00:00:06 Importancia de los datos para proyectos de optimización y desmitificación de los datos.
00:01:50 Recopilación accidental de datos y los desafíos de utilizar datos de diferentes sistemas.
00:03:39 Las limitaciones de los datos de series temporales y la importancia de la granularidad de las transacciones.
00:06:18 La necesidad de datos mejores y más relevantes para el pronóstico.
00:07:26 Ejemplo práctico: optimización de stock en una cadena minorista y la importancia de los datos de transacciones.
00:10:01 El papel de las capas transaccionales y el almacenamiento de datos en la recopilación de datos históricos.
00:11:38 Transiciones del sistema ERP y la necesidad de mejorar los procesos de pronóstico.
00:13:37 Las desventajas 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 la cadena de suministro y la precisión de los datos.
00:17:31 Importancia de considerar los niveles de stock y las devoluciones en el pronóstico.
00:19:24 Adaptación del enfoque de pronóstico en función de la perspectiva específica del dominio.
00:21:46 Comprender la importancia de mejores datos y ampliar el horizonte de datos relevantes.
00:24:48 Tener una comprensión clara de la generación de datos y lograr mejores pronósticos.
Resumen
Kieran Chandler entrevista a Joannes Vermorel, fundador de Lokad, sobre la importancia de la recopilación de datos en la optimización de la cadena de suministro. Vermorel sugiere que las empresas a menudo recopilan datos accidentalmente en lugar de intencionalmente con fines de optimización, pero estos datos aún pueden ser útiles para los procesos de pronóstico y optimización. Él enfatiza la importancia de los datos granulares, ya que la agregación de datos en series de tiempo puede resultar en la pérdida de información valiosa. Vermorel aconseja a las empresas que trabajen con los datos transaccionales en bruto y aborden sus problemas de cadena de suministro con una perspectiva específica del dominio. La conversación también aborda la importancia de considerar factores como los precios, las devoluciones, los backorders y los movimientos de stock en los procesos de pronóstico.
Resumen Extendido
En esta entrevista, Kieran Chandler, el presentador, discute con Joannes Vermorel, el fundador de Lokad, la importancia de la recopilación de datos y su papel en la optimización de la cadena de suministro. 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 recopilación de datos.
Vermorel señala que la mayoría de las empresas recopilan datos accidentalmente, como un subproducto de sus sistemas transaccionales, en lugar de intencionalmente con fines de optimización. Los sistemas como los ERPs y los dispositivos de punto de venta fueron diseñados inicialmente para agilizar operaciones mundanas, no para recopilar un historial transaccional completo. Sin embargo, esta recopilación accidental de datos aún puede servir como base para los procesos de pronóstico y optimización.
Chandler cuestiona si existen tesoros de datos sin explotar dentro de las empresas que no se han utilizado. Vermorel explica que los datos generados por los sistemas corporativos a menudo son complejos y difíciles de interpretar porque reflejan más de cerca el funcionamiento interno del sistema de TI que la realidad del proceso. Cuando las empresas intentan implementar procesos de pronóstico, a menudo extraen una versión simplificada de estos datos, como las ventas diarias o semanales. Sin embargo, esta simplificación puede resultar en la pérdida de información crítica sobre el negocio y sus operaciones.
La granularidad de los datos es una preocupación importante, ya que los datos agregados pueden no proporcionar información suficiente para pronósticos y optimización efectivos. Vermorel argumenta que cuando las empresas transforman sus datos en versiones simplificadas, pierden grandes cantidades de información que podrían ser valiosas para la optimización de la cadena de suministro.
La entrevista analiza la importancia de la recopilación de datos en la optimización de la cadena de suministro y destaca los desafíos que enfrentan las empresas al utilizar los datos que recopilan, a menudo de manera accidental. La conversación enfatiza que los datos perfectos no son un requisito previo para pronósticos y optimización efectivos, pero reconoce que hay un amplio margen de mejora en la forma en que las empresas recopilan, procesan y analizan sus datos.
Discuten los desafíos y la importancia de trabajar con datos granulares para mejorar los procesos de optimización de la cadena de suministro.
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 trabajar, puede que no sea relevante o útil para tomar decisiones comerciales informadas. Asegura que se puede lograr un mejor pronóstico y optimización de la cadena de suministro trabajando con datos a nivel de transacción, ya que proporciona más contexto y conocimiento sobre las operaciones comerciales reales.
