00:00:07 Discutiendo la gestión de SKUs para los planificadores de la cadena de suministro.
00:01:09 Dependencia de la gestión de SKUs en los sectores verticales de la industria.
00:02:14 Gestión de SKUs en el comercio minorista y su impacto en los planificadores de la demanda.
00:04:00 Factores que impulsan la gestión de SKUs y las reglas clásicas seguidas.
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 de la demanda tradicional y la ciencia de la cadena de suministro.
00:09:37 La importancia de tomar decisiones inteligentes de reposición de inventario.
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 repetitivas de cuello blanco y los límites de la automatización.
00:16:02 Limitaciones de los científicos de la cadena de suministro y la gestión de la complejidad.
00:17:42 Rendimientos decrecientes en productividad y coordinación entre científicos.
00:19:33 Comparando la efectividad y velocidad de un solo científico frente a un equipo.
00:21:09 Mejora continua y enfoque capitalista de los científicos de la cadena de suministro.
00:22:45 Barreras para implementar enfoques capitalistas en la gestión de la cadena de suministro.
Resumen
En una entrevista reciente, Joannes Vermorel, fundador de Lokad, habló sobre los desafíos que enfrentan los planificadores de la cadena de suministro modernos, especialmente en la gestión de unidades de mantenimiento de inventario (SKUs). Vermorel explicó que el número de SKUs gestionados generalmente varía desde unas pocas cientos hasta unas pocas miles, dependiendo del sector vertical de la industria. Tradicionalmente, los planificadores de la demanda utilizan hojas de cálculo con docenas de columnas para tomar decisiones de inventario, pero Lokad emplea científicos de la cadena de suministro que desarrollan recetas numéricas para tomar decisiones de inventario. El objetivo es crear una solución con “cero por ciento de locura”, asegurando que las decisiones sean sensatas. Vermorel argumenta que tratar cada problema como un error a corregir fomenta una mentalidad de crecimiento y mejora constantes, 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 que enfrentan los planificadores de la cadena de suministro modernos, especialmente en la gestión de unidades de mantenimiento de inventario (SKUs). Vermorel explica que el número de SKUs que gestiona un planificador generalmente varía desde unas pocas cientos hasta unas pocas miles, dependiendo del sector vertical de la industria. El comercio minorista es una excepción, ya que los planificadores pueden lidiar con numerosos SKUs a nivel de almacén, pero a nivel de tienda, suelen gestionar plantillas de mínimo-máximo en lugar de SKUs individuales.
El número de SKUs que gestiona un planificador a menudo se determina por el tiempo que se tarda en completar un ciclo a través de la lista de referencias. Los planificadores suelen trabajar con hojas de cálculo, ajustando cantidades y valores de mínimo-máximo, y clasificando los SKUs en categorías como los más vendidos y los de movimiento lento.
Vermorel enfatiza que la relación entre el volumen de SKUs y la erraticidad está inversamente correlacionada. Las grandes empresas de bienes de consumo de movimiento rápido (FMCG, por sus siglas en inglés) con volúmenes altos tienen una erraticidad más baja, mientras que las industrias con bajo volumen y alta erraticidad, como las piezas de automóviles, pueden tener una previsión más desafiante, pero el valor económico no es tan significativo. El número de SKUs que gestiona un planificador de la cadena de suministro depende del sector vertical de la industria y la naturaleza de los productos. El proceso generalmente implica gestionar unas pocas cientos hasta unas pocas miles de SKUs y utilizar hojas de cálculo para monitorear y ajustar los niveles de stock, considerando factores como el volumen, la erraticidad y el valor económico.
Contraponen el enfoque de Lokad con el método clásico de gestión de la cadena de suministro.
Tradicionalmente, los planificadores de la demanda utilizan hojas de cálculo con docenas de columnas para tomar decisiones de inventario, centrándose 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 de la hoja de cálculo, que resulta útil para los meses siguientes.
