00:00:07 Introducción de Warren Powell y el tema del día.
00:00:36 Antecedentes de Warren Powell y su trabajo en Princeton y Casa Labs.
00:02:00 El tema de la discusión - incertidumbre en la gestión de supply chain.
00:03:05 Comparación entre el transporte de carga completa y la gestión de supply chain.
00:06:00 El concepto de toma de decisiones secuencial en la gestión de supply chain.
00:09:01 KPIs, indicadores clave de rendimiento, y ejecución de simulaciones en un supply chain.
00:10:00 La necesidad de una regla de toma de decisiones para ejecutar simulaciones y evaluar el rendimiento de la empresa.
00:11:51 Uso de simulaciones para determinar la mejor decisión para una empresa.
00:13:03 La dualidad entre forecast probabilístico y un modelo generativo.
00:15:17 El desafío de implementar estas ideas en el campo, la dificultad del aprendizaje por refuerzo, y el potencial del deep learning.
00:18:00 Discusión sobre la necesidad de aceptar la complejidad y desarrollar algoritmos de machine learning que puedan tomar decisiones basadas en políticas.
00:18:26 Explicación de cómo los humanos también utilizan políticas para tomar decisiones.
00:19:37 Importancia de las simulaciones por computadora para la gestión de supply chain y su papel irremplazable.
00:22:17 Explicación de las cuatro clases fundamentales de métodos para tomar decisiones.
00:24:00 Crítica de los métodos actuales de forecast utilizados por las grandes marcas de moda y la necesidad de tener en cuenta la canibalización y la sustitución.
00:26:01 Discusión sobre el impacto de los descuentos y las ventas en el comportamiento del consumidor y cómo afecta a las empresas.
00:27:08 Comparación entre el uso de modelos matemáticos y la intuición para tomar decisiones empresariales.
00:29:44 Explicación de la importancia de la confianza en los forecast basados en políticas.
00:30:32 Explicación de la necesidad de contar con personas con conocimientos para entender el problema y observar las métricas adecuadas.
33:37 Reflexiones finales sobre el futuro de la gestión de supply chain y la necesidad de herramientas y ingenieros de supply chain.
Resumen
La entrevista entre Joannes Vermorel, fundador de Lokad, y Warren Powell, Profesor en la Universidad de Princeton y cofundador de Optimal Dynamics, profundiza en las complejidades e incertidumbres de supply chain management y decision-making. Los expertos comparten sus experiencias en el campo y ofrecen ideas sobre cómo abordar estas complejidades a través de la modelización matemática y las simulaciones. Enfatizan la importancia de las políticas y las simulaciones para la toma de decisiones estratégicas, tácticas y operativas en supply chain management, mientras destacan las limitaciones de los métodos de forecast. La entrevista concluye con una discusión sobre el futuro de los métodos basados en políticas en la gestión de supply chain y la necesidad de contar con ingenieros de supply chain calificados.
Resumen Ampliado
En la entrevista, Kieran Chandler dirige una discusión entre Joannes Vermorel, fundador de Lokad, y Warren Powell, Profesor en la Universidad de Princeton y cofundador de Optimal Dynamics. Abordan las complejidades e incertidumbres involucradas en la gestión de supply chain y la toma de decisiones.
Warren Powell comparte su experiencia en el campo, habiendo fundado Castle Labs, una colaboración única entre la universidad y la industria que aborda problemas del mundo real. Comenta cómo su trabajo temprano en el transporte de carga completa trucking lo expuso a los desafíos de planificar para factores inciertos.
Joannes Vermorel profundiza en el problema central de la toma de decisiones secuencial en supply chain, donde las decisiones presentes están fuertemente influenciadas por las decisiones futuras. Compara este proceso con jugar ajedrez, donde cada movimiento debe ser considerado en el contexto de los movimientos subsecuentes. Vermorel reconoce que modelar matemáticamente estos problemas puede ser complejo y desconcertante.
Warren Powell explica que medir la efectividad de la toma de decisiones en supply chain implica el uso de indicadores clave de rendimiento (KPIs) para evaluar el impacto de las decisiones en el costo y la productividad. Sugiere que las simulaciones pueden ayudar a navegar la naturaleza caótica e impredecible de la gestión de supply chain, ya que los modelos deterministas pueden no ofrecer soluciones precisas.
La entrevista explora los desafíos de gestionar las incertidumbres y tomar decisiones efectivas en supply chain, donde cada decisión está interconectada con decisiones futuras. Los expertos discuten sus experiencias en el campo y ofrecen perspectivas sobre cómo abordar estas complejidades mediante la modelación matemática y las simulaciones.
La conversación comenzó con una comparación entre la optimización de supply chain y jugar ajedrez contra un oponente impredecible, sugiriendo que el uso de simulaciones puede ayudar a tomar mejores decisiones. Powell explicó que las políticas o reglas de toma de decisiones pueden utilizarse junto con simulaciones para evaluar rápidamente el rendimiento de la empresa utilizando una variedad de métricas.
