00:00:07 Introducción al tema del machine learning en la industria de la supply chain.
00:00:46 Introducción al invitado Alexander Backus, quien es el líder de datos y análisis en IKEA.
00:02:20 Explicación del concepto de profecía autocumplida.
00:03:03 Discusión de cómo una profecía autocumplida afecta la supply chain, como los objetivos comerciales y la influencia de la demanda y la oferta.
00:07:14 Explicación de cómo los bucles de retroalimentación en la supply chain hacen que el mundo sea más complejo y cómo un excedente de un cierto producto puede influir en sus ventas.
00:08:53 Discusión sobre los bucles de retroalimentación en las supply chains y la influencia del comportamiento humano en ellos.
00:10:41 Uso de datos de ventas en el forecast de demanda y las posibles consecuencias de usar un enfoque ingenuo.
00:13:08 Problema de forecast cero en sistemas de machine learning y el efecto látigo.
00:15:17 Explicación del sesgo de faltante de stock y técnicas para lidiar con él.
00:17:22 Discusión sobre la prevalencia de faltantes de stock y la efectividad del método para lidiar con el sesgo de faltante de stock.
00:18:15 Explicación de cómo la percepción del cliente de un producto puede afectar la demanda y el impacto de los niveles de stock en las ventas.
00:20:17 Explicación de la ocultación de pérdidas y su propósito.
00:20:26 Explicación de cómo darle al modelo acceso a los niveles de stock puede ayudarlo a entender el efecto de las fluctuaciones de nivel de stock en las ventas.
00:22:14 Discusión de las limitaciones de usar un modelo de machine learning para la inferencia causal y los efectos de las variables de confusión.
00:25:54 Explicación de cómo el forecast probabilístico puede ayudar a reducir el impacto del forecast cero al reconocer la “imprecisión” de la información disponible.
00:27:04 Explicación de los beneficios de usar un modelo de forecast probabilístico.
00:28:44 Ventajas de usar un modelo de forecast probabilístico sobre un forecast puntual.
00:30:42 Bucles de retroalimentación y cómo afectan al forecast.
00:34:35 Cómo los precios pueden afectar al forecast.
00:36:32 Explicación de la observabilidad parcial y su desafío en la creación de un modelo para la gestión de la supply chain.
00:37:04 Comparación con el concepto de feedback de bandido y su aplicación bien conocida en los sistemas de recomendación de ecommerce.
00:37:17 Discusión sobre las limitaciones del aprendizaje supervisado en la predicción del impacto de las decisiones en la gestión de la supply chain.
00:38:01 Explicación del algoritmo de aprendizaje por refuerzo basado en políticas.
00:41:06 Discusión sobre los desafíos en la aplicación del algoritmo de aprendizaje por refuerzo a la gestión de la supply chain en el mundo real y la solución de comenzar con el aprendizaje offline a partir de datos históricos.
00:44:55 Discusión sobre cómo los hábitos y las prácticas pasadas afectan los movimientos de precios en una empresa.
00:46:41 Explicación de la explotación y la exploración en el aprendizaje por refuerzo.
00:50:57 La necesidad de reconocer los bucles de retroalimentación en el forecast como un cambio de paradigma.
00:52:45 Los desafíos técnicos y culturales en la incorporación de la IA en los procesos empresariales.
00:53:57 Discusión sobre los desafíos en la modelización y toma de decisiones en la industria de la supply chain.
00:54:55 Reconocimiento de la existencia de bucles de retroalimentación en el proceso de la supply chain.
00:55:06 Avanzando hacia un enfoque basado en decisiones en lugar de un enfoque basado en forecast.
00:57:27 La tendencia en la industria de la supply chain, especialmente entre las grandes empresas de ecommerce.
01:01:03 ¿Qué cualidades se buscan al incorporar a nuevas personas para trabajar en los desafíos de la supply chain en IKEA?
Resumen
En una entrevista moderada por Nicole Zint, Joannes Vermorel, fundador de Lokad, y Alexander Backus, líder de Datos y Análisis en IKEA, discuten la aplicación de machine learning y AI en la industria de la supply chain. La entrevista destaca el impacto de las profecías autocumplidas y los bucles de retroalimentación en la gestión de la supply chain y subraya los desafíos de utilizar modelos de machine learning en el forecast. La entrevista también explora enfoques para evitar el problema de forecast cero, como el uso de forecast probabilístico, y la importancia de reconocer la incertidumbre en el forecast de la supply chain. Los panelistas enfatizan la necesidad de aceptar la incertidumbre, avanzar hacia modelos de toma de decisiones, e incorporar cambios de manera gradual para mejorar la gestión de la supply chain.
Resumen Extendido
En esta entrevista, Nicole Zint modera una discusión entre Joannes Vermorel, fundador de Lokad, y Alexander Backus, líder de Datos y Análisis en IKEA, sobre la aplicación de machine learning y AI en la industria de la supply chain. Discuten el concepto de profecía autocumplida y su posible impacto en las supply chains, el papel de los bucles de retroalimentación, y los desafíos de utilizar modelos de machine learning en el forecast.
Una profecía autocumplida es una predicción que directa o indirectamente causa que se haga realidad debido a la retroalimentación entre la creencia y el comportamiento. En la gestión de la supply chain, los forecast pueden impactar en los procesos de toma de decisiones y finalmente cambiar el futuro. Vermorel señala que las profecías autocumplidas no son inherentemente buenas o malas; simplemente hacen la situación más compleja.
Los bucles de retroalimentación son prevalentes en las supply chains, ya que los humanos reaccionan a los forecast, lo que puede afectar a las predicciones futuras. Vermorel destaca cómo estos bucles pueden manifestarse de diversas formas, como ajustar los precios o la ubicación de los productos en función de los niveles de stock. También señala que los competidores pueden alterar sus estrategias en respuesta a los forecast de una empresa, creando bucles de retroalimentación adicionales.
Backus explica que los datos de ventas son una entrada clave para los modelos de machine learning en el forecast, pero las ventas no son lo mismo que la demanda. Los datos de ventas pueden ser influenciados por la oferta y otros factores, mientras que la demanda es una cantidad no observada que necesita ser inferida. Él enfatiza la importancia de distinguir entre los dos y considerar su interacción en el proceso de forecast.
Los modelos de machine learning pueden ser problemáticos en el forecast de la supply chain si no están diseñados para tener en cuenta los bucles de retroalimentación y las profecías autocumplidas. Backus menciona el “efecto látigo”, donde pequeñas desviaciones en la supply chain pueden ser amplificadas por el sistema. Esto puede llevar a efectos perjudiciales, como ventas en espiral o predicciones inexactas. Contrasta la predicción del clima, que no está influenciada por el comportamiento humano, con la predicción de los resultados empresariales, que están sujetos a estos complejos bucles de retroalimentación.
