00:00:07 Introducción al tema del machine learning en la industria de supply chain.
00:00:46 Introducción al invitado Alexander Backus, quien es el líder de Data and Analytics en IKEA.
00:02:20 Explicación del concepto de profecía autocumplida.
00:03:03 Discusión sobre cómo una profecía autocumplida afecta a supply chain, tales como objetivos de negocio y la influencia de la demanda y la oferta.
00:07:14 Explicación de cómo los bucles de retroalimentación en supply chain hacen el mundo más complejo y cómo un excedente de un determinado producto puede influir en sus ventas.
00:08:53 Discusión acerca de los bucles de retroalimentación en supply chain y la influencia del comportamiento humano sobre ellos.
00:10:41 Uso de datos de ventas en el forecast de demanda y las posibles consecuencias de utilizar un enfoque ingenuo.
00:13:08 Problema de zero forecast en sistemas de machine learning y el efecto látigo.
00:15:17 Explicación del sesgo por faltante de stock y técnicas para abordarlo.
00:17:22 Discusión sobre la prevalencia de los faltantes de stock y la efectividad del método para tratar el sesgo por faltante de stock.
00:18:15 Explicación de cómo la percepción del cliente sobre un producto puede afectar la demanda y el impacto de los niveles de stock en las ventas.
00:20:17 Explicación del enmascaramiento de pérdidas y su propósito.
00:20:26 Explicación de cómo otorgar al modelo acceso a los niveles de stock puede ayudarlo a comprender el efecto de las fluctuaciones en los niveles de stock sobre las ventas.
00:22:14 Discusión sobre las limitaciones de utilizar un modelo de machine learning para la inferencia causal y los efectos de variables confusoras.
00:25:54 Explicación de cómo el forecast probabilístico puede ayudar a reducir el impacto del zero forecast al reconocer la “imprecisión” de la información disponible.
00:27:04 Explicación de los beneficios de utilizar un modelo de forecast probabilístico.
00:28:44 Ventajas de utilizar 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 el forecast.
00:36:32 Explicación de la observabilidad parcial y su desafío al crear un modelo para la gestión de supply chain.
00:37:04 Comparación con el concepto de bandit feedback y su conocida aplicación en sistemas de recomendación en ecommerce.
00:37:17 Discusión sobre las limitaciones del aprendizaje supervisado para predecir el impacto de las decisiones en la gestión de supply chain.
00:38:01 Explicación del algoritmo de aprendizaje por refuerzo basado en políticas.
00:41:06 Discusión sobre los desafíos de aplicar algoritmos de aprendizaje por refuerzo en la gestión de supply chain del mundo real y la solución de comenzar con aprendizaje offline a partir de datos históricos.
00:44:55 Discusión sobre cómo los hábitos y 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 de incorporar la AI en los procesos de negocio.
00:53:57 Discusión sobre los desafíos de modelar y tomar decisiones en la industria de supply chain.
00:54:55 Reconocimiento de la existencia de bucles de retroalimentación en el proceso de supply chain.
00:55:06 Avance hacia un enfoque basado en decisiones en lugar de uno basado en forecast.
00:57:27 La tendencia en la industria de supply chain, especialmente entre las grandes empresas de ecommerce.
01:01:03 ¿Qué cualidades se buscan al incorporar nuevas personas para trabajar en desafíos de supply chain en IKEA?
Resumen
En una entrevista moderada por Nicole Zint, Joannes Vermorel, fundador de Lokad, y Alexander Backus, líder de Data and Analytics en IKEA, discuten la aplicación de machine learning y la IA en la industria de supply chain. La entrevista resalta el impacto de las profecías autocumplidas y los bucles de retroalimentación en la gestión de supply chain y enfatiza los desafíos de utilizar modelos de machine learning en el forecast. La entrevista también explora enfoques para evitar el problema del zero forecast, como el uso de forecast probabilístico, y la importancia de reconocer la incertidumbre en el forecast de supply chain. Los panelistas enfatizan la necesidad de aceptar la incertidumbre, avanzar hacia modelos de decision-making y de incorporar cambios de manera escalonada para mejorar la gestión de supply chain.
Resumen Extendido
En esta entrevista, Nicole Zint modera una discusión entre Joannes Vermorel, fundador de Lokad, y Alexander Backus, líder de Data and Analytics en IKEA, sobre la aplicación de machine learning y la IA en la industria de supply chain. Discuten el concepto de profecía autocumplida y su potencial impacto en supply chain, 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, se hace realidad debido a la retroalimentación entre creencias y comportamientos. En la gestión de supply chain, los forecasts pueden impactar los procesos de toma de decisiones y, en última instancia, cambiar el futuro. Vermorel señala que las profecías autocumplidas no son inherentemente buenas o malas; simplemente hacen que la situación sea más compleja.
Los bucles de retroalimentación son prevalentes en supply chain, ya que los humanos reaccionan a los forecasts, lo que puede afectar las predicciones futuras. Vermorel destaca cómo estos bucles pueden manifestarse de diversas formas, tales como ajustar precios o la ubicación de productos basándose en los niveles de stock. También señala que los competidores pueden alterar sus estrategias en respuesta a los forecasts de una empresa, creando bucles de retroalimentación adicionales.
Backus explica que los datos de ventas son un insumo 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 influidos por la oferta y otros factores, mientras que la demanda es una cantidad no observada que debe inferirse. Él enfatiza la importancia de distinguir entre ambos y considerar su interacción en el proceso de forecast.
Los modelos de machine learning pueden resultar problemáticos en el forecast de 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 supply chain pueden ser amplificadas por el sistema. Esto puede dar lugar a efectos perjudiciales, como un incremento espiralado de ventas o forecasts inexactos. Contrasta predecir el clima, que no está influenciado por el comportamiento humano, con predecir los resultados empresariales, que sí lo están.
