00:54 Introducción
02:25 Sobre la naturaleza del progreso
05:26 La historia hasta ahora
06:10 Algunos principios cuantitativos: principios observacionales
07:27 Resolviendo “aguja en un pajar” mediante entropía
14:58 Las poblaciones de supply chains están distribuidas según Zipf
22:41 En las decisiones de supply chain prevalecen los números pequeños
29:44 Los patrones están en todas partes en supply chain
36:11 Algunos principios cuantitativos: principios de optimización
37:20 Se necesitan de 5 a 10 rondas para solucionar cualquier problema de supply chain
44:44 Los supply chains antiguos son cuasi-óptimos de forma unidireccional
49:06 Las optimizaciones locales de supply chain solo desplazan los problemas
52:56 Mejores problemas superan a mejores soluciones
01:00:08 Conclusión
01:02:24 Próxima conferencia y preguntas de la audiencia
Descripción
Si bien los supply chains no pueden caracterizarse por leyes cuantitativas definitivas - a diferencia del electromagnetismo - aún se pueden observar principios cuantitativos generales. Por “general” entendemos que son aplicables a (casi) todos los supply chains. Descubrir tales principios es de suma importancia, ya que pueden usarse para facilitar la ingeniería de numerical recipes destinados a la predictive optimization de supply chains, pero también pueden utilizarse para hacer que esas recetas numéricas sean, en general, más poderosas. Revisamos dos listas breves de principios: unos principios observacionales y unos principios de optimización.
Transcripción completa
Hola a todos, bienvenidos a esta serie de conferencias sobre supply chain. Soy Joannes Vermorel, y hoy presentaré algunos “Principios Cuantitativos para Supply Chains.” Para aquellos que estén viendo la conferencia en vivo por YouTube, pueden hacer sus preguntas en cualquier momento a través del chat de YouTube. Sin embargo, no leeré sus preguntas durante las conferencias. Volveré al chat al final de la conferencia e intentaré responder al menos la mayoría de las preguntas.
Los principios cuantitativos son de gran interés porque, en los supply chains, como hemos visto durante las primeras conferencias, implican el dominio de la opcionalidad. La mayoría de estas opciones son de naturaleza cuantitativa. Tienes que decidir cuánto comprar, cuánto producir, cuánto inventario mover y, potencialmente, el punto de precio – es decir, si deseas aumentar o disminuir dicho punto. Por lo tanto, un principio cuantitativo que pueda impulsar mejoras en las recetas numéricas para supply chains es de gran interés.
Sin embargo, si hoy en día le preguntara a la mayoría de las autoridades o expertos en supply chain cuáles son sus principios cuantitativos fundamentales para los supply chains, sospecho que con frecuencia obtendría una respuesta en la línea de una serie de técnicas para un mejor time series forecast o algo equivalente. Mi reacción personal es que, aunque esto es interesante y relevante, también se pierde el punto. Creo que, en el fondo, el malentendido reside en la propia naturaleza del progreso: ¿qué es el progreso y cómo se puede implementar algo así en lo que respecta a los supply chains? Permítanme comenzar con un ejemplo ilustrativo.
Hace seis mil años se inventó la rueda, y seis mil años después se inventó la maleta con ruedas. La invención data de 1949, según ilustra esta patente. Para cuando se inventó la maleta con ruedas, ya habíamos aprovechado la energía atómica e incluso detonado las primeras bombas atómicas.
Avanzando 20 años, en 1969, la humanidad envió a las primeras personas a la luna. Al año siguiente, la maleta con ruedas se mejoró con un asa un poco mejor, que se parece a una correa, según ilustra esta patente. Aun así, no es muy buena.
Luego, 20 años después, ya disponíamos del sistema de posicionamiento global GPS que había estado sirviendo a los civiles durante casi una década, y finalmente se inventó el asa adecuada para la maleta con ruedas.
Aquí se pueden extraer al menos dos lecciones de interés. Primero, no existe una flecha del tiempo obvia en lo que respecta al progreso. El progreso ocurre de manera altamente caótica y no lineal, y es muy difícil evaluar el avance que debería darse en un campo basándose en lo que sucede en otros. Este es un elemento que debemos tener en cuenta hoy.
La segunda cuestión es que no se debe confundir el progreso con la sofisticación. Puedes tener algo que es enormemente superior pero también enormemente más simple. Si tomo el ejemplo de la maleta, una vez que has visto una, el diseño parece completamente obvio y autoevidente. Pero, ¿fue un problema fácil de resolver? Diría que absolutamente no. La simple prueba de que el supply chain management fue un problema difícil de resolver es que a una avanzada civilización industrial le tomó un poco más de cuatro décadas abordar este asunto. El progreso es engañoso en el sentido de que no se conforma con la regla de la sofisticación. Es muy difícil identificar cómo era el mundo antes de que ocurriera el progreso, ya que literalmente cambia tu visión del mundo a medida que se produce.
Ahora, volvamos a nuestra discusión sobre supply chain. Esta es la sexta y última conferencia de este prólogo. Existe un plan completo que puedes consultar en línea en el sitio web de Lokad sobre toda la serie de conferencias de supply chain. Hace dos semanas, presenté las tendencias del siglo XX para los supply chains, adoptando una perspectiva puramente cualitativa del problema. Hoy, estoy adoptando el enfoque opuesto al adoptar una perspectiva bastante cuantitativa en este conjunto de problemas como contrapunto.
Hoy, revisaremos un conjunto de principios. Por principio, me refiero a algo que puede usarse para mejorar el diseño de las recetas numéricas en general para todos los supply chains. Tenemos una ambición de generalization aquí, y es precisamente ahí donde resulta bastante difícil encontrar elementos de suma relevancia para todos los supply chains y todos los métodos numéricos para mejorarlos. Revisaremos dos listas cortas de principios: principios observacionales y principios de optimización.
Los principios observacionales se aplican en la forma en que puedes obtener conocimiento e información cuantitativa sobre los supply chains. Los principios de optimización se relacionan con cómo actúas una vez que has adquirido conocimiento cualitativo sobre tu supply chain, específicamente, cómo usar estos principios para mejorar tus procesos de optimización.