Para mitigar los desafíos planteados por los bucles de retroalimentación y las profecías autocumplidas, Vermorel sugiere que las empresas deben aceptar la complejidad de los sistemas de supply chain y reconocer que los forecast puntuales pueden ser insuficientes. En su lugar, deberían buscar entender y anticipar los posibles impactos de sus forecast en el comportamiento humano y en los procesos de toma de decisiones.
En resumen, la entrevista explora las complejidades de usar machine learning e IA en la gestión de la supply chain, destacando la importancia de entender las profecías autocumplidas y los bucles de retroalimentación para mejorar la precisión del forecast y la toma de decisiones.
El problema del forecast cero ocurre cuando un sistema ordena menos stock debido a una percepción de caída en la demanda, lo que provoca que la demanda caiga aún más y lleva a una disminución continua en los pedidos. Para evitar este problema, Vermorel sugiere eliminar el sesgo del faltante de stock cambiando la métrica utilizada en el modelo de forecast. Un enfoque es poner a cero las mediciones en los días con faltantes de stock. Este método funciona bien cuando los faltantes de stock son relativamente raros, pero es menos efectivo en industrias con altas tasas de faltantes de stock.
Otro enfoque es dar al modelo de machine learning acceso a los datos históricos y futuros de los niveles de stock, permitiéndole aprender el efecto de las fluctuaciones del nivel de stock en las ventas o demanda futuras. Este método requiere alimentar todas las decisiones y factores que afectan la demanda, como las promociones, los precios, la capacidad, las restricciones de almacén, y las fuerzas del mercado, en el modelo de forecast.
Sin embargo, Backus advierte que el uso de un modelo estándar de machine learning sin toda la información necesaria puede llevar a errores, como confundir la causa y el efecto de los cambios en el nivel de stock y las fluctuaciones de la demanda. Para evitar estos problemas, sugiere usar el forecast probabilístico, que reconoce la vaguedad de la información disponible y evita converger en una confianza absoluta en que la demanda sea cero.
El forecast probabilístico distribuye las probabilidades entre muchos valores, lo que dificulta la convergencia en una confianza absoluta en la demanda cero. Este enfoque evita que el inventario se congele en cero al estimar probabilidades no nulas para la demanda futura. También tiene en cuenta la asimetría entre servir a un cliente y mantener stock extra por un día extra, favoreciendo niveles de servicio más altos.
A pesar de sus ventajas, el forecast probabilístico no es una solución perfecta. Todavía puede subestimar la demanda futura en casos de faltantes de stock repetidos. Sin embargo, proporciona un método más robusto para gestionar el inventario y evitar el problema del forecast cero.
En conclusión, la adopción de técnicas de machine learning y forecast probabilístico puede ayudar a los profesionales de la supply chain a predecir mejor la demanda y gestionar los niveles de inventario. Al considerar varios factores que influyen en la demanda y tener en cuenta las incertidumbres en los datos disponibles, las empresas pueden tomar decisiones más informadas y mejorar su rendimiento de la supply chain.
Joannes Vermorel enfatizó la importancia de reconocer la incertidumbre en el forecast de la supply chain, ya que la modelización perfecta de los eventos futuros es poco realista. Discutió el concepto de forecast probabilístico, que refleja la incertidumbre inherente de los eventos de la supply chain, y cómo difiere de los forecast puntuales. Los forecast probabilísticos, explicó, implican distribuciones de probabilidad, haciendo que el futuro parezca muy diferente del pasado. También mencionó los bucles de retroalimentación como una dimensión extra para enriquecer los forecast al hacerlos dinámicos y condicionales al comportamiento futuro.
Alexander Backus estuvo de acuerdo con los puntos de Vermorel y profundizó en cómo dar a los modelos acceso a decisiones anteriores, como la fijación de precios, puede aliviar los problemas con el forecast. Introdujo el concepto de observabilidad parcial, que implica sólo observar el efecto de una decisión sin conocer el contrafactual. Para predecir mejor el impacto de las decisiones, Backus sugirió replantear los problemas de machine learning para producir decisiones óptimas en lugar de predicciones sobre el futuro. Este enfoque se llama aprendizaje por refuerzo.
La conversación gira en torno a los desafíos del forecast y la toma de decisiones en la gestión de la supply chain debido a los bucles de retroalimentación, los datos limitados y las decisiones no aleatorias. Enfatizan la necesidad de abrazar estos bucles de retroalimentación y avanzar hacia un modelo que produzca decisiones en lugar de forecast. La tendencia entre las empresas tecnológicamente avanzadas como Amazon y Alibaba es dejar de lado la idea de un forecast perfecto y centrarse en la toma de decisiones. A pesar de los desafíos existentes, los panelistas coinciden en que la industria debería trabajar para incorporar estos cambios de manera gradual para mejorar la gestión de la supply chain.
Vermorel destaca la importancia de abrazar la incertidumbre y la complejidad irreducible de las supply chains, que están compuestas por humanos, máquinas y procesos. Aboga por ser aproximadamente correcto en lugar de exactamente incorrecto. Backus enfatiza la necesidad de un gran talento en data science para abordar los desafíos dentro de grandes corporaciones como IKEA, destacando el potencial de impacto global y la importancia de desafiar el status quo.
Transcripción completa
Nicole Zint: Bienvenido Alexander Backus con nosotros aquí hoy en nuestras oficinas. Alexander es un experto en este campo y es el líder de Data y Analytics en IKEA. Entonces, como siempre, nos gustaría comenzar dejando que nuestros invitados se presenten. Alexander, si lo deseas, el piso es tuyo.
Alexander Backus: Gracias, Nicole. Gracias por invitarme aquí. Es genial estar aquí en París contigo. Mi nombre es Alexander Backus, y estoy liderando análisis de datos en el dominio de operaciones de inventario y logística de IKEA Inka Group Digital. Estoy gestionando un grupo de científicos de datos, ingenieros de datos y analistas de datos que trabajan en equipos de productos interfuncionales con la misión de optimizar la planificación de operaciones de logística de inventario. Tengo una formación en ciencia de datos, y he trabajado como consultor para grandes empresas como KLM Airlines, Heineken, Vodafone Ziggo e ING Bank. Después de hacer un PGD en Neurociencia Cognitiva, creo que trabajar en la supply chain como científico de datos es un campo realmente emocionante porque combina muchas condiciones favorables para la ciencia de datos. Hay muchos datos, hay un impacto en la toma de decisiones del mundo real, por lo que es algo tangible, y no solo impactas en la línea de fondo, sino que también ayudas a crear un mundo más sostenible al reducir el desperdicio en la supply chain. Así es como terminé aquí.
Nicole Zint: Antes de adentrarnos en estos temas, primero expliquemos el concepto que vamos a discutir. Empecemos: ¿Qué es una profecía autocumplida?
