Principios cuantitativos para cadenas de suministro - Lección 1.6

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 “una aguja en un pajar” a través de la entropía
14:58 Las poblaciones de las cadenas de suministro siguen una distribución Zipf
22:41 Los números pequeños prevalecen en las decisiones de las cadenas de suministro
29:44 Los patrones están en todas partes en las cadenas de suministro
36:11 Algunos principios cuantitativos: principios de optimización
37:20 Se necesitan de 5 a 10 rondas para solucionar cualquier problema de la cadena de suministro
44:44 Las cadenas de suministro envejecidas son unidireccionalmente cuasi-óptimas
49:06 Las optimizaciones locales de las cadenas de suministro solo desplazan problemas
52:56 Los problemas mejores superan a las soluciones mejores
01:00:08 Conclusión
01:02:24 Próxima conferencia y preguntas del público

Descripción

Si bien las cadenas de suministro no pueden caracterizarse por leyes cuantitativas definitivas, a diferencia del electromagnetismo, aún se pueden observar principios cuantitativos generales. Por “generales”, nos referimos a aquellos aplicables a (casi) todas las cadenas de suministro. Descubrir tales principios es de gran interés porque se pueden utilizar para facilitar la ingeniería de recetas numéricas destinadas a la optimización predictiva de las cadenas de suministro, pero también se pueden utilizar para hacer que esas recetas numéricas sean más poderosas en general. Revisamos dos listas cortas de principios: algunos principios observacionales y algunos principios de optimización.

Transcripción completa

Hola a todos, bienvenidos a esta serie de conferencias sobre cadenas de suministro. Soy Joannes Vermorel y hoy presentaré algunos “Principios Cuantitativos para Cadenas de Suministro”. Para aquellos de ustedes que están viendo la conferencia en vivo en YouTube, pueden hacer sus preguntas en cualquier momento a través del chat de YouTube. Sin embargo, no estaré leyendo 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 las cadenas de suministro, como hemos visto durante las primeras conferencias, implican el dominio de la opcionalidad. La mayoría de estas opciones son de naturaleza cuantitativa. Debes decidir cuánto comprar, cuánto producir, cuánto inventario mover y potencialmente el punto de precio, ya sea que desees aumentar o disminuir el punto de precio. Por lo tanto, un principio cuantitativo que pueda impulsar mejoras en las recetas numéricas para cadenas de suministro es de gran interés.

Sin embargo, si le preguntara a la mayoría de las autoridades o expertos en cadenas de suministro en la actualidad cuáles son sus principios cuantitativos fundamentales para las cadenas de suministro, sospecho que con frecuencia obtendría una respuesta en línea con una serie de técnicas para una mejor previsión de series de tiempo o algo equivalente. Mi reacción personal es que, aunque esto es interesante y relevante, también se pierde el punto. Creo que en el núcleo, el malentendido radica en la propia naturaleza del progreso, en qué consiste el progreso y cómo se puede implementar algo como el progreso en lo que respecta a las cadenas de suministro. 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 está fechada en 1949, como se ilustra en esta patente. Para cuando se inventó la maleta con ruedas, ya habíamos aprovechado la energía atómica e incluso detonado las primeras bombas atómicas.

Avancemos rápidamente 20 años después, en 1969, cuando la humanidad envió a las primeras personas a la luna. Al año siguiente, la maleta con ruedas se mejoró con un mango ligeramente mejor, que se parece a una correa, como se ilustra en esta patente. Aún no es muy bueno.

Luego, 20 años después, para ese momento, ya teníamos el sistema de posicionamiento global GPS que había estado sirviendo a los civiles durante casi una década, y finalmente se inventó el mango adecuado para la maleta con ruedas.

Aquí hay al menos dos lecciones de interés. Primero, no existe tal cosa como una flecha obvia del tiempo en lo que respecta al progreso. El progreso ocurre de manera caótica y no lineal, y es muy difícil evaluar el progreso que debería ocurrir en un campo basándose en lo que está sucediendo en otros campos. Este es un elemento que debemos tener en cuenta hoy.

La segunda cosa es que el progreso no debe confundirse con la sofisticación. Puedes tener algo que es vastamente superior pero también vastamente más simple. Si tomo el ejemplo de la maleta, una vez que has visto una, el diseño parece completamente obvio y evidente por sí mismo. Pero, ¿fue un problema fácil de resolver? Yo diría que absolutamente no. La prueba simple de que la gestión de la cadena de suministro era un problema difícil de resolver es que a una civilización industrial avanzada le llevó un poco más de cuatro décadas abordar este problema. El progreso es engañoso en el sentido de que no se rige por la regla de la sofisticación. Es muy difícil identificar cómo era el mundo antes de que ocurriera el progreso porque está cambiando literalmente tu visión del mundo a medida que ocurre.

Ahora, volvamos a nuestra discusión sobre la cadena de suministro. Esta es la sexta y última conferencia de este prólogo. Hay un plan integral que puedes consultar en línea en el sitio web de Lokad sobre toda la serie de conferencias sobre la cadena de suministro. Hace dos semanas, presenté las tendencias del siglo XX para las cadenas de suministro, adoptando una perspectiva puramente cualitativa sobre el problema. Hoy, estoy adoptando el enfoque opuesto al adoptar una perspectiva bastante cuantitativa sobre este conjunto de problemas como contrapunto.

