00:00:07 Introducción de Warren Powell y el tema del día.
00:00:36 Antecedentes de Warren y su trabajo en Princeton y Casa Labs.
00:02:00 El tema de la discusión: la incertidumbre en la gestión de la cadena de suministro.
00:03:05 Comparación entre el transporte de carga completa y la gestión de la cadena de suministro.
00:06:00 El concepto de toma de decisiones secuenciales en la gestión de la cadena de suministro.
00:09:01 KPIs, índices clave de rendimiento, y ejecución de simulaciones en una cadena de suministro.
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 el pronóstico 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 abrazar la complejidad y construir algoritmos de aprendizaje automático 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 la cadena de suministro y su papel insustituible.
00:22:17 Explicación de las cuatro clases fundamentales de métodos para tomar decisiones.
00:24:00 Crítica de los métodos de pronóstico actuales 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 pronósticos basados en políticas.
00:30:32 Explicación de la necesidad de personas conocedoras para entender el problema y analizar las métricas adecuadas.
33:37 Reflexiones finales sobre el futuro de la gestión de la cadena de suministro y la necesidad de herramientas e ingenieros de cadena de suministro.
Resumen
La entrevista entre Joannes Vermorel, fundador de Lokad, y Warren Powell, profesor de la Universidad de Princeton y cofundador de Optimal Dynamics, profundiza en las complejidades e incertidumbres de la gestión de la cadena de suministro y la toma de decisiones. 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. Destacan la importancia de las políticas y las simulaciones para tomar decisiones estratégicas, tácticas y operativas en la gestión de la cadena de suministro, al tiempo que resaltan las limitaciones de los métodos de pronóstico tradicionales. La entrevista concluye con una discusión sobre el futuro de los métodos basados en políticas en la gestión de la cadena de suministro y la necesidad de ingenieros de cadena de suministro capacitados.
Resumen Extendido
En la entrevista, Kieran Chandler presenta una discusión entre Joannes Vermorel, fundador de Lokad, y Warren Powell, profesor de la Universidad de Princeton y cofundador de Optimal Dynamics. Abordan las complejidades e incertidumbres involucradas en la gestión de la cadena de suministro y la toma de decisiones.
Warren Powell comparte su experiencia en el campo, habiendo establecido Castle Labs, una colaboración única entre la universidad y la industria que aborda problemas del mundo real. Habla sobre cómo su trabajo temprano en el transporte de carga expuso los desafíos de planificar factores inciertos.
Joannes Vermorel profundiza en el problema central de la toma de decisiones secuenciales en las cadenas de suministro, donde las decisiones presentes están fuertemente influenciadas por las decisiones futuras. Compara este proceso con jugar ajedrez, donde cada movimiento debe considerarse en el contexto de los movimientos posteriores. 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 las cadenas de suministro implica utilizar indicadores clave de rendimiento (KPI) para evaluar el impacto de las decisiones en costos y productividad. Sugiere que las simulaciones pueden ayudar a navegar la naturaleza desordenada e impredecible de la gestión de la cadena de suministro, ya que los modelos deterministas pueden no proporcionar soluciones precisas.
La entrevista explora los desafíos de gestionar incertidumbres y tomar decisiones efectivas en las cadenas de suministro, donde cada decisión está interconectada con las decisiones futuras. Los expertos discuten sus experiencias en el campo y ofrecen ideas sobre cómo abordar estas complejidades a través de la modelización matemática y las simulaciones.
La conversación comenzó con una comparación de la optimización de la cadena de suministro con jugar ajedrez contra un jugador impredecible, sugiriendo que el uso de simulaciones puede ayudar a tomar mejores decisiones. Powell explicó que las políticas o reglas de toma de decisiones se pueden utilizar junto con las simulaciones para evaluar rápidamente el rendimiento de la empresa utilizando una variedad de métricas.
Vermorel estuvo de acuerdo, enfatizando la importancia del pronóstico probabilístico y los modelos generativos, que se pueden utilizar para la optimización de la cadena de suministro. Habló sobre 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 en conjunto con simulaciones para tomar decisiones de optimización de la cadena de suministro. 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 éxito limitado en términos de logros numéricos.
