00:50 Introducción
02:22 Libro de Claude Bernard
11:19 La historia hasta ahora
13:39 ¿Experimentos de supply chain?
19:21 Métodos experimentales: contra estudios de caso
20:50 Sobre Grandes Nombres
28:14 Sobre Tabúes
35:05 Sobre Perspectivas Laborales
37:51 Sobre Pseudo-neutralidad
42:59 Sobre Proveedores
45:57 Métodos experimentales: a favor de las personae
46:54 Ficción vs Realidad
52:19 Creando una persona de supply chain
55:26 Criterios de rechazo
01:02:33 Problema vs Solución, 1/3
01:08:53 Problema vs Solución, 2/3
01:11:41 Problema vs Solución, 3/3
01:16:13 Próximas personae
01:17:06 Conclusión
01:18:29 Próxima lección y preguntas de la audiencia
Descripción
Una “persona” de supply chain es una empresa ficticia. Sin embargo, aunque la empresa es ficticia, esta ficción está diseñada para resaltar lo que merece atención desde una perspectiva de supply chain. No obstante, la persona no está idealizada en el sentido de simplificar los desafíos de supply chain. Por el contrario, la intención es magnificar los aspectos más desafiantes de la situación, aquellos que se resistirán de manera más obstinada a cualquier intento de modelado cuantitativo y a cualquier intento de pilotar una iniciativa para mejorar el supply chain.
En supply chain, los estudios de caso – cuando se nombran una o varias partes – sufren de graves conflictos de interés. Las empresas, y sus proveedores de apoyo (software, consultoría), tienen un interés particular en presentar el resultado de forma positiva. Además, los supply chain reales suelen sufrir o beneficiarse de condiciones accidentales que no tienen nada que ver con la calidad de su ejecución. Las personae de supply chain son la respuesta metodológica a esos problemas.
Transcripción completa
Hola a todos, bienvenidos a esta serie de conferencias de supply chain. Soy Joannes Vermorel, y hoy presentaré “Supply Chain Personae.” Para aquellos que asisten a la conferencia en vivo, pueden hacer preguntas en cualquier momento a través del chat de YouTube. Sin embargo, no leeré las preguntas durante la conferencia; regresaré al chat al final de las conferencias para responder, si es posible, todas las preguntas que se hayan planteado.
El tema de hoy es si podemos elevar el estudio de supply chain a la categoría de ciencia. Se podría objetar que supply chain es, ante todo, un negocio y una práctica. Absolutamente, pero la pregunta es, ¿podemos lograr mejoras en la gestión de supply chain y, de ser así, podemos hacerlo de manera sistemática, fiable y algo controlada? Creo que esto solo es factible mediante algo que se asemeje a un método científico aplicado al conocimiento que tenemos.
Para lograr mejoras, necesitamos conocimiento, y necesitamos contar con un conocimiento de alta calidad. ¿Qué quiero decir con alta calidad? Es un conocimiento que se puede caracterizar por lo que habitualmente define al conocimiento científico hoy en día. Si lo único que tenemos es intuición, se limita severamente lo que podemos esperar aportar a supply chain de manera sistemática. El método científico es realmente de gran interés, y poder elevar el estudio de supply chain a la categoría de ciencia es de crucial importancia. Pero surge la pregunta: ¿qué es la ciencia y cuál es el método científico?
Creo que hay un libro, “An Introduction to the Study of Experimental Medicine”, publicado por Claude Bernard en 1865, que es un hito absoluto en la historia de la ciencia. Claude Bernard, un investigador muy famoso en esa época, todavía es considerado hoy en día como uno de los padres clave, si no el padre, de la medicina moderna por muchas personas. Debido a alguna enfermedad, se retiró, y reflexionó sobre una búsqueda de conocimiento para toda la vida. Comenzó a plasmar por escrito sus ideas sobre cómo había gestionado y qué tipo de métodos había utilizado durante su carrera para realizar todos los descubrimientos que hizo.
Este es un libro absolutamente fascinante. Se lee como una novela, lo cual es muy sorprendente. Es completamente diferente a los “Principia Mathematica” de Newton, que resultan casi insoportables. Este libro es muy directo de leer, al menos en francés. No sé sobre la versión en inglés, pero sospecho que existen buenas traducciones. Con gran claridad y sencillez, Claude Bernard explica y ofrece muchas pistas sobre la ciencia y el método científico. Es algo que resulta profundamente esclarecedor para supply chain.
Por cierto, a pesar del título de este libro, que parece estar muy centrado en la medicina, la mayor parte de lo que Claude Bernard describió no es específico de la medicina. Este libro tuvo una influencia profunda en muchas otras ciencias mucho más allá de la medicina. Para entender por qué, debemos comprender que, en el siglo XIX, Claude Bernard se enfrentaba a oponentes que estaban totalmente en contra de la idea de que la medicina debiera, al menos en parte, convertirse en una ciencia. De hecho, el estudio de la medicina enfrenta dos desafíos muy clave, que creo son también de primordial relevancia para supply chain.
El primer desafío es que los seres vivos son increíblemente y de manera irreductible complejos. Si tienes un organismo vivo, no puedes simplemente aplicar algún tipo de enfoque de dividir y conquistar; no puedes desarmar la cosa para estudiarla porque, si lo haces, simplemente matas al ser vivo y te quedas con algo que ya no está vivo. Eso pierde completamente el sentido de lo que se intenta estudiar. Esta complejidad irreductible y el hecho de que tienes algo súper complejo que no puedes desarmar fácilmente también se aplica a supply chain. Si tienes un supply chain compuesto por proveedores, plantas, almacenes, centros de distribución y tiendas, y eliminas alguno de esos elementos, el supply chain deja de funcionar y ya ni siquiera tiene sentido. Ni siquiera se puede estudiar como supply chain.
El segundo gran desafío es que un ser vivo es esencialmente un sistema entrelazado. Si comienzas a hacer un pequeño cambio local, es probable que tenga impactos en todo el organismo. Por ejemplo, puedes hacer una inyección muy localizada de veneno, pero eso afectará a todo el organismo, no solo en el punto donde inyectaste el veneno. Esto también guarda mucha similitud con supply chain porque, como describí en una de mis conferencias anteriores, la mayoría de las optimizaciones locales en un supply chain simplemente desplazan un problema a otro lugar de la red. Así, tenemos estos dos problemas, y en ese entonces, Claude Bernard se enfrentaba a oponentes que básicamente decían que la medicina, debido a estos inconvenientes, es irreductible y no puede reducirse a algo tan vulgar como una ciencia. Claude Bernard, junto con muchas otras personas y sus seguidores, demostró que esta perspectiva era completamente errónea. Sin embargo, es interesante que este desafío aún exista, y creo que, incluso un siglo y medio después, seguimos en esta fase en lo que respecta a supply chain.