La entrevista destaca algunas de las trampas de trabajar con datos agregados, ya que pueden ser engañosos y hacer que las empresas se pierdan importantes escenarios. Por ejemplo, en un escenario de cadena minorista, Vermorel explica cómo la agregación de datos puede llevar a una interpretación errónea de la demanda a nivel de centro de distribución. Al procesar los datos en series de tiempo, las empresas eliminan la ambigüedad, lo cual puede ser ventajoso y desventajoso, ya que podrían hacer suposiciones incorrectas sobre sus operaciones comerciales de manera inadvertida.
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 llevó a la implementación de heurísticas para deshacerse de los datos de diversas formas. Sin embargo, en la actualidad, 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 descubren que los procesos de pronóstico existentes no son un punto de partida adecuado para la optimización de la cadena de suministro. Esto se debe a que se ha perdido gran parte de la información relevante debido a la proyección rudimentaria de los datos transaccionales en series de tiempo. En cambio, sugiere que las empresas deberían centrarse en trabajar con los datos transaccionales en bruto para optimizar sus procesos de cadena de suministro.
Por último, la entrevista aborda el tema de la limpieza de datos. Vermorel afirma que los datos transaccionales en bruto ya son lo suficientemente limpios para sus propósitos, y que el concepto de “limpieza de datos” a menudo se refiere a la simplificación excesiva de los datos en series de tiempo, lo cual puede no ser útil para comprender la verdadera naturaleza de las operaciones de una empresa.
Vermorel comienza explicando que si las empresas solo miran sus datos de una manera limitada, como solo considerar tonalidades de verde, su comprensión del mundo estará restringida. Él enfatiza que los datos deben verse en todo su espectro de colores para obtener una imagen más precisa. También señala que los datos no son inherentemente incorrectos, sino más bien un reflejo de los procesos de la empresa. Las empresas deben reconocer sus datos por lo que son y utilizarlos para hacer mejores pronósticos.
Vermorel continúa diciendo que las empresas deben reconocer que sus sistemas no fueron diseñados inicialmente para producir datos, sino para operar la cadena de suministro. El hecho de que las empresas tengan facturas, pagos y otra documentación es prueba de que sus datos son en su mayoría correctos. Sin embargo, cuando se trata de pronósticos, las empresas a menudo pasan por alto factores cruciales como los precios, las devoluciones y los niveles de stock.
Los precios tienen un impacto significativo en la demanda y la cadena de suministro. Cuando las empresas analizan sus procesos de pronóstico, generalmente descubren que los precios están ausentes. Esto es solo la punta del iceberg, ya que también suelen faltar factores como las devoluciones y los niveles de stock. Vermorel explica que comprender los niveles de stock es esencial porque si no hay stock, no habrá ventas. De manera similar, los pedidos pendientes representan un tipo único de demanda que no debe tratarse de la misma manera que la demanda regular.
Vermorel aconseja a las empresas que aborden sus problemas de cadena de suministro con una perspectiva específica del dominio. Deben considerar qué factores son más relevantes para su industria y centrarse en ellos. Por ejemplo, en la industria aeroespacial, el objetivo podría ser minimizar los incidentes de aeronaves en tierra (AOG) mediante la optimización de las inversiones, mientras que en la venta minorista de alimentos frescos, el enfoque debería estar en maximizar la fidelidad a largo plazo del cliente lealtad asegurando la disponibilidad y frescura del producto.
En lugar de centrarse en perfeccionar y agregar datos históricos, discutieron que Vermorel sugiere ampliar los horizontes de los datos relevantes considerando aspectos mundanos como precios, devoluciones, pedidos pendientes y movimientos de stock. Él enfatiza la importancia de comprender cómo se generan los datos para evitar situaciones de “basura entra, basura sale”. Vermorel también argumenta que los mejores pronósticos deben medirse en dólares y estar vinculados a una mejor toma de decisiones, en lugar de depender de métricas basadas en porcentajes.
