Precisión de pronóstico en dólares en lugar de porcentajes

00:00:08 Introducción del tema de mejorar la precisión de los pronósticos en la industria de la cadena de suministro.
00:01:22 Explicación de lo que significa un pronóstico más preciso y el uso de métricas de pronóstico.
00:03:21 Discusión sobre las limitaciones de utilizar métricas matemáticas para medir el rendimiento de las cadenas de suministro.
00:05:30 Énfasis en medir la precisión de los pronósticos en dólares en lugar de porcentajes.
00:08:42 Explicación de cómo maximizar la precisión en porcentajes puede ser engañoso para el rendimiento de la cadena de suministro.
00:09:04 Discusión sobre las limitaciones de utilizar una métrica directa para pronosticar las ventas.
00:10:20 Explicación de cómo utilizar un modelo que pronostica cero ventas conduce a un resultado desastroso para la empresa.
00:11:23 Explicación del problema con las métricas simétricas en el contexto de la gestión de la cadena de suministro.
00:13:02 Explicación de cómo los pronósticos son simplemente opiniones educadas sobre el futuro y su impacto en la cadena de suministro.
00:16:32 Discusión sobre los peligros de crear divisiones dedicadas a mejorar la precisión de los pronósticos.
00:18:09 Discusión sobre cómo los pronósticos mejorarán con el tiempo.
00:19:01 Explicación de que mejores métricas de pronóstico no siempre se traducen en un mejor rendimiento de la cadena de suministro.
00:21:41 Darse cuenta de que el crecimiento y la rentabilidad de la empresa no necesariamente significaban que las cadenas de suministro de los clientes estuvieran mejorando.
00:22:04 Explicación de la diferencia entre un modelo de suscripción mensual y planes de varios años.
00:25:53 Explicación de cómo el producto evolucionó de ser solo un pronóstico a ser una herramienta que ayuda a descubrir métricas de precisión.
00:26:56 Discusiones sobre las métricas utilizadas en la gestión de la cadena de suministro.
00:27:20 Los beneficios de utilizar pronósticos probabilísticos y métricas específicas como la entropía cruzada y el puntaje de probabilidad de rango continuo.
00:27:54 El cambio de perspectiva de mejorar la precisión de los pronósticos a maximizar el rendimiento de la cadena de suministro.
00:29:51 La importancia de tener una persona responsable de principio a fin de toda la cadena de suministro.
00:32:23 La importancia de tener un proceso de optimización monolítico en la gestión de la cadena de suministro.

Resumen

El fundador de Lokad, Joannes Vermorel, habló con la presentadora Nicole Zint sobre las limitaciones de utilizar métricas de precisión para mejorar el rendimiento de la cadena de suministro. Vermorel argumentó que las empresas a menudo se centran demasiado en mejorar la precisión de los pronósticos sin considerar el impacto en el resultado final. Propuso que medir la precisión de los pronósticos en dólares de error, en lugar de porcentajes, puede evaluar mejor si una empresa está avanzando en la dirección correcta. Vermorel también enfatizó la importancia de encontrar decisiones clave de la cadena de suministro que maximicen el beneficio o el rendimiento, en lugar de centrarse únicamente en mejorar la precisión de los pronósticos. Advirtió sobre los peligros de las métricas engañosas que pueden llevar a decisiones absurdas que perjudican a la empresa.

Resumen Extendido

El tema de la entrevista es la precisión de los pronósticos en la industria de la cadena de suministro. La presentadora, Nicole Zint, señala que a pesar de décadas de esfuerzo por mejorar la precisión de los pronósticos, una mayor precisión no ha llevado a cadenas de suministro con un mejor rendimiento. Se pregunta si la industria está enfocando el problema de manera incorrecta o si se está centrando en el problema equivocado por completo. Joannes Vermorel, el fundador de Lokad, explica que un pronóstico más preciso significa que un modelo de pronóstico es más preciso que otro según una métrica de pronóstico. Existen diferentes métricas de pronóstico, pero todas son objetos matemáticos que pueden no ser relevantes para la industria de la cadena de suministro. Vermorel señala que la expectativa de que se pueda elegir una métrica matemática de un libro de texto para adaptarse a un problema es incorrecta. Añade que maximizar la precisión en porcentajes puede ser engañoso para el rendimiento de la cadena de suministro. También señala que reducir el error de pronóstico a través de la optimización de métricas matemáticas no genera un rendimiento adicional en la cadena de suministro. Sin embargo, aumentar el error de pronóstico no necesariamente mejora el rendimiento de la cadena de suministro. Vermorel cree que la cadena de suministro no es un problema unidimensional y que existe una falsa dualidad entre precisión y rendimiento.

Vermorel explica que para mejorar el rendimiento de la cadena de suministro, es crucial reducir los errores de pronóstico. Sin embargo, no siempre es tan simple como simplemente reducir los errores, ya que las cadenas de suministro son multidimensionales. La clave para mejorar el rendimiento radica en conectar la calidad del pronóstico con el rendimiento de la cadena de suministro mediante la introducción de un factor económico. Vermorel propone medir la precisión de los pronósticos en dólares de error, en lugar de porcentajes, para evaluar si la empresa está avanzando en la dirección correcta. Señala que un error de pronóstico expresado en porcentajes no siempre coincide con la precisión de los pronósticos en dólares, que es el meollo del problema.

