00:00:08 Introducción y antecedentes de Spyros Makridakis.
00:01:36 Escepticismo sobre el forecast estadístico en los primeros días.
00:04:44 La evolución del forecast en el comercio minorista y bienes de consumo.
00:05:44 Resultados de los estudios iniciales de forecast de Spyros.
00:07:21 La competición M5 y su importancia para la industria del forecast.
00:08:01 El desempeño de Lokad en una competición de forecast.
00:09:01 Modelos simples y su efectividad en la competición.
00:10:20 Evolución de las técnicas de forecast a lo largo de los años.
00:11:46 La introducción de las computadoras y su impacto en el forecast.
00:14:32 Escenario de prueba versus aplicación en el mundo real y sesgo metodológico.
00:16:00 Discusión sobre los desafíos de forecast de series temporales erráticas.
00:17:20 Cambio en la percepción hacia el forecast como una ciencia.
00:18:28 El problema de la sobreconfianza y las expectativas poco realistas en el forecast.
00:21:00 Manejo de la incertidumbre y eventos de cola pesada en el forecast.
00:23:01 Inyección de priors estructurales para tener en cuenta eventos extremos en los modelos de forecast.
00:24:00 Discusión sobre el impacto de eventos de cola en los modelos de forecast.
00:24:46 Inyección de priors estructurales para decisiones de supply chain más resilientes.
00:25:52 Recomendando el trabajo de Nassim Taleb para comprender los eventos de cisne negro.
00:26:35 Logros de las competiciones M: simplicidad, comprensión de la incertidumbre y gestión de riesgos.
Resumen
En esta entrevista, Kieran Chandler discute el forecast con Joannes Vermorel, fundador de Lokad, y Spyros Makridakis, profesor en la Universidad de Nicosia. Exploran el impacto de las M-Competitions, la efectividad de los métodos simples y el papel de la uncertainty en el forecast. Vermorel comparte su experiencia en la competición M5, enfatizando el poder de los modelos simples y la importancia de comprender la incertidumbre. Makridakis destaca el valor de la evidencia empírica y la necesidad de estar preparado frente al riesgo. Subrayan las limitaciones del forecast y el desafío de transmitir la aceptación de la incertidumbre a los clientes.
Resumen Ampliado
En esta entrevista, el presentador Kieran Chandler conversa con los invitados Joannes Vermorel, fundador de Lokad, y Spyros Makridakis, profesor en la Universidad de Nicosia y organizador de las M-Competitions. La discusión gira en torno a la ciencia del forecast y el impacto de las M-Competitions en la industria.
Spyros Makridakis comparte su experiencia como docente y organizador de las M-Competitions, las cuales han influido en el forecast tanto en el ámbito académico como en la industria. La entrevista profundizará más adelante en la competición M5.
Joannes Vermorel comenta el escepticismo al que se enfrentó al fundar Lokad en 2007, con algunas personas creyendo que el forecast estadístico era poco fiable. Con el tiempo, esta perspectiva ha desaparecido en gran medida de la industria, y Vermorel atribuye a las M-Competitions de Makridakis el haber ayudado a normalizar el campo como un esfuerzo científico.
Makridakis destaca la importancia del forecast al mencionar la situación actual en Texas, donde los supermercados se quedan sin productos. Explica que la mayoría de las veces, los consumidores pueden encontrar lo que necesitan porque empresas como Walmart y Target forecast millones de artículos cada semana. Cuando ocurren faltantes de stock, esto resalta la efectividad del forecast, ya que la gente solo nota cuando algo sale mal.
Makridakis también reflexiona sobre sus inicios profesionales, cuando realizó el primer estudio sobre la precisión de diferentes métodos de forecast. Los resultados, que mostraron que los métodos simples eran más precisos que los sofisticados y que la combinación de métodos mejoraba la precisión, fueron sorprendentes y al principio recibieron escepticismo. Sin embargo, estos hallazgos han sido posteriormente comprobados y han tenido un gran impacto en el forecast.
Discuten las técnicas de forecast, la competición M5 y cómo la tecnología ha impactado en el campo.
Makridakis explica que las nuevas técnicas de forecast usando deep learning implican generar un gran número de modelos y tomar la mediana como el mejor forecast. Vermorel comparte su experiencia participando en la Competencia M5, señalando que Lokad se ubicó en el sexto lugar de 909 equipos en el apartado de quantile forecasting. Destaca la ausencia de sus principales competidores entre los 100 primeros y la desconexión entre la cuota de mercado y el rendimiento en tales competiciones.