Vermorel también señaló que los avances recientes en deep learning y métodos de optimización, como el descenso de gradiente estocástico, han mejorado la aplicabilidad de la toma de decisiones basada en políticas en entornos complejos. Estas técnicas funcionan bien en entornos ruidosos y con un gran número de variables, lo que las hace adecuadas para problemas de optimización de la cadena de suministro del 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 cadenas de suministro largas.
Powell enfatiza la necesidad de simulaciones para tomar decisiones estratégicas, tácticas y operativas en la gestión de la cadena de suministro. Debido a los largos plazos y la naturaleza compleja de las cadenas de suministro, el método de prueba y error no es viable para probar ideas. Las simulaciones, aunque imperfectas, proporcionan una mejor alternativa. Destaca la importancia de comprender las decisiones que se toman, las métricas de evaluación, las fuentes de incertidumbre y el proceso de toma de decisiones.
Sin embargo, Vermorel juega el papel de abogado del diablo al plantear preocupaciones sobre la credibilidad de los métodos numéricos. Está de acuerdo en que las simulaciones son más efectivas que las interminables reuniones, pero señala que muchos modelos matemáticos sofisticados pueden ser ingenuos en contexto. Cita la industria de la moda como ejemplo, donde los pronósticos punto a punto a menudo ignoran factores cruciales como la canibalización y la sustitución. Destaca 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 modelización al considerar heurísticas y abrazar el problema. Mientras tanto, Powell reconoce que la modelización sutil es esencial para el éxito, ya que los modelos simplistas pueden pasar por alto factores importantes, lo que puede llevar 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 la cadena de suministro, también es importante tener un profundo conocimiento del problema en cuestión y desarrollar modelos que reflejen con precisión las complejidades de la cadena de suministro del mundo real.
La discusión gira en torno a las limitaciones de los pronósticos puntuales y las ventajas de los métodos de pronóstico basados en políticas.
Los participantes argumentan que los métodos de pronóstico tradicionales, que se basan en gran medida en la intuición y no tienen en cuenta la multitud de variables, a menudo resultan en un exceso o falta de inventario. Los pronósticos puntuales tienden a producir inventarios muy ajustados, lo cual no es óptimo según su experiencia. En cambio, sugieren que ser realista, inteligente y hacer las preguntas correctas conducirá a una mejor toma de decisiones.
También se discute el desafío de lograr que las personas confíen y visualicen los beneficios de los pronósticos basados en políticas. En la industria del transporte de carga, se utilizan pronósticos probabilísticos para simular diversos escenarios, que luego se evalúan en función de los Indicadores Clave de Rendimiento (KPI) para determinar si parecen razonables. Este proceso ayuda a generar confianza en el método.
Tanto Vermorel como Powell enfatizan la importancia de contar con ingenieros de cadena de suministro que posean un profundo conocimiento del problema y habilidades de programación. Coinciden en que el mejor enfoque es utilizar una variedad de métricas para identificar áreas donde las decisiones pueden ser incorrectas, costosas o ineficientes. Es importante centrarse en los valores atípicos, ya que a menudo pueden tener consecuencias significativas.
Abordan las limitaciones del costo promedio y los pronósticos puntuales, enfatizando la necesidad de ingenieros de cadena de suministro en lugar de científicos de datos 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 la cadena de suministro, con la ayuda de 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 la cadena de suministro. Powell cree que los pronósticos puntuales se volverán obsoletos, ya que no representan con precisión el mundo real. Los avances en tecnología informática y la creciente capacidad para manejar la incertidumbre harán que los métodos de pronóstico basados en políticas sean más efectivos y frecuentes.
La entrevista destaca las limitaciones de los métodos de pronóstico tradicionales y enfatiza las ventajas de los pronósticos basados en políticas, al tiempo que subraya la importancia de contar con ingenieros de cadena de suministro 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 los pronósticos basados en políticas y los pronósticos puntuales, y cómo se pueden utilizar para optimizar esas decisiones de “catch-22”. Así que Warren, muchas gracias por unirte a nosotros en directo desde Estados Unidos hoy, y como siempre, nos gusta empezar aprendiendo un poco sobre nuestros invitados. Así que tal vez podrías empezar contándonos un poco sobre ti.