Comencemos observando un supply chain. Me resulta desconcertante cuando la gente habla de los supply chains como si pudieran observarlos directamente con sus propios ojos. Para mí, esta es una percepción muy distorsionada de la realidad de los supply chains. Los supply chains no pueden ser observados directamente por los humanos, al menos no desde una perspectiva cuantitativa. Esto se debe a que los supply chains, por diseño, están distribuidos geográficamente, involucrando potencialmente miles de SKUs y decenas de miles de unidades. Con tus ojos humanos, solo podrías observar el supply chain tal como es hoy y no como era en el pasado. No puedes recordar más que unos pocos números o una fracción diminuta de los números asociados a tu supply chain.
Cada vez que quieras observar un supply chain, realizarás dichas observaciones de forma indirecta a través de enterprise software. Esta es una manera muy específica de observar los supply chains. Todas las observaciones que se pueden hacer de manera cuantitativa sobre los supply chains ocurren a través de este medio específico: enterprise software.
Caractericemos una pieza típica de enterprise software. Tendrá una base de datos, ya que la gran mayoría de ese software está diseñado de esa manera. Es probable que el software tenga alrededor de 500 tablas y 10,000 campos (un campo es esencialmente una columna en una tabla). Como punto de entrada, tenemos un sistema que potencialmente contiene una cantidad masiva de información. Sin embargo, en la mayoría de las situaciones, solo una fracción diminuta de esta complejidad del software es realmente relevante para el supply chain de interés.
Los proveedores de software diseñan enterprise software teniendo en cuenta situaciones muy diversas en general. Al mirar a un cliente específico, lo más probable es que solo se use una fracción diminuta de las capacidades del software. Esto significa que, aunque en teoría pueden existir 10,000 campos por explorar, en la realidad, las empresas solo utilizan una pequeña fracción de esos campos.
El desafío es cómo separar la información relevante de los datos que son inexistentes o irrelevantes. Solo podemos observar los supply chains a través de enterprise software, y puede haber más de una piece of software involucrada. En algunos casos, un campo nunca ha sido usado, y los datos son constantes, conteniendo solo ceros o nulos. En esta situación, es fácil eliminar el campo porque no contiene información alguna. Sin embargo, en la práctica, el número de campos que se pueden eliminar usando este método puede ser de solo alrededor del 10%, ya que muchas funciones en el software se han utilizado a lo largo de los años, incluso si solo fue de forma accidental.
Para identificar campos que nunca han tenido un uso significativo, podemos recurrir a una herramienta llamada entropía informacional. Para aquellos que no están familiarizados con la teoría de la información de Shannon, el término puede parecer intimidante, pero en realidad es más sencillo de lo que aparenta. La entropía informacional consiste en cuantificar la cantidad de información en una señal, definiéndose una señal como una secuencia de símbolos. Por ejemplo, si tenemos un campo que contiene solo dos tipos de valores, verdadero o falso, y la columna oscila aleatoriamente entre estos valores, la columna contiene muchos datos. En contraste, si solo hay una línea de un millón en la que el valor es verdadero y todas las demás líneas son falsas, el campo en la base de datos contiene casi ninguna información.
La entropía informacional es muy interesante porque te permite cuantificar, en bits, la cantidad de información presente en cada campo de tu base de datos. Al realizar un análisis, puedes clasificar estos campos de los más ricos a los más pobres en términos de información y eliminar aquellos que contienen apenas información relevante para fines de optimización de supply chain. La entropía informacional puede parecer complicada al principio, pero no es difícil de entender.
Por ejemplo, imaginando un lenguaje de programación específico de dominio, hemos implementado la entropía informacional como un agregador. Al tomar una tabla, por ejemplo, datos de un archivo plano llamado data.csv con tres columnas, podemos trazar un resumen de cuánta entropía presenta cada columna. Este proceso te permite determinar fácilmente qué campos contienen la menor cantidad de información y eliminarlos. Utilizando la entropía como guía, puedes iniciar rápidamente un proyecto en lugar de tardar años en hacerlo.
Pasando a la siguiente etapa, hacemos nuestras primeras observaciones sobre los supply chains y consideramos qué esperar. En las ciencias naturales, la expectativa por defecto son las distribuciones normales, también conocidas como curvas en forma de campana o gaussianas. Por ejemplo, la estatura de un hombre humano de 20 años o su peso seguirán una distribución normal. En el ámbito de los seres vivos, muchas mediciones siguen este patrón. Sin embargo, en lo que respecta a supply chain, este no es el caso. Prácticamente no hay nada de interés que esté distribuido normalmente en los supply chains.
En cambio, casi todas las distribuciones de interés en los supply chains están distribuidas según Zipf. La distribución de Zipf se ilustra en la fórmula dada. Para entender este concepto, considera una población de productos, siendo la medida de interés el volumen de ventas de cada producto. Ordenarías los productos desde el de mayor a menor volumen de ventas durante un período de tiempo dado, como un año. La pregunta entonces es si existe un modelo que predice la forma de la curva y, si se da el rango, proporcionará el volumen de ventas esperado. Esto es precisamente de lo que trata la distribución de Zipf. Aquí, f representa la forma de una ley de Zipf-Mandelbrot, y k se refiere al enésimo elemento más grande. Hay dos parámetros, q y s, que se aprenden esencialmente, al igual que tienes mu (la media) y sigma (la varianza) en una distribución normal. Estos parámetros pueden usarse para ajustar la distribución a una población de interés. La ley de Zipf-Mandelbrot abarca estos parámetros.
Es importante destacar que prácticamente todas las poblaciones de interés en supply chain siguen una distribución de Zipf. Esto es cierto para productos, clientes, proveedores, promotions e incluso unidades de despacho. La distribución de Zipf es, esencialmente, un descendiente del principio de Pareto, pero es más manejable y, en mi opinión, más interesante, ya que proporciona un modelo explícito de lo que se puede esperar de cualquier población de interés en supply chain. Si te encuentras con una población que no esté distribuida según Zipf, es más probable que haya un problema con los datos, en lugar de una verdadera desviación del principio.