Transcripción completa
Kieran Chandler: Entonces, hoy vamos a discutir si una empresa ya recopila datos, qué pueden hacer para mejorar y abordar el mito de que los datos deben ser perfectos para que las máquinas trabajen con ellos. Entonces, Joannes, si una empresa ya recopila datos, ¿hay mucho más que realmente puedan 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 recopilar 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 todo el tiempo en la empresa puedan ocurrir con el apoyo de un sistema centralizado de TI. Al igual que cuando estás en el punto de venta en una tienda, la caja registradora electrónica está ahí solo para recibir tu pago más rápido. El sistema en realidad no fue diseñado ni implementado con el propósito de recopilar un historial completo de transacciones de todos los recibos. Debido a que esos sistemas han estado recopilando datos durante décadas, las empresas terminan teniendo muchos datos, pero no están naturalmente diseñados para la optimización. Entonces hay muchos datos flotando por ahí y, por lo general, en las últimas décadas, surge algún tipo de proceso de pronóstico u optimización sobre eso. Pero eso no significa que no haya un enorme margen de mejora.
Kieran Chandler: Si las empresas no tenían la intención de recopilar datos cuando comenzaron, ¿eso significa que hay un tesoro completo de datos que simplemente se deja en algún lugar de almacenamiento y que realmente no se ha pensado?
Joannes Vermorel: El problema es que, por lo general, los datos no se recopilan realmente de manera intencional. Es solo un artefacto, un subproducto de tus sistemas transaccionales. No es exactamente desordenado; es solo que cuando miras los datos tal como se generan en los sistemas corporativos típicos, es algo muy ajeno. No imita el mundo real; generalmente tiene más que ver con la plomería interna del sistema de TI que con la realidad del proceso. Como resultado, cuando las personas en una gran organización inician un nuevo proceso, digamos un proceso de ERP, y quieren tener algún tipo de pronóstico en su lugar, terminan con datos que son muy extraños y ajenos, y tienen toneladas de complejidades accidentales que no tienen nada que ver con el desafío del pronóstico. Típicamente, lo que hacen las empresas es extraer una versión muy simplificada de estos datos, por lo que terminan con ventas diarias o ventas semanales, y luego construyen sus pronósticos sobre eso. Ahí es donde hay una serie de problemas: el hecho de que estos datos, una vez que se han extraído como ventas diarias o semanales, pierden mucha información crítica. Es una transformación muy defectuosa que parece simple y razonable, pero en realidad, has perdido una cantidad masiva de información sobre lo que está sucediendo en el negocio cuando haces eso.
Kieran Chandler: Pero, ¿qué tan detallados deben ser esos datos? Porque si estamos hablando de una empresa que ha estado recopilando datos durante más de 20 años, ¿no sería más manejable agregar esos datos? Para gestionar, quiero decir, cuando agregas datos, los unes para que típicamente reformatees los datos para que se ajusten bien a algo que normalmente funciona con series de tiempo. Y sí, las series de tiempo son muy buenas, ya sabes, un número por día, es así de simple. Entonces tienes una serie, un número por día, y luego quieres arrastrar eso hacia el futuro. Es muy simple. Hay muchos modelos muy buenos que pueden operar con este tipo de datos, desde promedios móviles hasta algo un poco más sofisticado. Pero el problema es que no porque sea fácil significa que sea relevante. Y ese es el problema: es muy fácil hacerlo de esa manera, pero eso no significa que sea relevante para la empresa.
Joannes Vermorel: Ese es el peligro. El problema es que la gente piensa: “Oh, necesito datos más desagregados, así que tengo que pasar de datos mensuales a semanales o de datos semanales a datos diarios”. Eso solo cambia el marco temporal de la agregación. Dirían: “Oh, si lo hacemos mejor, pasaríamos a datos por hora”. Eso no es en absoluto 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 los datos realmente existen en tus sistemas. En tus sistemas, no existe tal cosa como series de tiempo. Lo que importa es tener datos a nivel de granularidad de transacciones porque pueden decirte mucho más. Si quieres mejores pronósticos con mejores datos, significa, en nuestra experiencia, acercarte mucho a la forma en que las cosas están en tu sistema informático, en lugar de tener una versión simplificada donde se ha perdido toda la información relevante.
Kieran Chandler: Entonces, la información relevante se pierde y, básicamente, los datos que estás viendo podrían ser un poco engañosos. ¿En qué escenarios podrías estar perdiéndote?