Warren Powell: Bueno, en primer lugar, 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 unos 30 años, fundé este laboratorio llamado Castle Labs. Estaba haciendo mucho trabajo con la industria y empecé en el transporte de carga. Ahora, los académicos reciben mucho dinero de los gobiernos y demás, pero nuestra principal fuente de financiación provenía de la industria. También me di cuenta de que una de las debilidades de la financiación gubernamental era que no tenían 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. Hubo un interés temprano en utilizar ordenadores para ayudar a gestionar las empresas de manera más eficiente, así que el laboratorio funcionó muy bien, creció rápidamente y tuve la suerte de tener un gran número de estudiantes. Creo que terminé graduando a unos 60 estudiantes de posgrado y postdoctorado, y los señalaré como la principal fuente de, creo, escribimos alrededor de 250 publicaciones. Eso es en gran medida el trabajo de los estudiantes. Fundé tres empresas de consultoría, la más reciente es Optimal Dynamics, con la que todavía estoy involucrado. De hecho, me jubilé el año pasado para dedicarme más tiempo a Optimal Dynamics. Es una oportunidad muy emocionante.
Kieran Chandler: Suena genial, y hoy nuestro tema trata sobre la optimización de esas decisiones que se toman dentro de una cadena de suministro. Tal vez podrías empezar diciéndonos qué tipos de incertidumbre se pueden observar en la gestión de la cadena de suministro.
Warren Powell: Bueno, tengo que dar un poco más de antecedentes, que es que mis primeros proyectos fueron en el transporte de carga completa, y la introducción vino de una gran empresa llamada Schneider National. Ya tenían modelos informáticos que planificaban en el futuro de manera determinista, y dijeron: “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 cómo modelar realmente estos problemas y resolverlos en los ordenadores. Así que se lanzó varias décadas en las que simplemente decía: “Ok, ¿cómo pensamos siquiera en este problema?” porque la comunidad académica realmente no lo tenía resuelto.
A medida que me he ido moviendo del transporte de carga completa, que es grande y complicado, a la gestión de la cadena de suministro, he descubierto que esta última no es ni de lejos tan complicada como la cadena de suministro. Así que con los transportistas de carga completa, el principal problema es si el cargador va a llamar para cargar o no, cuántas cargas tengo que mover, y luego hay algunas otras fuentes de ruido como si el conductor se presenta y si se queda atrapado en el tráfico. No es ni de lejos de la misma escala que las cadenas de suministro. Así que en las cadenas de suministro, te metes en ellas, y en el transporte de carga completa, tal vez estés tomando decisiones una semana antes o algo así.
Kieran Chandler: En el futuro, la mayoría de las veces tiende a ser de tres o cuatro días. Las cadenas de suministro pueden extenderse hasta 100 días, 150 días. Ordenar productos desde China puede llevar varios meses. En esos meses, pueden ocurrir eventos importantes, grandes tormentas, problemas políticos, problemas laborales y faltantes de stock. Muchas de estas cosas nos están sucediendo hoy en día. El proveedor tiene mucho ruido en cuanto a cuánto tiempo le lleva al fabricante en China construir realmente el producto que estás solicitando. Puede que tenga que poner en marcha una línea de producción y tener sus piezas y suministros listos. Luego lo pones en el barco de carga, y el barco de carga puede tardar 30 días, pero podría tardar 35 o 36 dependiendo de las tormentas y el clima. Puedes tener retrasos en el puerto. Cuando el producto realmente sale del barco, hay que descargarlo. Hay que ponerlo en un tren o en un camión. Luego, cuando finalmente llega, tienes que mirarlo y decir, ¿está bien la calidad? Quiero decir, es solo una letanía de diferentes formas de incertidumbre.
Kieran Chandler: Sí, y Joannes, eso es de lo que vamos a hablar 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 plazos desde una perspectiva más técnica?