Vermorel luego señala que Lokad utilizó un modelo paramétrico muy simple, demostrando el poder de los métodos simples en forecast. Además, enfatiza que la precisión no es el único aspecto importante en el forecast; comprender la estructura de la incertidumbre también es crucial. Makridakis está de acuerdo, añadiendo que los resultados de la Competencia M5 mostraron que los métodos simples de machine learning resultaron ser más precisos y efectivos que los sofisticados.
La conversación se desplaza hacia la introducción de las computadoras en el forecast, con Makridakis explicando que la clave del éxito reside en la simplicidad. Describe la importancia de separar los datos de forecast en partes de entrenamiento y prueba para evitar overfitting del pasado y tener en cuenta los cambios entre el pasado y el futuro. Vermorel está de acuerdo, resaltando el desafío de predecir con precisión datos que aún no están disponibles, y la importancia de no asumir que el futuro será exactamente como el pasado.
Discuten la evolución del forecast, la importancia de no sobreajustar los datos y la relevancia de la incertidumbre en las predicciones.
Vermorel explica el desarrollo de la teoría del forecast a finales del siglo XX, con el trabajo de Vapnik y Chervonenkis que contribuyó al concepto de máquinas de soporte vectorial. Estas máquinas resaltaron la necesidad de minimizar tanto el error estructural como el empírico, al mismo tiempo que proporcionaban un límite inferior para el error real.
Makridakis enfatiza la importancia de las competiciones, donde se reserva una parte de los datos, como medio para establecer una metodología limpia para el forecast. Contrasta esto con escenarios del mundo real, donde existe la tentación de sobreajustar los datos para lograr un ajuste perfecto a los eventos pasados, lo cual puede llevar a predicciones futuras menos precisas.
Vermorel comparte un ejemplo de su experiencia en Lokad, donde los clientes a menudo se sorprendían por el forecast más suave generado para series de tiempo, erráticas, como el consumo de alcohol en hipermercados. Los competidores solían presentar forecasts que imitaban de cerca la naturaleza errática de los datos históricos, lo que llevaba a los clientes a ser escépticos respecto a las predicciones más suaves de Lokad.
Makridakis analiza el cambio en la percepción del forecast como una ciencia, enfatizando la importancia de separar el pasado del futuro y no intentar sobreajustar los datos pasados. Resalta la importancia de considerar la incertidumbre en las predicciones y reconoce que, aunque los clientes pueden no apreciar este aspecto, es crucial para un forecast realista.
La discusión giró en torno a las expectativas del forecast. Vermorel observa que algunos competidores en la industria minorista hacen afirmaciones exageradas de alta precisión, lo cual es poco práctico dada la naturaleza del comportamiento del consumidor. Esto plantea la cuestión de si ahora se espera demasiado del forecast y si se percibe como infalible.
La conversación gira en torno al forecast, las limitaciones y desafíos en el campo, y el impacto de la incertidumbre y los eventos raros en la optimización de supply chain.
Los participantes discuten cómo algunos proveedores y consultores tienden a sobrevalorar la idea de forecasts increíblemente precisos, lo que conduce a expectativas poco realistas por parte de los usuarios. Enfatizan que el forecast no es perfecto, y que la incertidumbre es inherente, especialmente en áreas como el comercio minorista. Makridakis señala que no solo existe una incertidumbre normal, sino también una incertidumbre de “fat tail”, que consiste en eventos raros y extremos que pueden causar disrupciones, como la pandemia de COVID-19.
Vermorel está de acuerdo con el problema de que los consultores prometan demasiado y comparte que el desafío en el forecast probabilístico no es el aspecto técnico, sino más bien transmitir la aceptación de la incertidumbre y los límites del control. Explica que los modelos simples de forecast pueden ser útiles para inyectar priors estructurales que tengan en cuenta los eventos de cola, incluso si la cuantificación es vaga. Al hacerlo, se pueden orientar decisiones de supply chain hacia soluciones más robustas y resilientes frente a eventos poco frecuentes.
Makridakis destaca la importancia de la evidencia empírica para determinar qué funciona y qué no en el forecast. A través de las Competencias M, han descubierto que la simplicidad es lo que mejor funciona, reconociendo la aleatoriedad e impredecibilidad del pasado. Enfatiza la importancia de reconocer la incertidumbre y el riesgo asociados con los forecasts, y la necesidad de estar preparados para enfrentarlos.
