00:00:07 Discutiendo la gestión de SKUs para planificadores de supply chain.
00:01:09 Dependencia de la gestión de SKUs en los verticales de la industria.
00:02:14 Gestión de SKUs en el retail e impacto en los planificadores de demanda.
00:04:00 Factores que impulsan la gestión de SKUs y las reglas clásicas que se siguen.
00:07:01 Comparando el enfoque clásico con la forma en que Loca maneja la gestión de SKUs.
00:08:01 Discutiendo la diferencia entre la planificación tradicional de demanda y la ciencia de supply chain.
00:09:37 La importancia de tomar decisiones inteligentes de reposición de stock.
00:11:00 La capacidad de una persona para gestionar millones de SKUs utilizando recetas numéricas.
00:12:19 Cómo las recetas numéricas ayudan a construir un activo para las empresas.
00:14:00 La necesidad de automatizar tareas administrativas repetitivas y los límites de la automatización.
00:16:02 Limitaciones de los Supply Chain Scientists y la gestión de la complejidad.
00:17:42 Disminución de los retornos en productividad y coordinación entre Supply Chain Scientists.
00:19:33 Comparando la efectividad y velocidad de un único Supply Chain Scientist frente a un equipo.
00:21:09 Mejora continua y enfoque capitalista de los Supply Chain Scientists.
00:22:45 Barreras para implementar enfoques capitalistas en la gestión de supply chain.
Resumen
En una entrevista reciente, Joannes Vermorel, fundador de Lokad, discutió los desafíos a los que se enfrentan los planificadores de supply chain modernos, particularmente en la gestión de stock-keeping units (SKUs). Vermorel explicó que el número de SKUs gestionados suele oscilar entre unos pocos cientos y unos pocos miles, dependiendo del vertical de la industria. Tradicionalmente, los planificadores de demanda utilizan spreadsheets con docenas de columnas para tomar decisiones de inventario, pero Lokad emplea Supply Chain Scientists que desarrollan numerical recipes para tomar decisiones de inventario. El objetivo es crear una solución con “cero por ciento de locura”, garantizando que las decisiones sean sensatas. Vermorel sostiene que tratar cada problema como un error a corregir fomenta una mentalidad de crecimiento y mejora constante, lo que conduce a un mejor rendimiento general.
Resumen Extendido
En la entrevista, Kieran Chandler, el presentador, discute con Joannes Vermorel, el fundador de Lokad, los desafíos a los que se enfrentan los planificadores de supply chain modernos, particularmente en la gestión de stock-keeping units (SKUs). Vermorel explica que el número de SKUs que un planificador gestiona suele oscilar entre unos pocos cientos y unos pocos miles, dependiendo del vertical de la industria. El retail es un caso atípico, ya que los planificadores pueden manejar numerosos SKUs a nivel de warehouse, pero a nivel de tienda, normalmente gestionan plantillas min-max en lugar de SKUs individuales.
El número de SKUs que un planificador gestiona a menudo se determina por el tiempo que toma completar un ciclo a través de la lista de referencias. Normalmente, los planificadores trabajan con spreadsheets, ajustando cantidades y valores min-max, y clasificando los SKUs en categorías tales como los más vendidos y los de menor rotación.
Vermorel enfatiza que la relación entre el volumen de SKUs y la erraticidad es inversamente proporcional. Las grandes empresas FMCG (bienes de consumo de rápido movimiento) con altos volúmenes tienen una menor erraticidad, mientras que las industrias con bajo volumen y alta erraticidad, como las piezas automotrices, pueden tener un forecast más desafiante, pero el valor económico no es tan significativo. El número de SKUs que un planificador de supply chain gestiona depende del vertical de la industria y de la naturaleza de los productos. El proceso generalmente implica gestionar de unos pocos cientos a unos pocos miles de SKUs y utilizar spreadsheets para monitorizar y ajustar los niveles de stock, considerando factores como el volumen, la erraticidad y el valor económico.
Se contrasta el enfoque de Lokad con el método clásico de supply chain management.
Tradicionalmente, los planificadores de demanda utilizan spreadsheets con docenas de columnas para tomar decisiones de inventario, concentrándose más en los artículos de mayor prioridad (A) y menos en los de menor prioridad (B y C). Este enfoque implica un gasto operativo significativo (OPEX) con poca capitalización. La única capitalización proviene del diseño del spreadsheet, que se vuelve útil para los meses siguientes.