Joannes Vermorel: Creo que el trabajo de Warren es muy interesante, pero tal vez desde un aspecto ligeramente diferente, que es el proceso de toma de decisiones secuenciales. Las incertidumbres son un poco una cuestión técnica, pero el núcleo del problema es comenzar a pensar incluso en esas decisiones secuenciales que tomas en secuencia. El truco está en que el futuro está moldeando el pasado, lo cual se siente un poco incorrecto. La decisión que quieres optimizar en este momento en realidad depende de la decisión que tomarás más adelante. Si la decisión que estás tomando en este momento es buena o no, depende mucho de la decisión que se tomará más adelante.
Joannes Vermorel: Para aclarar este tipo de situación, digamos que estás haciendo un pedido a un proveedor en el extranjero con una cantidad mínima de pedido (MOQ), y estás ordenando toneladas de productos a este proveedor, y tienes que alcanzar un contenedor completo. Ahora, la cosa es que estás haciendo un pedido, y el contenedor puede contener cientos de productos diferentes. ¿Es un buen pedido? Bueno, depende. Depende de cuándo realmente pasarás el pedido para los próximos contenedores. Verás, la cosa es que si te quedas sin un producto solo unos días después de pedir tu contenedor, puedes tener un faltante de stock para este producto. ¿Puedes hacer otro pedido a tu proveedor? No, no realmente, porque este producto por sí solo es solo una pequeña fracción de un contenedor completo. Así que estás atrapado. Estás atrapado con el hecho de que has pedido un contenedor completo, y tienes que esperar hasta que tengas una capacidad de pedido conveniente, que sea compatible con pedir otro contenedor completo.
Kieran Chandler: Y entonces, ¿la decisión que estás a punto de tomar es la correcta? Depende de cuándo tomarás tu próxima decisión. La realidad en la cadena de suministro y en la interacción en muchas áreas es que, cuando empiezas a pensar en lo que realmente significa tomar una buena decisión, tiene que ser una decisión que se ajuste bien a una decisión que se tomará más adelante. Al igual que si estás jugando 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 se van a jugar. Eso es lo que significa. Y luego la pregunta es, de repente el problema se vuelve muy difícil de abordar incluso matemáticamente porque estás pensando, “Ok, tengo una decisión, y puedes pensar que tengo diferentes cantidades que puedo elegir”. Pero luego tienes una especie de perspectiva recursiva donde tienes que pensar en todas las decisiones futuras que no se han tomado, y te estás preguntando, “Quiero optimizar esta decisión que aún no he tomado, mi decisión, y sin embargo tengo que tener en cuenta las decisiones futuras que ni siquiera se han tomado todavía”. Ya ves, así que 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 consolidar un corpus de marco matemático y enfoques para que puedas empezar a pensar numéricamente en esos problemas de manera consistente. Me gusta mucho esa analogía de que es algo similar al ajedrez y que depende mucho de lo que la otra persona esté haciendo y de lo que más está sucediendo en el mundo.
Warren Powell: Bueno, todas las empresas tienen formas de medir el rendimiento. Las llaman los KPI, los índices clave de rendimiento. Así que tienen todas sus métricas de costos, productividad. Las empresas tienen docenas y docenas, y a veces cientos de estas métricas. Tú usas estas mismas métricas. Lo que tendemos a hacer es ejecutar simulaciones. Sería bueno si tuviéramos un mundo determinista. Imagina Google Maps, donde fingimos que conocemos todos los tiempos de viaje, por lo que vemos todo el camino hacia el destino. Las cadenas de suministro son demasiado complicadas. Se extienden demasiado lejos y hay demasiadas cosas aleatorias que van a suceder, por lo que no es un solo camino; son muchos. Así que en lugar de mirar hacia el futuro y pensar que vas a saber exactamente lo que va a suceder, la analogía del ajedrez es buena. Pero si estás jugando 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 en realidad se vuelve mucho más complicado. Pero para simplificarlo, imagina que la computadora puede simplemente ejecutar simulaciones. A medida que avanzamos hacia 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 pase lo que pase. Entonces, puedo ejecutar estas simulaciones, y cada vez que llego a un punto, digamos un mes más adelante, y necesito tomar una decisión, tengo alguna regla. Las computadoras pueden hacer estas simulaciones muy rápidamente. Podemos ejecutar 100 escenarios diferentes hacia el futuro en paralelo.