La entrevista aborda los desafíos y limitaciones del forecast, el rol de la incertidumbre en la toma de decisiones, y la importancia de incorporar eventos raros en la optimización de supply chain.
Transcripción completa
Kieran Chandler: Cuando se trata del forecast, a menudo damos por sentado que existen técnicas probadas y comprobadas que han sido testeadas por generaciones. Sin embargo, una persona que no tuvo ese lujo es nuestro invitado de hoy, spyros Makridakis, quien, como uno de los pioneros de la industria, en realidad inventó muchas de las técnicas que usamos como estándar. Hoy, vamos a aprender un poco más sobre su carrera y lo que podemos extraer de más de 50 años de experiencia en la industria. Así que, spyros, muchas gracias por acompañarnos en vivo desde Chipre hoy. Y como siempre, nos gusta comenzar conociendo un poco más a nuestros invitados. Quizás podrías empezar contándonos un poco más sobre ti mismo.
Spyros Makridakis: Bueno, como sabes, he sido profesor durante mucho tiempo, y fue ahí donde comencé a trabajar en el forecast. Luego dejé esto y, cuando me jubilé hace 15 años, aquí estoy ahora en Chipre, en la universidad, porque seguimos en marcha. Y sé que vuestras compañías participan tanto en las competiciones M4 como en las M5, algo que he estado organizando durante los últimos 40 años. Así que sabéis cuál es mi contribución y cómo las competiciones M, que representan las competiciones Makridakis, han afectado a la industria del forecast y a las empresas y académicos que utilizan los hallazgos.
Kieran Chandler: ¡Brillante! Entonces, hablaremos un poco sobre las competiciones M5 más adelante. Quizás en la primera parte, hagamos un repaso de los últimos 50 años de la ciencia del forecast tal como la conocemos, y parece que tenemos mucho terreno por cubrir hoy. ¿Joannes?
Joannes Vermorel: Sí, lo interesante es que cuando fundé Lokad, cuando me encontraba en el proceso de crear la empresa en 2007, en ese momento todavía había personas que eran muy escépticas respecto a la idea misma del forecast estadístico de cualquier tipo. Fue muy curioso porque, en ese entonces, yo mismo me preguntaba si debía continuar con mi doctorado en machine learning, que había comenzado pero que, por cierto, nunca terminé, o si debía seguir adelante con Lokad, este proyecto. Y cuando apliqué a una incubadora de startups, la primera vez que lo hice, mi aplicación fue rechazada porque había dos personas en el jurado que tenían muy firmemente la creencia de que el forecast estadístico era simplemente un completo disparate. Literalmente fue como: “No, no aceptamos startups cuyo plan de negocio sea básicamente vender adivinaciones.” Quiero decir, no hay duda de que se puede ganar dinero con la adivinación; la gente lo ha hecho durante siglos. Pero, ¿estamos de acuerdo con la idea de que tal empresa entre en la incubadora? La respuesta fue un rotundo no. Pero lo curioso es que, prácticamente, fue de la última generación. Creo que durante la década más o menos que he estado dirigiendo Lokad, prácticamente no queda nadie en esta industria que sostenga esa creencia. Así que, es muy curioso; fue literalmente la ciencia en acción.
Kieran Chandler: Joannes y Spyros, gracias por acompañarnos hoy. Joannes, creo que tus contribuciones y las competiciones M han sido elementos clave para normalizar el campo del forecast. Se ha convertido en una ciencia normal y ya no en ciencia marginal. Lo que está sucediendo en Texas en este momento es interesante. Los supermercados se han quedado completamente sin productos, y la gente no puede encontrar comida u otros artículos esenciales. Cuando hablan de forecast, les digo que piensen en todas las otras ocasiones en que van a un supermercado y encuentran lo que desean. Los supermercados tienen millones de artículos, y realizan forecasts para cada uno de ellos. Empresas como Walmart y Target forecast millones de artículos semanalmente, para que los consumidores puedan encontrar lo que desean comprar. Cuando no hay suficiente suministro, como ahora en Texas, sorprende a la gente, pero en realidad demuestra lo bueno que es el forecast porque, la mayoría de las veces, pueden encontrar lo que desean.