En cambio, Lokad emplea científicos de la cadena de suministro que desarrollan recetas numéricas 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 mala decisión podría ser abastecer solo una tienda de moda con bolsos marrones y negros porque son los que más se venden, mientras se descuidan otros colores necesarios para fines de comercialización.
Al establecer recetas numéricas que capturan la experiencia, el enfoque de Lokad permite que un solo científico de la cadena de suministro gestione una gran cantidad de SKUs y una enorme cantidad de stock. Este enfoque representa una desviación significativa del método clásico, que requeriría docenas o incluso cientos de planificadores de la 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 las hojas de cálculo todos los días, ya que las decisiones se basan en datos disponibles. En su lugar, implementa el proceso de pensamiento de los planificadores de la demanda a través de recetas numéricas, posiblemente involucrando técnicas específicas de aprendizaje automático.
Vermorel explica la importancia de utilizar técnicas de aprendizaje automático para empresas que aún emplean trabajadores de cuello blanco 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 la cadena de suministro, como las cantidades de pedido y los puntos de precio, pueden ser completamente automatizadas a través de recetas numéricas. Aclara que esto no significa automatización sin supervisión humana, sino desplegar conocimientos humanos a gran escala y permitir que las computadoras manejen el trabajo numérico mundano. Las limitaciones, dice, radican en la complejidad de la cadena de suministro en sí y la necesidad de aproximaciones para asegurar que la receta numérica siga siendo manejable desde una perspectiva de software.
También se discute el equilibrio entre el número de líneas de código y la carga de trabajo de un solo científico de la cadena de suministro. Vermorel sugiere que dividir la cadena de suministro en partes más pequeñas gestionadas por varios científicos puede ayudar a mejorar el refinamiento de las recetas numéricas. Sin embargo, esto puede llevar a rendimientos decrecientes en términos de productividad, ya que los científicos adicionales contribuyen menos al resultado general.
La entrevista aborda la paradoja de la productividad, con una persona responsable de gestionar una gran cantidad de SKU y la necesidad de más personas para manejar grandes cadenas de suministro. Vermorel concluye destacando la importancia de mitigar los “factores de camión” al tener personal de respaldo que pueda hacerse cargo en caso de que alguien abandone la empresa.
La discusión se centra en cómo se puede mejorar la toma de decisiones de la cadena de suministro mediante el aprovechamiento de la tecnología y la mejora continua.
Vermorel argumenta que los enfoques tradicionales de planificación de la demanda, que se basan en la toma de decisiones humanas y hojas de cálculo, tienen limitaciones en su capacidad para impulsar la mejora continua. Después de la configuración inicial de un sistema de planificación de la demanda, las mejoras suelen estancarse y el equipo queda atrapado en un ciclo de simplemente mantener el sistema. Esto les impide tener el tiempo y los recursos para centrarse en la mejora continua.
Por otro lado, el enfoque de Lokad tiene como objetivo automatizar el 100% de las decisiones de la cadena de suministro, lo que permite a los científicos de la cadena de suministro dedicar sus esfuerzos por completo a la mejora continua. Aunque la configuración de este tipo de sistema puede llevar más tiempo que un sistema de planificación de la demanda tradicional, en última instancia resulta en una cadena de suministro más eficiente y efectiva.
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 la cadena de suministro asegura que los científicos de la cadena de suministro estén construyendo continuamente sobre sus mejoras, lo que conduce a un mejor rendimiento general.
Sin embargo, hay 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 la cadena de suministro como una función esencial, tratándola simplemente como una función de soporte o un centro de costos. Como resultado, había poco incentivo para invertir en nuevas tecnologías o prácticas para hacer que la gestión de la cadena de suministro sea más capitalista.
Para superar estas barreras, Vermorel sugiere que las empresas deben cambiar su mentalidad, reconociendo el valor de la gestión de la cadena de suministro como un activo, en lugar de solo un centro de costos. Esto, combinado con la disponibilidad de nuevas tecnologías y software, puede permitir un enfoque más capitalista y efectivo para la toma de decisiones de la cadena de suministro.