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 forecasts puntuales pueden ser insuficientes. En cambio, deben buscar entender y anticipar los posibles impactos de sus forecasts en el comportamiento humano y los procesos de toma de decisiones.
En resumen, la entrevista explora las complejidades de utilizar machine learning y la IA en la gestión de supply chain, destacando la importancia de comprender las profecías autocumplidas y los bucles de retroalimentación para mejorar la precisión de forecast y la toma de decisiones.
El problema del zero forecast ocurre cuando un sistema ordena menos stock debido a una caída percibida en la demanda, haciendo que dicha demanda caiga aún más y conduciendo a una disminución continua de los pedidos. Para evitar este problema, Vermorel sugiere eliminar el sesgo por faltante de stock cambiando la métrica utilizada en el modelo de forecast. Un enfoque es poner en cero las mediciones en 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.
Otra aproximación es otorgar al modelo de machine learning acceso a datos históricos y futuros de niveles de stock, permitiéndole aprender el efecto de las fluctuaciones en los niveles de stock sobre las ventas o la demanda futura. Este método requiere alimentar al modelo con todas las decisiones y factores que afectan la demanda, tales como promociones, precios, capacidad, restricciones de almacén y fuerzas del mercado, en el proceso de forecast.
Sin embargo, Backus advierte que usar 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 los niveles de stock y las fluctuaciones en la demanda. Para evitar estos problemas, sugiere utilizar forecast probabilístico, el cual reconoce la imprecisión de la información disponible y evita converger hacia una confianza absoluta en que la demanda sea cero.
El forecast probabilístico distribuye probabilidades en múltiples valores, dificultando converger en una confianza absoluta en una demanda nula. Este enfoque evita que el inventario se congele en cero al estimar probabilidades distintas de cero para la demanda futura. También tiene en cuenta la asimetría entre atender a un cliente y mantener stock extra por un día adicional, favoreciendo mayores niveles de servicio.
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 reiterados. Sin embargo, proporciona un método más robusto para gestionar el inventario y evitar el problema del zero forecast.
En conclusión, adoptar técnicas de machine learning y forecast probabilístico puede ayudar a los profesionales de supply chain a predecir mejor la demanda y a gestionar inventario de forma eficiente. Al considerar diversos factores que influyen en la demanda y tener en cuenta las incertidumbres de la información disponible, las empresas pueden tomar decisiones más informadas y mejorar su supply chain performance.
Joannes Vermorel enfatizó la importancia de reconocer la incertidumbre en el forecast de supply chain, ya que modelar perfectamente eventos futuros es irreal. Discutió el concepto de forecast probabilístico, que refleja la incertidumbre inherente de los eventos en supply chain, y cómo difiere de los forecasts puntuales. Explicó que los forecast probabilísticos involucran distribuciones de probabilidad, haciendo que el futuro se vea muy diferente del pasado. También tocó el tema de los bucles de retroalimentación como una dimensión extra para enriquecer los forecasts al hacerlos dinámicos y condicionales ante el comportamiento futuro.
Alexander Backus estuvo de acuerdo con los puntos de Vermorel y explicó cómo otorgar a los modelos acceso a decisiones previas, como los precios, puede aliviar los problemas con el forecast. Introdujo el concepto de observabilidad parcial, que consiste en observar únicamente el efecto de una decisión sin conocer el contrapositivo. Para predecir mejor el impacto de las decisiones, Backus sugirió replantear los problemas de machine learning para que produzcan decisiones óptimas en lugar de predicciones acerca del futuro. Este enfoque se denomina aprendizaje por refuerzo.
La conversación gira en torno a los desafíos del forecast y la toma de decisiones en la gestión de supply chain debido a los bucles de retroalimentación, la información limitada y las decisiones no aleatorias. Enfatizan la necesidad de aceptar estos bucles de retroalimentación y de avanzar hacia un modelo que produzca decisiones en lugar de forecasts. La tendencia entre empresas orientadas a la tecnología, como Amazon y Alibaba, es abandonar 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 debe trabajar en incorporar estos cambios de manera escalonada para mejorar la gestión de supply chain.
Vermorel destaca la importancia de aceptar la incertidumbre y la complejidad irreducible de supply chain, que está compuesta por humanos, máquinas y procesos. Aboga por estar aproximadamente correcto en lugar de estar exactamente equivocado. Backus enfatiza la necesidad de contar con un gran talento en data science para abordar los desafíos en grandes corporaciones como IKEA, subrayando el potencial de impacto global y la importancia de desafiar el status quo.
Transcripción Completa
Nicole Zint: Bienvenida Alexander Backus, que se une a nosotros hoy en nuestras oficinas. Alexander es una experta en este campo y es el líder de Data and Analytics en IKEA. Así que, como siempre, nos gustaría comenzar permitiendo que nuestros invitados se presenten. Alexander, si lo deseas, la palabra es tuya.
Alexander Backus: Gracias, Nicole. Gracias por invitarme. Es genial estar aquí en París con vosotros. Mi nombre es Alexander Backus, y lidero data analytics en el área de inventario y operaciones logísticas de IKEA Inka Group Digital. Dirijo un grupo de data scientists, data engineers y data analysts que trabajan en equipos de producto multifuncionales con la misión de optimizar la planificación de operaciones logísticas de inventario. Tengo formación en data science, y he trabajado como consultor para grandes empresas como KLM Airlines, Heineken, Vodafone Ziggo e ING Bank. Tras realizar un PGD en Neurociencia Cognitiva, considero que trabajar en supply chain como data scientist es un campo realmente emocionante porque combina muchas condiciones favorables para data science. Hay muchos datos, tiene un impacto en la toma de decisiones en el mundo real, por lo que es algo tangible, y no solo se impacta la línea de fondo, sino que también se ayuda a crear un mundo más sostenible al reducir el desperdicio en supply chain. Así es como terminé aquí.
