Asignación de stock minorista con pronósticos probabilísticos - Clase 6.1

00:00 Introducción
02:53 Decisiones vs Artefactos
10:07 Optimización experimental
13:51 El desarrollo hasta ahora
17:01 Decisiones de hoy
19:36 El manifiesto de la Supply Chain Quantitativa
21:01 El problema de asignación de stock minorista
24:49 Fuerzas económicas en el SKU de la tienda
29:35 Reificar los futuros
32:41 Reificar las opciones - 1/3
38:25 Reificar las opciones - 2/3
43:02 Reificar las opciones - 3/3
44:44 Función de recompensa de stock - 1/2
51:41 Función de recompensa de stock - 2/2
56:19 Asignaciones de stock priorizadas - 1/4
59:59 Asignaciones de stock priorizadas - 2/4
01:03:39 Asignaciones de stock priorizadas - 3/4
01:06:34 Asignaciones de stock priorizadas - 4/4
01:12:58 Suavizando el flujo del almacén - 1/2
01:16:48 Suavizando el flujo del almacén - 2/2
01:22:12 Función de recompensa de acción
01:25:02 El mundo real es complicado
01:27:38 Conclusión
01:30:00 Próxima clase y preguntas de la audiencia

Descripción

Las decisiones de la cadena de suministro requieren evaluaciones económicas ajustadas al riesgo. Convertir los pronósticos probabilísticos en evaluaciones económicas no es trivial y requiere herramientas dedicadas. Sin embargo, la priorización económica resultante, ilustrada por las asignaciones de stock, demuestra ser más poderosa que las técnicas tradicionales. Comenzamos con el desafío de asignación de stock minorista. En una red de 2 niveles que incluye tanto un centro de distribución (CD) como múltiples tiendas, debemos decidir cómo asignar el stock del CD a las tiendas, sabiendo que todas las tiendas compiten por el mismo stock.

Transcripción completa

Bienvenidos a esta serie de conferencias sobre cadena de suministro. Soy Joannes Vermorel y hoy presentaré “Asignación de stock minorista con pronósticos probabilísticos”. La asignación de stock minorista es un desafío simple pero fundamental: ¿cuándo y cuánto stock decides mover en cualquier momento entre los centros de distribución y las tiendas que operas? La decisión de mover stock depende de la demanda futura, por lo que se necesita algún tipo de pronóstico de demanda.

Sin embargo, la demanda minorista a nivel de tienda es incierta y la incertidumbre de la demanda futura es irreducible. Necesitamos un pronóstico que refleje adecuadamente esta incertidumbre irreducible del futuro, por lo que se necesita un pronóstico probabilístico. Sin embargo, aprovechar al máximo los pronósticos probabilísticos para tomar decisiones de cadena de suministro optimizadas es una tarea no trivial. Sería tentador reciclar una técnica de inventario existente que haya sido diseñada originalmente con un pronóstico determinista clásico en mente. Sin embargo, hacerlo sería contraproducente y anularía la razón principal por la que introdujimos los pronósticos probabilísticos en primer lugar.

El objetivo de esta conferencia es aprender cómo aprovechar al máximo los pronósticos probabilísticos en su forma nativa para optimizar las decisiones de cadena de suministro. Como primer ejemplo, consideraremos el problema de asignación de stock minorista y a través del examen de este problema, veremos cómo podemos optimizar el nivel de stock a nivel de tienda. Además, a través del examen de los pronósticos probabilísticos, incluso podemos abordar nuevas clases de problemas de cadena de suministro, como suavizar el flujo de inventario desde los centros de distribución hasta las tiendas para optimizar y reducir el costo operativo de la red.

Esta conferencia abre el sexto capítulo de esta serie, que está dedicado a técnicas y procesos de toma de decisiones en el contexto de la cadena de suministro. Veremos que las decisiones deben optimizarse teniendo en cuenta toda la red de la cadena de suministro, como un sistema integrado, en lugar de realizar una serie de optimizaciones locales aisladas. Por ejemplo, adoptando una perspectiva estrecha de la SKU (unidad de mantenimiento de inventario).

El primer paso para abordar las decisiones de la cadena de suministro es identificar las decisiones reales de la cadena de suministro. Una decisión de cadena de suministro tiene un impacto directo, físico y tangible en la cadena de suministro. Por ejemplo, mover una unidad de stock del centro de distribución a una tienda es real; tan pronto como haces eso, hay una unidad adicional en los estantes de la tienda y hay una unidad que ahora falta en el centro de distribución y que no se puede reasignar en ningún otro lugar.

Por el contrario, un artefacto no tiene un impacto físico tangible directo en la cadena de suministro. Un artefacto suele ser un paso de cálculo intermedio que finalmente conduce a una decisión de cadena de suministro, o es una estimación estadística de algún tipo que caracteriza una propiedad de una parte de su sistema de cadena de suministro. Desafortunadamente, no puedo evitar observar una gran confusión en la literatura de la cadena de suministro cuando se trata de distinguir las decisiones de los artefactos.

Cuidado, los retornos de inversión se obtienen exclusivamente a través de la mejora de las decisiones. Mejorar los artefactos casi siempre es inconsecuente, y eso en el mejor de los casos. En el peor de los casos, si una empresa pasa demasiado tiempo mejorando los artefactos, esto se convierte en una distracción que impide a la empresa mejorar sus decisiones reales de cadena de suministro. En la pantalla se muestra una lista de confusiones que observo con frecuencia en los círculos principales de la cadena de suministro.

Por ejemplo, comencemos con existencias de seguridad. Estas existencias no son reales; no tienes dos existencias, la existencia de seguridad y la existencia de trabajo. Solo hay una existencia, y la única decisión que se puede tomar es si se necesita más o no. Reordenar una cantidad es real, pero la existencia de seguridad no lo es. De manera similar, el nivel de servicio tampoco es real. El nivel de servicio depende mucho del modelo. De hecho, en la demanda minorista, los datos de ventas son escasos. Por lo tanto, si tomas cualquier SKU dado, generalmente tienes muy pocos datos para calcular un nivel de servicio significativo solo inspeccionando el SKU. La forma en que abordas el nivel de servicio es a través de técnicas de modelado y estimaciones estadísticas, lo cual está bien, pero nuevamente, esto es un artefacto, no la realidad. Esta es literalmente una perspectiva matemática que tienes sobre tu cadena de suministro.

De manera similar, el empuje o el tirón también es una cuestión de perspectiva. Una receta numérica adecuada que opera teniendo en cuenta toda la red de la cadena de suministro solo va a considerar la oportunidad de mover una unidad de stock desde un origen hacia un destino. Lo que es real es el movimiento de stock; lo que es solo una cuestión de perspectiva es si quieres desencadenar este movimiento de stock en función de condiciones relacionadas con el origen o el destino. Esto definirá el empuje o el tirón, pero es, en el mejor de los casos, una pequeña cuestión técnica de la receta numérica y no representa la realidad central de tu cadena de suministro.

El stock muerto es esencialmente una estimación del stock en riesgo de sufrir una cancelación de inventario en un futuro cercano. Desde la perspectiva de un cliente, no existe tal cosa como stock muerto y stock que está vivo. Ambos son productos que pueden no ser igualmente atractivos, pero el stock muerto es simplemente una evaluación de riesgo realizada sobre tu stock. Está bien, pero esto no debe confundirse con las cancelaciones de inventario, que son definitivas e indican que se ha perdido valor.

De manera similar, la tendencia a la baja también es un ingrediente matemático que puede existir en la forma en que modelas la demanda que observas. Típicamente será un factor dependiente del tiempo introducido en el modelo de demanda, como una dependencia lineal del tiempo o tal vez una dependencia exponencial del tiempo. Sin embargo, esto no es la realidad. La realidad podría ser que tu negocio está disminuyendo debido a la pérdida de clientes, por lo que la rotación es, entre otras posibilidades, la realidad de la cadena de suministro. La tendencia a la baja es simplemente un artefacto que puedes usar para agregar el patrón.

De manera similar, ningún proveedor te venderá algo al precio promedio de compra. Lo único real es que compones un pedido de compra, eliges cantidades y, según las cantidades que hayas elegido, podrás aprovechar los descuentos por volumen que tus proveedores puedan ofrecer. Obtendrás precios de compra basados en esos descuentos y en lo que negocies además de eso. El precio promedio de compra no es real, así que ten cuidado de no cometer errores al tomar estos artefactos numéricos como si tuvieran algún elemento de verdad fundamental.

Por último, la clasificación ABC, que va desde los productos más vendidos hasta los de movimiento lento, es solo una clasificación trivial impulsada por el volumen de los SKU o productos que tienes. Estas clases no son atributos reales. Por lo general, la mitad de los productos cambiarán de una clase ABC a la siguiente de un trimestre a otro, pero en realidad no sucedió nada en los ojos de los clientes o el mercado para esos productos. Es simplemente un artefacto numérico que se ha aplicado al producto y no debe confundirse con atributos profundamente relevantes, como si un producto forma parte de una marca de distribuidor. Este es un atributo fundamental real del producto que tiene consecuencias de gran alcance para tu cadena de suministro. En este capítulo, debería quedar cada vez más claro por qué es imperativo centrarse en las decisiones de la cadena de suministro, en lugar de perder tiempo y enfoque tratando con artefactos numéricos.

Cuando se pronuncia la palabra “optimización”, la perspectiva habitual que viene a la mente de una audiencia bien educada es la perspectiva de optimización matemática. Dado un conjunto de variables y una función de pérdida, el objetivo es identificar los valores de las variables que minimicen la función de pérdida. Desafortunadamente, este enfoque funciona mal en la cadena de suministro porque asume que las variables relevantes son conocidas, lo cual generalmente no es el caso. Incluso cuando lo es, hay muchas variables, como los datos meteorológicos, que se sabe que tienen un impacto en tu cadena de suministro pero que tienen muchos costos si quieres adquirir estos datos. Por lo tanto, no está claro si vale la pena el esfuerzo de adquirir estos datos para optimizar tu cadena de suministro.