Transcripción completa
Kieran Chandler: Oye, con las empresas modernas que ofrecen catálogos cada vez más grandes y la tecnología que facilita una gestión de stock más fácil, un planificador de cadena de suministro moderno debe hacer malabarismos con muchas cosas. Vamos a preguntar cuántos SKU debe gestionar un planificador de cadena de suministro y cuántos son demasiados. Entonces, Joannes, parece que los planificadores de cadena de suministro tienen muchas cosas en sus manos en estos días. ¿Cuántos SKU suele gestionar un planificador de cadena de suministro?
Joannes Vermorel: Según 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 SKU. Aunque hay algunas situaciones en las que las empresas gestionan decenas de miles de SKU, eso es más una excepción. El rango típico que he visto es de alrededor de 500 a 1,000 SKU en muchas industrias.
Kieran Chandler: ¿Cuánto depende de la industria? Me imagino que en el comercio minorista de lujo, no gestionas muchos SKU, pero en un hipermercado gestionarás muchos más.
Joannes Vermorel: Sí, el comercio minorista probablemente sea la excepción donde los planificadores de demanda lidian con un mayor número de SKU. Sin embargo, incluso en las redes minoristas, los planificadores de demanda suelen gestionar solo unos pocos cientos de SKU a nivel de almacén. A nivel de tienda, suelen utilizar plantillas de mínimos y máximos que replican en un gran número de tiendas con características similares. De esta manera, no están gestionando directamente los SKU a nivel de tienda, sino más bien gestionando un meta-SKU o plantilla. Si multiplicamos el número de tiendas gestionadas por el número de productos, obtenemos un gran número de SKU, pero ese no es el enfoque típico de trabajo. Por lo tanto, los gerentes suelen manejar como máximo unos pocos miles de SKU por persona.
Kieran Chandler: ¿Qué factores determinan la cantidad de SKU que una persona gestiona? ¿Existen reglas clásicas que las personas siguen?
Joannes Vermorel: El enfoque clásico que la mayoría de los planificadores de demanda y de suministro utilizan es pasar por una larga hoja de cálculo, con un SKU por línea y varias columnas instrumentadas que proporcionan indicadores. Estos indicadores pueden incluir cuánto se vendió durante las últimas semanas, el último año o en el mismo período pero el año pasado para tener en cuenta la estacionalidad. Los planificadores van línea por línea, ajustando las cantidades y los niveles de mínimos y máximos en función de los datos de estas columnas.
Kieran Chandler: Hoja de cálculo, bueno, vuelves desde el principio y lo iteras. Potencialmente, divides tus SKU en clases como ABC, lo que sea, para que pases más tiempo en los productos más vendidos y menos tiempo en los productos de movimiento lento. Eso es más o menos todo, y ves que la cantidad de SKU queda muy definida por el tiempo que le lleva al planificador de demanda hacer un ciclo a través de la lista de referencias que esta persona está gestionando. Entonces, en ese ejemplo, me imagino que depende de mucha variabilidad en el tipo de producto. Entonces, si estás en una empresa como Coca-Cola donde solo hay 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 mirar las cosas que necesitan ser planificadas desde la perspectiva de Coca-Cola, primero tendrán que planificar prácticamente cada canal porque sus canales son gigantescos. Por lo general, los planificadores se organizan por geografías o canales, y así terminas con un planificador por canal. Tienen unos pocos cientos de SKU, por lo que vuelves a tener unos pocos cientos de SKU por planificador. También con frecuencia, quiero decir, las empresas, las empresas muy grandes de bienes de consumo masivo, también tendrían que hacer un poco de IVM, inventario gestionado por el proveedor. Entonces, nuevamente, volverías a tener un par de cientos de SKU por planificador.
Kieran Chandler: Y luego, ¿qué pasa con la dificultad de pronóstico si estás en una industria donde hay muchos productos nuevos, como la moda? ¿Significa eso que podrás gestionar menos SKU por persona?