Joannes Vermorel: Por lo general, son cosas tan mundanas que la gente incluso las olvida. Por ejemplo, pensemos en una cadena minorista, como los supermercados. Imagina que tienes una serie de centros de distribución, y cada centro de distribución sirve, no sé, 20 supermercados o algo así. ¿Cómo se ve eso, ya sabes, este tipo de cosas? Tomas la posición de optimizar, digamos, el stock en el centro de distribución. Entonces, lo que parece es que todos los días, las tiendas hacen pedidos al centro de distribución. Y cuando haces un pedido, no sé, de 100 unidades de algo para el supermercado, pueden suceder dos cosas en el centro de distribución: o cumplen con el pedido, por lo que envían 100 unidades típicamente al día siguiente, o no cumplen con el pedido. Entonces, la tienda hace un pedido de 100 unidades y luego el centro de distribución no envía nada. Y luego, 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 ves, 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. Entonces, 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 deberías descartar las primeras 100 unidades por completo. Pero la realidad puede ser complicada.
Kieran Chandler: Al comenzar a producir una serie de tiempo, sabes que se pierde esta información y toda la ambigüedad que existe porque hay muchas ambigüedades. Todas esas ambigüedades se eliminan, y podrías decir que es algo bueno. De repente, mis científicos de datos pueden trabajar con datos no ambiguos. Pero sí y no, porque al eliminar la ambigüedad, el problema es que ya has hecho una afirmación sobre cómo funciona tu negocio, y esta afirmación puede estar completamente equivocada.
Joannes Vermorel: Una de las razones por las que las empresas agregan sus datos antiguos es porque pueden estar pasando de un sistema ERP antiguo a algo más nuevo. Entonces, ¿es realmente útil tener toda esa información histórica tal vez reimportada en el nuevo sistema ERP? Inicialmente, cuando estábamos hablando de lo que hoy en día llamamos “yuppies”, capas transaccionales de sistemas que solo gestionan operaciones rutinarias, su objetivo no era recopilar datos históricos. Cuando todo comenzó, a finales de los años 70 o en los años 80, preservar datos no era el objetivo, y en ese momento, simplemente era básicamente permitir que la empresa operara de manera más fluida.
Debido a que en ese momento el hardware de computación era muy caro, en comparación con el presente, y especialmente porque el almacenamiento de datos también era muy caro, muchos proveedores de software hicieron lo correcto en ese momento. Implementaron herramientas heurísticas para deshacerse de los datos de muchas maneras. No estoy hablando de la actualidad, me refiero a que la mayoría de esas heurísticas o la mayoría de esos sistemas simplemente ya no tienen sentido, simplemente porque el almacenamiento de datos ya es muy barato.
Kieran Chandler: Entonces, ¿hay algún lugar donde estas empresas deberían hacer algún tipo de limpieza de datos? ¿O estás diciendo que deberían tomar los datos sin procesar y dejarlos tal como están?
Joannes Vermorel: Los datos ya están limpios. El problema es, 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 estás mirando el mundo es solo mirar las cosas en algún tono de verde. Entonces tienes una imagen que solo toma tonos de verde, y cualquier cosa que no sea verde simplemente será negra. No la verás en absoluto. Luego, las cosas que son más o menos verdes, tendrás tonos de verde, y esa es tu imagen del mundo.
Obviamente, dirías: “Creo que necesito hacer algo de limpieza de datos; esta imagen no es muy precisa. Necesito 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 simplemente que si quieres tener una mejor imagen del mundo, necesitas el espectro completo de colores.
Kieran Chandler: Por lo tanto, para tener mejores pronósticos, lo primero es simplemente comenzar a mirar 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 han implementado para que la cadena de suministro pueda operar, para que sea posible producir, mover cosas y venderlas. Entonces, todas las capas que tienes son simplemente un reflejo de todos esos procesos, lo cual está bien. El hecho de que funcione y tengas cosas como facturas, pagos y demás, demuestra que estos datos son en su mayoría correctos. No son muy correctos; de lo contrario, no sabrías qué facturar, no sabrías cuánto pagar a tus proveedores, y demás.
Entonces, creo que generalmente para la mayoría de las empresas en la actualidad, al menos las empresas que han estado utilizando sistemas informáticos durante décadas, está todo en su lugar, ya está sólido. El problema es que cuando piensas en términos de pronósticos en términos simplistas, 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 pronósticos?