Vermorel estuvo de acuerdo, enfatizando la importancia del forecast probabilístico y de los modelos generativos, que pueden utilizarse ambos para la optimización de supply chain. Discutió la dualidad entre estos dos enfoques y destacó que la elección entre ellos depende del problema específico que se esté abordando.
Tanto Vermorel como Powell coincidieron en la importancia de utilizar políticas conjuntamente con simulaciones para optimizar supply chain las decisiones. Las políticas son reglas abstractas que pueden tener parámetros que se pueden aprender y aplicar. Vermorel señaló la dificultad de aplicar estos conceptos en situaciones del mundo real, ya que ha habido décadas de investigación con éxitos numéricos limitados.
Vermorel también señaló que los recientes avances en deep learning y en métodos de optimización, como el gradient descent estocástico, han mejorado la aplicabilidad de la toma de decisiones basada en políticas en entornos complejos. Estas técnicas funcionan bien en ambientes ruidosos y con un gran número de variables, lo que las hace adecuadas para problemas de optimización de supply chain en el mundo real.
Powell mencionó que los humanos también utilizan políticas o métodos al tomar decisiones y que existen cuatro clases fundamentales de métodos para la toma de decisiones. Citó el ejemplo de Google Maps como una política de anticipación, que podría ser útil en el contexto de supply chain largas.
Powell enfatiza la necesidad de las simulaciones para tomar decisiones estratégicas, tácticas y operativas en la gestión de supply chain. Debido a los largos plazos y a la compleja naturaleza de supply chain, el método de ensayo y error no es factible para probar ideas. Las simulaciones, aunque imperfectas, ofrecen una mejor alternativa. Destaca la importancia de comprender las decisiones que se están tomando, las métricas de evaluación, las fuentes de incertidumbre y el proceso de toma de decisiones.
Vermorel, sin embargo, adopta la postura del abogado del diablo al plantear preocupaciones sobre la credibilidad de los métodos numéricos. Está de acuerdo en que las simulaciones son más efectivas que reuniones interminables, pero señala que muchos modelos matemáticos sofisticados pueden ser contextualmente ingenuos. Cita a la industria de la moda como ejemplo, donde los point forecasts a menudo ignoran factores cruciales como la canibalización y la sustitución. Enfatiza que la intuición suele ser más precisa al tratar con modelos ingenuos.
Vermorel argumenta además que los gerentes deberían adoptar un enfoque más comprensivo hacia la modelación, considerando heurísticos y abrazando el problema. Mientras tanto, Powell reconoce que una modelación sutil es esencial para el éxito, ya que los modelos simplistas pueden pasar por alto factores importantes, lo que conduce a errores potencialmente significativos.
Tanto Vermorel como Powell coinciden en que, si bien las simulaciones por computadora y los modelos avanzados son cruciales para la optimización de supply chain, es igualmente importante tener una comprensión profunda del problema en cuestión y desarrollar modelos que reflejen con precisión las complejidades del supply chain en el mundo real.
La discusión gira en torno a las limitaciones de los point forecasts y las ventajas de los métodos de forecast basados en políticas.
Los participantes argumentan que los métodos tradicionales de forecast, que dependen en gran medida de la intuición y no logran tener en cuenta la multitud de variables, a menudo resultan en un exceso o insuficiencia de inventario. Los point forecasts tienden a producir inventarios muy reducidos, lo cual han aprendido que no es óptimo. En cambio, sugieren que ser realista, inteligente y hacer las preguntas adecuadas conducirá a una mejor toma de decisiones.
También se discute el desafío de lograr que las personas confíen y visualicen los beneficios del forecast basado en políticas. En la industria del transporte de carga, se utilizan forecast probabilísticos para simular diversos escenarios, que luego se evalúan en función de los Indicadores Clave de Rendimiento (KPIs) para determinar si parecen razonables. Este proceso ayuda a generar confianza en el método.
Tanto Vermorel como Powell subrayan la importancia de contar con ingenieros de supply chain que posean un conocimiento profundo del problema y habilidades en programación. Coinciden en que el mejor enfoque es utilizar una multitud de métricas para identificar áreas donde las decisiones puedan ser incorrectas, costosas o ineficientes. Es importante centrarse en los casos atípicos, ya que a menudo pueden tener consecuencias significativas.
Abordan las limitaciones del costo promedio y los point forecasts, enfatizando la necesidad de ingenieros de supply chain en lugar de data scientists o ingenieros de software. Creen que los métodos basados en políticas, que tienen en cuenta la incertidumbre y el riesgo, impulsarán el futuro de la gestión de supply chain, respaldados por capacidades informáticas cada vez más avanzadas.
La entrevista concluye con una discusión sobre el futuro de los métodos basados en políticas en la gestión de supply chain. Powell cree que los point forecasts se volverán obsoletos, ya que no representan con precisión el mundo real. Los avances en la tecnología informática y la creciente capacidad para manejar la incertidumbre harán que los métodos de forecast basados en políticas sean más efectivos y predominantes.
La entrevista resalta las limitaciones de los métodos tradicionales de forecast y enfatiza las ventajas del forecast basado en políticas, al tiempo que subraya la importancia de contar con ingenieros de supply chain capacitados y utilizar una variedad de métricas para una toma de decisiones efectiva.
