00:00:07 Introducción y discusión sobre cambios de paradigma en la planificación de supply chain.
00:00:51 Antecedentes, trabajo académico y empresas fundadas por el Profesor David Simchi-Levi.
00:02:43 Nuevo curso sobre demand planning and analytics; énfasis en digitalización, analytics y automatización.
00:04:22 Equilibrio entre la eficiencia y la resiliencia en la supply chain, y los desafíos al medir la resiliencia.
00:07:08 Evaluación de riesgos en supply chain y la importancia de los cálculos impulsados por máquina sobre la intuición.
00:09:47 Predicción del estado de la supply chain con semanas de antelación.
00:10:20 Trabajo del equipo del MIT sobre resiliencia en supply chain y predicción de pandemias.
00:12:15 KPIs vs. KPPs y la importancia de los datos predictivos.
00:15:35 Aceptar la incertidumbre y las diferentes probabilidades en las predicciones.
00:18:10 Tiempo para sobrevivir e identificar riesgos ocultos y oportunidades para ahorrar costos.
00:19:32 Importancia del explainable machine learning en la toma de decisiones.
00:20:56 El papel de los Supply Chain Scientist en la elaboración de métricas explicables.
00:24:17 Desafíos que enfrentan las empresas al lidiar con forecast de tipo caja negra.
00:25:51 Leyes de la física en supply chain y su relevancia.
00:27:34 Ejemplos de leyes de la física en la gestión de supply chain.
00:29:16 Discusión sobre el debate científico y la importancia de las bases matemáticas al construir algoritmos y marcos de trabajo.
00:30:57 Importancia de la flexibilidad en el diseño de supply chain y su impacto en el nivel de servicio, inventario y tiempo de respuesta.
00:32:29 Abordar el trade-off económico en flexibilidad y la necesidad de teorías fundamentales en la optimización de supply chain.
00:35:44 Enfoque en marcos de trabajo en lugar de soluciones individuales para adaptarse a la naturaleza cambiante de las supply chain.
00:37:18 Presentación de cuatro marcos para la digitalización de supply chain, comenzando con una visión unificada de la demanda.
00:38:14 Segmentación de supply chain para estrategias efectivas.
00:38:53 Enfoque en S&OP y analytics de datos para la planificación.
00:39:37 Jonas discute la complejidad de la demanda y los sistemas empresariales.
00:43:01 Desafíos en la extracción y comprensión de datos de demanda.
00:45:36 El cambio de forecast y plan a artefactos numéricos. {< timer “00:47:14” >}} Discusión sobre cómo los tomadores de decisiones se basan en resultados en lugar de en predicción o planes.
00:48:22 Algoritmos emergentes en el aprendizaje y optimización de supply chain, y tendencias negativas.
00:49:33 Concepto erróneo de trasladar la manufactura más cerca de la demanda del mercado para lograr resiliencia.
00:50:09 Integración de machine learning y optimización, aprendizaje offline y online.
00:53:22 Desafíos del software empresarial de múltiples capas y nuevos paradigmas algorítmicos para simplificar procesos.
00:56:37 Discusión sobre la complejidad IT en la gestión de supply chain.
00:57:57 La necesidad de herramientas para manejar conceptos complejos como la resiliencia y la gestión de riesgos.
00:58:43 Ventajas y limitaciones de Microsoft Excel en la toma de decisiones de supply chain.
00:59:30 La reticencia a invertir en la digitalización de supply chain antes de la pandemia.
01:00:20 La oportunidad de mejorar el desempeño empresarial con una inversión moderada en la digitalización de supply chain.
Summary
En esta entrevista, Nicole Zint dirige una discusión con Joannes Vermorel, fundador de Lokad, y el Prof. David Simchi-Levi, profesor del MIT, sobre la optimización de supply chain y el papel de la toma de decisiones de la tecnología. Se enfatiza la importancia de equilibrar la eficiencia con la resiliencia, utilizando datos, analytics y automatización para gestionar riesgos. Se introducen Indicadores Clave de Desempeño Indicators (KPIs) y Predictores Clave de Desempeño (KPPs) como conceptos esenciales para la toma de decisiones proactiva. Los expertos también discuten la importancia de la explicabilidad en la IA, las “leyes de la física” en la gestión de supply chain, la flexibilidad y los trade-offs económicos entre la flexibilidad y la modelación. La conversación resalta la necesidad de que las empresas digitalicen sus negocios para abordar desafíos y oportunidades futuros.
Extended Summary
En esta entrevista, la presentadora Nicole Zint conversa con Joannes Vermorel, fundador de Lokad, y el Prof. David Simchi-Levi, profesor del MIT y autor de más de 300 publicaciones, sobre la optimización de supply chain y el papel de la tecnología en la toma de decisiones. La discusión explora los paradigmas de aprendizaje y adaptación en la gestión de supply chain, con un enfoque en la integración de digitalización, analytics y automatización.
El Prof. Simchi-Levi destaca que el estado actual de las supply chain es muy diferente al de hace una década, y que las empresas deben equilibrar la eficiencia con la resiliencia. Señala que, aunque la eficiencia es fácil de medir mediante estrategias de reducción de costos, la resiliencia es más desafiante de cuantificar. La integración de datos, analytics y automatización juega un papel crucial para abordar estos desafíos, ayudando a las empresas a identificar y mitigar riesgos ocultos.
Joannes Vermorel coincide en que el trade-off entre resiliencia y eficiencia es esencial, haciendo hincapié en la naturaleza probabilística de la medición del riesgo. Afirma que el sesgo del superviviente es prevalente en las evaluaciones de mercado, lo que dificulta evaluar el alcance real de los riesgos que enfrentan las empresas. Vermorel subraya la importancia de adoptar un enfoque basado en cálculos impulsados por máquina, en lugar de apoyarse únicamente en la intuición humana.
El Prof. Simchi-Levi introduce los conceptos de Indicadores Clave de Desempeño (KPIs) y Predictores Clave de Desempeño (KPPs). Los KPIs se centran en el estado actual de una supply chain, mientras que los KPPs tienen como objetivo predecir el estado de la supply chain en el futuro. El profesor enfatiza la importancia de utilizar datos y analytics para complementar los KPIs con KPPs, permitiendo a las empresas tomar medidas correctivas antes de que surjan problemas.
Vermorel respalda la distinción entre KPIs y KPPs, destacando que muchos directores de supply chain pueden no darse cuenta del componente predictivo en sus KPIs. Explica que los sistemas de supply chain en el mundo real suelen ser desordenados, con insumos que no son del todo confiables, especialmente al predecir el futuro. Vermorel aboga por abrazar la incertidumbre al enfrentar predicciones futuras, ya que incluso una conjetura bien fundamentada puede proporcionar insights valiosos para la toma de decisiones.
El Prof. Simchi-Levi utiliza una analogía deportiva para ilustrar la importancia de los KPPs, haciendo referencia a la famosa cita del jugador de hockey Wayne Gretzky: “No patino hacia donde está el puck, patino hacia donde va a estar.” En la gestión de supply chain, esto significa tomar decisiones hoy para abordar posibles desafíos en el futuro, asegurando la adaptabilidad y la resiliencia de la supply chain.