Alexander Backus: La idea es que el forecast que haces para optimizar tu proceso de negocio en realidad impacta en un cierto proceso de toma de decisiones. Se toma una decisión basada en tu forecast, al menos eso es lo que quieres. Cuando eso sucede, significa que tu forecast en sí está cambiando el futuro y también cambiando los datos que se utilizan para hacer el forecast la próxima vez. Esto puede plantear ciertos desafíos. Esencialmente, una profecía autocumplida es cuando una predicción ocurre porque fue predicha. Entonces, afectas el futuro porque pensaste que sería de cierta manera. No solo estás afectando el futuro, sino que también creas una realidad donde el forecast se convierte en la verdad, y eso puede suceder de varias maneras. Por ejemplo, si tienes un forecast de tu negocio o tus ventas, entonces esto puede convertirse en el objetivo para tu negocio.
Nicole Zint: Entonces, la gente de marketing toma ciertas decisiones, dicen, está bien, deberíamos alcanzar este objetivo porque estamos un poco bajos ahora, así que necesitamos vender un poco más, y necesitamos hacer algunas promociones. Entonces, en realidad, el forecast que hiciste se ha convertido en el objetivo que ha llevado a la toma de decisiones en el camino, que impacta cuál será el resultado final de las ventas en este ejemplo. Y eso puede suceder de muchas maneras. Entonces, otro ejemplo es donde tendrás un cierto forecast que hace que asegures una determinada capacidad de entrega o capacidad de picking en tus almacenes, y eso tiene un impacto en el tiempo de entrega. Entonces, cuando un cliente mira tu sitio web de ecommerce y ve que el tiempo de entrega es muy alto o muy bajo, puede ir en cualquier dirección; eso en realidad influye en la demanda de los clientes.
Alexander Backus: Exactamente, la demanda influye en tu supply, y la supply influye en la demanda. Puede ir en cualquier dirección, y eso es en realidad este efecto al que estás insinuando, Joannes. Cuando se trata de los forecasts que se convierten en objetivos de negocio, ¿cómo ves que eso afecta al negocio en sí? ¿Cuáles son las desventajas cuando el forecast es algo a lo que la gente aspira a llegar en lugar de mirar realmente el rendimiento de su supply chain?
Joannes Vermorel: No hay desventajas per se. Es más una cuestión de que así es como opera la supply chain. Sabes, los bucles de retroalimentación están en todas partes. Estamos lidiando esencialmente con asuntos humanos donde lo que sorprende a los profesionales es que en muchas escuelas de ingeniería e incluso en muchas empresas, la gente se acerca al forecasting como el enfoque del forecast del movimiento de los planetas, algo donde tienes un marco muy limpio donde tienes observación pasada, y puedes hacer una declaración sobre la posición futura del planeta. Pero tú, siendo el forecaster, no tienes ningún impacto en absoluto en esos elementos que se observan, como los planetas.
Nicole Zint: Entonces, ¿quieres decir que una profecía autocumplida no es necesariamente buena o mala, simplemente es?
Joannes Vermorel: Sí, exactamente. No puedes pretender que no afecta, pero ciertamente hace la situación más compleja y complicada, en realidad un poco de ambas. Y entonces, donde se vuelve un poco desconcertante es que muchas empresas tienen dificultades para aceptar cualquier cosa que no sea un forecast de punto o un forecast de punto. Digamos, tienes un futuro; esto es. Y es esencialmente algo que es completamente simétrico del pasado. Tienes tu observación pasada, y te gustaría tener el futuro que sea tan limpio y ordenado como el pasado, esencialmente más de lo mismo.
Nicole Zint: Sí, más de lo mismo pero también realmente de la misma naturaleza. Así que tienes una visión perfectamente clara sobre el pasado y una visión perfectamente clara sobre el futuro. Y por cierto, en el caso del movimiento de los planetas, siempre y cuando no estés mirando millones de años adelante, puedes tener una visión completamente perfecta para la posición de esos planetas un siglo a partir de ahora.
Joannes Vermorel: Ahora, donde se vuelve interesante es que en la supply chain, tienes bucles de retroalimentación por todas partes. Siempre que te comprometes con un producto comprando mucho, entonces de hecho, creas expectativa, y la gente siente que tiene que vender el producto, y harán lo que sea necesario para que la empresa no se quede con un exceso de stock masivo que no han logrado empujar. Se organizarán para que este suministro masivo se transforme en ventas masivas, o al menos eso es lo que intentarán hacer. Ajustan el precio de acuerdo a cuánto tienen en stock, o a veces cosas que son incluso más mundanas. Si hay tiendas, si tú
Nicole Zint: En una dirección ligeramente diferente, solo para establecer una mayor diferenciación, ves esos bucles de retroalimentación, están en todas partes y no son malos. Simplemente están presentes, y de nuevo la razón principal es porque en el medio tenemos humanos que pueden pensar y actuar en base a esas mejoras sobre el futuro. Así que siempre que hay humanos en el bucle, siempre que estás haciendo una declaración sobre el futuro, la gente va a reaccionar de acuerdo a esas declaraciones. Las supply chains son muy complejas, por lo que esas reacciones pueden tomar muchas formas. Pero todas las supply chains tienen en común de tener un montón de gente, y a veces, por ejemplo, el bucle de retroalimentación también toma la forma de anunciar una escasez de algo. Entonces la gente se apresura a comprar esto, y así puedes tener una escasez hecha por el hombre solo porque es un efecto psicológico.
Joannes Vermorel: Exactamente. Y la idea de que si anuncias una escasez, lo más probable es que vayas a causar una escasez, no es nada nuevo. Es relativamente predecible, pero sin embargo, es difícil anticipar todas esas señales porque de repente tienes que ser perfecto. Sí, y de repente tienes que modelar, de alguna manera, la psique de las personas que están en medio de la supply chain.
Nicole Zint: Joannes, sigues mencionando estos bucles de retroalimentación. Alexander, ¿puedo preguntarte qué datos reales se retroalimentan en estos sistemas para que nuestros espectadores lo entiendan? Entonces, ¿en qué punto de la supply chain alimentamos los datos de nuevo?
Alexander Backus: Buena pregunta. Creo que una fuente muy importante para hacer cualquier tipo de forecast es tu data de ventas, y esta es también la data clave que se ve afectada por los efectos de los que acabamos de hablar. Entonces, si volvemos a lo que Joannes estaba explicando, el enfoque ingenuo para el forecast de demanda, o el forecast de negocios en general, es donde tomas un modelo de aprendizaje automático supervisado y comienzas a tratarlo como un problema básico de regresión. Entonces dices: “Está bien, solo voy a predecir esta cantidad basada en datos históricos usando un algoritmo de aprendizaje supervisado”. Y luego, si tomas ese modelo que está entrenado para predecir ventas futuras y ahora piensas en los ejemplos de los bucles de retroalimentación que discutimos, puedes tener casos perjudiciales o degenerativos aquí. Entonces, donde tu modelo predice una demanda baja o ventas bajas, seamos muy cautelosos en no confundir los dos, pero ignoremos por un momento que las ventas no son demanda.