Por otro lado, Lokad emplea Supply Chain Scientists que desarrollan numerical recipes para tomar decisiones de inventario. Su primer objetivo es crear una solución con “cero por ciento de locura”, asegurando que las decisiones sean sensatas. Por ejemplo, una decisión equivocada podría ser abastecer únicamente una tienda de moda con bolsos marrones y negros porque se venden más, mientras se descuidan otros colores necesarios para fines de merchandising.
Al establecer numerical recipes que capturan la experticia, el enfoque de Lokad permite a un único Supply Chain Scientist gestionar vastos números de SKUs y grandes cantidades de stock. Este enfoque representa un alejamiento significativo del método clásico, que requeriría decenas o incluso cientos de planificadores de demanda para gestionar la misma carga de trabajo. El enfoque de Lokad se centra en construir un activo (CAPEX) en lugar de simplemente consumir recursos (OPEX).
El enfoque de Lokad cuestiona la necesidad de revisar los spreadsheets todos los días, ya que las decisiones se basan en los datos disponibles. En su lugar, implementa el proceso de pensamiento de los planificadores de demanda a través de numerical recipes, posiblemente involucrando técnicas específicas de machine learning.
Vermorel explica la importancia de utilizar técnicas de machine learning para las empresas que aún emplean trabajadores administrativos para realizar tareas repetitivas, ya que esto podría conducir a una mayor eficiencia. Sin embargo, reconoce que algunos trabajos, como la limpieza de almacenes, siguen siendo difíciles de automatizar debido a las limitaciones de la tecnología actual.
Vermorel enfatiza que muchas decisiones de supply chain, como las cantidades de pedido y los puntos de precio, pueden ser completamente automatizadas mediante numerical recipes. Aclara que esto no significa una automatización sin supervisión humana, sino más bien desplegar insights humanos a gran escala y permitir que las computadoras se encarguen del trabajo numérico mundano. Las limitaciones, dice, residen en la complejidad misma del supply chain y en la necesidad de aproximaciones para garantizar que la numerical recipe siga siendo manejable desde la perspectiva del software.
También se discute el equilibrio entre la cantidad de líneas de código y la carga de trabajo de un único Supply Chain Scientist. Vermorel sugiere que dividir el supply chain en partes más pequeñas, gestionadas por múltiples Supply Chain Scientists, puede ayudar a mejorar el perfeccionamiento de las numerical recipes. Sin embargo, esto puede conducir a una disminución de los retornos en términos de productividad, ya que los Supply Chain Scientists adicionales contribuyen menos al resultado global.
La entrevista aborda la paradoja de la productividad, con una persona responsable de gestionar una gran cantidad de SKUs, y la necesidad de contar con más personal para manejar grandes supply chains. Vermorel concluye destacando la importancia de mitigar los “truck factors” teniendo personal de respaldo que pueda hacerse cargo en caso de que alguien deje la empresa.
La discusión se centra en cómo la toma de decisiones en el supply chain puede hacerse más efectiva, eficiente y capitalista aprovechando la tecnología y la mejora continua.
Vermorel argumenta que los enfoques tradicionales de planificación de demanda, que se basan en la toma de decisiones humana y los spreadsheets, son limitados en su capacidad para impulsar la mejora continua. Después de la configuración inicial de un sistema de planificación de demanda, las mejoras usualmente se estancan, y el equipo queda atrapado en un ciclo de simplemente mantener el sistema. Esto les impide disponer del tiempo y los recursos para centrarse en la mejora continua.
Por otro lado, el enfoque de Lokad busca automatizar el 100% de las decisiones de supply chain, permitiendo que los Supply Chain Scientists dediquen sus esfuerzos completamente a la mejora continua. Aunque la implementación de este tipo de sistema puede demorar más que un sistema tradicional de planificación de demanda, en última instancia resulta en un supply chain más eficiente y efectivo.
Vermorel enfatiza que tratar cada problema como un error a corregir fomenta una mentalidad de crecimiento y mejora constante. Este enfoque capitalista de la gestión de supply chain garantiza que los Supply Chain Scientists estén construyendo continuamente sobre sus mejoras, lo que conduce a un mejor rendimiento general.