Zint pregunta a Vermorel cómo medir el rendimiento de la cadena de suministro, a lo que Vermorel responde que las métricas utilizadas pueden ser difíciles de definir. El desafío está en encontrar un buen pronóstico, que depende de la situación. Vermorel sugiere analizar un ejemplo específico, como un supermercado, para comprender cómo optimizar los pronósticos. Explica que a nivel de la tienda, la gran mayoría de los productos tienen una demanda promedio mucho menor que una unidad por semana, lo que significa que el resultado más probable para la gran mayoría de los productos en cualquier día dado es cero ventas. Si las empresas optimizan en función de una métrica que maximiza la precisión de los pronósticos en porcentajes, terminarán con un modelo que simplemente pronostica cero todos los días, lo que sería catastrófico para la empresa. Aún peor, si un modelo pronostica cero, la tienda repondrá cero, lo que llevará a una pérdida de ingresos y clientes.

En general, Vermorel argumenta que la clave para mejorar el rendimiento de la cadena de suministro radica en conectar la calidad del pronóstico con el rendimiento de la cadena de suministro mediante la introducción de un factor económico. Sugiere medir la precisión de los pronósticos en dólares de error y tener en cuenta los costos asociados con no tener suficiente inventario, en lugar de simplemente optimizar en función de una métrica que maximice la precisión de los pronósticos en porcentajes. De esta manera, las empresas pueden evitar optimizar su pronóstico para el resultado incorrecto, como cero ventas todos los días, y en su lugar lograr un mejor equilibrio entre la oferta y la demanda.

Vermorel discute el problema de la precisión de los pronósticos en la gestión de la cadena de suministro, destacando el problema de utilizar una métrica de precisión de pronóstico simétrica que otorga el mismo peso a la sobreestimación y al exceso de inventario. Vermorel argumenta que esto es un problema ya que el exceso de inventario es un problema significativo con consecuencias asimétricas. Él sostiene que si bien la precisión de los pronósticos es importante, debe estar vinculada al resultado final, que es tomar la decisión correcta en el momento adecuado para cada producto individual todos los días.

Vermorel argumenta que la introducción de artefactos numéricos, como existencias de seguridad, clases ABC y niveles de servicio, puede crear la tentación de crear un subgrupo de especialistas dentro de una empresa que sean expertos en el manejo de estos artefactos numéricos. Sin embargo, Vermorel argumenta que estos artefactos no son reales y que crear un equipo de especialistas que solo trabajen en mejorar la calidad del pronóstico es una causa fundamental del problema. Él cree que dicho equipo opera en su propia burbuja, produciendo pronósticos de acuerdo con su propio objetivo y métrica, sin tener en cuenta los resultados finales.

En opinión de Vermorel, las grandes empresas tienen dificultades para distribuir la carga de trabajo, y la introducción de un artefacto numérico no significa necesariamente que se deba crear un equipo para optimizarlo. En cambio, Vermorel argumenta que los gerentes de la cadena de suministro deben centrarse en los resultados finales y tomar las decisiones correctas en el momento adecuado para cada producto individual todos los días. Si bien la precisión de los pronósticos es importante, debe estar vinculada al resultado final, y los gerentes de la cadena de suministro deben tener cuidado de no centrarse únicamente en mejorar la precisión de los pronósticos sin tener en cuenta las consecuencias de sus decisiones.

Discutieron sobre las limitaciones de utilizar métricas de precisión para mejorar el rendimiento de la cadena de suministro. Vermorel cree que las empresas están demasiado enfocadas en mejorar la precisión de los pronósticos sin considerar el impacto en el resultado final. Haciendo un paralelo con los cultos de carga de las Islas del Pacífico durante la Segunda Guerra Mundial, Vermorel señala que los equipos de pronóstico optimizan métricas sin considerar el impacto más profundo en la cadena de suministro. Al centrarse en el impacto más profundo de sus métodos de pronóstico, Vermorel cree que Lokad puede ayudar a los clientes a lograr una cadena de suministro de mejor rendimiento a través de un modelo de suscripción mensual que prioriza los resultados positivos.

Vermorel analiza cómo el ciclo de retroalimentación en la optimización de la cadena de suministro es más estrecho, lo que significa que la empresa debe ser más receptiva a los cambios en el mercado. También señala que no es suficiente optimizar según una métrica determinada, ya que esto puede crear numerosos problemas. En cambio, las empresas deben descubrir las métricas de precisión que son específicas de su negocio, lo cual puede ser un desafío dado los muchos casos límite y factores únicos de cada industria.