Hoy, revisaremos un conjunto de principios. Por principio, me refiero a algo que se puede utilizar para mejorar el diseño de recetas numéricas en general para todas las cadenas de suministro. Tenemos la ambición de generalización aquí, y es bastante difícil encontrar cosas que sean de relevancia primordial para todas las cadenas de suministro y todos los métodos numéricos para mejorarlas. Revisaremos dos listas cortas de principios: principios observacionales y principios de optimización.

Los principios observacionales se aplican a la forma en que puedes adquirir conocimiento e información cuantitativamente sobre las cadenas de suministro. Los principios de optimización se relacionan con cómo actúas una vez que has adquirido conocimiento cualitativo sobre tu cadena de suministro, específicamente, cómo utilizar estos principios para mejorar tus procesos de optimización.

Comencemos observando una cadena de suministro. Me resulta desconcertante cuando las personas hablan sobre las cadenas de suministro como si pudieran observarlas directamente con sus propios ojos. Para mí, esta es una percepción muy distorsionada de la realidad de las cadenas de suministro. Las cadenas de suministro no se pueden observar directamente desde un punto de vista cuantitativo, al menos no humanamente. Esto se debe a que las cadenas de suministro, por diseño, están geográficamente distribuidas, involucrando potencialmente miles de SKU y decenas de miles de unidades. Con tus ojos humanos, solo podrías observar la cadena de suministro tal como es hoy y no cómo era en el pasado. No puedes recordar más que unos pocos números o una fracción minúscula de los números asociados con tu cadena de suministro.

Cuando quieras observar una cadena de suministro, realizarás esas observaciones de manera indirecta a través de software empresarial. Esta es una forma muy específica de ver las cadenas de suministro. Todas las observaciones que se pueden hacer cuantitativamente sobre las cadenas de suministro ocurren a través de este medio específico: el software empresarial.

Caractericemos un típico software empresarial. Va a contener una base de datos, ya que la gran mayoría de este tipo de 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 gran cantidad de información. Sin embargo, en la mayoría de las situaciones, solo una fracción minúscula de esta complejidad del software es realmente relevante para la cadena de suministro de interés.

Los proveedores de software diseñan software empresarial teniendo en cuenta situaciones muy diversas en general. Al mirar a un cliente específico, es probable que solo se utilice una fracción minúscula de las capacidades del software. Esto significa que aunque puede haber 10,000 campos para explorar en teoría, en realidad, las empresas solo están utilizando una pequeña fracción de esos campos.

El desafío es cómo separar la información relevante de los datos inexistentes o irrelevantes. Solo podemos observar las cadenas de suministro a través del software empresarial, y puede haber más de un software involucrado. En algunos casos, un campo nunca se ha utilizado y los datos son constantes, conteniendo solo ceros o nulos. En esta situación, es fácil eliminar el campo porque no contiene ninguna información. Sin embargo, en la práctica, la cantidad de campos que se pueden eliminar utilizando este método puede ser solo alrededor del 10%, ya que muchas características del software se han utilizado a lo largo de los años, incluso si solo fue accidentalmente.

Para identificar los campos que nunca se han utilizado de manera significativa, podemos recurrir a una herramienta llamada entropía informativa. 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 parece. La entropía informativa se trata de cuantificar la cantidad de información en una señal, siendo una señal definida 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 mucha información. En cambio, si solo hay una línea de un millón donde el valor es verdadero y todas las demás líneas son falsas, el campo en la base de datos prácticamente no contiene ninguna información.

La entropía informativa es muy interesante porque te permite cuantificar, en bits, la cantidad de información presente en cada campo de tu base de datos. Mediante un análisis, puedes clasificar estos campos de los más ricos a los más pobres en términos de información y eliminar aquellos que apenas contienen información relevante para la optimización de la cadena de suministro. La entropía informativa puede parecer complicada al principio, pero no es difícil de entender.

Por ejemplo, al imaginar un lenguaje de programación específico del dominio, hemos implementado la entropía informativa como un agregador. Al tomar una tabla, como datos de un archivo plano llamado data.csv con tres columnas, podemos trazar el resumen de cuánta entropía está presente en cada columna. Este proceso te permite determinar fácilmente qué campos contienen la menor cantidad de información y eliminarlos. Usando la entropía como guía, puedes comenzar rápidamente un proyecto en lugar de tardar años en hacerlo.

Pasando a la siguiente etapa, hacemos nuestras primeras observaciones sobre las cadenas de suministro y consideramos qué esperar. En las ciencias naturales, la expectativa predeterminada son las distribuciones normales, también conocidas como curvas en forma de campana o gaussianas. Por ejemplo, la altura de un hombre humano de 20 años o su peso tendrán una distribución normal. En el ámbito de los seres vivos, muchas medidas siguen este patrón. Sin embargo, cuando se trata de la cadena de suministro, este no es el caso. Prácticamente no hay nada de interés que se distribuya normalmente en las cadenas de suministro.