Nicole Zint: Antes de adentrarnos en estos temas, primero expliquemos el concepto que vamos a discutir. Comencemos simplemente: ¿Qué es una profecía autocumplida?
Alexander Backus: La idea es que el forecast que realizas para optimizar tu business process impacta en un determinado proceso de toma de decisiones. Se toma una decisión basada en tu forecast, al menos eso es lo que deseas. Cuando eso sucede, significa que tu forecast en sí está cambiando el futuro y también modificando los datos que se utilizan para hacer el forecast la próxima vez. Esto puede plantear ciertos desafíos. Esencialmente, una profecía autocumplida es cuando se cumple una predicción 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 ocurrir de diversas formas. Por ejemplo, si tienes un forecast de tu negocio o de tus ventas, entonces esto puede convertirse en el objetivo para tu negocio.
Nicole Zint: Entonces, las personas de marketing toman ciertas decisiones, dicen, “bueno, debemos alcanzar este objetivo porque ahora estamos un poco bajos, así que necesitamos vender un poco más, y tenemos que hacer algunas promociones.” Así que, en realidad, el forecast que realizaste se ha convertido en el objetivo que ha conducido a la toma de decisiones a lo largo del camino, que impacta en cuál será el resultado final de las ventas en este ejemplo. Y eso puede ocurrir de muchas maneras. Otro ejemplo es cuando tienes un determinado forecast que hace que asegures una capacidad de entrega o capacidad de picking en tus almacenes, y eso impacta en el lead time. Así que, cuando un cliente visita tu sitio web de ecommerce y ve que el lead time es muy alto o muy bajo, puede ir en cualquier dirección; eso realmente influye en la demanda de los clientes.
Alexander Backus: Exactamente, así que la demanda influye en tu supply, y la supply influye en la demanda. Funciona en ambos sentidos, y ese es en realidad el efecto al que te estás refiriendo, Joannes. Cuando se trata de los forecast que se convierten en objetivos del negocio, ¿cómo ves que eso afecta al negocio en sí? ¿Cuáles son los inconvenientes cuando el forecast es algo a lo que la gente aspira en lugar de realmente observar su desempeño en la supply chain?
Joannes Vermorel: No hay inconvenientes per se. Es más una cuestión de que así es como opera la supply chain. Ya sabes, los bucles de retroalimentación están por todas partes. Estamos tratando 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 aborda el forecasting como se aborda el forecast del movimiento de los planetas, algo donde tienes un marco muy claro en el que cuentas con observaciones del pasado, y puedes hacer una afirmación sobre la posición futura del planeta. Pero tú, siendo el forecaster, no tienes ningún impacto sobre esos elementos que se observan, como los planetas.
Nicole Zint: ¿Así que quieres decir que una profecía autocumplida no es necesariamente buena o mala, simplemente es?
Joannes Vermorel: Sí, exactamente. No se puede pretender que no afecta, pero sin duda hace que la situación sea más compleja y complicada, en realidad, un poco de ambas. Y es que, lo que resulta un poco desconcertante es que muchas empresas tienen dificultades para aceptar cualquier cosa que no sea un point forecast o point forecast. Digamos, tienes un solo futuro; eso es. Y es, en esencia, algo que es completamente simétrico al pasado. Tienes tus observaciones del pasado, y te gustaría tener un futuro que sea tan claro 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 en el futuro, puedes tener una visión completamente perfecta de la posición de esos planetas dentro de un siglo.
Joannes Vermorel: Ahora, lo interesante es que en la supply chain, tienes bucles de retroalimentación por todas partes. Siempre que te comprometes con un producto comprando en grandes cantidades, en efecto, creas expectativas, y la gente siente que tiene que vender el producto, y hará lo que sea necesario para que a la empresa no le quede un exceso masivo de stock que no haya logrado mover. Se organizarán de manera que ese massive supply 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 toman medidas aún más mundanas. Si hay tiendas, si tú
Nicole Zint: En una dirección ligeramente diferente, sólo para establecer una mayor diferenciación, ves que esos bucles de retroalimentación están presentes por todas partes y no son malos. Simplemente están presentes, y nuevamente la razón principal es que en el medio tenemos a humanos que pueden pensar y actuar basándose en esas mejoras sobre el futuro. Así que, siempre que hay humanos en el loop, siempre que emites una afirmación sobre el futuro, la gente reaccionará de acuerdo a esas afirmaciones. Las supply chains son muy complejas, por lo que esas reacciones pueden adoptar muchas formas. Pero todas las supply chains tienen en común la presencia de muchas personas, y a veces, por ejemplo, el bucle de retroalimentación también toma la forma de anunciar un faltante de stock de algo. Entonces, la gente se precipita a comprar ese algo, y así puedes tener un faltante de stock provocado por el hombre, simplemente porque es un efecto psicológico.
Joannes Vermorel: Exactamente. Y la idea de que si anuncias un faltante de stock, es muy probable que causes un faltante de stock, no es nada nuevo. Es relativamente predecible, pero, no obstante, 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 el medio de la supply chain.
Nicole Zint: Joannes, sigues mencionando esos 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 devolvemos los datos?
Alexander Backus: Buena pregunta. Creo que una fuente muy importante para realizar cualquier tipo de forecast es tus datos de ventas, y estos son también los datos clave que se ven afectados por los efectos de los que acabamos de hablar. Así que, si volvemos a lo que Joannes estaba explicando, el enfoque ingenuo para el forecasting de la demanda, o el forecasting de negocios en general, es cuando tomas un modelo de machine learning supervisado y comienzas a tratarlo como un problema básico de regresión. Entonces dices, “De acuerdo, solo voy a predecir esta cantidad basada en datos históricos utilizando un algoritmo de supervised learning.” Y luego, si tomas ese modelo que está entrenado para predecir las ventas futuras y ahora piensas en los ejemplos de los bucles de retroalimentación que discutimos, puedes tener casos perjudiciales o degenerativos aquí. Entonces, cuando tu modelo predice baja demanda o bajas ventas, seamos muy cautelosos en no confundir ambos, pero ignoremos por un momento que las ventas no son demanda.