Transcripción Completa
Kieran Chandler: Hoy en Lokad TV, nos complace contar con la presencia de Warren Powell, quien va a discutir con nosotros la diferencia entre políticas y point forecasts y cómo estos pueden ser utilizados para optimizar esas decisiones de catch-22. Así que Warren, muchas gracias por acompañarnos en vivo desde Estados Unidos hoy, y como siempre, nos gusta comenzar conociendo un poco más a nuestros invitados. Quizás podrías empezar contándonos un poco sobre ti mismo.
Warren Powell: Bueno, ante todo, gracias por invitarme al programa. Realmente he disfrutado haciendo lo que hago y aprecio la oportunidad de hablar sobre ello. Enseñé en Princeton durante 39 años, y hace aproximadamente 30 años, fundé este laboratorio llamado Castle Labs. Hice mucho trabajo con la industria y comencé en el transporte de carga. Ahora bien, los académicos reciben mucho dinero de los gobiernos y demás, pero nuestra principal fuente de financiamiento provenía de la industria. También me di cuenta de que una de las debilidades del financiamiento gubernamental era que no disponían de datos; en realidad, no tenían un problema. Así que desarrollé esta colaboración única entre la universidad y la industria a través de Castle Labs, trabajando con la industria y abordando sus problemas. Existía un interés temprano en utilizar computadoras para ayudar a manejar las empresas de manera más eficiente, por lo que el laboratorio fue muy exitoso, creció rápidamente, y tuve la suerte de contar con una gran cantidad de estudiantes. Creo que terminé graduando a unos 60 posgraduados y postdoctorados, y los señalaré como la principal fuente de, creo, escribimos cerca de 250 publicaciones. Eso fue en gran parte el trabajo de los estudiantes. Inicié tres firmas de consultoría, la más reciente es Optimal Dynamics, con la que todavía estoy involucrado. De hecho, me jubilé el año pasado para involucrarme a tiempo completo en Optimal Dynamics. Es una oportunidad muy emocionante.
Kieran Chandler: Suena genial, y hoy nuestro tema trata sobre optimizar aquellas decisiones que tomas dentro de un supply chain. Quizás podrías comenzar contándonos ¿cuáles son los tipos de incertidumbre que puedes observar en la gestión de supply chain?
Warren Powell: Bueno, debo dar un poco más de contexto, que es que mis proyectos más tempranos fueron en el transporte de carga completa, y lo que se introdujo en el transporte de carga completa vino de una gran empresa llamada Schneider National. Ya tenían modelos computacionales que planificaban el futuro de manera determinista, y decían, “Mira, el transporte de carga completa no es determinista. No sabemos qué va a pasar mañana. No sabemos qué va a pasar hoy.” Y descubrí que la comunidad académica no había aprendido realmente cómo modelar estos problemas y resolverlos en computadoras. Así que inició varias décadas en las que simplemente me preguntaba, “Bueno, ¿cómo podemos siquiera pensar en este problema?” porque la comunidad académica realmente no lo tenía resuelto.
A medida que he pasado del transporte de carga en camión, que es grande y complicado, a la gestión de supply chain, he descubierto que esta última no es ni de lejos tan complicada como la supply chain. Así, con los transportistas de camiones, el problema principal es si el remitente llamará para una carga o no, cuántas cargas tengo que mover, y además hay algunas otras fuentes de incertidumbre, como si el conductor se presenta y si se queda atrapado en el tráfico. No se compara en la misma escala que las supply chains. Así que, en las supply chains, te involucras, y en el transporte de carga en camión, podrías estar tomando decisiones con aproximadamente una semana de anticipación.
Kieran Chandler: A dos en el futuro, la mayoría tiende a ser de tres o cuatro días. Las supply chains pueden extenderse hasta 100 días, 150 días. Pedir productos desde China puede llevar varios meses. En esos meses, pueden ocurrir eventos importantes, tormentas severas, problemas políticos, problemas laborales y shortages de commodities. Mucho de esto nos está pasando hoy. El proveedor tiene mucha incertidumbre en cuanto a cuánto tiempo tarda el fabricante en China en construir realmente el producto que estás solicitando. Puede que tenga que poner en marcha una línea de manufactura y alinear sus partes y suministros. Luego lo cargas en el buque, y el buque puede tardar 30 días, pero podría tardar 35 o 36 dependiendo de tormentas y del clima. Pueden haber retrasos en el puerto. Cuando el producto finalmente se descarga del barco, hay el proceso de descarga. Tienes que trasladarlo a un ferrocarril o a un camión. Luego, cuando finalmente llega, debes examinarlo y decir: ¿la calidad fue aceptable? Es, en fin, una liturgia de diferentes formas de incertidumbre.
Kieran Chandler: Sí, y Joannes, eso es lo que vamos a discutir con un poco más de detalle hoy. Lo que Warren estaba discutiendo allí es la amplia variación en los plazos. ¿Por qué es interesante eso? ¿Qué significan esas diferencias en los períodos de tiempo desde, quizás, una perspectiva más técnica?