En cambio, casi todas las distribuciones de interés en las cadenas de suministro siguen una distribución Zipf. La distribución Zipf se ilustra en la fórmula dada. Para entender este concepto, consideremos una población de productos, siendo el volumen de ventas de cada producto la medida de interés. Clasificarías los productos desde el mayor hasta el menor volumen de ventas en un período de tiempo determinado, como un año. La pregunta entonces es si hay un modelo que predice la forma de la curva y si, dado el rango, proporcionará el volumen de ventas esperado. Esto es precisamente de lo que trata la distribución Zipf. Aquí, f representa la forma de una ley de Zipf-Mandelbrot, y k se refiere al k-ésimo elemento más grande. Hay dos parámetros, q y s, que esencialmente se aprenden, al igual que tienes mu (la media) y sigma (la varianza) para una distribución normal. Estos parámetros se pueden utilizar para ajustar la distribución a una población de interés. La ley de Zipf-Mandelbrot engloba estos parámetros.

Es importante destacar que prácticamente todas las poblaciones de interés en la cadena de suministro siguen una distribución Zipf. Esto es cierto para productos, clientes, proveedores, promociones, e incluso unidades de despacho. La distribución Zipf es básicamente una 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 para cualquier población de interés en la cadena de suministro. Si te encuentras con una población que no sigue una distribución Zipf, es más probable que haya un problema con los datos, en lugar de una verdadera desviación del principio.

Para aprovechar el concepto de distribución 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 reales. Aquí, asumo que hay 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 según la cantidad. Luego, entre las líneas 6 a 11, ingreso a un bloque de programación diferenciable explícito, hecho 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 uso un error cuadrático medio entre la cantidad observada y la predicción del modelo. Literalmente puedes regresar la distribución 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 las cadenas de suministro: los números que esperarías en cualquier nivel de la cadena de suministro son pequeños, generalmente inferiores a 20. No solo tendrás pocas observaciones, sino que los números que observes también serán pequeños. Por supuesto, este principio depende de las unidades utilizadas, pero cuando digo “números”, me refiero a aquellos que tienen sentido canónico desde una perspectiva de cadena de suministro, que son los que estás tratando de observar y optimizar.

La razón por la que solo tenemos números pequeños se debe a las economías de escala. Tomemos como ejemplo las camisetas en una tienda. La tienda puede tener miles de camisetas en stock, lo cual parece ser 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 desde la perspectiva de relevancia para una cadena de suministro, que es el SKU, la tienda no tendrá miles de unidades de camisetas para un SKU dado; en cambio, solo tendrán unas pocas.

Si tienes un número mayor de camisetas, no vas a tener miles de camisetas tiradas por ahí, ya que sería una pesadilla en términos de procesamiento y movimiento. En su lugar, 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 estás enviando a las tiendas, entonces lo más probable es que esas camisetas estén en cajas. Incluso podrías tener una caja que contenga un surtido completo de camisetas con diferentes tamaños y colores, lo que facilita el procesamiento a lo largo de la cadena. Si tienes muchas cajas tiradas por ahí, no vas a tener miles de cajas así. En cambio, si tienes docenas de cajas, las organizarás ordenadamente en paletas. Una paleta puede contener varias docenas de cajas. Si tienes muchas paletas, no las organizarás como paletas individuales; lo más probable es que las organices como contenedores. Y si tienes muchos contenedores, utilizarás un barco de carga u algo similar.

Mi punto es que cuando se trata de números en la cadena de suministro, el número verdaderamente relevante siempre es un número pequeño. Esta situación no se puede evitar simplemente subiendo a un nivel agregado más alto porque, a medida que te mueves a un nivel más alto de agregación, algún tipo de economía de escala entra en juego y quieres introducir un mecanismo de agrupación para reducir tus costos operativos. Esto sucede varias veces, por lo que no importa a qué escala estés mirando, 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 sean el número de camisetas, sino el número de lotes, que será un número mucho más pequeño.

¿A dónde quiero llegar con este principio? Primero, debes mirar cómo son la mayoría de los métodos en la computación científica o estadística. Resulta que en la mayoría de los otros campos que no están relacionados con la cadena de suministro, prevalece lo contrario: grandes cantidades de observaciones y grandes cantidades donde la precisión importa. Sin embargo, en la cadena de suministro, los números son pequeños y discretos.

Mi propuesta es que necesitamos herramientas basadas en este principio que acomoden y abracen profundamente el hecho de que vamos a tener números pequeños en lugar de números grandes. Si tienes herramientas que solo han sido diseñadas teniendo en cuenta la ley de los grandes números, ya sea debido a muchas observaciones o debido a números grandes en sí mismos, tienes una incompatibilidad total cuando se trata de la cadena de suministro.

Por cierto, esto tiene profundas implicaciones en el software. Si tienes números pequeños, hay muchas formas 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 vende 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. Aceptar este concepto puede resultar en una ganancia operativa de uno o dos órdenes de magnitud. Esto no es solo un deseo; hay ganancias operativas reales. Puedes pensar que las computadoras hoy en día son muy potentes, y lo son, pero si tienes más potencia de procesamiento a tu disposición, puedes tener algoritmos más avanzados que hagan cosas que sean aún mejores para tu cadena de suministro. Es inútil desperdiciar esta potencia de procesamiento solo porque tienes un paradigma que espera números grandes cuando predominan los números pequeños.