Y así, te meterás en una situación en la que predices bajas ventas, por lo que también planificas una baja capacidad, y por ello también vendes menos, y luego descenderás y descenderás hasta llegar a cero. Entonces, el modelo empezará a aprender que la demanda está cayendo, pero está cayendo. Y, en realidad, también puede ir en sentido inverso. Es decir, puede dispararse en ese sentido.
Joannes Vermorel: Sí, existen estos efectos perjudiciales si usas un modelo de machine learning para aprender del pasado y predecir el futuro de esta manera tan ingenua, lo que puede salir completamente mal aquí.
Nicole Zint: Se parece un poco al bullwhip effect, 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 la demanda, porque puedes vender 50 unidades de tu stock, pero si la demanda era de 100, aún solo se 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 magnitud no observada. No se puede medir, por lo que necesitas inferirla. Y los datos de ventas son lo más cercano a ello, 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 el negocio, donde predecir el clima no lo afecta, mientras que predecir el negocio sí 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 razón, el modelo puede indicar 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 conduce 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 se obtiene cuando no se elimina el sesgo del faltante de stock, el cual puede ser bastante fuerte. Si se agota el stock, se observan ventas cero, pero eso no significa que no haya demanda. Tenemos al menos tres técnicas en producción en Lokad para tratar con el sesgo del faltante de stock. Un enfoque implica cambiar la métrica contra la que se está optimizando con el modelo de forecast. En lugar de aplicar la métrica de manera uniforme a lo largo del tiempo, anulas las mediciones en los días en los que hay faltantes de stock. Es un enfoque burdo, pero puede funcionar.
Nicole Zint: ¿Qué métrica se utiliza habitualmente inicialmente de la que sugieres cambiar?
Joannes Vermorel: Hay miles de métricas, pero las más simples son L1, L2 o incluso MAPE. La cuestión es si se aplica la métrica de manera uniforme a lo largo del tiempo. La respuesta es, típicamente, no, no se quiere aplicar de forma uniforme. Se desea anular las mediciones en los días en los que hay 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, se elimina la contribución de un día cuando se sabe que la señal está fuertemente distorsionada. Funciona bien eliminar esa señal, pero es un enfoque bastante burdo.
Nicole Zint: No, si los faltantes de stock resultan ser muy frecuentes. Para muchos negocios, los faltantes de stock son estadísticamente relativamente raros. Tienen, por ejemplo, un nivel de servicio superior al 95%, así que este tipo de método funciona bien si los faltantes de stock son algo excepcionales, como un desastre natural que ocurre muy raramente.
Joannes Vermorel: No, quiero decir, por ejemplo, una tienda de mercancía general, ya sabes, tu supermercado. Tienen un nivel de servicio superior al 95% cada día, y eso está bien. Donde no funcionaría sería, por ejemplo, en el caso de una tienda de lujo de alta gama. En este caso, una tienda de lujo de alta gama, solo para que te hagas una idea, típicamente tendría, digamos, 500 artículos de un catálogo de 5,000. Así, por definición, tienes más de un 90% de faltante de stock todo el tiempo. En este caso, no tiene mucho sentido. Como ves, realmente depende de la industria. Hay industrias como, por ejemplo, la alimentaria, donde se esperan niveles de servicio muy altos. Tu surtido está orientado hacia cosas que se supone debes tener. Por ejemplo, si tu supermercado habitualmente vende un paquete de botellas de soda, deberías poder entrar a la tienda con la confianza de que encontrarás esas unidades. A veces no las encontrarás, pero esos eventos serán raros. Así que, de nuevo, depende de los verticales que estás analizando.
Nicole Zint: Está bien, y esencialmente, las ventas pueden enviar una señal equivocada sobre la demanda, como explicaste. Si son ventas cero, se puede asumir erróneamente y rápidamente que significa demanda cero, pero en realidad, podría ser porque no tienes ese stock. De hecho, hay una demanda muy alta al respecto. Y lo contrario también es cierto. Si tienes un faltante de stock para otro producto que resulta ser un buen sustituto, entonces puedes ver un aumento en las ventas de un artículo, mientras que eso solo refleja el hecho de que te estás quedando sin stock de algo que es como un sustituto impreciso. Sin embargo, la percepción del cliente podría ser que es un mal servicio.
Joannes Vermorel: Sí, porque los clientes aún pueden estar de acuerdo en aceptar el sustituto, pero igualmente pueden pensar que es una opción inferior. Entonces, de nuevo, lo interesante es que hay que considerar al agente, a los clientes y lo que ellos piensan, y tratar de ajustar la modelización de la demanda para capturar ese tipo de línea básica de pensamiento que se integrará en tu base de clientes.
Nicole Zint: ¿Cómo evitamos este problema de forecasting cero para que no se asuma que cero ventas es igual a cero demanda?
Alexander Backus: Jiran ha mencionado simplemente no tomar en cuenta esa señal, para evitar esos días. En términos técnicos, eso se llama loss masking.
Joannes Vermorel: Sí, básicamente eliminas la contribución de ese punto de datos. Otra técnica sencilla es darle al modelo acceso a los niveles de stock de forma histórica y quizá algunas proyecciones futuras de ellos, para que puedas entender cómo estas ventas se ven influenciadas por los niveles de stock.