Y entonces te metes en una situación donde predices ventas bajas, por lo que también haces una planificación de capacidad baja, y por lo tanto también vendes menos, y luego vas bajando y bajando hasta que llegas a cero. Entonces el modelo comenzará a aprender que la demanda está cayendo, pero está cayendo. Y también puede ir en la otra dirección, en realidad. Entonces, también puede subir en espiral en ese sentido.
Joannes Vermorel: Sí, hay estos efectos perjudiciales si usas un modelo de aprendizaje automático para aprender de la historia para predecir el futuro de esta manera más ingenua que puede salir completamente mal aquí.
Nicole Zint: Suena un poco como un efecto látigo, donde un error en una supply chain o una desviación de la norma simplemente se amplifica por el sistema. Y también mencionaste el hecho de que las ventas no son necesariamente demanda, porque puedes vender 50 unidades de tu stock, pero si la demanda era de 100, aún solo registrará que tus ventas son 50. Esa distinción está realmente relacionada con el núcleo de este problema.
Alexander Backus: Sí, la demanda en sí es, por supuesto, una cantidad no observada. No puedes medirla, por lo que necesitas inferirla. Y los datos de ventas son lo más cercano a eso, pero definitivamente no es todo.
Nicole Zint: Entonces, estamos discutiendo la idea de que los forecast producidos pueden influir en la demanda y las ventas, creando un bucle de retroalimentación. Algunos han descrito la diferencia entre predecir el clima y predecir los negocios, donde predecir el clima no lo afecta, mientras que predecir los negocios puede impactarlo. Alexander, ¿podrías elaborar sobre este bucle de retroalimentación y cómo evitamos el problema de forecast cero que mencionaste?
Alexander Backus: Ciertamente. Cuando un modelo de aprendizaje automático aprende de sus propios datos de salida, puede amplificar las desviaciones de la norma. Por ejemplo, si la demanda cae un poco por cualquier motivo, el modelo puede decirle al sistema que ordene menos. Como resultado, la demanda cae aún más porque se ordena menos, y el modelo luego sugiere ordenar aún menos, lo que lleva a un problema de forecast cero. Este problema es particularmente común con el forecast de series de tiempo. Joannes, ¿cómo evitamos este problema con los sistemas de aprendizaje automático?
Joannes Vermorel: El forecast cero es algo que obtienes cuando no eliminas el sesgo de faltante de stock, que puede ser bastante fuerte. Si te quedas sin stock, observas cero ventas, pero eso no significa que haya cero demanda. Tenemos al menos tres técnicas en producción en Lokad para lidiar con el sesgo de faltante de stock. Un enfoque implica cambiar la métrica contra la que estás optimizando con tu modelo de forecast. En lugar de aplicar la métrica de manera uniforme a lo largo del tiempo, anulas las mediciones en los días en que tienes faltantes de stock. Es un enfoque crudo, pero puede funcionar.
Nicole Zint: ¿Qué métrica se usa típicamente inicialmente que sugieres cambiar?
Joannes Vermorel: Hay miles de métricas, pero las más simples son L1, L2, o incluso MAPE. La pregunta es si aplicas la métrica de manera uniforme a lo largo del tiempo. La respuesta es típicamente no, no quieres aplicarla de manera uniforme. Quieres anular tus mediciones en los días en que tienes faltantes de stock.
Nicole Zint: Entonces, ¿anular significa eliminar la contribución de un día en el que hubo un faltante de stock?
Joannes Vermorel: Sí, eliminas la contribución de un día cuando sabes que tu señal está muy distorsionada. Funciona bien eliminar esa señal, pero es un enfoque bastante crudo.
Nicole Zint: No si tus faltantes de stock resultan ser muy prevalentes. Para muchas empresas, los faltantes de stock son estadísticamente relativamente raros. Tienen un nivel de servicio del 95% más, por lo que este tipo de método funciona bien si los faltantes de stock son algo excepcionales, algo así como un desastre natural que ocurre bastante raramente.
Joannes Vermorel: No, me refiero a, digamos, una tienda de mercancías generales, ya sabes, tu supermercado. Tienen un nivel de servicio del 95% más todos los días, eso está bien. Donde no funcionaría sería, por ejemplo, para una tienda de lujo duro. En este caso, una tienda de lujo duro, solo para darte una idea, típicamente tendría, digamos, 500 artículos de un catálogo de 5,000. Entonces, por definición, tienes como un 90% más de faltante de stock todo el tiempo. En este caso, no es muy sensato. Entonces, ves, realmente depende de la industria. Hay industrias como, por ejemplo, la alimentación, donde esperas niveles de servicio muy altos. Tu surtido está orientado hacia cosas que se supone que debes tener. Por ejemplo, si tu supermercado suele vender un paquete de botellas de soda, deberías poder entrar en la tienda con la confianza de que encontrarás esas unidades. A veces no lo harás, pero esos eventos serán raros. Entonces, de nuevo, depende de los verticales que estés mirando.
Nicole Zint: Bueno, y esencialmente, las ventas pueden enviar una señal equivocada sobre la demanda, como explicaste. Si son cero ventas, puede ser rápidamente asumido erróneamente que significa cero demanda, pero en realidad, podría ser porque no tienes ese stock. De hecho, hay una demanda muy alta en eso. Y luego lo contrario también es cierto. Si tienes un faltante de stock para otro producto que resulta ser un buen sustituto, entonces puedes ver las ventas de un artículo aumentar mientras solo refleja el hecho de que te estás quedando sin stock de algo que es como un sustituto suelto. Sin embargo, la percepción del cliente podría ser que es un mal servicio.
Joannes Vermorel: Sí, porque los clientes aún podrían estar dispuestos a tomar el sustituto, pero aún podrían pensar que es una opción inferior. Entonces, de nuevo, lo interesante es que tienes que considerar al agente, los clientes, y lo que piensan, e intentar ajustar tu modelización de la demanda para capturar la línea de pensamiento básica que va a entrar en tu base de clientes.
Nicole Zint: ¿Cómo evitamos este problema de forecast cero para que cero ventas no se asuma como cero demanda?
Alexander Backus: Jiran ha mencionado simplemente no tomar en cuenta esa señal, para evitar esos días. En términos técnicos, eso se llama enmascaramiento de pérdidas.
Joannes Vermorel: Sí, básicamente eliminas la contribución de ese punto de datos. Otra técnica sencilla es dar al modelo acceso a los niveles de stock históricos y tal vez algunas proyecciones futuras de él, para que puedas dar sentido a cómo estas ventas están influenciadas por los niveles de stock.
Alexander Backus: El modelo puede entonces aprender cuál es el efecto de ciertas fluctuaciones de nivel de stock en las ventas futuras o la demanda si lo modelas. Esencialmente, el efecto de las decisiones.
Joannes Vermorel: Sí, eso es a donde todos quieren ir, donde tomas todas las decisiones que se han tomado en base a tus forecast anteriores y las alimentas como entrada a tu modelo de forecast.