Eso me lleva al último principio observacional de hoy: los patrones están en todas partes en la cadena de suministro. Para entender esto, echemos un vistazo a un problema clásico de la cadena de suministro donde generalmente se considera que no hay patrones: la optimización de rutas. El problema clásico de la optimización de rutas implica una lista de entregas por realizar. Puedes colocar las entregas en un mapa y quieres 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 un problema completamente geométrico sin patrones involucrados en su resolución.

Sin embargo, propongo que esta perspectiva es completamente incorrecta. Al abordar el problema desde este ángulo, estás mirando el problema matemático, no el problema de la cadena de suministro. Las cadenas de suministro son juegos iterados donde los problemas se manifiestan repetidamente. Si te dedicas a organizar entregas, lo más probable es que hagas entregas todos los días. No es solo una ruta; es literalmente una ruta por día, al menos.

Además, si te dedicas a hacer entregas, es probable que tengas una flota completa 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.

En primer lugar, los puntos no están distribuidos al azar en el mapa. Tienes puntos calientes, o áreas geográficas con una alta densidad de entregas. Puede haber direcciones que reciben entregas casi todos los días, como la sede de una gran empresa en una gran ciudad. Si eres una gran empresa de comercio electrónico, probablemente estés entregando paquetes a esta dirección todos los días laborables. Estos puntos calientes no son inmutables; tienen su estacionalidad. Algunos vecindarios pueden estar muy tranquilos durante el verano o el invierno. Hay patrones, y si quieres ser muy bueno jugando el juego de la optimización de rutas, debes tener en cuenta no solo dónde van a ocurrir estos puntos calientes, sino también cómo se van a desplazar durante el transcurso del año. Además, tienes que tener en cuenta el tráfico. No debes pensar solo en la distancia geométrica, ya que el tráfico depende del tiempo. Si un conductor comienza en un cierto punto en el tiempo durante el día, a medida que avanza en su ruta, el tráfico cambiará. Para jugar bien este juego, debes tener en cuenta los patrones de tráfico, que cambian y se pueden predecir de manera confiable con anticipación. Por ejemplo, en París, a las 9:00 a.m. y a las 6:00 p.m., toda la ciudad está completamente congestionada, y no tienes que ser un experto en pronósticos para saberlo.

También hay cosas que suceden en el lugar, como accidentes que perturban los patrones habituales de tráfico. Si miramos las entregas desde una perspectiva matemática, asume que todos los puntos de entrega son iguales, pero no lo son. Puede que tengas clientes VIP, o direcciones específicas donde debes entregar la mitad de tu carga. Estos hitos clave en tu ruta deben tenerse en cuenta para una optimización efectiva de la ruta.

También debes tener en cuenta el 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 saber 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 que resulta ser absurda. Las personas luego luchan contra el sistema, lo cual no es una buena solución práctica de optimización de rutas desde una perspectiva de cadena de suministro.

El punto es que cuando miramos situaciones de cadena de suministro, hay muchos patrones por todas partes. Debemos tener cuidado de no distraernos con estructuras matemáticas elegantes y recordar que estas consideraciones también se aplican a la previsión de series temporales. Tomé el problema de optimización de rutas como ejemplo porque era más manifiesto en este caso.

En conclusión, debemos observar la cadena de suministro desde todas las dimensiones que son observables, no solo las 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 ver nuestra cadena de suministro. Hasta ahora, hemos visto cuatro principios relacionados con cómo debemos ver nuestra cadena de suministro: observación indirecta, software empresarial, ordenar el desorden para determinar qué es relevante y qué no lo es, y entropía. Hemos observado que las distribuciones a menudo siguen la ley de Zipf, e incluso con números pequeños, aún podemos ver que surgen patrones. La pregunta ahora es, ¿cómo actuamos? Matemáticamente hablando, cuando queremos decidir el mejor curso de acción, realizamos una optimización de algún tipo, que es la perspectiva cuantitativa.

Lo primero que hay que tener en cuenta es que tan pronto como tengamos una pieza de lógica de optimización en producción para las cadenas de suministro, surgirán problemas, como errores. El software empresarial es una bestia muy compleja y a menudo está lleno de errores. A medida que diseñes tu propia lógica de optimización para tu cadena de suministro, habrá muchos problemas. Sin embargo, si una pieza de lógica es lo suficientemente buena como para ser puesta en producción, cualquier problema que enfrentemos ahora probablemente sean casos excepcionales. Si no fuera un caso excepcional y el software o la lógica estuvieran funcionando mal cada vez, nunca habría llegado a producción.

La idea de este principio es que se necesitan entre cinco y diez rondas para solucionar cualquier problema. Cuando digo cinco a diez rondas, me refiero a que te enfrentarás a un problema, lo analizarás, entenderás la causa raíz y luego intentarás aplicar una solución. Pero la mayoría de las veces, la solución no resolverá 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. Es posible que hayas solucionado una pequeña instancia de una clase más amplia de problemas, pero seguirán ocurriendo otros problemas que son variantes del que creías haber resuelto.