Para explotar el concepto de distribución de Zipf en el mundo real, puedes usar Envision. Si observamos este fragmento de código, verás que solo se necesitan unas pocas líneas de código para aplicar este modelo a un conjunto de datos real. Aquí, asumo que existe una población de interés en un archivo plano llamado “data.csv” con una columna que representa la cantidad. Normalmente, tendrías un identificador de producto y la cantidad. En la línea 4, estoy calculando los rangos utilizando el agregador de rangos y ordenando en función de la cantidad. Luego, entre las líneas 6 y 11, entro en un bloque de programación diferenciable explícito por Autodev, donde declaro tres parámetros escalares: c, q y s, tal como en la fórmula a la izquierda de la pantalla. Luego, calculo las predicciones del modelo Zipf y utilizo un error cuadrático medio entre la cantidad observada y la predicción del modelo. Literalmente, puedes ajustar la distribución de Zipf con solo unas pocas líneas de código. Aunque suene sofisticado, es bastante simple con las herramientas adecuadas.
Esto me lleva a otro aspecto observacional de supply chain: los números que se esperarían en cualquier nivel de supply chain son pequeños, usualmente menos de 20. No solo tendrás pocas observaciones, sino que también los números que observes serán pequeños. Por supuesto, este principio depende de las unidades utilizadas, pero cuando digo “números”, me refiero a aquellos que tienen un sentido canónico desde la perspectiva de supply chain, que son los que intentas observar y optimizar.
La razón por la que solo tenemos números pequeños se debe a economías de escala. Tomemos como ejemplo las camisetas en una tienda. La tienda podría tener miles de camisetas en stock, lo que parece un número grande, pero en realidad, tienen cientos de tipos diferentes de camisetas con variaciones en tamaño, color y diseño. Cuando comienzas a mirar las camisetas con la granularidad de relevancia para una perspectiva de supply chain, que es el SKU, la tienda no tendrá miles de unidades de camisetas para un SKU dado; en cambio, solo tendrá unas pocas.
Si tienes una mayor cantidad de camisetas, no vas a tener miles de camisetas por ahí, ya que sería una pesadilla en términos de procesamiento y movimiento. En cambio, empaquetarás esas camisetas en cajas convenientes, que es precisamente lo que sucede en la práctica. Si tienes un centro de distribución que maneja muchas camisetas, porque las envías a tiendas, entonces lo más probable es que esas camisetas estén efectivamente en cajas. Incluso podrías tener una caja que contenga un surtido completo de camisetas con diferentes tallas y colores, facilitando el procesamiento a lo largo de la cadena. Si tienes muchas cajas por ahí, no vas a tener miles de cajas de ese tipo. En cambio, si tienes docenas de cajas, las organizarás ordenadamente en palets. Un palet puede contener varias docenas de cajas. Si tienes muchos palets, no los vas a tener organizados como palets individuales; lo más probable es que los organices como contenedores. Y si tienes muchos contenedores, usarás un barco de carga o algo similar.
Mi punto es que cuando se trata de números en supply chain, el número verdaderamente relevante es siempre un número pequeño. Esta situación no se puede eludir simplemente subiendo a un nivel de agregación más alto, ya que, al moverte a un nivel superior de agregación, se activa algún tipo de economía de escala, y quieres introducir un mecanismo de loteo para reducir tus costos operativos. Esto sucede varias veces, por lo que, sin importar la escala que mires, ya sea el producto final vendido por unidad en una tienda o un artículo producido en masa, siempre es un juego de números pequeños.
Incluso si tienes una fábrica que produce millones de camisetas, lo más probable es que tengas lotes gigantescos, y los números que te interesan no son la cantidad de camisetas sino la cantidad de lotes, que será un número mucho menor.
¿A qué quiero llegar con este principio? Primero, debes observar cómo son la mayoría de los métodos en computación científica o estadística. Resulta que, en la mayoría de los otros campos que no están relacionados con supply chain, predomina lo opuesto: un gran número de observaciones y grandes números donde la precisión es importante. En supply chain, sin embargo, los números son pequeños y discretos.
Mi propuesta es que necesitamos herramientas basadas en este principio que acojan y acepten profundamente el hecho de que vamos a tener números pequeños en lugar de números grandes. Si tienes herramientas que solo han sido diseñadas considerando la ley de los grandes números, ya sea por muchas observaciones o por los mismos números grandes, tendrás un total desajuste cuando se trata de supply chain.
Por cierto, esto tiene profundas implicaciones de software. Si tienes números pequeños, hay muchas maneras de hacer que las capas de software aprovechen esta observación. Por ejemplo, si observas el conjunto de datos de líneas de transacción de un hipermercado, notarás que, según mi experiencia y observación, el 80% de las líneas tienen una cantidad que se está vendiendo a un cliente final en un hipermercado que es exactamente uno. Entonces, ¿necesitas 64 bits de información para representar esta información? No, eso es un completo desperdicio de espacio y tiempo de procesamiento. Adoptar este concepto puede traducirse en una ganancia operacional de una o dos órdenes de magnitud. Esto no es solo un pensamiento ilusorio; hay ganancias operativas reales. Podrías pensar que las computadoras hoy en día son muy poderosas, y lo son, pero si tienes más poder de procesamiento a tu disposición, puedes tener algoritmos más avanzados que hagan cosas aún mejores para tu supply chain. Es inútil desperdiciar este poder de procesamiento solo porque tienes un paradigma que espera números grandes cuando prevalecen números pequeños.
Esto me lleva a mi último principio observacional por hoy: los patrones están en todas partes en supply chain. Para entender esto, echemos un vistazo a un clásico problema de supply chain donde usualmente se consideran ausentes los patrones: la optimización de rutas. El problema clásico de la optimización de rutas involucra una lista de entregas a realizar. Puedes ubicar las entregas en un mapa, y deseas encontrar la ruta que minimice el tiempo de transporte. Quieres establecer una ruta que pase por cada punto de entrega mientras minimizas el tiempo total de transporte. A primera vista, este problema parece ser completamente un problema geométrico sin patrones involucrados en su resolución.