Sin embargo, existen desafíos para implementar estos enfoques capitalistas. Durante décadas, la tecnología y el software necesarios para tales sistemas no existían. Además, muchas empresas no consideraban la gestión de supply chain como una función esencial, tratándola como una mera función de apoyo o centro de costos. Como resultado, había poco incentivo para invertir en nueva tecnología o prácticas que hicieran la gestión de supply chain más capitalista.
Para superar estas barreras, Vermorel sugiere que las empresas deben cambiar su mentalidad, reconociendo el valor de la gestión de supply chain como un activo, en lugar de solo un centro de costos. Esto, combinado con la disponibilidad de nuevas tecnologías y software, puede posibilitar un enfoque más capitalista y efectivo en la toma de decisiones en el supply chain.
Transcripción Completa
Kieran Chandler: Hola, con empresas modernas que ofrecen catálogos cada vez más grandes y tecnología que facilita una gestión de stock más sencilla, un moderno planificador de supply chain debe hacer malabares con muchas tareas. Vamos a preguntar cuántos SKUs debería gestionar un planificador de supply chain y cuántos serían demasiados. Entonces, Joannes, parece que los planificadores de supply chain tienen muchísimas responsabilidades en la actualidad. ¿Cuántos SKUs suele gestionar un planificador de supply chain?
Joannes Vermorel: Por lo que he observado, depende de la industria, pero la mayoría de las empresas suelen gestionar desde unos pocos cientos hasta unos pocos miles de SKUs. Aunque existen algunas situaciones en las que las empresas gestionan decenas de miles de SKUs, eso es más la excepción. El rango típico que he visto ronda entre 500 y 1,000 SKUs en muchas industrias.
Kieran Chandler: ¿En qué medida depende de la industria? Me imagino que en el retail de lujo, no se gestionan muchos SKUs, pero en un hipermercado, se gestionan muchos más.
Joannes Vermorel: Sí, el retail es probablemente el caso atípico en el que los planificadores de demanda manejan un mayor número de SKUs. Sin embargo, incluso en las redes de retail, los planificadores de demanda suelen gestionar solo unos pocos cientos de SKUs a nivel de warehouse. A nivel de tienda, generalmente usan plantillas min-max que replican en un gran número de tiendas con características similares. De esta manera, no gestionan directamente los SKUs a nivel de tienda, sino que manejan un meta-SKU o plantilla. Si multiplicas el número de tiendas gestionadas por el número de productos, terminas con un gran número de SKUs, pero ese no es el modo habitual de trabajo. Por ello, los gestores normalmente manejan como máximo unos pocos miles de SKUs por persona.
Kieran Chandler: ¿Qué factores determinan la cantidad de SKUs que gestiona una persona? ¿Existen reglas clásicas que se sigan?
Joannes Vermorel: El enfoque clásico que la mayoría de los planificadores de demanda y supply planners utilizan es revisar un largo spreadsheet, con un SKU por línea y varias columnas instrumentadas que proporcionan indicators. Estos indicadores pueden incluir cuánto se vendió durante las últimas semanas, el año pasado, o en el mismo período del año anterior para tener en cuenta la seasonality. Los planificadores recorren línea por línea, ajustando cantidades y niveles min-max basándose en los datos de estas columnas.
Kieran Chandler: Con el spreadsheet, bueno, retrocedes y luego iteras. Posiblemente, se segmenten los SKUs en clases como ABC, lo que incide en que se dedique más tiempo a los best sellers y menos a los slow movers. Algo así, y ves que el número de SKUs queda muy determinado por el tiempo que le lleva al planificador de demanda hacer un ciclo a través de la lista de referencias que esa persona está gestionando. Entonces, en ese ejemplo, me imagino que depende de mucha variabilidad de productos. ¿Así que si estás en una empresa como Coca-Cola donde hay solo un producto, eso significa que solo tenemos un planificador de demanda?
Joannes Vermorel: No, quiero decir, Coca-Cola tiene cientos de productos. Y si empiezas a ver el tipo de cosas que necesitan ser planificadas desde la perspectiva de Coca-Cola, primero, prácticamente tienen que planificar cada canal, porque sus canales son gigantescos. Normalmente, los planificadores se organizan por geografías o canales, y así terminas con un planificador para cada canal. Ellos tienen unos pocos cientos de SKUs, y por ello vuelves a tener esta situación de unos pocos cientos de SKUs por planificador. Además, frecuentemente, digo, las empresas, especialmente las grandes empresas FMCG, también tendrían que hacer un poco de VMI, vendor-managed inventory. Entonces, nuevamente, se recurre a un par de cientos de SKUs por planificador.