La discusión gira en torno a la optimización de supply chain, la aceptación de la incertidumbre, el análisis de escenarios y el uso de machine learning y la IA en la toma de decisiones de supply chain.
El Prof. Simchi-Levi enfatiza la importancia del análisis de escenarios en la gestión de supply chain. Al generar múltiples escenarios basados en diversos factores, como cambios en la demanda o interrupciones, las empresas pueden identificar riesgos ocultos y oportunidades para ahorrar costos. Sin embargo, reconoce las limitaciones de este enfoque, citando la impredecibilidad de los eventos del mundo real. Para superar estas limitaciones, sugiere utilizar criterios y herramientas que sean independientes de escenarios específicos o de la información de los proveedores. Ofrece ejemplos de conceptos que ha desarrollado, como “tiempo para recuperarse”, “impacto en la performance” y “tiempo para sobrevivir.”
Tanto Simchi-Levi como Vermorel coinciden en la importancia de la explicabilidad en el machine learning y la IA para la gestión de supply chain. Afirman que los planificadores de supply chain no confiarán en las recomendaciones de una máquina si no pueden entender cómo ésta llegó a sus conclusiones. Vermorel sugiere que un “Supply Chain Scientist” humano debería trabajar junto a los algoritmos de IA para elaborar la lógica de optimización predictiva y sus factores explicativos, reconociendo la pericia humana necesaria para una toma de decisiones eficaz.
El Prof. Simchi-Levi introduce el concepto de “leyes de la física” en el contexto de la gestión de supply chain. Estas leyes son relaciones generales entre diversos factores de supply chain que son universalmente aplicables, sin importar la industria o la supply chain específica. Proporciona ejemplos de tales relaciones, como el vínculo entre el inventario, safety stock, service level y la variabilidad. Estas leyes pueden ayudar a las empresas a gestionar mejor sus supply chain al comprender los principios subyacentes que rigen sus operaciones.
Vermorel respalda la idea de leyes universales en la gestión de supply chain, citando la ley de Zipf como ejemplo. Explica que esta ley puede observarse en varios aspectos de los datos de supply chain, como la distribución de productos y el tamaño de los proveedores. El conocimiento de estas leyes puede ser fundamental para construir herramientas, algoritmos y marcos efectivos para la optimización de supply chain.
La discusión también aborda la importancia de la flexibilidad en la gestión de supply chain. El Prof. Simchi-Levi explica que, aunque la flexibilidad es esencial, no es gratuita. Las empresas deben comprender la cantidad adecuada de flexibilidad que necesitan, dónde invertir en ella y sus beneficios potenciales. Utilizando las leyes de la física, los gerentes de supply chain pueden diseñar sus supply chain para lograr flexibilidad y cuantificar su impacto en diversos aspectos, como el nivel de servicio, el inventario y el tiempo de respuesta.
Hablan sobre la importancia de encontrar un equilibrio y el trade-off económico entre la flexibilidad y la modelación. El enfoque está en establecer un núcleo de teorías confiables en la gestión de supply chain sobre el cual construir. También discuten la necesidad de una estrategia a largo plazo para evitar la constante necesidad de cambio. El Profesor Simchi-Levi menciona cuatro marcos para la digitalización de supply chain, que incluyen una visión unificada de la demanda, la segmentación de supply chain y una planificación efectiva. Joannes Vermorel enfatiza la complejidad de los datos y la importancia de las herramientas para extraerlos y procesarlos. También describe un método que se centra en la ejecución diaria sin planes ni forecast. Concluyen con un ejemplo en el comercio minorista de moda y cómo se utiliza la predicción para gestionar la supply chain.
Se discutieron las tendencias emergentes y las tendencias negativas en la optimización de supply chain. El grupo habló sobre cómo la nueva normalidad de la disrupción y la volatilidad está impactando la industria de supply chain, y cómo las empresas necesitan repensar sus estrategias de gestión. También se abordó la integración del machine learning y la optimización como una oportunidad para tomar mejores decisiones, siendo el aprendizaje offline y online componentes clave. Sin embargo, la complejidad del enterprise software moderno y la necesidad de mejores herramientas para impulsar la toma de decisiones se vieron como tendencias negativas que obstaculizan las iniciativas de supply chain. El grupo coincidió en que las empresas deben aprovechar la oportunidad para digitalizar sus negocios y así enfrentar desafíos y oportunidades futuros.
Full Transcript
Nicole Zint: En el episodio de hoy, discutimos estos paradigmas para aprender y optimizar supply chain. Nos sentimos honrados de contar con la presencia del Profesor David Simchi-Levi. Hoy hablaremos sobre su trabajo y sus más de 300 publicaciones. Profesor, como siempre, nos gustaría iniciar pidiendo a nuestros invitados que se presenten. Gracias.
Prof. David Simchi-Levi: Hola, Nicole. Hola, Joannes. Es un placer estar aquí. Soy David Simchi-Levi y formo parte del cuerpo docente en el MIT. He sido académico durante mucho tiempo, justamente en el MIT durante los últimos 21 años. Pero, paralelamente a mi labor académica, he fundado algunas empresas. La primera empresa fue en analytics de supply chain, una compañía que se integró a la infraestructura tecnológica de IBM en 2009. En ese entonces, contábamos con alrededor de 350 clientes utilizando nuestra tecnología para la optimización de inventario multi-echelon, el diseño de la red de supply chain y temas relacionados. En 2011, fundé otra empresa centrada en business analytics. El enfoque no se limitaba únicamente a supply chain, sino que iba más allá. Esta empresa se integró a Essential Technology en 2016. Luego, en 2014, inicié una empresa de tecnología en computación en la nube que se integró a Accenture en 2018. Actualmente, no estoy vinculado a ninguna empresa y me concentro en mi investigación en el MIT. En el MIT, dirijo el MIT Data Science Lab. El Data Science Lab es una colaboración entre el MIT y alrededor de 20-25 compañías que se enfocan en abordar algunos de los problemas más desafiantes que tienen, reuniendo datos, modelos y analytics. Espero que tengamos la oportunidad de hablar sobre algunos de los trabajos emocionantes y las oportunidades que vemos hoy en el mercado.
Nicole Zint: Ese es un currículum muy impresionante, debo decir, Profesor. Además de todo ello, usted lanzó recientemente un curso, Demand Planning and Analytics, donde mencionó estas tres tecnologías emergentes: digitalización, analytics y automatización. ¿Por qué son tan populares en la actualidad?
Prof. David Simchi-Levi: Es interesante que hayas mencionado la nueva clase que acabamos de lanzar en torno a demand y supply chain analytics. En esta clase, como señalaste, nos centramos en la integración de datos, analytics y automatización. Se trata realmente de la integración de estas capacidades lo que permite a las empresas abordar algunas de las áreas más desafiantes a las que se enfrentan en su negocio. Piensa en supply chains con largos lead times, el significativo aumento en los costos logísticos debido a cambios en los precios del petróleo, y las disrupciones en el supply chain que hemos observado en los últimos tres o cuatro años. Desde la guerra comercial entre EE. UU. y China hasta el COVID, la guerra en Ucrania y el cambio climático, todo esto ha requerido que las empresas replanteen su estrategia de supply chain hoy.