Las cadenas de suministro son bestias complejas y cambiantes que operan en el mundo real, lo que dificulta tener un diseño que sea correctamente correcto en todas las situaciones. En la mayoría de los casos, haces un intento de mejor esfuerzo para solucionar un problema, y luego debes poner tu lógica revisada a prueba 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 sobre la velocidad de las adaptaciones y la frecuencia con la que actualizas o recalculas la lógica de optimización de tu cadena de suministro. Por ejemplo, si tienes una pieza de lógica que produce un pronóstico trimestral para los próximos dos años y solo ejecutas esta lógica una vez por trimestre, llevará entre uno y dos años solucionar cualquier problema que enfrentes con esta lógica de pronóstico, 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 proceso de Planificación de Ventas y Operaciones (S&OP), aún podría llevar hasta un año solucionar un problema. Por eso es importante aumentar la frecuencia de ejecución de tu lógica de optimización de cadena de suministro. En Lokad, por ejemplo, cada pieza de lógica se ejecuta diariamente, incluso para pronósticos a cinco años. Estos pronósticos se actualizan diariamente, incluso si no cambian mucho de un día para otro. El objetivo no es obtener una precisión estadística, sino asegurarse de que la lógica se ejecute con la suficiente frecuencia para solucionar cualquier problema o error dentro de un marco de tiempo razonable.

Esta observación no es exclusiva de la gestión de la cadena de suministro. Los equipos de ingeniería inteligentes en empresas como Netflix han popularizado la idea de la ingeniería del caos. Se dieron cuenta de que los casos extremos eran raros y la única forma de solucionar estos problemas era repetir la experiencia con más frecuencia. Como resultado, crearon un software llamado el Mono del Caos, que agrega caos a su infraestructura de software creando interrupciones de red y bloqueos aleatorios. El propósito del Mono del Caos es hacer que los casos extremos se manifiesten más rápido, permitiendo al equipo de ingeniería solucionarlos más rápidamente.

Aunque pueda parecer contradictorio introducir un nivel adicional de caos en tus operaciones, este enfoque ha demostrado ser efectivo para Netflix, que es conocido por su excelente confiabilidad. Entienden que cuando se enfrentan a un problema impulsado por el software, se necesitan muchas iteraciones para resolverlo, y la única forma de llegar al fondo del problema es iterar rápidamente. El Mono del Caos es solo una forma de aumentar la velocidad de iteración.

Desde una perspectiva de cadena de suministro, el Mono del Caos puede no ser directamente aplicable, pero el concepto de aumentar la frecuencia de ejecución de tu lógica de optimización de cadena de suministro sigue siendo muy relevante. Cualquier lógica que tengas para optimizar tu cadena de suministro debe ejecutarse a alta velocidad y frecuencia; de lo contrario, nunca solucionarás ninguno de los problemas a los que te enfrentas.

Ahora bien, las cadenas de suministro envejecidas son cuasi-óptimas, y cuando digo envejecidas me refiero a cadenas de suministro que han estado en funcionamiento durante dos décadas o más. Otra forma de expresar este principio es que tus predecesores en la cadena de suministro no eran todos incompetentes. Cuando observas iniciativas de optimización de la cadena de suministro, con demasiada frecuencia hay grandes ambiciones como reducir los niveles de stock a la mitad, aumentar los niveles de servicio del 95% al 99%, eliminar los faltantes de stock o dividir los tiempos de entrega a la mitad. Estos son movimientos grandes y unidireccionales donde te enfocas en un KPI e intentas mejorarlo masivamente. Sin embargo, he observado que estas iniciativas casi siempre fracasan por una razón muy contundente: cuando tomas una cadena de suministro que ha estado en funcionamiento durante décadas, generalmente hay cierta sabiduría latente en la forma en que se han hecho las cosas.

Por ejemplo, si los niveles de servicio están en un 95%, es probable que si intentas aumentarlos al 99%, aumentes considerablemente los niveles de stock y crees una cantidad masiva de stock muerto en el proceso. De manera similar, si tienes una cierta cantidad de stock y lanzas una iniciativa masiva para reducirlo a la mitad, es probable que crees problemas significativos de calidad de servicio que no son sostenibles.

Lo que he observado es que muchos profesionales de la cadena de suministro que no comprenden el principio de que las cadenas de suministro envejecidas son cuasi-óptimas unidireccionalmente tienden a tener oscilaciones alrededor del óptimo local. Ten en cuenta que no estoy diciendo que las cadenas de suministro envejecidas sean óptimas, pero son cuasi-óptimas unidireccionalmente. Si observas la analogía del Gran Cañón, el río talla el camino óptimo debido a la fuerza unidireccional de la gravedad. Si aplicaras una fuerza diez veces más fuerte, el río aún experimentaría muchas convoluciones.

El punto es que con las cadenas de suministro envejecidas, si quieres lograr mejoras significativas, debes ajustar muchas variables a la vez. Centrarse en una sola variable no dará los resultados deseados, especialmente si tu empresa ha estado operando durante décadas con el statu quo. Es probable que tus predecesores hayan hecho algunas cosas bien en su momento, por lo que las probabilidades de que te encuentres con una cadena de suministro enormemente disfuncional a la que nadie haya prestado atención son mínimas. Las cadenas de suministro son problemas complejos, y aunque es posible crear situaciones completamente disfuncionales a gran escala, esto será muy poco frecuente en el mejor de los casos.

Otro aspecto a considerar es que la optimización local solo desplaza los problemas en lugar de resolverlos. Para entender esto, debes reconocer que las cadenas de suministro son sistemas, y al pensar en términos de rendimiento de la cadena de suministro, solo interesa el rendimiento a nivel del sistema. El rendimiento 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, no solo problemas de cadena de suministro. Por ejemplo, en una red minorista con muchas tiendas, es posible que desees 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 muchas tiendas, es completamente trivial micro-optimizar una tienda y lograr una excelente calidad de servicio para esa tienda a expensas de todas las demás tiendas.