Nicole Zint: Cuando lo entrenas, no solo son decisiones de stock las que impactan los niveles de stock, sino que también pueden ser decisiones de marketing, como incluso un objetivo establecido por la dirección del negocio. Dicen: “Oye, esto es lo que queremos vender”. Esa es una decisión en sí misma porque tenemos todas estas fuerzas de mercado.
Alexander Backus: Sí, fuerzas de mercado. Pones todo eso en el forecast como una entrada, como promociones, datos de precios y datos de capacidad. La capacidad también puede influir en la demanda. Si los tiempos de entrega se disparan, la gente va y busca alternativas. Esencialmente, todas las restricciones en el negocio, almacenes y todo lo que pueda afectar la demanda sirven como señales de entrada a tu modelo. Luego el modelo puede aprender de la historia cuál es el efecto de estas señales en la demanda y por lo tanto corregirlo.
Este es el paso dos en tu modelado porque hay muchas cosas de las que tienes que tener cuidado aquí. Un paso lateral interesante es que los usuarios de negocios quieren usar tu modelo para hacer lo que se llama, en términos técnicos, inferencia causal. Quieren ajustar cosas como: “¿Qué pasa si hacemos esta promoción o si reducimos los niveles de stock? ¿Qué pasa con la demanda?” Es una especie de simulación.
Para que esto funcione, necesitas tener mucho más cuidado en el modelado. Si lo haces de la manera que lo expliqué, tu modelo puede aprender fácilmente efectos como cuando el stock es bajo, la demanda es alta, solo porque alguna campaña de marketing, que es la causa real, hizo que el stock bajara y la demanda subiera. Confunde el concepto. Eso se llama un confundidor o causalidad inversa. Un modelo de machine learning estándar, al que no se le da toda la información que necesita, cometerá este tipo de error.
Un ejemplo clásico es cuando intentas predecir si hará calor. Puedes predecir eso por el número de ventas de helados. Bueno, por supuesto, ese es un ejemplo típico de causalidad inversa. Pero tal vez bajaron su precio o tuvieron un faltante de stock, y esa fue la razón real. Hay muchas cosas posibles.
Pero tienes que tener cuidado. Esta es una forma de comenzar a darle a tu modelo más información sobre las decisiones que se tomaron sobre él y asegurarte de que aprenda cómo relacionarse. Sin embargo, esto seguirá siendo bastante desafiante para el modelo en sí para aprender estas relaciones, especialmente si hay muchos pasos intermedios de los que no tienes datos. Si das un forecast, no es uno a uno que alguien en el negocio tomará eso y tomará decisiones al respecto. Habrá información agregada, cambios realizados por los planificadores en el negocio, y luego estás ciego a eso hasta cierto punto. Se vuelve nuevamente problemático y complejo.
Antes de adentrarnos en cómo abordamos realmente estos nuevos desafíos que enfrentamos al crear un…
Nicole Zint: El machine learning es un modelo más inteligente que genera decisiones y aprende. Alexander, ¿cómo impacta cada decisión en el negocio y cómo podemos compararlas para encontrar qué decisiones deberíamos tomar? No solo queremos hacer un forecast, sino también entender los pasos intermedios. Pero antes de adentrarnos en eso, Joannes, mencionamos un poco antes este modelo de forecast cero, que es un concepto importante en este modelo de machine learning. ¿Cuál es la diferencia en los enfoques de forecast que tomamos en Lokad? ¿Los forecast probabilísticos ayudan a resolver el problema con el forecast cero y amplifican, como discutimos, estas desviaciones de la norma que solo se convierten en errores más grandes? ¿Cómo cambia eso el forecast probabilístico?
Joannes Vermorel: El forecast probabilístico es muy interesante en este aspecto y más generalmente para el feedback loop. Hay dos razones completamente diferentes para esto. La primera es la idea de que introducimos una noción de vaguedad, por lo que intentamos ser al menos aproximadamente correctos en lugar de exactamente incorrectos.
Cuando se trata de situaciones con forecast cero, por ejemplo, lo que sucede es que cuando tienes forecast probabilísticos, reconoces que la calidad de la información que tienes tiende a ser bastante vaga. No tienes una visión perfecta de lo que está sucediendo, y por lo tanto va a ser mucho más difícil, numéricamente hablando, converger a una confianza absoluta de que la demanda realmente está en cero. Por lo tanto, no es que el modelo de forecast probabilístico sea mucho mejor, es solo que se dispersará y evitará bloquearse en esta posición cero. Considera todas las probabilidades en muchos valores, y cuando agregas a la mezcla el hecho de que típicamente tienes fuertes asimetrías entre poder servir o simplemente poder servir una unidad para ser servida versus simplemente mantener una unidad extra en stock por un día extra, típicamente en muchas situaciones, estás muy a favor de mantener una unidad extra por un día en lugar de correr el riesgo de enfrentar un faltante de stock. El trade-off está muy orientado hacia niveles de servicio más altos.
Por lo tanto, lo que obtienes de los forecast probabilísticos es una situación en la que tienes probabilidades que están dispersas. No tienes tu forecast, que es tu declaración numérica sobre el futuro, que simplemente colapsa rápidamente hacia un estado degenerado, que es simplemente decir que la demanda futura será cero. Tendrá problemas, por lo que si tienes faltantes de stock repetidos, el forecast probabilístico no es mágico. Lo más probable es que subestimes la demanda futura real. Sin embargo, lo más probable es que evites que el inventario se congele en cero simplemente porque todavía estás estimando que hay una probabilidad distinta de cero de tener una o dos o tres unidades de demanda. Ese es el primer argumento; evita la amplificación en una dirección.
Alexander Backus: Sí, también es importante considerar que, especialmente cuando tenemos feedback loops, las situaciones son muy difíciles de controlar completamente. Es mejor tener algo que no se amplifique en una dirección, como mencionó Joannes.
Nicole Zint: Pretender tener un dominio completo de todo. De nuevo, no estamos hablando del movimiento de los planetas. Fenómenos donde una inexactitud del 30-60 por ciento no es nada, sabes, no es nada demasiado sorprendente.
Joannes Vermorel: Así que estamos hablando de un grado de inexactitud en el tipo de declaración numérica que hacemos sobre el futuro que es muy alto. El forecast probabilístico al menos da algo que simplemente refleja esta enorme incertidumbre ambiental que tenemos. De nuevo, estamos tratando de modelar a los humanos, sabes, personas que pueden reaccionar. Es muy, muy difícil y lo primero que hay que reconocer es que no estás en control. Quiero decir, esas personas, esos clientes, esos proveedores, esos competidores, son inteligentes, están jugando sus propios juegos, sabes, están haciendo muchas cosas. Sería, diría yo, un poco de arrogancia afirmar que puedes modelar perfectamente lo que va a suceder. Esa sería la base de la novela de ciencia ficción de Asimov, donde puedes tener una perfecta modelización estadística del futuro de grandes civilizaciones. Es extremadamente difícil y probablemente poco realista.