Aún más problemático, la función de pérdida en sí misma es en gran medida desconocida. La función de pérdida se puede estimar de alguna manera, pero solo la confrontación de la pérdida con la retroalimentación del mundo real que puedes obtener de tu cadena de suministro te dará información válida sobre la adecuación de esta función de pérdida. No se trata de la corrección desde una perspectiva matemática; se trata de la adecuación. ¿Esta función de pérdida, que es una construcción matemática, refleja adecuadamente lo que estás tratando de optimizar para tu cadena de suministro? Abordamos este dilema de realizar la optimización cuando no conocemos las variables y la función de pérdida en la Lección 2.2, titulada “Optimización experimental”. La perspectiva de optimización experimental establece que el problema no es dado; el problema debe descubrirse a través de experimentos repetidos e iterados. La prueba de la corrección de la función de pérdida y sus variables no surge como una propiedad matemática, sino a través de una serie de observaciones impulsadas por experimentos bien elegidos obtenidos de la propia cadena de suministro. La optimización experimental desafía profundamente la forma en que vemos la optimización, y esta es una perspectiva que adoptaré en este capítulo. Las herramientas y técnicas que presentaré aquí están orientadas hacia la perspectiva de optimización experimental.

En cualquier momento, la receta numérica que tenemos puede declararse obsoleta y puede ser reemplazada por una receta numérica alternativa que se considere más alineada con la cadena de suministro que tenemos. Por lo tanto, en cualquier momento, deberíamos poder poner la receta numérica que tenemos en producción y realizar el proceso de optimización a gran escala. Por ejemplo, no podemos decir que identificamos la función de pérdida y luego poner a un equipo de científicos de datos en el caso durante tres meses para diseñar algunas técnicas de optimización de software. En cambio, cada vez que tengamos una nueva receta, deberíamos poder ponerla directamente en producción y permitir que las decisiones de la cadena de suministro se beneficien de esta nueva forma identificada del problema.

Esta conferencia es parte de una serie de conferencias sobre la cadena de suministro. Estoy tratando de mantener estas conferencias algo independientes, pero hemos llegado a un punto en el que tiene más sentido ver estas conferencias en secuencia. Si no has visto las conferencias anteriores, está bien, pero esta serie probablemente tendrá más sentido si la ves en el orden en que se presentó.

En el primer capítulo, presenté mis puntos de vista sobre la cadena de suministro tanto como campo de estudio como práctica. En el segundo capítulo, presenté una serie de metodologías esenciales para abordar los desafíos de la cadena de suministro, incluida la optimización experimental. Estas metodologías son necesarias debido a la naturaleza adversarial de la mayoría de los problemas de la cadena de suministro. En el tercer capítulo, me centré en los problemas en sí, en lugar de en las soluciones. En el cuarto capítulo, presenté una serie de campos que no son exactamente cadena de suministro en sí, las ciencias auxiliares de la cadena de suministro, que son esenciales para una práctica moderna de la cadena de suministro. En el quinto capítulo, presenté una serie de técnicas de modelado predictivo, especialmente pronósticos probabilísticos, que son esenciales para hacer frente a la incertidumbre irreducible del futuro.

Hoy, en esta primera conferencia del sexto capítulo, nos adentramos en técnicas de toma de decisiones. La literatura científica ha entregado una abundancia de técnicas y algoritmos de toma de decisiones en las últimas siete décadas, desde la programación dinámica en la década de 1950 hasta el aprendizaje por refuerzo e incluso el aprendizaje profundo por refuerzo. Sin embargo, el desafío es lograr resultados de cadena de suministro de calidad de producción. De hecho, la mayoría de estas técnicas sufren de fallas ocultas que las hacen imprácticas para fines de cadena de suministro por una razón u otra. Hoy nos enfocamos en la asignación de stock minorista como el arquetipo de una decisión de cadena de suministro. Esta conferencia allana el camino para decisiones y situaciones más complejas.

En la pantalla se muestra el resumen de la conferencia de hoy. Incluso al considerar el problema de cadena de suministro más simple, la asignación de stock minorista, tenemos mucho terreno que cubrir. Estos elementos representan bloques de construcción para situaciones más complejas. Comenzaré revisando el manifiesto de la cadena de suministro cuantitativa. Luego, aclararé lo que quiero decir con el problema de asignación de stock minorista. También revisaremos las fuerzas económicas presentes en este problema. Volveré a visitar la noción de pronósticos probabilísticos y cómo los representamos realmente, o al menos una de las opciones para representarlos. Veremos cómo modelar la decisión refinando el pronóstico y refinando las opciones, que son las posibles decisiones candidatas.

Luego presentaremos la función de recompensa de stock. Esta función se puede ver como un marco mínimo para convertir un pronóstico probabilístico en un puntaje económico que se puede asociar con cada opción de asignación de stock, teniendo en cuenta una serie de factores económicos. Una vez que las opciones están puntuadas, podemos proceder con una lista de prioridades. Una lista de prioridades es engañosamente simple pero resulta ser increíblemente poderosa y práctica en cadenas de suministro del mundo real, tanto en términos de estabilidad numérica como de características de caja blanca.

Con la lista de prioridades, podemos suavizar casi sin esfuerzo el flujo de inventario desde el centro de distribución hasta las tiendas, reduciendo el costo operativo del centro de distribución. Por último, haremos un breve repaso de la función de recompensa de acción, que en la actualidad reemplaza a la función de recompensa de stock en Lokad en prácticamente todas las dimensiones, excepto la simplicidad.

El manifiesto de la Supply Chain Quantitativa es un documento que originalmente publiqué en 2017. Esta perspectiva ha sido ampliamente cubierta en la Lección 1.2, pero para mayor claridad, proporcionaré un breve resumen hoy. Hay cinco pilares, pero solo los tres primeros son relevantes para nosotros hoy. Los tres primeros pilares son:

Considerar todos los futuros posibles, lo que significa pronósticos probabilísticos, así como pronosticar todos los demás elementos con un aspecto de incertidumbre, como los tiempos de entrega variables o los precios futuros. Considerar todas las decisiones factibles, centrándose en las decisiones y no en los artefactos. Priorizar con impulsores económicos, que es el tema de la conferencia de hoy.

En particular, veremos cómo podemos convertir pronósticos probabilísticos en estimaciones de rendimiento económico.

En el problema de asignación de stock minorista. Esta es una definición que estoy dando; es algo arbitraria, pero esta es la definición que usaré hoy. Suponemos una red con dos escalones: tenemos un centro de distribución y múltiples tiendas. El centro de distribución sirve a todas las tiendas, y si hay varios centros de distribución, asumimos que una tienda es atendida por un solo centro de distribución. El objetivo es asignar correctamente el stock que existe en el centro de distribución entre las tiendas, y todas las tiendas compiten por el mismo stock que existe en el centro de distribución.

Suponemos que todas las tiendas pueden reponerse diariamente con un horario diario desde el centro de distribución. Por lo tanto, todos los días, debemos decidir cuántas unidades mover para cada producto hacia cada tienda. La cantidad total de unidades que se mueven no puede exceder el stock disponible en el centro de distribución, y también es razonable esperar que haya límites de capacidad en los estantes de las tiendas. Si el centro de distribución tuviera existencias ilimitadas, el problema se reduciría a una cadena de suministro de un solo escalón, ya que nunca habría necesidad de hacer ningún tipo de arbitraje o compensación entre asignar el stock a una tienda u otra. La propiedad de dos escalones de la red solo surge debido al hecho de que las tiendas compiten por el mismo stock.

Naturalmente, asumiremos visibilidad en las ventas de las tiendas y los niveles de stock tanto a nivel del centro de distribución como a nivel de la tienda, lo que significa que asumimos que los datos transaccionales están disponibles. También asumiremos que las entregas entrantes que se realizarán en el centro de distribución se conocen con tiempos estimados de llegada (ETAs), que pueden venir con cierto grado de incertidumbre. También asumimos que toda la información mundana pero crítica está disponible, como el precio de compra del producto, el precio de venta del producto, las categorías de productos, etc. Toda esta información se encontraría en cualquier ERP, incluso con tres décadas de antigüedad, así como en los sistemas WMS y de punto de venta.

Hoy en día, no incluimos el reabastecimiento del centro de distribución (CD) como parte del problema. En la práctica, el reabastecimiento del centro de distribución y las asignaciones de tiendas están estrechamente vinculados, por lo que tiene sentido abordar esos problemas juntos. La razón por la que no lo estoy haciendo hoy es por claridad y concisión en esta conferencia; abordaremos el problema más simple primero. Sin embargo, tenga en cuenta que el enfoque que estoy presentando hoy se puede extender naturalmente para incluir el reabastecimiento del CD también.

Decidir mover una unidad adicional de stock a una tienda para un producto dado en un día dado depende de una serie de fuerzas económicas. Si mover la unidad es rentable, queremos hacerlo; de lo contrario, no. Las principales fuerzas económicas se enumeran en la pantalla y, en esencia, poner más stock en una tienda resulta en una serie de beneficios. Estos incluyen un margen bruto mayor debido a evitar ventas perdidas, una mejor calidad de servicio al reducir la cantidad de faltantes de stock y una mayor atractividad de la tienda. De hecho, para que una tienda sea atractiva, debe parecer abundante; de lo contrario, se ve triste y es posible que las personas estén menos dispuestas a comprar. Esta es una observación común en el comercio minorista, aunque puede no aplicarse necesariamente a todos los segmentos, como el lujo duro. Sin embargo, esta consideración se aplica a las tiendas de mercancía general o moda.

Desafortunadamente, poner más stock también tiene desventajas, disminuyendo el rendimiento que se podría esperar al tener más stock en la tienda. Estas desventajas incluyen costos adicionales de transporte, que pueden convertirse en cancelaciones de inventario si hay un exceso real de stock. También existe el riesgo de sobrecarga de recepción, que ocurre si el personal de la tienda no puede procesar un envío que es demasiado grande. Esto crea confusión y desorden en la tienda si la cantidad entregada supera lo que el personal puede colocar en los estantes. Además, existe un costo de oportunidad: cada vez que se coloca una unidad en una tienda, no se puede colocar en otra tienda. Si bien podría ser devuelto al centro de distribución y reenviado, esto suele ser bastante caro, por lo que generalmente es una opción de último recurso. Los minoristas deben apuntar a una asignación eficiente de tiendas sin tener que devolver el stock.

