Personas de la cadena de suministro - Clase 2.1

00:50 Introducción
02:22 Libro de Claude Bernard
11:19 La historia hasta ahora
13:39 ¿Experimentos de cadena de suministro?
19:21 Métodos experimentales: en contra de los estudios de caso
20:50 Sobre los grandes nombres
28:14 Sobre los tabúes
35:05 Sobre las perspectivas laborales
37:51 Sobre la pseudo-neutralidad
42:59 Sobre los proveedores
45:57 Métodos experimentales: a favor de las personae
46:54 Ficción vs Realidad
52:19 Creando una persona de la cadena de suministro
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 clase y preguntas del público

Descripción

Una “persona” de la cadena de suministro es una empresa ficticia. Sin embargo, aunque la empresa sea ficticia, esta ficción está diseñada para resaltar lo que merece atención desde una perspectiva de cadena de suministro. Sin embargo, la persona no está idealizada en el sentido de simplificar los desafíos de la cadena de suministro. Por el contrario, la intención es magnificar los aspectos más desafiantes de la situación, los aspectos que más obstinadamente resistirán cualquier intento de modelado cuantitativo y cualquier intento de pilotar una iniciativa para mejorar la cadena de suministro.

En la cadena de suministro, los estudios de caso, cuando se menciona a una o varias partes, sufren graves conflictos de interés. Las empresas y sus proveedores de apoyo (software, consultoría) tienen un interés personal en presentar los resultados de manera positiva. Además, las cadenas de suministro reales suelen sufrir o beneficiarse de condiciones accidentales que no tienen nada que ver con la calidad de su ejecución. Las personae de la cadena de suministro son la respuesta metodológica a esos problemas.

Transcripción completa

Hola a todos, bienvenidos a esta serie de clases sobre cadena de suministro. Soy Joannes Vermorel y hoy presentaré “Personas de la cadena de suministro”. Para aquellos que estén asistiendo a la clase en vivo, pueden hacer preguntas en cualquier momento a través del chat de YouTube. Sin embargo, no estaré leyendo las preguntas durante la clase; volveré al chat al final de las clases para responder, si es posible, todas las preguntas que se hayan planteado.

El tema de hoy es si podemos elevar el estudio de las cadenas de suministro como una ciencia. Algunos podrían objetar que las cadenas de suministro son, ante todo, un negocio y una práctica. Absolutamente, pero la pregunta es: ¿podemos mejorar la gestión de la cadena de suministro y, de ser así, podemos hacerlo de manera sistemática, confiable y controlada? Creo que solo es posible a través de algo que se asemeje a un método científico aplicado al conocimiento que tenemos.

Para poder mejorar, necesitamos conocimiento y necesitamos tener conocimiento de alta calidad. ¿Qué quiero decir con alta calidad? Es conocimiento que puede caracterizarse por lo que generalmente caracteriza al conocimiento científico en la actualidad. Si lo único que tenemos es intuición, entonces limita severamente lo que podemos esperar poder aportar a las cadenas de suministro de manera sistemática. El método científico es realmente de gran interés y poder elevar el estudio de las cadenas de suministro como una ciencia es de crucial importancia. Pero eso plantea la pregunta: ¿qué es la ciencia y cuál es el método científico?

Creo que hay un libro, “Introducción al estudio de la medicina experimental”, publicado por Claude Bernard en 1865, que es un hito absoluto en la historia de la ciencia. Claude Bernard, un investigador muy famoso en ese momento, todavía es considerado hoy en día como uno de los padres fundamentales, si no el padre, de la medicina moderna por muchas personas. Debido a una enfermedad, se retiró y reflexionó sobre una búsqueda de conocimiento de toda la vida. Comenzó a poner por escrito sus ideas sobre cómo había logrado y qué tipo de métodos había utilizado durante su carrera para hacer todos los descubrimientos que había hecho.

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 son casi insoportables. Este libro es muy fácil de leer, al menos en francés. No sé cómo será la versión en inglés, pero sospecho que existen buenas traducciones. Con mucha claridad y simplicidad, Claude Bernard explica y da muchas pistas sobre la ciencia y el método científico. Es algo que ilumina profundamente las cadenas de suministro.

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 describe no es específico de la medicina. Este libro tuvo una profunda influencia en muchas otras ciencias más allá de la medicina. Para entender por qué, tenemos que entender que en el siglo XIX, Claude Bernard estaba luchando contra oponentes que se oponían completamente a la idea de que la medicina debería, al menos en parte, convertirse en una ciencia. De hecho, el estudio de la medicina enfrenta dos desafíos muy importantes, que creo que también son de gran relevancia para las cadenas de suministro.

El primer desafío es que los seres vivos son increíblemente y irreductiblemente complejos. Si tienes un organismo vivo, no puedes simplemente aplicar algún tipo de enfoque de dividir y conquistar; no puedes desmontarlo para estudiarlo porque si lo haces, simplemente matas al ser vivo y te quedas con algo que ya no está vivo. Eso se pierde completamente el punto de lo que estás tratando de estudiar. Esta complejidad irreducible y el hecho de que tienes algo súper complejo que no puedes desmontar fácilmente también se aplican a las cadenas de suministro. Si tienes una cadena de suministro compuesta por proveedores, plantas, almacenes, centros de distribución y tiendas, y si eliminas cualquiera de esos elementos, la cadena de suministro deja de funcionar y ni siquiera tiene sentido. Ni siquiera puedes estudiarlo como una cadena de suministro. Entonces, tenemos este tipo de complejidad irreducible que también se aplica mucho a las cadenas de suministro.

