00:00:08 Introducción y antecedentes de Spyros Makridakis.
00:01:36 Escepticismo de los pronósticos estadísticos en los primeros días.
00:04:44 La evolución de los pronósticos en el comercio minorista y los bienes de consumo.
00:05:44 Resultados de los estudios iniciales de pronóstico de Spyros.
00:07:21 La competencia M5 y su importancia para la industria de los pronósticos.
00:08:01 El rendimiento de Lokad en una competencia de pronósticos.
00:09:01 Modelos simples y su efectividad en la competencia.
00:10:20 Evolución de las técnicas de pronóstico a lo largo de los años.
00:11:46 Introducción de las computadoras y su impacto en los pronósticos.
00:14:32 Escenario de prueba versus aplicación del mundo real y sesgo metodológico.
00:16:00 Discusión sobre los desafíos de pronosticar series de tiempo erráticas.
00:17:20 Cambio en la percepción hacia los pronósticos como una ciencia.
00:18:28 El problema de la confianza excesiva y las expectativas poco realistas en los pronósticos.
00:21:00 Lidiar con la incertidumbre y los eventos de cola gruesa en los pronósticos.
00:23:01 Inyectar supuestos estructurales para tener en cuenta eventos extremos en los modelos de pronóstico.
00:24:00 Discusión sobre el impacto de los eventos de cola en los modelos de pronóstico.
00:24:46 Inyectar supuestos estructurales para decisiones de cadena de suministro más resilientes.
00:25:52 Recomendar el trabajo de Nassim Taleb para comprender los eventos de cisne negro.
00:26:35 Logros de las competencias M: simplicidad, comprensión de la incertidumbre y gestión de riesgos.
Resumen
En esta entrevista, Kieran Chandler habla sobre pronósticos con Joannes Vermorel, fundador de Lokad, y Spyros Makridakis, profesor de la Universidad de Nicosia. Exploran el impacto de las competencias M, la efectividad de los métodos simples y el papel de la incertidumbre en los pronósticos. Vermorel comparte su experiencia en la Competencia M5, enfatizando el poder de los modelos simples y la importancia de comprender la incertidumbre. Makridakis destaca la importancia de la evidencia empírica y la necesidad de estar preparados frente al riesgo. Destacan las limitaciones de los pronósticos y el desafío de transmitir la aceptación de la incertidumbre a los clientes.
Resumen Extendido
En esta entrevista, el presentador Kieran Chandler habla con los invitados Joannes Vermorel, fundador de Lokad, y Spyros Makridakis, profesor de la Universidad de Nicosia y organizador de las competencias M. La discusión gira en torno a la ciencia de pronósticos y el impacto de las competencias M en la industria.
Spyros Makridakis comparte su experiencia como profesor y organizador de las competencias M, que han influido en los pronósticos tanto en el ámbito académico como en la industria. La entrevista profundizará más adelante en las Competencias M5.
Joannes Vermorel habla sobre el escepticismo que enfrentó al fundar Lokad en 2007, con algunas personas creyendo que los pronósticos estadísticos eran poco confiables. Con el tiempo, esta perspectiva ha desaparecido en su mayoría de la industria, y Vermorel atribuye a las Competencias M de Makridakis por ayudar a normalizar el campo como un esfuerzo científico.
Makridakis destaca la importancia de los pronósticos mencionando la situación actual en Texas, donde los supermercados están sin mercancía. Explica que la mayoría de las veces, los consumidores pueden encontrar lo que necesitan porque empresas como Walmart y Target pronostican millones de artículos semanalmente. Cuando ocurren faltantes de stock, en realidad resalta la efectividad de los pronósticos, ya que las personas solo se dan cuenta cuando las cosas salen mal.
Makridakis también reflexiona sobre sus primeros años de carrera, cuando realizó el primer estudio sobre la precisión de diferentes métodos de pronóstico. Los resultados, que mostraron que los métodos simples eran más precisos que los sofisticados y que combinar métodos mejoraba la precisión, fueron sorprendentes y inicialmente recibieron escepticismo. Sin embargo, estos hallazgos se han demostrado desde entonces y han tenido un gran impacto en el campo de los pronósticos.