Ahora, si queremos entender lo que Claude Bernard aporta ante todo, es la idea de los experimentos. En su libro, plantea que nuestro conocimiento pasa por tres etapas: emoción, razón y experimento. La idea es que el método científico comienza con una emoción, una chispa de voluntad, que te proporciona algún tipo de idea preconcebida sobre el universo. A través de esa emoción, puedes empezar a hacer cualquier cosa, aunque sea profundamente irracional y no posea cualidades científicas. Sin ello, no dispones del impulso inicial que desencadene el resto. La iniciación de este sistema de conocimiento es la emoción, y luego viene la razón. La razón da forma, estructura y dirección a esta idea para que puedas comenzar a actuar. En este punto, tienes una idea, pero no queda claro si es verdadera o falsa. Simplemente existe, pero posee más estructura que la primera etapa, que era solo emoción.
A través de la razón, puedes construir la primera fase de un experimento. La idea es que, mediante la razón, vas a poner a prueba tu idea. Tienes esta idea preconcebida sobre el universo, y vas a realizar un experimento que te permita probarla. Lo interesante es que debes creer en tu idea; de lo contrario, no vas a dedicar todos los esfuerzos y el tiempo necesarios para llevar a cabo el experimento. El método científico no consiste en eliminar la creencia previa; absolutamente no es así. Necesitas tener algo que te impulse, esas ideas preconcebidas que guiarán tu acción.
Luego, realizas el experimento, observas los resultados y dejas que la observación tome el control de tus ideas. Tenías tus ideas preconcebidas, llevaste a cabo el experimento, y luego, una vez realizado, permites que lo que observaste reconfigure tus ideas, y eso constituirá el establecimiento del conocimiento. Una de las ideas profundas en la ciencia experimental es que no existe el conocimiento en nuestro interior. Tenemos emociones y cierta capacidad innata para la razón, pero todo el conocimiento que se puede encontrar está afuera de nosotros. Aunque ahora resulte evidente, en el siglo XIX absolutamente no lo era. En lo que respecta a supply chain, no está del todo claro que todos concuerden conmigo en este punto. La idea de tener una ciencia experimental consiste en construir y extraer conocimiento del universo, y el paso elemental para hacerlo es una serie de experimentos.
En mi última conferencia, concluí el primer capítulo de esta serie, que fue el prólogo. En el prólogo, presenté mis puntos de vista sobre cómo abordar supply chain en primer lugar. Definí supply chain durante la primera conferencia como el dominio de la opcionalidad. También expuse puntos de vista tanto cualitativos como cuantitativos, solo para darles una idea de la manera en que estoy enfrentando el problema. En estas conferencias actuales, estoy abriendo un segundo capítulo: la metodología. Si queremos mejorar supply chain, necesitamos conocimiento para dirigir nuestras acciones. Si deseamos contar con una forma fiable de lograr mejoras y tener una esperanza razonable de un alto grado de control, entonces necesitamos que este conocimiento esté sólidamente fundamentado. Creo que requerimos algo similar al método científico. Cuando digo método científico, abrocho el término, ya que no existe algo como “el método científico”. En realidad, hay una amplia serie de métodos, y Claude Bernard, en su libro, presenta varios de ellos. Bernard también demostró que la ciencia progresa no solo a través de mejores teorías, sino también mediante mejores métodos. El desafío no es únicamente saber más sobre supply chain, sino también establecer fundamentos con métodos que se prueben superiores para generar un mejor conocimiento, de forma más rápida, más fiable y más preciso. El objetivo de un supply chain es contar con un método, entre muchos, para conectar supply chain como un campo de estudio con lo que ocurre en el mundo real y aprovechar la información que no está en nuestro interior, sino en el mundo exterior.
La forma de incorporar una dosis de realidad en tu campo de estudio es, por lo general, a través de experimentos. Sin embargo, en el caso específico de supply chain, parece que los experimentos de supply chain son bastante complicados por varias razones. Permítanme presentarlas brevemente.
La primera razón es la confidencialidad. Como vimos en una conferencia anterior, un supply chain no se puede observar directamente; solo es posible observarlo de manera indirecta. Las únicas cosas que se pueden observar en un supply chain son los registros electrónicos que se recogen y reúnen mediante un software empresarial. Esta es la manera de observar un supply chain, a través de los registros recogidos por el software empresarial o mediante conjuntos de datos. El problema es que las empresas no están dispuestas a compartir estos conjuntos de datos, y existen muy buenas razones para no hacerlo. Primero, es una ventaja competitiva, o más bien, si compartieran públicamente estos datos, sería una desventaja competitiva, ya que sus competidores podrían aprovechar ese acceso para obtener una ventaja contra ellas.
Pero esa no es la única razón. También existen buenas razones para no compartir datos, tales como la privacidad y la confidencialidad. Por ejemplo, en Europa, ahora tenemos el GDPR como regulación. No estoy discutiendo si el GDPR es algo bueno o malo; solo quiero señalar que, incluso si una empresa estuviera dispuesta a compartir sus datos, estaría en riesgo de hacer algo que sería ilegal. Como evidencia anecdótica, el concurso de forecasting M5 se llevó a cabo el año pasado, basado en datos de ventas obtenidos de Walmart. Hasta donde sé, fue el conjunto de datos más grande y completo relevante para un experimento de supply chain que jamás se haya publicado. Solo para dar una idea de la magnitud del problema, este conjunto de datos era únicamente la información de ventas de una pequeña fracción de los productos de una única tienda. Walmart es una compañía gigantesca que opera más de 10,000 tiendas, y el conjunto de datos del concurso en Kaggle ni siquiera correspondía a una tienda completa. En realidad, era solo una pequeña fracción de una tienda, y básicamente era el sales history, incluyendo el historial de ventas en cantidades y precios. Para empeorar aún más el problema, debido a problemas de ingeniería en términos de data extraction, resultó que la mitad del conjunto de datos, que consistía en precios, ni siquiera era explotable para el propósito del concurso. Ninguno de los equipos ganadores que llegó al top 10 del concurso logró hacer uso de estos datos. Esto les da una idea de lo difícil que es comunicar públicamente sobre este tema, pero este no es el único problema.
