00:12 Introducción
02:23 Falsabilidad
08:25 El desarrollo hasta ahora
09:38 Enfoques de modelado: Optimización Matemática (OM)
11:25 Resumen de la Optimización Matemática
14:04 Teoría de la cadena de suministro convencional (repaso)
19:56 Alcance de la Perspectiva de la Optimización Matemática
23:29 Heurísticas de rechazo
30:54 El día después
32:43 ¿Cualidades redentoras?
36:13 Enfoques de modelado: Optimización Experimental (OE)
38:39 Resumen de la Optimización Experimental
42:54 Causas raíz de la insensatez
51:28 Identificar decisiones insensatas
58:51 Mejorar la instrumentación
01:01:13 Mejorar y repetir
01:04:40 La práctica de la OE
01:11:16 Resumen
01:14:14 Conclusión
01:16:39 Próxima clase y preguntas de la audiencia
Descripción
Lejos de la perspectiva cartesiana ingenua donde la optimización se trata simplemente de implementar un optimizador para una función de puntuación dada, la cadena de suministro requiere un proceso mucho más iterativo. Cada iteración se utiliza para identificar decisiones “insensatas” que deben ser investigadas. La causa raíz suele ser conductores económicos inadecuados, que deben ser reevaluados en cuanto a sus consecuencias no deseadas. Las iteraciones se detienen cuando las recetas numéricas ya no producen resultados insensatos.
Transcripción completa
Hola a todos, bienvenidos a esta serie de clases sobre cadena de suministro. Soy Joannes Vermorel y hoy presentaré “Optimización Experimental”, que debe entenderse como la optimización de cadenas de suministro a través de una serie de experimentos. Para aquellos de ustedes que están viendo la clase en vivo, pueden hacer preguntas en cualquier momento a través del chat de YouTube. Sin embargo, no estaré leyendo el chat durante la clase; volveré al chat al final de la clase para responder las preguntas que encuentre allí.
El objetivo para nosotros hoy es la mejora cuantitativa de las cadenas de suministro, y queremos poder lograrlo de manera controlada, confiable y medible. Necesitamos algo similar a un método científico y una de las características clave de la ciencia moderna es que está profundamente arraigada en la realidad o, más precisamente, en el experimento. En una clase anterior, discutí brevemente la idea de los experimentos de cadena de suministro y mencioné que, a primera vista, parecen largos y costosos. La duración y el costo incluso podrían derrotar el propósito mismo de por qué estamos haciendo esos experimentos, hasta el punto de que podría no valer la pena. Pero el desafío es que necesitamos una mejor manera de abordar la experimentación, y eso es exactamente de lo que se trata la optimización experimental.
La optimización experimental es fundamentalmente una práctica que surgió en Lokad hace aproximadamente una década. Proporciona una forma de hacer experimentos de cadena de suministro de manera que realmente funcionen, que se puedan hacer de manera conveniente y rentable, y ese será el tema específico de la clase de hoy.
Pero primero, volvamos por un momento a esta noción misma de la naturaleza de la ciencia y su relación con la realidad.
Hay un libro, “La lógica de la investigación científica”, que se publicó en 1934 y cuyo autor es Karl Popper, que se considera un hito absoluto en la historia de la ciencia. Propuso una idea completamente sorprendente, que es la falsabilidad. Para entender cómo surgió esta idea de falsabilidad y de qué se trata, es muy interesante revisar el viaje de Karl Popper mismo.
Verás, en su juventud, Popper estuvo cerca de varios círculos de intelectuales. Entre esos círculos, había dos de interés clave: uno era un círculo de economistas sociales, típicamente defensores de la teoría marxista en ese momento, y el otro era un círculo de físicos, que incluía principalmente a Albert Einstein. Popper presenció que los economistas sociales tenían una teoría con la intención de tener una teoría científica que pudiera explicar la evolución de la sociedad y su economía. Esta teoría marxista en realidad hacía predicciones sobre lo que sucedería. La teoría señalaba que habría una revolución y que la revolución ocurriría en el país más industrializado y donde se encontraría el mayor número de trabajadores de fábrica.
Resultó que la revolución ocurrió en 1917; sin embargo, ocurrió en Rusia, que era el país menos industrializado de Europa y, por lo tanto, iba completamente en contra de lo que la teoría estaba prediciendo. Desde la perspectiva de Popper, había una teoría científica haciendo predicciones y luego sucedieron eventos que contradecían la teoría. Lo que esperaba era que la teoría fuera refutada y que las personas pasaran a otra cosa. En cambio, lo que vio fue algo muy diferente. Los defensores de la teoría marxista modificaron la teoría para que se ajustara a los eventos a medida que se desarrollaban. Al hacerlo, gradualmente hicieron que la teoría fuera inmune a la realidad. Lo que comenzó como una teoría científica se modificó gradualmente para convertirse en algo completamente inmune y nada de lo que pudiera suceder en el mundo real iría en contra de la teoría.
Esto contrastaba fuertemente con lo que estaba sucediendo en los círculos de físicos, donde Popper presenció a personas como Albert Einstein creando teorías y luego haciendo grandes esfuerzos para pensar en experimentos que pudieran refutar sus propias teorías. Los físicos no estaban gastando toda su energía en demostrar las teorías, sino en refutarlas. Popper consideró cuál enfoque era la mejor manera de hacer ciencia y desarrolló el concepto de falsabilidad.
Popper propuso que la falsabilidad es un criterio para establecer si una teoría puede considerarse científica. Dijo que una teoría es científica si cumple dos criterios. El primero es que la teoría debe estar en riesgo con respecto a la realidad. La teoría debe expresarse de tal manera que sea posible que la realidad contradiga lo que se está diciendo. Si una teoría no puede ser contradicha, no es que sea verdadera o falsa; está más allá del punto, al menos desde una perspectiva científica. Entonces, para que una teoría se considere científica, debe correr cierto grado de riesgo con respecto a la realidad.
El segundo criterio es que la cantidad de credibilidad o confianza que podemos depositar en una teoría debe ser, hasta cierto punto (y aquí estoy simplificando), proporcional a la cantidad de trabajo que los propios científicos han invertido en tratar de refutar la teoría. La característica científica de una teoría es que corre un gran riesgo, y muchas personas intentan explotar esas debilidades para refutar la teoría. Si han fallado una y otra vez, entonces podemos otorgar cierta credibilidad a la teoría.
Esta perspectiva muestra que hay una profunda asimetría entre lo que es verdadero y lo que es falso. Las teorías científicas modernas nunca deben considerarse como verdaderas o probadas, sino simplemente como pendientes. El hecho de que muchas personas hayan intentado refutarlas sin éxito aumenta la credibilidad que podemos otorgarles. Esta idea es de vital importancia para el mundo de la cadena de suministro, y en particular, esta noción de falsabilidad ha impulsado muchos de los desarrollos más sorprendentes en la ciencia, especialmente cuando se trata de la física moderna.
Hasta ahora, esta es la tercera conferencia del segundo capítulo de esta serie sobre la cadena de suministro. En el primer capítulo del prólogo, presenté mis puntos de vista sobre la cadena de suministro tanto como campo de estudio como práctica. Una de las ideas clave fue que la cadena de suministro abarca un conjunto de problemas complejos, en oposición a problemas simples. Estos problemas, por diseño, no se prestan a ninguna solución directa. Por lo tanto, debemos prestar mucha atención a la metodología que tenemos tanto para estudiar como para practicar la cadena de suministro. Este segundo capítulo trata sobre esas metodologías.
En la primera conferencia del segundo capítulo, propuse un método cualitativo para llevar conocimiento y posteriormente mejoras a la cadena de suministro a través de la noción de personas de la cadena de suministro. Aquí, en esta tercera conferencia, estoy proponiendo un método cuantitativo: la optimización experimental.
Cuando se trata de llevar mejoras cuantitativas a las cadenas de suministro, necesitamos un modelo cuantitativo, un modelo numérico. Hay al menos dos formas de abordar esto: la forma convencional, la optimización matemática, y otra perspectiva, la optimización experimental.
El enfoque convencional para lograr mejoras cuantitativas en la cadena de suministro es la optimización matemática. Este enfoque consiste básicamente en construir un largo catálogo de pares problema-solución. Sin embargo, creo que este método no es muy bueno y necesitamos otra perspectiva, que es lo que trata la optimización experimental. Debe entenderse como la optimización de las cadenas de suministro a través de una serie de experimentos.
La optimización experimental no fue inventada por Lokad. Surgió en Lokad como una práctica primero y años después se conceptualizó como tal. Lo que estoy presentando hoy no es la forma en que gradualmente surgió en Lokad. Fue un proceso mucho más gradual y confuso. Revisité esta práctica emergente años después para solidificarla bajo la forma de una teoría que puedo presentar bajo el título de optimización experimental.