Nicole Zint: Lo normal es completamente diferente a lo que vimos hace diez años. ¿Cómo gestionas el supply chain de manera efectiva hoy? Es diferente a lo que hacían las empresas hace cinco a diez años, y lo resumiré con un ejemplo. Hasta aproximadamente 2020, la industria se centraba mucho en la eficiencia del supply chain, desde lean hasta outsourcing y offshoring. Las empresas se enfocaban en recortar costos de manera drástica en su supply chain. Pero lo que han observado en los últimos tres años es la necesidad de equilibrar la eficiencia del supply chain y la resiliencia. La eficiencia es fácil de medir; se centra en el costo. La resiliencia no es fácil de medir. ¿Cómo mides la resiliencia? ¿Cómo identificas el riesgo oculto? Todo esto tiene que ver con las tendencias tecnológicas que acabo de mencionar: digitalización, analytics y automatización. Entonces Joannes, ¿qué opinas de este compromiso entre resiliencia y eficiencia que acaba de mencionar el profesor?
Joannes Vermorel: De hecho, es un compromiso en el sentido de un compromiso económico porque la resiliencia generalmente no es gratuita. Se trata de construir tus opciones que necesitas mantener y establecer. Lo interesante es que estoy completamente de acuerdo con el Profesor Simchi-Levi en el sentido de que es muy difícil de medir porque, fundamentalmente, se trata de una perspectiva probabilística del futuro. Estás analizando cosas que pueden o no suceder. Por ejemplo, si inviertes en tener una segunda línea de proveedores que resulten estar nearshore pero no los utilizas este año, ves el costo, pero no ves la existencia misma de la opción que te salvaría si la necesitaras.
Lo interesante es que existe un sesgo de supervivencia por todas partes. Las únicas empresas que ves son las que aún están vivas. Aquellas que cometieron un error terminal y desaparecieron ya no están, así que no las ves. Cuando miras a tu alrededor y realizas una encuesta, siempre ves, en promedio, que las personas asumen demasiado riesgo en comparación con lo que deberían. La razón de este sesgo es que consistentemente hay quienes tomaron demasiado riesgo y salieron del mercado, pero cuando haces una encuesta, ya no forman parte de ella porque solo se encuestan las empresas activas.
El truco, o más que un truco, uno de los primeros paradigmas de la medición del riesgo, es tener una evaluación de potenciales que, la mayoría de las veces, no se realizan pero que, sin embargo, son muy reales. Si lanzas un dado y tienes solo un 3% de probabilidad de que ocurra un evento crítico que terminaría con tu empresa, y lo haces cada año, a lo largo de medio siglo, es casi seguro que tu empresa desaparecerá debido a esos eventos a largo plazo.
Nicole Zint: Los supply chains típicamente se han construido a lo largo de empresas dedicadas, es decir, muy grandes. Hay algunas empresas que son muy grandes hoy en día, como, por ejemplo, Apple, pero incluso Apple no es exactamente como una startup recién nacida. Les tomó décadas establecerse y convertirse en lo que son. Así que, incluso para las empresas que crecieron de manera fantástica y rápida, para alcanzar el tipo de madurez del supply chain, seguimos hablando de un proceso de varias décadas. Por lo tanto, es lento, y al evaluar el riesgo cuando se piensa en términos de períodos de varias décadas, hay que considerar cosas que suceden muy rara vez, desde, diría, una perspectiva humana. Esa es también la razón por la que la perspectiva impulsada por máquinas, basada en cálculos en lugar de pura intuición, se vuelve tan importante. Joannes, ¿puedes compartir tus pensamientos sobre esto?
Joannes Vermorel: Creo que los humanos son muy buenos para percibir las cosas a una escala humana, y los supply chains tienden a desviarse de esa escala en cuanto a complejidad. Hay demasiadas cosas, y también, en términos de lapso de tiempo, realmente pensamos en términos de eventos que podrían suceder una vez o cada cuarto de siglo. Y, sin embargo, si operas un supply chain grande, este es el tipo de riesgo en el que deberías pensar.
David Simchi-Levi: Permíteme demostrar lo que Joannes estaba enfatizando con una observación clave. Las empresas típicamente se centran en los KPIs. Preguntan, “¿Cuál es el rendimiento de mi supply chain en este momento?” Si el nivel de servicio es bajo, podrían hacer un cambio, como agregar más inventario. Si los costos de transporte son altos, podrían hacer un cambio para recortar costos. Esta discusión sobre la resiliencia, este debate sobre el uso de datos y analytics, también se trata de complementar los KPIs con lo que yo llamo KPPs - key performance predictors. Todo puede verse bien en un supply chain ahora, pero nos gustaría predecir cuál será el estado del supply chain dentro de seis o siete semanas. Porque si podemos hacerlo y detectar un problema potencial, podemos resolverlo hoy antes de que impacte el supply chain dentro de siete semanas.
Y podrías pensar, “Hey, ¿es posible?” De hecho, la pandemia nos mostró que podemos hacer esto de manera muy efectiva. Permíteme ilustrarlo con una historia. Mi equipo en el Data Science Lab del MIT trabajó en la resiliencia del supply chain mucho antes de la pandemia. Desarrollamos una nueva forma de medir la resiliencia del supply chain para identificar riesgos ocultos. Lo implementamos en varias empresas. La primera empresa fue Ford Motor Company, luego otras empresas siguieron, pero no muchas. Todo cambió al comienzo de la pandemia.
En febrero de 2020, recuerda este período, la pandemia estaba afectando a China. No estaba en Europa, no estaba en EE. UU., solo estaba impactando a China. Escribí un artículo muy corto utilizando el modelo y los datos que tenía, usando el modelo para la resiliencia del supply chain, y redacté un breve artículo que decía que a mediados de marzo —es decir, seis semanas después— veríamos una disrupción del supply chain tanto en Norteamérica como en Europa. Y esto es exactamente lo que ocurrió. Así que la capacidad de usar datos —y tenemos tanto datos en tiempo real que provienen de datos internos de las empresas como datos externos— permite a las empresas complementar sus KPIs, indicadores clave de rendimiento, con KPPs, key performance predictors, que es el estado del supply chain en este momento.
Nicole Zint: Con key performance predictor, ¿cuál será el estado de mi supply chain dentro de seis u ocho semanas y tomar medidas correctivas hoy antes de que el problema impacte el supply chain? Por eso Joannes estaba enfatizando, por una razón, la importancia de utilizar máquinas de datos y analytics para tener un gran impacto en supply chain performance.