Spyros Makridakis: Absolutamente, Kieran. El forecast ha sido moldeado de muchas maneras por el trabajo que he realizado. Cuando empecé como un joven profesor, el panorama era bastante diferente. Realizamos el primer estudio sobre cuán precisamente diferentes métodos de forecast podían predecir. Lo que encontramos sorprendió a los estadísticos de la época. Presenté los resultados en Londres en la Royal Statistical Society, y todos me atacaban, diciendo que encontrábamos esos resultados porque éramos inexpertos en forecast. Descubrimos que métodos muy simples eran más precisos que los sofisticados, y si combinabas más de un método, la precisión mejoraba. Ambos hallazgos eran una aberración para los estadísticos de aquella época, quienes creían que se podía encontrar el mejor método y que los métodos más sofisticados serían más precisos. Pero ahora, nuevas técnicas utilizando deep learning forecast 500 diferentes modelos y luego toman la mediana de ellos, la cual encuentran que es el mejor forecast.
Kieran Chandler: Joannes, la competencia M5 es aquella en la que participaste no hace tanto. Desde la perspectiva de un proveedor, ¿qué significa para ti la competencia M5?
Joannes Vermorel: La competencia M5 es muy divertida. Es una de esas pocas oportunidades en las que podemos mostrar nuestras habilidades de forecast y colaborar con otros en la industria. Nos ayuda a mejorar nuestros métodos y mantiene el campo competitivo, impulsando la innovación y el progreso.
Kieran Chandler: Bienvenidos todos a la entrevista de hoy. Hoy tenemos a Joannes Vermorel, el fundador de Lokad, y a Spyros Makridakis, profesor en la Universidad de Nicósia, Director del Institute for the Future y Profesor Emérito de Decision Sciences en INSEAD. Joannes, participaste en las M-Competitions, ¿puedes contarnos más al respecto?
Joannes Vermorel: Sí, las M-Competitions son eventos reconocidos globalmente donde las personas compiten en base a la habilidad, lo cual es distinto de las ferias comerciales que se centran mayormente en el marketing. Lo interesante es que en las 100 principales empresas, ninguno de nuestros mayores competidores estaba presente, sin importar si se observaba un lado de la competencia u otro. Esto es sorprendente ya que lo que venden es forecast. Así que hay una desconexión masiva entre lo que ocurre durante una prueba real y las participaciones típicas observadas en este mercado. Otra cosa sobre la que me gustaría comentar es la simplicidad de nuestro modelo. Lokad quedó en sexto lugar de 909 equipos en el lado cuantil de la competencia usando un modelo paramétrico muy simple con solo tres simplicidades: día de la semana, inicio y fin del mes, y semana del año. Usamos ESSM y logramos resultados con una precisión dentro del 1% del mejor modelo, que utilizó gradient booster trees y un esquema masivo de aumento de datos. Lo interesante es que usamos solo 0.001 de la complejidad. Creo que esto demuestra que métodos muy simples pueden ser muy poderosos. La competencia también mostró que la precisión en el sentido clásico no es el único elemento que importa. Otras dimensiones del forecast, como tener una mejor comprensión de la estructura de la incertidumbre misma, también son importantes. De eso se tratan los forecast probabilísticos, y en Lokad hemos estado trabajando arduamente en ello durante casi una década.
Spyros Makridakis: Tienes razón, Joannes. En la primera M-Competition, los métodos estadísticos simples eran más precisos que los sofisticados. En la competencia M5, encontramos que los métodos de machine learning simples eran más precisos que los métodos de machine learning sofisticados, como deep learning. Los principales competidores en ambos desafíos, de precisión e incertidumbre, usaron métodos de machine learning simples, y fueron los más precisos y efectivos en predecir los datos de Walmart. Uno de los aspectos interesantes de la competencia M5 es que todos están usando técnicas de forecast basadas en computadora.
Kieran Chandler: Y eso ya es estándar en toda la industria, pero si miras atrás a cuando comenzaste, Spyros, cuando arrancaste como profesor, eso fue antes, quizás, del amanecer de las computadoras. Entonces, ¿cómo cambió la introducción de las computadoras la forma en que hacías las cosas? ¿Qué tipo de oportunidades te brindó?