Primero, necesitamos aclarar el término “optimización matemática”. Tenemos dos cosas diferentes que debemos diferenciar: la optimización matemática como un campo de investigación independiente y la optimización matemática como una perspectiva para la mejora cuantitativa de la cadena de suministro, que es el tema de interés hoy. Dejemos de lado la segunda perspectiva por un momento y aclaremos de qué se trata la optimización matemática como un campo de investigación independiente.
Es un campo de investigación interesado en la clase de problemas matemáticos que se presentan como se describe en la pantalla. Básicamente, se parte de una función que va desde un conjunto arbitrario (letra A mayúscula) hasta un número real. Esta función, frecuentemente denominada función de pérdida, se denota como f. Estamos buscando la solución óptima, que va a ser un punto x que pertenece a la letra A mayúscula, el conjunto, y no puede ser mejorado. Obviamente, este es un campo de investigación muy amplio con muchas tecnicidades involucradas. Algunas funciones pueden no tener ningún mínimo, mientras que otras pueden tener muchos mínimos distintos. Como campo de investigación, la optimización matemática ha sido prolífica y exitosa. Se han ideado numerosas técnicas y se han introducido conceptos que se han utilizado con gran éxito en muchos otros campos. Sin embargo, no voy a discutir todo eso hoy, ya que no es el punto de esta conferencia.
El punto que me gustaría destacar es que la optimización matemática, como una ciencia auxiliar relacionada con la cadena de suministro, ha disfrutado de un considerable grado de éxito por sí misma. A su vez, esto ha dado forma de manera profunda al estudio cuantitativo de las cadenas de suministro, que es de lo que trata la perspectiva de optimización matemática de la cadena de suministro.
Volvamos a dos libros que presenté en mi primera conferencia sobre cadena de suministro. Estos dos libros representan, en mi opinión, la teoría cuantitativa convencional de la cadena de suministro, que encarna las últimas cinco décadas tanto de publicaciones científicas como de producción de software. No se trata solo de los artículos publicados, sino también del software que se ha lanzado al mercado. En lo que respecta a la optimización cuantitativa de las cadenas de suministro, todo se hace y se ha hecho durante mucho tiempo a través de instrumentos de software.
Si observas estos libros, cada capítulo se puede ver como una aplicación de la perspectiva de optimización matemática. Siempre se reduce a una declaración del problema con varios conjuntos de suposiciones, seguida de la presentación de una solución. La corrección y a veces la optimalidad de la solución se demuestran luego con respecto a la declaración del problema. Estos libros son básicamente catálogos de pares problema-solución, que se presentan como problemas de optimización matemática.
Por ejemplo, la previsión se puede ver como un problema en el que tienes una función de pérdida, que será tu error de previsión, y un modelo con parámetros que deseas ajustar. Luego quieres aprender el proceso de optimización, en términos numéricos, que te brinda los parámetros óptimos. El mismo enfoque se aplica a una política de inventario, donde puedes hacer suposiciones sobre la demanda y luego demostrar que tienes una solución que resulta ser óptima con respecto a las suposiciones que acabas de hacer.
Como ya mencioné en la primera conferencia, tengo grandes preocupaciones acerca de esta teoría convencional de la cadena de suministro. Los libros que mencioné no son selecciones al azar; creo que reflejan con precisión las últimas décadas de investigación en cadena de suministro. Ahora, al observar las ideas sobre la falsabilidad introducidas por Karl Popper, podemos ver más claramente cuál es el problema: ninguno de estos libros es realmente ciencia, ya que la realidad no puede refutar lo que se presenta. Esos libros son completamente inmunes a las cadenas de suministro del mundo real. Cuando tienes un libro que es esencialmente una colección de pares problema-solución, no hay nada que refutar. Esto es una construcción puramente matemática. El hecho de que una cadena de suministro esté haciendo esto o aquello no tiene ninguna relevancia para probar o refutar cualquier cosa sobre lo que se presenta en esos libros. Esa es probablemente mi mayor preocupación con estas teorías.
Esto no es solo una cuestión de investigación que se discute aquí. Si observas lo que existe en términos de software empresarial para servir a las cadenas de suministro, el software que existe en el mercado hoy en día es muy dominante en cuanto a reflejar estas publicaciones científicas. Este software no se inventó por separado de esas publicaciones científicas; generalmente, van de la mano. La mayoría de las piezas de software empresarial que se encuentran en el mercado para abordar problemas de optimización de la cadena de suministro son reflejos de una serie de artículos o libros, a veces escritos por las mismas personas que produjeron el software y los libros.
El hecho de que la realidad no tenga ninguna relevancia en las teorías presentadas aquí es, creo, una explicación muy plausible de por qué hay tan pocas teorías presentadas en estos libros que realmente son útiles en las cadenas de suministro del mundo real. Esta es una afirmación bastante subjetiva que estoy haciendo, pero en mi carrera he tenido la oportunidad de hablar con varios cientos de directores de cadena de suministro. Ellos conocen estas teorías, y si no están muy familiarizados con ellas, tienen personas en su equipo que sí lo están. Con mucha frecuencia, el software que utiliza la empresa ya implementa una serie de soluciones presentadas en estos libros, y sin embargo no se utilizan. Las personas recurren por diversas razones a sus propias hojas de cálculo de Excel spreadsheets.
Entonces, esto no es ignorancia. Tenemos este problema muy real, y creo que la causa raíz es literalmente que no es ciencia. No se puede refutar ninguna de las cosas que se presentan. No es que estas teorías sean incorrectas, son matemáticamente correctas, pero no son científicas en el sentido de que ni siquiera califican para ser ciencia.
Ahora, la pregunta sería: ¿cuál es la magnitud del problema? Porque en realidad elegí dos libros, pero ¿cuál es la verdadera magnitud de esta perspectiva de optimización matemática en la cadena de suministro? Diría que la magnitud de esta perspectiva es absolutamente enorme. Como prueba anecdótica para demostrar eso, recientemente utilicé Google Scholar, un motor de búsqueda especializado proporcionado por Google que solo ofrece resultados de publicaciones científicas. Si buscas “inventario óptimo” solo para el año 2020, obtendrás más de 30,000 resultados.
Este número debe tomarse con precaución. Obviamente, probablemente haya numerosos duplicados en esta lista y es muy probable que haya falsos positivos, es decir, artículos en los que tanto las palabras “inventario” como “óptimo” aparecen en el título y el resumen, pero el artículo no trata sobre la cadena de suministro en absoluto. Es solo accidental. Sin embargo, una inspección rápida de los resultados sugiere fuertemente que estamos hablando de varios miles de artículos publicados por año en esta área. Como referencia, este número es muy grande, incluso en comparación con campos que son absolutamente enormes, como deep learning. El deep learning es probablemente una de las teorías de la informática que ha tenido el mayor éxito en las últimas dos o tres décadas. Entonces, el hecho de que solo la consulta “inventario óptimo” devuelva algo que es del orden de la quinta parte de lo que obtienes para el deep learning es realmente sorprendente. El inventario óptimo obviamente es solo una fracción de lo que se trata en los estudios cuantitativos de la cadena de suministro.
Esta simple consulta muestra que la perspectiva de optimización matemática es realmente enorme y yo argumentaría, aunque tal vez sea un poco subjetivo, que en cuanto a los estudios cuantitativos de la cadena de suministro, realmente domina. Si tenemos varios miles de artículos que proporcionan políticas de inventario óptimas y modelos de gestión de inventario óptimos para administrar empresas, producidos anualmente, seguramente la mayoría de las grandes empresas deberían estar operando en base a estos métodos. No estamos hablando de solo unos pocos artículos; estamos hablando de una cantidad absolutamente enorme de publicaciones.
En mi experiencia, con unos pocos cientos de puntos de datos de la cadena de suministro que conozco, este no es realmente el caso. Estos métodos casi no se ven en ninguna parte. Tenemos una desconexión absolutamente sorprendente entre el estado del campo en lo que respecta a los artículos que se están publicando, y, por cierto, el software, porque nuevamente, el software es prácticamente un reflejo de lo que se publica como artículos científicos, y la forma en que las cadenas de suministro realmente operan.
La pregunta que tenía era: con miles de artículos, ¿hay algo bueno que se pueda encontrar? Tuve el placer de revisar cientos de artículos cuantitativos de la cadena de suministro, y puedo darte una serie de heurísticas que te darán casi la certeza de que el artículo no presenta ningún valor agregado real en el mundo real. Estas heurísticas no son absolutamente ciertas, pero son muy precisas, algo que sería 99%+ preciso. No es perfectamente preciso, pero casi lo es.