Discuten técnicas de pronóstico, la Competencia M5 y cómo la tecnología ha impactado el campo.
Makridakis explica que las nuevas técnicas de pronóstico utilizando deep learning implican generar una gran cantidad de modelos y tomar la mediana como el mejor pronóstico. Vermorel comparte su experiencia participando en la Competencia M5, señalando que Lokad ocupó el sexto lugar de 909 equipos en el lado del pronóstico cuantil. Destaca la ausencia de sus principales competidores en los primeros 100 y la desconexión entre la cuota de mercado y el rendimiento en tales competencias.
Vermorel luego señala que Lokad utilizó un modelo paramétrico muy simple, demostrando el poder de los métodos simples en el pronóstico. Además, enfatiza que la precisión no es el único aspecto importante en el pronóstico; entender la estructura de la incertidumbre también es crucial. Makridakis está de acuerdo, agregando que los resultados de la Competencia M5 mostraron que los métodos simples de machine learning son más precisos y efectivos que los sofisticados.
La conversación se centra en la introducción de las computadoras en el pronóstico, con Makridakis explicando que la clave del éxito radica en la simplicidad. Describe la importancia de separar los datos de pronóstico en partes de entrenamiento y prueba para evitar el sobreajuste del pasado y tener en cuenta los cambios entre el pasado y el futuro. Vermorel está de acuerdo, destacando 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 pronóstico, la importancia de no sobreajustar los datos y la importancia de la incertidumbre en las predicciones.
Vermorel explica el desarrollo de la teoría de pronóstico a fines del siglo XX, con el trabajo de Vapnik y Chervonenkis contribuyendo al concepto de máquinas de vectores de soporte. Estas máquinas destacaron la necesidad de minimizar tanto el error estructural como el empírico, al tiempo que proporcionaban un límite inferior para el error real.
Makridakis enfatiza la importancia de las competencias, donde se retiene una parte de los datos, como un medio para establecer una metodología limpia para el pronóstico. Contrasta esto con escenarios del mundo real, donde hay una tentación de sobreajustar los datos para lograr un ajuste perfecto para eventos pasados, lo que 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 pronóstico más suave generado para series de tiempo erráticas, como el consumo de alcohol en hipermercados. Los competidores a menudo presentaban pronósticos que imitaban de cerca la naturaleza errática de los datos históricos, lo que llevaba a los clientes a ser escépticos de las predicciones más suaves de Lokad.
Makridakis habla sobre el cambio en la percepción del pronóstico como una ciencia, enfatizando la importancia de separar el pasado del futuro y no tratar de sobreajustar los datos pasados. Destaca la importancia de considerar la incertidumbre en las predicciones y reconoce que aunque los clientes pueden no apreciar este aspecto, es crucial para un pronóstico realista.
La discusión se centró en las expectativas del pronóstico. Vermorel señala que algunos competidores en la industria minorista hacen afirmaciones extravagantes de alta precisión, lo cual es impráctico dada la naturaleza del comportamiento del consumidor. Esto plantea la pregunta de si las personas ahora esperan demasiado del pronóstico y si lo perciben como infalible.
La conversación gira en torno al pronóstico, las limitaciones y desafíos en el campo, y el impacto de la incertidumbre y los eventos raros en la optimización de la cadena de suministro.
Los participantes discuten cómo algunos proveedores y consultores tienden a vender demasiado la idea de pronósticos increíblemente precisos, lo que lleva a expectativas poco realistas por parte de los usuarios. Enfatizan que el pronóstico no es perfecto y que la incertidumbre es inherente, especialmente en áreas como el comercio minorista. Makridakis señala que no solo hay incertidumbre normal, sino también incertidumbre de “cola gorda”, que consiste en eventos raros y extremos que pueden causar interrupciones significativas, como la pandemia de COVID-19.
Vermorel está de acuerdo con el problema de los consultores que prometen demasiado y comparte que el desafío en el pronóstico probabilístico no es el aspecto técnico, sino transmitir la aceptación de la incertidumbre y los límites de control. Explica que los modelos de pronóstico simples pueden ser útiles para inyectar supuestos estructurales para tener en cuenta eventos de cola, incluso si la cuantificación es vaga. Al hacerlo, las decisiones de la cadena de suministro pueden dirigirse hacia soluciones más sólidas y resilientes frente a eventos infrecuentes.