Joannes Vermorel: Creo que el trabajo de Warren es muy interesante, pero quizá por un aspecto ligeramente diferente, que es el proceso de toma de decisiones secuenciales. Las incertidumbres son un poco una cuestión de tecnicismo, pero el núcleo del problema es comenzar a pensar siquiera en esas decisiones secuenciales que se toman en serie. El truco es que el futuro está moldeando el pasado, lo cual se siente un poco extraño. La decisión que quieres optimizar en este momento en realidad depende de la decisión que tomarás más adelante. Si la decisión que estás tomando ahora es buena o no, depende en gran medida de la decisión que se tomará posteriormente.
Joannes Vermorel: Para clarificar este tipo de situación, supongamos que haces un pedido a un proveedor extranjero con una cantidad mínima de pedido (MOQ), y solicitas toneladas de productos a este proveedor, de modo que alcanzas un contenedor completo. Ahora bien, lo que sucede es que estás realizando un pedido, y el contenedor puede contener cientos de productos diferentes. ¿Es un buen pedido? Bueno, depende. Depende de cuándo realmente hagas el pedido para los siguientes contenedores. Verás, la cuestión es que, si se te agota un producto apenas unos días después de pedir tu contenedor, podrías tener un faltante de stock para ese producto. ¿Puedes hacer otro pedido a tu proveedor? No, realmente no, porque este producto, por sí solo, representa solo una pequeña fracción de un contenedor completo. Entonces, estás atrapado. Estás atrapado con el hecho de que has pedido un contenedor completo, y tienes que esperar hasta tener una capacidad de pedido que sea conveniente, que sea compatible con volver a pedir un contenedor completo.
Kieran Chandler: Y así, la decisión que estás a punto de tomar, ¿es la correcta? Depende de cuándo tomarás tu próxima decisión. La realidad en el supply chain y en la interacción en muchas áreas es que, cuando comienzas a pensar en lo que realmente significa tomar una buena decisión, tiene que ser una decisión que se complemente bien con una decisión que se tomará más adelante. Es como si estuvieras jugando al ajedrez; no se trata de si hice el movimiento correcto en este momento. Solo tiene sentido decir que este es un buen movimiento con respecto a todos los otros movimientos que están a punto de jugarse. Eso es lo que significa. Y luego, la cuestión es que, de repente, el problema se vuelve muy difícil incluso de abordar matemáticamente, porque estás pensando: “De acuerdo, tengo una decisión, y puedes pensar que tengo diferentes cantidades entre las que puedo elegir.” Pero luego tienes una especie de perspectiva recursiva en la que tienes que pensar en todas las decisiones futuras que aún no se han tomado, y te preguntas: “Quiero optimizar esta decisión que todavía no he tomado, mi decisión, y sin embargo tengo que tener en cuenta futuras decisiones que tampoco se han tomado aún.” Ya ves, tienes este problema del huevo y la gallina, y matemáticamente es difícil y desconcertante. Creo que parte del proceso del trabajo de Warren Powell fue, de hecho, consolidar un corpus de marcos matemáticos y enfoques para que incluso puedas empezar a pensar numéricamente en esos problemas de maneras consistentes. Realmente me gusta esa analogía de que es algo similar al ajedrez y muy dependiente de lo que la otra persona quizá esté haciendo y de lo que ocurra en el mundo.
Warren Powell: Bueno, todas las empresas tienen formas de medir el desempeño. Las llaman KPI, los índices clave de desempeño. Así que tienen todas sus métricas sobre costo, productividad. Las empresas tienen docenas y docenas, y a veces cientos de estas métricas. Utilizas estas mismas métricas. Lo que solemos hacer es ejecutar simulaciones. Sería agradable si tuviéramos un mundo determinista. Imagina Google Maps, donde en cierto modo pretendemos conocer todos los tiempos de viaje, para ver todo el trayecto hacia el destino. Las supply chains son demasiado desordenadas. Se extienden demasiado, y hay demasiadas cosas aleatorias que pueden suceder, por lo que no es un solo camino; son muchos. Entonces, en lugar de mirar al futuro y pensar que vas a saber exactamente lo que sucederá, la analogía del ajedrez es útil. Pero si juegas contra un jugador de ajedrez experto, tienden a ser muy predecibles. Imagina que están jugando contra un jugador de ajedrez menos experto. Eso es un poco más aleatorio, porque se comportan de manera impredecible. El problema se vuelve en realidad mucho más complicado. Pero para mantenerlo simple, imagina que la computadora puede simplemente ejecutar simulaciones. A medida que nos adentramos en el futuro, necesito tener una regla, o me gusta llamarla una política, un método para tomar una decisión que me dirá qué decisión voy a tomar, sin importar lo que suceda. Entonces, puedo ejecutar estas simulaciones, y cada vez que llegue a un punto, digamos un mes en el futuro, y necesite tomar una decisión, tengo alguna regla. Las computadoras pueden realizar estas simulaciones muy rápidamente. Podemos ejecutar 100 escenarios diferentes hacia el futuro en paralelo.