Entonces, ¿cómo detectamos los artículos que agregan valor en el mundo real, o, por el contrario, cómo rechazamos los artículos que no aportan ningún valor? He enumerado una serie de heurísticas breves. La primera es simplemente si el artículo hace alguna afirmación sobre cualquier tipo de optimalidad, entonces puedes estar seguro de que el artículo no aporta ningún valor al mundo real de las cadenas de suministro. Primero, porque refleja el hecho de que los autores ni siquiera entienden, o tienen el menor entendimiento sobre el hecho de que las cadenas de suministro son esencialmente un problema malicioso. El hecho de decir que tienes una solución óptima, volvamos a la definición de una solución óptima: una solución que es óptima si no se puede mejorar. Decir que tienes una solución óptima de cadena de suministro es muy parecido a decir que hay un límite estricto a la ingeniosidad humana. No creo eso ni por un momento. Creo que es una proposición completamente irrazonable. Vemos que hay un problema muy grande con la forma en que se aborda la cadena de suministro.
Otro problema es que siempre que hay una afirmación de optimalidad, lo que sigue es que inevitablemente tienes una solución que depende mucho de suposiciones. Puedes tener una solución que se demuestre que es óptima según un cierto conjunto de suposiciones, pero ¿qué pasa si esas suposiciones se violan? ¿La solución seguirá siendo buena? Por el contrario, creo que si tienes una solución de la que puedes demostrar la optimalidad, tienes una solución que depende increíblemente de que las suposiciones se hagan para que sea remotamente correcta. Si violas las suposiciones, es muy probable que la solución resultante sea absolutamente terrible, porque nunca se diseñó para ser robusta contra nada. Las afirmaciones de optimalidad se pueden descartar de inmediato.
Lo segundo son las distribuciones normales. Siempre que veas un artículo o un software que afirme utilizar distribuciones normales, puedes estar seguro de que lo propuesto no funciona en las cadenas de suministro reales. En una conferencia anterior, donde presenté principios cuantitativos para la cadena de suministro, mostré que todas las poblaciones de interés en las cadenas de suministro siguen una distribución Zipf, no una distribución normal. Las distribuciones normales no se encuentran en las cadenas de suministro, y estoy absolutamente convencido de que este resultado se conoce desde hace décadas. Si encuentras artículos o software que se basen en esta suposición, es casi seguro que tienes una solución que se diseñó por conveniencia, para que fuera más fácil escribir la prueba matemática o el software, no porque hubiera algún deseo de tener un rendimiento en el mundo real. La presencia de distribuciones normales es simplemente pereza o, en el mejor de los casos, una señal de profunda incomprensión de lo que se trata en las cadenas de suministro. Esto se puede usar para rechazar esos artículos.
Luego, la estacionariedad: no existe tal cosa. Es una suposición que parece estar bien: las cosas son estacionarias, más de lo mismo. Pero no lo es; es una suposición muy fuerte. Básicamente dice que tienes algún tipo de proceso que comenzó al principio del tiempo y continuará hasta el final de los tiempos. Esta es una perspectiva muy irrazonable para las cadenas de suministro del mundo real. En las cadenas de suministro reales, cualquier producto se introdujo en un momento determinado y cualquier producto se eliminará del mercado en un momento determinado. Incluso si estás mirando productos de vida razonablemente larga, como se encuentran, digamos, en la industria automotriz, estos procesos no son estacionarios. Durarán tal vez una década como máximo. El tiempo de vida de interés, el período de tiempo de interés, es finito, por lo que la perspectiva estacionaria es simplemente incorrecta en gran medida.
Otro elemento para identificar un estudio cuantitativo que no funcionará es si la noción misma de sustitución está ausente. En las cadenas de suministro del mundo real, las sustituciones están por todas partes. Si volvemos al ejemplo de la cadena de suministro que presenté hace dos semanas en una conferencia anterior, podrías ver al menos media docena de situaciones donde había sustituciones en juego, tanto en el lado de la oferta, en el lado de la transformación y en el lado de la demanda. Si tienes un modelo en el que conceptualmente ni siquiera existe la sustitución, entonces tienes algo que está realmente en desacuerdo con las cadenas de suministro del mundo real.
De manera similar, la falta de globalidad o la falta de una perspectiva holística de la cadena de suministro también es una señal reveladora de que algo no está bien. Si volvemos a la conferencia anterior donde presenté los principios cuantitativos para la cadena de suministro, afirmé que si tienes algo similar a un proceso de optimización local, no optimizarás nada; simplemente desplazarás los problemas dentro de tu cadena de suministro. La cadena de suministro es un sistema, una red, por lo que no puedes aplicar algún tipo de optimización local y esperar que realmente sea para el bien mayor de la cadena de suministro en su conjunto. Esto simplemente no es el caso.
Con estas heurísticas, creo que puedes eliminar casi por completo la mayor parte de la literatura cuantitativa de la cadena de suministro, lo cual es sorprendente en sí mismo.
La cuestión es que si tuviera que convencer a cada junta editorial de cada conferencia y revista de cadena de suministro de que deberían utilizar estas heurísticas para filtrar las contribuciones de baja calidad, no funcionaría. Los autores simplemente se adaptarían y eludirían el proceso, incluso si agregáramos esas pautas para la publicación en revistas de cadena de suministro. Si los analistas de mercado las agregaran a su lista de verificación, lo que sucedería es que los autores, tanto de artículos como de software, simplemente se adaptarían. Oscurecerían el problema, haciendo suposiciones más complicadas donde ya no puedes ver que se reduce a una distribución normal o una suposición estacionaria. Es solo que está formulado de manera muy opaca.
Estas heurísticas son útiles para identificar contribuciones de baja calidad, tanto en artículos como en software, pero no podemos usarlas para filtrar lo que es bueno. Necesitamos un cambio más profundo; necesitamos revisar todo el paradigma. En este punto, todavía nos falta falsabilidad. La realidad no tiene dónde contraatacar y de alguna manera refutar lo que se está presentando.
Como último elemento para cerrar esta parte de la conferencia sobre la perspectiva de la optimización matemática, ¿hay alguna cualidad redentora que se pueda encontrar en esta enorme producción de artículos y software? Mi respuesta muy subjetiva a esta pregunta es absolutamente no. Estos artículos, y he leído muchos artículos cuantitativos de cadena de suministro, no son interesantes. Al contrario, son extremadamente aburridos, incluso los mejores de ellos. Cuando miramos las ciencias auxiliares, no hay pepitas de cosas realmente interesantes que se puedan encontrar. Puedes mirar todos esos artículos, y he enumerado miles de ellos. Desde una perspectiva matemática, es muy aburrido. No se presentan grandes ideas matemáticas. Desde una perspectiva algorítmica, es simplemente una aplicación directa de lo que se ha conocido durante mucho tiempo en el campo de los algoritmos. Lo mismo se puede decir sobre la modelización y metodología estadística, que es extremadamente pobre. En términos de metodología, todo se reduce a la perspectiva de la optimización matemática, donde presentas un modelo, optimizas algo, proporcionas la solución y demuestras que esta solución tiene algunas características matemáticas con respecto al enunciado del problema.
Realmente necesitamos cambiar más que superficialmente. No estoy criticando el enfoque. Hay precedentes históricos para esto. Puede sonar completamente sorprendente que esté afirmando que tenemos decenas de miles de artículos que son completamente estériles, pero históricamente esto sucedió. Si observas la vida de Isaac Newton, uno de los padres de la física moderna, verás que pasó aproximadamente la mitad de su tiempo trabajando en física, con un legado masivo, y la otra mitad trabajando en alquimia. Era un físico brillante y un alquimista muy pobre. Los registros históricos tienden a mostrar que Isaac Newton fue tan brillante, dedicado y serio en su trabajo en alquimia como lo fue en su trabajo en física. Debido a que la perspectiva alquímica estaba mal enmarcada, todo el trabajo e inteligencia que Newton inyectó en esta área resultó ser completamente estéril, sin ningún legado que mencionar. Mi crítica no es que tengamos miles de personas publicando cosas idiotas. La mayoría de esos autores son muy inteligentes. El problema es que el marco en sí mismo es estéril. Ese es el punto que quiero hacer.
Ahora, pasemos al segundo enfoque de modelado que quiero presentar hoy. En los primeros años, la metodología de Lokad estaba profundamente arraigada en la perspectiva de la optimización matemática. Éramos muy convencionales al respecto, y nos estaba yendo muy mal. Una cosa muy específica sobre Lokad, que casi fue accidental, es que en algún momento decidí que Lokad no vendería software empresarial, sino que vendería directamente decisiones finales de la cadena de suministro. Realmente me refiero a las cantidades exactas que una determinada empresa necesita comprar, las cantidades que una empresa necesita producir y cuántas unidades deben moverse del lugar A al lugar B, si algún precio debe bajar, Lokad se dedicaba a vender decisiones finales de la cadena de suministro. Debido a esta decisión semi-accidental mía, nos enfrentamos brutalmente a nuestras propias insuficiencias. Nos pusieron a prueba y hubo una realidad muy brutal. Si estábamos produciendo decisiones de la cadena de suministro que resultaban ser malas, los clientes se me echaban encima, gritando como posesos porque Lokad no estaba entregando algo satisfactorio.