Joannes Vermorel: El forecast probabilístico también es de gran interés por una razón completamente diferente. La segunda razón es que, a diferencia del forecast puntual donde tienes una simetría completa entre el pasado y el futuro, con el forecast puntual, tienes esencialmente una medición por día por SKU, que serían tus ventas, por ejemplo, o tu demanda, y cuando proyectas hacia el futuro, terminas con una medición por día por SKU. Por lo tanto, el forecast es muy simétrico a tu observación pasada. Sin embargo, cuando entras en el reino del forecast probabilístico, de repente, lo que estás viendo es una distribución de probabilidad o una serie de distribuciones de probabilidad. Y entonces, tienes esta fuerte asimetría entre el pasado y el futuro. De repente, el futuro es completamente diferente al pasado. En el pasado, tienes observaciones, son únicas, no hay incertidumbre o si la hay, es solo la incertidumbre de la medición en sí. Quiero decir, podría haber un error administrativo en tu registro de ventas, pero en términos de orden de magnitud, esto es muy, muy pequeño. Esto casi siempre puede ser aproximado en supply chain como ninguna incertidumbre en comparación con el futuro, donde la incertidumbre es vasta y esa es tu distribución de probabilidad.
Joannes Vermorel: Y así, lo que es muy interesante, y eso me lleva al bucle de retroalimentación, es que el bucle de retroalimentación es otra dimensión extra. Es una forma de enriquecer el forecast para hacerlo más robusto, pero de una manera que es muy diferente porque si el forecast probabilístico se trataba de introducir probabilidades, el bucle de retroalimentación se trata de hacer del forecast una función de orden superior. Así que, fundamentalmente, tu forecast de repente no es un resultado, ni siquiera una distribución de probabilidad, es un mecanismo en el que puedes inyectar una política, una especie de reacción, y obtendrás un resultado diferente. Entonces ves, se convierte de alguna manera en algo donde solo sabes que si alguien actúa, y este alguien incluso puedes ser tú mismo de cierta manera, todavía tendrás un impacto en el forecast.
Nicole Zint: Entonces la situación se vuelve más dinámica e integral cuando entras en el reino de los bucles de retroalimentación. ¿Puedes explicar cómo esto afecta al forecast y cómo se vuelve más esquivo?
Joannes Vermorel: Cuando entras en el reino de los bucles de retroalimentación, estás lidiando con algo dinámico que necesita un ingrediente funcional en su núcleo, como una política. Esta política dicta cómo reaccionas en términos de stocks, precio y diferentes factores que representan tu forecast. El forecast se vuelve más esquivo porque ya no es un objeto simple. Está afectado por estos bucles de retroalimentación, y cuando la gente dice “forecast”, generalmente piensan en un forecast puntual. Cuando entramos en el reino de los forecast de políticas, ya estamos estirando lo que la gente puede pensar. Cuando decimos que va a ser distribuciones de probabilidad, se vuelve mucho más difícil de visualizar.
Por ejemplo, el hecho de que tus precios van a evolucionar para ayudar a mantener el flujo de bienes en tu supply chain. Si una empresa está a punto de sufrir una escasez masiva, la respuesta más natural es aumentar gradualmente el precio para que la escasez sea menos severa. Por el contrario, si estás a punto de sufrir una situación de sobreabastecimiento masivo, la respuesta natural es bajar el precio para aumentar la demanda y liquidar el exceso de stock. El forecast que tienes sobre el futuro depende de tu política de precios en estos ejemplos. Cuando empiezas a pensar en bucles de retroalimentación, tu forecast se vuelve condicional, teniendo en cuenta una política que está bajo tu control hasta cierto punto.
Nicole Zint: Alexander, ¿estás de acuerdo con las fortalezas y diferencias que Joannes acaba de describir con el enfoque de forecast probabilístico en comparación con una serie de tiempo?
Alexander Backus: Sí, darle a tu modelo acceso a decisiones anteriores como los precios puede aliviar este problema. Joannes habló sobre series de tiempo y forecast probabilístico en ese sentido. Sin embargo, no solo tenemos el efecto de que tu forecast afecta las decisiones futuras y los datos de entrenamiento; también tenemos lo que se llama observabilidad parcial. Esto significa que solo observas el efecto de la decisión que se toma, y no sabes qué hubiera pasado si hubieras tenido más capacidad o más stocks. Eso es un contrafactual. El desafío es crear un modelo que sea lo suficientemente bueno para predecir con precisión el impacto de todas las decisiones.
Este fenómeno es muy conocido en los sistemas de recomendación de ecommerce y es posiblemente menos conocido en supply chain. Se llama feedback de bandido. El término proviene de los bandidos de múltiples brazos, una configuración de máquina tragamonedas en un casino donde solo observas la recompensa que obtienes de la máquina tragamonedas o de qué brazo tiras.
Nicole Zint: Y luego ese es el mismo efecto, y el sistema de recomendación es similar a eso porque si muestras un cierto anuncio, no sabes qué hubiera pasado si hubieras mostrado uno diferente al cliente. Ha habido enfoques de modelado específicos que son adecuados para esto, y la configuración de aprendizaje supervisado ingenua de la que hablé al principio es en realidad donde esto falla. Entonces, esto no es bueno para predecir el efecto de la acción. Más bien, lo que quieres hacer es reformular tu problema de machine learning, por lo que el modelo no debería dar una predicción sobre el futuro; debería dar una decisión óptima. Y esto es a lo que creo que Joannes también aludió, se llama una política. Entonces, aprendes un modelo que dice esto es lo que deberías hacer. Este es el anuncio que deberías mostrar, o en un contexto de supply chain, este es el stock que deberías mover de A a B, esta es la cantidad de capacidad que deberías reservar. Entonces, las cosas reales que afectan directamente a tu supply chain en lugar de un forecast por sí solo, a partir del cual tomas las decisiones por tu cuenta que la máquina no sabe qué decisiones tomaste. En teoría, podrías omitir completamente todo el forecast y simplemente decir esto es lo que deberías hacer.
Alexander Backus: Hay algoritmos de machine learning específicos, y la clase más amplia se llama en realidad aprendizaje por refuerzo. Ahí es donde tomas una acción en el mundo real, observas el efecto de eso, y deberías enmarcarlo en términos de recompensas, recompensas financieras. Y eso es cuando obtienes el feedback y luego actualizas tu modelo en base a ese feedback. Mencionaste recompensas financieras, entonces un ejemplo sería si, digamos, tomas la decisión de pedir tanto stock, y luego observas cómo se desempeña la supply chain, cuánto dinero entró en la cuenta, y luego eso se retroalimenta en el sistema para que entienda, bueno, cuando tomamos estas decisiones, este fue el resultado, y así continúa a partir de eso.