Makridakis destaca la importancia de la evidencia empírica para determinar qué funciona y qué no en el pronóstico. A través de las M-Competitions, han descubierto que la simplicidad funciona mejor, reconociendo la aleatoriedad e imprevisibilidad del pasado. Hace hincapié en la importancia de reconocer la incertidumbre y el riesgo asociados con los pronósticos, y la necesidad de estar preparados para enfrentarlos.
La entrevista aborda los desafíos y limitaciones del pronóstico, el papel de la incertidumbre en la toma de decisiones y la importancia de incorporar eventos raros en la optimización de la cadena de suministro.
Transcripción completa
Kieran Chandler: Cuando se trata de pronósticos, a menudo damos por sentado que existen técnicas probadas y comprobadas que se han probado durante generaciones. Sin embargo, una persona que no tuvo este lujo es nuestro invitado de hoy, Spyros Makridakis, quien como uno de los padres fundadores 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 aprender de más de 50 años de experiencia en la industria. Así que Spyros, muchas gracias por unirte a nosotros en vivo desde Chipre hoy. Y como siempre, nos gusta comenzar aprendiendo un poco más sobre nuestros invitados. Así que tal vez puedas comenzar contándonos un poco más sobre ti.
Spyros Makridakis: Bueno, como sabes, he sido profesor durante mucho tiempo, y ahí es donde comencé a trabajar en pronósticos. Luego dejé esto y cuando me jubilé hace 15 años y aquí estoy en Chipre ahora en la universidad porque seguimos. Y sé que sus empresas participan tanto en las competencias M4 como en las competencias M5, algo que he estado organizando durante los últimos 40 años. Entonces sabes cuál es mi contribución y cómo las competencias M, que representan las competencias Makridakis, han afectado a la industria de los pronósticos y a las empresas y académicos que utilizan los hallazgos.
Kieran Chandler: ¡Genial! Así que vamos a discutir un poco sobre las competencias M5 un poco más adelante. Tal vez en la primera parte, vamos a echar un vistazo a los últimos 50 años de la ciencia de los pronósticos tal como la conocemos y parece que tenemos mucho terreno que cubrir hoy. ¿Joannes?
Joannes Vermorel: Sí, lo interesante es que cuando fundé Lokad, cuando estaba pasando por el proceso de crear la empresa en 2007, en ese momento todavía había personas que eran muy escépticas acerca de la idea misma de los pronósticos estadísticos de cualquier tipo. Fue muy extraño porque, en ese momento, yo mismo me preguntaba si debería continuar con mi doctorado en aprendizaje automático, que había comenzado pero nunca completado, o si debería seguir adelante con Lokad, este proyecto. Y cuando solicité ingresar a un incubador de startups, la primera vez que lo hice, mi solicitud fue rechazada porque había dos personas en el jurado que sostenían firmemente la creencia de que los pronósticos estadísticos eran simplemente un completo sinsentido. Fue literalmente como decir: “No aceptamos startups cuyo plan de negocios sea básicamente vender adivinaciones”. Quiero decir, no hay duda de que se puede ganar dinero con la adivinación; la gente ha estado haciendo eso desde hace siglos. Pero, ¿estamos de acuerdo con la idea de que una empresa así realmente entraría al incubador? La respuesta fue un rotundo no. Pero lo curioso es que fue prácticamente la última generación. Creo que durante la década aproximada que he estado dirigiendo Lokad, prácticamente no queda nadie en esta industria que mantenga esta creencia. Así que es muy gracioso; fue literalmente la ciencia en acción.