Kieran Chandler: Comencemos con cómo una empresa puede utilizar métricas para evaluar su rendimiento. Cuando se trata de tomar decisiones, como si realizar un pedido y qué tan grande 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 actual. Podemos utilizar una regla para tomar una decisión ahora, pero también necesitamos utilizar simuladores para ajustar esa regla y asegurarnos de que funcione mejor, considerando no solo el presente sino también el futuro. Para problemas más simples, como el control de inventario, una política simple de “ordenar hasta” puede funcionar bastante bien. Sin embargo, para problemas más complejos, como cuándo realizar un pedido de un cargamento de China que llegará en 90 días, la decisión debe tener en cuenta factores como pedidos anteriores, 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. Básicamente, se trata de simular y ejecutar tu empresa de la forma habitual y evaluarla en consecuencia.
Kieran Chandler: Johannes, ¿qué opinas de este enfoque de política? ¿La simulación realmente funciona en tu opinión?
Joannes Vermorel: Sí, estoy muy de acuerdo en que la simulación funciona. Cuando se trata de pronósticos, el enfoque moderno es pensar en pronósticos probabilísticos. Existe una dualidad entre los pronósticos probabilísticos y los modelos generativos. Los pronósticos probabilísticos te dan probabilidades de ciertos futuros, que se pueden muestrear para obtener ejemplos de posibles futuros. Los modelos generativos, por otro lado, generan futuros que, cuando se promedian, 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 es más apropiado para la resolución numérica de tu problema.
Warren Powell: Así es, y la esencia clave del truco matemático para optimizar decisiones secuenciales es desenredar las decisiones de hoy y mañana. En lugar de centrarse en la decisión en sí, debemos aprender el mecanismo de toma de decisiones. Este mecanismo puede tener muchos parámetros que se pueden optimizar.
Kieran Chandler: Joannes, ¿podrías explicar cómo se pueden ajustar las políticas y cuál es su papel en la optimización de la cadena de suministro?
Joannes Vermorel: Una política es fundamentalmente una regla abstracta con parámetros que se pueden aprender de una forma u otra. La idea es confrontar tus políticas que generan decisiones. Para hacer esto, necesitas un modelo generativo, típicamente derivado de un pronóstico probabilístico u otros métodos.
Kieran Chandler: ¿Cómo ayuda pensar en la simulación como un pronóstico probabilístico para evaluar la precisión de una política?
Joannes Vermorel: Es interesante ver la simulación como un pronóstico probabilístico porque te permite considerar la precisión. Cuando las personas dicen que hacen simulación, la gran pregunta es si la simulación proporciona una representación precisa del futuro. Para responder a esta pregunta, necesitas adoptar la perspectiva de pronóstico probabilístico, para poder evaluar si tu simulador proporciona una representación precisa de los posibles futuros para tu empresa.
Kieran Chandler: ¿Puedes ampliar sobre los desafíos de implementar estas políticas en el campo y el progreso realizado en ciencias de la computación para superar estos desafíos?
Joannes Vermorel: El problema se vuelve muy práctico cuando se trata de implementar estas ideas en el campo. Aprender políticas ha sido un problema extremadamente difícil desde una perspectiva numérica. Las técnicas tradicionales de aprendizaje por refuerzo a menudo solo tuvieron éxito en configuraciones de juguete, pero tuvieron dificultades con problemas que involucraban 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 procesos de toma de decisiones, pero el progreso en ciencias de la computación los ha hecho altamente aplicables a la optimización de políticas en entornos complejos del mundo real. Esto incluye situaciones en las que las simulaciones involucran miles e incluso cientos de miles de unidades de mantenimiento de inventario (SKU, por sus siglas en inglés) y abarcan cientos de días en el futuro.
Kieran Chandler: Tenemos media docena de incertidumbres entrelazadas: incertidumbre de la demanda, tiempo de entrega, precio de los productos básicos, canibalización, movimientos de los competidores. No son muy complejas, pero están todas entrelazadas. Por lo tanto, debes ser capaz de abrazar este tipo de complejidad ambiental para que tu simulador no sea demasiado ingenuo con respecto a los futuros posibles. Warren, ¿estás de acuerdo con eso? Quiero decir, ¿cómo construirías esos algoritmos de aprendizaje automático para tomar esas decisiones basadas en políticas?