Prof. David Simchi-Levi: Realmente me gusta esta distinción entre KPI y KPP. Por cierto, creo que la mayoría de los directores de supply chain en la mayoría de las empresas no se dan cuenta de que, en realidad, una gran mayoría de lo que llaman KPIs incluye, de una forma u otra, un componente de predicción. Por ejemplo, si dices que tienes KPIs sobre niveles de servicio, la mayoría de esos niveles de servicio en realidad incluyen un demand forecast. Cuando afirmas que tienes ese nivel de servicio o esa cantidad de nivel de servicio, la realidad es que, para la mayoría de los SKUs, la demanda es muy escasa. No existe un SKU en el que digas, “Tengo un 90% de nivel de servicio.” O está presente o está ausente. Lo que tienes, eventualmente, es un análisis paso a paso o un modelo predictivo de algún tipo que te daría este tipo de estimación de cuál es tu nivel de servicio para ese SKU, pero también es una estimación. E incluso así, hay situaciones frecuentes en las que, por ejemplo, la cantidad de stock que tienen depende en realidad de elementos cuyos ETAs no están completamente garantizados.
Joannes Vermorel: Entonces, lo binario, creo, tener ambos conceptos es muy interesante, especialmente para darse cuenta de cómo, en los sistemas de supply chain del mundo real que son tan caóticos, donde hay mucha información interna pero no completamente confiable, especialmente al tocar el futuro, existe un área gris muy difusa entre ambos. Y muchas personas, pienso, tienen como uno de los problemas la excesiva confianza en creer que se trata de una observación neutral y objetiva del pasado para muchos indicadores. No lo es. Y además, tan pronto como quieres lidiar con el riesgo, eso significa que ya no puedes tener esta ingenua perspectiva de un único futuro. Debes pensar que, cuando predices que vendrá una disrupción, lo más probable es que, si fueras muy cuidadoso, digas algo como, “Tengo un 80% de confianza en que habrá una disrupción empezando, como muy pronto, en ocho semanas y, como muy tarde, en veinte semanas,” etcétera. Pero, fundamentalmente, se trata de aceptar el hecho de que en cuanto tocas el futuro, tienes cosas que son probables pero no seguras. Y, sin embargo, tienen valor. No es porque exista un grado de incertidumbre que de repente debas decir que no existe. Es decir, tener una muy buena suposición, aunque sea solo una suposición, ya es algo que tiene mucho valor y sobre lo cual debes actuar, aun si son solo probabilidades.
Prof. David Simchi-Levi: Permíteme, Nicole, si me lo permites, ilustrar por qué las empresas necesitan pensar en KPI y KPP con un ejemplo del deporte. Nunca jugué hockey, pero me gusta el hockey. Y si piensas en uno de los mejores jugadores de hockey en Norteamérica, Gretzky, solía decir, “No patino hacia donde está el puck; patino hacia donde va a estar.” Esto es realmente de lo que se trata el KPP.
Nicole Zint: Quiero tomar una decisión hoy para abordar dónde estará mi supply chain dentro de seis o siete semanas, ya que si puedo hacerlo hoy, puedo reservar capacidad, recortar mis costos y responder de manera efectiva a una potencial disrupción que mi sistema sugiere que veré en un futuro cercano. Es realmente interesante que podamos predecir —o supuestamente predecir— algo que puede suceder en nuestro supply chain, digamos, dentro de seis, siete u ocho semanas. Sin embargo, en Lokad, tratamos de aceptar esta incertidumbre y, en lugar de pensar que no podemos predecir exactamente lo que sucederá, queremos tener, esencialmente, una visión general sobre la probabilidad de que ocurran diversos futuros. Entonces, profesor, cuando dices que sabes que predices algo para dentro de seis o siete semanas, ¿cómo es exactamente que lo sabes? ¿Te concentras entonces únicamente en un escenario futuro que arroja el modelo, o estás aceptando estas diferentes probabilidades?
Prof. David Simchi-Levi: Estamos utilizando una combinación de enfoques. No existe una estrategia única para todos, y permíteme destacar esto ya que creo que se relaciona con lo que Joannes y tú estaban comentando. Un enfoque es el análisis de escenarios. Generamos múltiples escenarios; los escenarios pueden estar asociados con un cambio en la demanda, un escenario puede estar asociado con una disrupción en un proveedor específico o en una región determinada. Y utilizando esto, tratamos de identificar riesgos ocultos en el supply chain. Pero existe un límite a nuestra capacidad de generar escenarios, y para ilustrarlo, solo piensa en lo que ha ocurrido en los últimos tres meses en comparación con lo que ocurrió hace dos años. ¿Quién habría predicho lo que vemos ahora en Europa del Este, verdad? Entonces, el análisis de escenarios es muy importante, es parte de lo que hacemos, pero también necesitamos criterios y herramientas que sean independientes de un escenario específico; por ejemplo, independientes de la información que podamos obtener de proveedores particulares. Este tipo de herramientas aún existe y está disponible para que las empresas las utilicen hoy en día. Permíteme ilustrarlo con un ejemplo. Desarrollé algunos conceptos en torno a la resiliencia del supply chain: uno es Time to Recover y el Performance Impact; estos dependen de escenarios. Pero también desarrollé el Time to Survive. ¿Qué es el Time to Survive? El Time to Survive es completamente independiente de un escenario. Observas todo el supply chain de extremo a extremo, tienes un mapping del supply chain, sabes dónde está tu inventario y cuánto tienes, y ahora remueves una instalación del supply chain y preguntas: sin esa instalación, ¿cuánto tiempo puedo abastecer la demanda? Esto no depende de un escenario, ¿verdad? Esto se da ante la disrupción, y te diré cuánto tiempo puedo gestionar el suministro. Esto me permite identificar riesgos en el supply chain, pero también oportunidades de ahorro. Cuando implementamos esto en varias empresas, nos dimos cuenta de que a veces las empresas colocan mucho inventario en la ubicación incorrecta para su propio producto. Esto permite identificar riesgos ocultos y también oportunidades para ahorrar.
Nicole Zint: El último elemento que añadiré es que nos enfocamos mucho en usar máquinas, machine learning y optimización para tomar mejores decisiones. Pero nadie va a seguir una recomendación de una máquina si ésta no puede explicarse a sí misma. Así que, además de la capacidad de generar un forecast o una decisión recomendada, necesitamos una explicación de por qué este forecast muestra que la demanda del producto A crecerá significativamente en el Medio Oeste pero no tendrá éxito en la Costa Oeste. La explicabilidad de lo que sale de la máquina es una parte crítica de este proceso de toma de decisiones.
Joannes Vermorel: Aprovechando tus comentarios sobre la necesidad de explicabilidad de los modelos, mi propia observación casual es que los modelos numéricos, incluso los semi-triviales como la regresión lineal con un par de coeficientes, son por defecto muy opacos. Esto es algo dado tan pronto como tienes dígitos. Las computadoras son mucho mejores haciendo cálculos que las personas, por lo que no se necesitan muchos números para que algo sea completamente opaco para el observador humano promedio, no genio.
Y el enfoque típico es que un número que tiene sentido en términos de explicación tiende a ser increíblemente dependiente del contexto. Es muy tentador simplemente producir un muro de métricas con millones de números que puedas extraer al proyectar tus datos en todo tipo de direcciones. Es muy fácil de hacer con computadoras modernas, pero tus planificadores de supply chain solo tienen una cantidad limitada de tiempo para hacerlo.