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 local de veneno, pero eso va a tener un impacto en todo el organismo, no solo en el lugar donde realmente inyectaste el veneno. Esto también resuena mucho con las cadenas de suministro porque, como describí en una de mis conferencias anteriores, la mayoría de las optimizaciones locales en una cadena de suministro simplemente desplazan un problema a otro lugar de la red. Entonces, tenemos estos dos problemas, y en ese momento, Claude Bernard se enfrentaba a oponentes que básicamente decían que la medicina, debido a estos problemas, es irreducible y no se puede reducir a algo tan vulgar como una ciencia. Claude Bernard, junto con muchas otras personas y quienes lo siguieron, demostraron que esta perspectiva estaba completamente equivocada. Sin embargo, es interesante que este desafío todavía exista, y creo que incluso un siglo y medio después, todavía estamos en esta fase en lo que respecta a las cadenas de suministro.

Ahora, si queremos entender lo que Claude Bernard aporta en primer lugar, es la idea de los experimentos. En su libro, plantea la idea de 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 da algún tipo de idea preconcebida sobre el universo. A través de esta emoción, puedes comenzar a hacer cualquier cosa, aunque sea profundamente irracional y no tenga cualidades científicas. Sin eso, no tienes el impulso inicial que desencadenará el resto. La inicialización de este sistema de conocimiento es la emoción, y luego tienes la razón. La razón le da forma, estructura y dirección a esta idea para que puedas comenzar a actuar. En este punto, tienes una idea, pero no está claro si es verdadera o falsa. Simplemente existe, pero tiene más estructura que la primera etapa, que era solo emoción.

A través de la razón, puedes construir la primera etapa de un experimento. La idea es que a través de la razón, vas a poner a prueba tu idea. Tienes esta idea preconcebida sobre el universo y vas a llevar a cabo un experimento que te permitirá probar la idea. Lo interesante es que tienes que creer en tu idea, de lo contrario, no vas a perseguir todos los esfuerzos y el tiempo que lleva realmente llevar a cabo el experimento. El método científico no es la eliminación de la creencia previa; esto no es absolutamente cierto. Necesitas tener algo que te impulse, esas ideas preconcebidas que guiarán tu acción.

Luego, llevas a cabo el experimento, observas los resultados y dejas que la observación tome el control sobre tus ideas. Tenías tus ideas preconcebidas, llevaste a cabo el experimento y luego, una vez que has hecho tu experimento, dejas que lo que acabas de observar tome el control de tus ideas, y eso será el establecimiento del conocimiento. Una de las ideas profundas dentro de la ciencia experimental es que no hay conocimiento dentro de nosotros. Tenemos emociones y cierta capacidad innata de razonamiento, pero todo el conocimiento que se encuentra está fuera de nosotros. Incluso si ahora es evidente por sí mismo, durante el siglo XIX, no lo era en absoluto. En lo que respecta a las cadenas de suministro, no está del todo claro que todos estén alineados conmigo en este punto. La idea de tener una ciencia experimental es 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 de conferencias, que fue el prólogo. En el prólogo, presenté mis puntos de vista sobre cómo abordar las cadenas de suministro en primer lugar. Definí la cadena de suministro durante la primera conferencia como el dominio de la opción. También presenté puntos de vista tanto cualitativos como cuantitativos para darles una idea de cómo estoy abordando el problema. En estas conferencias actuales, estoy abriendo un segundo capítulo: la metodología. Si queremos mejorar las cadenas de suministro, necesitamos conocimiento para dirigir nuestras acciones. Si queremos tener una forma confiable de lograr mejoras y tener una esperanza razonable de tener un alto grado de control, entonces necesitamos que este conocimiento esté sólidamente fundamentado. Creo que necesitamos algo similar al método científico. Cuando digo el método científico, estoy abusando del término, ya que no existe tal cosa como “el método científico”. En realidad, hay una amplia serie de métodos, y Claude Bernard, en su libro, presenta una serie de ellos. Bernard también demostró que la ciencia avanza no solo a través de mejores teorías, sino también a través de mejores métodos. El desafío no es solo conocer más sobre las cadenas de suministro, sino también establecer fundamentos con métodos que demuestren ser superiores en la generación de un mejor conocimiento, más rápido, más confiable y más preciso. El punto de una cadena de suministro es tener un método, entre muchos, para conectar las cadenas de suministro como un campo de estudio con lo que está sucediendo en el mundo real y aprovechar la información que no está dentro de nosotros, sino en el mundo exterior.

La forma de llevar una dosis de realidad a tu campo de estudio es típicamente a través de experimentos. Sin embargo, en el caso específico de las cadenas de suministro, parece que los experimentos de cadena de suministro son bastante complicados por varias razones. Permíteme presentarlas brevemente.

La primera razón es la confidencialidad. Como hemos visto en una conferencia anterior, una cadena de suministro no se puede observar directamente; solo se puede observar indirectamente. Lo único que puedes observar en una cadena de suministro son los registros electrónicos que son recopilados y reunidos por un software empresarial. Esta es la forma en que puedes observar una cadena de suministro, a través de los registros recopilados por el software empresarial o a través de conjuntos de datos. El problema es que las empresas no están dispuestas a compartir estos conjuntos de datos, y hay muy buenas razones para no estar dispuestas a hacerlo. En primer lugar, es una ventaja competitiva, o más bien, si compartieran públicamente estos datos, sería una desventaja competitiva porque sus competidores podrían aprovechar el acceso a estos datos para obtener una ventaja competitiva en su contra.