Sin embargo, propongo que esta perspectiva es totalmente errónea. Al abordar el problema desde este ángulo, estás mirando el problema matemático, no el problema de supply chain. Supply chains son juegos iterativos donde los problemas se manifiestan repetidamente. Si te dedicas a organizar entregas, lo más probable es que estés realizando entregas todos los días. No es solo una ruta; es literalmente una ruta por día, al menos.
Además, si te dedicas a hacer entregas, probablemente cuentas con una flota entera de vehículos y conductores. El problema no es solo optimizar una ruta; es optimizar toda una flota, y este juego se repite todos los días. Ahí es donde aparecen todos los patrones.
Primero, los puntos no están distribuidos al azar en el mapa. Tienes puntos calientes, o áreas geográficas con una alta densidad de entregas. Es posible que tengas direcciones que reciben entregas casi todos los días, como la sede de una gran empresa en una gran ciudad. Si eres una gran compañía de e-commerce, probablemente estés entregando paquetes a esta dirección todos los días hábiles. Estos puntos calientes no son inmutables; tienen su estacionalidad. Algunos barrios pueden estar muy tranquilos durante el verano o el invierno. Hay patrones, y si quieres ser muy bueno en el juego de la optimización de rutas, debes tener en cuenta no solo dónde van a ocurrir estos puntos calientes, sino también cómo se desplazarán a lo largo del año. Además, tienes que considerar el tráfico. No debes pensar solo en la distancia geométrica, ya que el tráfico depende del tiempo. Si un conductor comienza en un determinado momento del día, a medida que avanza por su ruta, el tráfico cambiará. Para jugar bien este juego, necesitas tener en cuenta los patrones de tráfico, que cambian y pueden ser predichos de manera fiable de antemano. Por ejemplo, en París, a las 9:00 AM y a las 6:00 PM, toda la ciudad está completamente congestionada, y no necesitas ser un experto en forecast para saberlo.
También hay cosas que suceden en el momento, como accidentes que alteran los patrones habituales de tráfico. Si observamos las entregas desde una perspectiva matemática, se asume que todos los puntos de entrega son iguales, pero no lo son. Podrías tener clientes VIP, o direcciones específicas donde tienes que entregar la mitad de tu envío. Estos hitos clave en tu ruta deben ser tenidos en cuenta para una optimización de rutas efectiva.
También necesitas ser consciente del contexto, y es común tener datos imperfectos sobre el mundo. Por ejemplo, si un puente está cerrado y el software no lo sabe, el problema no es no haber sabido que el puente estaba cerrado la primera vez, sino que el software nunca aprende del problema y siempre propone una ruta que se supone que es óptima pero termina siendo ilógica. La gente luego lucha contra el sistema, lo cual no es una buena solución práctica de optimización de rutas desde una perspectiva de supply chain.
El punto es que cuando observamos situaciones de supply chain, hay abundantes patrones en todas partes. Tenemos que tener cuidado de no distraernos con estructuras matemáticas elegantes y recordar que estas consideraciones se aplican también al forecast de series temporales. Tomé el problema de optimización de rutas como ejemplo porque era más manifiesto en este caso.
En conclusión, necesitamos observar el supply chain desde todas las dimensiones que son observables, no solo aquellas que son obvias o donde la solución se presenta de manera elegante.
Esto me lleva a la segunda serie de principios relacionados con cómo debemos observar nuestro supply chain. Hasta ahora, hemos visto cuatro principios relacionados con cómo debemos ver nuestro supply chain: observación indirecta, software empresarial, ordenar el desorden para determinar qué es relevante y qué no, y entropía. Hemos observado que las distribuciones a menudo siguen la ley de Zipf, y aun con números pequeños, aún podemos ver cómo emergen patrones. La pregunta ahora es, ¿cómo actuamos? Matemáticamente hablando, cuando queremos decidir el mejor curso de acción, realizamos algún tipo de optimización, que es la perspectiva cuantitativa.
Lo primero a notar es que tan pronto como tenemos una pieza de lógica de optimización en producción para supply chains, surgirán problemas, como bugs. El software empresarial es una bestia muy compleja y a menudo está lleno de bugs. A medida que elaboras tu propia lógica de optimización para tu supply chain, surgirán muchos problemas. Sin embargo, si una pieza de lógica es lo suficientemente buena como para ponerse en producción, cualquier problema que enfrentemos ahora probablemente sean casos límite. Si no fuera un caso límite y el software o la lógica funcionara mal cada vez, nunca habría llegado a producción.
La idea de este principio es que se necesitan de cinco a diez rondas para solucionar cualquier problema. Cuando digo de cinco a diez rondas, me refiero a que te enfrentarás a un problema, lo examinarás, entenderás la causa raíz y luego intentarás aplicar una solución. Pero la mayoría de las veces, la solución no va a resolver el problema. Descubrirás que había un problema oculto dentro del problema, o que el problema que creías haber solucionado no era la causa real, o que la situación ha revelado una clase más amplia de problemas. Podrías haber solucionado un pequeño ejemplo de una clase más amplia de problemas, pero seguirán ocurriendo otros problemas que son variantes de aquel que pensaste haber resuelto.
Los supply chains son bestias complejas y siempre cambiantes que operan en el mundo real, lo que dificulta tener un diseño que sea correctamente adecuado para todas las situaciones. En la mayoría de los casos, haces un intento de la mejor manera para solucionar un problema, y luego debes poner a prueba tu lógica revisada en la experiencia del mundo real para ver si funciona o no. Tendrás que iterar para solucionar el problema. Con el principio de que se necesitan entre cinco y diez iteraciones para solucionar un problema, hay consecuencias profundas en la velocidad de las adaptaciones y la frecuencia con la que actualizas o vuelves a calcular tu lógica de optimización de supply chain. Por ejemplo, si tienes una pieza de lógica que está produciendo un forecast trimestral para los próximos dos años y solo ejecutas esta lógica una vez por trimestre, tomará entre uno y dos años solucionar cualquier problema que enfrentes con esta lógica de forecast, lo cual es un tiempo increíblemente largo.