Spyros Makridakis: Bueno, las oportunidades radican en que las cosas se volvieron más simples. En forecast, hay dos partes: una es ajustar lo que sucede en el pasado, lo cual es lo sencillo. Antes de comenzar la competencia, la gente sobreajustaba el pasado, pensando que el futuro sería exactamente igual al pasado. No existía la idea de separar los datos de forecast en una parte de entrenamiento y una de prueba. Así que intentábamos predecir lo más precisamente posible, no la parte de entrenamiento, sino la parte de prueba –el futuro, en otras palabras. Porque el futuro no es exactamente igual al pasado, cambia, y la idea ahora es que no queremos sobreajustar el pasado porque habrá algunos cambios entre el pasado y el futuro. Entonces, tratamos de averiguar cómo se producirán esos cambios y utilizarlos para predecir con mayor exactitud en el futuro. Esta es una gran diferencia, porque en el pasado no lo consideraban; pensaban que el futuro sería exactamente igual al pasado, pero sabemos muy bien que eso nunca sucede.
Kieran Chandler: ¿Estás de acuerdo con eso, Joannes? Quiero decir, ¿cómo has visto evolucionar las técnicas de forecast a lo largo de las décadas cuando miras hacia atrás?
Joannes Vermorel: Creo que lo que Spyros Makridakis está señalando es fundamental. Existe esta aparente paradoja de querer ser preciso con los datos que no tienes. Es algo muy desconcertante cuando lo piensas porque, naturalmente, cada vez que quieres medir la precisión, por definición, la mides contra los datos que tienes, pero eso no es lo que se debe hacer. Este problema se abordó en parte a finales del siglo XX con la teoría de Vapnik y Chervonenkis. Es una teoría muy abstracta que dio origen a las máquinas de soporte vectorial, las cuales son muy complejas. Empezaron a formalizar la idea de que tienes el error empírico y el error estructural. El error estructural es –básicamente, la idea es que quieres minimizar el error real, siendo este definido como el error que vas a cometer en datos que no tienes. Necesitas minimizar tanto el error estructural como el error empírico, y de eso se tratan las máquinas de soporte vectorial. Estas tienen una perspectiva muy teórica. Han sido implementadas y han cosechado grandes éxitos como técnica de machine learning en un par de campos. Creo que su contribución más importante fue aclarar, desde una perspectiva más teórica, lo que estaba ocurriendo. Y luego, cuando realmente quieres obtener resultados reales, creo que recurrir a aquellas competencias donde reservas una parte de los datos para la realidad es probablemente la mejor manera de conseguir forecasts precisos.
Kieran Chandler: Para tener, diría yo, una metodología muy limpia, ¿cómo varía el enfoque que tomas en un escenario de prueba, tan basado en competencias, respecto a lo que harías en el mundo real? Quiero decir, en el mundo real tienes acceso a todos los datos todo el tiempo, y eso te da ese fuerte sesgo metodológico que el profesor Makridakis señalaba. Es increíblemente tentador simplemente tener algo que se ajuste a los datos, ¿sabes?
Spyros Makridakis: Eso es lo que solían hacer en el pasado. La famosa metodología Box-Jenkins consistía en ajustar lo mejor posible el pasado, y por eso estaba perdiendo frente a todos los métodos simples que no ajustaban tan bien el pasado, pero predecían con mayor exactitud el futuro. Si sobreajustas, pierdes la esencia del forecast. El futuro nunca es exactamente igual al pasado.
Joannes Vermorel: Exactamente. Y uno de los ejemplos desconcertantes fue cuando empecé con Lokad. Los clientes usualmente se sorprendían muchísimo al observar una serie de tiempo increíblemente errática, por ejemplo, el consumo de alcohol en hipermercados, un producto muy errático con picos. Cuando hacíamos forecasts clásicos durante los primeros años de Lokad, cuando aún no hacíamos forecast probabilístico, hacíamos forecasts clásicos. Para esas series de tiempo súper erráticas, mostraba un forecast que era mucho más suave que la serie de tiempo original. La mayoría de mis competidores podían exhibir series de forecast que eran tan erráticas, exactamente tan erráticas, como la serie original. Los clientes se sorprendían, y tuve muchos debates interesantes con mis prospectos, que aún no eran clientes, y que simplemente no creían que ese forecast tan suave pudiera ser correcto porque era tan diferente a la serie histórica, que era súper errática y con picos. Mientras mis competidores mostraban forecasts muy cargados de picos, ellos podían exhibir forecasts que simplemente se parecían a los datos históricos.