Joannes Vermorel: Por lo general, cuando comenzamos a analizar esas series de tiempo, decimos, sabes qué, ni siquiera conoces el precio. Cuando comenzamos a trabajar con empresas y quieren mejorar sus pronósticos, simplemente observamos su tubería de extracción de datos que genera el pronóstico, y vemos que falta el precio. Obviamente, los precios tienen un impacto masivo en la cadena de suministro. Si de repente descuentas todos tus productos en un 50%, tu demanda va a explotar, tal vez tu rentabilidad también desaparezca, pero de todos modos, los precios suelen tener un impacto masivo en la demanda y en tu cadena de suministro. La mayoría de las veces, cuando analizamos esos procesos de S&OP y los procesos de pronóstico, el precio está ausente, pero generalmente es solo la punta del iceberg.
Kieran Chandler: Ya hemos hablado de esto antes, y las personas se centran en la demanda, y el precio es obviamente una cosa en la que pueden fijarse, pero tal vez valga la pena reiterar, ¿cuáles son las otras cosas que podrían ser de interés?
Joannes Vermorel: Por lo general, las devoluciones están ausentes, los niveles de stock están ausentes. Podrías pensar, ¿por qué necesitas los 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 que vender. Tal vez obtengas pedidos pendientes, pero nuevamente, es un patrón muy específico. Entonces, ¿realmente puedes contar un pedido pendiente como una venta regular? Quiero decir, requiere compromiso. Un pedido pendiente es básicamente cuando el producto no está disponible, así que le pido al proveedor que ponga algo en el pedido pendiente para que se envíe más tarde, y como cliente, estoy dispuesto a esperar un tiempo prolongado. Entonces, nuevamente, esto es demanda, pero es una demanda que no es exactamente de la misma naturaleza en comparación con la demanda regular. Entonces, si dices que una unidad de pedido pendiente es exactamente lo mismo que cuando se vende, no realmente, no realmente.
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 los pedidos pendientes y los largos retrasos de cumplimiento si pueden obtener un mejor precio. Entonces, de repente, desde una perspectiva de pronóstico, es muy bueno porque de repente no tienes que pronosticar nada.
Kieran Chandler: ¿Puedes hablar sobre la demanda y los pedidos pendientes?
Joannes Vermorel: Algo en el pedido pendiente para enviar más tarde, como cliente, estoy dispuesto a esperar tal vez un tiempo prolongado. Entonces, nuevamente, esto es demanda, pero es una demanda que no es exactamente de la misma naturaleza en comparación con la demanda regular. Entonces, si dices que una unidad de pedido pendiente es exactamente lo mismo que cuando se vende, no realmente. Especialmente, especialmente solo para darte un ejemplo, si por alguna razón, una gran parte de la demanda que tienes tal vez es que sucede B2B que son clientes que están de acuerdo con los pedidos pendientes y los largos retrasos de cumplimiento si pueden obtener un mejor precio, entonces de repente desde una perspectiva de pronóstico, es muy, muy bueno porque de repente no tienes que pronosticar nada. Solo ves los pedidos pendientes y orquestas tu cadena de suministro para que cuando llegue el tiempo de entrega esperado, tengas todo listo. Pero no necesariamente necesitas pronosticar esta demanda porque esta demanda ya la conoces de antemano porque ya está ordenada.
Kieran Chandler: Si quieres aprovechar al máximo los datos que tienes actualmente, ¿cuál es tu consejo para las empresas?