Suavizar el flujo de inventario también es muy deseable. Un centro de distribución (CD) tiene una capacidad nominal en la que opera con máxima eficiencia económica. Esta eficiencia máxima está impulsada por la configuración física del CD, así como por el número de personal permanente asociado a él. Idealmente, el CD debería operar diariamente, manteniéndose muy cerca de su capacidad nominal para ser más rentable. Sin embargo, mantener la eficiencia máxima en el centro de distribución (CD) requiere suavizar el flujo desde el CD hasta las tiendas. La perspectiva económica difiere de las perspectivas tradicionales orientadas al nivel de servicio que se ven a menudo en la literatura convencional de la cadena de suministro. Estamos buscando dólares de retorno, no puntos porcentuales. La única forma de decidir si es razonable ajustar el esquema de asignación de stock a nivel de red para reducir los costos operativos, en comparación con una degradación menor de la calidad de servicio en las tiendas, es adoptar la perspectiva económica presentada aquí. Si adopta una perspectiva de nivel de servicio, no puede proporcionar este tipo de respuestas. Nuestro objetivo en este punto es establecer recetas numéricas que estimen los resultados económicos para cualquier decisión de asignación de stock dada.

En el capítulo anterior, el quinto capítulo, discutimos cómo producir pronósticos probabilísticos e introdujimos un tipo de dato especializado, el “ranvar”, que representa distribuciones de probabilidad discretas unidimensionales. En resumen, un ranvar es un tipo de dato especializado utilizado para representar un pronóstico probabilístico simple unidimensional en Envision.

Envision es un lenguaje de programación específico de dominio desarrollado por Lokad con el único propósito de optimización predictiva de cadenas de suministro. Si bien no hay nada fundamentalmente único en Envision en estas conferencias, se utiliza para mayor claridad y concisión en la presentación. Las recetas numéricas descritas hoy se pueden implementar en cualquier lenguaje, como Python, Julia o Visual Basic.

El aspecto clave de ranvar es que proporciona un álgebra de alto rendimiento de variables aleatorias. El rendimiento es un equilibrio entre el costo de cálculo, el costo de memoria y el grado de aproximación numérica que estás dispuesto a tolerar. El rendimiento de cálculo es fundamental cuando se trata de redes minoristas, ya que puede haber millones o incluso decenas de millones de SKU, cada uno probablemente con al menos un pronóstico probabilístico o ranvar. En consecuencia, es posible que termines con millones o decenas de millones de histogramas.

La propiedad clave de ranvar en comparación con un histograma es mantener tanto el costo de CPU como el costo de memoria acotados y lo más bajos posible. También es crucial asegurarse de que la aproximación numérica introducida sea inconsecuente desde una perspectiva de cadena de suministro. Es importante tener en cuenta que no estamos tratando con cómputo científico aquí, sino con cómputo de cadena de suministro. Si bien los cálculos numéricos deben ser precisos, no es necesario tener una precisión extrema. Ten en cuenta que no estamos haciendo cómputo científico aquí; estamos haciendo cómputo de cadena de suministro. Si tienes una aproximación de una parte por mil millones, es inconsecuente desde una perspectiva de cadena de suministro. Los cálculos numéricos deben ser precisos, pero no es necesario tener una precisión extrema.

A continuación, asumimos que el pronóstico probabilístico se proporcionará bajo la apariencia de ranvars, que son una serie de variables con un tipo de dato específico. En la práctica, puedes reemplazar ranvars con histogramas y lograr en su mayoría el mismo resultado, excepto por los aspectos de rendimiento y conveniencia.

Ahora que tenemos nuestros pronósticos probabilísticos, consideremos cómo abordaremos las decisiones. Comencemos considerando las opciones. Las opciones son las decisiones potenciales, por ejemplo, asignar cero unidades para un producto dado a una tienda dada en un día determinado o asignar una, dos o tres unidades. Si decidimos asignar dos unidades, esa se convierte en nuestra decisión. Las opciones son todas las cosas sobre la mesa esperando ser decididas.

Una forma sencilla de organizar estas opciones es ponerlas en una lista, como se muestra en la pantalla. La lista cubre múltiples SKU y, para cada SKU, agregas una línea por opción. Cada opción representa una cantidad a asignar. Puedes asignar cero, una, dos, tres, etc. En realidad, no tienes que ir hasta el infinito; puedes detenerte en la cantidad en stock en el centro de distribución. Más realistamente, generalmente tienes un límite inferior, como la capacidad máxima del estante para el producto en la tienda.

Entonces, tienes una lista que incluye cada SKU y, para cada SKU, tienes todas las cantidades que se pueden considerar como candidatas para la asignación desde el centro de distribución. La columna de puntuación está asociada al resultado marginal que esperarías al hacer esta asignación. Una puntuación bien diseñada garantiza que elegir líneas en orden decreciente de puntuación optimice el resultado económico para la red minorista.

Para los dos SKU mostrados en la pantalla, la puntuación disminuye a medida que aumenta la asignación, ilustrando el fenómeno dominante de rendimientos decrecientes observado para la mayoría de los SKU. Básicamente, poner la primera unidad en una tienda casi siempre genera más rendimientos que la segunda. La primera unidad que colocas en una tienda casi siempre es más rentable que la segunda. Inicialmente, no tienes nada, por lo que te encuentras en una situación de falta de stock. Si colocas una unidad, ya has solucionado la falta de stock para el primer cliente. Si colocas una segunda unidad, el primer cliente estará bien, pero solo si aparecen dos clientes, la segunda unidad será útil, por lo que tiene un retorno económico menor. Sin embargo, los rendimientos generalmente disminuyen a medida que aumenta el stock. Hay algunas excepciones donde los rendimientos económicos pueden no ser estrictamente decrecientes de una línea a la siguiente, pero volveré a visitar este caso en una conferencia posterior. Por ahora, nos ceñiremos a la situación simple donde los rendimientos son estrictamente decrecientes a medida que aumenta el stock.

La representación que tenemos, donde podemos ver todos los SKU y opciones, se conoce típicamente como una cuadrícula. La intención es ordenar esta cuadrícula por ROI (retorno de la inversión) decreciente. No hay nada malo en estas cuadrículas en sí mismas, pero no son muy eficientes, especialmente en términos de cálculo o memoria, y no ofrecen ningún soporte más allá de ser una tabla grande. Ten en cuenta que estamos hablando de una red minorista, y esta cuadrícula podría terminar teniendo mil millones de líneas aproximadamente. Los datos grandes están bien, pero los datos más pequeños son mejores, ya que crean menos fricción y permiten más agilidad. Queremos intentar convertir nuestro problema de big data en un problema de small data, ya que los datos más pequeños simplifican todo en producción.

Por lo tanto, una de las soluciones adoptadas por Lokad para lidiar con un gran número de opciones son las zedfuncs. Este tipo de datos, al igual que ranvars, es el contraparte de ranvar pero desde la perspectiva de la toma de decisiones. ranvars representan todos los futuros posibles, mientras que zedfuncs representan todas las decisiones posibles. En lugar de representar probabilidades como ranvars, un zedfunc representa todos los resultados económicos asociados con una serie discreta unidimensional de opciones.

El zedfunc, o zedfunction, es técnicamente una función que asigna enteros, tanto positivos como negativos, a valores reales. Esta es la definición técnica. Sin embargo, al igual que con ranvars, no es posible representar cualquier función arbitraria o compleja como zedfuncs con una cantidad finita de memoria. En este caso, también hay un compromiso entre precisión y resolución.

En la gestión de la cadena de suministro, no existen funciones económicas arbitrariamente complejas. Puedes tener funciones de costo bastante complejas, pero no pueden ser arbitrariamente complejas. En la práctica, es posible comprimir zedfuncs en menos de cuatro kilobytes. Al hacerlo, tienes un tipo de datos que representa toda tu función de costo y la comprime para que siempre sea inferior a cuatro kilobytes, al tiempo que mantiene el grado de aproximación numérica inconsecuente desde una perspectiva de la cadena de suministro. Si mantienes la aproximación numérica tan pequeña que no cambia la decisión final que estás a punto de tomar, que es discreta, entonces se puede decir que la aproximación numérica es completamente inconsecuente porque al final terminas haciendo lo mismo, incluso si tuvieras precisión infinita.

La razón de usar cuatro kilobytes está relacionada con el hardware de computación. Como hemos visto en una conferencia anterior sobre hardware de computación moderno para la gestión de la cadena de suministro, la memoria de acceso aleatorio (RAM) en una computadora moderna, ya sea una estación de trabajo, una computadora portátil o una computadora en la nube, no te permite acceder a la memoria byte por byte. Tan pronto como tocas la RAM, se recupera un segmento de cuatro kilobytes. Por lo tanto, es mejor mantener la cantidad de datos por debajo de cuatro kilobytes porque coincidirá con la forma en que el hardware está diseñado y opera para tu cadena de suministro.

El algoritmo de compresión utilizado por Lokad para zedfuncs difiere del utilizado para ranvars porque no estamos abordando los mismos problemas numéricos. Para ranvars, nos importa principalmente preservar la masa de probabilidades de nuestros segmentos contiguos. Para un zedfunc, el enfoque es diferente. Típicamente queremos preservar la cantidad de variación observada de una posición a la siguiente porque es con esta variación que podemos decidir si es la última opción rentable o si debemos detenernos. Por lo tanto, el algoritmo de compresión también es diferente.

En la pantalla, puedes ver una gráfica obtenida para un zedfunc que refleja algunos costos de transporte esperados que dependen del número de unidades en stock. Los zedfuncs se benefician de ser un espacio vectorial, lo que significa que se pueden sumar y restar, al igual que el espacio vectorial clásico asociado con las funciones. Al preservar la localidad de la memoria, las operaciones se pueden realizar con una velocidad de magnitud mayor en comparación con una implementación de cuadrícula ingenua donde tienes una tabla muy grande sin una estructura de datos específica para capturar la localidad de las opciones que juegan juntas.