Así, el enfoque que tiene Lokad está trabajando en un proceso en el que, a nivel algorítmico, será relativamente sencillo para lo que llamamos el supply chain scientist (que es como un data scientist especializado en supply chain) diseñar tanto la lógica de optimización predictiva como sus factores explicativos. Pero hay un inconveniente: no espero que la IA ni ninguna receta sofisticada de machine learning puedan hacer este trabajo. Más bien, estoy adoptando un enfoque paradigmático, en el que digo que tengo clases de algoritmos donde sé que un supply chain scientist, con su inteligencia muy humana, puede ir más allá haciendo lo que llamamos white boxing.
Esto les permite diseñar el tipo de métricas que tendrán sentido para la gestión de supply chain en general, de modo que puedan entender lo que está sucediendo. Pero hay un componente muy humano en ello, que es que alguien esencialmente cree los números para que puedas seleccionar algunos KPIs. Tus números, no solo los KPIs, pueden ser TPP según tu definición, pero están cuidadosamente seleccionados. El único truco mágico es contar con un método algorítmico que se presta muy bien a este tipo de descomposición en profundidad de lo que ocurre.
Prof. David Simchi-Levi: Correcto, y puedo destacar por qué esto es tan importante con un ejemplo de implementación de lo que llamo una vista unificada.
Nicole Zint: Sobre la demanda en una CPG muy grande, cuando implementas esto, comienzas a recibir llamadas telefónicas, típicamente del grupo de finanzas. Las llamadas se presentan en tres tipos. La primera es decir, “Oigan, data scientists, oigan, Tim, no entendemos por qué tu enfoque sugiere que este producto o esta familia crecerá increíblemente bien en una región pero no lo hará en otra,” ¿verdad? Eso es parte de la explicabilidad.
David Simchi-Levi: La segunda parte es aún más desafiante. Recibes otra llamada, y el equipo de finanzas dice: “No entendemos, acabas de darnos un forecast porque damos un forecast cada semana para las próximas 80 semanas. El forecast que nos diste hoy es diferente del forecast que nos diste hace cuatro semanas. ¿Qué está pasando? El mundo no ha cambiado.”
David Simchi-Levi: La tercera es, “Oye, hace un mes nos diste un forecast sobre la demanda de hoy, pero es bastante diferente. Si no podemos abordar estos tres desafíos, nadie va a confiar en una caja negra que genera forecasts semana tras semana para cada producto. Por eso es tan importante reconocer que lo que estás haciendo en tu empresa, lo que mi equipo en el MIT Data Science Lab está haciendo, no es solo ciencia. Para ser efectivo, requiere combinar ciencia y arte. La ciencia es la máquina y los datos en el análisis; el arte es la visión, la intuición, la experiencia que las personas, en este caso en supply chain, tienen. Es una combinación de ambos. Pero si no podemos hablar con la máquina para entender lo que está diciendo, será difícil para los humanos seguir las recomendaciones de la máquina.”
Nicole Zint: Entonces, Profesor, antes de llegar a las preguntas principales sobre qué paradigmas emergentes tenemos, solo quiero preguntarle, usted también mencionó esas “leyes de física” en su curso, ya sabe, aplicables a los profesionales y empresas de supply chain. Pero, ¿qué quiere decir con “leyes de física” desde la perspectiva de supply chain?
David Simchi-Levi: Para mí, las “leyes de física” son relaciones generales entre información, capacidad, nivel de servicio y relaciones de inventario que siempre son verdaderas, independientemente de si tienes un supply chain regional o un supply chain global, y sin importar si te centras en high-tech, CPG o farmacéutica.
Nicole Zint: ¿Podrías dar un ejemplo de una de esas relaciones que acabas de mencionar?
David Simchi-Levi: Una relación entre inventario, stock de seguridad, nivel de servicio y variabilidad. Sabemos cómo cuantificar la relación entre los tres: stock de seguridad o inventario, variabilidad y nivel de servicio. Una vez entiendas la relación entre los tres, puedes darte cuenta de cómo gestionar mejor tu supply chain.
David Simchi-Levi: Otro ejemplo es la relación entre el nivel de información y cuánta volatilidad tendré en el supply chain. Una vez que entiendas eso, puedes darte cuenta de cuánta visibilidad y compartición de información nos permite reducir la volatilidad. ¿Y cuál es la relación entre la volatilidad y las ventas perdidas? Si entiendes eso, te das cuenta, “Oh, necesito reducir…”
Nicole Zint: ¿Cómo puedo gestionar la volatilidad para aumentar mi nivel de servicio y reducir mis ventas perdidas?
Prof. David Simchi-Levi: Una forma de reducir la volatilidad es mediante el compartir información. En mi libro, que tuvo su cuarta edición publicada en septiembre del año pasado, discuto alrededor de 40 o 50 tipos de “leyes de física” que permiten a las empresas identificar oportunidades en su negocio. Estas son relaciones globales, y por eso las llamo leyes de física.
Piensa en lo que aprendimos en las clases de física del colegio o la universidad. La idea es que hay algunas relaciones fundamentales en los negocios que definen una especie de medición cuantitativa de diferentes partes. Tienes situaciones donde puedes plantear ecuaciones que siempre serán verdaderas, como las cuatro ecuaciones de Maxwell en física, en todo momento. No depende de una situación particular.
Joannes Vermorel: Así que, esencialmente, los supply chains no se tratan enteramente de poesía. Existen relaciones fundamentales en los negocios que definen una especie de medición cuantitativa de diferentes partes. Por ejemplo, en mi serie de conferencias, señalo que prácticamente cada distribución observada en supply chain es una ley de Zipf. Desde los productos de mayor volumen hasta la long tail, obtendrás una ley de Zipf. Lo mismo ocurre con los proveedores, desde el más grande hasta el más pequeño, obtendrás una ley de Zipf, y así sucesivamente.
Esta teoría puede ser debatida en un sentido científico, cuestionando si es la mejor teoría para explicar el mundo o si hay situaciones que contradigan la teoría general. Sin embargo, no está sujeta a debate en el sentido de que simplemente puedas elegir no creer en ella basándote en tu industria específica.
Lo interesante es que cuando tienes estos fundamentos matemáticos para clases de fenómenos, resulta increíblemente poderoso para construir herramientas, algoritmos y marcos de trabajo. En Lokad, usamos esto extensamente. Por ejemplo, la distribución de Zipf tiene la consecuencia de que puedes comprimir los datos de supply chain de forma tremenda, ya que la mayoría de tus líneas están garantizadas a ser ceros o unos, haciendo que sean elegibles para la compresión.
Otro ejemplo es que en realidad puedes superar el algoritmo de quicksort en términos de ordenamiento. Puedes ser más rápido que el óptimo teórico simplemente por la baja cardinalidad de lo que tienes que resolver. Hay muchas cosas que son importantes en términos de diseño de software y en el diseño de las teorías de supply chain construidas sobre estos fundamentos matemáticos.