Joannes Vermorel: Lo primero es que debes abordar el problema desde una perspectiva muy específica del dominio. Necesitas preguntarte: “Tengo una cadena de suministro. ¿Qué es realmente importante?” Y la respuesta es: “Depende”. Realmente depende del tipo de cadena de suministro que operes. Si estás en el sector aeroespacial, la pregunta se reduce a: “Por cada dólar que invierto en mi cadena de suministro, ¿cómo puedo evitar el máximo número de incidentes AOG (aeronaves en tierra) porque falta algo y tienes una aeronave que está parada en tierra?” Entonces, por lo general, la pregunta es: “¿Cómo puedo obtener la máxima cantidad de incidentes AOG por cada dólar invertido?” Esa sería la perspectiva para el sector aeroespacial. Para alimentos frescos, ese será un problema completamente diferente. Sería algo así como: “Ok, ¿cómo puedo maximizar realmente la lealtad a largo plazo de mis clientes porque la comida se trata completamente de negocios repetitivos?” Entonces, lo que quieres no es el nivel de servicio de un solo producto, eso es algo insignificante. No te importa realmente eso porque hay tantos sustitutos. Lo que quieres asegurarte es que tus clientes leales, que vienen a tu tienda para comprar no solo un producto, sino una cesta completa, 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 también con la frescura general de lo que están comprando. Eso formará parte de la experiencia global, y nuevamente, la pregunta será por cada dólar invertido, ¿cómo puedes optimizar eso? La pregunta es realmente específica del dominio. ¿Cuáles son las ideas más relevantes en las que debes prestar atención? Bueno, solo tu experiencia en el dominio te permite ser el juez de eso, y por lo general, no requiere habilidades avanzadas en ciencia de datos. Es solo una comprensión directa del dominio lo que te permite determinar si algo es agradable de tener o completamente crítico para evitar tomar decisiones tontas.
Kieran Chandler: ¿Cuál es el mensaje principal de hoy?
Joannes Vermorel: Entonces, si tomamos el objetivo de este episodio, ya sabes, es cómo puedo tener un mejor pronóstico con una mejor cola. Eso es algo que queremos tener, y los mejores datos generalmente no son lo que esperas.
Kieran Chandler: Quiero decir, sí, puedes tener datos que sean mucho mejores para tu tarea de pronóstico, pero el problema es, ¿qué quiero decir con “mejores”? Por lo general, la experiencia local es que nos referimos a cosas muy específicas que no son en absoluto lo que la mayoría de las personas esperan. Primero, mejores datos significan tener una imagen completa de todas las cosas en las que deberías estar mirando, y por lo general, no se trata de Instagram o tus redes sociales o pronósticos del clima. Es algo mucho más mundano, cosas que ya existen en el sistema. Es algo en lo que muchas personas, tal vez personas antes que tú, ya han decidido que ni siquiera vale la pena mirar.
Joannes Vermorel: Bueno, nuestro mensaje es que esos datos realmente valen la pena mirar. Estoy hablando de precios, devoluciones, pedidos pendientes, 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 consideras datos relevantes. La segunda cosa sería olvidarse de esta idea de preparación de datos. Necesitas comprender cómo se generan los datos, ¿por qué? Porque de lo contrario, terminarás en una situación de basura entra, basura sale. Comprender los datos es complicado porque son dos cosas: comprender el software y también comprender el proceso seguido por las personas que operan sobre el software.
Por lo general, la semántica de los datos tiene dos partes: está en la cabeza de la persona que opera el software y está 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 el peor caso es cuando esas personas tienen interpretaciones conflictivas. Ahí es donde puedes tener una situación muy desordenada. Entonces, como ves, amplía tu horizonte en términos de datos relevantes, nada muy extravagante, solo cosas básicas y mundanas para tu negocio, pero no solo ventas. Luego, necesitas comprender estos datos.
Finalmente, si quieres tener mejores pronósticos, se reduce a ¿qué significa eso, un mejor pronóstico? Luego llegamos al punto en el que la gente diría: “Oh, es un mejor error porcentual absoluto medio o un mejor error absoluto medio”, o mejor, ya sabes, todo tipo de métricas. Y nuevamente, diría que si se expresa en porcentajes, simplemente no es bueno. Debe expresarse en dólares. Y al igual que discutimos en uno de los episodios anteriores sobre la toma de decisiones primero, en última instancia, un pronóstico solo puede considerarse mejor si te lleva a tomar mejores decisiones.
Desafortunadamente, la forma en que puedes juzgar si un pronóstico es mejor o no es a través del prisma de la decisión final que tomas. Es difícil, pero así es como se hace. Si simplemente dices: “Oh, tengo un mejor MAPE y el pronóstico es mejor”, eso está muy mal y ni siquiera estarás en el camino donde terminas haciendo cosas que son errores de nacionalismo, errores de algún tipo.
Kieran Chandler: Sí, está bien, tendré que vivir con eso, pero supongo que probablemente haya algunos gerentes de TI que nos agradecerán por esto porque ahora estarán buscando en los archivos. Bueno, eso es todo por esta semana. Muchas gracias por sintonizar y nos vemos en el próximo episodio. Hasta luego.