Joannes Vermorel: Sí, ese tipo de refuerzo financiero u objetivo financiero puede ser más complejo, teniendo en cuenta los costos de almacenamiento, las oportunidades perdidas, etc. Hay mucho que se puede elaborar sobre eso, o podemos dejarlo así. Así es como optimizas con este algoritmo de aprendizaje por refuerzo. De esa manera, aprendes directamente la política, las decisiones que deberías tomar. Entonces, de alguna manera, abrazas más esta profecía autocumplida en lugar de evitarla, de lo que empezamos a hablar al principio de nuestra discusión. Entonces, no es bueno o malo; simplemente no puede ser ignorado. Y esa es una forma de eludir esto, de tener este modelo que tiene en cuenta las decisiones y aprende del impacto de las decisiones anteriores para crear decisiones cada vez mejores.
Alexander Backus: Deberíamos pensar un poco en las implicaciones de eso porque eso significa que también deberías poder experimentar. Y eso es, en esta configuración, por supuesto, muy desafiante si el modelo necesita aprender y ver qué pasa si hace A o B.
Nicole Zint: Entonces, ¿por qué no se ha aplicado esto esencialmente antes, o no se aplica en todas partes?
Alexander Backus: Bueno, esta es una de las razones. Y también, los algoritmos típicos de aprendizaje por refuerzo están aprendiendo de manera online, por así decirlo, toman una acción y luego aprenden del feedback de recompensa que obtienen de eso. Esto es problemático en configuraciones del mundo real donde hay mucho riesgo involucrado, y también no tienes
Nicole Zint: No tienes algo con lo que iniciar este algoritmo, para hacer que produzca cosas sensatas en primer lugar. Comienza iniciado al azar. O necesitas tener un entorno de simulación muy bueno, que es lo que a menudo ves en otros entornos de aprendizaje por refuerzo como AlphaZero aprendiendo a jugar al ajedrez de Google DeepMind. Tienen una simulación, por lo que tienen una simulación por computadora donde este algoritmo de aprendizaje por refuerzo puede jugar. Entonces, no sacrificas esencialmente la supply chain de otra persona.
Alexander Backus: Exactamente, no quieres conejillos de indias. Pero esto es un problema de la gallina y el huevo en nuestro caso aquí porque entonces necesitas un modelo muy preciso de la realidad. Y si tienes eso, entonces ya has resuelto el problema. Entonces, necesitas una supply chain en primer lugar para hacer eso, y no quieres hacer eso. Necesitas un modelo de tu supply chain. Si tienes eso, no deberías necesitar entrenar, y ya deberías poder descubrir la oportunidad. De vuelta a donde empezamos.
Sí, pero hay una dirección prometedora hoy en día donde aprendes de los datos históricos. Se llama aprendizaje por refuerzo offline, donde básicamente aprendes de las decisiones históricas que se tomaron. Aunque no están tan bien distribuidas como te hubiera gustado, todavía es posible entrenar algoritmos basados en datos del mundo real que se han recopilado previamente.
Nicole Zint: ¿Como un punto de partida?
Alexander Backus: Sí, como un punto de partida. Y desde allí, puedes ir sin sacrificar tus suministros a configuraciones más online, o lo entrenas offline antes de lanzarlo en lotes. Hay varias opciones allí, pero esto también viene con sus propios desafíos. Joannes, ¿cuál es tu opinión sobre lo que Alexander acaba de describir: comenzar offline, aprender de los datos anteriores y luego, esencialmente, la máquina elude este problema de la gallina y el huevo, se vuelve lo suficientemente buena para aplicarse a una supply chain real, por lo tanto, tiene más datos reales con los que trabajar, y seguir desde allí? ¿Cuál es tu opinión sobre esto?
Joannes Vermorel: La eficiencia de los datos es casi siempre una preocupación para cualquier tipo de algoritmo de machine learning en supply chain porque nunca tienes el lujo de tener una cantidad gigantesca de datos, al menos no en la granularidad en la que se deben tomar las decisiones. En las decisiones de supply chain, deben tomarse típicamente a nivel de SKU. Y debido al hecho de que tienes lotes que se llevan a cabo, incluso si estamos mirando el SKU en una tienda, no van a ser millones de unidades por día. Y si estamos mirando el SKU en una fábrica, entonces habrá grandes lotes, y será por lotes de, digamos, 10,000 unidades. Y de nuevo, no van a ser millones de lotes por día. Entonces, la cantidad de observación relevante sigue siendo relativamente limitada.
Ese es un aspecto que siempre es un desafío para el aprendizaje por refuerzo porque no tenemos tantos datos. Un simulador es de mucho interés, pero también fue un punto que toqué brevemente en una de mis conferencias. Esencialmente, hay una dualidad entre un forecast probabilístico y un simulador. Si tienes un forecast probabilístico, siempre puedes tomar una muestra de observación, y así obtienes tu simulador de tu forecast probabilístico. Y si tienes un simulador, puedes ejecutar muchas simulaciones y calcular las probabilidades respectivas, y vuelves a tu forecast probabilístico. Entonces, hay una dualidad muy fuerte.
Sí, eso es interesante, pero depende de tener un forecast probabilístico muy preciso, lo cual es muy desafiante.
Nicole Zint: La observabilidad parcial es una nuez especialmente dura de romper porque cuando tomas un conjunto de datos, digamos, por ejemplo, quieres investigar los movimientos de precios. La empresa podría haber operado de una manera específica durante la última década en la que no estaban haciendo movimientos de precios al azar; tenían hábitos muy fuertes. Por ejemplo, a veces los hábitos son tan fuertes que crea problemas cuando se trata de diferenciar cuál es la causa real de algo.
Joannes Vermorel: ¿Qué pasa si la empresa, cada año al final de enero, decide tener las primeras ventas del año? Tienen una práctica en la que agregan grandes descuentos en una gran variedad de productos a finales de enero, lo que observarás como un aumento de la demanda al final del mes. Pero, ¿cuál es el efecto de la estacionalidad? ¿Observarían un pico de demanda al final del mes incluso sin los descuentos? ¿Y cuál es la proporción del impacto que proviene solo de los descuentos?
Alexander Backus: Ese es el problema, en efecto. Las decisiones no se tomaron al azar, y lo que observas refleja bastante las prácticas habituales. Una forma en el aprendizaje por refuerzo de abordar eso es introducir una mezcla de exploración versus explotación. La explotación es hacer lo mejor de lo que has observado en base a lo que has observado, y la exploración es que intentas algo nuevo, pero con la expectativa de que porque es parcialmente aleatorio, será inferior.
Joannes Vermorel: Entonces, ¿por qué alguna vez intentarías algo que sabes que es muy probable que sea inferior? La respuesta es, bueno, porque es la única forma de que finalmente puedas descubrir algo que resulta ser superior. Esa es la idea de sacrificar, esencialmente, es una inversión para investigación y desarrollo. Y eso podría ser algo donde no es realmente algo que puede tomar formas que son muy mundanas. Podría ser, por ejemplo, que digamos que estás en una tienda, estás vendiendo velas.