Kieran Chandler: Comencemos con cómo una empresa puede usar métricas para evaluar su desempeño. Cuando se trata de tomar decisiones, como si realizar un pedido y de qué tamaño debe ser el pedido, ¿cómo pueden las empresas simular estas decisiones y sus posibles resultados?
Warren Powell: Para tomar estas decisiones, las empresas pueden utilizar simuladores para analizar las métricas y determinar la mejor decisión para el momento presente. Podemos usar una regla para tomar una decisión ahora, pero también necesitamos usar simuladores para afinar esa regla y asegurarnos de que funcione de la mejor manera, considerando no sólo el presente sino también el futuro. Para problemas más simples, como el control de inventario, una política simple de “pedido hasta” puede funcionar bastante bien. Sin embargo, para problemas más complejos, como cuándo realizar un pedido de una carga de un camión desde China que llegará dentro de 90 días, la decisión tiene que tener en cuenta factores como los pedidos previos, eventos conocidos como huracanes y otros factores desconocidos. Podemos simular estos escenarios y evaluar las opciones en función de las mejores métricas para el futuro. Esencialmente, se trata de simular y operar tu empresa de la manera en que normalmente lo harías y evaluarla en consecuencia.
Kieran Chandler: Johannes, ¿cuáles son tus pensamientos sobre este enfoque de política? ¿Realmente funciona la simulación a tus ojos?
Joannes Vermorel: Sí, estoy completamente de acuerdo en que la simulación funciona. En lo que se refiere al forecast, el enfoque moderno es pensar en el forecast probabilístico. Existe una dualidad entre los forecasts probabilísticos y los modelos generativos. Los forecasts probabilísticos te proporcionan las probabilidades de ciertos futuros, que pueden ser muestreados para obtener ejemplos de futuros posibles. Los modelos generativos, por otro lado, generan futuros que, al promediarlos, te dan las probabilidades de tu modelo holístico. Esencialmente, estos modelos son dos formas diferentes de ver lo mismo. La elección entre ellos es más una cuestión de tecnicismos y de lo que resulte más apropiado para la resolución numérica de tu problema.
Warren Powell: Exacto, y la esencia clave del truco matemático para optimizar decisiones secuenciales es desenredar las decisiones de hoy y de mañana. En lugar de centrarnos en la decisión en sí, necesitamos aprender el mecanismo de toma de decisiones. Este mecanismo puede tener muchos parámetros que pueden optimizarse.
Kieran Chandler: Joannes, ¿podrías explicar cómo pueden ajustarse las políticas y cuál es su papel en la optimización del supply chain?
Joannes Vermorel: Una política es fundamentalmente una regla abstracta con parámetros que pueden aprenderse de una forma u otra. La idea es confrontar tus políticas que generan decisiones. Para ello, necesitas un modelo generativo, típicamente derivado de un forecast probabilístico u otros métodos.
Kieran Chandler: ¿Cómo ayuda considerar la simulación como un forecast probabilístico en la evaluación de la precisión de una política?
Joannes Vermorel: Es interesante ver la simulación como un forecast probabilístico porque te permite considerar la precisión. Cuando la gente dice que realiza simulaciones, la gran pregunta es si la simulación ofrece una representación precisa del futuro. Para responder a esta pregunta, necesitas adoptar la perspectiva del forecast probabilístico, de modo que puedas evaluar si tu simulador proporciona una representación precisa de los futuros posibles para tu empresa.
Kieran Chandler: ¿Puedes elaborar sobre los desafíos de implementar estas políticas en el campo y el progreso logrado en la informática para superar estos desafíos?
Joannes Vermorel: El problema se vuelve en gran medida una cuestión de practicidad cuando se trata de implementar estas ideas en el campo. Aprender políticas ha sido un problema sumamente difícil desde una perspectiva numérica. Las técnicas tradicionales de aprendizaje por refuerzo a menudo tuvieron éxito solo en entornos de juguete, pero se encontraron con dificultades en problemas que involucran miles o millones de variables.
Uno de los efectos secundarios del avance en deep learning fue el desarrollo de mejores métodos de optimización matemática, como el descenso de gradiente estocástico, que funciona bien en entornos ruidosos con variables de transferencia. Estos métodos no fueron diseñados específicamente para los procesos de formulación de políticas, pero el progreso en la informática los ha hecho altamente aplicables a la optimización de políticas en entornos complejos y del mundo real. Esto incluye situaciones en las que las simulaciones involucran miles o incluso cientos de miles de unidades de mantenimiento de inventario (SKU) y se extienden cientos de días en el futuro.
Kieran Chandler: Tenemos media docena de incertidumbres entrelazadas: incertidumbre de la demanda, tiempo de entrega, precio de las commodities, canibalización, movimientos de competidores. No son muy complejos, pero están todos entrelazados. Por eso, necesitas ser capaz de abrazar este tipo de complejidad ambiental para que tu simulador no sea súper ingenuo respecto a los futuros posibles. Warren, ¿estarías de acuerdo con eso? Quiero decir, ¿cómo construirías esos algoritmos de machine learning para tomar esas decisiones basadas en políticas?