Pero eso no es la única razón. También hay buenas razones para no compartir datos, 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 estoy señalando que incluso si una empresa estuviera dispuesta a compartir sus datos, correría el riesgo de hacer algo ilegal. Como evidencia anecdótica, el año pasado tuvo lugar la competencia de pronóstico M5, basada en datos de ventas obtenidos de Walmart. Hasta donde yo sé, fue el conjunto de datos más grande y completo relevante para un experimento de cadena de suministro que se haya publicado. Solo para darte una idea de la magnitud del problema, este conjunto de datos era solo los datos de ventas de una pequeña fracción de los productos de una sola tienda. Walmart es una empresa gigantesca que opera más de 10,000 tiendas, y el conjunto de datos de la competencia en Kaggle ni siquiera era de una tienda completa. En realidad, era una pequeña fracción de una tienda, y básicamente era el historial de ventas, incluyendo el historial de ventas en cantidades y precios. Para empeorar el problema, debido a problemas de ingeniería en términos de extracción de datos, resultó que la mitad del conjunto de datos, que consistía en precios, ni siquiera se podía utilizar para el propósito de la competencia. Ninguno de los equipos ganadores que quedaron entre los 10 primeros de la competencia logró utilizar estos datos. Esto te da una idea de lo difícil que es comunicarse públicamente sobre este tema, pero este no es el único problema.

También tenemos el problema de la replicabilidad. Por ejemplo, al discutir con varios clientes de Lokad en enero de 2020, el comercio electrónico en sus respectivos negocios representaba aproximadamente el 30% del volumen. Para enero de 2021, había aumentado al 60%. Obviamente, ha habido un año completo de pandemia y han ocurrido cosas relativamente sin precedentes que han cambiado por completo 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 la cadena de suministro y quieres replicarlo, es posible que el panorama sea tan diferente unos años después que no tengas ninguna esperanza de replicar nada. Esa es otra clase de grandes problemas a los que nos enfrentamos.

Además, están los costos y retrasos involucrados. Como regla general, un experimento de cadena de suministro necesitaría ser al menos el doble de largo que el tiempo de entrega característico de la empresa. En muchas industrias o verticales, el tiempo de entrega característico es de alrededor de tres meses, lo que significa que el retraso característico para un experimento de cadena de suministro sería de seis meses o más. Esto es muy largo, y hay una buena razón por la cual las ciencias experimentales, como la medicina experimental, tienden a favorecer el uso de ratones para experimentos debido a su rápido metabolismo y rápida tasa de reproducción. El tiempo es esencial, incluso en medicina, y es prácticamente lo mismo en la cadena de suministro. Sin embargo, el tiempo característico de los experimentos es muy largo.

Además, tenemos el elemento no local que discutimos anteriormente, donde es difícil hacer un experimento a pequeña escala y bajo costo porque todo se trata de los efectos de red. No puedes simplemente hacer algo en un lugar y esperar resultados. Como regla general, no puedes concluir nada a partir de un experimento local en la cadena de suministro.

Obviamente, no soy el primero en darme cuenta de que tenemos esta gran serie de problemas y que las cadenas de suministro resisten el enfoque experimental ingenuo. Como resultado, una gran parte de los estudios realizados en cadenas de suministro recurren a una alternativa al experimento de cadena de suministro, que es el estudio de caso de cadena de suministro. La idea es simple: queremos conectar la cadena de suministro 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 cuánto conocimiento se puede transmitir mediante este formato, mi respuesta es aproximadamente cero. Sin embargo, no todo está perdido, ya que existen posibles alternativas, y ahí es donde presentaré al personal de la cadena de suministro. Debido a la prevalencia de los estudios de caso, primero debemos entender por qué simplemente no funciona, no puede funcionar y, desafortunadamente, nunca funcionará.

Un estudio de caso es una empresa, un problema, una solución heredada (que es la solución en vigor 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 cuando veo estudios de caso y cómo las personas razonan sobre ellos, lo que realmente domina no son los números presentes en los estudios de caso, sino el nombre de la empresa que es el sujeto del estudio de caso en sí. Aquí hay un enorme halo de autoridad en juego.

Imaginemos un estudio de caso de cadena de suministro que emana de Google, un gigante tecnológico. Google tiene una cadena de suministro bastante grande solo para lidiar con todo el hardware informático distribuido en todo el mundo para respaldar sus operaciones de centros de datos. Imaginemos que este estudio de caso demuestra la superioridad de un método específico de cadena de suministro desarrollado en Google. Se vería como algo muy relevante, obviamente, porque Google es un nombre muy importante. Sin embargo, el éxito de Google no tiene nada que ver con la cadena de suministro. Google ha sido una empresa fantásticamente exitosa, pero su éxito no se origina en sus prácticas de cadena de suministro. Si analizáramos dicho estudio de caso, llevaría mucho peso, y diría que mucho peso indebido, solo debido a la marca que Google lleva consigo. Solo porque Google haya contratado a muchos ingenieros súper talentosos y haya redefinido el estado del arte de la ingeniería de software en muchas áreas, no hay razón para creer que se transferiría automáticamente a todo lo que hacen, especialmente si es algo que es una función de soporte para ellos, como la cadena de suministro.