Warren Powell: Bueno, en primer lugar, recordemos que los humanos también están utilizando políticas. Cada vez que se toma una decisión, se está utilizando un método. Llamémoslo una política, pero es un método. Todo el mundo está utilizando un método, por lo que esto no es realmente nuevo. Lo que he hecho es decir que hay cuatro clases fundamentales de métodos. El “order up to” es una de las cuatro clases; se llama evaluación de la función de política.
Tomemos Google Maps como ejemplo; eso es una política de anticipación. En la planificación de inventario, las personas tienden a utilizar esta simple evaluación de la función de política: cuando el pedido baja por debajo de algo, pedir hasta algo. Cuando tienes estas largas cadenas de suministro, realmente necesitas pensar en el futuro. Eso es una anticipación directa, por lo que ahora hemos cubierto dos de las cuatro clases.
Estas cuatro clases solo están articulando lo que ya estamos haciendo. Ahora, para descubrir cuál es la mejor clase, tienes que simular y ver cómo funciona a lo largo del tiempo. En una empresa de transporte, podría tener una idea, probarla durante unas semanas y ver si funciona. No puedes hacer eso con las cadenas de suministro; lleva casi un año ver si algo va a funcionar. Los plazos son demasiado largos, y es por eso que 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 piensa que esto es mejor. Eso es lo que ves en el mundo de las cadenas de suministro hoy en día: mucha gente hablando y hablando entre sí, pero nadie tiene ninguna evidencia. He pasado mi carrera en Castle Labs construyendo simuladores para la planificación estratégica, la planificación táctica y simuladores para ver hacia 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 una idea diferente, esperar otros tres meses, pero por supuesto, los siguientes tres meses no tienen nada que ver con los primeros tres meses. No veo ninguna forma de evitar tener una computadora que diga: “Aquí hay un método para tomar decisiones, aquí hay una forma muy diferente o ligeramente diferente, otra forma de tomar decisiones. ¿Cuál parece funcionar?” Ejecutas tus simulaciones. Las simulaciones nunca son perfectas, pero ¿qué es mejor? Dime algo que sea mejor.
El proceso es en realidad muy simple de entender. Una de las cosas más difíciles que encuentro en las cadenas de suministro es preguntarle a un profesional de la cadena de suministro qué decisiones están tomando. No puedo creer cuántas personas te mirarán en blanco y dirán: “Bueno, nunca lo había pensado de esa manera”. Hay más en la cadena de suministro que simplemente pedir inventario; hay muchas otras decisiones involucradas.
Kieran Chandler: Entonces, ¿cuáles son tus métricas? No es solo una; hay muchas. Y ¿cuáles son tus fuentes de incertidumbre? Podemos tener una larga discusión al respecto, pero no vas a enumerar todas ellas. Lo siento, estas grandes cadenas de suministro de las que estás hablando involucran incertidumbres globales. ¿Quién iba a anticipar que el barco se iba a atascar en el Canal de Suez o la pandemia de COVID? Pero hay muchas cosas ruidosas que puedes 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 estás en el punto de cómo tomar la decisión. Y adivina qué, hay cuatro clases de políticas, desde la orden más simple hasta la más complicada de mirar hacia adelante. Puedes mirar hacia adelante de manera determinista, como Google Maps, o puedes mirar hacia adelante con incertidumbre.
Warren Powell: Cuando hablo con personas en los negocios y usan la palabra “pronóstico”, tengo la sensación de que cada vez que escucho la palabra “pronóstico”, se refieren a un pronóstico puntual. Lo que me ha encantado de este programa 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 pronóstico, lo que significa que tienes que pensar en reglas para tomar decisiones en lugar de la decisión en sí. Y todo es muy sencillo. Sí, necesitamos la computadora. Si no vas a usar una computadora, avísame qué vas a hacer. Si tienes una mejor idea, no puedo entenderlo.
Kieran Chandler: Johannes, ¿cuánta confianza podemos tener en estos enfoques basados en políticas? ¿Qué tan sólidas son estas modelizaciones matemáticas?