Incluso si tienes una pieza de lógica que se ejecuta cada mes, como en el caso de un S&OP (Planificación de Ventas y Operaciones), aún podría tomar hasta un año solucionar un problema. Por eso es importante aumentar la frecuencia de ejecución de tu lógica de optimización de supply chain. En Lokad, por ejemplo, toda pieza de lógica se ejecuta a diario, incluso para forecasts a cinco años vista. Estos forecasts se actualizan diariamente, incluso si no cambian mucho de un día para otro. El objetivo no es ganar precisión estadística, sino asegurar que la lógica se ejecute con la frecuencia suficiente para solucionar cualquier problema o bug en un plazo razonable.
Esta observación no es única en la gestión de supply chain. Equipos de ingeniería inteligentes en compañías como Netflix han popularizado la idea de ingeniería del caos. Se dieron cuenta de que los casos límite eran raros y que la única manera de solucionar estos problemas era repetir la experiencia con más frecuencia. Como resultado, crearon un software llamado Chaos Monkey, que añade caos a su infraestructura de software creando disrupciones en la red y fallos aleatorios. El propósito del Chaos Monkey es hacer que los casos límite se manifiesten más rápido, permitiendo al equipo de ingeniería solucionarlos más rápidamente.
Aunque pueda parecer contradictorio introducir un nivel extra de caos en tus operaciones, este enfoque ha demostrado ser efectivo para Netflix, que es conocida por su excelente fiabilidad. Ellos entienden que cuando se enfrentan a un problema impulsado por software, se necesitan muchas iteraciones para resolverlo, y la única manera de llegar al fondo del problema es iterar rápidamente. El Chaos Monkey es solo una forma de aumentar la velocidad de iteración.
Desde una perspectiva de supply chain, el Chaos Monkey puede no ser aplicable directamente, pero el concepto de aumentar la frecuencia de ejecución de tu lógica de optimización de supply chain sigue siendo muy relevante. Cualquiera que sea la lógica que tengas para optimizar tu supply chain, necesita ejecutarse a alta velocidad y con alta frecuencia; de lo contrario, nunca solucionarás ninguno de los problemas que enfrentas.
Ahora, los supply chains envejecidos son cuasi-óptimos, y cuando digo envejecidos, me refiero a supply chains que han estado en operación durante dos décadas o más. Otra manera de enunciar este principio es que tus predecesores en supply chain no eran todos incompetentes. Cuando observas iniciativas de optimización de supply chain, con demasiada frecuencia, existen grandes ambiciones como reducir los niveles de stock a la mitad, aumentar los service levels del 95% al 99%, eliminar faltante de stock, o dividir los lead times a la mitad. Estos son movimientos grandes y unidireccionales en los que te enfocas en un KPI y tratas de mejorarlo masivamente. Sin embargo, he observado que estas iniciativas casi siempre fracasan por una razón muy directa: cuando tomas un supply chain que ha estado en operación durante décadas, usualmente hay una sabiduría latente en la forma en que se han hecho las cosas.
Por ejemplo, si los service levels están en 95%, lo más probable es que si intentas aumentarlos a 99%, incrementarás enormemente los niveles de stock y crearás una cantidad masiva de stock muerto en el proceso. De manera similar, si tienes cierta cantidad de stock y lanzas una iniciativa masiva para reducirla a la mitad, probablemente generarás problemas significativos en la calidad de servicio que son insostenibles.
Lo que he observado es que muchos practitioners de supply chain que no entienden el principio de que los supply chains envejecidos son cuasi-óptimos de manera unidireccional tienden a oscilar alrededor del óptimo local. Ten en cuenta que no estoy diciendo que los supply chains envejecidos sean óptimos, sino que son cuasi-óptimos de manera unidireccional. Si miras la analogía del Gran Cañón, el río talla el camino óptimo debido a la fuerza unidireccional de la gravedad. Si aplicaras una fuerza que fuera diez veces mayor, el río aún presentaría muchas convoluciones.
El punto es que con los supply chains envejecidos, si deseas lograr mejoras significativas, necesitas ajustar muchas variables a la vez. Enfocarte en una sola variable no dará los resultados deseados, especialmente si tu empresa ha estado operando durante décadas con el status quo. Probablemente, tus predecesores hicieron algunas cosas bien en su tiempo, por lo que las probabilidades de tropiezar con un supply chain ampliamente disfuncional al que nadie prestó atención son mínimas. Los supply chains son problemas complejos, y aunque es posible diseñar situaciones completamente disfuncionales a gran escala, va a ser, en el mejor de los casos, muy infrecuente.
Otro aspecto a considerar es que la optimización local solo desplaza los problemas en lugar de resolverlos. Para entender esto, debes reconocer que los supply chains son sistemas y, al pensar en términos de supply chain performance, solo el desempeño a nivel de sistema es de interés. El desempeño local es relevante, pero es solo una parte del panorama.
Una forma común de pensar es que puedes aplicar la estrategia de dividir y conquistar para abordar problemas en general, y no solo problemas de supply chain. Por ejemplo, en una red de retail con muchas tiendas, quizá quieras optimizar los niveles de stock en cada tienda. Sin embargo, el problema es que si tienes una red de tiendas y centros de distribución, cada uno sirviendo a varias tiendas, es completamente trivial micro-optimizar una tienda y lograr una excelente calidad de servicio para esa tienda a expensas de todas las demás.
La perspectiva correcta es pensar que, cuando tienes una unidad disponible en el centro de distribución, la pregunta que deberías hacerte es: ¿dónde se necesita más esta unidad? ¿Cuál es el movimiento más rentable para mí? El problema de optimizar el despacho de inventario, o el problema de inventory allocation, es uno que solo tiene sentido a nivel de sistema, y no a nivel de tienda. Si optimizas lo que sucede en una tienda, es probable que generes problemas en otra tienda.