De alguna manera, la optimización experimental surgió en Lokad. No fue inventada en Lokad; fue una práctica emergente que fue simplemente una respuesta al hecho de que estábamos bajo una inmensa presión de nuestra base de clientes para hacer algo con esos defectos que estaban por todas partes al principio. Tuvimos que idear algún tipo de mecanismo de supervivencia y probamos muchas cosas, a veces casi al azar. Lo que surgió es lo que se conoce como optimización experimental.
La optimización experimental es un método muy simple. El objetivo es producir decisiones de la cadena de suministro escribiendo una receta, impulsada por software, que genere decisiones de la cadena de suministro. El método comienza de la siguiente manera: paso cero, simplemente escribes recetas que generan decisiones. Hay mucho conocimiento, tecnologías y herramientas de interés aquí. Este no es el tema de esta conferencia; se cubrirá en detalle en conferencias posteriores. Entonces, paso uno, simplemente escribes una receta y lo más probable es que no sea muy buena.
Luego, entras en una práctica de iteración indefinida, donde primero vas a ejecutar la receta. Con “ejecutar”, me refiero a que la receta debe poder ejecutarse en un entorno de producción de calidad. No se trata solo de tener un algoritmo en el laboratorio de ciencia de datos que puedas ejecutar. Se trata de tener una receta que tenga todas las cualidades, para que si decides que esas decisiones son lo suficientemente buenas como para ponerlas en producción, puedas hacerlo con un solo clic. Todo el entorno debe ser de calidad de producción; de eso se trata ejecutar la receta.
Lo siguiente es que necesitas identificar las decisiones insanas, lo cual se ha cubierto en una de mis conferencias anteriores sobre entrega orientada al producto para la cadena de suministro. Para aquellos que no asistieron a esta conferencia, en pocas palabras, queremos que las inversiones en la cadena de suministro sean capitalistas, acrecentativas y para lograr eso, debemos asegurarnos de que las personas que trabajan en esta división de la cadena de suministro no estén apagando incendios. La situación predeterminada en la gran mayoría de las empresas en la actualidad es que las decisiones de la cadena de suministro son generadas por software: la mayoría de las empresas modernas ya están utilizando ampliamente piezas de software empresarial para ejecutar su cadena de suministro, y todas las decisiones ya se generan a través del software. Sin embargo, una gran parte de esas decisiones son completamente insanas. Lo que la mayoría de los equipos de la cadena de suministro hacen es revisar manualmente todas esas decisiones insanas y participar en esfuerzos continuos para eliminarlas. Así, todos los esfuerzos terminan siendo consumidos por la operación de la empresa. Un día limpias todas tus excepciones y al día siguiente vuelves con un nuevo conjunto completo de excepciones para atender, y el ciclo se repite. No puedes capitalizar; solo consumes el tiempo de tus expertos en cadena de suministro. Entonces, la idea de Lokad es que necesitamos tratar esas decisiones insanas como defectos de software y eliminarlas por completo, para que podamos tener un proceso y una práctica capitalista de la propia cadena de suministro.
Una vez que tenemos eso, necesitamos mejorar la instrumentación y, a su vez, mejorar la receta numérica en sí. Todo este trabajo es realizado por el científico de la cadena de suministro, una noción que presenté en mi segunda conferencia del primer capítulo, “La Perspectiva Cuantitativa de la Cadena de Suministro”, según Lokad. La instrumentación es de gran interés porque es a través de una mejor instrumentación que puedes comprender mejor lo que está sucediendo en tu cadena de suministro, lo que está sucediendo en tu receta y cómo puedes mejorarla aún más para abordar esas decisiones insanas que siguen apareciendo.
Adentrémonos por un momento en las causas fundamentales de la locura que explican esas decisiones insanas. Con frecuencia, cuando pregunto a los directores de la cadena de suministro por qué creen que sus sistemas de software empresarial que gobiernan sus operaciones de cadena de suministro siguen produciendo esas decisiones insanas, una respuesta muy común pero equivocada que obtengo es: “Oh, es solo porque tenemos malos pronósticos”. Creo que esta respuesta está equivocada en al menos dos aspectos. Primero, si pasas de la precisión que puedes obtener de un modelo de media móvil muy simplista a un modelo de aprendizaje automático de última generación, tal vez haya una precisión del 20% que se pueda obtener. Entonces sí, es significativo, pero no puede marcar la diferencia entre una decisión que es muy buena y una decisión que es completamente insana. Segundo, el mayor problema con los pronósticos es que no ven todas las alternativas; no son probabilísticos. Pero me desvío; este sería un tema para otra conferencia.
Si volvemos a la causa fundamental de la locura, creo que, aunque los errores de pronóstico son una preocupación, no son una preocupación principal en absoluto. A partir de una década de experiencia en Lokad, puedo decir que esto es una preocupación secundaria en el mejor de los casos. La preocupación principal, el mayor problema que genera decisiones insanas, es la semántica de los datos. Recuerda que no puedes observar una cadena de suministro directamente; no es posible. Solo puedes observar una cadena de suministro como un reflejo a través de los registros electrónicos que recopilas a través de piezas de software empresarial. La observación que estás haciendo sobre tu cadena de suministro es un proceso muy indirecto a través del prisma del software.
Aquí estamos hablando de cientos de tablas relacionales y miles de campos, y la semántica de cada uno de esos campos realmente importa. Pero ¿cómo sabes que tienes la comprensión y mentalidad correctas? La única forma de saber con certeza que realmente comprendes lo que significa una columna específica es ponerla a prueba del experimento. En la optimización experimental, la prueba experimental es la generación de decisiones. Supones que esta columna significa algo; esa es tu teoría científica de alguna manera. Luego generas una decisión basada en esta comprensión, y si la decisión es buena, entonces tu comprensión es correcta. Fundamentalmente, lo único que puedes observar es si tu comprensión conduce a decisiones insanas o no. Aquí es donde la realidad contraataca.
Este no es un problema pequeño; es uno muy grande. El software empresarial es complejo, por decir lo menos, y hay errores. El problema con la perspectiva de la optimización matemática es que mira el problema como si fuera una serie simple de suposiciones, y luego puedes implementar una solución relativamente simple y matemáticamente elegante. Pero la realidad es que tenemos capas de software empresarial sobre capas, y los problemas pueden ocurrir en cualquier lugar. Algunos de estos problemas son muy mundanos, como copias incorrectas, vinculación incorrecta entre variables o sistemas que deberían estar sincronizados que se desincronizan. Puede haber actualizaciones de versiones de software que crean errores, y así sucesivamente. Estos errores están por todas partes, y la única forma de saber si tienes errores o no es, nuevamente, mirar las decisiones. Si las decisiones son correctas, entonces no hay errores o los errores presentes son inconsecuentes y no nos importan.
En cuanto a los impulsores económicos, a menudo surge otro enfoque incorrecto al discutir con los directores de la cadena de suministro. A menudo me piden que demuestre que habrá algún tipo de retorno económico para su empresa. Mi respuesta a eso es que ni siquiera conocemos los impulsores económicos todavía. Mi experiencia en Lokad me ha enseñado que la única forma de saber con certeza cuáles son los impulsores económicos, y estos impulsores se utilizan para construir la función de pérdida que, a su vez, se utiliza para realizar la optimización real en la receta numérica en sí, es ponerlos a prueba, nuevamente, a través de la experiencia de generar decisiones y observar si esas decisiones son insanas o no. Estos impulsores económicos deben descubrirse y validarse según la experiencia. Como máximo, solo puedes tener una intuición de lo que es correcto, pero solo la experiencia y los experimentos pueden decirte si tu comprensión es realmente correcta.
Luego, también están todas las impracticidades. Tienes una receta numérica que genera decisiones, y esas decisiones parecen cumplir con todas las reglas que has establecido. Por ejemplo, si hay cantidades mínimas de pedido (MOQs), generas órdenes de compra que cumplen con tus MOQs. Pero ¿qué pasa si un proveedor te dice que el MOQ es otra cosa? A través de este proceso, puedes descubrir muchas impracticidades y decisiones aparentemente factibles que, cuando intentas ponerlas a prueba en el mundo real, resultan inviables. Descubres todo tipo de casos límite y limitaciones, a veces incluso aquellos en los que ni siquiera pensaste, donde el mundo te responde y también debes solucionarlo.