Joannes Vermorel: Eso es algo interesante, y nuevamente, estoy describiendo aquí lo que considero que es mainstream hoy en día, no la forma en que Lokad opera. Pero lo que sucede es que cuando te enfrentas a una alta erracticidad, típicamente son productos de muy bajo volumen. Ves que hay una correlación inversa entre la erracticidad y el volumen. Si eres una gran empresa de bienes de consumo masivo, tienes altos volúmenes, menor erracticidad. Pero también pensarías, “Oh, si tengo menos erracticidad, tal vez el pronóstico sea más fácil”. Sí, pero también lo que estás pronosticando es, desde una perspectiva económica, muy importante porque estamos hablando de una gran masa. Por otro lado, si estamos hablando de un pronóstico súper errático, digamos piezas de automóviles en la larga cola, entonces sí, es increíblemente errático, pero también el volumen es muy bajo y el valor no es tan grande. Entonces, incluso si, sí, técnicamente el pronóstico es más difícil y la erracticidad es mucho mayor, la realidad económica es que el peso económico de este artículo en tu cadena de suministro es bajo, y por lo tanto no importa realmente si es más difícil o no. No es muy razonable dedicar más tiempo a esos artículos.
Kieran Chandler: Ok, entonces vamos a contrastar la forma en que Lokad lo hace en comparación con el enfoque más clásico. ¿En qué se diferencia de lo que un científico de la cadena de suministro gestionaría en comparación con lo que se puede gestionar de manera clásica?
Joannes Vermorel: Entonces, la perspectiva clásica, y es por eso que terminamos con este número de SKU por planificador de demanda, la forma clásica es literalmente que las personas consoliden la información.
Kieran Chandler: Entonces, las personas usan hojas de cálculo con docenas de columnas que explican lo que deberían ver, y luego toman decisiones revisando la hoja de cálculo. Comienzan con los elementos más importantes y dedican menos tiempo a los menos importantes. ¿Con qué frecuencia revisan estos elementos?
Joannes Vermorel: Bueno, podrían revisar todos los elementos importantes a diario, mientras que solo revisan los menos importantes mensualmente. El tiempo dedicado por 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 hay nada que se capitalice. La única capitalización proviene de tener una hoja de cálculo bien diseñada con todas las columnas relevantes. Esta parte del trabajo, tener una hoja de cálculo bien instrumentada, es capitalista en el sentido de que lo haces una vez y luego tu trabajo es más rápido para todos los meses siguientes. Sin embargo, esta parte es solo unas pocas semanas al principio, y luego se termina. No se capitaliza más allá de este punto.
Kieran Chandler: ¿Puedes hablarnos sobre el enfoque de Lokad y cómo difiere de los métodos tradicionales?
Joannes Vermorel: El enfoque de Lokad es muy diferente. Un científico de la cadena de suministro va a crear fundamentalmente una receta donde quieres que todas tus decisiones, desde el principio, no sean estúpidas. Quieres tener un cero por ciento de locura. Ese es el primer hito que buscamos cuando queremos ir a producción.
Kieran Chandler: ¿Puedes dar un ejemplo de qué 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 son los que más se venden. Como resultado, la ventana de la tienda se ve triste y carece de variedad de colores. Te gustaría tener toques de otros colores, como blanco o amarillo, con fines de merchandising. Una decisión inteligente de reabastecimiento de inventario debe tener en cuenta factores más allá de las ventas y los aspectos impulsados por el servicio. También quieres considerar la apariencia de la tienda.
Kieran Chandler: Entonces, ¿estás diciendo que las recetas numéricas deben capturar estos conocimientos y reflejar la experiencia que alguien que realiza el trabajo manualmente tendría, en lugar de ceñirse a fórmulas ingenuas de existencias de seguridad?
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 científicos de la cadena de suministro que gestionan individualmente más de mil millones de euros en inventario.