Alexander Backus: El modelo puede entonces aprender cuál es el efecto de ciertas fluctuaciones en los niveles de stock sobre las ventas futuras o la demanda si lo modelas. Esencialmente, el efecto de las decisiones.
Joannes Vermorel: Sí, ahí es a donde todos quieren llegar, donde tomas todas las decisiones que se han hecho basadas en tus forecasts previos y las alimentas como entrada a tu modelo de forecast.
Nicole Zint: Cuando lo entrenas, no solo son las 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 cuánto queremos vender.” Esa es una decisión en sí misma porque tenemos todas estas fuerzas del mercado.
Alexander Backus: Sí, fuerzas del mercado. Incorporas todo eso al forecast como una entrada, tales 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 busca alternativas. Esencialmente, todas las restricciones en el negocio, almacenes y todo lo que pueda afectar la demanda sirven como señales de entrada para 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 como el paso dos en tu modelado porque hay muchas cosas de las que debes tener cuidado. Un paso lateral interesante es que los usuarios empresariales 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 en que lo expliqué, tu modelo puede aprender fácilmente efectos como el de que, cuando el stock es bajo, la demanda es alta, simplemente porque alguna campaña de marketing, que es la causa real, hizo que el stock bajara y la demanda subiera. Esto confunde el concepto. A eso se le llama un factor de confusión o causalidad inversa. Un modelo estándar de machine learning, al no disponer de toda la información que necesita, cometerá este tipo de error.
Un ejemplo clásico es cuando intentas predecir si hará calor. Puedes predecirlo por el número de ventas de helado. Bueno, por supuesto, ese es un ejemplo típico de causalidad inversa. Pero tal vez bajaron el precio o hubo un faltante de stock, y esa fue la razón real. Hay muchas cosas posibles.
Pero debes tener cuidado. Esta es una forma de empezar a darle a tu modelo más información sobre las decisiones que se tomaron al respecto y asegurarte de que aprenda a relacionarlas. Sin embargo, esto seguirá siendo bastante desafiante para que el propio modelo aprenda estas relaciones, especialmente si hay muchos pasos intermedios de los cuales no tienes datos. Si das un forecast, no es algo que alguien de la empresa pueda tomar directamente para tomar decisiones. Se añadirá información, se harán cambios por parte de los planificadores de la empresa, y en cierto modo quedas ciego ante ello. Se vuelve nuevamente problemático y complejo.
Antes de adentrarnos en cómo abordamos realmente estos nuevos desafíos que se presentan al crear un…
Nicole Zint: 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 debemos tomar? No queremos simplemente dar un forecast, sino también entender los pasos intermedios. Pero antes de adentrarnos en eso, Joannes, mencionamos un poco antes este modelo de zero forecasting, que es un concepto importante en este modelo de machine learning. ¿Cuál es la diferencia en los enfoques de forecasting que adoptamos en Lokad? ¿Ayudan los forecasts probabilísticos a resolver el problema del zero forecasting y a amplificar, como discutimos, esas desviaciones de la norma que se convierten en errores mayores? ¿Cómo cambia eso el forecasting probabilístico?
Joannes Vermorel: El forecasting probabilístico es muy interesante en este sentido y, en general, para el ciclo de retroalimentación. Hay dos razones completamente diferentes para esto. La primera es la idea de que introducimos una noción de imprecisión, de modo que intentamos estar al menos aproximadamente correctos en lugar de estar exactamente equivocados.
Cuando se trata, por ejemplo, de situaciones con zero forecasts, lo que sucede es que, al disponer de forecasts probabilísticos, reconoces que la calidad de la información que tienes tiende a ser bastante imprecisa. No tienes una visión perfecta de lo que está sucediendo, y por lo tanto será mucho más difícil, numéricamente hablando, converger a una confianza absoluta de que la demanda realmente es cero. No es que el modelo de forecasting probabilístico sea mucho mejor, es simplemente que estará distribuido y evitará quedarse bloqueado en esa posición de cero. Considera todas las probabilidades a lo largo de muchos valores, y cuando sumas a la mezcla el hecho de que, típicamente, existen fuertes asimetrías entre poder atender o simplemente poder servir una unidad cuando se requiere versus simplemente mantener una unidad extra en stock por un día adicional, en muchas situaciones estás completamente 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 mayores niveles de servicio.
Así, lo que obtienes de los forecasts probabilísticos es una situación en la que tienes probabilidades distribuidas. No tienes tu forecast, que es tu declaración numérica sobre el futuro, que simplemente colapsa rápidamente hacia un estado degenerado, es decir, en el que estamos diciendo que la demanda futura será cero. Esto generará problemas, así que si tienes reiterados faltantes de stock, el forecasting probabilístico no es magia. 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 aún estás estimando que hay una probabilidad distinta de cero de tener una, dos o tres unidades de demanda. Ese es el primer argumento; evita amplificar en una dirección.
Alexander Backus: Sí, también es importante considerar que, especialmente cuando tenemos ciclos de retroalimentación, las situaciones son muy difíciles de controlar por completo. Es mejor tener algo que no se amplifique en una dirección, como mencionó Joannes.
Nicole Zint: Pretende tener un dominio completo sobre todo. De nuevo, no estamos hablando del movimiento de los planetas. Fenómenos en los que un 30-60 por ciento de inexactitud no es nada, ya sabes, no es nada sorprendente.