Kieran Chandler: ¿Y qué pasa con la dificultad del forecast si estás en una industria donde hay muchos new products, como la moda? ¿Significa eso que se podrán gestionar menos SKUs por persona?
Joannes Vermorel: Eso es interesante, y de nuevo, estoy describiendo aquí lo que considero ser corriente hoy en día, no la forma en que opera Lokad. Pero la cuestión es que, cuando buscas una erraticidad muy alta, normalmente se trata de productos con un volumen muy bajo. Ves que existe una correlación inversa entre la erraticidad y el volumen. Si eres una gran FMCG, tienes altos volúmenes, menor erraticidad. Pero también pensarías: “Oh, si tengo menos erraticidad, tal vez el forecast sea más fácil.” Sí, pero también lo que forecast estás haciendo es, desde una perspectiva económica, muy importante porque estamos hablando de una gran masa. Por el otro lado del espectro, si hablamos de un forecast super errático, digamos de piezas automotrices en el long tail, entonces sí, es increíblemente errático, pero además el volumen es muy bajo y el valor no es tan alto. Así que, aunque técnicamente el forecast sea más difícil y la erraticidad sea mucho mayor, la realidad económica es que el peso económico de este artículo en tu supply chain es bajo, y por lo tanto realmente no importa si es más difícil o no. No es muy razonable invertir más tiempo en esos artículos.
Kieran Chandler: Bien, y entonces, comparemos quizás la forma en que Lokad lo hace frente al enfoque más clásico. ¿Cómo varía en comparación con lo que un Supply Chain Scientist gestionaría, comparado con lo que se puede gestionar de manera clásica?
Joannes Vermorel: Pues la perspectiva clásica, y por eso terminamos con ese número de SKUs por planificador de demanda, es literalmente la consolidación de información por parte de la gente.
Kieran Chandler: Entonces, la gente utiliza hojas de cálculo con docenas de columnas que explican lo que deben ver, y luego toman decisiones al revisar la hoja de cálculo. Empiezan con los ítems más importantes y dedican menos tiempo a los menos importantes. ¿Con qué frecuencia revisan estos ítems?
Joannes Vermorel: Bueno, pueden revisar todos los ítems importantes a diario, mientras que los menos importantes solo se revisan mensualmente. El tiempo que gasta el planificador es un gasto operativo. El trabajo que consumes, el tiempo de tu planificador de demanda, solo para hacer el trabajo de planificación de la demanda, no se capitaliza. La única capitalización proviene de tener una hoja de cálculo bien diseñada con todas las columnas relevantes. Esta parte del trabajo, contar con una hoja de cálculo bien instrumentada, es capitalista en el sentido de que lo haces una vez y luego tu trabajo es más rápido durante todos los meses que siguen. Sin embargo, esta parte solo toma unas pocas semanas al principio, y luego se termina. No capitalizas más allá de este punto.
Kieran Chandler: ¿Puedes contarnos acerca del enfoque de Lokad y cómo se diferencia de los métodos tradicionales?
Joannes Vermorel: El enfoque de Lokad es muy diferente. Un Supply Chain Scientist va, fundamentalmente, a elaborar una receta en la que quieres que todas tus decisiones, desde el primer momento, sean no estúpidas. Quieres tener cero por ciento de insania. Ese es el primer hito que buscamos cuando queremos pasar a producción.
Kieran Chandler: ¿Puedes dar un ejemplo de lo que podría ser una decisión estúpida?
Joannes Vermorel: Una decisión estúpida sería, digamos, que tienes una tienda de moda que vende bolsos. Solo pones bolsos marrones y negros en la tienda porque esos colores se venden más. Como resultado, el escaparate se ve triste y carece de variedad de colores. Te gustaría tener toques de otros colores, como blanco o amarillo, para fines de merchandising. Una decisión inteligente de reabastecimiento de inventario necesita tener en cuenta factores más allá de los aspectos impulsados por ventas y servicio. También quieres considerar la apariencia de la tienda.
Kieran Chandler: Entonces, ¿estás diciendo que las recetas numéricas deberían capturar estos conocimientos y reflejar el tipo de expertise que alguien haciendo el trabajo manualmente tendría, en lugar de limitarse a fórmulas ingenuas de safety stock?