También tenemos el problema de la replicabilidad. Por ejemplo, al conversar con varios de los clientes de Lokad en enero de 2020, ecommerce en sus respectivos negocios representaba alrededor del 30% del volumen. Para enero de 2021, había aumentado al 60%. Obviamente, ha transcurrido un año entero de pandemia, y sucedieron cosas relativamente sin precedentes, lo que cambió completamente el panorama en muchas industrias, probablemente para siempre. Este es un problema significativo porque la replicabilidad es el núcleo de las ciencias experimentales. Pero si haces algo en supply chain y quieres replicarlo, el panorama podría ser tan diferente unos años después que no tendrás ninguna esperanza de replicar nada. Esa es otra clase de grandes problemas a los que nos enfrentamos.
Además, están los costos y los retrasos involucrados. Como regla general, un experimento de supply chain necesitaría durar al menos el doble del lead time característico de la empresa. En muchas industrias o verticales, el lead time característico es de alrededor de tres meses, lo que significa que el retraso característico para un experimento de supply chain sería de seis meses o más. Esto es muy largo, y hay una buena razón, ya que las ciencias experimentales, como la medicina experimental, tienden a favorecer el uso de ratones para experimentos debido a su rápido metabolismo y su veloz tasa de reproducción. El tiempo es esencial, incluso en medicina, y es prácticamente lo mismo en supply chain. Sin embargo, el tiempo característico de los experimentos es muy largo.
Además, tenemos el elemento no local que discutimos anteriormente, donde es un desafío realizar un experimento a pequeña escala y de bajo costo porque todo se trata de efectos de red. No puedes simplemente hacer algo en un solo lugar y esperar resultados. Como regla general, no se puede concluir nada de un experimento local en supply chain.
Obviamente, no soy el primero en darme cuenta de que tenemos esta gran serie de problemas y que las supply chains resisten el enfoque experimental ingenuo. Como resultado, una gran parte de los estudios realizados en supply chain recurren a una alternativa al experimento de supply chain, que es el estudio de caso de supply chain. La idea es simple: queremos conectar supply chain como campo de estudio con el mundo real. Queremos inyectar dosis de realidad en nuestra teoría. De eso se trata un estudio de caso. Mi propuesta para ustedes hoy es que los estudios de caso son infomerciales glorificados, y si tenemos que evaluar los estudios de caso en términos de cuánta información hay para transmitir mediante este formato, mi respuesta es aproximadamente cero. Sin embargo, no todo está perdido, ya que existen alternativas posibles, y es ahí donde introduciré al personal de supply chain. Debido a la prevalencia de los estudios de caso, primero debemos entender por qué simplemente no funciona, no puede funcionar y, lamentablemente, nunca funcionará.
Un estudio de caso es una empresa, un problema, una solución legada (que es la solución existente antes de que comience el estudio de caso), y luego una solución más nueva y mejor. El estudio de caso describe todo eso y cuantifica los beneficios que la solución más nueva, supuestamente mejor, aporta a la empresa. El mayor problema que tengo es que, siempre que veo estudios de caso y cómo la gente razona sobre ellos, lo que realmente domina no son los números presentes en los estudios de caso, sino el nombre de la empresa que es objeto del estudio de caso. Hay un halo masivo de autoridad en juego aquí.
Imaginemos un estudio de caso de supply chain que provenga de Google, un gigante tecnológico. Google tiene una supply chain bastante grande propia solo para manejar todo el computing hardware distribuido a nivel mundial para apoyar las operaciones de sus centros de datos. Imaginemos que este estudio de caso demuestra la superioridad de un método específico de supply chain desarrollado en Google. Se vería como algo muy relevante, obviamente, porque Google es un nombre muy grande. Sin embargo, el éxito de Google no tiene nada que ver con supply chain. Google ha sido una empresa increíblemente exitosa, pero su éxito no se origina en sus prácticas de supply chain. Si observáramos tal estudio de caso, tendría mucho peso, y diría que un peso excesivo, solo debido a la marca que Google tiene. Simplemente porque Google ha contratado a muchos ingenieros super talentosos y ha redefinido el estado del arte de la ingeniería de software en muchas áreas, no hay ninguna razón para creer que eso se transfiera automáticamente a todo lo que hacen, especialmente si es algo que es una función de soporte para ellos, como supply chain.
Eso es interesante porque si regreso al libro de Claude Bernard, “An Introduction to the Study of Experimental Medicine,” lo primero que presenta Claude Bernard es el rechazo de la autoridad como parte integral del método científico. A mediados del siglo XX, dijo que el mayor problema de la medicina de la época era que en su mayoría se basaba en la autoridad. La gente creía que algo era verdadero solo porque había un gran nombre o alguien con mucho peso en la sociedad apoyando la teoría. Esto es incorrecto. La posición radical de Claude Bernard es que, en lo que respecta a la ciencia, debemos rechazar todas las autoridades, excepto aquellas obtenidas directamente a través de experimentos. La fuente última de autoridad, y de hecho la única fuente de autoridad en términos de verdad científica, debería ser el experimento o, en otras palabras, la realidad misma.
Cuando empezamos a observar los estudios de caso, tenemos problemas de autoridad por todas partes. Para enfatizar este punto, estoy enumerando cuatro compañías notables. Todas estas empresas son ampliamente reconocidas, muy exitosas y han enfrentado fallas épicas en supply chain en su historia. Estas fallas se debieron a una combinación insana de arrogancia, codicia, pereza, ignorancia y varios otros problemas. Para dar algunos ejemplos, Nike, en 2004, perdió $400 millones en un intento mal dirigido de mejorar su supply chain con un proveedor de software. Lidl, en 2018, perdió €500 millones con otro proveedor de supply chain de gran nombre. Creo que estos números son solo una pequeña fracción del costo real para estas empresas, ya que la pérdida monetaria fue solo un aspecto de estas fallas a escala épica. La dirección estuvo distraída durante años, y en el caso de Lidl, casi una década. El costo de oportunidad de estas fallas es absolutamente gigantesco.
No estoy diciendo que estas empresas no estén haciendo ciertas cosas muy bien. Son verdaderamente notables y han sobrevivido a fallas épicas en supply chain, lo que demuestra que estaban haciendo las cosas de manera muy destacada; de lo contrario, habrían quebrado. Sin embargo, el punto que quiero enfatizar es que no es porque una empresa tenga un buen nombre, buena reputación y sea fantásticamente exitosa que podamos inferir algo sobre la calidad de sus prácticas de supply chain. Esta es mi crítica principal, y tal como decía Claude Bernard, debemos rechazar fundamentalmente todos aquellos mecanismos que se basan en la autoridad. Tenemos que hacer eso también en el campo de los estudios de supply chain.