Joannes Vermorel: Primero, estaría 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 utilizan ampliamente en grandes cadenas de suministro que son basura completa. Entiendo la posición de un gerente que mira una simulación de computadora elegante que puede ser muy sofisticada pero que no entiende el punto y se basa en conjeturas. Para darte un ejemplo más concreto, diría que probablemente casi todas las grandes marcas de moda hacen pronósticos en la actualidad, la mayoría de ellos haciendo pronósticos puntuales. Entonces, tomas tus productos y tratas de tener predicciones de demanda semanales. Sin embargo, estimaría que alrededor del 0% de esas marcas de moda realmente están teniendo en cuenta la canibalización y la sustitución.
Kieran Chandler: Bienvenidos a todos a nuestra entrevista de hoy. Tenemos dos invitados con nosotros, Joannes Vermorel, fundador de Lokad, una empresa de software especializada en optimización de la cadena de suministro, y Warren Powell, profesor en la Universidad de Princeton, cofundador y Director de Analítica de Optimal Dynamics. Gracias a ambos por unirse a nosotros. Vamos a sumergirnos en la discusión.
Joannes Vermorel: Cuando se trata de elegir un producto para comprar, a menudo solo tienes una sensación y eliges uno que se ajuste a tu gusto o instinto. Puedes ver que hay efectos masivos de sustitución y canibalización en juego. Por ejemplo, cuando entro en una tienda de moda y veo 20 camisas blancas diferentes, todas se ven más o menos iguales para mí. Termino favoreciendo una sobre la otra, pero no es como si tuviera una idea absoluta de qué código de barras quería llevar cuando entré en la tienda.
Si tienes un modelo de pronóstico 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 elegantes y preguntan: “¿Tratas con algo tan básico como la sustitución?” Si la respuesta es no, ¿cómo puedes confiar en el modelo?
También debes considerar el impacto de los descuentos. Si comenzamos a ofrecer grandes descuentos al final de la temporada, la gente se acostumbrará al hecho de que nuestra marca ofrece muchos descuentos y esperarán la temporada de rebajas de la próxima colección para beneficiarse de los descuentos. 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 completamente equivocado. Con el cuidado y la comprensión 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. Aquí hay dos problemas: 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 ante ellos. Un modelo ingenuo podría pasar por alto fácilmente este último y sugerir reducir los precios, ignorando el hecho de que si reduces tu precio, el mercado se acostumbra a ello. Ese es un error significativo.
Las personas tienen una intuición, y los modelos más sofisticados deberían poder manejar estas sutilezas. Pero un modelo simple no lo hará. He pasado años en el laboratorio construyendo modelos que las empresas financiaban, y hemos visto este tipo de errores ocurrir cuando los modelos pasan por alto aspectos cruciales del problema.
Kieran Chandler: ¿Te importaría discutir cómo generas confianza en tus modelos, especialmente cuando trabajas en transporte de carga?
Warren Powell: Nos llevó seis u ocho años obtener un modelo en el que Norfolk Southern dijo 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 conocedoras que hagan las preguntas correctas. Sin embargo, constantemente sacar cosas de la nada será difícil. Creo que hay demasiadas variables para que un humano las considere, por lo que una forma de cubrirlas es pedir más inventario y ocultarlo, lo cual es costoso. Si usas pronósticos puntuales, tiendes a tener inventarios muy bajos. Estamos aprendiendo que eso tampoco es lo correcto.
Kieran Chandler: Warren, volvamos a la idea de la confianza. Cuando estás construyendo estos pronósticos basados en políticas, ¿cómo logras que las personas realmente visualicen y se involucren en esa visión? Porque uno de los problemas reales que tuvimos en Lokad fue lograr que las personas visualizaran lo que estábamos haciendo con los pronósticos probabilísticos.