Joannes Vermorel: Exactamente. Primero, quieres establecer una receta numérica que capture estos conocimientos. Una vez que tienes eso, te das cuenta de que puedes operar prácticamente a cualquier escala. En Lokad, tenemos Supply Chain Scientists que gestionan, de forma individual, más de mil millones de euros en inventario.
Kieran Chandler: de stock, solo una persona está gestionando algo así como cuatro millones de SKUs de forma individual. Así que ves que, de repente, hay una desconexión completa entre la cantidad de SKUs y el número de personas; una persona puede escalar a niveles que representarían, si se hiciera de forma clásica, docenas, si no cientos, de planificadores a la manera clásica. Y, por cierto, tuvimos un cambio masivo de conducta en nuestros clientes cuando implementamos este tipo de técnicas, porque de repente…
Joannes Vermorel: Eso no significa que todos esos planificadores, por cierto, hayan sido despedidos. Hay montones de cosas en las que puedes tener más valor agregado. Pero la pregunta es: si eres parte de una empresa y lo que haces es simplemente revisar una hoja de cálculo cada día, ¿cómo está creando un valor real para la empresa? ¿Realmente, sabes, la empresa está invirtiendo en tu trabajo, donde el trabajo que produces genera capital para la empresa, es decir, algo que es un activo, o es solo algo que se consume? Eso es capex versus opex. Y el enfoque de Lokad es, fundamentalmente, centrarse en lo siguiente: capex, capex, capex. Queremos tener un activo.
Kieran Chandler: Entonces, ¿cómo es que esa receta numérica construye ese activo? ¿Cómo funciona eso?
Joannes Vermorel: La idea es, ¿por qué deberías revisar tu hoja de cálculo cada día? Sabes, si tomas una decisión, la tomas basándote en los datos que tienes. Así que ves, como planificador de demanda, cuando tienes cientos de productos, no conoces cada producto de memoria, ni sabes de corazoncada cosa que existe. No, quiero decir, puede suceder en algunos campos muy específicos, pero es muy raro. Usualmente, simplemente estructuras correctamente tus docenas de columnas que explican lo que debes observar, y luego tomas una decisión numérica basada en eso. Pues, el enfoque de Lokad es decir, implementemos lo que estás haciendo en tu cabeza. Y sí, requiere, tal vez, algunos toques de machine learning muy específicos para ello. Sí, tal vez existen relaciones que no son fáciles de expresar únicamente en términos de fórmulas numéricas simples, fórmulas numéricas clásicas, porque quizás estás haciendo, en tu cabeza, una evaluación de riesgo.
Así que, la forma en que Lokad, por ejemplo, aborda numéricamente la evaluación de riesgo es mediante forecast probabilístico con economic drivers. Pero ves, hay toda una serie de problemas, y la idea es que, cada vez que terminas con un número generado por tu receta numérica que parece simplemente incorrecto, necesitas tratarlo como un error y solucionarlo. Y no debería haber excepción, ni alerta.
Kieran Chandler: Entonces, mencionaste esos toques de técnicas de machine learning. ¿Deberían todas las empresas buscar aprovechar ese tipo de tecnologías en sus enfoques?
Joannes Vermorel: Yo diría que cualquier empresa que aún emplee hoy en día a trabajadores de cuello blanco para hacer tareas excesivamente repetitivas está cometiendo un error, punto. Ves, sin excepción. Hay áreas donde, en términos de tareas físicas, algunas operaciones aún son muy, muy difíciles de automatizar. Por ejemplo, los robots tienden a ser rígidos a veces, y tener a alguien solo para hacer algo, por ejemplo…
Kieran Chandler: Operaciones tan simples como las limpiezas, donde hay, digamos, un derrame de aceite en tu almacén y solo necesitas limpiarlo, son en realidad extremadamente difíciles de automatizar. Tener un robot que pueda hacer un poco de limpieza, tomar una esponja y hacerlo, es muy, muy difícil. Así que, hay algunos trabajos que parecen simples, como solo tomar un cubo de agua, una esponja, detergente y limpiar. Estas son las cosas que son extremadamente difíciles de automatizar y están algo más allá de las capacidades de nuestros robots más sofisticados en la actualidad.