Sin embargo, tenemos otro conjunto de problemas, y es un tabú. Si observo los estudios de caso publicados, solo por intuición sin estadísticas reales, diría que el 99% de los estudios de caso son positivos. Muestran un problema, una solución legada, una nueva solución, y la nueva solución aporta un resultado positivo. Sin embargo, he estado conversando con directores de supply chain durante más de una década, más de 100 de ellos, y mi percepción es que la gran mayoría de las iniciativas de supply chain fracasan. Usualmente, los fracasos no son tan épicos como los que mencioné anteriormente, pero están por todas partes, y la gran mayoría de esas iniciativas fracasan. No es sorprendente; si una empresa lograra de forma sistemática y sin fallo mejorar su supply chain y aplicara este método una y otra vez durante una década, esta empresa estaría aplastando a la competencia, similar a la historia de Amazon. Pero me desvío del tema.
Volviendo a la idea de los tabúes, creo que tenemos una desconexión manifiesta entre el abrumador positivismo de los estudios de caso y la abrumadora negatividad de las experiencias reales de supply chain. Esto se puede explicar simplemente por el hecho de que el fracaso, en gran medida, es un tabú. Existe un artículo fantástico llamado “The Last Days of Target” de Joe Castaldo, publicado en 2016, acerca de Target Canada. Target, una retail chain norteamericana, intentó entrar en Canadá, invirtió más de $5 mil millones en este proyecto, y todo fue a un completo disaster. Cesaron sus operaciones con pérdidas masivas, y en el núcleo del problema había una larga serie de brutales problemas de supply chain. En esencia, fue una larga serie de errores masivos en supply chain.
Lo curioso es que Joe Castaldo hace un trabajo fantástico al describir el problema desde una perspectiva periodística. No favorece a nadie. La historia muestra una salvaje combinación de arrogancia, orgullo, estupidez, ignorancia y pensamiento ilusorio. Puedes ver a ejecutivos altamente remunerados tomando una larga serie de decisiones absolutamente tontas, alentados por un proveedor que no tiene la menor idea de lo que están haciendo en términos de supply chain analytics. Todo explota de una manera bastante espectacular. Se necesita un grado tal de coraje para publicar una historia así. No conozco personalmente a Joe Castaldo, pero me aterrorizaria la idea de publicar una historia así, porque los abogados de Target y del proveedor de software, cuyo nombre ni siquiera puedo pronunciar, probablemente demandarían a cualquiera que cuente este relato porque es tan desolador. Tenemos un problema: hay muchas cosas que literalmente no se pueden contar debido a tabúes. Creo que esto explica el sesgo masivo en los estudios de caso, que tienden a reflejar solo los resultados positivos, lo que resulta en un sesgo de supervivencia significativo. ¿Es esto un problema nuevo? Absolutamente no.
Si retrocedemos al libro de Claude Bernard, un científico renombrado, se hizo famoso por hacer un uso extensivo de la vivisección, la disección de animales vivos. En su libro, afirma que el método es vil, cruel, brutal y repugnante, pero también sostiene que es esencial para la medicina moderna. No solo se demostró que tenía razón en su época con sus descubrimientos, sino que un siglo y medio después, no hay duda de que las vivisecciones fueron fundamentales para el establecimiento del progreso que disfrutamos en la medicina moderna hoy en día.
La ciencia no se trata de lo que nos hace sentir bien o cómodos. A menudo, la buena ciencia examina las cosas que nos hacen sentir más incómodos. Intuitivamente, esto se puede entender porque no tenemos miedo de mirar en las áreas donde estamos cómodos. Nuestra intuición probablemente será bastante buena en esas áreas. Sin embargo, las áreas que se sienten equivocadas, donde tenemos un instinto de repulsión, son precisamente aquellas en las que no miraremos instintivamente. Por eso necesitamos algo como el método científico para ayudarnos a tener una mirada más cuidadosa e imparcial de la realidad que no esté completamente contaminada por sesgos.
Para concluir sobre los tabúes, los estudios de caso a menudo abordan el problema desde el extremo equivocado. Siguen la tendencia de ver resultados positivos y eliminar los negativos. Pero esto ni siquiera es el final de la historia.
¿Podríamos tener buenas razones para pensar que las personas involucradas en estudios de caso tienen una propensión a exagerar los resultados? Mi proposición es que sí, absolutamente. No es difícil ver por qué.
Si eres un ejecutivo y participas en un estudio de caso que afirma que lograste un éxito sorprendente, ahorrando millones de dólares para la empresa, se ve muy bien en tu currículum. Mejorará tus perspectivas de obtener una posición más grande, ya sea internamente en la misma empresa o externamente en otra. Todo aquel que haya trabajado en una gran empresa sabe que no se trata solo de hacer cosas que beneficien enormemente a la empresa. Si quieres avanzar en una gran compañía, no solo necesitas prestar un gran servicio a la empresa, sino también hacer que la gente se entere de tus logros. Existe un enorme conflicto de intereses para los involucrados en estudios de caso, ya que son ellos quienes proponen los números que justifican las ganancias. Es raro que puedas derivar la ganancia generada por un método, tecnología o proceso novedoso solo mirando los libros contables. Usualmente, es mucho más indirecto; necesitas reprocesar los números, enmarcar los beneficios de una manera que tenga sentido, y hacer muchas suposiciones. Esto puede ser bastante subjetivo, y cuando las personas tienen un conflicto de intereses significativo, sabemos con certeza que esto va a distorsionar los resultados. Este conflicto de intereses puede llevar a exagerar los resultados positivos.
Para abordar este problema, algunos podrían involucrar a un tercero neutral para proporcionar una opinión objetiva y asegurar que todo se haga de manera justa. Existen dos tipos principales de terceros neutrales: las firmas de investigación de mercado y los investigadores académicos. Sin embargo, creo que estas partes no son neutrales en lo absoluto.
Las empresas de investigación de mercado están en el negocio de encuestar el mercado, evaluar las fortalezas y debilidades relativas de las soluciones y vender los resultados de su investigación como reportes a empresas que buscan soluciones. Estas empresas pueden comprar el reporte y tener una visión imparcial del mercado proporcionada por expertos, permitiéndoles elegir al mejor proveedor. En realidad, las grandes firmas de investigación de mercado que conozco no obtienen sus ingresos vendiendo reportes; la mayor parte de sus ingresos proviene de servicios de consultoría y coaching que venden a proveedores de soluciones.