La gráfica que viste en la diapositiva anterior fue generada por un script. En las líneas uno y dos, declaramos dos funciones lineales, f y g. La función “linear” es parte de la biblioteca estándar, y “linear of one” es simplemente la función identidad, un polinomio de grado uno. La función “linear” devuelve un zedfunc, y es posible agregar una constante con un zedfunc. Tenemos dos polinomios de grado uno, f y g. En la línea tres, construimos un polinomio de segundo grado a través del producto de f y g. Las líneas 5 a 10 son utilidades, básicamente plantilla, para trazar el zedfunc.

En este punto, tenemos nuestro contenedor de datos para el zedfunc y los resultados económicos. El zedfunc es un contenedor de datos, al igual que el ranvar lo fue para el pronóstico probabilístico. Sin embargo, todavía necesitamos recetas numéricas para calcular esos resultados económicos. Tenemos el contenedor de datos, pero aún no he descrito cómo calculamos esos resultados económicos y llenamos los zedfuncs.

La función de recompensa de stock es un pequeño marco destinado a calcular los rendimientos económicos para cada nivel de stock de un solo SKU, considerando un pronóstico probabilístico y una serie corta de factores económicos. La función de recompensa de stock se introdujo históricamente en Lokad para unificar nuestras prácticas. En 2015, Lokad ya llevaba trabajando un par de años con pronósticos probabilísticos, y a través de ensayo y error, ya habíamos descubierto una serie de recetas numéricas que funcionaban bien. Sin embargo, no estaban realmente unificadas; era un poco caótico. La función de recompensa de stock consolidó todos esos conocimientos en ese momento en un marco limpio, ordenado y minimalista. Desde 2015, se han desarrollado métodos mejores, pero también más complejos. Por claridad, todavía es mejor comenzar con la función de recompensa de stock y presentar esta función primero.

La función de recompensa de stock realmente se trata de encontrar una receta numérica que nos dará un cálculo para los resultados económicos asociados a esos pronósticos probabilísticos. La función de recompensa de stock obedece la ecuación que puedes ver en la pantalla, y define los rendimientos económicos en el tiempo t que puedes obtener para el stock en mano, k. La variable R representa el rendimiento económico, que se expresa en unidades como dólares o euros. La función tiene dos variables: tiempo (t) y stock en mano (k). Queremos calcular esta recompensa para todos los niveles de stock posibles.

Hay cuatro variables económicas que se deben considerar:

M es el margen bruto por unidad vendida. Es el margen que ganarás al prestar servicio con éxito a una unidad. S es la penalización por falta de stock, una especie de costo virtual que incurre cuando no logras prestar servicio a una unidad a un cliente. Incluso si no tienes que pagar una penalización a tu cliente, hay un costo asociado con no proporcionar un servicio adecuado, y este costo debe ser modelado. Una de las formas más simples de modelar este costo es asignar una penalización por cada unidad que no logres servir. C es el costo de mantenimiento, el costo por unidad por período de tiempo. Si tienes una unidad en stock durante tres períodos, eso sería tres veces C; si tienes dos unidades en stock durante tres períodos, eso sería seis veces C. Alpha se utiliza para descontar los rendimientos futuros. La idea es que lo que sucede en el futuro lejano importa menos que lo que está a punto de suceder en el futuro cercano. La función de recompensa de stock es tan simple como puede ser sin ser excesivamente simplista. La ecuación indica que si la demanda supera el stock en mano, el rendimiento incluye el margen para todo el stock que tenemos.

Esto es lo que dice la primera línea: tenemos k márgenes, por lo que vendemos todas las unidades que tenemos, y luego incurrimos en una penalización que será Y(t) - k por todas las unidades que no logramos servir.

De lo contrario, si el stock en mano supera la demanda, podemos beneficiarnos de Y(t) veces M, que representa el margen de lo que hemos vendido hoy. Luego, tenemos que pagar los costos de mantenimiento. Los costos de mantenimiento para hoy serán lo que queda al final del día, que es k - Y(t) veces C, más alpha veces la función de recompensa de stock R* para el próximo día.

Hay un detalle con R*. Es casi idéntico a la función de recompensa de stock R, excepto que simplemente ponemos la penalización por falta de stock en cero. La razón es sencilla: asumimos desde la perspectiva del stock que tendremos oportunidades posteriores para reponer el stock. Si observamos una falta de stock hoy, es demasiado tarde, por lo que incurrimos en la penalización por falta de stock. Sin embargo, una penalización por falta de stock que se considera que ocurrirá mañana se considera evitable.

Sin embargo, una penalización por falta de stock que se considera que ocurrirá en el futuro, en un período posterior, asumimos que el reabastecimiento puede ocurrir en cada período. Por lo tanto, para la falta de stock que ocurriría en un período posterior, cuando todavía tenemos tiempo para hacer un pedido tardío, la falta de stock aún no ha ocurrido. Todavía tenemos la oportunidad de hacerlo, y por eso ponemos la penalización por falta de stock en cero, porque anticipamos que habrá, con suerte, otro pedido que evitará que ocurra la falta de stock.

El descuento de tiempo alpha es muy útil porque elimina la necesidad de especificar un horizonte de tiempo específico. La función de recompensa de stock no funciona con un horizonte de tiempo finito; se extiende hasta el infinito. Gracias a alpha, que es un valor estrictamente menor que uno, los resultados económicos asociados a eventos en el futuro muy lejano se vuelven insignificantes, por lo que se vuelven inconsecuentes. No tenemos ningún tipo de límite, que siempre es arbitrario, como recortar el horizonte de la cadena de suministro a 60 días, 90 días, un año o dos años.

En Envision, la función de recompensa de stock toma un ranvar como entrada y devuelve un zedfunc. La función de recompensa de stock es un pequeño bloque de construcción que convierte un pronóstico probabilístico (un ranvar) en un zedfunc, que es un contenedor para los rendimientos económicos estimados en una serie de opciones. Como sugiere el nombre, la función de recompensa de stock es el rendimiento económico asociado con cada posición de stock individual: qué sucede si tengo cero unidades en stock, una unidad en stock, dos unidades, tres unidades, y así sucesivamente. El zedfunc reflejará los resultados económicos para cada nivel de stock, codificando el rendimiento económico asociado con el nivel de stock correspondiente.

El proceso para calcular estos zedfuncs se ilustra en la pantalla. En la línea 1, introducimos una demanda simulada para un solo día, que es solo una distribución de Poisson aleatoria. En las líneas 2 a 7, introducimos las variables económicas, y por cierto, tenemos dos alphas. Hay otro detalle: tenemos un efecto de trinquete en el inventario. Una vez que el stock ha sido enviado a la tienda, generalmente es muy costoso devolverlo. Esto refleja que cualquier asignación realizada a una tienda es prácticamente final. En cuanto a los costos de mantenimiento, el alpha no debe ser demasiado pequeño, porque realmente incurriríamos en esos costos de mantenimiento si tenemos un exceso de stock. No podemos deshacer esta decisión. Sin embargo, cuando se trata del alpha relacionado con el margen, la realidad es que al igual que tendremos otras oportunidades para abordar futuras faltas de stock, tendremos otras oportunidades para traer más stock y realizar el mismo margen con stock que se envía en una fecha posterior. Por lo tanto, debemos descontar de manera mucho más agresiva lo que sucede en el lado del margen en comparación con lo que sucede en el lado de los costos de mantenimiento.

En las líneas 9 a 11, introducimos la función de recompensa de stock en sí. Esta función, la función de recompensa de stock que presenté en la diapositiva anterior, se puede descomponer linealmente en sus tres componentes, abordando respectivamente el margen, el costo de mantenimiento y la penalización por falta de stock por separado. De hecho, tenemos una separación lineal, y en Envision, estos tres componentes se calculan por separado. Podemos multiplicar el zedfunc por el factor M, que sería el margen bruto.

En las líneas 13 a 15, la recompensa final se recomponen agregando los tres componentes económicos. En este script, estamos aprovechando el hecho de que tenemos un espacio vectorial de zedfuncs. Estos zedfuncs no son números; son funciones. Pero podemos sumarlos, y el resultado de la suma es otra función, que también es un zedfunc. La variable reward es el resultado de sumar esos tres componentes juntos. Bajo la superficie, el cálculo de la función de recompensa de stock se realiza a través de un análisis de punto fijo, que se puede hacer en tiempo constante para cada componente. Este cálculo de tiempo constante puede parecer una pequeña tecnicidad, pero cuando estás lidiando con una gran red minorista, marca la diferencia entre un prototipo sofisticado y una solución de producción real.

Ahora, en este punto, hemos consolidado todos los ingredientes necesarios para abordar el problema de asignación de stock. Tenemos pronósticos probabilísticos expresados como ranvars, una técnica para transformar estos ranvars en una función que proporciona rendimientos económicos para cualquier valor de stock en mano, y esos resultados económicos se pueden representar de manera conveniente como zedfuncs. Para abordar finalmente el problema de asignación de stock, necesitamos responder la pregunta clave: si solo podemos mover una sola unidad de stock, ¿cuál movemos y por qué? Todas las tiendas de la red compiten por el mismo stock en el centro de distribución, y la calidad de la decisión de mover una unidad de stock desde el centro de distribución a una tienda específica depende del estado general de la red. No se puede evaluar si esta decisión es buena solo mirando una tienda.

Por ejemplo, supongamos que tenemos una tienda con dos unidades en stock y si agregamos una tercera unidad, estamos aumentando el nivel de servicio esperado del 80% al 90%. Esto es bueno, y tal vez más personas dentro de la red estarían de acuerdo con la idea de traer una unidad adicional para que el nivel de servicio pueda pasar de 80 a 90. Eso parece muy razonable, por lo que dirían que este es un buen movimiento. Sin embargo, ¿qué pasa si esta unidad que estamos a punto de mover, esta tercera unidad, es en realidad la última disponible en el centro de distribución? Tenemos otra tienda en la red que ya está sufriendo una falta de stock, y si movemos esta unidad a la tienda donde se convierte en la tercera unidad, prolongamos la falta de stock para la tienda que ya está sin stock para el mismo producto. En esta situación, es casi seguro que mover la unidad a la tienda que ya está sin stock es una mejor decisión y debe tener una prioridad más alta.