Luego está incluso tu estrategia. Puedes pensar que tienes una estrategia general y de alto nivel para tu cadena de suministro, pero ¿es correcta? Solo para darte una idea, tomemos a Amazon como ejemplo. Puedes decir que quieres poner al cliente primero. Entonces, por ejemplo, si los clientes compran algo en línea y no les gusta, deberían poder devolverlo muy fácilmente. Quieres ser muy generoso cuando se trata de devoluciones. Pero luego, ¿qué sucede si tienes adversarios o clientes malintencionados que abusan del sistema? Pueden pedir un costoso smartphone de $500 en línea, recibirlo, reemplazar el smartphone genuino por uno falsificado que solo vale $50 y luego devolverlo. Amazon termina con falsificaciones en su inventario sin siquiera darse cuenta. Este es un problema muy real que se ha discutido en línea muchas veces.
Puedes tener una estrategia que diga que quieres poner al cliente primero, pero tal vez tu estrategia debería ser poner al cliente primero solo para los clientes honestos. Entonces, no se trata de todos los clientes; es una subsección de clientes. Incluso si tu estrategia es aproximadamente correcta, el diablo está en los detalles. Nuevamente, la única forma de ver si los detalles de tu estrategia son correctos es a través de la experimentación, donde puedes analizar los detalles.
Ahora, discutamos cómo identificamos las decisiones insanas. ¿Cómo diferenciamos entre decisiones sanas e insanas? Por “decisión insana” me refiero a una decisión que no es sana para tu empresa. Este es un tipo de problema que realmente requiere inteligencia humana general. No hay ninguna esperanza de que puedas resolver este problema a través de un algoritmo. Puede ser un paradigma, pero este es el tipo de problema que requiere inteligencia a nivel humano, pero no necesariamente un humano muy inteligente.
Hay muchos otros problemas como este en el mundo real. Por ejemplo, una analogía son los errores en las películas. Si le pidieras a los estudios de Hollywood un algoritmo que pueda identificar todos los errores en cualquier película, probablemente te dirían que no tienen idea de cómo concebir dicho algoritmo, ya que parece ser una tarea que requiere inteligencia humana. Sin embargo, si transformas el problema en uno en el que solo quieres tener personas que puedan ser entrenadas para ser muy buenas en identificar errores en las películas, la tarea se vuelve mucho más sencilla. Es muy fácil concebir que puedes consolidar un manual de todos los trucos para identificar errores en las películas. No necesitas tener personas excepcionalmente inteligentes para hacer este trabajo; solo necesitas personas que sean razonablemente inteligentes y dedicadas. Eso es exactamente de lo que se trata.
Entonces, ¿cómo se ve la situación desde una perspectiva de la cadena de suministro? Si queremos examinar concretamente el problema, fundamentalmente, vamos a buscar valores atípicos. Solo necesitamos comenzar con un enfoque. Digamos, por ejemplo, que volvemos a la persona de París que presenté hace dos semanas. Esta es una empresa de moda que opera una gran red minorista de tiendas de moda. Digamos, por ejemplo, que nos preocupa la calidad del servicio.
Comencemos con faltantes de stock. Si simplemente hacemos una consulta sobre todos los productos y todas las tiendas, veremos que tenemos miles de faltantes de stock en toda la red. Entonces, realmente no ayuda; tenemos miles de ellos, y la respuesta es “¿y qué?”. Tal vez no sean solo los faltantes de stock; lo que realmente interesa son los faltantes de stock en las tiendas principales, las tiendas que venden mucho. Ahí es donde importa, y no los faltantes de stock de cualquier producto, sino de los más vendidos. Estrechemos nuestra búsqueda a los faltantes de stock que ocurren en las tiendas principales para los productos más vendidos.
Luego, podemos examinar un SKU donde el stock resulta ser cero. Pero al examinar más de cerca, veremos que tal vez al comienzo del día, el stock era en realidad de tres unidades, y la última unidad se vendió solo 30 minutos antes del cierre de la tienda. Si prestamos más atención, veremos que se repondrán tres unidades al día siguiente. Entonces aquí tenemos una situación en la que vemos que tenemos un faltante de stock, pero ¿es realmente importante? Bueno, resulta que no realmente, porque la última unidad se vendió justo antes de cerrar la tienda por la noche, y la cantidad se repondrá. Además, si miramos más a fondo, veremos que tal vez no hay suficiente espacio en la tienda para poner más de tres unidades, así que estamos limitados aquí.
Entonces, esto no es exactamente una preocupación significativa. Tal vez deberíamos reducir la búsqueda a los faltantes de stock donde tuvimos la oportunidad de reponer - tienda principal, producto principal - pero no lo hicimos. Encontramos un ejemplo de dicho SKU, y luego vemos que no queda stock en el centro de distribución. Entonces, ¿en este caso, es realmente un problema? Podríamos decir que no, pero espera un minuto. No tenemos stock en el centro de distribución, pero para el mismo producto, echemos un vistazo a la red en general. ¿Todavía tenemos stock en algún lugar?
Digamos que, para este producto - producto principal, tienda principal - tenemos muchas tiendas débiles que aún tienen mucho inventario para el mismo producto, pero simplemente no lo rotan. Aquí vemos que realmente tenemos un problema. El problema no fue que no haya suficiente stock asignado a la tienda principal; el problema es que se asignó demasiado stock, probablemente durante la asignación inicial a las tiendas para la nueva colección, para tiendas muy débiles. Entonces, vamos paso a paso para identificar la causa raíz del problema. Podemos rastrearlo hasta un problema de calidad de servicio causado no por enviar poco stock, sino, por el contrario, por enviar demasiado, lo que termina teniendo un impacto a nivel del sistema en la calidad de servicio para esas tiendas principales.
Lo que he hecho aquí es exactamente lo contrario de las estadísticas, y eso es algo importante cuando buscamos decisiones “insanas”. No quieres agregar los datos; por el contrario, quieres trabajar con datos completamente desagregados para que todos los problemas se manifiesten. Tan pronto como comienzas a agregar los datos, por lo general, esos comportamientos sutiles desaparecen. El truco es comenzar en el nivel más desagregado y recorrer la red para descubrir exactamente qué está sucediendo, no a nivel estadístico, sino a un nivel muy básico y elemental donde puedas entender.
Este método también se presta muy bien a la perspectiva que introduje en la Supply Chain Quantitativa, donde digo que necesitas tener impulsores económicos. Son todos los futuros posibles, todas las decisiones posibles, y luego calificas todas las decisiones según los impulsores económicos. Resulta que esos impulsores económicos son muy útiles cuando se trata de ordenar todos esos SKU, decisiones y eventos que ocurren en la cadena de suministro. Puedes ordenarlos por impacto en dólares decreciente, y eso es un mecanismo muy poderoso, incluso si los impulsores económicos son parcialmente incorrectos o incompletos. Resulta ser un método muy efectivo para investigar y diagnosticar con alta productividad lo que está sucediendo en una cadena de suministro determinada.
A medida que investigas las decisiones “insanas” a lo largo de las iniciativas donde implementas este método de optimización experimental, hay un cambio gradual desde decisiones verdaderamente insanas y disfuncionales hasta decisiones simplemente malas. No van a arruinar tu empresa, pero simplemente no son muy buenas.
Aquí es donde tenemos una divergencia profunda desde la perspectiva de la optimización matemática para la cadena de suministro.
Con la optimización experimental, la función de pérdida en sí misma, porque la optimización experimental utiliza herramientas de optimización matemática internamente, generalmente en el núcleo de las recetas numéricas que generan la decisión, tiene un componente de optimización matemática. Pero es solo un medio, no un fin, que respalda tu proceso. En lugar de seguir la perspectiva de la optimización matemática donde estableces tu problema y luego optimizas, aquí estás desafiando repetidamente lo que incluso entiendes sobre el problema en sí y modificando la función de pérdida en sí misma.
Para ganar en términos de comprensión, necesitas instrumentar prácticamente todo. Necesitas instrumentar tu proceso de optimización en sí, tu receta numérica en sí y todo tipo de características que tengas sobre los datos con los que estás trabajando. Es muy interesante porque, desde una perspectiva histórica, cuando miras muchos de los mayores desarrollos científicos donde había descubrimientos significativos por hacer, generalmente unas pocas décadas antes de que se hicieran esos descubrimientos, hubo un avance en términos de instrumentación. Cuando se trata de descubrir conocimiento, generalmente primero descubres una nueva forma de observar el universo, haces un avance a nivel de instrumentación y luego puedes hacer tu avance en lo que es de interés en el mundo. Esto es realmente lo que está sucediendo aquí. Por cierto, Galileo hizo la mayoría de sus descubrimientos porque fue la primera persona en tener un telescopio de su propia fabricación disponible para él, y así descubrió las lunas de Júpiter, por ejemplo. Todas esas métricas son los instrumentos que realmente impulsan tu viaje hacia adelante.