Kieran Chandler: Entonces, Spyros, una de las cosas que realmente me intriga es cómo ha cambiado la percepción sobre el forecast a lo largo de tu carrera. ¿Cuándo ocurrió ese cambio hacia que el forecast se viera como una ciencia, y cuándo se volvió más aceptado en la corriente principal?
Spyros Makridakis: Bueno, tomó algo de tiempo. Al principio, los estadísticos clásicos usaban lo mismo de siempre, diciendo que lo importante era seguir las fluctuaciones de la serie. Pero eso no es cómo se forecast. Se necesitó tiempo para comprender que no se puede predecir la aleatoriedad, y lo que las Competencias M han demostrado sin lugar a dudas es que lo importante es separar el pasado del futuro y que no se debe sobreajustar el pasado, sino contar con un modelo que se adapte a los cambios del pasado al futuro. Y ese es el cambio principal. Y ahora se acepta que, además de mirar el forecast, debemos considerar la incertidumbre en nuestras predicciones. A mucha gente no le gusta en absoluto, porque, psicológicamente, no es algo muy positivo hablar de incertidumbre, de decir que voy a forecast pero que estoy incierto.
Kieran Chandler: Joannes, ¿qué tan inexactos dirías que son tus forecasts? Los clientes a menudo me dicen que afirmas centrarte, pero también admites que no puedes forecast debido a la gran incertidumbre del futuro.
Spyros Makridakis: Esa es la realidad, no se puede evitar ser realista. Introduce esta idea de un nivel de confianza en tu forecast. Joannes, ¿dirías que la percepción casi se ha desplazado hasta el punto de que la gente espera demasiado del forecast y lo considera infalible?
Joannes Vermorel: Esa es una pregunta interesante. He estado en la feria de la National Retail Federation en Nueva York en varias ocasiones, y lo que observé es que la mayoría de mis competidores con mucha frecuencia hacían afirmaciones completamente extravagantes de tener un 99% de precisión en retail. Francamente, ni sé qué significa un 99% de precisión en hipermercados, donde la mayoría de los productos se venden en pequeñas cantidades a diario. Es ridículo pensar que se podría saber, hasta la última unidad, si alguien va a elegir un producto, mientras esa persona podría ni siquiera saberlo. He visto a muchos proveedores intentando sobrevalorizar la idea de que se pueden tener forecasts increíblemente precisos en todas partes, lo cual no es para nada el caso. Utilizan el aura de ciencia que el forecast estadístico ha ganado en otras áreas, como demografía, consumo de electricidad y consumo de agua, donde la incertidumbre es comparativamente muy baja, para afirmar que pueden lograr el mismo nivel de precisión en hipermercados, lo cual no es exactamente lo mismo. Se puede hacer mucho, pero no es el mismo orden de magnitud en términos de precisión.
Spyros Makridakis: Uno de los mayores problemas con los usuarios de forecast es que sus expectativas son demasiado altas, porque los consultores tratan de venderles forecasts en los que tienen demasiada confianza, y este es uno de los mayores problemas. Así que parte de lo que debemos hacer en el campo es decir: “Miren, no podemos ser profetas. Nuestros datos, en particular en el sector retail, nos indican que la incertidumbre es muy grande, y tenemos que hacer algo al respecto.” No hablamos solo de la incertidumbre normal; también tenemos incertidumbre que resulta fatal, como los famosos eventos de cisne negro de Nassim Taleb que destruyen muchos de nuestros forecasts y crean problemas, como sucedió con la pandemia. También debemos tener eso en cuenta; no se puede evitar la incertidumbre.
Kieran Chandler: Joannes, ¿estás de acuerdo con eso? Hemos hablado en el pasado acerca de consultores que llegan y prometen un poco demasiado con los forecasts.
Joannes Vermorel: Sí, estoy de acuerdo. Lo que resultó realmente difícil acerca del forecast probabilístico no fue la parte técnica de producirlo, sino gestionar las expectativas que habían sido establecidas demasiado altas por consultores que prometieron demasiado.
Kieran Chandler: Entonces, Joannes, has hablado sobre la importancia del forecast probabilístico y la inyección de priors estructurales. ¿Puedes explicar un poco más sobre eso?