Warren Powell: Bueno, antes que nada, recordemos que los humanos también usamos políticas. Cada vez que se toma una decisión, estás usando un método. Llamémosle política, pero es un método. Todos usan un método, así que esto no es realmente nuevo. Lo que he hecho es decir que existen cuatro clases fundamentales de métodos. La política de “pedido hasta” es una de las cuatro clases; se llama evaluación de la función de política.
Tomemos Google Maps como ejemplo; esa es una política de anticipación. En la planificación de inventario, la gente tiende a usar esta simple evaluación de la función de política: cuando el pedido cae por debajo de cierto nivel, se realiza un pedido hasta cierto punto. Cuando tienes estas largas supply chains, realmente necesitas pensar en el futuro. Esa es una anticipación directa, por lo que ya hemos cubierto dos de las cuatro clases.
Estas cuatro clases simplemente articulan lo que estamos haciendo de todas maneras. Ahora, para averiguar cuál es la mejor clase, tienes que simular y ver cómo funciona a lo largo del tiempo. En una empresa de transporte en camión, podría proponer una idea, probarla durante unas semanas y ver si funciona. No se puede hacer eso con las supply chains; puede tomar casi un año ver si algo funcionará. Los plazos son simplemente demasiado largos, y por eso las simulaciones por computadora son casi irremplazables.
Sin una computadora, solo eres un grupo de personas alrededor de una mesa discutiendo y diciendo, “Oh, bueno, creo que esto es mejor,” y alguien más opina que aquello es mejor. Eso es lo que ves hoy en el mundo del supply chain: mucha gente parloteando y hablando entre sí, pero nadie tiene evidencia alguna. He pasado mi carrera en Castle Labs construyendo simuladores para la planificación estratégica, la planificación táctica y simuladores para ver el futuro y ayudarme a decidir si tomé la decisión correcta en este momento.
Sin simulaciones, ¿qué más vas a hacer? Podría probar una idea, esperar tres meses, probar otra idea, esperar otros tres meses, pero claro, los siguientes tres meses no tienen nada que ver con los primeros tres meses. No veo forma de evitar tener una computadora que diga, “Aquí hay un método para tomar decisiones, aquí hay otro método, ya sea muy distinto o ligeramente diferente, otro modo de tomar decisiones. ¿Cuál parece funcionar?” Ejecutas tus simulaciones. Las simulaciones nunca son perfectas, pero, ¿qué es mejor? Nómbrame algo que sea mejor.
El proceso en realidad es muy simple de entender. Una de las cosas más difíciles que encuentro en las supply chains es preguntarle a un profesional del supply chain qué decisiones está tomando. No puedo creer cuántas personas te mirarán con cara de confusión y dirán, “Bueno, nunca lo había pensado de esa manera.” Hay más en el supply chain que simplemente pedir inventario; hay muchas otras decisiones involucradas.
Kieran Chandler: Entonces, ¿cuáles son tus métricas? No es solo una; hay un montón de ellas. ¿Y cuáles son tus fuentes de incertidumbre? Podemos tener una larga discusión sobre eso, pero no vas a enumerarlas todas. Lo siento, estas grandes supply chains de las que hablas implican incertidumbres globales. ¿Quién iba a anticipar que ese barco se quedara atascado en el Canal de Suez o la pandemia de COVID? Pero hay muchas cosas ruidosas que se pueden anticipar, y debemos ser conscientes de que estas cosas suceden. Entonces, una vez que tienes las decisiones que estás tomando, cómo te están evaluando y las incertidumbres, ahora te queda decidir cómo tomar la decisión. Y adivina qué, hay cuatro clases de políticas, desde la orden más simple hasta la más complicada de look ahead completo. Puedes mirar hacia adelante de forma determinista, como Google Maps, o puedes mirar hacia adelante con incertidumbre.
Warren Powell: Cuando hablo con gente de negocios y usan la palabra “forecast”, tengo la sensación de que cada vez que escucho esa palabra, se refieren a un point forecast. Lo que me ha encantado de este show es que no tengo que tener esa discusión con ustedes; entienden completamente la necesidad de pensar de manera estocástica. Tienes que pensar en la incertidumbre de tu forecast, lo que significa que tienes que pensar en reglas para tomar decisiones en lugar de la decisión misma. Y todo es muy directo. Sí, necesitamos la computadora. Si no vas a usar una computadora, dime qué vas a hacer. Si tienes una idea mejor, no puedo entenderla.
Kieran Chandler: Johannes, ¿cuánta confianza podemos tener en estos enfoques basados en políticas? ¿Qué tan sólidas son estas modelizaciones matemáticas?