Resulta que este supuesto tercero neutral en realidad está fuertemente en conflicto y puede empeorar el problema al agregar su propia capa de sesgo sobre los sesgos existentes. Al observar a los investigadores académicos, estos tienen muchos intereses conflictivos propios. Publicar o perecer es muy real en el mundo académico, y los estudios de caso negativos, especialmente del tipo que probablemente encontrarías en supply chain, no son desastres de escala épica, sino fracasos a pequeña escala y decepcionantes. Es muy ventajoso para un investigador académico mostrar resultados positivos porque son más fáciles de publicar.
Algunos podrían argumentar que publicar resultados fraudulentos podría arruinar la carrera de un investigador académico, pero cuando se trata de estudios de caso en supply chain, los investigadores pueden estar seguros de que nadie va a desacreditar sus resultados. Es extremadamente difícil realizar experimentos en supply chain, e incluso más difícil desacreditar algo que resulte ser falso y haya sido publicado. Sería casi imposible demostrar que un estudio de caso del pasado estaba equivocado o que los resultados estaban enormemente exagerados. Esto no quiere decir que los investigadores sean deshonestos, pero sí existe un claro conflicto de intereses, y es imposible para un observador diferenciar a los investigadores honestos de los deshonestos. Como regla general, cuando un tercero está involucrado en un estudio de caso, normalmente es incluso más sesgado que si no estuviera involucrado ningún tercero, lo cual es bastante sorprendente.
Ahora, para concluir esta serie sobre estudios de caso, echemos un vistazo de cerca a los proveedores. La gente a menudo cree que los proveedores no deben mentir, pero esto no es del todo exacto. Existe una noción conocida como el “dolus bonus”, o “buena mentira”, introducida por los romanos hace mucho tiempo.
Para entender este concepto, considera a un comerciante en un mercado que vende huevos y hace una afirmación extravagante de que un huevo es el mejor que jamás comerás y que te hará feliz durante un mes entero. Obviamente, la afirmación tiene absolutamente ninguna posibilidad de ser cierta. Los romanos se preguntaron, ¿debemos hacer algo respecto a este comerciante mentiroso? ¿Deberíamos encarcelar o multar a este comerciante? La respuesta fue no; está absolutamente bien. Este concepto de “dolus bonus” sugiere que si eres un comerciante, es simplemente parte de tu naturaleza mentir sobre lo que vendes. Aunque hay límites, la ley reconoce que los proveedores harán lo que hacen, y no se les debe culpar por intentar presentar sus productos de manera favorable, incluso absurdamente. Así es como funciona el mercado.
Incluso si los proveedores no son conscientes de la letra pequeña legal, lo saben de forma intuitiva, y por ello existe una propensión a producir estudios de caso que cuestan dinero y tiempo, sirviendo esencialmente como infomerciales sofisticados. Aunque la publicidad cumple una función en la sociedad, la creencia de que la publicidad glorificada puede ser un vehículo para transmitir conocimiento es errónea. Por diseño, los estudios de caso no pueden ser rescatados para este propósito.
Entonces, si eliminamos los estudios de caso ya que son completamente inválidos, ¿con qué nos quedamos? Necesitamos encontrar un método alternativo que no sufra de los mismos problemas. Aquí es donde entran las narrativas de supply chain. La intención de una narrativa de supply chain es describir problemas para que el conocimiento pueda ser compartido entre los practicantes e investigadores de supply chain, enfocándose en los problemas en juego y en lo que estamos tratando de resolver.
Para comenzar, hablemos de un libro muy interesante, una novela llamada “The Phoenix Project.” Aunque puede que no sea un hito de la ciencia, es una lectura amena sobre una empresa ficticia, contada a través de los ojos del director de TI. La mayoría de los eventos en la historia involucran una serie de problemas de supply chain y de software empresarial profundamente enredados. La historia relata las luchas que enfrenta la empresa y lo que las personas hacen para resolver esos problemas. Lo sorprendente es que esta obra de completa ficción resuena profundamente en muchos que la leen, incluso más que la mayoría de los estudios de caso, salvo quizás aquellos negativos como los producidos por Joe Castello.
Esta aparente paradoja puede no ser una paradoja en absoluto si consideramos el primer paso dado por los autores. Decidieron que la historia trataría sobre una empresa ficticia, lo que eliminó todos los problemas asociados al nombre y a la autoridad que viene con un estudio de caso vinculado a una empresa bien identificada. Al crear una obra de ficción, eliminaron el atractivo de la autoridad que se adjuntaría a una empresa real.
En segundo lugar, en cuanto al tabú, la empresa ficticia permitió a los autores explorar muchos aspectos interesantes de la historia. La mayoría de los personajes tienen límites, son imperfectos, luchan, a veces cometen errores tontos y, en ocasiones, actúan de manera egoísta hasta el punto de perjudicar seriamente a la empresa. Pueden ser muy codiciosos de maneras que van completamente en contra de los intereses de la empresa. Se puede ver cómo ciertos personajes mienten a sus colegas. En un estudio de caso, sería imposible escribir esta historia porque llevaría a una larga serie de litigios si se hiciera con personas reales.
Sin embargo, ¿podríamos decir que esta novela es una obra científica? No, y por una razón simple: la novela es una defensa del DevOps, una filosofía para abordar el desarrollo y mantenimiento de software empresarial. Los autores relatan la historia de un conjunto de personajes en su empresa ficticia que enfrentan enormes luchas y que, gradualmente, superan los desafíos que enfrentan hasta que redescubren los principios fundamentales de la filosofía DevOps. Este libro viene con una agenda muy cargada, y los autores no esconden nada al respecto; están impulsando la agenda de DevOps.
Mi principal crítica es que tenemos el mismo problema que tenemos con los estudios de caso: un completo conflicto de intereses. Los autores resultan ser consultores que venden servicios de consultoría para ayudar a implementar prácticas de DevOps en las empresas. El hecho de que en la historia todo pueda solucionarse de maneras creíbles y que exista un final feliz en el que la empresa termina obteniendo enormes beneficios gracias a esta metodología está lejos de ser objetivo.
La idea de una narrativa de supply chain es que queremos comenzar con una empresa ficticia, pero tener un enfoque exclusivo en los problemas. Queremos abordar el problema creando una empresa ficticia para no tener el problema de la autoridad y los tabúes. Sin embargo, no queremos incluir la descripción de las soluciones en nuestra narrativa, ya que esto llevaría a una larga serie de conflictos de intereses. Queremos enfocarnos exclusivamente en el lado del problema y dejar de lado el lado de la solución.