Esto es interesante porque si volvemos al libro de Claude Bernard, “Introducción al estudio de la medicina experimental”, lo primero que presenta Claude Bernard es el rechazo a la autoridad como parte integral del método científico. A mediados del siglo XX, dijo que el mayor problema con la medicina de la época era que en su mayoría era una cuestión de autoridad. La gente creía que algo era cierto solo porque había un nombre importante o alguien que llevaba 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 en realidad la única fuente de autoridad en términos de verdad científica, debería ser el experimento o, en otras palabras, la realidad misma.

Cuando comenzamos a analizar estudios de caso, tenemos problemas de autoridad por todas partes. Para enfatizar este punto, enumero cuatro empresas destacadas. Todas estas empresas son ampliamente reconocidas, altamente exitosas y han enfrentado fallas épicas en su cadena de suministro en su historia. Estas fallas se debieron a una combinación insana de arrogancia, codicia, pereza, ignorancia y varios otros problemas. Para darles algunos ejemplos, Nike, en 2004, perdió $400 millones en un intento equivocado de mejorar su cadena de suministro con un proveedor de software. Lidl, en 2018, perdió €500 millones con otro proveedor de cadena de suministro de renombre. Creo que estas cifras son solo una pequeña fracción del costo real para estas empresas, ya que la pérdida monetaria fue solo un aspecto de estas fallas a gran escala. La gestión 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 realmente notables y han sobrevivido a fallas a gran escala en su cadena de suministro, lo que demuestra que estaban haciendo cosas de manera muy notable; de lo contrario, habrían quebrado. Sin embargo, el punto que quiero enfatizar es que no es porque una empresa tenga un buen nombre, una buena reputación y sea fantásticamente exitosa que podamos inferir algo sobre la calidad de sus prácticas de cadena de suministro. Esta es mi crítica principal y, al igual que decía Claude Bernard, tenemos que rechazar fundamentalmente todos esos mecanismos que se basan en la autoridad. También tenemos que hacer eso en el campo de los estudios de cadena de suministro.

Sin embargo, tenemos otro conjunto de problemas y es un tabú. Si observo los estudios de caso publicados, solo como una sensación sin estadísticas reales, diría que el 99% de los estudios de caso son positivos. Muestran un problema, una solución heredada, una nueva solución y la nueva solución trae un resultado positivo. Sin embargo, he estado discutiendo con directores de cadena de suministro durante más de una década, más de 100 de ellos, y mi percepción es que la gran mayoría de las iniciativas de cadena de suministro fracasan. Por lo general, las fallas no son tan épicas como las que mencioné anteriormente, pero están por todas partes y la gran mayoría de esas iniciativas fracasan. No es sorprendente; si una empresa lograra mejorar sistemáticamente y sin fallas su cadena de suministro 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.

Volviendo a la idea de los tabúes, creo que tenemos una desconexión manifiesta entre la abrumadora positividad de los estudios de caso y la abrumadora negatividad de las experiencias reales de la cadena de suministro en el mundo real. Esto se puede explicar simplemente por el hecho de que el fracaso, en gran medida, es un tabú. Hay un artículo fantástico llamado “Los últimos días de Target” de Joe Castaldo, publicado en 2016, sobre Target Canadá. Target, una cadena minorista norteamericana, intentó ingresar a Canadá, invirtió más de $5 mil millones en este proyecto y todo resultó en un desastre completo. Cesaron sus operaciones con pérdidas masivas y en el centro del problema hubo una larga serie de graves problemas de cadena de suministro. En esencia, fue una larga serie de errores masivos en la cadena de suministro.

Lo curioso es que Joe Castaldo hace un trabajo fantástico describiendo el problema desde una perspectiva periodística. No pone a nadie en buen lugar. La historia muestra una combinación salvaje de arrogancia, orgullo, estupidez, ignorancia y pensamiento ilusorio. Se pueden ver ejecutivos altamente remunerados tomando una larga serie de decisiones absolutamente estúpidas, alentados por un proveedor que no tiene la menor idea de lo que están haciendo en términos de análisis de cadena de suministro. Todo explota de una manera bastante espectacular. Se necesita un grado de valentía tan grande para publicar una historia así. No conozco personalmente a Joe Castaldo, pero me aterraría la idea de publicar una historia así, porque los abogados de Target y el proveedor de software, cuyo nombre ni siquiera puedo pronunciar, probablemente demandarían a cualquiera que cuente esta historia porque es tan desastrosa. Tenemos un problema: hay muchas cosas que literalmente no se pueden contar debido a los tabúes. Creo que esto explica el sesgo masivo en los estudios de caso, que tienden a reflejar solo los buenos resultados, lo que resulta en un sesgo de supervivencia significativo. ¿Es este un problema nuevo? Absolutamente no.

Si retrocedemos y miramos el libro de Claude Bernard, un científico de renombre, 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 grosero, pero también argumenta que es esencial para la medicina moderna. No solo 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 resultan más incómodas. Intuitivamente, esto se puede entender porque no tenemos miedo de mirar las áreas donde nos sentimos cómodos. Nuestra intuición probablemente será bastante buena en esas áreas. Sin embargo, las áreas que se sienten mal, donde tenemos un instinto de repulsión, son precisamente donde no vamos a mirar 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 malos. Pero esto ni siquiera es el final de la historia.

¿Podríamos tener buenas razones para pensar que las personas involucradas en los estudios de caso tienen una propensión a exagerar los resultados? Mi propuesta 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 impresionante, ahorrando millones de dólares para la empresa, eso se ve muy bien en tu currículum. Mejorará tus perspectivas de obtener un puesto más alto, ya sea internamente en la misma empresa o externamente en otra empresa. Todos los que han trabajado en una empresa grande saben que no se trata solo de hacer cosas de gran servicio para la empresa. Si quieres avanzar en una empresa grande, no solo necesitas realizar un gran servicio para la empresa, sino también hacer que las personas sean conscientes de tus logros. Hay un conflicto de intereses masivo para aquellos involucrados en los estudios de caso, ya que son quienes presentan 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 de contabilidad. Por lo general, 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 va a distorsionar los resultados. Este conflicto de intereses puede llevar a exagerar los resultados positivos.