Joannes Vermorel: En este caso, tenemos gente para hacer este trabajo, pero la automatización está simplemente más allá de nuestras capacidades técnicas. Cuando se trata de decisiones de supply chain, como decisiones numéricas sobre qué debería ordenar, cuántas unidades debería pedir para cada SKU que estoy gestionando, si debería subir o bajar mi punto de precio, o si debería hacer transferencias de inventario de la ubicación A a la B, todas esas preguntas pueden automatizarse por completo. No estoy diciendo que se trate de una automatización sin supervisión humana; no es lo que estoy describiendo. Estoy describiendo una receta numérica que ha sido diseñada por un humano, donde la gente entiende lo que está pasando. Es solo que despliegas esos conocimientos muy humanos a escala, dejando que la computadora haga el trabajo numérico mundano por ti.
Kieran Chandler: Entonces, ¿dónde están las limitaciones? Mencionaste que los Supply Chain Scientists gestionarán inventario por valor de miles de millones de dólares. ¿Cuál es el factor limitante entonces?
Joannes Vermorel: El factor limitante se convierte en la complejidad de la propia supply chain, donde en algún momento, tu receta numérica será una aproximación de tu supply chain. Quieres estar aproximadamente correcto y no totalmente equivocado. Los Supply Chain Scientists no pueden modelar la realidad exactamente; siempre tienes que tomar decisiones para que tu receta numérica siga siendo manejable desde una perspectiva de software. Tienes líneas de código; si eres una sola persona, debes mantener 20,000 líneas de código, lo cual es manejable. Si eres una sola persona y necesitas mantener medio millón de líneas de código, se vuelve ingobernable. Así que, hay un equilibrio en la cantidad de líneas de código involucradas.
Así, si en algún momento solo tienes una persona, se vuelve interesante introducir, especialmente si se trata de supply chains muy grandes, formas de dividir tus supply chains entre varios Supply Chain Scientists de modo que, individualmente, puedan dedicar más tiempo a ciertos problemas. Por ejemplo, si tienes una supply chain y tienes decisiones de precios y decisiones de compras, en algún momento, esas dos cosas estarán fuertemente entrelazadas, pero en algún momento, it
Kieran Chandler: Entonces, Joannes, mencionaste que tener dos personas responsables de precios y compras podría ser beneficioso, pero hay retornos decrecientes en la productividad. ¿Podrías explicar eso un poco más?
Joannes Vermorel: Sí, tiene sentido tener dos personas solo para lograr un mayor grado de refinamiento en tus recetas numéricas para precios y para compras. No obstante, esas dos personas estarán discutiendo mucho y coordinando sus acciones, lo que significa que también tendrás retornos decrecientes en términos de productividad. Así que, ves, es solo que en algún punto, para obtener ese uno por ciento extra de rendimiento, es muy razonable agregar más personas al caso, incluso si eso significa que, en términos de productividad, agregar a la segunda persona solo mejora la productividad un poco. Si todo fuera completamente lineal, dirías que agregar un segundo Supply Chain Scientist incrementaría la producción en un 100 por ciento. En realidad, solo lograrás alrededor del 50 por ciento, y luego, al agregar la tercera persona, esta solo aportará un 30 por ciento. Así que, va a ser, ya sabes, muy rápidamente decreciente en términos de rendimiento. Tienes economías de escala muy fuertes. No obstante, si operas con una supply chain muy grande, vale la pena hacerlo, aunque sea solo para mitigar truck factors cuando alguien se va y ya hay alguien listo para tomar el relevo.
Kieran Chandler: Es interesante que menciones la palabra productividad, porque todo suena como un poco de paradoja. Tienes a una persona encargada de tantos SKUs. ¿Cómo puede ser más eficaz y más rápida en sus decisiones que un equipo de personas que son responsables de un alcance menor?
Joannes Vermorel: Porque en el equipo de personas que son responsables de un alcance menor, no hay nada que sea muy capitalista en lo que hacen. Sabes, la única parte capitalista es la configuración de una hoja de cálculo limpia y agradable, tu entorno de trabajo, que ocurre, ya sabes, durante las primeras semanas. Y luego, ya no capitalizas más. Entonces, te quedas atrapado, en un callejón sin salida, donde de repente todos tus esfuerzos se consumen completamente y no inyectas más inteligencia en el sistema. Simplemente pasas por un proceso que consume todo tu tiempo, y por eso no te queda tiempo para mejoras continuas. Y ves que el enfoque de Lokad es decir que el 100 por ciento del esfuerzo del Supply Chain Scientist debe dedicarse a la mejora continua. Así que, la configuración toma un poco más de tiempo que, nuevamente, desde la perspectiva clásica de la planificación de la demanda. Probablemente podrías tener una configuración en dos semanas en la que simplemente instrumentas tu hoja de cálculo, y luego ya terminas. Una configuración desde la perspectiva de Lokad probablemente tomará, ya sabes, unas semanas más. Pero, a cambio, terminas con algo en lo que obtienes el 100 por ciento de las decisiones que deben tomarse en cualquier día hechas de forma automática, lo que te da casi todo tu tiempo para concentrarte en la mejora continua.