La perspectiva correcta es pensar que cuando tienes una unidad disponible en el centro de distribución, la pregunta que debes 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 asignación de inventario, solo tiene sentido a nivel del sistema, no a nivel de la tienda. Si optimizas lo que sucede en una tienda, es probable que crees problemas en otra tienda.

Cuando digo “local”, este principio no solo debe entenderse desde una perspectiva geográfica; también puede ser una cuestión puramente lógica dentro de la cadena de suministro. Por ejemplo, si eres una empresa de comercio electrónico con muchas categorías de productos, es posible que desees asignar presupuestos variables para las diversas categorías. Esta es otro tipo de estrategia de dividir y conquistar. Sin embargo, si divides 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 de productos en otra categoría 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 dividir y conquistar. Si utilizas técnicas de optimización local, es posible que termines creando problemas a medida que creas tu solución supuestamente optimizada.

Eso me lleva al último principio, que es probablemente el más complicado entre todos los principios que he presentado hoy: los mejores problemas superan a las mejores soluciones. Esto puede ser extremadamente confuso, especialmente en 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 estos problemas. En un problema matemático, por ejemplo, un estudiante puede encontrar una solución más concisa, más elegante, y eso se considera la mejor solución.

Sin embargo, en realidad, las cosas no suceden de esa manera en la gestión de la cadena de suministro. Para ilustrar esto, retrocedamos 60 años y veamos el problema de cocinar, una actividad que consume mucho tiempo. En el pasado, las personas imaginaban que los robots podrían ser utilizados en el futuro para realizar tareas de cocina, aumentando así significativamente la productividad de la persona a cargo de cocinar. Este tipo de pensamiento era predominante en la década de 1950 y 1960.

Avancemos rápidamente hasta hoy y es obvio que las cosas no han evolucionado de esa manera. Para minimizar los esfuerzos de cocina, las personas ahora compran comidas precocinadas. Este es otro ejemplo de desplazamiento de problemas. Proporcionar supermercados con comidas precocinadas es más desafiante desde una perspectiva de cadena de suministro que proporcionarles productos crudos, debido al mayor número de referencias y fechas de vencimiento más cortas. El problema se resolvió a través de una solución superior de cadena de suministro, no proporcionando una mejor solución de cocina. El problema de cocinar se eliminó por completo y se redefinió como proporcionar una comida decente con un esfuerzo mínimo.

En términos de cadenas de suministro, la perspectiva académica a menudo se centra en encontrar mejores soluciones a 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 para obtener la mejor predicción en estos conjuntos de datos. Tienes un problema bien definido y miles de soluciones compitiendo entre sí. El problema con esta mentalidad es que te da la impresión de que si quieres lograr mejoras para tu cadena de suministro, lo que necesitas es una mejor solución.

La esencia del principio es que una mejor solución puede ayudar marginalmente, pero solo marginalmente. Por lo general, lo que realmente ayuda es cuando redefines el problema, y eso es sorprendentemente difícil. Esto también se aplica a los problemas cuantitativos. Necesitas repensar tu estrategia real de cadena de suministro y el problema clave que debes optimizar.

En muchos círculos, las personas piensan en los problemas como si fueran estáticos e inmutables, buscando mejores soluciones. No niego que tener un algoritmo de pronóstico de series de tiempo mejor pueda ser de ayuda, pero el pronóstico de series de tiempo pertenece al ámbito del pronóstico estadístico, no al dominio de la gestión de la cadena de suministro. Si volvemos a mi ejemplo inicial de la maleta de viaje, la mejora clave para una maleta con ruedas no estaba en las ruedas, sino en el asa. Era algo que no tenía nada que ver con las ruedas a primera vista, y por eso se tardó 40 años en encontrar una solución: tienes que pensar fuera de la caja para que surja el mejor problema.

Este principio cuantitativo se trata de desafiar los problemas a los que te enfrentas. Tal vez no estás 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 comprendes al respecto. Tan pronto como tienes un problema bien definido, tener una buena solución suele ser solo una cuestión mundana de ejecución, que no es tan difícil.

En conclusión, la supply chain como campo de estudio tiene muchas perspectivas impresionantes y autoritarias. Estas pueden ser sofisticadas, pero la pregunta que me gustaría hacerle a esta audiencia es: ¿podría ser que todo eso esté severamente equivocado? ¿Estamos realmente seguros de que elementos como la previsión de series temporales y la investigación operativa son las perspectivas adecuadas sobre el problema? No importa la cantidad de sofisticación y décadas de ingeniería y esfuerzo invertidos en seguir esas direcciones, ¿estamos realmente en el camino correcto?

Hoy, estoy presentando una serie de principios que considero de gran relevancia para la gestión de la 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 sucederá dentro de algunas décadas.

El progreso tiende a desarrollarse de manera caótica y no lineal. La idea con 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 mejorarán tus cadenas de suministro desde una perspectiva cuantitativa.

Ahora, pasemos a algunas preguntas.

Pregunta: ¿Cómo se comparan las distribuciones Zipf con la ley de Pareto?