Cuando digo “local”, este principio no debe entenderse únicamente desde una perspectiva geográfica; también puede ser una cuestión puramente lógica dentro del supply chain. Por ejemplo, si eres una empresa de ecommerce con muchas categorías de productos, quizás desees asignar presupuestos variables para las distintas categorías. Esta es otra forma de estrategia de divide y conquista. Sin embargo, si particionas tu presupuesto y asignas una cantidad fija al comienzo del año para cada categoría, ¿qué sucede si la demanda de productos en una categoría se duplica mientras que la demanda en otra se reduce a la mitad? En este caso, terminas con un problema de asignación incorrecta de fondos entre esas dos categorías. El desafío aquí es que no puedes aplicar ningún tipo de lógica de divide y conquista. Si utilizas técnicas de optimización local, podrías terminar creando problemas al desarrollar tu solución supuestamente optimizada.
Esto me lleva al último principio, que probablemente sea el más complicado de todos los que he presentado hoy: los problemas mejores se imponen a las soluciones mejores. Esto puede ser sumamente confuso, especialmente entre ciertos círculos académicos. La forma típica en que se presentan las cosas a través de una educación clásica es que se te presenta un problema bien definido y luego comienzas a buscar soluciones para esos problemas. En un problema matemático, por ejemplo, un estudiante puede proponer una solución más concisa y elegante, y se considera la mejor solución.
Sin embargo, en la realidad, las cosas no ocurren de esa manera en la gestión de supply chain. Para ilustrar esto, retrocedamos 60 años y miremos el problema de la cocina, una actividad que consume mucho tiempo. En el pasado, la gente imaginaba que se podrían usar robots en el futuro para realizar tareas de cocina, aumentando así significativamente la productividad de la persona encargada de la cocina. Este tipo de pensamiento fue prevalente en las décadas de 1950 y 1960.
Avanzando rápidamente hasta hoy, es obvio que así no es como han evolucionado las cosas. Para minimizar el esfuerzo en la cocina, la gente ahora compra comidas pre-cocinadas. Este es otro ejemplo de desplazamiento de problemas. Proveer a los supermercados con comidas pre-cocinadas es más desafiante desde una perspectiva de supply chain que proveerles productos crudos, debido al mayor número de referencias y fechas de expiración más cortas. El problema se resolvió a través de una solución superior de supply chain, no mediante proporcionar una mejor solución de cocina. El problema de la cocina se eliminó por completo y se redefinió como ofrecer una comida medianamente decente con un esfuerzo mínimo.
En términos de supply chains, la perspectiva académica a menudo se centra en encontrar mejores soluciones para los problemas existentes. Un buen ejemplo serían las competiciones de Kaggle, donde tienes un conjunto de datos, un problema y potencialmente cientos o miles de equipos compitiendo por obtener la mejor predicción en estos conjuntos de datos. Tienes un problema bien definido y miles de soluciones compitiendo entre sí. Lo problemático de esta mentalidad es que te da la impresión de que, si deseas mejorar tu supply chain, lo que necesitas es una mejor solución.
La esencia del principio es que una mejor solución podría ayudar marginalmente, pero solo marginalmente. Usualmente, lo que realmente ayuda es cuando redefinís el problema, y eso es sorprendentemente difícil. Esto se aplica también a los problemas cuantitativos. Necesitas repensar tu estrategia real de supply chain y el problema clave que deberías estar optimizando.
En muchos círculos, la gente considera los problemas como si fueran estáticos e inmutables, buscando mejores soluciones. No niego que disponer de un mejor algoritmo de time series forecasting pueda ser de ayuda, pero el time series forecasting pertenece al ámbito del statistical forecasting, y no al dominio de la gestión de supply chain. Si volvemos a mi ejemplo inicial de la maleta de viaje, la mejora clave para una maleta con ruedas no fue sobre las ruedas, sino sobre el asa. Era algo que, a primera vista, no tenía nada que ver con las ruedas, y por eso tardó 40 años en idearse una solución – tienes que pensar fuera de la caja para dejar emerger el mejor problema.
Este principio cuantitativo se trata de desafiar los problemas que enfrentas. Tal vez no estés pensando lo suficiente en el problema, y hay una tendencia a enamorarse de la solución cuando deberías estar enfocado en el problema y en las cosas que no entiendes sobre él. Tan pronto como tienes un problema bien definido, contar con una buena solución es usualmente solo un asunto mundano de ejecución, lo cual no es tan difícil.
En conclusión, el supply chain como campo de estudio tiene muchas perspectivas impresionantes y autoritativas. Estas pueden ser sofisticadas, pero la pregunta que me gustaría hacerle a esta audiencia es: ¿podría ser que todo eso esté gravemente equivocado? ¿Estamos realmente seguros de que elementos como el time series forecasting y la investigación operativa son las perspectivas adecuadas sobre el problema? No importa la cantidad de sofisticación y décadas de ingeniería y esfuerzo invertido en seguir esas direcciones, ¿realmente estamos en el camino correcto?
Hoy, presento una serie de principios que creo son de suma relevancia para la gestión de supply chain. Sin embargo, pueden parecer extraños para la mayoría de ustedes. Tenemos dos mundos aquí – el probado y el extraño – y la pregunta es qué pasará dentro de unas pocas décadas.
El progreso tiende a desenvolverse de manera caótica y no lineal. La idea de estos principios es permitirte abrazar un mundo altamente caótico, donde hay espacio para lo inesperado. Estos principios pueden ayudarte a desarrollar soluciones más rápidas, confiables y eficientes que aportarán mejoras a tus supply chains desde una perspectiva cuantitativa.
Ahora, pasemos a algunas preguntas.
Question: ¿Cómo se comparan las distribuciones de Zipf con la ley de Pareto?
La ley de Pareto es la regla empírica del 80-20, pero desde una perspectiva cuantitativa, la distribución de Zipf es un modelo predictivo explícito. Tiene capacidades predictivas que pueden ser desafiadas contra conjuntos de datos de una manera muy directa.