Kieran Chandler: Entiendo. Y tratar cada problema como un error que necesita ser solucionado debe llevar mucho tiempo.
Joannes Vermorel: Sí, y ves, la cuestión es que si tratas cada problema como un error que necesita ser solucionado, eso significa que te colocas en una posición en la que, cuando entras a la oficina cada día, esencialmente solo pasas unos minutos para asegurarte de que no haya, por así decirlo, un incendio que apagar.
Kieran Chandler: Sólo porque ocurra algo completamente inesperado, como que se inunde un almacén, no hay nada que puedas hacer. Este tipo de situaciones sucede en la supply chain y luego puedes pasar todo el día mejorando tu receta numérica. Y eso te brinda un enfoque increíblemente capitalista. Si piensas que, ya que cada semana los Supply Chain Scientist van a añadir una capa de mejora, eso es exactamente lo que estaba ocurriendo desde una perspectiva clásica con el planificador de la demanda durante las primeras dos semanas, pero luego se detiene. Y con la perspectiva de cohete, este trabajo super capitalista nunca se detiene. Y es por eso que, avanzando un par de meses en el tiempo, terminas con algo en lo que sólo hay una persona, pero que es mucho más productivo que el enfoque clásico. Y también, en términos de supply chain performance, es mucho mejor. Simplemente porque, de nuevo, has construido sobre tus mejoras de una manera sumamente capitalista. Bien, empezaremos a concluir entonces. Entonces, ¿dónde radican las mayores barreras para introducir este tipo de enfoques capitalistas? ¿Cuáles son los grandes desafíos que necesitas abordar?
Joannes Vermorel: Quiero decir, el mayor desafío es que durante décadas no contamos con ese tipo de recetas de software, ni con las tecnologías de software que hicieran posibles estas cosas. Así que, teníamos esas hojas de cálculo y, por ejemplo, en Lokad, hasta que descubrimos el enfoque probabilístico, nos costó mucho expresar numéricamente lo que sucedía en la mente de un planificador de la demanda que estaba realizando algún tipo de evaluación de riesgos. Se entendía de forma intuitiva lo que ocurría. La gente podía describir lo que hacía, pero, ¿cómo se traduce eso en fórmulas? Esa era una pregunta abierta. Y existen fórmulas, hay enfoques como safety suck que intentan hacer eso, pero simplemente no funciona. Necesitábamos una mejor clase de recetas numéricas. Así que, esa fue una de las barreras. Otra barrera fue que muchas empresas no consideraban la supply chain como una función importante. Es decir, la supply chain era simplemente una función de apoyo. El hecho de que no fuera una función central no se consideraba un problema. Era una función de apoyo. Costaba dinero, al igual que la mayoría de las funciones de apoyo. No esperas que tu función de apoyo genere valor para la empresa. Así que, era simplemente un centro de costos. Y mientras este centro de costos mantuviera sus propios gastos bajo control, así era. Ya ves, era doble. Primero, el hecho de que no existían verdaderas maneras tecnológicas de hacer esto capitalista. Y segundo, que si la gente no se daba cuenta de que era un activo, entonces no adoptaba la mentalidad necesaria para cambiar realmente la práctica y hacerla capitalista. Porque, verás, para que la práctica de la supply chain se vuelva capitalista, tiene que comenzar con un acto de fe, con un acto de creencia, si quieres que se convierta en un activo. Mientras pienses que es simplemente una función de apoyo, que es solo un centro de costos, adivina qué: nunca crecerá más allá de ser un centro de costos.
Kieran Chandler: Sí, es un concepto interesante, esta idea de cambiar las cosas para que sean más capitalistas. Así que, tendremos que concluir por aquí, pero muchas gracias por sintonizar y nos veremos de nuevo en el próximo episodio. Gracias por ver.