Kieran Chandler: Joannes y Spyros, gracias por unirse a nosotros hoy. Joannes, creo que tus contribuciones y las competencias M han sido elementos clave para normalizar el campo de los pronósticos. Se ha convertido más en una ciencia normal y ya no en una ciencia marginal. Lo que está sucediendo en Texas en este momento es interesante. Los supermercados están completamente sin productos y las personas no pueden encontrar alimentos u otros artículos esenciales. Cuando hablan de pronósticos, les digo que piensen en todas las otras veces que van a un supermercado y encuentran lo que quieren. Los supermercados tienen millones de artículos y hacen pronósticos para cada uno de ellos. Empresas como Walmart y Target pronostican millones de artículos semanalmente, para que los consumidores puedan encontrar lo que quieren comprar. Cuando no hay suficiente suministro, como ahora en Texas, sorprende a las personas, pero en realidad demuestra lo bueno que es el pronóstico porque la mayor parte del tiempo pueden encontrar lo que quieren.
Spyros Makridakis: Absolutamente, Kieran. El pronóstico ha sido moldeado de muchas maneras por el trabajo que he realizado. Cuando comencé como joven profesor, el panorama era bastante diferente. Realizamos el primer estudio sobre qué tan precisos podían ser los diferentes métodos de pronóstico. Lo que encontramos sorprendió a los estadísticos de la época. Presenté los resultados en Londres en la Royal Statistical Society y todos me atacaron, diciendo que encontramos estos resultados porque éramos inexpertos en pronósticos. Encontramos que los métodos muy simples eran más precisos que los sofisticados, y si se combinaban más de un método, la precisión mejoraba. Ambos hallazgos eran anatema para los estadísticos de esa época, quienes creían que se podía encontrar el mejor método y que los métodos más sofisticados serían más precisos. Pero ahora, las nuevas técnicas utilizan deep learning para pronosticar 500 modelos diferentes y luego toman la mediana de ellos, que encuentran como el mejor pronóstico.
Kieran Chandler: Joannes, la competencia M5 es una en la que participaste no hace mucho tiempo. Desde la perspectiva de un proveedor, ¿qué significa para ti la competencia M5?
Joannes Vermorel: La competencia M5 es bastante divertida. Es una de esas pocas oportunidades en las que podemos mostrar nuestras habilidades de pronóstico 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 a todos a la entrevista de hoy. Hoy tenemos a Joannes Vermorel, el fundador de Lokad, y a Spyros Makridakis, profesor en la Universidad de Nicosia, Director del Instituto para el Futuro y Profesor Emérito de Ciencias de la Decisión en INSEAD. Joannes, participaste en las Competencias M, ¿puedes contarnos más al respecto?
Joannes Vermorel: Sí, las Competencias M son eventos reconocidos a nivel mundial en los que las personas compiten en función de su habilidad, a diferencia de las ferias comerciales que se centran principalmente en el marketing. Lo interesante es que en las 100 principales empresas, ninguno de nuestros mayores competidores estuvo presente, independientemente de si estaban mirando un lado de la competencia o el otro. Esto es sorprendente porque lo que venden es pronóstico. Entonces, hay una gran desconexión entre lo que sucede durante una prueba real y las cuotas de mercado típicas observadas en este mercado. Otra cosa de 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 utilizando un modelo paramétrico muy simple con solo tres simplicidades: día de la semana, inicio y fin del mes, y semana del año. Utilizamos ESSM y logramos resultados con una precisión del 1% del mejor modelo, que utilizaba árboles de refuerzo de gradiente y un esquema masivo de aumento de datos. Lo interesante es que utilizamos solo el 0.001 de la complejidad. Creo que esto demuestra que los 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 pronóstico, como tener una mejor comprensión de la estructura de la incertidumbre en sí misma, también son importantes. Eso es lo que se trata de los pronósticos probabilísticos, y en Lokad hemos estado trabajando duro en esto durante casi una década.
Spyros Makridakis: Tienes razón, Joannes. En la primera Competencia M, los métodos estadísticos simples fueron más precisos que los sofisticados. En la competencia M5, encontramos que los métodos simples de aprendizaje automático fueron más precisos que los métodos sofisticados de aprendizaje automático, como el deep learning. Los principales competidores en los desafíos de precisión e incertidumbre utilizaron métodos simples de aprendizaje automático, y fueron los más precisos y efectivos en la predicción de los datos de Walmart. Uno de los aspectos interesantes de la competencia M5 es que todos están utilizando técnicas de pronóstico basadas en computadora.