Puede haber algunas excepciones modestas a esta regla porque, a veces, para justificar que un problema dado es relevante, es necesario proporcionar una intuición de la solución. Si no se da la intuición de la solución, el problema parece inabordable. Para evitar objeciones de que algunos desafíos son imposibles de abordar y, por lo tanto, no son interesantes, puede que necesitemos introducir un indicio sobre la existencia de al menos una solución. No afirmamos que sea una buena solución, solo que una solución existe.
El objetivo de la narrativa de supply chain es inyectar realidad y experiencia del mundo real en el campo de la gestión de supply chain. Queremos que este formato sea un vehículo adecuado para transmitir conocimiento a otros practicantes e investigadores de supply chain, e incluso ayudarnos a razonar sobre las supply chains por nosotros mismos, lo cual es un gran desafío debido a su complejidad. Para hacer que todo sea inteligible y creíble, necesitamos tener un trasfondo y contexto. Queremos magnificar la relevancia de los problemas presentados en la narrativa.
Sin embargo, si se nos ocurre una empresa ficticia y enumeramos todos los problemas que afectan a las supply chains, ¿podríamos simplemente llamarlo ciencia? Absolutamente no.
El problema es que necesitamos hacer que sea muy fácil rechazar la validez de una narrativa. En un estudio de caso, es muy fácil elaborar uno, pero es increíblemente difícil desacreditar o rechazar su validez. Con el diseño de la narrativa como método, queremos revertir este problema. Queremos crear algo que sea extremadamente difícil de elaborar pero relativamente sencillo de rechazar.
El primer criterio sería la resonancia. Si tenemos una narrativa sobre un arquetipo específico de empresa en una industria específica y hablamos con directores de supply chain de esa industria, ¿estarían de acuerdo en que esta narrativa resuena con los tipos de problemas que tienen? Aunque pueda parecer muy subjetivo, no creo que lo sea tanto. Si observamos el libro “The Phoenix Project,” prácticamente cada una de las personas entre mis colegas que lo han leído encontró que resonaba con sus experiencias en varias empresas. No nos estamos enfocando en la solución, sino únicamente en la definición del problema. Incluso si puede haber un desacuerdo generalizado sobre qué hacer con respecto al problema, generalmente hay un fuerte consenso sobre los problemas que están sobre la mesa. No es necesariamente tan subjetivo como parece, aunque existe un grado irreducible de subjetividad.
Otro factor es la exhaustividad. Si puedes elegir una empresa que supuestamente sería un buen ejemplo para esta persona y demostrar que esta empresa tiene problemas importantes que ni siquiera están listados en la persona, entonces el argumento para rechazarla es muy débil. Solo tienes que exhibir una empresa, un problema, y decir: “Esto es causa para el rechazo de la persona.” No requiere meses de trabajo, solo un poco de retroalimentación y una descripción de buena fe de un problema importante.
Una buena persona también debería arriesgarse en cuanto a los números, y con números no me refiero a cifras exactas, sino a órdenes de magnitud. Necesitamos aclarar si estamos hablando de una empresa que intenta operar con 100 SKUs o 100 millones de SKUs. Debemos dar las dimensiones características y los órdenes de magnitud que caracterizan a la empresa. Si encuentras una empresa que no encaja con los órdenes de magnitud dados, puede significar que hemos enmarcado incorrectamente a la persona.
El último punto es más sutil pero también bastante importante: la existencia de soluciones en el mercado. Dependiendo de la solución que existe o no en el mercado, eso puede usarse para rechazar la validez de una persona. Si tenemos una solución que trivialice por completo el problema u ofrezca una solución definitiva de modo que lo que antes era un problema se convierta en un no-problema, entonces esto es causa para rechazar a la persona, al menos en su forma actual.
Para darte un ejemplo más concreto, si tomamos una gran empresa que opera con decenas de miles de SKUs en un almacén en 1950, la persona de esta empresa podría enumerar mantener niveles de stock adecuados como un desafío importante. En ese momento, los niveles de stock debían mantenerse manualmente a través de un pequeño ejército de empleados que actualizaban registros. De hecho, era un desafío inmenso mantener registros de inventario preciso a lo largo del tiempo. Pero avanzando 70 años hasta el presente, ¿podríamos aun considerar eso un desafío? En absoluto. Con códigos de barras y software de control de inventario, mantener niveles de stock precisos en un almacén es esencialmente un problema completamente resuelto. No es digno de inclusión en una persona porque hay muchas soluciones y prácticamente cero incertidumbre sobre el tipo de solución necesaria.
Estoy presentando una dualidad de problema versus solución, y la realidad es que puede ser sorprendentemente difícil tener una separación clara entre problemas y soluciones. Es un desafío pensar en un problema si no puedes imaginar primero una solución y viceversa. Una fuente de dificultad para entender los problemas es la ideología latente que impregna la sociedad. Tenemos valores que son simplemente parte de nuestra sociedad, y vivimos con ellos sin siquiera percibirlos. Estos valores pueden tener una influencia masiva en la forma en que vemos los problemas y en si decidimos que son relevantes o no.
Para ilustrar esto, me gustaría presentar el caso de la aleatoriedad. La aleatoriedad se ha asociado con el estigma del juego, que se percibía como equivocado. En “Introducción al estudio de la medicina experimental” de Claude Bernard, Bernard se opone vehementemente a la presencia de aleatoriedad en el campo de la ciencia. Él dice que si un experimento no es perfectamente determinista, generalmente es un fuerte indicio de mala ciencia o, en el mejor de los casos, de ciencia incompleta.
Avanzando 70 años, vemos que Albert Einstein realizó enormes contribuciones al campo de la mecánica cuántica, y estaba muy conflictuado respecto a algunos aspectos de la misma, en particular el indeterminismo o aleatoriedad que parecía ser una propiedad fundamental del universo. Einstein, en múltiples ocasiones, reconoció que la física cuántica probablemente no estaba equivocada porque sus propiedades operativas eran excelentes. Sin embargo, sentía que el no determinismo sugería que la física cuántica estaba incompleta y no era el producto final de lo que la física debería ser. Tomó muchas décadas, pero hoy en día, la percepción es que el indeterminismo es verdaderamente una propiedad fundamental del universo, y no hay escapatoria.