La ley de Pareto es la regla general del 80-20, pero desde una perspectiva cuantitativa, la distribución Zipf es un modelo predictivo explícito. Tiene capacidades predictivas que se pueden desafiar con conjuntos de datos de manera muy directa.

Pregunta: ¿No sería mejor ver la distribución Zipf-Mandelbrot como una curva logarítmica para ver las fluctuaciones de la cadena de suministro, como hacen los epidemiólogos con los informes de casos y muertes?

Absolutamente. A nivel filosófico, la pregunta es si vives en Mediocrity-land o Extreme-land. Las cadenas de suministro y la mayoría de los asuntos humanos existen en el mundo de los extremos. Las curvas logarítmicas son realmente útiles si quieres visualizar la amplitud de las promociones. Por ejemplo, si quieres ver las amplitudes de todas las promociones pasadas para grandes redes minoristas en los últimos 10 años, usar una escala regular podría hacer que todo lo demás sea invisible, simplemente porque la promoción más grande de todas fue mucho más grande que las demás. Entonces, 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 implementar con unas pocas líneas de código, que es más que una simple vista logarítmica de los datos. Sin embargo, estoy de acuerdo en que la intuición básica es la misma. Desde una perspectiva filosófica de alto nivel, recomiendo leer el trabajo de Nassim Taleb sobre Mediocristan versus Extremistan en su libro “Antifrágil”.

Pregunta: En cuanto a la optimización local de la cadena de suministro, ¿te refieres a los datos subyacentes que respaldan la colaboración en la red de la cadena de suministro y el SNLP?

Mi problema con la optimización local es que las grandes empresas que operan cadenas de suministro importantes suelen tener organizaciones matriciales. Esta estructura organizativa, con su mentalidad de dividir y conquistar, resulta en una optimización local por diseño. Por ejemplo, considera dos equipos diferentes: uno responsable de la previsión de la demanda y otro responsable de las decisiones de compra. Estos dos problemas: la previsión de la demanda y la optimización de la compra, están completamente entrelazados. No puedes realizar una optimización local enfocándote solo en el porcentaje de error en la previsión de la demanda y luego optimizar la compra por separado en función de la eficiencia del procesamiento. Hay efectos sistémicos y debes considerarlos todos juntos.

El mayor desafío para la mayoría de las grandes empresas establecidas que impulsan cadenas de suministro significativas hoy en día es que, al apuntar a la optimización cuantitativa, debes pensar en toda la empresa y en todo el sistema. Esto va en contra de décadas de sedimentación de la organización matricial dentro de la empresa, donde las personas se han enfocado únicamente en sus límites bien definidos, olvidando el panorama general.

Otro ejemplo de este problema sería el inventario de la tienda. El stock cumple dos propósitos: por un lado, satisface la demanda de los clientes y, por otro lado, actúa como mercancía. Para tener la cantidad adecuada de stock, debes abordar el problema de la calidad del servicio y el problema del atractivo de la tienda. El atractivo de la tienda se trata de hacer que la tienda sea 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 cadena de suministro, y no trabajan naturalmente juntas cuando se trata de la optimización de la cadena de suministro. Mi punto es que si no unes todos estos aspectos, la optimización no funcionará.

En cuanto a tu preocupación por el SNLP, el problema es que las personas se reúnen solo para tener reuniones, lo cual no es muy eficiente. Hemos publicado un episodio de Lokad TV sobre SNLP hace unos meses, así que puedes consultar eso si quieres tener una discusión específica sobre SNLP.

Pregunta: ¿Cómo debemos distribuir el tiempo y la energía entre la estrategia de la cadena de suministro y la ejecución cuantitativa?

Esa es una excelente pregunta. La respuesta, como mencioné en mi segunda conferencia, es que necesitas la 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 lidiar con aspectos mundanos de la ejecución de la cadena de suministro, tienes un problema con tu metodología. Los expertos en cadena de suministro son demasiado valiosos como para desperdiciar su tiempo y energía en problemas mundanos de ejecución que deberían automatizarse desde el principio.

Necesitas seguir una metodología que te permita dedicar casi toda tu energía al pensamiento estratégico, que luego se implementa de inmediato como recetas numéricas superiores que impulsan la ejecución diaria de la cadena de suministro. Esto se relaciona con mi tercera conferencia sobre la entrega orientada al producto, donde me refiero a la entrega orientada al producto de software.

Pregunta: ¿Es posible hipotetizar algún tipo de análisis de techo, la mejor mejora posible para los problemas de la cadena de suministro dada su formulación sistémica?

Yo diría que no, absolutamente no. Pensar que hay algún tipo de óptimo o techo es equivalente a decir que hay un límite para la ingeniosidad humana. Si bien no tengo ninguna prueba de que no haya límite para la ingeniosidad humana, es una de mis creencias fundamentales. Las cadenas de suministro son problemas complejos. 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 la década de 2000, entendió que para ser un minorista exitoso, necesitaría una infraestructura de software masiva y sólida como una roca. Pero esta infraestructura de computación masiva y de grado industrial que necesitaba para ejecutar el comercio electrónico 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 ganancias para Amazon.