Joannes Vermorel: Primero, estoy de acuerdo en que el contrapunto de tener reuniones interminables de S&OP no es muy productivo. Sin embargo, uno de los problemas, y creo que es una crítica válida contra los métodos numéricos, es que, como dijo Russell Ackoff hace casi 40 años, tenemos métodos que pueden ser matemáticamente muy sofisticados pero contextualmente increíblemente ingenuos. Entonces, el problema es que necesitamos empezar a pensar en cuánta credibilidad podemos tener en esas proyecciones del futuro. La realidad es que hay muchos métodos populares que todavía se usan ampliamente en grandes supply chains y que son una basura completa. Entiendo la postura de un gerente al ver una simulación informática sofisticada que puede ser muy elaborada, pero que se pierde completamente el punto y se basa en conjeturas. Para darles un ejemplo más concreto, diría que probablemente casi cada gran marca de moda hoy en día hace forecasts, la mayoría de ellos haciendo point-wise forecasts. Entonces, tomas tus productos y tratas de tener predicciones semanales de demanda. Sin embargo, estimaría que alrededor del 0% de esas marcas de moda están teniendo en cuenta la cannibalización y la sustitución.
Kieran Chandler: Bienvenidos todos a nuestra entrevista de hoy. Tenemos dos invitados con nosotros, Joannes Vermorel, el fundador de Lokad, una empresa de software que se especializa en la optimización de supply chain, y Warren Powell, profesor en la Universidad de Princeton, cofundador y Chief Analytics Officer en Optimal Dynamics. Muchas gracias a ambos por acompañarnos. Vamos a sumergirnos en la discusión.
Joannes Vermorel: Cuando se trata de elegir un producto para comprar, a menudo simplemente tienes una corazonada y eliges uno que se ajuste a tu gusto o instinto. Puedes ver que en juego hay efectos masivos de sustitución y cannibalización. Por ejemplo, cuando entro a una tienda de moda y veo 20 camisas blancas diferentes, todas me parecen algo iguales. Acabo prefiriendo una sobre otra, pero no es como si tuviera una idea absoluta de qué código de barras quería tomar cuando entré a la tienda.
Si tienes un modelo de forecasting que ignora algo tan masivo como la sustitución, ¿cuánta confianza puedes tener en el modelo matemático? Creo que ha habido mucho escepticismo justificado porque los gerentes miran esos métodos sofisticados y preguntan: “¿Abordan algo tan básico como la sustitución?” Si la respuesta es no, ¿cómo puedes confiar en el modelo?
También necesitas considerar el impacto de los descuentos. Si empezamos a dar grandes descuentos al final de la temporada, la gente se acostumbrará a que nuestra marca ofrezca muchos descuentos, y esperarán la temporada de rebajas de la próxima colección para beneficiarse de ellos. La gente es inteligente y se adapta.
Entonces, al comparar un modelo ingenuo con la intuición, la intuición suele ser más correcta. Es mejor estar aproximadamente correcto que exactamente equivocado. Con el cuidado y entendimiento adecuados, es posible mejorar el modelo, pero requiere una simpatía mecánica y abrazar el problema para estar aproximadamente correcto.
Warren Powell: Estoy de acuerdo con tu ejemplo, Joannes. Hay dos cuestiones aquí: la aleatoriedad de elegir una camisa, que los modelos matemáticos pueden manejar bastante bien, y la modelización más sutil de los descuentos y cómo reacciona el mercado a ellos. Un modelo ingenuo podría fácilmente pasar por alto lo segundo y sugerir bajar los precios, ignorando el hecho de que, si reduces tu precio, el mercado se acostumbra a ello. Ese es un error significativo.
La gente tiene una corazonada, y los modelos más sofisticados deberían ser capaces de manejar esas sutilezas. Pero un modelo simple no lo hará. He pasado años en el laboratorio construyendo modelos que las empresas financiaban, y hemos visto que ocurren este tipo de errores cuando los modelos pasan por alto aspectos cruciales del problema.
Kieran Chandler: ¿Te importaría comentar cómo generas confianza en tus modelos, especialmente cuando trabajas en transporte de carga?
Warren Powell: Nos tomó seis u ocho años obtener un modelo en el que Norfolk Southern dijera que confiaba. Fue mucho trabajo. No puedes ignorar la sutileza de que el mercado se acostumbre a algo, es un error tan fácil de cometer. Necesitas calibrar los modelos, tener buenas estadísticas y personas con conocimientos que hagan las preguntas correctas. Sin embargo, sacar continuamente cosas de la nada va a ser difícil. Creo que hay demasiadas variables para que un humano las considere, así que una manera de cubrirlas es pedir más inventario y ocultarlo, lo cual es costoso. Si usas point forecasts, tiendes a tener inventarios muy delgados. Estamos aprendiendo que eso tampoco es lo correcto.
Kieran Chandler: Warren, volvamos a la idea de la confianza. Cuando estás construyendo estos forecasts basados en políticas, ¿cómo logras que la gente realmente visualice e se comprometa con esa visión? Porque uno de los verdaderos problemas que tuvimos en Lokad fue lograr que la gente visualizara lo que estábamos haciendo con probabilistic forecasts.