Question: ¿No se vería mejor la distribución Zipf-Mandelbrot como una curva logarítmica para ver las fluctuaciones del supply chain, como lo hacen los epidemiólogos con el reporte de casos y muertes?
Absolutamente. A nivel filosófico, la cuestión es si vives en Mediocridad-land o en Extreme-land. Los supply chains y la mayoría de los asuntos humanos existen en el mundo de los extremos. Las curvas logarítmicas son, de hecho, útiles si quieres visualizar la amplitud de las promociones. Por ejemplo, si deseas ver las amplitudes de todas las promociones pasadas para grandes redes de retail durante los últimos 10 años, usar una escala regular podría hacer que todo lo demás sea invisible, simplemente porque la promoción más grande de la historia fue mucho mayor que las demás. Así que, usar una escala logarítmica puede ayudarte a ver las variaciones con mayor claridad. Con la distribución Zipf-Mandelbrot, te estoy dando un modelo que literalmente puedes desplegar con unas pocas líneas de código, lo cual es más que solo una vista logarítmica de los datos. Sin embargo, estoy de acuerdo en que la intuición central es la misma. Para una perspectiva filosófica de alto nivel, recomiendo leer el trabajo de Nassim Taleb sobre Mediocristan versus Extremistan en su libro “Antifragile.”
Question: En el tema de la optimización local de supply chain, ¿te refieres a datos subyacentes que apoyan la colaboración en la red de supply chain y SNLP?
Mi problema con la optimización local es que las grandes empresas que operan supply chains importantes generalmente tienen organizaciones matriciales. Esta estructura organizacional, con su mentalidad de dividir y conquistar, resulta en una optimización local por diseño. Por ejemplo, considera dos equipos diferentes – uno responsable del demand forecasting y otro de las decisiones de compras. Estos dos problemas – el demand forecasting y la optimización de compras – están totalmente entrelazados. No se puede realizar una optimización local enfocándose solo en el porcentaje de error en el demand forecasting y luego optimizar separadamente las compras basándose en la eficiencia del procesamiento. Existen efectos sistémicos, y necesitas considerarlos a todos en conjunto.
El mayor desafío para la mayoría de las grandes empresas establecidas que gestionan supply chains significativos hoy en día es que, al aspirar a una optimización cuantitativa, tienes que pensar a nivel de sistema y de toda la empresa. Esto va en contra de décadas de sedimentación de organizaciones matriciales dentro de la compañía, donde la gente se ha enfocado únicamente en sus límites bien definidos, olvidándose del panorama general.
Otro ejemplo de este problema sería el inventario de las tiendas. El stock cumple dos propósitos: por un lado, satisface la demanda del cliente, y por el otro, actúa como mercancía. Para tener la cantidad correcta de stock, necesitas abordar el problema de la calidad de servicio y el problema del atractivo de la tienda. El atractivo de la tienda se trata de hacer que la tienda luzca atractiva e interesante para los clientes, lo cual es más un problema de marketing. En una empresa, tienes una división de marketing y una división de supply chain, y no suelen trabajar de manera conjunta cuando se trata de la optimización de supply chain. Mi punto es que si no integras todos estos aspectos, la optimización no funcionará.
En cuanto a tu preocupación sobre SNLP, el problema es que la gente se reúne únicamente para tener reuniones, lo cual no es muy eficiente. Publicamos un episodio de Lokad TV sobre SNLP hace unos meses, así que puedes referirte a ese si deseas tener una discusión específica sobre SNLP.
Question: ¿Cómo deberíamos distribuir el tiempo y la energía entre la estrategia de supply chain y la ejecución cuantitativa?
Es una gran pregunta. La respuesta, como mencioné en mi segunda conferencia, es que necesitas una robotización completa de las tareas mundanas. Esto te permite dedicar todo tu tiempo y energía a la mejora estratégica continua de tus recetas numéricas. Si dedicas más del 10% de tu tiempo a tratar con aspectos mundanos de la ejecución de supply chain, tienes un problema con tu metodología. Los supply chain experts son demasiado valiosos para desperdiciar su tiempo y energía en problemas de ejecución mundanos que deberían automatizarse desde el primer momento.
Necesitas seguir una metodología que te permita dedicar casi toda tu energía al pensamiento estratégico, el cual se implementa de inmediato como recetas numéricas superiores que impulsan la ejecución diaria de supply chain. Esto se relaciona con mi tercera conferencia sobre la entrega orientada al producto, donde me refiero a la entrega de productos de software.
Pregunta: ¿Es posible hipotetizar una especie de análisis de techo, la mejor mejora posible para los problemas de supply chain dado su planteamiento sistémico?
Yo diría que no, absolutamente no. Pensar que existe algún tipo de óptimo o techo equivale a decir que hay un límite a la ingeniosidad humana. Aunque no tengo ninguna prueba de que no exista un límite a la ingeniosidad humana, es una de mis creencias fundamentales. Los supply chains son problemas wicked. Puedes transformar el problema, e incluso convertir lo que parece ser un gran problema en una gran solución y un potencial de crecimiento para la empresa. Por ejemplo, mira a Amazon. Jeff Bezos, a principios de los 2000, entendió que para ser un minorista exitoso, necesitaría una infraestructura de software masiva y sólida como una roca. Pero esta infraestructura masiva de grado industrial que necesitaba para gestionar el ecommerce de Amazon era increíblemente costosa, costándole a la empresa miles de millones. Entonces, los equipos de Amazon decidieron convertir esta infraestructura de computación en la nube, que era una gran inversión, en un producto comercial. Hoy en día, esta infraestructura informática a gran escala es en realidad una de las principales fuentes de beneficio para Amazon.