Joannes Vermorel: Así que estamos hablando de un grado de inexactitud en la clase de declaración numérica que hacemos sobre el futuro que es muy alto. El forecasting probabilístico al menos ofrece algo que refleja esta enorme incertidumbre ambiental que tenemos. De nuevo, estamos intentando modelar a los humanos, ya sabes, personas que pueden reaccionar. Es muy, muy difícil y lo primero que hay que reconocer es que no tienes el control. Quiero decir, esas personas –esos clientes, esos proveedores, esos competidores– son inteligentes, están jugando sus propios juegos, ya sabes, están haciendo muchas cosas. Sería, diría, un poco de arrogancia afirmar que puedes modelar perfectamente lo que va a suceder. Eso sería el fundamento de la novela de ciencia ficción de Asimov, donde puedes tener una modelización estadística perfecta del futuro de grandes civilizaciones. Es extremadamente difícil y muy probablemente irreal.
Joannes Vermorel: El forecasting probabilístico también es de gran interés por una razón completamente diferente. La segunda razón es que, a diferencia del forecast puntual, donde existe 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 al futuro terminas con una medición por día por SKU, el forecast resulta ser muy simétrico a tu observación pasada. Sin embargo, al adentrarte en el ámbito del forecasting probabilístico, de repente lo que ves es una distribución de probabilidad o una serie de distribuciones de probabilidad. Y así, se genera una asimetría muy marcada 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 propia medición. Quiero decir, podría haber un error clerical en tu registro de ventas, pero en términos de orden de magnitud, esto es muy, muy pequeño. Esto casi siempre puede aproximarse en supply chain como sin incertidumbre, en comparación con el futuro, donde la incertidumbre es vasta y esas son tus distribuciones de probabilidad.
Joannes Vermorel: Y así, lo que es muy interesante, y que me lleva al bucle de retroalimentación, es que el bucle de retroalimentación es otra dimensión extra. Es una manera de enriquecer el forecast para hacerlo más robusto, pero de una forma muy diferente porque si el forecast probabilístico trataba de introducir probabilidades, el bucle de retroalimentación se trata de convertir el forecast en 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. Así que ves, se convierte en algo en lo que simplemente sabes que si alguien actúa – y ese alguien incluso puede ser tú de alguna manera – aún tendrás un impacto en el forecast.
Nicole Zint: Así, la situación se vuelve más dinámica y holística cuando entras en el ámbito de los bucles de retroalimentación. ¿Puedes explicar cómo afecta al forecast y cómo se vuelve más esquivo?
Joannes Vermorel: Cuando entras en el ámbito de los bucles de retroalimentación, te enfrentas a 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. Se ve afectado por estos bucles de retroalimentación, y cuando la gente dice “forecast”, por lo general piensa en un forecast puntual. Cuando entramos en el ámbito de los forecast de política, ya estamos ampliando lo que la gente puede imaginar. Cuando decimos que serán distribuciones de probabilidad, se vuelve mucho más difícil de visualizar.
Por ejemplo, el hecho de que tus precios vayan a evolucionar para ayudar a mantener el flujo de bienes en tu supply chain. Si una empresa está a punto de sufrir un faltante de stock masivo, la respuesta más natural es aumentar gradualmente el precio para que el faltante de stock sea menos severo. Por el contrario, si estás a punto de sufrir una situación masiva de sobrestock, la respuesta natural es bajar el precio para aumentar la demanda y liquidar el sobrestock. El forecast que tienes sobre el futuro depende de tu política de precios en estos ejemplos. Cuando comienzas a pensar en los 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 los puntos fuertes y las diferencias que Joannes acaba de exponer con el enfoque de forecast probabilístico en comparación con una serie temporal?
Alexander Backus: Sí, dar a tu modelo acceso a decisiones previas como la de precios puede aliviar este problema. Joannes habló de series temporales y de forecast probabilístico en ese sentido. Sin embargo, no solo tenemos el efecto de que tu forecast afecte a decisiones futuras y datos de entrenamiento; también tenemos lo que se llama observabilidad parcial. Esto significa que solo observas el efecto de la decisión que se tomó, y no sabes lo que habría pasado si tuvieras más capacidad o más stocks. Eso es un contrafactual. El desafío es crear un modelo que sea lo suficientemente bueno como para predecir con precisión el impacto de todas las decisiones.
Este fenómeno es muy conocido en los sistemas de recomendación de ecommerce y, posiblemente, menos en supply chain. Se le llama retroalimentación de bandido. El término proviene de los bandidos multiármados, un montaje de máquina tragamonedas en un casino en el que solo observas la recompensa que obtienes de la máquina tragamonedas o cuál palanca accionas.
Nicole Zint: Y luego, ese es el mismo efecto, y el sistema de recomendación es similar a eso porque si muestras cierto anuncio, no sabes lo que habría pasado si le hubieras mostrado uno diferente al cliente. Han existido enfoques de modelado específicos que se adaptan bien a esto, y la configuración ingenua de aprendizaje supervisado de la que hablé al principio es, de hecho, donde esto falla. Entonces, esto no es bueno para predecir el efecto de la acción. Más bien, lo que quieres hacer es replantear tu problema de machine learning, de modo que el modelo no debería emitir una predicción sobre el futuro; debería emitir una decisión óptima. Y esto es a lo que creo que Joannes también aludió, se llama una política. Así que, 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 tu supply chain en lugar de un forecast por sí solo, a partir del cual tomas las decisiones por tu cuenta y la máquina no sabe qué decisiones tomaste. En teoría, podrías incluso omitir completamente todo el forecasting y simplemente decir “esto es lo que deberías hacer”.
Alexander Backus: Existen algoritmos específicos de machine learning, y la clase más amplia se llama aprendizaje por refuerzo. Es allí donde tomas una acción en el mundo real, observas su efecto, y debes enmarcarlo en términos de recompensas, recompensas financieras. Y es cuando obtienes la retroalimentación y luego actualizas tu modelo basado en esa retroalimentación. Mencionaste recompensas financieras, así que un ejemplo es, por decir, si tomas la decisión de pedir esta cantidad de stock, y luego observas cómo se desempeña el supply chain, cuánto dinero ingresó a la cuenta, y luego eso se retroalimenta en el sistema para que entienda, bueno, cuando tomamos estas decisiones, este fue el resultado, y a partir de eso continúa.