Para abordar este problema, algunos pueden involucrar a una tercera parte neutral para proporcionar una opinión objetiva y asegurarse de que todo se haga de manera justa. Hay dos tipos principales de terceras partes neutrales: empresas de investigación de mercado e investigadores académicos. Sin embargo, creo que estas partes no son neutrales en absoluto.

Las empresas de investigación de mercado se dedican a estudiar el mercado, evaluar las fortalezas y debilidades relativas de las soluciones y vender los resultados de su investigación en forma de informes a las empresas que buscan soluciones. Estas empresas pueden comprar el informe y tener una visión imparcial del mercado proporcionada por expertos, lo que les permite elegir al mejor proveedor. En realidad, las grandes empresas de investigación de mercado que conozco no obtienen su dinero vendiendo informes; la mayor parte de sus ingresos proviene de servicios de consultoría y coaching que venden a los proveedores de soluciones. Esto pone a estas empresas en una posición en la que quieren hacer lo mejor para sus clientes, que no son las empresas que buscan soluciones, sino los proveedores de tecnología que pagan por los servicios de consultoría.

Resulta que esta supuesta tercera parte neutral en realidad está muy en conflicto y puede empeorar el problema al agregar su propio sesgo encima de los sesgos existentes. Al mirar a los investigadores académicos, tienen muchos intereses en conflicto propios. Publicar o perecer es muy real en el mundo académico y los estudios de caso negativos, especialmente los que probablemente encontrarías en la cadena de suministro, no son desastres a gran escala, sino más bien fracasos decepcionantes a pequeña escala. Es muy interesante para un investigador académico mostrar resultados positivos porque son más fáciles de publicar.

Algunos pueden argumentar que publicar resultados fraudulentos podría arruinar la carrera de un investigador académico, pero cuando se trata de estudios de caso en la cadena de suministro, los investigadores pueden estar seguros de que nadie va a desacreditar sus resultados. Es extremadamente difícil realizar experimentos en la cadena de suministro y aún más difícil desacreditar algo que resultó ser falso y se publicó. Sería casi imposible demostrar que un estudio de caso del pasado estaba equivocado o que los resultados fueron exagerados. Esto no quiere decir que los investigadores sean deshonestos, pero tienen un claro conflicto de intereses y es imposible para un observador diferenciar a los investigadores honestos de los deshonestos. Como regla general, cuando una tercera parte está involucrada en un estudio de caso, suele estar aún más sesgada que si no hubiera una tercera parte involucrada, lo cual es bastante sorprendente.

Ahora, para concluir esta serie de estudios de caso, echemos un vistazo de cerca a los proveedores. La gente suele creer que los proveedores no deben mentir, pero esto no es del todo preciso. 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 todo un mes. Obviamente, la afirmación no tiene absolutamente ninguna posibilidad de ser cierta. Los romanos se preguntaron, ¿deberíamos hacer algo con respecto a este comerciante mentiroso? ¿Deberíamos encarcelarlos o multarlos? La respuesta fue no; está absolutamente bien. Este concepto de “dolus bonus” sugiere que si eres un comerciante, es parte de tu naturaleza mentir sobre lo que estás vendiendo. Si bien hay límites, la ley reconoce que los proveedores harán lo que hacen y no debes culparlos por tratar de poner sus productos en una luz favorable, incluso de manera absurda. Así es como funciona el mercado.

Incluso si los proveedores no están al tanto de los detalles legales, intuitivamente saben esto y, por lo tanto, tienen la propensión de producir estudios de caso que cuestan dinero y tiempo, sirviendo básicamente como infomerciales sofisticados. Si bien la publicidad cumple una función en la sociedad, la creencia de que la publicidad glorificada puede ser un vehículo para transmitir conocimiento es equivocada. Por diseño, los estudios de caso no se pueden rescatar 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 en juego las narrativas de la cadena de suministro. El objetivo de una narrativa de la cadena de suministro es describir problemas para que el conocimiento pueda ser compartido entre los profesionales e investigadores de la cadena de suministro, centrándose 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”. Si bien puede que no sea un hito de la ciencia, es una lectura agradable 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 cadena de suministro y software empresarial que están profundamente entrelazados. La historia cuenta 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 de los que la leen, incluso más que la mayoría de los estudios de caso, excepto quizás los negativos como los producidos por Joe Castello.

Este aparente paradigma puede no ser un paradigma en absoluto si consideramos el primer paso dado por los autores. Decidieron que la historia sería sobre una empresa ficticia, lo que eliminó todos los problemas asociados al nombre y la autoridad que conlleva un estudio de caso vinculado a una empresa bien identificada. Al crear una obra de ficción, eliminaron el atractivo de autoridad que se le atribuiría a una empresa real.

En segundo lugar, en términos de 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 a veces son egoístas hasta un punto que realmente perjudica a la empresa. Puedes 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 de DevOps, una filosofía para abordar el desarrollo y mantenimiento de software empresarial. Los autores cuentan la historia de un conjunto de personajes en su empresa ficticia que enfrentan una inmensa lucha y superan gradualmente los desafíos que enfrentan hasta que redescubren los principios fundamentales de la filosofía de DevOps. Este libro viene con una agenda muy cargada, y los autores no están haciendo ningún secreto al respecto; están promoviendo la agenda de DevOps.