Nicole Zint: Entonces, hoy estamos aquí con Joannes Vermorel y el Profesor David Simchi-Levi para hablar sobre la optimización de supply chain. Joannes, a menudo hablas sobre la importancia de la flexibilidad en los supply chains. ¿Podrías elaborar un poco sobre eso?
Joannes Vermorel: Eso lo hace real, si me lo permites. Todos entienden los conceptos, la idea de la flexibilidad. Todos entienden que más flexibilidad es mejor que menos, pero la flexibilidad no es gratuita. ¿Cuánta flexibilidad necesito? ¿Dónde debería invertir en flexibilidad y cuáles son sus beneficios potenciales? Estas son preguntas clave que responder. Además, la pregunta es, ¿cómo defino la flexibilidad? Una vez que tienes una definición precisa, por ejemplo, la capacidad de responder al cambio (y el cambio puede presentarse de muchas maneras: variación en el volumen de demanda, cambio en la mezcla de demanda, interrupciones), sabemos exactamente cómo diseñar un supply chain para ser flexible. Esto proviene de las leyes de física, y una vez que lo sabes, puedes cuantificar cuál es el impacto en mi nivel de servicio, en mi inventario y en mi tiempo de respuesta. Y esto es aprovechado por empresas en la industria automotriz, en la industria de consumer package, utilizando las leyes de física para replantear el grado, el nivel de flexibilidad en el supply chain. Lo mismo ocurre con la redundancia, lo mismo ocurre con la resiliencia. Por eso las leyes de física son tan importantes.
Nicole Zint: Es bastante interesante que hayas mencionado la flexibilidad porque a menudo vemos que cuando las empresas deben tomar decisiones sobre si mantener un producto en su almacén central o en almacenes más locales, existe este compromiso entre ser más flexible cuando está en el centro de distribución o tener un mejor servicio para tus clientes al recibir el producto más rápido.
David Simchi-Levi: Sí, en efecto, se trata de encontrar ese equilibrio perfecto. Pero creo que lo que Joannes está señalando de manera más específica es que no se trata solo de encontrar el equilibrio, ya que encontrar el equilibrio es algo dado. Lo que destaca es que existe un compromiso, un compromiso económico que siempre está presente con la flexibilidad, y que se puede modelar, y sobre el cual se basará la optimización en todas las situaciones. Verás, esto es lo que él dice; creo que ese es el apodo que se le da a las leyes de física. Esta es la ley de, diría yo, los supply chains físicos. Sabes, eso es como una abreviatura para ello. Existen fundamentos que han sido establecidos. No son naturalmente completos; no son naturalmente definitivos, pero están ahí. Y es importante abordar esos supply chains aquí, en este caso, con una mentalidad en la que no todo esté, diría yo, sujeto a debate. Verás, ese es el sentido de este enfoque basado en la física. Cuando la gente dice que tenemos la ecuación para el electromagnetismo, sabes que, esencialmente, se trata de las cuatro ecuaciones de Maxwell; entonces, no terminamos con Maxwell, pero lo que sea, las cuatro ecuaciones del electromagnetismo. Puedes intentar refutarlas, pero mientras tanto, todos harán electromagnetismo, diciendo que esto es lo que considero verdadero todo el tiempo. Esto no es una opción. La gente no dice que es naturalmente imposible encontrar una situación en la que se equivoque. Esto no es ciencia. Se trata de descubrir el flujo en tu modelo, y seguimos investigando. Pero el punto es que creo que es muy interesante tener que establecer, diría yo, un núcleo.
Nicole Zint: Entonces, Joannes, ¿podrías contarnos sobre las teorías en las que te basas para construir un enfoque cuantitativo que funcione para la optimización de supply chain?
Joannes Vermorel: Existen dos teorías en el sentido científico en las que se puede confiar para construir sobre ellas. Ya sabes, en contraposición a tener solo opiniones y debates. Porque el problema es que, si no cuentas con esta base, se vuelve muy difícil tener un enfoque cuantitativo que no sea accidental. Quieres tener un método que tenga el potencial de funcionar todo el tiempo en todas las empresas. Ese es el pináculo de la generalidad. Pero si tienes fundamentos muy sólidos, puedes acercarte cada vez más a eso. Creo que ahí radica el verdadero interés.
Nicole Zint: Es interesante que digas que se trata de encontrar una solución que pueda funcionar para muchos problemas diferentes, y no solo uno. Y, de hecho, Profesor, eso es algo que también hemos visto en sus publicaciones. Usted habla a menudo no de un solo algoritmo o de una solución única, sino de un marco de trabajo que puede ser aplicable a todo tipo de problemas. Entonces, ¿por qué exactamente se ha enfocado en eso en lugar de simplemente entregar módulos individuales?
Prof. David Simchi-Levi: Bueno, probablemente es muy obvio, pero al mismo tiempo, vemos que no es muy frecuente que la gente se enfoque en el marco de trabajo. Siempre se busca encontrar una única solución. Pero luego, cuando el supply chain está cambiando –y mencionaste, ya sabes, que el mundo cambia todo el tiempo– quedamos estancados. Por lo que necesitamos rehacer el problema una y otra vez. Y, de hecho, en Lokad nos enfocamos exactamente en eso: encontrar un enfoque para resolver problemas en lugar de una única solución que solo sea aplicable ahora mismo.
Nicole Zint: Profesor, ¿podría también responder a la pregunta sobre por qué se enfoca en los marcos de trabajo?
Prof. David Simchi-Levi: En la descripción del enfoque de mi investigación, se centra mucho en asegurarnos de tener una estrategia a largo plazo para el supply chain. De manera que no tengamos que cambiar nuestra estrategia cada semana o cada día ante una interrupción reciente o un cambio en la demanda. Y quizá resalte esto con el trabajo que he realizado en torno a la digitalización de supply chain. ¿Cuáles son los marcos de trabajo que hemos identificado en la digitalización de supply chain que permiten a las empresas lograr la mayoría de los beneficios de una digitalización completa sin la inversión de cuatro o cinco años en un digital supply chain? Y resaltaré cuatro marcos. El primero, que mencioné anteriormente, es la vista unificada de la demanda, que reemplaza el consensus forecast. El consensus forecast ha sido usado por ejecutivos e industrias durante muchos, muchos años. Finanzas tendrá su propio forecast. Operaciones tendrá su propio forecast. Ventas tendrá un forecast diferente. Y luego se reunirán en una junta de consenso para acordar un compromiso, sin quedar claro que dicho compromiso represente correctamente la realidad. Lo que se quiere hacer, el marco en el que me enfoco, es acordar los datos. Una vez que tengo los datos, me gustaría que el análisis y la máquina generen un forecast que pueda ser utilizado por las diferentes áreas funcionales. Ese es el primero. El segundo es un…
Nicole Zint: ¿Podría contarnos sobre el marco de trabajo que usa en la optimización de supply chain?