Kieran Chandler: de stock solo una persona y una persona está gestionando algo así como cuatro millones de SKU individualmente. Entonces ves que de repente hay una desconexión completa en la cantidad de SKU y la cantidad de personas que una persona puede escalar a niveles que representarían, si se hiciera de manera clásica, docenas, si no cientos, de planificadores de la manera clásica. Y por cierto, tuvimos un cambio masivo de conducta que ocurrió en nuestros clientes cuando implementamos este tipo de técnicas porque de repente…
Joannes Vermorel: No significa que todos esos planificadores fueran, por cierto, despedidos. Hay toneladas de cosas en las que puedes agregar más valor. Pero la pregunta es, si eres parte de una empresa y lo único que haces es pasar por una hoja de cálculo todos los días, ¿cómo estás creando un valor preciso para la empresa? ¿Realmente la empresa está invirtiendo en tu trabajo, donde el trabajo que produces está generando capital para la empresa, algo que es un activo o es algo que se consume? Eso es capex versus opex. Y el enfoque de Lokad fundamentalmente se centra en dos cosas: capex, capex, capex. Queremos tener un activo.
Kieran Chandler: Entonces, ¿cómo se construye ese activo con la receta numérica? ¿Cómo funciona eso?
Joannes Vermorel: La idea es, ¿por qué deberías revisar tu hoja de cálculo todos los días? Sabes, si tomas una decisión, tomas esta decisión basada en los datos que tienes. Entonces, como planificador de la demanda, cuando tienes cientos de productos, no conoces cada producto de memoria, no conoces cada cosa que hay. No, quiero decir, puede suceder en algunos campos muy específicos, pero es muy raro. Por lo general, simplemente diseñas correctamente tus docenas de columnas que explican en qué debes fijarte, y luego tomas una decisión numérica basada en eso. Bueno, el enfoque de Lokad es decir, implementemos lo que estás haciendo en tu cabeza. Y sí, puede requerir algunos fragmentos de aprendizaje automático muy específicos para hacer eso. Sí, tal vez haya relaciones que no sean fáciles de expresar en términos de fórmulas numéricas simples y clásicas porque tal vez estés haciendo, en tu cabeza, una evaluación de riesgos.
Entonces, la forma en que Lokad, por ejemplo, aborda numéricamente la evaluación de riesgos es a través de pronósticos probabilísticos con impulsores económicos. Pero ves que hay una serie de problemas, y la idea es que cada vez que obtengas un número generado por tu receta numérica que parezca incorrecto, debes tratarlo como un error y corregirlo. Y no debería haber excepciones, ni alertas.
Kieran Chandler: Entonces mencionaste esos fragmentos de técnicas de aprendizaje automático. ¿Deberían todas las empresas buscar aprovechar ese tipo de tecnologías en sus enfoques?
Joannes Vermorel: Yo diría que cualquier empresa que todavía emplee actualmente a empleados de cuello blanco para realizar tareas excesivamente repetitivas está cometiendo un error, punto. Ves, sin excepción. Hay áreas donde, en términos de tareas físicas, algunas operaciones todavía 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 limpiezas, donde hay, digamos, un derrame de aceite en tu almacén, y solo necesitas limpiarlo, en realidad son extremadamente difíciles de automatizar. Tener un robot que pueda hacer un poco de limpieza, tomar una esponja y hacer eso es muy, muy difícil. Entonces, hay algunos trabajos que parecen simples, como tomar un cubo de agua, una esponja, detergente y limpiar. Estas son las cosas que son extremadamente difíciles de automatizar y están más allá de las capacidades de nuestros robots más sofisticados en la actualidad.
Joannes Vermorel: En este caso, tenemos personas que hacen este trabajo, pero la automatización está más allá de nuestras capacidades técnicas. Cuando se trata de decisiones de la cadena de suministro, como decisiones numéricas como qué debo pedir, cuántas unidades debo pedir para cada SKU que estoy gestionando, si debo subir o bajar mi punto de precio, o si debo hacer transferencias de inventario de la ubicación A a la ubicación B, todas esas preguntas se pueden automatizar por completo. No estoy diciendo que sea una automatización sin supervisión humana; eso no es lo que estoy describiendo. Estoy describiendo una receta numérica que ha sido diseñada por un humano, donde las personas entienden lo que está sucediendo. Simplemente despliegas las ideas humanas a gran escala, dejando que la computadora haga el trabajo numérico mundano por ti.