Mi crítica principal 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 empresas. El hecho de que en la historia todo se pueda resolver de manera creíble y que haya un final feliz donde la empresa termine obteniendo ganancias masivas gracias a esta metodología está lejos de ser objetivo.

La idea de una narrativa de cadena de suministro 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 que no tengamos el problema de 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 centrarnos exclusivamente en el lado del problema y dejar de lado el lado de la solución.

Puede haber algunas modestas excepciones 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 completamente imposible. Para evitar objeciones de que algunos desafíos son imposibles de abordar y, por lo tanto, no son interesantes, es posible que necesitemos introducir un pequeño indicio de la existencia de al menos una solución. No afirmamos que sea una buena solución, solo que existe una solución.

El objetivo de la narrativa de la cadena de suministro es inyectar realidad y experiencia del mundo real en el campo de la gestión de la cadena de suministro. Queremos que este formato sea un vehículo adecuado para transmitir conocimientos a los compañeros practicantes e investigadores de la cadena de suministro, e incluso ayudarnos a razonar sobre las cadenas de suministro nosotros mismos, lo cual es un desafío bastante grande debido a su complejidad. Para que todo esto sea inteligible y creíble, necesitamos tener una historia de fondo y contexto. Queremos magnificar la relevancia de los problemas presentados en la narrativa.

Sin embargo, si creamos una empresa ficticia y enumeramos todos los problemas que afectan a las cadenas de suministro, ¿podemos llamarlo ciencia? Absolutamente no.

El problema es que necesitamos que sea muy fácil rechazar la validez de una narrativa. En un estudio de caso, es muy fácil crear uno, pero es increíblemente difícil refutar o rechazar su validez. Con el diseño de la narrativa como un 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 cadena de suministro de esa industria, ¿estarían de acuerdo en que esta narrativa resuena con los tipos de problemas que tienen? Aunque puede parecer muy subjetivo, no creo que lo sea tanto. Si miramos el libro “The Phoenix Project”, prácticamente todas las personas entre mis colegas que lo han leído encontraron que resonaba con sus experiencias en diversas empresas. No nos estamos enfocando en la solución, simplemente en la definición del problema. Incluso si puede haber un desacuerdo generalizado sobre qué hacer con el problema, generalmente hay un fuerte acuerdo sobre los problemas que están sobre la mesa. No es necesariamente tan subjetivo como parece, aunque hay un grado irreducible de subjetividad.

Otro factor es la exhaustividad. Si puedes elegir una empresa que supuestamente sería una buena coincidencia para esta persona y mostrar que esta empresa tiene problemas importantes que ni siquiera se enumeran en la persona, entonces la carga de rechazo es muy ligera. Solo tienes que mostrar una empresa, un problema y decir: “Esto es motivo para rechazar 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 debe asumir riesgos en cuanto a los números, y con números no me refiero a números precisos, sino a órdenes de magnitud. Necesitamos aclarar si estamos hablando de una empresa que intenta operar con 100 SKUs o con 100 millones de SKUs. Necesitamos dar las dimensiones características y órdenes de magnitud que caracterizan a la empresa. Si encuentras una empresa que no coincide con las órdenes de magnitud dadas, puede significar que hemos enmarcado incorrectamente la persona.

El último punto es más sutil pero también bastante importante: la existencia de soluciones en el mercado. Dependiendo de la solución que exista o no exista en el mercado, eso se puede utilizar para rechazar la validez de una persona. Si tenemos una solución que trivializa completamente el problema o ofrece una solución definitiva para que lo que antes era un problema se convierta en un no-problema, entonces esto es motivo para rechazar 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 el mantenimiento de niveles de stock adecuados como un desafío importante. En ese momento, los niveles de stock tenían que mantenerse manualmente a través de un pequeño ejército de empleados que actualizaban los registros. En realidad, era un desafío inmenso mantener registros de inventario precisos a lo largo del tiempo. Pero si avanzamos rápidamente 70 años hasta el presente, ¿seguiríamos considerando eso un desafío? Para nada. Con códigos de barras y software de gestión de inventario, mantener niveles de stock precisos en un almacén es esencialmente un problema completamente resuelto. No es digno de ser incluido en una persona porque hay muchas soluciones y prácticamente no hay 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 una solución primero y viceversa. Una fuente de dificultad para comprender los problemas es la ideología latente que impregna la sociedad. Tenemos valores que simplemente forman parte de nuestra sociedad y convivimos 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 ha estado asociada con el estigma del juego, que se percibía como algo incorrecto. En la “Introducción al estudio de la medicina experimental” de Claude Bernard, Bernard está enérgicamente en contra de la presencia de la aleatoriedad en el campo de la ciencia. Él dice que si un experimento no es perfectamente determinista, generalmente es una señal clara de mala ciencia o, en el mejor de los casos, ciencia incompleta.

Avancemos rápidamente 70 años y vemos que Albert Einstein hizo grandes contribuciones al campo de la mecánica cuántica y estaba muy en conflicto con algunos aspectos de ella, particularmente el indeterminismo o la aleatoriedad que parecía ser una propiedad fundamental del universo. Einstein, en varias 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 era incompleta y no el producto final de lo que debería ser la física. Pasaron 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 siglos e incluso influyó en el presente. Hace una década en Lokad, decidimos impulsar la idea de pronósticos probabilísticos, abrazando la aleatoriedad en lugar de rechazarla. Esto nos llevó a redefinir por completo el problema y nos encontramos con escepticismo e incluso reacciones 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, podemos tener ideas preconcebidas que obstaculizan nuestra comprensión de ciertos problemas. Otro desafío es la distracción que puede surgir cuando surge una excelente solución para un problema difícil. Puede ser difícil pensar en el problema abstracto, ya que tendemos a definirlo reflexivamente en relación con la solución.