Kieran Chandler: Y eso ahora es estándar en la industria, pero si retrocedemos a cuando comenzaste, Spyro, cuando comenzaste como profesor, eso fue antes del amanecer de las computadoras. Entonces, ¿cómo cambió la introducción de las computadoras la forma en que hacías las cosas? ¿Qué oportunidades te brindó?
Spyros Makridakis: Bueno, las oportunidades son que simplificaron las cosas. En el pronóstico, hay dos partes: una es ajustar lo que sucedió en el pasado, que es lo fácil. Antes de que comenzara la competencia, la gente estaba ajustando demasiado el pasado, pensando que el futuro sería exactamente como el pasado. No existía la idea de separar los datos de pronóstico en una parte de entrenamiento y una parte de prueba. Así que tratamos de predecir de la manera más precisa posible, no la parte de entrenamiento, sino la parte de prueba, es decir, el futuro. Porque el futuro no es exactamente como el pasado, cambia, y la idea ahora es que no queremos ajustar demasiado el pasado porque habrá algunos cambios entre el pasado y el futuro. Así que tratamos de averiguar cómo se van a producir estos cambios y usarlos para predecir de manera más precisa en el futuro. Esta es una diferencia muy grande porque en el pasado no lo estaban considerando; pensaban que el futuro sería exactamente como el 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 pronóstico a lo largo de las décadas si miramos hacia atrás?
Joannes Vermorel: Creo que lo que Spyros Makridakis está señalando es fundamental. Existe esta aparente paradoja de que quieres ser preciso en los datos que no tienes. Eso es algo muy desconcertante cuando lo piensas, porque naturalmente, obviamente, cuando quieres medir la precisión, por definición, vas a medir la precisión en función de los datos que tienes, pero eso no es lo que quieres hacer. Este problema se ha abordado en parte a fines del siglo XX con la teoría de Vapnik y Chervonenkis. Es una teoría muy abstracta que dio origen a las máquinas de vectores de soporte, que son muy complejas. Comenzaron a formalizar la idea de que tienes el error empírico y el error estructural. El error estructural es, y básicamente, la idea es que quieres minimizar el error real, el error real se define como el error que estás a punto de cometer en datos que no tienes. Necesitas minimizar tanto el error estructural como el error empírico, y de eso se trata las máquinas de vectores de soporte. Las máquinas de vectores de soporte tienen una perspectiva muy teórica. Se han implementado y han tenido grandes éxitos como técnica de aprendizaje automático en un par de campos. Creo que su contribución más importante fue aclarar, desde una perspectiva más teórica, lo que estaba sucediendo. Y luego, cuando realmente quieres obtener resultados reales, creo que recurrir a esas competencias donde realmente te reservas una parte de los datos para lo real es probablemente la mejor manera de obtener pronósticos precisos.
Kieran Chandler: Para tener, diría yo, una metodología muy limpia, ¿cómo varía el enfoque que tomas en un escenario de prueba, que está muy basado en la competencia, de lo que estarías haciendo en el mundo real? Quiero decir, en el mundo real, tienes acceso a todos los datos todo el tiempo, y eso te da este fuerte sesgo metodológico que el profesor Makridakis señaló. Es increíblemente tentador tener algo que se ajuste a los datos, ya sabes.
Spyros Makridakis: Eso es lo que solían hacer en el pasado. La famosa metodología de Box-Jenkins consistía en ajustarse lo mejor posible en el pasado, y por eso perdía ante todos los métodos simples que no se ajustaban muy bien en el pasado pero predecían de manera más precisa en el futuro. Si te ajustas demasiado, entonces pierdes la esencia del pronóstico. El futuro nunca es exactamente como el pasado.