Ahora, el desafío es que, como dije, la optimización experimental es un proceso iterativo. La pregunta que es muy importante aquí es si estamos intercambiando una burocracia por otra. Una de mis críticas más grandes a la gestión de la cadena de suministro convencional es que terminamos con una burocracia de personas que solo están apagando incendios, lidiando con todas esas excepciones a diario, y su trabajo no es capitalista. Presenté la perspectiva contrastante del científico de la cadena de suministro, donde se supone que su trabajo es acumulativo desde el punto de vista capitalista. Sin embargo, realmente se reduce a qué tipo de productividad se puede lograr con los científicos de la cadena de suministro, y estas personas necesitan ser muy productivas.
Aquí, te estoy dando una lista corta de KPIs para lo que implica esta productividad. Primero, realmente quieres poder recorrer los pipelines de datos en menos de una hora, de principio a fin. Como dije, una de las causas fundamentales de la locura es la semántica de los datos. Cuando te das cuenta de que tienes un problema a nivel semántico, quieres ponerlo a prueba y necesitas volver a ejecutar todo el pipeline de datos. Tu equipo de cadena de suministro o científico de la cadena de suministro necesita poder hacer eso varias veces al día.
Cuando se trata de la receta numérica que hace la optimización en sí, en este punto, los datos ya están preparados y consolidados, por lo que es un subconjunto de todo el pipeline de datos. Necesitarás un número muy grande de iteraciones, por lo que quieres poder hacer docenas de iteraciones todos los días. En tiempo real sería fantástico, pero la realidad es que la optimización local en la cadena de suministro solo desplaza problemas. Necesitas tener una perspectiva holística, y el problema con los modelos ingenuos o triviales sobre tu cadena de suministro es que no van a ser muy buenos en términos de su capacidad para abarcar todas las complejidades que se encuentran en las cadenas de suministro. Tienes un equilibrio entre la expresividad y la capacidad de la receta numérica y el tiempo que lleva actualizarla. Por lo general, el equilibrio es bueno siempre y cuando mantengas el cálculo dentro de unos pocos minutos.
Por último, y este punto también se trató en la conferencia sobre la entrega de software orientada al producto para la cadena de suministro, realmente necesitas poder poner una nueva receta en producción todos los días. No es exactamente que recomiende hacer eso, sino que necesitas poder hacerlo porque sucederán eventos inesperados. Puede ser una pandemia, o a veces no es tan extravagante como eso. Siempre existe la posibilidad de que un almacén se inunde, puede haber un incidente de producción o puede haber una gran sorpresa promocional de un competidor. Todo tipo de cosas pueden suceder y perturbar tu operación, por lo que necesitas poder aplicar medidas correctivas de manera muy rápida. Eso significa que necesitas tener un entorno donde sea posible implementar en vivo una nueva iteración de tu receta de cadena de suministro todos los días.
Ahora, la práctica de la optimización experimental es interesante. El enfoque de Lokad fue una práctica emergente y ha ido gradualmente incorporándose a la práctica diaria durante una década. Durante los primeros años, teníamos algo así como un proceso de optimización experimental protoestablecido. La principal diferencia era que todavía estábamos iterando, pero estábamos utilizando modelos matemáticos de cadena de suministro obtenidos de la literatura de cadena de suministro. Resultó que esos modelos suelen ser monolíticos y no se prestan al proceso muy iterativo que estoy describiendo con la optimización experimental. Como resultado, estábamos iterando, pero estábamos lejos de poder poner una nueva receta en producción todos los días. Era más como que nos llevaba varios meses crear una nueva receta. Si miras el sitio web de Lokad sobre el viaje que hicimos, las iteraciones sucesivas que tuvimos en nuestro motor de pronóstico fueron un reflejo de este enfoque. Básicamente, nos llevaba 18 meses pasar de un motor de pronóstico a la siguiente generación de motores de pronóstico, con una breve serie de tal vez una gran iteración por trimestre o algo así.
Eso fue lo que ocurrió antes, y donde realmente cambió el juego fue con la introducción de paradigmas de programación. Hay una conferencia anterior en mi prólogo donde presenté los paradigmas de programación para la cadena de suministro. Ahora, con esta conferencia, debería quedar más claro por qué nos importan tanto esos paradigmas de programación. Son lo que alimenta este método de optimización experimental. Son los paradigmas que necesitas para construir una receta numérica, donde puedes iterar eficientemente todos los días para deshacerte de todas esas decisiones insensatas y dirigirte hacia algo que realmente crea mucho valor para la cadena de suministro.
Ahora, la optimización experimental en la práctica, bueno, mi creencia es que es algo que surgió. No fue realmente inventado en Lokad; es más como que surgió allí, simplemente porque nos enfrentamos una y otra vez a nuestras propias insuficiencias cuando se trataba de decisiones reales de cadena de suministro. Sospecho firmemente que otras empresas, sujetas a las mismas fuerzas, desarrollaron sus propios procesos de optimización experimental que son solo alguna variante de lo que les he presentado hoy.
Aquí, si miras a los gigantes tecnológicos como GAFA, tengo contactos allí que, sin revelar secretos comerciales, parecen insinuar que este tipo de práctica tiene diferentes nombres pero ya está muy presente en esos gigantes tecnológicos. Incluso puedes ver eso como un observador externo por el hecho de que muchas de las herramientas de código abierto que publican son herramientas que realmente tienen sentido cuando comienzas a pensar en el tipo de herramientas que te gustaría tener si fueras a realizar iniciativas siguiendo este método de optimización experimental. Por ejemplo, PyTorch no es un modelo; es una meta-solución, un paradigma de programación para hacer aprendizaje automático, por lo que encaja dentro de este marco.
Luego, podrías preguntarte por qué, si es tan exitoso, no se reconoce más como tal. Cuando se trata de reconocer la optimización experimental en la práctica, es complicado. Si tomas una instantánea de una empresa en un momento dado, se ve exactamente como la perspectiva de la optimización matemática. Por ejemplo, si Lokad toma una instantánea de cualquiera de las empresas a las que servimos, tenemos una declaración de problema en ese momento y una solución que presentamos. Entonces, en ese momento, la situación se ve exactamente como la perspectiva de la optimización matemática. Sin embargo, esta es solo la perspectiva estática. Tan pronto como comienzas a mirar la dimensión del tiempo y la dinámica, es radicalmente diferente.
Además, es importante tener en cuenta que, aunque es un proceso iterativo, no es convergente. Esto puede ser un poco perturbador. La idea de que puedes tener un proceso iterativo que converge hacia algo óptimo es como decir que hay un límite estricto para la ingeniosidad humana. Creo que esta es una proposición extravagante. Los problemas de la cadena de suministro son complicados, por lo que no hay convergencia simplemente porque siempre hay cosas que pueden cambiar radicalmente el juego. No es un problema estrechamente definido en el que puedas tener alguna esperanza de encontrar la solución óptima. Además, otro factor por el cual no hay convergencia en la práctica es que el mundo sigue cambiando. Tu cadena de suministro no opera en el vacío; tus proveedores, clientes y entorno están cambiando. Cualquier receta numérica que tenías en un momento dado puede comenzar a tomar decisiones insensatas simplemente porque las condiciones del mercado han cambiado y lo que era razonable en el pasado ya no lo es. Necesitas readaptarte para adaptarte a la situación actual. Solo mira lo que sucedió en 2020 con la pandemia; obviamente, hubo tanto cambio que algo sensato antes de la pandemia no podía seguir siendo sensato durante ella. Lo mismo volverá a suceder.
Para recapitular, tenemos dos perspectivas diferentes: la perspectiva de la optimización matemática, donde estamos lidiando con problemas bien definidos, y la perspectiva de la optimización experimental, donde el problema es complicado. Ni siquiera puedes definir el problema; solo puedes acercarte al problema. Como consecuencia de tener un problema bien definido dentro de la perspectiva de la optimización matemática, puedes tener un algoritmo claro como la solución que proporcionas, y puedes empaquetarlo en un software, demostrando su corrección y optimalidad. En el mundo de la optimización experimental, sin embargo, no puedes empaquetarlo todo porque es demasiado complejo. Lo que puedes tener son paradigmas de programación, herramientas, infraestructura, y luego es cuestión de inteligencia humana todo el tiempo. Se trata de pensar dos veces, medir tres veces y dar un paso adelante. No hay nada que se pueda automatizar al respecto; todo se reduce a la inteligencia humana del científico de la cadena de suministro.
En términos de falsabilidad, mi principal proposición es que la perspectiva de la optimización matemática no es ciencia porque no puedes falsificar nada de lo que produce. Por lo tanto, al final del juego, te encuentras en una carrera hacia la sofisticación: quieres modelos que sean siempre más complejos, pero no es porque sean más sofisticados que sean más científicos o creen más valor para la empresa. En marcado contraste, la optimización experimental se basa en la falsificación. Todas las iteraciones se basan en el hecho de que estás poniendo tus recetas numéricas a prueba en el mundo real, generando decisiones e identificando las decisiones correctas. Esta prueba experimental se puede realizar varias veces al día para desafiar tu teoría y demostrar que está equivocada una y otra vez, iterando desde allí y, con suerte, entregando mucho valor en el proceso.