Joannes Vermorel: Sí, ese tipo de refuerzo financiero o objetivo financiero puede ser más complejo, teniendo en cuenta costes de almacenamiento, oportunidades perdidas, y así sucesivamente. Hay mucho que se puede elaborar sobre eso, o podemos dejarlo así. Entonces, eso es lo que optimizas con este algoritmo de aprendizaje por refuerzo. De esa manera, aprendes directamente la política, las decisiones que deberías emitir. Entonces, en cierto modo, abrazas más esta profecía autocumplida en lugar de evitarla, la cual comenzamos a mencionar al inicio de nuestra discusión. Entonces, no es ni buena ni mala; simplemente no se puede ignorar. Y esa es una forma de evitar esto, de tener este modelo que toma en cuenta las decisiones y aprende del impacto de decisiones previas para crear decisiones cada vez mejores.
Alexander Backus: Deberíamos pensar un poco en las implicaciones de eso, porque significa que también deberías ser capaz de experimentar. Y eso es, en este esquema, por supuesto, muy desafiante si el modelo necesita aprender y ver qué sucede si hace A o B.
Nicole Zint: Entonces, ¿por qué esto no se ha aplicado esencialmente antes, o no se aplica en todas partes?
Alexander Backus: Bueno, esta es una de las razones. Y además, los algoritmos típicos de aprendizaje por refuerzo aprenden de forma online, es decir, toman una acción y luego aprenden de la retroalimentación de recompensa que obtienen de eso. Esto es problemático en entornos del mundo real donde hay mucho riesgo involucrado, y además no tienes
Nicole Zint: No tienes algo con lo que iniciar este algoritmo, para que produzca resultados sensatos en primer lugar. Se inicia de forma aleatoria. O necesitas tener un ambiente de simulación muy bueno, que es lo que a menudo se ve en otros entornos de aprendizaje por refuerzo como AlphaZero aprendiendo a jugar ajedrez de Google DeepMind. Ellos tienen una simulación, así que cuentan con una simulación informática en la que este algoritmo de aprendizaje por refuerzo puede experimentar. Así, esencialmente, no sacrificas la supply chain de otra persona.
Alexander Backus: Exacto, no quieres conejos de prueba. Pero esto es un asunto de huevo y gallina en nuestro caso, porque entonces necesitas un modelo de la realidad muy preciso. Y si lo tienes, ya habrías 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 lo tienes, no deberías necesitar entrenar, y ya deberías poder descubrir la oportunidad. Volviendo al punto de partida.
Sí, pero hay una dirección prometedora hoy en día en la que aprendes de datos históricos. Se llama offline reinforcement learning, donde básicamente aprendes de las decisiones históricas que se tomaron. Aunque no estén tan bien distribuidas como te hubiera gustado, sigue siendo 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 a partir de ahí, puedes luego avanzar sin sacrificar tus suministros a configuraciones más online, o entrenarlo offline antes de lanzarlo en tandas. Hay varias opciones, pero esto también conlleva sus propios desafíos. Joannes, ¿cuál es tu perspectiva sobre lo que Alexander acaba de describir: comenzar offline, aprender de datos previos y, esencialmente, que la máquina evite este problema de huevo y gallina, se vuelve lo suficientemente buena para ser aplicada a una supply chain real, y por lo tanto, tiene más datos reales con los que trabajar, y continúa a partir de ahí? ¿Qué opinas al respecto?
Joannes Vermorel: La eficiencia en el manejo de datos es casi siempre una preocupación para cualquier tipo de algoritmo de machine learning en supply chain, porque nunca se tiene el lujo de disponer de una cantidad gigantesca de datos, al menos no con la granularidad en la que se deben tomar las decisiones. En las decisiones de supply chain, normalmente se toman a nivel de SKU. Y debido al hecho de que se procesan en lotes, incluso si observamos el SKU en una tienda, no serán millones de unidades por día. Y si observamos el SKU en una fábrica, entonces habrá grandes lotes, digamos, de 10,000 unidades. Y de nuevo, no serán millones de lotes por día. Por lo tanto, la cantidad de observaciones relevantes sigue siendo relativamente limitada.
Ese es un aspecto que siempre representa un desafío para el aprendizaje por refuerzo, porque no disponemos de tantos datos. Un simulador es de muy alto interés, pero también fue un punto que mencioné brevemente en una de mis conferencias. Esencialmente, existe una dualidad entre un forecast probabilístico y un simulador. Si tienes un forecast probabilístico, siempre puedes muestrear observaciones, y de ese modo obtienes tu simulador a partir de tu forecast probabilístico. Y si tienes un simulador, simplemente puedes ejecutar muchas simulaciones y calcular las respectivas probabilidades, y vuelves a tu forecast probabilístico. Por lo tanto, existe una dualidad muy fuerte.
Sí, eso es interesante, pero eso depende de contar con un forecast probabilístico muy preciso, lo cual es muy desafiante.
Nicole Zint: La observabilidad parcial es un problema especialmente difícil de resolver, porque cuando tomas un conjunto de datos, 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 realizaban movimientos de precios al azar; tenían hábitos muy arraigados. Por ejemplo, a veces los hábitos son tan fuertes que crean problemas a la hora de diferenciar realmente cuál es la causa 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 aplican grandes descuentos a una gran variedad de productos a finales de enero, lo que se observa 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 únicamente de los descuentos?
Alexander Backus: Ese es, de hecho, el problema. Las decisiones no se tomaron de forma aleatoria, por lo que lo que observas refleja ampliamente las prácticas habituales. Una manera en el aprendizaje por refuerzo de abordar esto es introducir una mezcla de exploración versus explotación. La explotación es hacer lo mejor de lo que has observado, basándote en lo que has visto, y la exploración es intentar algo nuevo, pero con la expectativa de que, al ser parcialmente aleatorio, será inferior.