Alexander Backus: Y te das cuenta, ¿qué pasaría si intentaras vender las mismas velas pero a un precio que fuera cuatro veces mayor o cuatro veces menor? Ambas opciones pueden ser válidas. Tal vez si optas por un pedido muy grande a uno de tus proveedores y aumentas mucho la cantidad, podrías potencialmente reducir mucho el precio de un producto básico. Estoy tomando una vela a propósito, por lo que podrías tener un precio mucho más bajo, y tal vez multiplicarías la demanda que observaste por 10.
Joannes Vermorel: Ese sería un intercambio digno. O ve por el otro camino, cambia completamente tu camino y di: “Voy a optar por algo que es mucho más premium, agregar sabor o fragancia, y algo más, mejor empaque, y multiplicar el precio por cuatro”. En lugar de tener una décima parte de la demanda que solía tener, todavía tengo la mitad de la demanda pero por un producto que tiene un precio mucho más alto.
Alexander Backus: Sin embargo, si miramos la historia, lo más probable es que la variación que hemos observado sean solo pequeñas variaciones en comparación con la línea de base. Nuestra historia no abarca estos escenarios más locos, si quieres.
Joannes Vermorel: Sí, y de nuevo, puede ser sobre qué pasa si tomas un producto y dices: “Introduzco cinco variantes de cinco colores diferentes”.
Nicole Zint: Sabes, ¿cuál es el grado de canibalización que observaré, o realmente estoy tocando nuevos mercados? De nuevo, si tomo velas y si digo que voy a introducir varios colores para las velas, ¿hasta qué grado esas velas de diferentes colores se canibalizarán entre sí, y hasta qué grado realmente satisfaré una demanda completamente nueva?
Joannes Vermorel: No lo sé, y tal vez este grabador podría darme una idea de esto. Pero en gran medida, generalmente lo que vemos es que, siempre que las empresas comienzan a introducir algún tipo de aleatoriedad impulsada por máquinas, hay muy poca aleatoriedad. Es mucho más una cuestión de patrones de hábito. Y de nuevo, también se reduce a la forma en que operan esas empresas. Cuando, por ejemplo, hay una decisión de precios, generalmente no es solo una persona quien se le ocurrió la idea. Hay un método para ello, y las personas han sido entrenadas para decir: “En este tipo de situación, deberías estar descontando el producto porque es la práctica habitual y tiene sentido”. Está bien, pero también significa que la mayor parte de la variación de precios que observas en los datos históricos siempre sigue un pequeño número de patrones que son precisamente los métodos que están en lugar.
Alexander Backus: Pero seguramente, ese sigue siendo un buen punto de partida, aunque. Cuando, como mencionaste, ¿qué más haces? O sacrificas una supply chain o creas una gran simulación, pero eso también se basa en la idea de que tienes buenos datos para partir. Pero, como mencioné, si lo hacemos de manera offline, que miramos nuestro historial de ventas existente o los datos que tenemos, aunque puede haber esta caída que podríamos no ver esta gran desviación de la norma para observar las diferentes consecuencias de eso, ¿sigue siendo el punto de partida correcto, en tu opinión?
Joannes Vermorel: Creo que el punto de partida correcto es ligeramente diferente. El punto de partida correcto es primero reconocer que siempre que tenemos bucles de retroalimentación, esto es fundamental. Si reconocemos que esos bucles de retroalimentación son reales y queremos abordarlos, es un cambio de paradigma en la forma en que abordamos el forecast en sí. Ves, ese es el verdadero punto de partida. El resto son tecnicidades. Hay muchos modelos. Los modelos de aprendizaje por refuerzo más simples, como los bandidos, pueden ser increíblemente simples. Algunos son increíblemente complejos, pero esas son tecnicidades. Lo que observé en las supply chains del mundo real es que el mayor desafío para comenzar a adoptar algo tan simple como esos bucles de retroalimentación es reconocer que realmente tendrá profundas consecuencias en los forecast en sí. Los forecast nunca van a ser los mismos, y no estoy diciendo cuantitativamente. Estoy diciendo en términos de paradigma, no puedes mirar esos forecast de la misma manera. Este no es ni siquiera el mismo objeto. Es algo de una naturaleza diferente, y eso es muy difícil porque generalmente, la pregunta que recibo es: “¿Será mi forecast más preciso?” Uno de los desafíos es, tan pronto como comenzamos a mirar esos bucles de retroalimentación, ¿cómo incluso mides la precisión cuando tienes bucles de retroalimentación? Esa es una pregunta en sí misma. Es una pregunta difícil.
Alexander Backus: Sí, si puedo vincularme a eso, creo que hemos estado discutiendo los desafíos técnicos y los desafíos de disponibilidad de datos. Pero estoy completamente de acuerdo con Joannes en que la razón principal por la que no se ha aplicado o adoptado en entornos empresariales también es que tiene un impacto profundo en su proceso de negocio. Entonces, en este tipo de configuración teórica…
Nicole Zint: Entonces, ¿quién crees que son los jugadores más tecnológicamente avanzados en la industria del ecommerce?
Joannes Vermorel: La tendencia es, creo, si miro a los jugadores tecnológicamente agresivos, serían dd.com, Amazon.com, Alibaba.com. Ya sabes, esas empresas de ecommerce que están por delante de su juego. Sí, realmente están en la cima de su juego. Son muy, muy efectivos.
Alexander Backus: Estoy de acuerdo con eso. Esas empresas son definitivamente líderes en la industria en términos de tecnología e innovación.
Nicole Zint: Entonces, el mundo ha cambiado mucho a lo largo de los años. ¿Qué piensas, Joannes, sobre el mundo en el que vivimos hoy?
Joannes Vermorel: Bueno, no es tan simple como solía ser. El mundo sigue progresando, pero hemos tenido muchas sorpresas en los últimos años. Está claro que no estamos al final de la historia donde todo es predecible. El mundo es caótico, y tenemos que aceptar la incertidumbre y la complejidad de los humanos, las máquinas y los procesos en las supply chains. No podemos tener un control completo, por lo que mi enfoque es ser aproximadamente correcto para capturar todo en lugar de estar exactamente equivocado.
Nicole Zint: Esa es una perspectiva realmente interesante. ¿Y tú, Alexander? ¿Qué tipo de talento buscas al incorporar nuevas personas a tu equipo?
Alexander Backus: En IKEA, siempre estamos buscando un gran talento en ciencia de datos para resolver desafíos en una gran corporación. Tenemos muchos datos y potencial para impactar a escala global, por lo que necesitamos desafiar el status quo.
Nicole Zint: Gracias a ambos por sus ideas. Ha sido un placer tenerlos con nosotros hoy.
Joannes Vermorel: Sí, gracias.
Alexander Backus: Gracias por invitarme.