Kieran Chandler: Entonces, ¿dónde están las limitaciones? Mencionaste que los científicos de la cadena de suministro estarán gestionando miles de millones de dólares en inventario. ¿Cuál es el factor limitante entonces?
Joannes Vermorel: El factor limitante se encuentra en la complejidad de la propia cadena de suministro, donde en algún momento, tu receta numérica será una aproximación de tu cadena de suministro. Quieres ser aproximadamente correcto y no exactamente incorrecto. Los científicos de la cadena de suministro 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 persona, tienes que mantener 20,000 líneas de código, lo cual es manejable. Si eres una persona y necesitas mantener medio millón de líneas de código, se vuelve inmanejable. Por lo tanto, hay un equilibrio en la cantidad de líneas de código involucradas.
Por lo tanto, si tienes una persona en algún momento, se vuelve interesante introducir, especialmente si optas por cadenas de suministro muy grandes, formas de dividir tus cadenas de suministro entre varios científicos de la cadena de suministro para que individualmente puedan dedicar más tiempo a ciertos problemas. Por ejemplo, si tienes una cadena de suministro y tienes decisiones de precios y decisiones de compra, en algún momento, esas dos cosas estarán muy entrelazadas, pero en algún momento, se
Kieran Chandler: Entonces, Joannes, mencionaste que tener dos personas responsables de los precios y las compras podría ser beneficioso, pero hay rendimientos decrecientes en la productividad. ¿Podrías explicarlo un poco más?
Joannes Vermorel: Sí, tiene sentido tener dos personas solo para tener un mayor grado de refinamiento en tus recetas numéricas para los precios y las compras. Sin embargo, esas dos personas van a estar discutiendo mucho y coordinando sus acciones, lo que significa que también hay rendimientos decrecientes en términos de productividad. Entonces, ves, es solo que en algún momento, para obtener este uno por ciento adicional de rendimiento, es muy razonable agregar más personas al caso, incluso si eso significa que, en términos de productividad, agregar la segunda persona solo mejora la productividad en un más. Si tuvieras una producción completamente lineal, dirías un aumento del 100 por ciento en la producción si agregaras un segundo científico de la cadena de suministro. En realidad, solo tendrías como un cincuenta por ciento, y luego está la tercera persona, y esta tercera persona solo agregaría un treinta por ciento. Entonces, va a disminuir rápidamente en términos de rendimiento. Tienes estas economías de escala muy fuertes. No obstante, si estás operando con una cadena de suministro muy grande, vale la pena hacerlo, incluso si solo es para mitigar los factores de riesgo cuando alguien se va, tienes a alguien listo para hacerse cargo.
Kieran Chandler: Es interesante que menciones la palabra productividad porque todo suena como una especie de paradoja. Tienes a una persona responsable de tantos SKU. ¿Cómo pueden ser más efectivos y rápidos en sus decisiones que un equipo de personas responsables de un alcance más pequeño?
Joannes Vermorel: Porque el equipo de personas responsables de un alcance pequeño, no hay nada muy capitalista en lo que hacen. Sabes, la única parte capitalista es la configuración de una hoja de cálculo limpia y bonita, tu entorno de trabajo, que sucede, ya sabes, durante las primeras semanas. Y luego no capitalizas más. Entonces, estás atrapado, estás atrapado en un callejón sin salida donde de repente todos tus esfuerzos son completamente consumidos y no inyectas más inteligencia en el sistema. Simplemente pasas por un proceso que consume todo tu tiempo y no te queda tiempo para mejoras continuas. Y la idea de Lokad es decir que el 100 por ciento del esfuerzo del científico de la cadena de suministro debe dedicarse a la mejora continua. Entonces, la configuración lleva un poco más de tiempo que desde la perspectiva clásica de la planificación de la demanda. Probablemente podrías tener una configuración en dos semanas donde simplemente instrumentas tu hoja de cálculo y ya está. Una configuración desde la perspectiva de Lokad probablemente llevará, ya sabes, unas cuantas semanas más que eso. Pero, a cambio, terminas con algo donde tienes algo en lo que el 100 de tus decisiones que deben tomarse en cualquier día dado se hacen automáticamente, lo que te da casi todo tu tiempo para enfocarte en la mejora continua.