Mi teoría personal es que el estigma del juego, que se asociaba con la aleatoriedad, persistió a lo largo de los años e incluso influyó en el presente. Hace una década en Lokad, decidimos impulsar la idea del forecast probabilístico, abrazando la aleatoriedad en lugar de rechazarla. Esto nos llevó a redefinir completamente el problema, y nos encontramos con escepticismo y reacciones aún más viscerales. Algunos cuestionaron la relevancia de la aleatoriedad para los problemas que necesitaban resolver.
Desde mi perspectiva, estudiar la estructura de la aleatoriedad en sí misma es de gran interés. Sin embargo, puede que tengamos ideas preconcebidas que dificulten nuestra comprensión de ciertos asuntos. Otro desafío es la distracción que puede surgir cuando emerge una solución excelente para un problema difícil. Puede volverse difícil pensar en el problema abstracto, ya que tendemos a definirlo de manera reflexiva en relación con la solución.
Un ejemplo histórico de esto es el desarrollo de máquinas voladoras en el siglo XIX. Se descubrieron y utilizaron máquinas voladoras más livianas que el aire, como los globos aerostáticos, para lograr descubrimientos sorprendentes. El éxito de estas máquinas más livianas que el aire distrajo a las comunidades relevantes de considerar alternativas más pesadas que el aire. Se necesitaron décadas para que las comunidades pertinentes exploraran alternativas, y creo que parte del problema era que contar con una solución sorprendente, como construir una máquina voladora, resultaba enormemente distractor.
Otro desafío al examinar problemas y situaciones es cuando el problema es impensable. Es ese tipo de situación en la que ni siquiera puedes conceptualizar el problema, a pesar de que es un asunto real.
Para ilustrar esta idea, me gustaría referirme a un artículo fantástico publicado en 2018 por un equipo de investigación de Facebook sobre traducción automática. La traducción automática consiste en tomar texto en un idioma y utilizar una máquina para producir una traducción en otro idioma. Este campo de estudio ha existido durante aproximadamente 70 años. Los primeros traductores automáticos eran increíblemente ingenuos, ya que simplemente utilizaban diccionarios para reemplazar palabras de un idioma por palabras correspondientes en otro. Este enfoque resultó en traducciones de muy baja calidad.
A lo largo de los años, las técnicas evolucionaron, y la mayoría de los métodos tenían una cosa en común: el uso de corpora bilingües. La idea era emplear conjuntos de datos que contuvieran frases en dos idiomas, aprendiendo de estos ejemplos para construir un sistema de traducción automática. El resultado sorprendente logrado por el equipo de investigación de Facebook fue el desarrollo de un sistema de traducción sin ningún conjunto de datos de traducción explícito. Utilizaron un vasto conjunto de datos de texto en francés y un conjunto de datos separado y disjunto de texto en inglés, y luego construyeron un sistema de traducción automática que podía traducir del francés al inglés sin haber recibido nunca ningún ejemplo. Este resultado va en contra del enfoque convencional de la traducción automática y requirió una solución real antes de que las personas pudieran replantear siquiera cómo abordar el problema.
Un ejemplo más modesto pero relevante de nuestro trabajo en Lokad se encuentra en el mercado de repuestos del sector automotriz. En este campo, el desafío es encontrar la pieza de automóvil adecuada con la compatibilidad mecánica correcta para un vehículo específico. En el mercado europeo, por ejemplo, existen más de 1 millón de piezas de automóvil distintas y más de 100,000 vehículos distintos. Cuando vas a un taller y necesitas que se reemplace una pieza, la persona en el taller debe consultar algún tipo de servicio para determinar qué pieza es adecuada para tu vehículo. Resulta que toda la lista de compatibilidades entre piezas y vehículos, a la que me refiero como los bordes que conectan piezas y vehículos, tiene un orden de magnitud de aproximadamente 100 millones de compatibilidades. En este mercado, hay unas pocas empresas altamente especializadas que mantienen este conjunto de datos para el mercado europeo. Venden acceso a este conjunto de datos a prácticamente cada empresa que opera en la industria de repuestos del sector automotriz, de una forma u otra.
El problema es que este conjunto de datos es enorme, con 100 millones de compatibilidades, y tiene muchos errores. Según diversas fuentes, estimo que hay unos cuantos conjuntos de datos para Europa, y la mayoría de ellos tienen aproximadamente un 3% de error. Los errores son tanto falsos positivos, en los que se declara una compatibilidad que no existe, como falsos negativos, en los que existe una compatibilidad pero no se registra adecuadamente en el sistema. Estos errores generan problemas continuos para todas las empresas que operan en el mercado de repuestos.
Cuando se necesita realizar una reparación y el cliente tiene prisa, el vehículo ya no se mueve. Se encarga una pieza, la pieza llega a tiempo, pero luego se descubre que la pieza no es compatible. La pieza debe devolverse, se encarga otra, y se producen días adicionales de retrasos y frustraciones para el cliente. Por lo tanto, es un problema, pero ¿qué podemos hacer al respecto? Las empresas que mantienen estos conjuntos de datos manualmente ya emplean pequeños ejércitos de empleados administrativos para mantenerlos actualizados. Están corrigiendo errores constantemente, pero también agregan nuevas piezas y nuevos vehículos de manera continua. Con el paso de las décadas, el conjunto de datos crece ligeramente, se corrigen errores, se introducen nuevos errores, y la tasa de error del 3% se mantiene relativamente constante. No mejora con el tiempo.
El sistema ya ha alcanzado un equilibrio, y es posible que las empresas en el sector de repuestos automotrices no estén dispuestas a pagar diez veces más para que las compañías que mantienen los conjuntos de datos contraten a diez veces más empleados administrativos para corregir los errores restantes. Hay rendimientos decrecientes, y los errores que aún no han sido detectados son probablemente muy difíciles de solucionar.
En Lokad, desarrollamos un algoritmo que detecta tanto los falsos positivos como los falsos negativos y que puede corregir automáticamente alrededor del 90% de estos problemas. Lo impresionante es que este algoritmo utiliza nada más que el conjunto de datos inicial. Puede parecer extraño, pero podemos usar este mismo conjunto de datos para aprender de los errores que contiene, y eso es precisamente lo que hicimos. Por cierto, presentaré estas técnicas en detalle en una conferencia posterior. Puedes consultar el plan en línea; el calendario de las conferencias está disponible en el sitio web de Lokad. Así que, este es otro ejemplo en el que, hasta que se tenga una solución, es muy difícil pensar que existe siquiera un problema.
