias por sintonizar, y nos veremos de nuevo en el próximo episodio. Adiós por ahora.