Por eso no tiene sentido evaluar económicamente los niveles de stock a nivel de SKU. El problema con las optimizaciones locales es que no funcionan si operas en sistemas más grandes. En las cadenas de suministro, si abordas las cosas localmente, solo desplazas problemas; no abordas nada. La adecuación de un nivel de stock de un SKU depende del estado de la red. Este ejemplo simple aclara por qué los cálculos de stock de seguridad o los cálculos de punto de reorden son en su mayoría absurdos, al menos para situaciones del mundo real, en comparación con ejemplos ficticios que se encuentran en los libros de cadena de suministro.

Aquí, realmente queremos priorizar todas las asignaciones de stock entre sí, y la opción que sale en la parte superior es la respuesta a nuestra pregunta: esta será la única unidad que se debe mover si solo podemos mover una unidad.

Clasificar las opciones de asignación de stock es relativamente sencillo con las herramientas adecuadas. Veamos este script de Envision. En la línea 1, creamos tres SKU llamados A, B y C. En la línea 2, generamos precios de compra aleatorios entre 1 y 10 como datos ficticios. En la línea 3, generamos zedfuncs ficticios que se supone que representan la recompensa que tenemos para cada uno de esos SKU. En la práctica, un zedfunc debería calcularse con la función de recompensa de stock, pero solo para mantener el código conciso, estamos usando datos ficticios aquí. La recompensa es una función lineal decreciente que llegará a cero en el nivel de stock 6. En la línea 4, creamos una tabla G, una abreviatura para la cuadrícula que representa nuestro nivel de stock disponible. Suponemos que los niveles de stock por encima de 10 no valen la pena evaluar. Esta suposición es razonable, considerando que en términos de datos ficticios, tenemos una función de recompensa que se vuelve negativa más allá de un nivel de stock disponible de 6. En la línea 6, extraemos la recompensa marginal para cualquier unidad en stock para que tengamos esta tabla de cuadrícula. Usamos el zedfunc, una función que representa recompensas, para extraer el valor de la posición de stock G.N. Vale la pena señalar que, a partir de la línea 6, no importaría cómo se generaron originalmente los datos. Desde la línea 1 hasta la 4, son solo datos ficticios que no se utilizarían en una configuración de producción, pero a partir de la línea 6, sería esencialmente lo mismo si estuvieras en producción.

En la línea 7, definimos la puntuación como una relación entre los dólares de retorno (que el zedfunc te indica) y el dólar invertido, que es el precio de compra. Hacemos una relación entre la cantidad de dólares que recuperarás dividida por la cantidad de dólares que tienes que pagar por una unidad. Esencialmente, la puntuación más alta se obtiene para la asignación de stock que genera la tasa de retorno más alta por dólar asignado a esta tienda.

Finalmente, en las líneas 9 a 15, mostramos una tabla ordenada por puntuaciones decrecientes. Es importante señalar que no hay una lógica sofisticada en el script. Las primeras cuatro líneas son solo generación de datos ficticios, y las últimas seis líneas son solo la visualización de la asignación priorizada. Una vez que los zedfuncs están presentes y tenemos una función que representa los retornos económicos por nivel de stock, convertir esos zedfuncs en una lista priorizada es completamente sencillo.

En la pantalla, la tabla obtenida al ejecutar el script Envision anterior muestra que el SKU llamado C ocupa el primer lugar. Todos los SKUs tienen los mismos retornos económicos para su primera unidad, es decir, $5 de retorno. Sin embargo, C tiene el precio de compra más bajo, $3.99, y por lo tanto, cuando dividimos la recompensa de $5 entre $3.99, obtenemos una puntuación de aproximadamente 1.25, que resulta ser la puntuación más alta en la cuadrícula. La segunda unidad de C tiene una puntuación de aproximadamente 1, que es la segunda puntuación más alta.

Para la tercera posición en la cuadrícula, tenemos otro SKU llamado B. B tiene un precio de compra más alto, por lo que su puntuación para la primera unidad es solo de 0.96. Sin embargo, debido a los rendimientos decrecientes que obtenemos al asignar las dos primeras unidades al SKU C, la primera unidad de B obtiene una puntuación más alta que la tercera unidad de C, y por lo tanto se clasifica por encima de la tercera unidad de C. Esencialmente, esta lista de prioridades es muy extensa, pero se pretende truncar con un umbral. Por ejemplo, podemos decidir que hay un retorno mínimo de la inversión, y solo se asignan las unidades por encima de este retorno de la inversión. Una vez que se define el umbral, podemos tomar todas las líneas que están por encima del límite y contar el número de líneas por SKU. Esto nos da el número total de unidades que se asignarán para cada SKU. Volveremos a este problema de límite en un minuto, pero la idea es que una vez que tienes un límite, agregas los recuentos por SKU, y eso te da la cantidad total a asignar para cada SKU. Esto es exactamente lo que tu WMS o ERP que existe en el centro de distribución esperaría para organizar el envío del día siguiente hacia las tiendas.

La lista de prioridades es solo una vista conceptual para decidir qué tiene prioridad. Sin embargo, tomas un límite, agregas y luego vuelves a las cantidades de asignación por SKU para cada SKU que existe en tu red de tiendas minoristas.

La vista en la pantalla de la asignación de stock priorizada es engañosamente simple y, sin embargo, poderosa. A medida que descendemos de una línea a la siguiente, vemos cómo se desarrolla la competencia entre nuestras opciones de asignación. Los mejores SKUs se asignan primero, pero tan pronto como alcanzamos niveles de stock más altos, esos SKUs se vuelven menos competitivos en comparación con otros SKUs que no tienen tanto stock. La lista de prioridades cambia de un SKU a otro, maximizando los retornos esperados sobre el capital asignado a las tiendas.

En esta pantalla, tenemos una variante de la tabla anterior, obtenida con otro script Envision que es una variante mínima del presentado hace dos diapositivas. Básicamente, estoy descomponiendo los factores económicos que contribuyen a la recompensa. Aquí tenemos tres columnas adicionales: margen, costo de mantenimiento y faltante de stock. El margen es el margen bruto promedio esperado para esta unidad asignada. El costo de mantenimiento es el costo promedio esperado de poner esta unidad en stock en la tienda. El faltante de stock es la penalización esperada que se evitará, por eso la penalización por faltante de stock es un valor positivo aquí. La recompensa final es simplemente la suma de esos tres componentes, y todos esos valores se expresan en cantidades monetarias, como dólares. La columna que es margen en dólares, costo de mantenimiento en dólares, faltante de stock en dólares y recompensas, es solo la cantidad total de dólares que puedes esperar al poner esta unidad en la tienda.

Esto facilita enormemente la comprensión y depuración de esta receta numérica expresada en dólares en comparación con los porcentajes. De hecho, cualquier receta numérica no trivial va a ser bastante opaca por diseño. No necesitas deep learning para obtener opacidad profunda; incluso una modesta regresión lineal va a ser lo suficientemente opaca tan pronto como tengas un par de factores involucrados en esta regresión. Esta opacidad, que obtienes nuevamente con cualquier receta numérica no trivial, pone en riesgo una cadena de suministro del mundo real porque los profesionales de la cadena de suministro pueden perderse, confundirse y distraerse con las tecnicidades del modelado.

La lista priorizada de asignación, que descompone los impulsores económicos, es una poderosa herramienta de auditoría. Permite a los profesionales de la cadena de suministro desafiar directamente los fundamentos en lugar de lidiar con las tecnicidades. Puedes hacer preguntas directas como: ¿Tenemos costos de mantenimiento que tienen sentido considerando la situación en la que nos encontramos? ¿Estos costos están alineados con el tipo de riesgos que estamos asumiendo? Puedes olvidarte del pronóstico, la estacionalidad, y la forma en que modelas la estacionalidad, la forma en que factores la tendencia decreciente, y demás. Puedes desafiar directamente el resultado final, que son los dólares de salidas para esos costos de mantenimiento. ¿Son reales? ¿Tienen sentido? Con mucha frecuencia, puedes detectar números que no tienen sentido y corregirlos directamente.

Obviamente, quieres evitar esas situaciones, pero no operes bajo la suposición de que en la cadena de suministro todos los problemas son problemas de pronóstico increíblemente sutiles. La mayoría de las veces, los problemas son brutales. Puede haber algún tipo de problema, como que los datos no se estén procesando correctamente, y luego obtienes números completamente absurdos, como márgenes negativos o costos de mantenimiento negativos que causan estragos en tu cadena de suministro.

Si tu instrumentación de la cadena de suministro se enfoca exclusivamente en la precisión del pronóstico de la demanda, estás ciego ante el 90% (o más) de los problemas reales. En una cadena de suministro a gran escala, esta estimación probablemente sería algo así como el 99%. La instrumentación de la cadena de suministro es absolutamente fundamental para resaltar los factores clave que contribuyen a las decisiones, y esos factores deben ser de naturaleza económica si quieres tener alguna esperanza de enfocarte en lo que hace rentable a tu empresa. De lo contrario, si operas en porcentajes, no puedes priorizar tus propias acciones y abordarás las fallas indiscriminadamente. Estamos hablando de una cadena de suministro a gran escala, por lo que siempre hay una legión de fallas numéricas. Si abordas todas esas fallas indiferentemente, significa que siempre estás trabajando en cosas que son en gran medida inconsecuentes. Por eso necesitas tener retornos en dólares y costos en dólares. Así es como realmente puedes priorizar tu trabajo y tus esfuerzos de desarrollo para tus recetas numéricas. A veces, ni siquiera necesitas decidir si vale la pena corregir un error; si estamos hablando de un puñado de dólares al año en fricción, ni siquiera es un error que valga la pena corregir en la práctica.