Vermorel enfatiza la importancia de encontrar decisiones clave de la cadena de suministro que maximicen el beneficio o el rendimiento, en lugar de centrarse únicamente en mejorar la precisión de los pronósticos. Argumenta que las empresas deben tener una persona responsable de la toma de decisiones de principio a fin y que la fragmentación puede llevar a decisiones absurdas que perjudican a la empresa. Vermorel advierte sobre los peligros de las métricas engañosas que suenan racionales pero que en última instancia son profundamente irracionales, como centrarse únicamente en la supervivencia de una sola pieza de ajedrez en lugar de ganar el juego. Concluye recomendando a las empresas tener un proceso de optimización monolítico en lugar de dividir el proceso, que está diseñado de manera defectuosa y es contraproducente.

Transcripción completa

Nicole Zint: Toda la industria de la cadena de suministro ha estado tratando de mejorar la precisión de sus pronósticos durante décadas. Incluso cada gran empresa tiene su propia división dedicada a ese problema en particular. Pero sin embargo, el resultado de este esfuerzo, tal vez de manera contraintuitiva, ha demostrado que una mayor precisión y pronóstico no se traduce en cadenas de suministro más eficientes. ¿Estamos enfocando el problema de manera incorrecta o tal vez estamos abordando el problema equivocado desde el principio? ¿Y qué cambia si medimos la precisión en dólares en lugar de porcentajes? Este es el tema del episodio de hoy, así que comencemos con Jonas. ¿Qué significa que un pronóstico sea más preciso?

Joannes Vermorel: Un pronóstico más preciso significa que, según una determinada métrica de pronóstico, tienes un modelo que es más preciso que otro. Entonces, más específicamente, cuando decimos que tenemos un pronóstico más preciso, es un poco un abuso del lenguaje. De hecho, lo que realmente estamos diciendo es que tenemos un modelo de pronóstico que es más preciso que otro modelo de pronóstico, ¿y según qué? Según una determinada métrica de pronóstico, que es solo una métrica, solo una medida que cuantifica el error de pronóstico que tienes en los dos modelos de pronóstico. Entonces, de hecho, la precisión del pronóstico depende directamente de la métrica que uses, absolutamente. Y hay una amplia variedad de métricas de pronóstico que se conocen, diría yo, en la literatura. Las más extendidas probablemente sean el error cuadrático medio, el error absoluto, el error porcentual absoluto medio ponderado, el error ponderado, tienes un bestiario mundial de funciones que te permiten medir el error de pronóstico. Y todas esas métricas de pronóstico tienen en común que si tienes resultados perfectos, simplemente te dicen que tu error es cero. Así que tenemos una amplia variedad de métricas diferentes para usar. ¿Cuál es la mejor? ¿Cómo lo sabes?

Nicole Zint: En lo que respecta a la cadena de suministro, esta es una pregunta muy complicada porque la realidad es que todas las métricas que he mencionado son en realidad objetos matemáticos. Las encontrarás en los libros de texto porque te brindan muchas propiedades matemáticas interesantes, diría yo. Pero no es porque algo sea matemáticamente interesante que sea probablemente relevante para un dominio de interés. Sabes, tienes toneladas de cosas que pueden ser muy interesantes desde un punto de vista matemático, y eso no significa que vaya a tener alguna relevancia desde una perspectiva de cadena de suministro. Y creo que aquí radica el meollo del problema. La gente espera, y creo que es una expectativa equivocada, que pueden simplemente ir a un libro de texto matemático, revisar las docenas de métricas y elegir una y decir: esta es la que se ajusta a un objetivo. No funciona así. Entonces, de hecho, si observamos el problema de maximizar nuestra precisión en porcentajes, eso puede ser bastante engañoso para el rendimiento de la cadena de suministro.

Joannes Vermorel: Sí, quiero decir, nuevamente, nuestra conclusión no es que debamos maximizar el error de pronóstico. No es de lo que estoy hablando. Verás, el hallazgo fue más desconcertante que eso. El hallazgo fue que si simplemente reduces tu error de pronóstico a través de la optimización de métricas matemáticas, no genera un rendimiento adicional en la cadena de suministro. Pero lo contrario no es simple. No es simplemente porque aumentas tu error de pronóstico que realmente mejoras el rendimiento de tu cadena de suministro. Verás, aquí es donde se vuelve muy desconcertante porque hay esta especie de falsa dualidad donde dices, bueno, es una cosa u otra. Sí, sería así si la cadena de suministro fuera un problema unidimensional donde si, ya sabes…

Nicole Zint: Entonces, si reduces el error de pronóstico, mejoras el rendimiento de la cadena de suministro, y si haces lo contrario, degradas el rendimiento de la cadena de suministro. Si viviéramos en un mundo unidimensional, sí, sería así, pero las cadenas de suministro son multidimensionales, por lo que no funciona así en absoluto. Y ahí es donde diría que la intuición básica puede equivocarse mucho. Entonces, déjame preguntarte esto. Mencionaste el rendimiento de la cadena de suministro. ¿Cómo mides el rendimiento de la cadena de suministro?