Kieran Chandler: Ya veo. Y tratar cada problema como un error que debe ser corregido debe llevar tiempo.
Joannes Vermorel: Sí, y ves, la cosa es que si tratas cada problema como un error que debe ser corregido, eso significa que te pones en una posición en la que cuando entras a la oficina todos los días, básicamente, solo pasas unos minutos para asegurarte de que no haya nada como que no tengas un incendio que apagar.
Kieran Chandler: Solo porque sucede algo completamente inesperado, como una inundación en un almacén, no hay nada que puedas hacer. Este tipo de cosas sucede en la cadena de suministro y luego puedes pasar todo el día mejorando tu receta numérica. Y eso te da un enfoque increíblemente capitalista. Si piensas en eso, porque entonces el científico de la cadena de suministro va a agregar una capa de mejora cada semana, eso es exactamente lo que estaba sucediendo desde una perspectiva clásica con el planificador de la demanda durante las primeras dos semanas, pero luego se detiene. Y con la perspectiva de Lokad, este trabajo súper capitalista nunca se detiene. Y es por eso que, avanzando un par de meses, terminas con algo donde es solo una persona pero es mucho más productiva que el enfoque clásico. Y también en términos de rendimiento de la cadena de suministro, también es mucho mejor. Solo porque, nuevamente, has construido sobre tus mejoras de una manera altamente, altamente capitalista. Bueno, entonces comenzaremos a concluir las cosas. Entonces, ¿dónde se encuentran las mayores barreras para introducir este tipo de enfoques capitalistas? ¿Cuáles son los grandes desafíos que necesitas superar?
Joannes Vermorel: Quiero decir, el mayor desafío es que durante décadas no tuvimos el tipo de recetas de software, tecnologías de software para hacer posible este tipo de cosas. Así que teníamos esas hojas de cálculo, y luego, por ejemplo, en Lokad hasta que descubrimos el enfoque probabilístico, tuvimos muchas dificultades para expresar numéricamente lo que estaba sucediendo en la mente de un planificador de demanda que estaba realizando una evaluación de riesgos. Entendías intuitivamente lo que estaba sucediendo. Las personas podían describir lo que estaban haciendo, pero ¿cómo se traduce eso en fórmulas? Esa era una pregunta abierta. Y hay fórmulas, hay enfoques como safety stock que intentan hacer eso, pero simplemente no funcionan. Necesitábamos una mejor clase de recetas numéricas. Entonces, esa fue una clase de barreras. Otra clase de barreras era que muchas empresas no consideraban la cadena de suministro como una función de importancia. Así que, la cadena de suministro era simplemente una función de soporte. El hecho de que no sea una función central no era un problema. Era una función de soporte. Cuesta dinero, al igual que la mayoría de las funciones de soporte. No esperas que tu función de soporte cree valor para la empresa. Entonces, es solo un centro de costos. Y mientras este centro de costos mantenga sus propios costos bajo control, así sea. Entonces, ves, era de dos caras. Primero, el hecho de que no había formas tecnológicas reales para hacer que esta cosa sea capitalista. Y luego, lo segundo fue que si las personas no se dan cuenta de que es un activo, entonces no entran en el tipo de mentalidad que se necesita para cambiar realmente la práctica para que se vuelva capitalista. Porque ves, para que la práctica de la cadena de suministro se vuelva capitalista, necesita comenzar con un acto de creencia, un acto de fe, si quieres que pueda convertirse en un activo. Mientras pienses que es solo una función de soporte 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 terminar aquí, pero muchas gracias por sintonizar y nos vemos en el próximo episodio. Gracias por ver.