Joannes Vermorel: Entonces, ¿por qué intentarías algo que sabes que lo más probable es que sea inferior? La respuesta es, pues, porque es la única manera en que, al final, puedes descubrir algo que resulte ser superior. Esa es la idea de sacrificar, esencialmente, es una inversión en investigación y desarrollo. Y eso podría ser algo que no es realmente algo que adopte formas muy mundanas. Podría ser, por ejemplo, que digamos que estás en una tienda y 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 al por mayor de uno de tus proveedores y aumentas enormemente la cantidad, podrías potencialmente bajar drásticamente el precio de un producto básico. Estoy tomando la vela a propósito, así que podrías tener un precio mucho más bajo, y tal vez multiplicarías la demanda que observaste por 10.
Joannes Vermorel: Eso sería un intercambio valioso. O ir por la otra vía, cambiar completamente de rumbo y decir: “Voy a optar por algo mucho más premium, añadir sabor o fragancia, y algo más, un mejor empaque, y multiplicar el precio por cuatro.” En lugar de tener una décima parte de la demanda que solía tener, aún tendría la mitad de la demanda, pero para 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 base. Nuestra historia no abarca estos escenarios más locos, si se quiere.
Joannes Vermorel: Sí, y de nuevo, puede ser sobre qué pasaría si tomas un producto y dices: “Introduzco cinco variantes de cinco colores diferentes.”
Nicole Zint: Ya sabes, ¿cuál es el grado de canibalización que observaré, o es que realmente estoy incursionando en nuevos mercados? De nuevo, si tomo velas y digo que voy a introducir múltiples colores para velas, ¿en qué medida esas velas de diferentes colores se canibalizarán entre sí, y en qué medida realmente satisfaceré una demanda completamente nueva?
Joannes Vermorel: No lo sé, y quizá este grabador me dé alguna pista de ello. Pero, en gran medida, lo que usualmente vemos es que, mientras 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, típicamente no es solo una persona la que tuvo la idea. Hay un método detrás, y se ha entrenado a la gente para decir: “En esta situación, deberías ofrecer un descuento en 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 establecidos.
Alexander Backus: Pero sin duda, aún es un buen punto de partida. 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 cuentas con buenos datos para respaldarte. Pero, como mencioné, si lo hacemos de manera offline, es decir, si observamos nuestro historial de ventas o los datos que tenemos, aunque puede existir la limitación de que quizá no observemos una gran desviación de la norma para ver las diferentes consecuencias de eso, ¿sigue siendo ese el punto de partida correcto, en tu opinión?
Joannes Vermorel: Creo que el punto de partida correcto es algo 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 nos acercamos al forecast en sí. Verás, ese es un verdadero punto de partida. El resto son tecnicismos. Hay muchos modelos. Los modelos más simples de aprendizaje por refuerzo, como los bandits, pueden ser increíblemente simples. Algunos son increíblemente complejos, pero esos son tecnicismos. Lo que he observado en las supply chains del mundo real es que el mayor desafío para empezar a adoptar algo tan simple como esos bucles de retroalimentación es reconocer que en realidad tendrán profundas consecuencias en el forecast. Los forecast nunca van a ser los mismos, y no lo digo cuantitativamente. Lo digo en términos de paradigma, no puedes ver esos forecast de la misma manera. Esto ya ni siquiera es el mismo objeto. Es algo de una naturaleza diferente, y eso es muy difícil porque, usualmente, la pregunta que me hacen es: “¿Será mi forecast más preciso?” Uno de los desafíos es, tan pronto como empezamos a observar esos bucles de retroalimentación, ¿cómo se mide siquiera la precisión cuando los tienes? Esa es una cuestión en sí misma. Es una pregunta difícil.
Alexander Backus: Sí, si puedo añadir a eso, creo que hemos estado discutiendo los desafíos técnicos y las limitaciones de disponibilidad de datos. Pero estoy totalmente de acuerdo con Joannes en que la razón principal por la que no se ha aplicado o adoptado en entornos empresariales es también que tiene un impacto profundo en el proceso de negocio. Entonces, en este tipo de entorno teórico…
Nicole Zint: Entonces, ¿a quién crees que son los jugadores más orientados a la tecnología en la industria de ecommerce?
Joannes Vermorel: La tendencia es, creo, que si miro a los jugadores muy agresivos y orientados a la tecnología, serían dd.com, Amazon.com, Alibaba.com. Ya sabes, esas empresas de ecommerce que están a la vanguardia. Sí, realmente están en la cima de su juego. Son muy, muy efectivas.
Alexander Backus: Estoy de acuerdo con eso. Esas empresas son definitivamente líderes en la industria cuando se trata de tecnología e innovación.
Nicole Zint: Entonces, el mundo ha cambiado mucho a lo largo de los años. ¿Qué opinas, Joannes, sobre el mundo en el que vivimos hoy?
Joannes Vermorel: Bueno, ya no es tan simple como solía ser. El mundo sigue progresando, pero hemos tenido muchas sorpresas en los últimos años. Es claro que no estamos en el 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 supply chain. No podemos tener control completo, así que mi enfoque es estar aproximadamente correcto para captar todo, en lugar de estar exactamente equivocado.
Nicole Zint: Esa es una perspectiva muy interesante. ¿Y qué hay de ti, Alexander? ¿Qué tipo de talento buscas al incorporar nuevas personas a tu equipo?
Alexander Backus: En IKEA, siempre estamos buscando un gran talento en data science para resolver desafíos en una gran corporación. Tenemos muchos datos y un potencial para impactar a escala global, así 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.