Joannes Vermorel: Esa es la clave del problema, en realidad, es que ves, esas métricas de cadena de suministro, la gente tiene muchas dificultades para entender qué debería ser un buen pronóstico. Por lo tanto, se inventa una métrica que se elige de un libro de texto y se dice: “Esto es”, pero muy rápidamente te das cuenta de que no es así porque se encontró en un libro de texto, que porque estaba en un libro de texto matemático tiene alguna relevancia para tu problema de cadena de suministro. Y así, si quieres tener algo más, la pregunta es qué más. Sabes, esto se siente como una pregunta muy abierta, y en realidad, es una pregunta muy, muy rápida, y la especie de práctica que hemos pionerado que se ve es pensar en términos de dólares de error. ¿Qué es lo que estás tratando de optimizar? Y bueno, para conectar la calidad y el rendimiento de tu pronóstico con el rendimiento de tu cadena de suministro, necesitas inyectar una dosis de impulso económico, una dosis bastante grande, y ahí es cuando comienzas a medir las cosas en dólares de error. Luego, puedes comenzar a evaluar si realmente estás moviendo la aguja en la dirección que tiene sentido para tu cadena de suministro. Entonces, de hecho, cuanto mejor sea el rendimiento de la cadena de suministro, seguramente más dinero genera la empresa, más estamos reduciendo costos en nuestra cadena de suministro y, por lo tanto, aumenta nuestra ganancia. Entonces, eso es bastante interesante porque eso significa que si miramos la precisión del pronóstico en porcentajes, eso no necesariamente coincide con la precisión del pronóstico en dólares, que es el núcleo de este problema que estamos discutiendo en este momento.

Nicole Zint: Sí, y eso es muy concentrado. Nuevamente, creo que va a ser una afirmación controvertida, pero reducir el error de pronóstico expresado en porcentajes de error no mejora el rendimiento de la cadena de suministro. A veces incluso puede hacer lo contrario. Entonces, si miramos un ejemplo, digamos un supermercado. Un supermercado es un problema bastante interesante porque el comportamiento humano puede ser bastante impredecible. Entonces, si estoy administrando un supermercado y quiero saber, ¿voy a vender cero botellas de champú hoy o cinco, y tengo un pronóstico, y Joannes, cuál es la diferencia de precisión de este pronóstico en mi escenario en este momento si lo miro en términos de porcentajes versus dólares?

Joannes Vermorel: Entonces, primero aclaremos una cosa. El hecho de que haya un pensamiento de incertidumbre o muy poca incertidumbre simplemente va a definir la especie de magnitud del error de pronóstico que vas a observar. Así que está bien. Verás, esto depende completamente de la situación. Si estás mirando, digamos, el consumo nacional de electricidad, la variación de un día a otro es muy, muy pequeña. Hay un patrón diario, pero por lo demás, el consumo es muy, muy estable, por lo que observarás variaciones muy, muy pequeñas. Y si estás mirando algo que está extremadamente desagregado, como las botellas de champú en un supermercado, observarás en porcentaje una variación mucho mayor. Esto

Nicole Zint: Veamos este ejemplo específico de supermercado. Esta es una anécdota que ya mencioné en otro episodio. Hace años, hicimos una prueba de pronóstico en esta configuración y lo que nos dimos cuenta es que la gran mayoría de los productos, cuando operas a nivel de tienda, tienen una demanda promedio mucho menor que uno. Sabes, estás vendiendo uno, necesitas por semana en promedio por producto, o algo a veces incluso menor. Es más probable vender cero que una unidad de esto. Absolutamente, por lo que el resultado más probable para la gran mayoría de los productos en cualquier día dado es vender cero. ¿Cómo afecta esto a la precisión del pronóstico en porcentajes?

Joannes Vermorel: Si tomas una métrica, digamos el valor absoluto de tu pronóstico menos la realidad, y luego puedes dividirlo por las ventas anuales o lo que sea, y normalizarlo. Lo que obtendrás es una métrica que, si intentas optimizarla, lo que significa si intentas encontrar cuál es el modelo de pronóstico que te dará los mejores resultados según esta métrica, terminarás con un modelo que simplemente pronostica cero todos los días. ¿Y por qué? Porque las ventas cero son, con mucho, el resultado más probable en cualquier día dado. El modelo que será más preciso, según esta métrica muy simple y directa que te he dado, aunque es el valor absoluto de la realidad menos el pronóstico, si solo optimizas eso, tendrás un pronóstico que va a producir cero. Y aún más extraño y aún más perjudicial para la cadena de suministro, es que si tienes un modelo que pronostica cero, entonces venderás cero, y muy rápidamente tu tienda no tendrá nada en el estante, y así muy rápidamente tu pronóstico será 100% preciso porque pronosticaste cero, vendiste cero. Todo está bien, excepto que no lo está. Es una catástrofe para la empresa.

Nicole Zint: Sí, eso es bastante interesante. Incluso cuando obtenemos una precisión del 100% en nuestros pronósticos, obtenemos cero ingresos. Y aún peor que eso, todavía tenemos cero ingresos, pero tenemos todos los costos. Todavía estamos operando una tienda. Tenemos que pagar a las personas, pagar el edificio, todo. Así que, ya ves, es aún peor que eso. Y luego estamos perdiendo clientes porque no encuentran lo que están buscando y no vuelven.