Prof. David Simchi-Levi: Claro, así que el marco que utilizamos se basa en la idea de que una estrategia de talla única para todos no es adecuada para la mayoría de las empresas. Si observas lo que la mayoría de las compañías están haciendo, tienen una estrategia en todos los canales, en todos los mercados y en todos los productos. Lo que enfatizamos es la segmentación de supply chain, segmentando productos, segmentando mercados y segmentando canales. Esto permite a las compañías afinar la estrategia de supply chain para cada cluster, para cada grupo, y como resultado, ser más ágiles dependiendo de las características de cada segmento. El tercer elemento en este marco es enfocarse en SNOP (Sales and Operations Planning) que utiliza datos y analíticas para ayudar a las compañías a identificar un plan efectivo. El último es reconocer que, por muy efectivo que sea el plan, siempre hay desviaciones del mismo, tales como interrupciones en el supply chain y cambios en la demanda. Si puedo identificar esas interrupciones y desviaciones desde el principio, puedo responder a ellas de manera muy efectiva. Esto es parte de los KPP (Key Performance Parameters) y la torre de control, en la que estoy seguro de que tu compañía se está enfocando con muchos de tus clientes.
Nicole Zint: Joannes, ¿qué opinas de lo que dice el Profesor Simchi-Levi, especialmente sobre este proceso de SNOP, que Lokad también tiene?
Joannes Vermorel: Sí, um, pero no es, diría yo, un enfoque diferente. Debido a nuestro enfoque y a nuestro origen, estamos viendo el asunto desde un ángulo ligeramente distinto. Eso no significa que estemos especialmente en desacuerdo. Lo primero que veo es que, en primer lugar, nunca observamos directamente la supply chain, así que cuando decimos, por ejemplo, demanda, existe la intermediación de los sistemas empresariales, que pueden ser muy complejos. Un típico ERP que tiene tres décadas, es decir, de hace tres décadas, y vamos a hablar de 2000 tablas. Cada tabla tiene algo así como de 50 a 200 campos, y luego, si hablas con una multinacional, podría terminar con una situación casi de pesadilla donde hay, digamos, un ERP diferente por país, o sea, 40 países. Así que, en primer lugar, la señal de entrada es increíblemente compleja en el sentido de pura complejidad IT, lo cual no debe tomarse a la ligera. Entonces, primero está esta, diría yo, esta barrera de que, incluso si están todos presentes, incluso si los datos son correctos, los datos no son basura, estos son datos transaccionales muy limpios. El problema es simplemente que es excesivamente complejo debido a que todos los sistemas nunca se han implementado para medir la demanda; se han implementado para operar las supply chain. Así que, en primer lugar, tenemos esta, diría yo, opacidad brutal del paisaje aplicativo. La segunda cosa que tenemos es que lo que llamamos demanda, cuando empiezas a mirar industrias reales, verás que es mucho más granular. Por ejemplo, supongamos que tienes una compañía que vende materiales eléctricos a clientes B2B. La realidad es que el pedido que reciben es, tienen un cliente que quiere construir un edificio, y, por lo tanto, van a pasar un gran pedido con potencialmente miles de referencias de productos, y de hecho, programarán la entrega. Entonces, dirán: “Queremos que en nueve meses se entregue todo eso, pero queremos que las primeras 500 referencias se entreguen en tres meses, luego las siguientes 500, en cuatro meses, etc.”
Nicole Zint: Entonces, Joannes, ¿podrías hablarnos sobre cómo abordas el tema del forecast de demanda, y cuáles son los desafíos que conlleva?
Joannes Vermorel: Sí, pues la granularidad de la demanda puede ser bastante complicada. Por ejemplo, si tienes un gran pedido por lote que requiere entregas programadas a lo largo de un período de seis meses, ¿cómo contabilizas la demanda? ¿La cuentas cuando se origina o cuando se va a entregar? Así que, obviamente, hay muchas complejidades. Lo que estoy diciendo es que, cuando decimos “demanda”, no es algo unidimensional con una perspectiva de series de tiempo en supply chain en la que puedas proyectar. Generalmente, es un problema muy multidimensional, que puede verse agravado por el hecho de que si introduces tu propio nuevo tipo de producto que reemplaza a la antigua generación de productos, vas a tener efectos de cannibalización muy agresivos, simplemente porque es literalmente tu propia tecnología superior la que cannibaliza tu tecnología previa de productos. Así, los productos son típicamente muy parecidos, y tu próxima generación es un reemplazo integral y superior de todo lo que había antes.
David Simchi-Levi: Sí, y por eso es crucial tener las herramientas adecuadas y un Supply Chain Scientist bien capacitado para abordar este desafío. SQL es un lenguaje de programación utilizado para extraer datos, pero necesitamos herramientas mejores que eso para dar sentido a la enorme cantidad de datos que tenemos que manejar.
Joannes Vermorel: Exactamente. En Lokad, nuestro enfoque ha estado en pensar en qué tipo de herramientas necesitan nuestros Supply Chain Scientists. No contamos con ninguna IA que pueda simplemente tomar datos y darnos forecast de demanda. Necesitamos inteligencia humana para dar sentido a los datos. Una pregunta que nos hacemos es: ¿Qué tipo de herramientas tienen? ¿Tienen SQL o algo mejor?
Nicole Zint: ¿Y qué hay del plan? ¿Cómo lo abordas?
Joannes Vermorel: Bueno, Lokad es una compañía muy operativa, y nos enfocamos en la ejecución diaria de las supply chains. Lo que hacemos hoy en día es hacer desaparecer el plan por completo. Ya no hay planes, ni forecasts. O, al menos, esas cosas todavía existen como artefactos numéricos, pero son completamente transitorios y se entierran en la tubería de extracción de datos. Los únicos efectos visibles son las decisiones finales. Por ejemplo, ¿qué compras? ¿Qué produces? ¿Dónde mueves el stock? ¿Subes o bajas el precio? Entonces, si hay una interrupción proveniente de China, eso es una entrada, pero el hecho de que modifique el plan es inconsecuente. Lo único que verán las personas son decisiones que se orientan hacia algo ligeramente diferente. Y si observan las fuerzas motrices en dólares o euros, verán que los riesgos expresados en dólares para ciertas clases de riesgo se han disparado debido a esta nueva información.
Nicole Zint: Entonces, Joannes, ¿qué opinas sobre el impacto de las interrupciones en la supply chain?
Joannes Vermorel: Bueno, las interrupciones en la supply chain pueden causar riesgos serios a los proveedores offshore. Pueden hacer explotar su riesgo asociado y orientar todas las decisiones lejos de ellos. Sin embargo, para la mayoría de las compañías, el forecast y el plan se convierten en un artefacto numérico que es bastante intrascendente. Quiero decir, hay muchos otros artefactos numéricos que no son ciudadanos de primera categoría y que no captan el interés de la compañía. Probablemente necesite aprender más sobre lo que están haciendo para dar un comentario más sustancial sobre lo que describiste.