Ahora, volvamos al tema de elegir el corte adecuado para la lista de asignación. Hemos visto que tenemos rendimientos aproximadamente decrecientes al asignar más stock a los SKU de la tienda. Sin embargo, debemos considerar toda la cadena de suministro, no solo el almacén o centro de distribución. Aquí estoy usando los dos términos indistintamente. El almacén o centro de distribución está dominado por costos fijos. De hecho, es posible ampliar el personal con trabajadores temporales, pero tiende a costar más y crea otros problemas, como que la fuerza laboral temporal suele ser menos calificada que la permanente.

Por lo tanto, cualquier almacén o centro de distribución tiene una capacidad objetivo en la que opera con máxima eficiencia económica. La capacidad objetivo puede aumentarse o disminuirse, pero generalmente implica ajustar el tamaño del personal permanente, por lo que es un proceso relativamente lento. Puedes esperar que un almacén ajuste su capacidad objetivo de un trimestre a otro, pero no puedes esperar que el almacén ajuste su capacidad nominal, donde tiene máxima eficiencia, de un día para otro. No es tan dinámico.

Queremos mantener el almacén operando con máxima eficiencia, o lo más cerca posible de la máxima eficiencia, todo el tiempo, a menos que tengamos un incentivo económico lo suficientemente fuerte como para hacer lo contrario. La perspectiva de la asignación de stock priorizada allana el camino para lograr exactamente eso. Podemos truncar la lista haciéndola un poco más corta o más larga y ajustar el corte para que esté alineado con la capacidad objetivo del almacén. En la práctica, esto conlleva tres beneficios principales.

Primero, suavizar el flujo del almacén. Al hacer esto, mantienes el almacén operando en su máxima capacidad la mayor parte del tiempo, ahorrando así muchos costos operativos. Segundo, tu proceso de asignación de inventario se vuelve mucho más resiliente a todos los pequeños contratiempos que ocurren en una cadena de suministro del mundo real. Un camión puede verse involucrado en un accidente de tráfico menor, algunos empleados pueden no presentarse porque están enfermos: hay toneladas de pequeñas razones que interrumpirán tus planes. No evitará que tu almacén funcione, pero es posible que no funcione exactamente a la capacidad que anticipaste. Con esta lista de prioridades, puedes aprovechar al máximo la capacidad que tu almacén esté utilizando, incluso si no es exactamente la capacidad que planeaste inicialmente.

El tercer beneficio es que, con este enfoque de una lista de prioridad para la asignación de stock, tu equipo de cadena de suministro ya no tiene que gestionar los niveles de personal del almacén de forma microgestionada. Solo necesitas ajustar la capacidad objetivo de tu almacén para que coincida aproximadamente con la velocidad de ventas de tu red minorista. Gestionar la capacidad a nivel diario se vuelve en gran medida inconsecuente.

La experiencia de Lokad indica que suavizar el flujo del almacén a través de un corte de capacidad plana funciona bien en la mayoría de las situaciones minoristas. En la pantalla, puedes ver la curva típica de retorno económico que observarías al considerar todos los posibles cortes. En el eje X, tenemos el número de unidades que se envían desde el almacén. Estamos asumiendo conceptualmente que las unidades se envían una por una para poder observar la contribución marginal de cada unidad individual. Naturalmente, en la producción, las unidades se envían en lotes, no una por una, pero esto es solo para poder trazar la curva. En el eje Y, tenemos los resultados económicos marginales a nivel de tienda, para la n-ésima unidad que se envía a una tienda, cualquier tienda de la red. Las primeras unidades asignadas generan la mayor parte de los retornos. En la práctica, la parte superior de la lista consiste invariablemente en situaciones de faltante de stock que requieren una resolución inmediata. Es por eso que las primeras unidades abordan los faltantes de stock y es por eso que los retornos económicos son muy altos. Después, los retornos disminuyen y entramos en una parte plana de la curva.

Esta área es a la que me refiero como el área de baja sensibilidad económica. Básicamente, estamos empujando gradualmente el nivel de servicio más cerca del 100%, pero aún no estamos creando mucho stock muerto. Cuando hacemos este tipo de asignación prioritaria, si llevamos el stock más allá de abordar los problemas de faltante de stock, terminamos acumulando stock en los productos de mayor rotación. Creamos stock en lugares que no se necesitan exactamente en este momento. Tendremos oportunidades en el futuro para reponer el stock sin enfrentar un problema de faltante de stock en el ínterin, pero el impacto es mínimo porque el stock se venderá relativamente rápido. Básicamente, se trata del costo de oportunidad de mover el stock del centro de distribución a una tienda. Gradualmente perdemos opciones futuras a medida que asignamos más stock.

Esta área es relativamente plana y comenzará a volverse bastante negativa cuando empujemos tanto stock que comencemos a generar situaciones que causarán cancelaciones de inventario con una probabilidad no trivial. Si sigues empujando, generarás situaciones de sobreabastecimiento más graves y, por lo tanto, verás que la curva se vuelve muy negativa. Si empujas demasiado, generarás toneladas de cancelaciones de inventario en el futuro. Mientras el corte esté en este segmento de baja sensibilidad, estamos bien y el corte no es muy sensible a dónde lo hagas. Esa es la razón por la que la capacidad del almacén no tiene que imitar directamente el volumen de ventas diarias.

De hecho, en la mayoría de las redes minoristas, tienes un patrón cíclico muy fuerte de día de la semana que observas en tus ventas, donde ciertos días, por ejemplo, el sábado, es el día en el que más vendes. Pero el almacén no tiene que imitar exactamente este patrón cíclico de día de la semana. Puedes mantener un promedio muy plano y la idea es que tu capacidad objetivo simplemente coincida aproximadamente con el volumen de ventas total de tu red de tiendas. Si tu capacidad objetivo siempre está un poco por debajo del volumen de ventas total en la red, lo que sucederá es que primero agotarás gradualmente todas tus tiendas y luego enfrentarás un gran problema. Por el contrario, si estás empujando cada día un poco más de lo que realmente estás vendiendo, entonces muy rápidamente saturarás por completo tus tiendas.

Mientras lo mantengas relativamente equilibrado, no necesitas micromanejar con el patrón de día de la semana; funcionará bien. La razón por la que no necesitas micromanejar el patrón de día de la semana es que las primeras unidades entregan la mayor parte de los retornos y el sistema desde una perspectiva económica no es tan sensible siempre y cuando el corte permanezca aproximadamente en este segmento plano.

Ahora, presenté la función de recompensa de stock para mayor claridad y concisión, ya que teníamos mucho que cubrir en esta conferencia. Sin embargo, la función de recompensa de stock no es el pináculo de la ciencia de la cadena de suministro. Es un poco ingenua cuando se trata de los detalles de las previsiones probabilísticas.

En 2021, uno de nosotros en Lokad publicó la función de recompensa de acción. La función de recompensa de acción es el descendiente espiritual, si lo deseas, de la función de recompensa de stock, pero esta función tiene una perspectiva mucho más detallada de las previsiones probabilísticas en sí mismas. De hecho, todas las previsiones probabilísticas no son iguales. La estacionalidad, los tiempos de entrega variables y las ETA de entrada para los centros de distribución se tienen en cuenta en la función de recompensa de acción, mientras que no se tenían en cuenta en la función de recompensa de stock.

Por cierto, estas capacidades también requieren una previsión más granular, por lo que necesitas una tecnología de previsión superior que pueda generar todas esas previsiones probabilísticas para aprovechar la función de recompensa de stock. En este sentido, la función de recompensa de stock es menos exigente. A nivel conceptual, la función de recompensa de acción también proporciona una desvinculación clara de la frecuencia de pedido (con qué frecuencia se realiza un pedido) del tiempo de entrega del suministro (cuánto tiempo se tarda en reponer el stock una vez que se toma la decisión). Estos dos elementos estaban agrupados en la función de recompensa de stock. Con la recompensa de acción, están claramente separados.

Finalmente, la función de recompensa de acción también viene con una perspectiva de propiedad de decisión, que es un truco simple pero bastante inteligente para aprovechar la mayoría de los beneficios que se obtendrían de una política real sin tener que introducir una política. Discutiremos lo que realmente significan las políticas desde una perspectiva técnica en conferencias posteriores, pero la conclusión es que tan pronto como comienzas a introducir políticas, se vuelve más complicado. Es de interés, pero definitivamente es más complicado. Aquí, la recompensa de acción tiene un truco inteligente donde literalmente puedes evitar la necesidad de adoptar una política y aún así aprovechar la mayoría de los beneficios económicos que estarían asociados a ella.

Tanto la función de recompensa de stock como su alternativa superior, la función de recompensa de acción, se han utilizado en producción durante años en Lokad. Estas funciones básicamente simplifican clases enteras de problemas que de otro modo afectarían a las redes minoristas. Por ejemplo, el stock muerto se vuelve trivial de evaluar simplemente mirando los retornos económicos asociados a cualquier unidad de stock que ya esté presente en cualquier tienda. Sin embargo, hay toneladas de aspectos que no he abordado hoy. Abordaré esos aspectos en conferencias posteriores.

Algunos de esos aspectos realmente se pueden abordar con variaciones bastante menores de lo que he presentado hoy. Ese es el caso, por ejemplo, de los multiplicadores de lote y el reequilibrio de stock. Necesitas hacer muy poco cambio en los scripts que acabo de mostrar hoy para poder abordar esos problemas. Cuando digo reequilibrio de stock, me refiero a reequilibrar el stock entre las tiendas de la red, ya sea moviendo el stock de vuelta al centro de distribución o moviendo directamente el stock entre las tiendas, asumiendo costos de transporte específicos.

Luego, hay algunos aspectos que requieren más trabajo pero aún son relativamente sencillos. Por ejemplo, tener en cuenta los costos de oportunidad, los costos de transporte planos y la sobrecarga de entrada de la tienda, que ocurre cuando el personal de una tienda no es capaz de procesar todas las unidades que han recibido. No tienen tiempo en un día determinado para colocarlos en los estantes y, por lo tanto, crea un gran desorden en la tienda. Estos aspectos son posibles pero definitivamente requerirán bastante trabajo además de lo que he presentado hoy.