Warren Powell: En el transporte de carga, hacemos pronósticos probabilísticos de lo que los transportistas pueden hacer. Ejecutamos simulaciones y observamos lo que los camiones están haciendo en realidad para ver si parece razonable. Reunimos métricas de cuántas veces cubrimos cargas o llevamos a los conductores a casa, y observamos los KPI estándar que cualquier empresa usaría. Puedes hacer tu pronóstico probabilístico, ejecutar mil simulaciones, reunir tus KPI y luego preguntar si parece razonable. Tienes que hacer una cierta cantidad de prueba y error, y deben participar personas inteligentes que entiendan el problema. Deben estar observando los KPI y las métricas correctas para determinar si se comporta correctamente.
Kieran Chandler: Johannes, ¿cómo compararías tu trayectoria con la 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 la cadena de suministro se les llama científicos de la cadena de suministro. 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 se parece mucho a Kaggle, pero de una manera negativa, donde optimizas al máximo una métrica pero luego la manipulas por completo.
Kieran Chandler: Pasado su punto de irrelevancia, el enfoque suele ser tener muchas métricas que te ayuden a instrumentar tu configuración para que puedas identificar las áreas donde estás haciendo algo muy mal. Joannes, ¿podrías expandirte 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 generar decisiones muy malas. Este es típicamente el punto de entrada para diagnosticar qué está mal. La forma de identificar esas decisiones atípicas que están perdiendo algo, como perder un elefante, es mirar el problema desde muchos ángulos. Estas decisiones incorrectas pueden ser muy costosas, pero también son infrecuentes. Si solo te fijas en tus promedios, es posible que no las notes porque estás mirando métricas probabilísticas, que típicamente involucran promedios en muchas situaciones. El problema con los promedios es que pueden ocultar algo que solo sucede una vez cada mil veces, pero multiplica tu costo por un factor de 10. Por eso intentamos instrumentar eso.
La clave es tener personas que sean ingenieros de cadena de suministro en primer lugar, en lugar de ser científicos de datos o ingenieros de software. 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 dejaremos la última palabra a ti. ¿Cuáles son tus esperanzas para el futuro? ¿Puedes ver a todos usando estos métodos basados en políticas algún día?
Warren Powell: En primer lugar, porque todo el mundo usa métodos basados en políticas hoy en día, creo que este es el camino a seguir. Los mapas de Google de pronósticos puntuales, lo siento, pero simplemente no van a sobrevivir. Tienes que entender, fue el comienzo de mi carrera en 1981.
Kieran Chandler: Bienvenido a Schneider National en ese momento, nuestro mayor transportista de carga completa en Estados Unidos y un pionero temprano en analítica. En 1981, ya tenían modelos informáticos en funcionamiento, pero avanzaron con pronósticos puntuales. Ellos fueron quienes vinieron a mí y dijeron: “Warren, el mundo es estocástico. Así que ahora pasamos al mundo de la gestión de la cadena de suministro. Los pronósticos puntuales simplemente no van a funcionar. Quiero decir, tal vez alguien en su mente piense que es el mundo real, pero no lo es”. Esta noción de un enfoque basado en políticas describe cómo las personas toman decisiones.
Warren Powell: Puedes tener políticas simples como “ordenar hasta” o puedes tener políticas de anticipación. Ahora, cuando la gente dice “anticipación”, tiende a pensar de manera determinista. Aquí es donde las cosas tienen que ser nuevas. Tienes que pensar en “anticipación” con incertidumbre, pero las computadoras ya están aquí. En la década de 1980, las computadoras eran una vergüenza. Ahora nos sentamos en la nube y ejecutamos 50 escenarios en paralelo, y en lugar de promedios, evaluamos con qué frecuencia ocurrió un evento adverso para evaluar el riesgo.
Todos los demás problemas que planteó Joannes siguen siendo válidos. Aún tienes que modelar el problema adecuadamente, pero en algún momento llegarás a ese punto de cruce donde lo que la computadora está haciendo sigue siendo 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 completa. He escrito simuladores de cadena de suministro, pero principalmente solo como simuladores. Creo que llevar el simulador al campo, eso dice: “Ok, ahora voy a pensar en lo que podría suceder en el futuro para ayudarme a tomar una decisión ahora”, está cerca.
Kieran Chandler: Ok, genial. Tengo que terminar aquí, pero caballeros, gracias a ambos por su tiempo. Eso es todo por esta semana. Muchas gracias por sintonizar y hasta luego.