Un ejemplo histórico de esto es el desarrollo de máquinas voladoras en el siglo XIX. Las máquinas voladoras más ligeras que el aire, como los globos de aire caliente, fueron descubiertas y utilizadas para hacer descubrimientos sorprendentes. El éxito de estas máquinas más ligeras que el aire distrajo a las comunidades relevantes de considerar alternativas más pesadas que el aire. Pasaron décadas para que las comunidades relevantes exploraran alternativas, y creo que parte del problema fue que tener una solución sorprendente, como construir una máquina voladora, era enormemente distractor.

Otro desafío al examinar problemas y situaciones es cuando el problema es impensable. Es el tipo de cosa en la que ni siquiera puedes conceptualizar el problema, a pesar de que es un problema real.

Para ilustrar esta idea, me gustaría referirme a un fantástico artículo publicado en 2018 por un equipo de investigación de Facebook sobre la traducción automática. La traducción automática implica tomar texto en un idioma y utilizar una máquina para producir una traducción en otro idioma. Este campo de estudio ha existido durante unos 70 años. Los primeros traductores automáticos eran increíblemente ingenuos, simplemente utilizando diccionarios para reemplazar palabras de un idioma por palabras correspondientes en otro. Este enfoque resultaba en traducciones de muy baja calidad.

Con el paso de los años, las técnicas evolucionaron y la mayoría de los métodos tenían algo en común: el uso de corpus bilingües. La idea era utilizar conjuntos de datos que contuvieran frases en dos idiomas, aprendiendo de estos ejemplos para construir un sistema de traducción automática. El sorprendente resultado logrado por el equipo de investigación de Facebook fue el desarrollo de un sistema de traducción sin ningún conjunto de datos de traducción explícita. 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 siquiera replantearse cómo deberían abordar el problema.

Un ejemplo más modesto pero relevante de nuestro trabajo en Lokad está en el mercado de accesorios para automóviles. 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 automóviles distintas y más de 100,000 vehículos distintos. Cuando vas a un taller y necesitas reemplazar una pieza, la persona en la tienda debe consultar algún tipo de servicio para determinar qué pieza es adecuada para tu vehículo. Resulta que la lista completa de compatibilidades entre piezas y vehículos, a la que me refiero como los bordes que conectan las piezas y los vehículos, tiene un orden de magnitud de aproximadamente 100 millones de compatibilidades. En este mercado, hay algunas empresas altamente especializadas que mantienen este conjunto de datos para el mercado europeo. Venden acceso a este conjunto de datos a prácticamente todas las empresas que operan en la industria de accesorios para automóviles, 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 algunos conjuntos de datos para Europa y la mayoría de ellos tienen una tasa de error del 3%. Los errores son tanto falsos positivos, donde se declara una compatibilidad que no existe, como falsos negativos, donde existe una compatibilidad pero no se registra correctamente en el sistema. Estos errores crean problemas continuos para todas las empresas que operan en el mercado de accesorios.

Cuando se necesita realizar una reparación y el cliente tiene prisa, el vehículo ya no se mueve. Ordenan una pieza, la pieza llega a tiempo, pero luego las personas se dan cuenta de que la pieza no es compatible. La pieza tiene que ser devuelta, se ordena otra pieza y se producen días adicionales de retrasos y frustraciones para el cliente. Entonces, es un problema, pero ¿qué podemos hacer al respecto? Las empresas que ya mantienen estos conjuntos de datos emplean pequeños ejércitos de empleados para mantenerlos actualizados. Están corrigiendo errores todo el tiempo, pero también agregan constantemente nuevas piezas y nuevos vehículos. A lo largo 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 más o menos constante. No mejora con el tiempo.

El sistema ya ha alcanzado un equilibrio y es posible que las empresas en el espacio de accesorios para automóviles no estén dispuestas a pagar diez veces más para que las empresas que mantienen los conjuntos de datos contraten diez veces más empleados para corregir los errores restantes. Hay rendimientos decrecientes y es probable que los errores que aún no se han detectado sean muy difíciles de corregir.

En Lokad, desarrollamos un algoritmo que detecta tanto los falsos positivos como los falsos negativos y puede corregir automáticamente alrededor del 90% de estos problemas. Lo interesante es que este algoritmo utiliza únicamente el conjunto de datos inicial. Puede parecer extraño, pero podemos utilizar este mismo conjunto de datos para aprender los errores dentro del conjunto de datos, 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 horario de las conferencias está disponible en el sitio web de Lokad. Por lo tanto, este es otro ejemplo en el que, hasta que tengas una solución, es muy difícil pensar que hay un problema en primer lugar.

Como parte de mi intención, presentaré una breve serie de conferencias sobre las personas que caracterizan los arquetipos que hemos encontrado en Lokad. Haré todo lo posible para resumir la forma en que veo el problema, sintetizando todas las experiencias que he acumulado a través de mi propia experiencia y la experiencia de mis colegas en Lokad. Nuevamente, puedes comprobar que no presentaré todas estas personas en secuencia porque eso sería probablemente muy tedioso para la audiencia y tal vez un poco tedioso para mí también. Por lo tanto, tengo la intención de presentar una persona probablemente dentro de dos semanas y luego pasaré a otros elementos de interés.