Hay otros aspectos, como el merchandising o mejorar la atracción general de la tienda, que deberían formar parte de la priorización. Estos requieren un enfoque tecnológico superior, ya que las variaciones menores de lo que he presentado hoy simplemente no son suficientes. Como siempre, aconsejo una buena dosis de escepticismo cuando un experto afirma tener un método óptimo. En la cadena de suministro, no existe tal cosa como métodos óptimos; tenemos herramientas, algunas de ellas resultan ser mejores, pero ninguna de ellas se acerca remotamente a algo que calificaría como óptimo.

En conclusión, los porcentajes de error son irrelevantes; solo importan los dólares de error. Esos dólares son impulsados por lo que tu cadena de suministro hace a nivel físico. La mayoría de los KPI son inconsecuentes en el mejor de los casos; son parte del proceso de la cadena de suministro para mejorar continuamente las recetas numéricas que impulsan las decisiones de la cadena de suministro. Sin embargo, incluso al considerar esos KPI que son instrumentales para mejorar las recetas numéricas, estamos hablando de resultados bastante indirectos en comparación con mejorar directamente la receta numérica que impulsa la decisión y genera de inmediato mejores resultados para tu cadena de suministro.

Las hojas de cálculo de Excel son omnipresentes en la cadena de suministro, y creo que esto se debe a que la teoría de la cadena de suministro convencional no logró promover las decisiones como ciudadanos de primera clase. Como resultado, las empresas pierden tiempo, dinero y enfoque en ciudadanos de segunda clase, es decir, artefactos. Pero al final del día, se deben tomar decisiones: se debe asignar stock y debes elegir el precio, tu punto de venta y el precio de ataque. Sin un soporte adecuado, los profesionales de la cadena de suministro recurren a la única herramienta que les permite tratar las decisiones como ciudadanos de primera clase, y esta herramienta resulta ser Excel.

Sin embargo, las decisiones de la cadena de suministro se pueden tratar como ciudadanos de primera clase, y esto es exactamente lo que hicimos hoy. La herramienta ni siquiera es tan compleja, al menos si consideramos la complejidad ambiental del paisaje aplicativo típico de una cadena de suministro moderna. Además, una herramienta adecuada desbloquea capacidades como suavizar el flujo de inventario desde los centros de distribución hasta la tienda con un esfuerzo mínimo. Estas capacidades son fáciles de lograr con la herramienta adecuada, pero también ilustran el tipo de logros que nunca se pueden esperar de las hojas de cálculo de Excel, al menos no con una configuración de producción de calidad.

Supongo que esto es todo por hoy. La próxima conferencia será el miércoles 6 de julio, a la misma hora, a las 3 p.m. hora de París. Pasaré al séptimo capítulo para discutir la ejecución táctica de una iniciativa de cadena de suministro cuantitativa. Por cierto, volveré al Capítulo 5, discutiendo pronósticos probabilísticos, y al Capítulo 6, discutiendo técnicas de toma de decisiones, en conferencias posteriores. Mi objetivo es tener una perspectiva completa y de nivel básico sobre todos los elementos antes de profundizar en algún tema específico.

Así que en este punto, echaré un vistazo a las preguntas.

Pregunta: El zedfunc podría tener infinitas posibilidades. ¿No serían todas las soluciones a corto plazo en ese caso?

La función zed es literalmente un contenedor de datos para una secuencia de opciones, por lo que el tipo de horizonte que es aplicable está incorporado en el valor alfa, los valores de descuento de tiempo que he utilizado en mis scripts. Fundamentalmente, el horizonte de tiempo objetivo que tienes incorporado en el resultado económico de una función zed no está realmente en las propias funciones zed; están más en el tipo de cálculos económicos que las llenan. No olvides que las funciones zed son solo contenedores de datos. Eso es lo que las hace a corto o largo plazo, y obviamente, quieres ajustar tus recetas numéricas para que representen tus prioridades. Por ejemplo, si tu empresa está bajo una gran cantidad de estrés debido a problemas de flujo de efectivo, probablemente tendrás una perspectiva mucho más a corto plazo sobre la entrada de dinero, básicamente liquidando tu inventario. Si tienes mucho dinero en efectivo, tal vez prefieras retrasar las ventas a un período posterior, vender a un mejor precio y asegurar un mejor margen bruto. Entonces, nuevamente, todas esas cosas son posibles con las funciones zed. Las funciones zed son solo contenedores; no presuponen necesariamente ningún tipo de receta numérica para los resultados económicos que deseas poner en las funciones zed.

Pregunta: Creo que la mayoría de las suposiciones deben basarse en valores reales existentes de las funciones objetivo, ¿no crees?

¿Qué es real? Esa es la esencia del problema que discutí en la conferencia sobre optimización experimental. El problema es que cuando dices que tienes valores o mediciones o cosas, lo que tienes son construcciones matemáticas, construcciones numéricas. No porque sea numérico significa que sea correcto. La forma en que abordo una cadena de suministro es como una ciencia experimental; tienes que conectarte con el mundo real. Así es como decides si es real o no. La pregunta es, y estoy completamente de acuerdo, que las suposiciones deben basarse no en valores reales preexistentes porque no existe tal cosa como valores reales preexistentes. Deben ser verificadas; esas suposiciones deben ser verificadas y desafiadas con las observaciones del mundo real que puedes hacer en tu cadena de suministro. La corrección de tus suposiciones solo se puede evaluar a través del contacto con la realidad de tu cadena de suministro.

Ahí es donde esta perspectiva de optimización experimental es complicada porque la perspectiva de optimización matemática simplemente asume que todas las variables son conocidas, todas las variables son reales, todas las variables se pueden observar y que la función de pérdida puede ser correcta. Pero el punto que estoy haciendo es que una cadena de suministro es un sistema super complejo. No es cierto. La mayor parte del tiempo, lo que tienes son mediciones bastante indirectas. Cuando digo nivel de stock, en realidad no voy a la tienda para verificar si el nivel de stock es correcto. Lo que tengo es una medición muy indirecta, un registro electrónico que he obtenido de un sistema de software empresarial que generalmente se implementó hace dos décadas por razones que no tenían nada que ver con hacer ciencia de datos en primer lugar. Eso es lo que estoy diciendo; el problema con la realidad es que una cadena de suministro siempre está geográficamente distribuida, por lo que todo lo que mides, todo lo que ves en términos de valores, son mediciones indirectas. De alguna manera, la realidad de estas mediciones siempre está en duda. No existe tal cosa como una observación directa. Puedes hacer una observación directa solo para hacer un control o verificar, pero no puede ser más que un pequeño porcentaje de todos los valores que necesitas manipular para tu cadena de suministro.

Pregunta: En las funciones de recompensa de stock, además de parámetros directos como el margen, también estamos lidiando con penalizaciones por falta de stock. ¿Cómo aprendemos mejor a optimizar estos parámetros complejos?

Esta es una muy buena pregunta. De hecho, las penalizaciones por falta de stock son reales; de lo contrario, a nadie le importaría tener altos niveles de servicio. La razón por la que quieres tener niveles de servicio es que, económicamente hablando, todos los minoristas que conozco están convencidos de que las penalizaciones por falta de stock son reales. A los clientes no les gusta no tener un servicio de alta calidad. Pero no diría que son complejas; son complicadas. Son intrínsecamente difíciles y parte de su dificultad radica en que está en juego literalmente la estrategia a largo plazo de la red minorista. Con la mayoría de mis clientes, por ejemplo, la penalización por falta de stock es algo de lo que hablo directamente con el CEO de la empresa. Llega hasta la cima; esta es la estrategia súper a largo plazo de la red minorista que está en juego.

Entonces, no es que sea complejo, pero definitivamente es complicado porque es una discusión de alto riesgo. ¿Qué es lo que queremos hacer? ¿Cómo queremos tratar a los clientes? ¿Queremos decir que tenemos los mejores precios y lo siento si la calidad del servicio no es tan buena como puedes obtener, pero lo que tienes es algo único con precios muy bajos? ¿O quieres tener novedad? Si tienes novedad, significa que hay nuevos productos que llegan todo el tiempo, y si tienes nuevos productos que llegan todo el tiempo, significa que los productos antiguos están desapareciendo gradualmente, y eso significa que debes tolerar que ocurran faltantes de stock porque así es como sigues introduciendo novedades.

La penalización por falta de stock es difícil de evaluar porque tiene un impacto directo en la estrategia a largo plazo de la empresa. En la práctica, la mejor manera de evaluarla es hacer experimentos. Elijes un valor, haces una estimación aproximada del valor de la penalización por falta de stock, el factor de penalización por stock, y luego observas qué tipo de stocks obtienes en tus tiendas. Luego dejas que las personas juzguen con sus sentimientos si se parece al nivel de stock que reflejaría su tienda ideal. ¿Es lo que realmente quieren para sus clientes? ¿Es lo que realmente quieren lograr con su red minorista?

Ves, hay esta discusión de ida y vuelta. Típicamente, el científico de la cadena de suministro va a probar una serie de valores, presentar los resultados económicos y también explicar los costos macro que están asociados a un conductor. Podrían decir: “Ok, podemos poner una penalización por falta de stock muy alta, pero cuidado, si hacemos eso, significa que nuestra lógica de asignación de stock siempre va a estar enviando toneladas de stock a las tiendas”. Porque si el mensaje es que los faltantes de stock son mortales, entonces significa que realmente debemos hacer todo lo posible para evitar que ocurran. Esencialmente, necesitamos tener esta discusión con mucha iteración para que la gerencia pueda hacer una verificación de la realidad: “¿Es mi estrategia a largo plazo económicamente viable en relación a lo que mi red minorista realmente puede hacer?” Así es como se converge gradualmente. Por cierto, no es algo que esté escrito en piedra. Las empresas cambian y ajustan su estrategia con el tiempo, por lo que no porque tomes un factor de penalización por falta de stock en 2010 significa que en 2022 tenga que ser el mismo valor.