Es interesante porque, en términos de juego final, la optimización experimental no es una carrera hacia la sofisticación; es una carrera hacia los fundamentos. Se trata de comprender qué hace que tu cadena de suministro funcione, los elementos fundamentales que rigen la cadena de suministro y exactamente cómo debes entender lo que está sucediendo dentro de tus recetas numéricas para que no sigan produciendo esas decisiones insensatas que perjudican tu cadena de suministro. En última instancia, quieres producir algo muy bueno para tu cadena de suministro.
Esta ha sido una larga conferencia, pero la conclusión debería ser que la optimización matemática es una ilusión. Es una ilusión seductora, sofisticada y atractiva, pero sigue siendo una ilusión. La optimización experimental, en lo que a mí respecta, es el mundo real. Lo hemos estado utilizando durante casi una década para apoyar el proceso de empresas reales. Lokad es solo un punto de datos, pero desde mi punto de vista, es un punto de datos muy convincente. Realmente se trata de tener una idea del mundo real. Por cierto, este enfoque es extremadamente exigente porque cuando sales al mundo real, la realidad te golpea. Tenías tus bonitas teorías sobre qué tipo de receta numérica debería funcionar para gobernar y optimizar la cadena de suministro, y luego la realidad te golpea. A veces puede ser increíblemente frustrante porque la realidad siempre encuentra formas de deshacer todas las cosas inteligentes en las que podrías pensar. Este proceso es mucho más frustrante, pero creo que esta es la dosis de realidad que necesitamos para ofrecer retornos reales y rentables para tus cadenas de suministro. Mi opinión es que, en el futuro, habrá un punto en el que la optimización experimental, o tal vez un descendiente de este método, supere por completo la perspectiva de optimización matemática cuando se trata de estudios y prácticas de cadena de suministro.
En las próximas conferencias, revisaremos los métodos reales, los métodos numéricos y las herramientas numéricas que podemos utilizar para respaldar esta práctica. La conferencia de hoy solo trató sobre el método; más adelante, nos ocuparemos del conocimiento y las tácticas necesarias para que funcione. La próxima conferencia será dentro de dos semanas, el mismo día y a la misma hora, y tratará sobre el conocimiento negativo en la cadena de suministro.
Ahora, echemos un vistazo a las preguntas.
Pregunta: Si los documentos de la cadena de suministro no tienen ninguna posibilidad de estar conectados con la realidad, ni siquiera remotamente, y cualquier caso real estaría bajo NDA, ¿qué les sugeriría a aquellos que deseen realizar estudios de cadena de suministro y publicar sus hallazgos?
Mi sugerencia es que desafíes el método. Los métodos que tenemos no son adecuados para estudiar la cadena de suministro. He presentado dos formas en esta serie de conferencias: el personal de la cadena de suministro y la optimización experimental. Hay mucho por hacer basado en esas metodologías. Esas son solo dos metodologías; estoy bastante seguro de que hay muchas más que aún están por descubrir o inventar. Mi sugerencia sería desafiar en el núcleo lo que hace que una disciplina sea una ciencia real.
Pregunta: Si la optimización matemática no es el mejor reflejo de cómo debería operar la cadena de suministro en el mundo real, ¿por qué el método de deep learning sería mejor? ¿No toma decisiones basadas en decisiones óptimas anteriores?
En esta conferencia, hice una clara distinción entre la optimización matemática como un campo de investigación independiente y el deep learning como un campo de investigación independiente, y la optimización matemática como una perspectiva aplicada a la cadena de suministro. No estoy criticando que la optimización matemática como campo de investigación sea inválida; todo lo contrario. En este método de optimización experimental que estoy discutiendo, en el núcleo de la receta numérica, generalmente tendrás un algoritmo de optimización matemática de algún tipo. El punto es la optimización matemática como perspectiva; esto es lo que estoy desafiando aquí. Sé que es sutil, pero esta es una diferencia crítica que estoy haciendo. El deep learning es una ciencia auxiliar. El deep learning es un campo de investigación separado, al igual que la optimización matemática es un campo de investigación separado. Ambos son grandes campos de investigación, pero son completamente independientes y distintos de los estudios de cadena de suministro. Lo que realmente nos preocupa hoy es la mejora cuantitativa de las cadenas de suministro. Eso es lo que estoy buscando: métodos para ofrecer mejoras cuantitativas en la cadena de suministro de manera controlada, confiable y medible. Eso es lo que está en juego aquí.
Pregunta: ¿El aprendizaje por refuerzo puede ser el enfoque correcto para la gestión de la cadena de suministro?
En primer lugar, diría que es el enfoque correcto probablemente para la optimización de la cadena de suministro. Es una distinción que hice en una de mis conferencias anteriores: desde una perspectiva de software, tienes el lado de la gestión con el Enterprise Resource Management, y luego tienes el lado de la optimización. El aprendizaje por refuerzo es otro campo de investigación que también puede aprovechar elementos del deep learning y la optimización matemática. Es el tipo de ingrediente que puedes usar en este método experimental de optimización. La parte crítica será si tienes los paradigmas de programación que pueden importar esas técnicas de aprendizaje por refuerzo de manera que puedas operar de manera muy fluida e iterativa. Eso es un gran desafío. Quieres poder iterar, y si tienes algo que es un modelo de aprendizaje por refuerzo complejo y monolítico, entonces tendrás dificultades, al igual que Lokad en los primeros años cuando intentábamos usar este tipo de modelos monolíticos donde nuestras iteraciones eran muy lentas. Se necesitaron una serie de avances técnicos para hacer que la iteración sea un proceso mucho más fluido.
Pregunta: ¿Es la optimización matemática un elemento integral del aprendizaje por refuerzo?
Sí, el aprendizaje por refuerzo es un subdominio del aprendizaje automático, y el aprendizaje automático se puede ver como, de alguna manera, un subdominio de la optimización matemática. Sin embargo, lo que realmente diferencia a todos esos campos es que no adoptan la misma perspectiva sobre el problema. Todos esos campos están conectados, pero generalmente, lo que realmente los diferencia es la intención que tienes.
Pregunta: ¿Cómo defines una decisión insana en el contexto de los métodos de deep learning que a menudo piensan muchas decisiones por delante?
Una decisión insana depende de las decisiones futuras. Eso es exactamente lo que demostré en el ejemplo cuando dije: “¿Es tener un faltante de stock un problema?” Bueno, no es un problema si ves que la próxima decisión que se va a tomar es un reabastecimiento. Entonces, si calificaba esta situación como insana o no, en realidad dependía de una decisión que estaba a punto de tomarse. Esto complica la investigación, pero eso es exactamente de lo que se trata cuando digo que necesitas tener una muy buena instrumentación. Por ejemplo, significa que cuando investigas una situación de falta de stock, debes poder proyectar las decisiones futuras que estás a punto de tomar, para que puedas ver no solo los datos que tienes, sino también las decisiones que proyectas tomar según tu receta numérica actual. Como ves, se trata de tener una instrumentación adecuada, y nuevamente, esto no es una tarea fácil. Requiere inteligencia a nivel humano; no puedes simplemente automatizar eso.
Pregunta: ¿Cómo funciona en la práctica la optimización experimental, la identificación de la locura y la búsqueda de soluciones? ¿No puedo esperar a que ocurra la locura en la realidad, verdad?
Absolutamente correcto. Si vuelvo al comienzo de esta conferencia, mencioné dos grupos de personas: los físicos modernos y los marxistas. El grupo de físicos, cuando dije que estaban haciendo ciencia adecuada, no eran pasivos, esperando que sus teorías fueran falsificadas. Se esforzaban por diseñar experimentos increíblemente ingeniosos que tuvieran la oportunidad de refutar sus teorías. Era un mecanismo muy proactivo.
Si observas lo que Albert Einstein hizo durante la mayor parte de su vida, fue encontrar formas ingeniosas de poner a prueba los teorías de física que había inventado, al menos en parte. Así que sí, no esperas a que ocurra la decisión insana. Por eso necesitas poder ejecutar tu receta una y otra vez e invertir tiempo buscando la decisión insana. Obviamente, hay algunas decisiones, como las que tienen impracticabilidades, donde no hay esperanza: tienes que hacerlo en producción, y luego el mundo te responderá. Pero para la gran mayoría, las decisiones insanas se pueden identificar simplemente haciendo experimentos día tras día. Pero necesitas datos y necesitas tener el proceso real que genera las decisiones reales que podrían ponerse en producción.
Pregunta: Si una receta podría romperse debido a un método matemático y/o perspectiva, y si no conoces esta otra perspectiva, ¿cómo puedes descubrir que tienes un problema de perspectiva, no un problema de método, y llevarte a descubrir otra perspectiva que se ajuste mejor al problema?