Cuando empiezas a pensar en problemas wicked, siempre puedes redefinir el problema de una manera superior. Por eso creo que está mal encaminado pensar que existe algún tipo de solución óptima. Cuando piensas en términos de análisis de techo, estás mirando un problema fijo, y desde una perspectiva de problema fijo, puede que tengas una solución que probablemente sea casi óptima. Por ejemplo, si observas las ruedas de las maletas modernas, probablemente sean casi óptimas. Pero, ¿hay algo que sea completamente obvio y que estemos pasando por alto? Tal vez exista una manera de hacer las ruedas mucho mejor, una invención que aún no se ha realizado. Tan pronto como la veamos, parecerá completamente evidente por sí misma.
Por eso debemos pensar que no existe tal cosa como un techo para estos problemas, porque los problemas son arbitrarios. Puedes redefinir el problema y decidir que el juego debe jugarse según reglas completamente diferentes. Esto es desconcertante porque a la gente le gusta pensar que tiene un problema cuidadosamente diseñado y que puede encontrar soluciones. El sistema educativo occidental moderno enfatiza una mentalidad de búsqueda de soluciones, donde te damos un problema y evaluamos la calidad de tu solución. Sin embargo, una pregunta mucho más interesante es la calidad del propio problema.
Pregunta: Las mejores soluciones resolverán los problemas, pero a veces encontrar la mejor solución puede costar tanto tiempo como dinero. ¿Existen soluciones alternativas para esto?
Absolutamente. De nuevo, si tienes una solución que es teóricamente correcta pero que demora una eternidad en implementarse, no es una buena solución. Este tipo de pensamiento tiende a ser prevalente en ciertos círculos académicos, donde se enfocan en encontrar la solución perfecta de acuerdo a criterios matemáticos de mente estrecha que no tienen nada que ver con el mundo real. Exactamente de eso estaba hablando cuando mencioné el problema de optimización correcto.
Casi cada trimestre, hay un profesor que se me acerca y me pregunta si podría revisar su algoritmo online para resolver el problema de optimización de rutas. La mayoría de los artículos que reviso hoy en día se centran en variantes online. Mi respuesta es siempre la misma: no estás resolviendo el problema correcto. No me importa tu solución porque ni siquiera estás pensando correctamente sobre el problema en sí.
El progreso no debe confundirse con la sofisticación. Es una percepción equivocada pensar que el progreso pasa de algo simple a algo sofisticado. En realidad, el progreso a menudo se logra comenzando con algo increíblemente enrevesado y, mediante un pensamiento y tecnología superiores, alcanzando la simplicidad. Por ejemplo, si observas mi última conferencia sobre tendencias de supply chain para el siglo XXI, verás la Máquina de Marly, que llevaba agua al Palacio de Versalles. Era un sistema increíblemente complicado, mientras que las bombas eléctricas modernas son mucho más simples y eficientes.
El progreso no se encuentra necesariamente en una sofisticación extra. A veces es necesaria, pero no es un ingrediente esencial del progreso.
Pregunta: Las grandes redes de retail están impulsando su nivel de stock, pero necesitan cumplir los pedidos casi de inmediato. A veces deciden hacer una promo por su cuenta que no ha sido iniciada por el proveedor. ¿Cuál sería el enfoque para predecir y prepararse en consecuencia a nivel del proveedor?
Primero, tenemos que mirar el problema desde una perspectiva diferente. Estás asumiendo una perspectiva de forecast, donde tu cliente, un gran minorista, está haciendo una gran promoción que surge de la nada. Primero, ¿es eso tan malo? Si ellos promocionan tus productos sin informarte, eso es simplemente un hecho de la vida. Si miras tu historial, usualmente lo hacen de forma regular, e incluso hay patrones.
Si vuelvo a mis principios, los patrones están en todas partes. Primero, necesitas adoptar la perspectiva de que no puedes forecast el futuro; en cambio, necesitas probabilistic forecasts. Incluso si no puedes anticipar perfectamente las fluctuaciones, puede que tampoco sean del todo inesperadas. Tal vez necesites cambiar las reglas del juego en lugar de dejar que el proveedor te sorprenda por completo. Quizás necesites negociar compromisos que obliguen al minorista, a la red de retail y al proveedor. Si la red de retail empieza a hacer un gran impulso sin avisar al proveedor, éste no puede ser considerado realísticamente responsable por no mantener la calidad del servicio.
Quizás la solución sea algo más colaborativo. Tal vez el proveedor debería tener una mejor evaluación de riesgos. Si los materiales vendidos por el proveedor no son perishable, podría ser más rentable tener un par de meses de stock. La gente a menudo piensa en tener cero retraso, cero stock, y cero de todo, pero ¿es eso realmente lo que tus clientes esperan de ti? Quizás lo que tus clientes esperan es un valor añadido en forma de stock abundante. Nuevamente, la respuesta depende de varios factores.
Necesitas mirar el problema desde muchos ángulos, y no existe una solución trivial. Debes pensar muy detenidamente en el problema y considerar todas las opciones disponibles. Quizás el problema no sea tener más stock, sino más capacidad de producción. Si hay un gran aumento de la demanda y no es demasiado costoso tener un pico masivo, y los proveedores de los proveedores pueden suministrar los materiales lo suficientemente rápido, tal vez lo único que necesites sea una capacidad de producción más versátil. Esto te permitiría redirigir tu capacidad de producción hacia lo que esté en auge en ese momento.
Por cierto, esto existe en ciertas industrias. Por ejemplo, la industria del envasado tiene capacidades masivas. La mayoría de las máquinas en la industria del envasado son impresoras industriales, que son relativamente económicas. Las personas en el negocio del envasado típicamente tienen muchas impresoras que no se utilizan la mayor parte del tiempo. Sin embargo, cuando hay un gran evento o una gran marca quiere hacer un empuje masivo, tienen la capacidad de imprimir toneladas de nuevos paquetes que se ajusten al nuevo empuje de marketing de la marca.
Entonces, realmente depende de varios factores, y me disculpo por no tener una respuesta definitiva. Pero lo que sí puedo decir de manera definitiva es que debes pensar muy intensamente sobre el problema que enfrentas.
Esto concluye la conferencia de hoy, la sexta y última del prólogo. Dentro de dos semanas, en el mismo día y hora, estaré presentando sobre personalidades de supply chain. Hasta la próxima.