Especialmente, por ejemplo, con el auge del comercio electrónico. Hay muchas redes minoristas que simplemente dicen: “Bueno, me he vuelto mucho más tolerante a los faltantes de stock en mis tiendas, especialmente para tiendas especializadas”. Porque esencialmente, cuando falta un producto, especialmente una variante en términos de tamaño, las personas simplemente lo ordenarán en línea desde el comercio electrónico. La tienda se convierte en una sala de exhibición. Por lo tanto, la calidad del servicio de una sala de exhibición es muy diferente de lo que se esperaba cuando la tienda era literalmente la única forma de vender los productos.

Pregunta: ¿Podemos tener una función de recompensa de stock compuesta para comprender correctamente la tendencia dentro de un período determinado?

¿Entender la tendencia de qué exactamente? Si es una tendencia de la demanda, la recompensa de stock es una función que consume un pronóstico probabilístico. Entonces, cualquier tendencia que tengas en la demanda, típicamente es un factor de la forma en que modelas tu demanda. En lo que respecta a la función de recompensa de stock, el pronóstico probabilístico ya incluye todo eso, ya sea que haya una tendencia o no.

Ahora bien, si tienes otra pregunta con respecto a la perspectiva estacionaria de la recompensa de stock, estás completamente en lo correcto. La función de recompensa de stock tiene una perspectiva completamente estacionaria. Asume que la demanda se repite probabilísticamente en cada período exactamente de la misma manera, por lo que no hay tendencia ni estacionalidad. Es una perspectiva puramente estacionaria. En esta situación, la respuesta es no, la función de recompensa de stock no puede manejar una demanda no estacionaria. Sin embargo, la función de recompensa de acción es capaz de hacerlo. Esa también fue una de las motivaciones para la transición hacia la función de recompensa de acción, ya que puede manejar una demanda probabilística no estacionaria.

Pregunta: Estamos asumiendo que la capacidad del almacén es fija, pero depende del esfuerzo de picking, packing y envío. ¿No deberían definirse los puntos de corte de la lista de manera óptima en función de las operaciones del almacén?

Sí, absolutamente. Eso es lo que dije cuando tienes esta zona de baja sensibilidad económica. Tu lista de prioridades, que representa la asignación de stock priorizada, no es muy sensible en cuanto a dónde cortas, siempre y cuando esté dentro de este segmento. En promedio, deberías estar realmente equilibrado en términos de cuánto empujas y cuánto vendes, lo cual tiene sentido. Si quieres ajustar ligeramente el punto de corte después de ejecutar la lógica de optimización del almacén, teniendo en cuenta todos los esfuerzos y variaciones de picking, packing y envío, está bien. Puedes tener variaciones de último minuto. La belleza de esta lista de asignación de stock priorizada es que literalmente puedes finalizar el alcance exacto de las unidades que se envían en el último minuto. La única operación que necesitas es una agregación, que se puede hacer rápidamente, dándote más opciones. Eso es exactamente lo que dije cuando mencioné que este enfoque abre nuevas clases de optimización de la cadena de suministro. Te permite decidir justo a tiempo para reorganizar tus esfuerzos de picking, packing y envío en lugar de estar rígidamente limitado a un sobre de envío preestablecido que realmente no coincide con los recursos exactos que tienes y el esfuerzo que se necesita para ejecutar este sobre.

Pregunta: Suavizar los flujos del almacén requiere suavizar el flujo de producción. ¿Este modelo de decisión lo tiene en cuenta?

Diría que no requiere naturalmente un flujo de producción suavizado. Para muchas redes minoristas, como las tiendas de mercancía general, están ordenando a grandes empresas de bienes de consumo masivo que están produciendo lotes muy grandes en su lado. No es necesario suavizar el flujo de producción para generar beneficios en términos de costos operativos desde el centro de distribución. Incluso si la producción no se ha suavizado, ya tienes beneficios solo con mover los envíos desde el centro de distribución a las tiendas.

Sin embargo, tienes toda la razón. Si resulta que eres una marca verticalmente integrada que ha internalizado sus instalaciones de producción, centros de distribución y tiendas, entonces hay un gran interés en hacer una optimización de toda la cadena de suministro y suavizar todo el flujo. Este enfoque de optimización a nivel de red está muy alineado con el espíritu de lo que he presentado hoy. Sin embargo, si realmente quieres optimizar una verdadera red de cadena de suministro de múltiples niveles, necesitarás una técnica diferente a la que he presentado hoy. Hay muchos bloques de construcción que te permitirán hacer eso, pero no puedes simplemente ajustar los scripts que he presentado hoy para lograrlo. Esta será la tecnología donde cubrimos la configuración de múltiples niveles, que se presentará en conferencias posteriores. Esto es más complicado.

Pregunta: El enfoque de recompensa de stock y el error esperado me recuerdan al concepto de valor esperado en finanzas. Desde tu punto de vista, ¿por qué este enfoque aún no es común en los círculos de la cadena de suministro?

Tienes toda la razón. Este tipo de cosas, como un análisis económico real de los resultados, se ha estado haciendo desde hace mucho tiempo en los círculos financieros. Creo que la mayoría de los bancos han estado haciendo estos cálculos desde los años 80, y probablemente las personas ya los estaban haciendo incluso antes con papel y lápiz. Así que sí, es algo que se ha estado haciendo desde hace mucho tiempo en otros sectores.

Creo que el problema con las cadenas de suministro era que hasta la llegada de Internet, las cadenas de suministro estaban distribuidas geográficamente por naturaleza, con tiendas, centros de distribución y más repartidos. Antes de 1995, era posible pero muy complicado mover datos a través de Internet para las empresas. Era factible, pero hacerlo de manera confiable, económica y tener sistemas empresariales que te permitieran consolidar todos esos datos era raro. Entonces, esencialmente, las cadenas de suministro se digitalizaron muy temprano, como en los años 80, pero no estaban muy interconectadas. El ingrediente de la interconexión y toda la infraestructura llegaron relativamente tarde, diría que después del año 2000 para la mayoría de las empresas.

El problema era que, imagina que estabas operando en un centro de distribución pero bastante aislado del resto de la red, por lo que el gerente del almacén no tenía los recursos para hacer este tipo de cálculos numéricos sofisticados. El gerente del almacén tenía un almacén que administrar y típicamente no era un analista. Entonces, esas prácticas que precedieron a la era de Internet, donde toda la información está disponible en toda la red, han persistido. Esa sería la razón, y por cierto, las cadenas de suministro suelen ser muy grandes, complicadas y complejas, por lo que se mueven lentamente.

Teniendo los datos compartidos en toda la red con lagos de datos muy buenos, digamos que era 2010, aunque eso fue hace 10 años, lo que observo es que algunas empresas se están moviendo ahora, algunas ya se han movido, pero una década no es mucho tiempo considerando el tamaño y la complejidad de las cadenas de suministro. Es por eso que este tipo de análisis ha sido lo habitual en finanzas durante unas cuatro décadas, y aún hoy en día está emergiendo en la cadena de suministro, o al menos esa es mi humilde opinión sobre el caso.

Pregunta: ¿Qué hay del costo de faltante de stock, principalmente calculado en función del costo de desplazamiento?

Puedes hacer eso. Nuevamente, el costo de faltante de stock es literalmente una decisión que tomas. Es tu perspectiva estratégica sobre el tipo de servicio que deseas que tu red minorista brinde a tus clientes. No hay una realidad base; es literalmente lo que quieras. La pregunta sobre el costo de desplazamiento es que la realidad es que la mayoría de las redes minoristas solo sobreviven porque tienen una base de clientes leales. Las personas vuelven a las tiendas, ya sea una tienda de mercancía general que visitan todas las semanas, una tienda de moda que visitan cada trimestre o una tienda de muebles a la que regresan cada dos años. La calidad del servicio es esencial para mantener la lealtad a largo plazo de los clientes y garantizar una experiencia positiva en tu tienda. Por lo general, el costo de la pérdida de lealtad para la mayoría de las tiendas supera con creces los costos de desplazamiento. Una excepción que me viene a la mente son las tiendas minoristas con una estrategia de marca enfocada en ser las más baratas. En este caso, podrían sacrificar surtido y calidad de servicio, priorizando los precios bajos por encima de todo.

Pregunta: ¿Cuál es el objetivo de abastecer tu almacén? ¿Es mantener productos a precios bajos o abastecer las tiendas con productos a precios más altos?

Esta es una excelente pregunta. ¿Por qué mantener stock en el centro de distribución? ¿Por qué no hacer cross-docking directamente, enviándolo todo a las tiendas?

Hay redes minoristas que hacen cross-docking de todo, pero incluso con este enfoque, hay un retraso entre cuando realizas un pedido a tus proveedores y cuando realmente despachas el stock a las tiendas. Puedes pedir cantidades específicas con un esquema de asignación particular en mente, pero tienes la flexibilidad de cambiar de opinión cuando el stock se entrega en el centro de distribución. No tienes que estar rígidamente adherido al esquema de asignación que tenías en mente hace dos días.

Puedes decidir no mantener stock en el centro de distribución y simplemente hacer cross-docking, pero debido al retraso, puedes cambiar de opinión y hacer un despacho ligeramente diferente. Esto puede ser útil, por ejemplo, cuando experimentas un faltante de stock debido a un aumento inesperado en la demanda. Si bien es preferible no tener un faltante de stock, indica un exceso de demanda en comparación con lo que se esperaba, lo cual no es del todo negativo.

En otras situaciones, es necesario mantener stock en el almacén debido a restricciones de pedido con los proveedores. Por ejemplo, las empresas de productos de consumo masivo (FMCG) solo te permiten realizar un pedido una vez a la semana, y típicamente quieren entregar un camión completo a tu centro de distribución. Tus pedidos serán voluminosos y agrupados, y tu centro de distribución sirve como un buffer para esas entregas. El centro también te brinda la opción de cambiar de opinión con respecto a dónde se debe asignar el stock.

Mientras el stock esté en el centro de distribución, puedes cambiar de opinión. Sin embargo, una vez que se asigna a una tienda específica, el costo de transporte para devolverlo al almacén suele ser prohibitivamente caro y algo que querrías evitar.

Muchas gracias, y espero verte la próxima vez. Discutiremos cómo ejecutar estrategias tácticas y comenzar una iniciativa de supply chain cuantitativa real en una empresa del mundo real. ¡Hasta la próxima!