Ese es un problema muy grande. ¿Cómo puedes ver algo que no está ahí? Si vuelvo al ejemplo del personal de la cadena de suministro de París, una empresa de moda que opera tiendas minoristas, imaginemos por un segundo que olvidaste pensar en el efecto a largo plazo que tienes en los hábitos de tus clientes al ofrecer descuentos al final de la temporada. No te das cuenta de que estás creando un hábito en tu base de clientes. ¿Cómo puedes darte cuenta de eso? Este es un problema de inteligencia general. No hay una solución mágica.
Necesitas hacer una lluvia de ideas, y por cierto, la respuesta muy concreta de Lokad es que la empresa está basada en París. Servimos a clientes en más de 20 países distantes, incluyendo Australia, Rusia, Estados Unidos y Canadá. ¿Por qué reuní a todos mis equipos de científicos de la cadena de suministro en un solo lugar en París, aunque con la pandemia es un poco más complicado, hay mucho trabajo remoto? La respuesta es porque necesitaba que esas personas estuvieran en un solo lugar para que pudieran hablar, hacer una lluvia de ideas y proponer nuevas ideas. Nuevamente, esta es una solución muy poco tecnológica, pero realmente no puedo prometer algo mejor. Cuando hay algo que no puedes ver, como, por ejemplo, la necesidad de pensar en las implicaciones a largo plazo, y simplemente lo olvidaste o nunca lo pensaste, este problema puede ser muy obvio y pasarlo por alto. En una de mis conferencias anteriores, di el ejemplo de la maleta. Tomó 5,000 años llegar a la invención de que sería una buena idea poner ruedas en las maletas. Las ruedas fueron inventadas hace miles de años, y la mejor versión de la maleta fue inventada décadas después de poner a las personas en la luna. Ese es el tipo de cosas donde puede haber algo obvio que no ves. No hay una receta para eso; es solo inteligencia humana. Solo haces lo que tienes.
Pregunta: Las condiciones en constante cambio harán que la solución óptima para tu cadena de suministro esté constantemente obsoleta, ¿verdad?
Sí y no. Desde la perspectiva de la optimización experimental, no existe tal cosa como una solución óptima. Tienes soluciones optimizadas, pero la distinción marca la diferencia. Las soluciones optimizadas están lejos de ser óptimas. Óptimo es como decir, y me repito, que hay un límite estricto en la ingeniosidad humana. Entonces, no hay nada óptimo; solo está optimizado. Y sí, a medida que pasa cada día, el mercado se aleja de todos los experimentos que has hecho hasta ahora. La mera evolución del mundo simplemente degrada la optimización que has producido. Así es como es el mundo. Hay algunos días, por ejemplo, cuando ocurre una pandemia, y la divergencia se acelera enormemente. Nuevamente, así es como es el mundo. El mundo está cambiando, por lo que tu receta numérica debe cambiar junto con él. Esta es una fuerza externa, por lo que sí, no hay escapatoria; la solución tendrá que ser revisada todo el tiempo.
Esa es una de las razones por las que Lokad vende una suscripción y les decimos a nuestros clientes: “No, no podemos venderles un científico de la cadena de suministro solo para la fase de implementación. Esto es absurdo. El mundo seguirá cambiando; este científico de la cadena de suministro que ideó la receta numérica tendrá que estar ahí hasta el fin de los tiempos o hasta que se cansen de nosotros”. Entonces, esta persona podrá adaptar la receta numérica. No hay escapatoria; esto es simplemente el mundo externo que sigue cambiando.
Pregunta: El proceso para llegar al problema, aunque sea correcto, vuelve locos a los altos directivos. Simplemente no pueden entender esto; piensan, ‘¿Cómo puedes revisar el problema varias veces durante la vida del proyecto?’ ¿Qué analogías conocidas de la vida sugerirías para llevar esas conversaciones y demostrar que es un problema ampliamente existente?
Primero, eso es exactamente lo que dije en la diapositiva anterior donde puse la captura de pantalla de The Matrix. En algún momento, tienes que decidir si quieres vivir en una fantasía o en el mundo real. La dirección, con suerte, si la alta dirección de tu empresa es solo un grupo de idiotas, mi única sugerencia es que mejor te vayas a otra empresa porque no estoy seguro de que esta empresa dure mucho. Pero la realidad es que creo que los directivos no son tontos. No quieren lidiar con problemas inventados. Si eres un directivo en una gran empresa, tienes personas que vienen a ti diez veces al día con un “gran problema”, que no es un problema real. La respuesta de la dirección, que es una reacción correcta, es “No hay ningún problema en absoluto, simplemente sigue haciendo lo que has estado haciendo. Lo siento, no tengo tiempo para rehacer el mundo contigo. Esta no es la forma adecuada de abordar el problema”. Tienen razón al hacer eso porque, a través de décadas de experiencia, pueden resolverlo. Tienen mejores heurísticas que aquellos más abajo en la jerarquía.
Pero a veces hay una preocupación muy real. Por ejemplo, tu pregunta es, ¿cómo convences a la alta dirección hace dos décadas de que el comercio electrónico va a ser una fuerza dominante a tener en cuenta dentro de dos décadas? En algún momento, simplemente tienes que elegir tus batallas sabiamente. Si tu alta dirección no es tonta y llegas a una reunión bien preparado, diciendo: “Jefe, tengo este problema. No es una broma. Es una preocupación muy importante con millones de dólares en juego. No estoy bromeando. Estamos dejando sobre la mesa una gran cantidad de dinero. Peor aún, sospecho que la mayoría de nuestros competidores se van a llevar todo el pastel si no hacemos nada. Este no es un punto menor; es un problema muy real. Necesito que dediques 20 minutos de tu atención”. Nuevamente, es raro en las grandes empresas que la alta dirección sea un grupo de completos idiotas. Pueden estar ocupados, pero no son idiotas.
Pregunta: ¿Cuál sería el panorama adecuado de herramientas para empresas manufactureras: optimización experimental como Lokad, más ERP, más visualización? ¿Qué hay del papel de los sistemas de planificación concurrente en línea?
La gran mayoría de nuestros competidores se alinean con la perspectiva de optimización matemática en las cadenas de suministro. Han definido el problema e implementado software para resolverlo. Lo que estoy diciendo es que cuando ponen a prueba el software y este inevitablemente termina produciendo toneladas de decisiones insensatas, dicen: “Oh, es porque no configuraste el software correctamente”. Esto hace que el producto de software sea inmune a la prueba de la realidad. Encuentran formas de desviar las críticas en lugar de abordarlas.
En Lokad, este método solo surgió porque éramos muy diferentes de nuestros competidores. No teníamos el lujo de tener una excusa. Como dice el refrán, “Puedes tener excusas o resultados, pero no puedes tener ambos”. En Lokad, no teníamos la opción de poner excusas. Estábamos entregando decisiones y no había nada que configurar o ajustar desde el lado del cliente. Lokad se enfrentaba frontalmente a sus propias deficiencias. Hasta donde yo sé, todos nuestros competidores están firmemente arraigados en la perspectiva de optimización matemática y sufren problemas de ser algo inmunes a la realidad. Para ser honesto, no son completamente inmunes a la realidad, pero terminan teniendo un ritmo de iteración muy lento, como el que describí para Lokad durante los primeros años. No son completamente inmunes a la realidad, pero su proceso de mejora es glacialmente lento y el mundo sigue cambiando.
Lo que inevitablemente sucede es que el software empresarial no cambia casi tan rápido como para mantenerse al día con el mundo en general, por lo que terminas con un software que simplemente envejece. No está mejorando realmente porque, cada año que pasa, el software mejora, pero el mundo se vuelve más extraño y diferente. El software empresarial se está quedando cada vez más atrás de un mundo que está cada vez más desconectado de donde se originó.
Pregunta: ¿Cuál sería el panorama adecuado de herramientas para empresas manufactureras?
El panorama adecuado son las herramientas de gestión de recursos empresariales que pueden gestionar todos los aspectos transaccionales. Además de eso, lo que es realmente importante es tener una solución que esté muy integrada en lo que respecta a su receta numérica. No quieres tener una pila tecnológica para la visualización, otra para la optimización, otra para la investigación y otra más para la preparación de datos. Si terminas con media docena de pilas tecnológicas para todas esas cosas diferentes, necesitarás un ejército de ingenieros de software para conectarlos todos y terminarás con algo que es lo opuesto a ágil.
Se requiere tanta competencia en ingeniería de software que no queda espacio para la competencia real en la cadena de suministro. Recuerda, ese fue el punto de mi tercera conferencia sobre entrega de software orientada al producto. Necesitas algo que un especialista en cadena de suministro, no un ingeniero de software, pueda operar.
Eso es todo. Nos vemos dentro de dos semanas, el mismo día y a la misma hora, para “Conocimiento negativo en la cadena de suministro”.
Referencias
- La lógica de la investigación científica, Karl Popper, 1934