Joannes Vermorel: Exactamente. Y aquí vemos que es una especie de absurdo. No es tan obvio cuando miramos series de tiempo más agregadas, pero el problema es exactamente el mismo. Fundamentalmente, el problema aquí en este ejemplo de hipermercado es que tenemos asimetrías masivas. El costo de tener o quedarse sin una unidad no es absolutamente el mismo en comparación con el costo de tener una unidad sin vender durante un día adicional. Esto es muy, muy asimétrico. Y así, ves, el problema con la métrica de precisión del pronóstico que acabo de describir inicialmente, el valor absoluto del pronóstico menos la realidad, es que es completamente simétrica. Por lo tanto, pone esencialmente el mismo peso en el sobrepronóstico y el exceso de stock. Y aquí vemos que, como es un problema muy, muy simple donde tenemos una asimetría masiva, la métrica de pronóstico ni siquiera captura eso. ¿Y por qué sería desde la perspectiva matemática o las métricas que estás mirando, típicamente simétricas? Esto es desde una perspectiva matemática. ¿Por qué querrías tener una métrica altamente asimétrica? Por lo general, no tiene…

Nicole Zint: Entonces, quiero hablar un poco sobre la precisión del pronóstico y su papel en la optimización de la cadena de suministro. Desde un interés matemático, es muy interesante y esto apenas rasca la superficie. Solo estamos mirando un problema pequeño, pero este problema pequeño ya es lo suficientemente grande como para deshacer por completo todos los beneficios previstos que vendrían de un proceso que optimizara los pronósticos según una métrica simétrica. Así que me parece que no solo estamos mirando este problema de manera incorrecta, sino que incluso podríamos estar mirando el problema equivocado desde el principio. Estamos tan enfocados en adivinar cuál será la demanda que no estamos pensando en el costo de tener exceso o falta de stock. Y nos alejamos de las ganancias reales que podemos obtener y solo nos enfocamos en adivinar la demanda exacta.

Joannes Vermorel: Sí, quiero decir, más fundamentalmente, un pronóstico es solo una opinión. Idealmente, es una opinión educada sobre el futuro, que es más o menos correcta. Sin embargo, al final, un pronóstico es solo eso, una opinión educada sobre el futuro. No hace nada por tu cadena de suministro. Lo único que hace algo por tu cadena de suministro es lo que realmente haces. Las decisiones que tomas, ¿pongo una unidad extra en este hipermercado o no, para cualquier producto en cualquier día dado, esas son las decisiones. Por lo tanto, la pregunta se convierte en, cuando quieres pensar en términos de precisión del pronóstico, ¿cómo mejora tu modelo de pronóstico tu objetivo final, que es tomar la decisión correcta en el momento adecuado para cada producto todos los días? Eso es un eslabón perdido, y eso es típicamente lo que está completamente ausente de esas métricas de precisión. Y es por eso que cuando veo discusiones en comunidades de cadena de suministro donde la gente dice: “Sabes qué, hay 20 métricas diferentes que podemos usar para la cadena de suministro. En esta situación, puedes usar esto. En esta situación, puedes usar eso”, etcétera, etcétera, por lo general todas esas discusiones están completamente fuera de lugar. Ni siquiera están comenzando a conectar esos pronósticos, que nuevamente son solo una opinión, con los resultados finales, que son las decisiones que se toman sobre la base de esos pronósticos. Entonces, estamos alejando nuestra atención de la consecuencia de cada una de esas decisiones.

Nicole Zint: Absolutamente. Pero estas grandes empresas aún tienen divisiones dedicadas específicamente a mejorar la precisión de estos pronósticos. ¿Debería haber una división así en primer lugar?

Joannes Vermorel: Ese es un tema que abordamos brevemente en uno de los episodios anteriores de la cadena, que fue silos y divisiones dentro de las grandes empresas. Verás, el problema es que cuando comienzas a introducir artefactos numéricos, y los artefactos numéricos pueden ser de cualquier tipo, pueden ser clases ABC, pueden ser stocks de seguridad, pueden ser pronósticos, nuevamente, estoy diciendo que todos ellos son artefactos numéricos. No hay tal cosa como un stock de seguridad en tu almacén. No tienes dos stocks, el stock de trabajo y el stock de seguridad. Ahora solo hay un stock. Lo que tienes, y cuando introduces esos artefactos numéricos, hay una tentación de crear un subgrupo de especialistas dentro de la empresa que serán expertos en tratar con este artefacto numérico. El problema es que no es real. Solo porque lo hagas, o la mitad de la industria lo haga, puedes ser engañado pensando que es algo real, pero no lo es, literalmente. Y hay toneladas de cosas como esas que simplemente no son reales. Los stocks de seguridad no son reales, los niveles de servicio no son reales, los pronósticos no importa cómo los hagas.

Nicole Zint: Entonces, Joannes, cuando hablamos de artefactos numéricos, ¿a qué nos referimos exactamente?