Como parte de mi intención, presentaré una breve serie de conferencias sobre personas que representan arquetipos que hemos encontrado en Lokad. Haré lo posible por resumir la forma en que veo el problema, sintetizando todas las experiencias que he acumulado tanto a través de mi propia vivencia como de la de mis colegas en Lokad. Nuevamente, pueden comprobar que no presentaré todas estas personas de forma secuencial, ya que eso probablemente resultaría sumamente tedioso para la audiencia y quizás algo tedioso para mí también. Por ello, tengo la intención de presentar una persona probablemente dentro de dos semanas y luego pasar a otros elementos de interés.
En conclusión, hoy hemos planteado algunas preguntas muy importantes acerca de supply chain como campo de estudio, y espero haber podido presentar algunas respuestas muy prometedoras, tal vez no comprobadas, pero al menos haber ofrecido algunas respuestas alentadoras a estas preguntas. También me doy cuenta de que, probablemente, entre los círculos de personas que han pasado una buena parte de su vida profesional produciendo estudios de caso, hoy probablemente no me haya ganado ningún amigo, y realmente espero no acabar como el tipo de la ilustración. Eso sería bastante terrible, pero, nuevamente, creo que las apuestas son bastante altas. Queremos establecer y elevar supply chain como un campo de estudio hasta convertirlo en una ciencia, de modo que tengamos algo muy capitalista, agresivo, y donde podamos esperar tener expectativas razonables de ofrecer mejoras de manera confiable y controlada.
Así que, esto es todo por hoy. Ahora procederé a atender las preguntas.
Pregunta: No entendí el concepto de exhaustividad para las personas. ¿Podrías elaborar al respecto?
Bien, la exhaustividad es precisamente eso, debido a los efectos del sistema, la descripción de los desafíos y problemas del supply chain debe ser completa. Supply chains involucran una larga serie de trade-offs, por lo que si omites una de las fuerzas en juego, puede que no estés razonando correctamente sobre el problema desde el principio. Por ejemplo, no puedes razonar correctamente sobre cuál es el nivel óptimo de stock si ignoras el problema de disponer de un suministro limitado de capital de trabajo. La exhaustividad significa listar todas las cosas que son muy relevantes, y si no somos exhaustivos al enumerar todos los problemas pertinentes, probablemente signifique que esta no es una muy buena persona, ya que puede haberse pasado por alto algo que podría poner en peligro de forma crítica cualquier razonamiento basado en esta persona.
Pregunta: Las soluciones equivocadas en supply chains son prevalentes, y hay muchos supply chain practitioners que saben que están rotas por diseño. ¿Cómo podemos ayudarlos a renunciar y cambiar a tipos de soluciones aproximadamente correctas y a abrazar la incertidumbre?
Primero, creo que el principal problema es que supply chain como campo de estudio aún se encuentra en su infancia pre-científica, y existe un escepticismo generalizado sobre la validez de prácticamente todo lo que se publica. Es muy difícil convencer a la gente. Considero que el primer paso es convencer a las personas de que supply chain es apto para el método científico. Esto sería un paso inicial significativo porque no se trata de una cuestión de opinión o ideología; potencialmente existe un resultado final en el que podamos tener objetividad y un conocimiento de buena calidad. Podemos contar con fundamentos sólidos para comprender los problemas y aplicar soluciones apropiadas. El primer paso, y eso es lo que intento hacer con estas conferencias, es educar al público en general de que supply chain no es solo una práctica o un arte, sino que podría llegar a ser una ciencia.
Claude Bernard, considerado uno de los padres de la medicina moderna, enfrentó muchas objeciones en su época. Se le confrontó por médicos que afirmaban que ellos ya poseían la ciencia y que no había nada que aprender de sus métodos. Sugirieron que se atuviera exclusivamente a sus teorías y que no realizara sus experimentos. La mayor batalla que Bernard tuvo que librar fue precisamente la idea de que la medicina era susceptible de ser estudiada con un método científico. De manera similar, sospecho que la mayor parte de lo que se publica, incluso en círculos académicos, acerca de supply chain no es científica. Creo que he demostrado hoy que una buena parte de la literatura, como los estudios de caso, no es científica. En la próxima conferencia, veremos qué se debe hacer con la otra mitad de la literatura que permanece, y no es muy prometedora.
En lo que respecta a tu pregunta sobre la incertidumbre, mi primer paso sería convencer a la gente de que la incertidumbre es irreducible y que tendrán que lidiar con ella como un problema masivo en su vida cotidiana. ¿Podemos estar de acuerdo en que no hay ninguna esperanza de poder anticipar perfectamente lo que la gente está a punto de comprar? Para anticipar perfectamente las acciones de una persona en una tienda, se necesitaría replicar a la perfección toda su inteligencia. El algoritmo que pudiera predecir cada movimiento de una persona sería, fundamentalmente, tan inteligente como una réplica perfecta de la inteligencia humana, lo cual resulta altamente inverosímil. La propuesta alternativa de que la incertidumbre es, en gran medida, irreducible me parece mucho más razonable. El mayor desafío es llevar la discusión a un punto en el que estemos razonando desde una perspectiva semi-científica en lugar de apoyarnos en prácticas, presentimientos, intuiciones y declaraciones de autoridad.
Pregunta: ¿Cuáles son tus pensamientos sobre design thinking?
No estoy muy seguro acerca de la pregunta específica aquí, pero lo que intento transmitir es una conexión entre supply chain y el mundo real. Si pudiéramos tener experimentos de supply chain que se alinearan con lo que se hace en muchas otras ciencias experimentales, podríamos conectar supply chain con el mundo real de manera satisfactoria. He presentado un método hoy, la persona, y probablemente existen muchos otros métodos. No sigo ninguna forma de pensar específica; me interesa más el método para producir conocimiento que la manera en que la gente piensa.
En este sentido, estoy muy alineado con ese tipo de ideas que presenta Claude Bernard. La chispa inicial para el conocimiento, la emoción, la intuición, es, fundamentalmente, algo que no es científico en absoluto. Reside en el ámbito de la emoción, no en el de la razón. No creo que se pueda racionalizar verdaderamente esta parte, y aunque se pudiera, sospecharía mucho que el mismo método funcionara para todos. Pero me desvío del tema.
Creo que hemos terminado con las preguntas por ahora. Nos vemos la próxima vez en dos semanas; nos encontraremos el mismo día y hora. Exploraremos una persona llamada Paris para una empresa de fast fashion que opera una red de retail. Hasta entonces.
Referencias
- Una introducción al estudio de la Medicina Experimental, Claude Bernard, 1865
- The Phoenix Project: Una novela sobre IT, DevOps y ayudar a tu negocio a ganar, Gene Kim, Kevin Behr, George Spafford, 2013
- Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018