Cuando comienzas a pensar en problemas complejos, siempre puedes redefinir el problema de una manera superior. Por eso creo que es equivocado creer que existe una solución óptima. Cuando piensas en términos de análisis de techo, estás mirando un problema fijo, y desde la perspectiva de un problema fijo, es posible que tengas una solución que sea probablemente cuasióptima. Por ejemplo, si miras las ruedas de las maletas modernas, probablemente sean cuasióptimas. Pero ¿hay algo obvio que nos estemos perdiendo? Tal vez haya una forma de hacer las ruedas mucho mejores, una invención que aún no se haya realizado. Tan pronto como lo veamos, parecerá completamente evidente.

Por eso necesitamos 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 se juega según reglas completamente diferentes. Esto es desconcertante porque a las personas les gusta pensar que tienen un problema perfectamente diseñado y pueden encontrar soluciones. El sistema educativo occidental moderno enfatiza una mentalidad de encontrar soluciones, donde te damos un problema y evaluamos la calidad de tu solución. Sin embargo, una pregunta mucho más interesante es la calidad del problema en sí mismo.

Pregunta: Las mejores soluciones resolverán los problemas, pero a veces encontrar la mejor solución puede costar tiempo y dinero. ¿Existen soluciones alternativas para esto?

Absolutamente. Nuevamente, si tienes una solución que es teóricamente correcta pero lleva mucho tiempo implementar, no es una buena solución. Este tipo de pensamiento tiende a ser prevalente en ciertos círculos académicos, donde se centran en encontrar la solución perfecta según criterios matemáticos de mente estrecha que no tienen nada que ver con el mundo real. Eso es exactamente de lo que estaba hablando cuando mencioné el problema correcto de optimización.

Cada trimestre o así, hay un profesor que viene a mí y me pregunta si puedo revisar su algoritmo en línea para resolver el problema de optimización de rutas. La mayoría de los artículos que reviso en la actualidad se centran en variantes en línea. Mi respuesta siempre es la misma: no estás resolviendo el problema correcto. No me importa tu solución porque ni siquiera estás pensando correctamente en el problema en sí mismo.

No se debe confundir el progreso con la sofisticación. Es una percepción equivocada que el progreso va desde algo simple hasta algo sofisticado. En realidad, el progreso se logra a menudo comenzando con algo imposiblemente complicado y, a través de un pensamiento y tecnología superiores, logrando la simplicidad. Por ejemplo, si miras mi última conferencia sobre las tendencias de la cadena de suministro 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 la sofisticación adicional. A veces es necesario, pero no es un ingrediente esencial del progreso.

Pregunta: Las grandes redes minoristas están reduciendo sus niveles de stock, pero necesitan cumplir con los pedidos casi de inmediato. A veces deciden hacer una promoción por su cuenta que no ha sido iniciada por el proveedor. ¿Cuál sería el enfoque para predecir y prepararse en consecuencia a nivel de proveedor?

Primero, tenemos que mirar el problema desde una perspectiva diferente. Estás asumiendo una perspectiva de pronóstico, donde tu cliente, un gran minorista, está haciendo una gran promoción que surge de la nada. Primero, ¿es algo tan malo? Si promocionan tus productos sin informarte, eso es simplemente un hecho de la vida. Si miras tu historial, generalmente lo hacen de manera regular, e incluso hay patrones.

Si vuelvo a mis principios, los patrones están en todas partes. Primero, necesitas adoptar una perspectiva en la que no puedas predecir el futuro; en su lugar, necesitas pronósticos probabilísticos. Incluso si no puedes anticipar perfectamente las fluctuaciones, es posible que tampoco sean completamente 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 vinculen al minorista, a la red minorista y al proveedor. Si la red minorista comienza a hacer un gran impulso sin dar aviso al proveedor, el proveedor no puede ser responsable de mantener la calidad del servicio de manera realista.

Tal vez 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 perecederos, podría ser más rentable tener un par de meses de stock. A menudo, la gente piensa en tener cero demora, cero stock y cero todo, pero ¿es eso realmente lo que tus clientes esperan de ti? Tal vez lo que tus clientes esperan es un valor agregado en forma de un stock abundante. Nuevamente, la respuesta depende de varios factores.

Necesitas analizar el problema desde muchos ángulos y no hay una solución trivial. Necesitas pensar realmente duro sobre el problema y considerar todas las opciones disponibles para ti. Tal vez el problema no sea más stock, sino más capacidad de producción. Si hay un gran aumento de la demanda y no es demasiado caro tener un gran pico, y los proveedores de los proveedores pueden proporcionar los materiales lo suficientemente rápido, tal vez todo lo que necesitas es una capacidad de producción más versátil. Esto te permitiría redirigir tu capacidad de producción hacia lo que está aumentando en este momento.

Por cierto, esto existe en ciertas industrias. Por ejemplo, la industria del embalaje tiene capacidades masivas. La mayoría de las máquinas en la industria del embalaje son impresoras industriales, que son relativamente económicas. Las personas en el negocio del embalaje suelen tener 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 gran impulso, tienen la capacidad de imprimir toneladas de nuevos paquetes que se ajustan al nuevo impulso de marketing de la marca.

Entonces, realmente depende de varios factores, y lamento no tener una respuesta definitiva. Pero lo que puedo decir definitivamente es que debes pensar realmente duro sobre el problema al que te 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 las personalidades de la supply chain. Nos vemos la próxima vez.