Joannes Vermorel: Bueno, no son reales; son artefactos numéricos que produces para lograr un cierto tipo de operación y tomar ciertos tipos de decisiones. Y así, si volvemos a esas grandes empresas, siempre luchan con cómo distribuir la carga de trabajo. Solo porque has introducido un artefacto numérico no significa que debas introducir un equipo. Esto es, por el contrario, una de las causas fundamentales de esos, diría yo, males que realmente socavan el rendimiento de la cadena de suministro en primer lugar.

Nicole Zint: ¿Y por qué es eso?

Joannes Vermorel: Bueno, si comienzas a crear un equipo de especialistas que solo van a trabajar en mejorar la calidad del pronóstico, ¿qué va a suceder? La realidad es que van a elegir una métrica. ¿Por qué es eso? Bueno, porque si no tienen una métrica, no pueden operar. Entonces, van a elegir una métrica. Necesitamos algo para medir, sí. Y porque tienen una métrica, parece muy racional, ¿sabes? Sí, estamos optimizando el pronóstico, el valor absoluto del pronóstico menos la realidad. Obviamente, si produjéramos un pronóstico perfectamente preciso, nuestro error de pronóstico sería cero. Y así, todos están de acuerdo. Sí, suena razonable, suena racional. Excepto, excepto que hemos visto en el ejemplo del hipermercado que no es absolutamente real ni racional. Puedes hacer cosas completamente insensatas con eso. Sin embargo, si eres una gran empresa, es posible que no te des cuenta de eso. El diablo está en los detalles, y probablemente las personas ni siquiera se den cuenta de que es absolutamente completamente falso y sin sentido en primer lugar. Sin embargo, tienes un equipo, y luego el equipo que está a cargo del pronóstico donde operan en su propia burbuja, ya sabes. Entonces, no son quienes toman las decisiones reales que los involucran; son quienes producen el pronóstico.

Nicole Zint: ¿Y por qué es eso un problema?

Joannes Vermorel: Según su objetivo y su métrica, están mejorando. Van a producir una serie de modelos y con el tiempo, mejorarán en eso. Tendrán en cuenta la estacionalidad; tendrán en cuenta los días festivos religiosos. Tendrán en cuenta un montón de factores y mejorarán. Y así, según la métrica, el pronóstico mejorará. Y potencialmente, traerán un mejor software, todo tipo de cosas con el tiempo. Mejorará según la métrica, lo cual no coincide con el interés de la empresa expresado en dólares. Entonces, el rendimiento de la cadena de suministro no mejora con el pronóstico mejorado. Sí, y nuevamente, la gente diría: “Pero ¿por qué? Tenemos mejores pronósticos, ¿por qué debería mejorar?”. Esas personas no están haciendo nada para mejorar realmente según los dólares de error que están buscando en las métricas de precisión. Ves, ese es el truco. No es porque hagas algo que sea algo parecido a otra cosa que obtendrás el resultado que obtendrías si estuvieras haciendo otra cosa. Sabes que es literalmente, hay una anécdota muy, me estoy desviando un poco, pero hay una anécdota de los cultos de carga, y pueden buscarla en Wikipedia, ya sabes, eso fue durante la Segunda Guerra Mundial, donde había aviones estadounidenses que volaban sobre islas en el Pacífico y estaban dejando carga: comida, municiones, varios bienes, para que los soldados que acababan de llegar a las islas ya tuvieran

Nicole Zint: Cuando se dieron cuenta de que en realidad eran testigos del nacimiento de nuevas religiones, donde la gente intentaba provocar la aparición de una aeronave que entregara más carga. Como ves, esto es lo que sucede cuando intentas imitar en la superficie algo que te benefició porque sucedió en el pasado, pero ahora no hay sustancia central, y estos son los cultos de carga que surgieron al intentar literalmente reinstituir la entrega de carga en la isla reproduciendo algo que sucedió. Creo que esto es lo que está sucediendo con, diría, la mayoría de los equipos de pronóstico que intentan generar un mejor rendimiento de la cadena de suministro simplemente optimizando esas métricas. Sabes, tiene su propia racionalidad, pero si miras el panorama general, no es absolutamente racional. Esto es solo un barniz de racionalidad, y solo tomas las formas, entonces tienes números, tienes personas inteligentes, tienes procesos, pero no es porque estás marcando todas las casillas que todo el asunto realmente tiene sentido. Entonces, tengo que preguntar, Joannes, inicialmente comenzamos haciendo pronósticos y enfocándonos en hacer un pronóstico cada vez más preciso, y Joannes, a lo largo de este viaje de Lokad, ¿cómo te diste cuenta de que eso, de hecho, no generaba una cadena de suministro de mejor rendimiento para nuestros clientes?