Joannes Vermorel: Ciertamente. Las probabilidades, esto no es tan difícil. Lo complejo fue, de hecho, transmitir la aceptación de que sí, en Lokad optábamos por forecasts probabilísticos. No es que nuestros forecasts fueran malos. Creo que, aunque inicialmente no éramos los mejores en esas competencias, ciertamente no estábamos, ya sabes, posicionándonos muy alto. El problema no fue que tuviéramos forecasts malos, sino aceptar que hay cosas que están fuera de nuestro control. Y lo interesante de esos eventos extremos es que, de repente, tienes algo en lo que es muy, muy difícil confiar en tu DR. Y ahí es donde, nuevamente, eso es algo que, francamente, me interesa mucho. Es decir, al mantener tu modelo de forecast, diría yo, no extremo, sino simple, tienes algo en lo que puedes, con un cierto grado de subjetividad, pero si cuentas con un modelo de forecast simple, relativamente sencillo y manejable, puedes inyectar priors estructurales para básicamente introducir esta dosis de eventos súper raros y súper extremos.
Kieran Chandler: Entiendo, y ¿cómo ayuda eso en la optimización de supply chain?
Joannes Vermorel: Básicamente eso es lo que estamos haciendo en Lokad. ¿Es decir, por ejemplo, en cosas como las pandemias, no podemos forecast pandemias? Pero lo que sí podemos hacer, y ni siquiera es supercomplicado, es decir: “bueno, podemos, quizá inyectar un prior para decir que hay una probabilidad anual del dos por ciento, digamos, de que haya una recesión del 50 por ciento que impacte a la compañía.” No sé por qué, solo sé que es una suposición razonable. Es subjetiva, ya sabes, ¿por qué dos por ciento, por qué dos por ciento de una recesión del cincuenta por ciento? Todo eso es muy subjetivo, pero lo interesante es que si inyectas una dosis de eventos extremos en tus modelos de forecasting, incluso si la cuantificación resulta bastante inexacta y vaga, lo que sucede es que cuando construyes tu optimización de supply chain encima, diriges la decisión hacia cosas que son mucho más robustas contra esos eventos extremos sin invertir demasiado dinero en ello. Así que lo interesante, y ese es el tipo de cosas que hacemos, es que mantenemos esos modelos de forecasting simples para poder inyectar esos priors estructurales que son, diría yo, bastante inventados, aunque razonables. No son precisos, pero la consecuencia de ello es que al final del día puedes obtener decisiones de supply chain que terminan teniendo mucha más resiliencia con respecto a cosas que ocurren poco frecuentemente. Y el proceso es bastante simple, pero en la práctica, se necesita mucho convencimiento para lograr que la gente entienda esos cisnes negros. De hecho, recuro frecuentemente a “Por favor lee el trabajo de Nassim Taleb”, pero es difícil convencer a un prospecto de que le vas a dar, ya sabes, un libro de 600 páginas escrito por, ya sabes, otro gran pensador griego de Nassim Taleb.
Spyros Makridakis: Joannes, ¿puedo hacer una pregunta? Porque me parece que estás inyectando priors estructurales, lo cual podría verse como un sesgo en tus modelos de forecasting. ¿Crees que ese sesgo pueda ser perjudicial para la precisión del forecasting de tus modelos?
Joannes Vermorel: Sí, es una muy buena pregunta, Spyros. Hay dos cosas en eso. Primero de
Kieran Chandler: Spyros, has tenido medio siglo en el que has estado involucrado en la industria. ¿De qué te sientes más orgulloso al mirar atrás en tu carrera?
Spyros Makridakis: Bueno, estoy más orgulloso del hecho de que proporcionamos evidencia empírica sobre lo que funciona en forecasting y lo que no. No es solo palabrería, sino que hemos realizado experimentos a través de las M-Competitions. A partir de estos experimentos, podemos decirte qué métodos funcionan y cuáles no. Lo que podemos asegurarte es que la simplicidad funciona. Nos damos cuenta de que hay mucha aleatoriedad en los eventos pasados, y no podemos predecir todo con precisión. Debido a que nuestros forecasts son inciertos, existe riesgo, y necesitamos hacer algo para anticipar ese riesgo y estar preparados para enfrentarlo.
Kieran Chandler: Gracias a ambos por su tiempo hoy.
Joannes Vermorel: Muchas gracias.
Spyros Makridakis: Gracias por entrevistarme.
Kieran Chandler: Eso es todo por esta semana. Muchas gracias por sintonizar, y nos vemos de nuevo en el próximo episodio.