En conclusión, hoy hemos planteado algunas preguntas muy importantes sobre la cadena de suministro como campo de estudio, y espero haber podido presentar algunas respuestas muy prometedoras, tal vez no probadas, pero al menos proporcionar algunas respuestas prometedoras 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, probablemente no hice amigos hoy, y realmente espero no terminar como el tipo de la ilustración. Eso sería bastante terrible, pero nuevamente, creo que las apuestas son bastante altas. Queremos establecer y elevar la cadena de suministro como un campo de estudio a una ciencia, para que tengamos algo que sea muy capitalista, agresivo y donde podamos esperar tener expectativas razonables para ofrecer mejoras de manera confiable y controlada.

Esto es todo por hoy. Ahora responderé a las preguntas.

Pregunta: No entendí el concepto de exhaustividad para las personas. ¿Puedes explicarlo?

Bueno, la exhaustividad es eso, debido a los efectos del sistema, la descripción de los desafíos y problemas de la cadena de suministro debe ser completa. Las cadenas de suministro involucran una larga serie de compensaciones, por lo que si omites una de las fuerzas en juego, es posible que no estés razonando correctamente sobre el problema en primer lugar. Por ejemplo, no puedes razonar correctamente sobre cuál es el nivel óptimo de stock si ignoras el problema de tener un suministro limitado de capital de trabajo. La exhaustividad significa enumerar todas las cosas que son muy relevantes, y si no somos exhaustivos al enumerar todos los problemas relevantes, probablemente significa que esta no es una persona muy buena, ya que es posible que se hayan pasado por alto algunas cosas y eso podría poner en peligro cualquier razonamiento basado en esta persona.

Pregunta: El tipo equivocado de soluciones en las cadenas de suministro es común, y hay muchos profesionales de la cadena de suministro que saben que están rotas por diseño. ¿Cómo podemos ayudarles a renunciar y cambiar a tipos de soluciones aproximadamente correctas y abrazar la incertidumbre?

En primer lugar, creo que el problema principal es que la cadena de suministro como campo de estudio todavía está en su infancia pre-científica, y existe un escepticismo generalizado sobre la validez de casi todo lo que se publica. Es muy difícil convencer a las personas. Creo que el primer paso es convencer a las personas de que la cadena de suministro es elegible para el método científico. Este sería un primer paso significativo porque no es una cuestión de opinión o ideología; hay potencialmente un final donde tenemos objetividad y conocimiento con buenas cualidades. Podemos tener bases sólidas para comprender los problemas y aplicar soluciones adecuadas. El primer paso, y eso es lo que estoy tratando de hacer a través de estas conferencias, es educar al público en general de que la cadena de suministro no es solo una práctica o un arte, sino que podría ser una ciencia.

Claude Bernard, considerado uno de los padres de la medicina moderna, enfrentó muchas objeciones en su época. Se enfrentó a médicos que afirmaban que ya tenían la ciencia y que no había nada que aprender de sus métodos. Sugirieron que debería ceñirse a sus teorías y no realizar sus experimentos. La mayor batalla que Bernard tuvo que librar fue la idea misma de que la medicina era elegible para ser estudiada con un método científico. De manera similar, sospecho que la mayor parte de lo que se publica, incluso entre los círculos académicos, sobre la cadena de suministro no es científico. 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 queda, y no es muy prometedor.

En cuanto a tu pregunta sobre la incertidumbre, mi primer paso sería convencer a las personas 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 esperanza de que podamos anticipar perfectamente lo que las personas están a punto de comprar? Para anticipar perfectamente las acciones de una persona en una tienda, tendrías que replicar perfectamente toda su inteligencia. El algoritmo que podría predecir cada movimiento de una persona sería fundamentalmente tan inteligente como una replicación perfecta de la inteligencia humana, lo cual parece muy poco razonable. La proposición alternativa de que la incertidumbre es irreducible en gran medida parece una proposición mucho más razonable. El mayor desafío es llevar la discusión a un lugar donde estemos razonando desde una perspectiva semi-científica en lugar de confiar en prácticas, corazonadas, intuición y declaraciones autoritarias.

Pregunta: ¿Qué opinas sobre el pensamiento de diseño?

No estoy muy seguro sobre la pregunta específica aquí, pero lo que estoy tratando de hacer es establecer una conexión entre la cadena de suministro y el mundo real. Si podemos tener experimentos de cadena de suministro que se alineen con lo que se hace en muchas otras ciencias experimentales, podemos conectar la cadena de suministro con el mundo real de una manera satisfactoria. Hoy he presentado un método, la persona, y probablemente haya muchos otros métodos. No sigo ninguna forma específica de pensamiento; me interesa más el método para producir conocimiento que la forma en que las personas piensan.

En este sentido, estoy muy alineado con las ideas que presenta Claude Bernard. La chispa inicial para el conocimiento, la emoción, la intuición, es fundamentalmente algo que no es científico en absoluto. Se encuentra en el ámbito de la emoción, no de la razón. No creo que se pueda racionalizar realmente esta parte, e incluso si se pudiera, tendría muchas sospechas de que el mismo método funcionaría 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 a la misma hora. Exploraremos a una persona llamada Paris para una empresa de moda rápida que opera una red minorista. Hasta entonces.

Referencias

• An introduction to the study of Experimental Medicine, Claude Bernard, 1865
• The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018