Joannes Vermorel: Porque no estaba funcionando, simple y llanamente. Entonces, ¿cómo te diste cuenta de que estábamos mirando el problema equivocado? Quiero decir, me di cuenta, primero, ¿cómo me di cuenta de que no estaba funcionando? Porque esa es una pregunta complicada porque, en realidad, incluso cuando no estaba funcionando, Lokad estaba adquiriendo clientes muy bien y creciendo muy bien y siendo rentable, más o menos, ya sabes, muy bien. Entonces, si estás creciendo, si eres rentable y eres una empresa de software, suena bien, suena bien, sí, sí. Pero no estaba funcionando para los clientes, ¿sabes? Y cuando me detuve y pensé, me pregunté a mí mismo, de manera brutalmente honesta, “¿Realmente mejoré la situación para los clientes?” Sabes, si me alejo, si olvido las métricas, sabes, olvido las métricas, solo trato de tener, como, una percepción instintiva de la situación, ¿está mejorando realmente? Y empecé a darme cuenta de que no, ya sabes, no lo estaba haciendo. Y eso era, pero según todas las métricas, sí lo estaba haciendo. Pero, si me alejaba de las métricas por un segundo, si intentaba evaluar fríamente si lo que estábamos haciendo realmente estaba generando un cambio positivo, ya sabes, en un sentido más profundo, y no lo estaba haciendo. Pero la gente diría: “Oh, pero según todas las métricas, estamos bien, así que estamos cumpliendo con las métricas”. Pero no estamos aportando, pero ese es el problema, si eliges una métrica y te optimizas en función de esa métrica, entonces, sí, vas a estar mejor según esa métrica. Esto es literalmente lo que la optimización matemática y el aprendizaje automático harán por ti. Eliges una métrica y ejecutas una especie de optimización numérica, y obtendrás algo mejor según esa métrica. Entonces, ves, esto tenía una naturaleza un tanto tautológica. Elegimos una métrica, mejoramos según esa métrica, ¿qué esperabas, ya sabes? A menos que los algoritmos estén mal hechos, deberíamos hacer exactamente eso. Pero eso no significa que en un nivel más profundo estemos

Nicole Zint: ¿Puedes explicar por qué crees en la cancelación temprana de planes?

Joannes Vermorel: Cancelación temprana porque ves que la mayoría de nuestros competidores optan por planes de varios años. Nunca se dan cuenta de que algo está mal porque fundamentalmente pasan por un ERP, venden sus cosas y luego se embarcan en un viaje de cinco años. Funcione o no, el cliente ha invertido tanto esfuerzo en esto que no puede cambiar, así que está atrapado. Sabes que son autos hundidos con los que juegan. Existe una trampa psicológica de simplemente quedarse con eso ya que ya has invertido tanto. Disfrutas tanto que te lo perdiste tanto y así después de cinco años, estás exhausto en implementar la solución súper compleja, así que no cambias, no quieres cambiar de inmediato. Y luego, cuando finalmente decides que quieres cambiar, ya sabes, a los 8 o 10 años, pasas por otro RFP. Entonces, si pierdes al cliente en este punto, simplemente dices: “Bueno, no es que estuviéramos haciendo algo mal con el pronóstico, es solo que la tecnología, ya sabes, evolucionó, algunos de nuestros competidores se adelantaron en este cliente específico, y así no ganamos al cliente nuevamente en el segundo RFP”. Pero naturalmente no haces la conexión de que la conexión es muy débil en cuanto a si estás haciendo algo bueno y si tus pronósticos realmente están haciendo algo que sea valioso para el cliente. Si compras el mes, de repente sabes cuando el director de la cadena de suministro se da cuenta de que tiene la misma sensación instintiva de que simplemente no está aportando valor en la práctica, sin importar lo que digan los KPI, entonces estás fuera. Y así, el ciclo de retroalimentación es mucho, diría, mucho más estrecho.

Nicole Zint: ¿Puedes decirme cómo ha evolucionado un producto hasta llegar a ser lo que es ahora en comparación con solo un pronóstico por sí solo?

Joannes Vermorel: Nos dimos cuenta de que, en términos de precisión de pronóstico, el problema no es optimizar según una precisión de pronóstico dada, según una métrica dada. Elegirás una, tendrá toneladas de problemas. Ese no es el problema. Y si tu herramienta es correcta, eliges una métrica y optimizas según esta métrica, y eso es todo. Esto es muy sencillo. Quiero decir, podría ser aún más sencillo, pero esto es muy sencillo. ¿Estamos optimizando ahora mismo? Esa es la cuestión. La herramienta está optimizada en la métrica, pero lo que sucede es que la herramienta que hemos desarrollado es lo que se necesita para descubrir las métricas de precisión que necesitas para tu empresa. Ves, eso es lo que sucedió. Comenzamos con la idea de que podemos tener un conjunto preconcebido de métricas y simplemente optimizarlas y todo estará bien. Ese no es el caso, y es mucho peor de lo que pensaba inicialmente. No se trata de identificar mejores métricas. Sí, hay algunas métricas que son ligeramente mejores. Por ejemplo, si volvemos a esta situación de hipermercado, si tomas, digamos, la función de pérdida pinball, esa es una función de pérdida altamente asimétrica que se puede hacer arbitrariamente asimétrica. Puedes obtener resultados marginalmente mejores si optas por pronósticos probabilísticos. Incluso puedes optar por tus métricas específicas para pronósticos probabilísticos, entropía cruzada, puntuación de probabilidad de rango continuo, hay otras. Entonces, hay métricas que son marginalmente mejores, pero eso es todo. Son solo marginalmente mejores. El problema es que cuando te enfrentas a una situación real-

Nicole Zint: Joannes, ¿puedes hablar sobre el cambio de paradigma en la optimización de la cadena de suministro que ha ocurrido en la última década?