Warren Powell: En el transporte de carga, hacemos probabilistic forecasts de lo que los remitentes pueden hacer. Ejecutamos simulaciones y observamos lo que los camiones están realmente haciendo para ver si parece razonable. Juntamos métricas de cuántas veces cubrimos cargas o logramos que los conductores lleguen a casa, y examinamos los KPIs estándar que cualquier empresa usaría. Puedes hacer tu probabilistic forecast, ejecutar mil simulaciones, recopilar tus KPIs y luego preguntar si se ve razonable. Tienes que hacer una cierta cantidad de prueba y error, y se deben involucrar personas inteligentes que entiendan el problema. Ellos tienen que estar analizando los KPIs y las métricas adecuadas para determinar si se está comportando correctamente.
Kieran Chandler: Johannes, ¿cómo compararías tu recorrido con el de Warren? Parece que has tenido algunas experiencias bastante similares.
Joannes Vermorel: Sí, exactamente. En Lokad, a las personas que tienen habilidades de programación y un conocimiento profundo del problema de supply chain se les llama Supply Chain Scientists. Es cierto que no se puede abordar desde una perspectiva monolítica de una sola métrica, ya que esto suele ser muy engañoso. Cuando haces eso, terminas con algo que es muy al estilo Kaggle, y no de una buena manera, donde micro-optimizas una métrica pero luego la manipulas completamente.
Kieran Chandler: Más allá de su punto de irrelevancia, el enfoque suele ser contar con muchas métricas que ayudan a instrumentar tu configuración para que puedas identificar las áreas donde estás haciendo algo muy mal. Joannes, ¿podrías ampliar sobre esto?
Joannes Vermorel: En Lokad, lo llamamos optimización experimental. La idea es que quieres identificar la situación en la que tu modelo numérico que genera tu política va a producir decisiones muy pobres. Este es típicamente el punto de entrada para diagnosticar qué está mal. La manera de identificar esas decisiones atípicas que están omitiendo algo, como por ejemplo, pasar por alto un elefante, es mirar el problema desde muchos ángulos. Estas decisiones incorrectas pueden ser muy costosas, pero también son poco frecuentes. Si solo miras tus promedios, podrías no notarlos porque estás analizando métricas probabilísticas, que típicamente involucran promedios sobre muchas situaciones. El problema con los promedios es que pueden ocultar algo que solo sucede una vez en mil, pero que multiplica tu costo por un factor de 10. Por eso tratamos de instrumentarlo.
La clave es tener personas que sean, ante todo, ingenieros de supply chain, en lugar de ser data scientists o software engineers. Esto me lleva a la conclusión de que necesitas algún tipo de herramienta para operar con un nivel decente de productividad, pero ese es un problema completamente diferente.
Kieran Chandler: Gracias, Joannes. Warren, te dejamos la última palabra. ¿Cuáles son tus esperanzas para el futuro? ¿Puedes ver a todos usando estos métodos basados en políticas algún día?
Warren Powell: En primer lugar, dado que hoy en día todos usan métodos basados en políticas, creo que este es el camino a seguir. El Google Maps de los point forecasts, lo siento, pero simplemente no va a sobrevivir. Tienes que entender, fue el comienzo de mi carrera en 1981.
Kieran Chandler: Bienvenidos a Schneider National en ese entonces, nuestro mayor transportista de carga en los Estados Unidos y un pionero temprano en la analítica. En 1981, ya tenían modelos computarizados en funcionamiento, pero avanzaron con point forecasts. Fueron ellos quienes se acercaron a mí y dijeron: “Warren, el mundo es estocástico. Así que ahora pasamos al mundo del supply chain management. Los point forecasts simplemente no van a funcionar. Quiero decir, tal vez alguien crea que es el mundo real, pero no lo es.” Esta noción de un enfoque basado en políticas describe cómo toma decisiones la gente.
Warren Powell: Puedes tener políticas simples como “order up to” o puedes tener políticas de look-ahead. Ahora, cuando la gente dice “look ahead”, tiende a pensar de manera determinista. Aquí es donde las cosas tienen que ser nuevas. Tienes que pensar en “look ahead” con incertidumbre, pero las computadoras ya están disponibles. En la década de 1980, las computadoras eran una vergüenza. Ahora estamos en la computación en la nube y ejecutaremos 50 escenarios en paralelo, y en lugar de promedios, evaluaremos la frecuencia con la que ocurre un evento negativo para evaluar el riesgo.
Todos los otros problemas que Joannes planteó siguen siendo válidos. Aún tienes que modelar el problema apropiadamente, pero en algún momento vas a llegar a ese punto de inflexión en el que lo que la computadora está haciendo es mucho mejor que lo que cualquier humano podría hacer. Creo que es tremendamente emocionante que el momento sea el adecuado. Ya estamos haciendo esto en la industria de carga de camiones. He escrito simuladores de supply chain, aunque principalmente solo como simuladores. Creo que llevar el simulador al campo, ese que dice, “Bien, ahora voy a pensar en lo que podría pasar en el futuro para ayudarme a tomar una decisión ahora,” se está acercando.
Kieran Chandler: Bien, brillante. Voy a tener que concluir aquí, pero caballeros, gracias a ambos por su tiempo. Eso es todo por esta semana. Muchas gracias por sintonizarnos, y adiós por ahora.