Joannes Vermorel: Exactamente. Y uno de los ejemplos desconcertantes fue cuando comencé Lokad. Los clientes solían sorprenderse mucho cuando veían una serie de tiempo increíblemente errática, por ejemplo, el consumo de alcohol en hipermercados, un producto muy errático con picos. Cuando estábamos haciendo pronósticos clásicos durante los primeros años de Lokad, donde aún no estábamos haciendo pronósticos probabilísticos, estábamos haciendo pronósticos clásicos. Para esas series de tiempo súper erráticas, mostraría un pronóstico que era mucho más suave que la serie de tiempo original. La mayoría de mis competidores podían exhibir series de tiempo de pronóstico que eran tan erráticas, exactamente tan erráticas, como la serie de tiempo original. Los clientes estaban, y tuve muchos debates con mis prospectos que aún no eran clientes, que simplemente no creían que este pronóstico súper suave pudiera ser correcto porque era tan diferente a la serie de tiempo histórica que era súper errática y con picos. Mientras que mis competidores mostraban pronósticos muy picudos, podían mostrar y exhibir pronósticos muy picudos que se parecían mucho a los datos históricos.
Kieran Chandler: Entonces, Spyros, una de las cosas que me intriga mucho es cómo ha cambiado la percepción hacia el pronóstico a lo largo de tu carrera. ¿Cuándo ocurrió ese cambio hacia que el pronóstico se vea como una ciencia y cuándo se aceptó más en el ámbito general?
Spyros Makridakis: Bueno, llevó tiempo. Al principio, los estadísticos clásicos usaban lo mismo que te estaban diciendo cuando te decían que lo importante es seguir las fluctuaciones de la serie. Pero eso no es cómo se pronostica. Llevó tiempo darse cuenta de 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 intentes ajustarte demasiado al pasado, sino tratar de tener 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 pronóstico, tenemos que mirar la incertidumbre en nuestras predicciones. A mucha gente no le gusta en absoluto porque, psicológicamente, no es algo muy bueno hablar de incertidumbre, decir que voy a pronosticar pero tengo incertidumbre.
Kieran Chandler: Joannes, ¿qué tan inexactos dirías que son tus pronósticos? Los clientes a menudo me dicen que afirmas enfocarte pero también admites que no puedes pronosticar debido a mucha incertidumbre en el futuro.
Spyros Makridakis: Esa es la realidad, no se puede evitar ser realista. Introduce esta especie de idea de un nivel de confianza en tu pronóstico. Johannes, ¿dirías que la percepción ha cambiado tanto que las personas esperan demasiado del pronóstico y esperan que sea infalible?
Joannes Vermorel: Esa es una pregunta interesante. He estado en la feria comercial de la National Retail Federation en Nueva York varias veces, y lo que vi es que la mayoría de mis competidores frecuentemente hacían afirmaciones completamente extravagantes de tener un 99% de precisión en el comercio minorista. Francamente, ni siquiera sé qué significa tener un 99% de precisión en hipermercados, donde la mayoría de los productos se venden en pequeñas cantidades diariamente. Es ridículo pensar que sabrías, hasta la última unidad, si alguien va a elegir un producto, mientras que esa persona ni siquiera puede saberlo. He visto a muchos proveedores tratando de vender la idea de que se pueden tener pronósticos increíblemente precisos en todas partes, lo cual no es absolutamente cierto. Utilizan el aura de ciencia que el pronóstico estadístico ha ganado en otras áreas, como la demografía, el consumo de electricidad y el consumo de agua, donde la cantidad de incertidumbre es comparativamente muy baja, para afirmar que pueden lograr el mismo nivel de precisión en hipermercados, lo cual no es del todo cierto. 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 pronósticos es que sus expectativas son demasiado altas porque los consultores intentan venderles pronósticos en los que tienen demasiada confianza, y este es uno de los mayores problemas. Por lo tanto, parte de lo que tenemos que hacer en el campo es decir: “Mira, no podemos ser profetas. Nuestros datos, especialmente en cosas como el comercio minorista, nos dicen que la incertidumbre es muy grande, y tenemos que hacer algo al respecto”. No hablamos solo de la incertidumbre normal; también tenemos incertidumbre que es fatal, como los famosos eventos de cisne negro de Nassim Taleb que destruyen muchos de nuestros pronósticos y crean problemas como los que ha causado la pandemia. También debemos tener esto en cuenta; no se puede evitar la incertidumbre.
Kieran Chandler: Johannes, ¿estás de acuerdo con eso? Hemos hablado un poco en el pasado sobre consultores que llegan y prometen un poco demasiado en los pronósticos.