Joannes Vermorel: Sí, por supuesto. Ves, este es el tipo de cambio de paradigma que tuvimos que experimentar durante la última década. Las herramientas que tenemos hoy en día responden literalmente a la pregunta de qué se necesita para que los científicos de la cadena de suministro descubran. Analizamos los datos y discutimos con el experto en cadena de suministro de la empresa cómo debería ser la métrica de precisión. Y te darás cuenta de que es algo que no tiene la elegancia numérica de esas métricas matemáticas porque hay toneladas de factores, casos extremos y cosas que son muy específicas del tipo de negocio que operas. Si estás en el sector del lujo, es completamente diferente al sector de alimentos frescos o aeroespacial, por ejemplo. Por lo tanto, hay toneladas de casos extremos y situaciones específicas que solo tienen sentido porque estás mirando una empresa muy específica. Pero, no obstante, esos casos extremos son completamente críticos si quieres producir resultados y decisiones que no sean completamente insensatos. Entonces, lo que realmente buscamos son esas decisiones exactas de la cadena de suministro. Sí, ese sería el objetivo final. Esa sería la forma de medir si estás haciendo algo bueno, y eso es cierto para todos los artefactos numéricos intermedios que produces.

Nicole Zint: ¿Puedes explicar qué quieres decir con artefactos numéricos?

Joannes Vermorel: Sí, por supuesto. Los pronósticos que se miden con su propia matriz de precisión de pronóstico son solo un tipo de artefacto numérico. Por lo general, hay docenas más de artefactos numéricos que están en el camino en medio del proceso. Pasamos de centrarnos en mejorar la precisión de pronóstico a encontrar esas decisiones clave de la cadena de suministro que maximizan el beneficio o el rendimiento de la cadena de suministro, lo cual es un cambio de perspectiva bastante interesante.

Nicole Zint: Entonces, ¿cuál es tu consejo para las empresas que desean optimizar su cadena de suministro?

Joannes Vermorel: Mi consejo es que si no es una persona la responsable de todo, desde dar sentido a los datos que se encuentran en el ERP hasta la generación final de las órdenes de producción, órdenes de reposición, órdenes de compra, movimientos de stock, cambios de precio, entonces ni siquiera has comenzado a optimizar tu cadena de suministro. Si no tienes al menos un uno por ciento de responsabilidad de principio a fin en toda esta cadena, entonces todo el esfuerzo que has invertido en mejorar el pronóstico o cualquier otra cosa es solo una ilusión. Si los incentivos no están alineados, esas personas estarán haciendo cosas que no tienen sentido para la empresa. Solo piensa en ello como si estuvieras jugando ajedrez, y yo digo que eres el caballo y tu objetivo es asegurarte de que el caballo sobreviva hasta el final del juego. La pregunta es, ¿crees que si dices que estás jugando con el caballo, estás jugando con la torre, y yo estoy jugando con la reina?

Nicole Zint: Y tu objetivo es sobrevivir. Tu objetivo es sobrevivir. ¿Crees que al hacer eso jugaremos en general un juego que tenga alguna posibilidad de ganar contra el oponente?

Joannes Vermorel: No, no lo hace. Sabes, eso es engañoso. El objetivo que estamos tratando de decir, sí, y la gente dice: “Oh, en el 99% de los juegos que hemos jugado, yo estaba jugando con el caballo, y el caballo todavía estaba en el tablero al final del juego”. Sí, pero perdimos todos y cada uno de los juegos.

Nicole Zint: Esto es bueno, pero este juego…

Joannes Vermorel: Ese es el problema con las métricas engañosas, es que puede sonar y puede parecer súper racional, pero en realidad, en el fondo, es profundamente irracional. Y creo que este tipo de prácticas de pronóstico y divisiones de pronóstico que tienen muchas empresas más grandes son completamente irracionales. Y sé que es muy difícil porque esas divisiones están llenas de ingenieros que quieren hacerlo bien. No son idiotas, y sus jefes y las personas por encima de ellos, tampoco son idiotas, y quieren hacerlo bien. Entonces, ves, esto no es un problema de tener personas que deberían ser despedidas o lo que sea, no, no, es la peor configuración. Es simplemente contraproducente.

Nicole Zint: Exactamente, no puede. Está roto por diseño. No logrará.

Joannes Vermorel: Entonces mi consejo sería asegurarse de tener a esta persona. Esta persona puede tener tantos compañeros como desees, ya sabes, para tener paquetes en un extremo de eso que conecta la fila en la que se encuentran con la decisión final, y eso debería ser, ya sabes, una optimización monolítica. No debes dividir y desmenuzar este proceso.

Nicole Zint: Joannes, muchas gracias por este tema hoy. De hecho, muy provocador. Gracias por sintonizar, y nos vemos la próxima vez.

Joannes Vermorel: Gracias.