Joannes Vermorel: Sí, estoy de acuerdo. Lo que fue realmente difícil acerca del pronóstico probabilístico no fue la técnica para producirlo, sino manejar las expectativas que habían sido establecidas demasiado altas por los consultores que prometieron demasiado.
Kieran Chandler: Entonces Joannes, has hablado sobre la importancia del pronóstico probabilístico e inyectar supuestos estructurales. ¿Puedes explicar un poco más sobre eso?
Joannes Vermorel: Ciertamente. Las probabilidades, esto no es tan difícil. Lo difícil fue transmitir la aceptación de que sí, Lokad iba a por pronósticos probabilísticos. No porque nuestros pronósticos fueran malos. Creo que incluso si al principio no éramos los mejores en esas competiciones, ciertamente no estábamos, ya sabes, clasificándonos muy alto. El problema no era que tuviéramos pronósticos malos, y era tener una aceptación de que hay cosas que están más allá de nuestro control. Y lo interesante acerca de esos eventos extremos es que de repente tienes algo donde es muy, muy difícil confiar en tu DR. Y eso es algo que, nuevamente, es de mucho interés para mí. Es que al mantener tu modelo de pronóstico no-extremo, digamos, simple, tienes algo donde puedes, con un grado de subjetividad, pero si tienes un modelo de pronóstico simple y relativamente manejable, puedes inyectar supuestos estructurales para básicamente inyectar esta dosis de eventos súper raros y súper extremos.
Kieran Chandler: Ya veo, ¿y cómo ayuda eso en la optimización de la cadena de suministro?
Joannes Vermorel: Eso es básicamente lo que estamos haciendo en Lokad. Por ejemplo, cosas como las pandemias, no podemos pronosticar las pandemias. Pero lo que podemos hacer, y eso ni siquiera es muy complicado de hacer, es decir, “bueno, puedo inyectar un supuesto para decir que hay una probabilidad anual del dos por ciento, digamos, de que habrá una disminución del 50 por ciento que afecte a la empresa”. No sé por qué, solo sé que es una suposición razonable. Es subjetivo, ya sabes, ¿por qué dos por ciento, por qué dos por ciento de una disminución 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 pronóstico, incluso si es bastante inexacto, ya sabes, en términos de cuantificación es muy vago. Lo que sucede es que cuando construyes tu optimización de la cadena de suministro sobre eso, diriges la decisión hacia cosas que son mucho más robustas contra esos eventos extremos sin invertir demasiado dinero en ello. Entonces, lo interesante es que y eso es lo que hacemos, mantenemos esos modelos de pronóstico simples para que podamos inyectar esos supuestos estructurales que son, digamos, muy inventados, aunque sean razonables. No son precisos, pero la consecuencia de eso es que puedes tener al final del día decisiones de cadena de suministro que terminan teniendo mucha más resiliencia con respecto a cosas que suceden con poca frecuencia. Y el proceso es bastante simple, pero en la práctica, lleva mucho convencer a las personas de que entiendan esos cisnes negros. De hecho, a menudo recurro a “Por favor, lee el trabajo de Nassim Taleb”, pero es difícil convencer a un prospecto de que quieres darle, ya sabes, un libro de 600 páginas escrito por otro gran pensador griego de Nassim Taleb.
Spyros Makridakis: Joannes, ¿puedo hacer una pregunta? Porque me parece que estás inyectando supuestos estructurales, lo cual podría verse como sesgo en tus modelos de pronóstico. ¿Crees que este sesgo puede ser perjudicial para la precisión de tus modelos de pronóstico?
Joannes Vermorel: Sí, esa es una muy buena pregunta, Spyros. Hay dos cosas en eso. Primero,
Kieran Chandler: Spyros, has estado medio siglo involucrado en la industria. ¿De qué estás más orgulloso cuando miras hacia atrás en tu carrera?
Spyros Makridakis: Bueno, estoy más orgulloso del hecho de que proporcionamos evidencia empírica sobre lo que funciona y lo que no en el pronóstico. No es solo hablar, 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 decirte 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 pronósticos son inciertos, hay riesgo y necesitamos hacer algo para anticipar este 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 en el próximo episodio.