Prof. David Simchi-Levi: Las compañías con las que he colaborado enfrentan desafíos en diferentes partes de la supply chain que pueden implicar un pensamiento distinto sobre la planificación y el forecast. Permíteme dar un ejemplo muy rápido: si piensas en el retail de moda, parte del portafolio es un portafolio que no puedo predecir en ningún caso. Podemos generar un forecast, pero es tan poco confiable que la supply chain se centra únicamente en la velocidad. Pero hay otras partes de su portafolio donde puedo predecir muy bien, y esta predicción se utiliza para gestionar completamente la supply chain. Puede ser que muchos de los ejecutivos de supply chain no vean la predicción, pero se utiliza para motivar dónde posiciono el inventario, cuánta posición de inventario y cómo respondo al pedido. Pero en la primera parte, no sólo la predicción está oculta, no hay predicción porque es tan poco confiable, y la supply chain se centra mayormente en la velocidad. En esa parte, creo que tu punto es un poco diferente, un poco más profundo, ya que incluso si tienes predicción y un plan, lo que se quiere demostrar a la toma de decisiones es solo el resultado de un evento específico, en lugar de lo que contribuye al resultado, que es la predicción o el plan. Ahora, un elemento importante es si un tomador de decisiones humano se sentirá cómodo simplemente observando el resultado y sin entender qué impulsa el resultado, ya sea el plan en sí o la predicción. Pero ciertamente necesito un poco más de perspectiva sobre lo que ustedes están haciendo para identificar la oportunidad potencial en esta área.
Nicole Zint: David, ¿qué algoritmos emergentes ves en este momento en el aprendizaje y optimización de la supply chain, y qué tendencias negativas ves que se están volviendo igualmente populares?
Prof. David Simchi-Levi: Creo que, permíteme empezar con la segunda parte, que es la tendencia en torno a las tendencias negativas. La tendencia negativa en torno al impacto de las interrupciones y la volatilidad que vemos en el mercado estará con nosotros por muchos años. Esto es una nueva normalidad, y como resultado, las compañías necesitan replantearse la forma en que…
Nicole Zint: Joannes, estabas hablando sobre algunas tendencias negativas que están impactando a los clientes. ¿Podrías profundizar en eso?
Joannes Vermorel: Sí, ciertamente. Desde mi perspectiva, hay dos problemas que están impactando a los clientes. El primer problema es que el software empresarial moderno es increíblemente de múltiples capas. Hay capas sobre capas sobre capas, y los datos fluyen de una capa a otra. Para los sistemas modernos, fácilmente hablamos de más de 100 capas por donde fluyen los datos. La ciencia de datos solo añade unas 20 capas más. Solo para darte una idea, cuando dices que quieres hacer ciencia de datos en Python, la realidad es que no haces todo en Python. Tienes capas hechas en Pandas, capas hechas en NumPy, capas hechas dentro de kit, etc. Muchas compañías están luchando enormemente con el hecho de que, en las últimas décadas, los sistemas se han vuelto tan multicapa que cada capa es una oportunidad para tener errores, regresiones y todo tipo de contratiempos. Esto está obstaculizando todas las iniciativas de la supply chain de una manera muy brutal y simple. Intentan hacer algo, y al final del día, ni siquiera pueden obtener el nivel de stock correcto, simplemente porque la IA está fluyendo a través de más de 50 sistemas, y es muy complicado.
Prof. David Simchi-Levi: ¿Puedo agregar algo a eso? La implicación de lo que dice Joannes es que la calidad de lo que la gente está haciendo se ve impactada.
Joannes Vermorel: Sí, es correcto. El segundo problema que veo es que algunas técnicas de machine learning, como deep learning, son increíblemente técnicas y añaden sus propias capas encima. Eso se vuelve muy difícil de ejecutar. Ciertamente, compañías muy grandes logran hacerlo, pero es muy, muy difícil. Así que, veo nuevas clases de paradigmas algorítmicos que nos permiten eliminar clases enteras de capas, donde podemos fusionar, por ejemplo, el aprendizaje y la optimización y la capa de base de datos en una sola. Simplemente eliminas clases enteras de capas para que, sea lo que sea que quieras hacer en términos de supply chain, tengas la posibilidad real de hacerlo a escala con sistemas IT sin introducir demasiado caos. La realidad es que, si regreso a por qué a las compañías les toma tantos años hacer sus cosas, muy frecuentemente, no es la parte de machine learning sofisticado lo que requiere tanto tiempo o la parte algorítmica muy inteligente del sistema que requiere tanto tiempo y esfuerzo. Es todo lo que viene antes y todo lo que viene después, que están muy poco integrados, y terminas con…
Nicole Zint: Perdón por interrumpir, pero ¿puedes aclarar a qué te refieres con “todo lo que viene antes y después”?
Joannes Vermorel: Sí, claro. Antes de la sofisticada parte de machine learning, necesitas tener tuberías de datos adecuadas, bases de datos adecuadas y una limpieza de datos apropiada. Después de la parte de machine learning, necesitas tener formas adecuadas de integrar el resultado de esa parte de machine learning en el sistema ERP o en el sistema de gestión de pedidos o en el sistema WMS. Todas estas piezas deben estar bien integradas, y ahí es donde radica el desafío.
Nicole Zint: Entonces, Joannes, ¿puedes contarnos sobre la complejidad de la optimización de la supply chain en términos de datos?
Joannes Vermorel: Es tremendamente complicado, diría yo, las tuberías de datos. Así, la complejidad de la logística de los datos realmente eclipsa la complejidad de la logística de los bienes físicos. Esto es como el punto de vista vintage de un proveedor de software. Pero en este momento, mi propia observación es que las personas que están apostando fuertemente por cosas que solo van a permitir que la idea de esas compañías, la complejidad IT, se dispare. Eso puede ser una respuesta de miedo a esos eventos dramáticos que ocurrieron durante los últimos dos años. Pero eso no va a hacer que tu supply chain sea más resiliente si, al final, introduces otra clase de riesgo a través de problemas sumamente complicados. Hoy en día, veo cada vez más compañías que se detienen por completo debido a un problema IT que puede ser un ransomware, pero a veces es simplemente como errores internos.
Nicole Zint: Y Profesor Simchi-Levi, ¿cómo cree que la tecnología puede ser utilizada para mejorar la optimización de la supply chain?
Prof. David Simchi-Levi: Si habláramos antes de la pandemia sobre las oportunidades que ofrece la tecnología, el machine learning y la optimización para mejorar el rendimiento empresarial y la supply chain, la gente estaría de acuerdo. Pero los ejecutivos serían muy reacios a invertir en la digitalización de la supply chain, en digitalizar la inter supply chain. No es que no puedan ver el beneficio, lo entienden, sino que les preocupa la enorme inversión financiera y el largo tiempo que toma alcanzar el beneficio que intentan lograr. Lo que la pandemia nos mostró es que el futuro está aquí, que hoy, con los datos disponibles, podemos ser más ágiles y resilientes en nuestras supply chains.
Joannes Vermorel: Si queremos hacer más, especialmente para ser inteligentes en términos de conceptos complejos como la resiliencia, la gestión de riesgos, que no se prestan a medidas directas, necesitamos tener herramientas que sean capaces de hacerlo. Pero no debemos desarrollar cosas que realmente puedan ser desplegadas y puestas en producción en un tiempo relativamente corto, y eso es realmente un desafío. La cuestión es que, en este momento, la herramienta universal que se utiliza para llevar una decisión a producción en 48 horas es Microsoft Excel. Y si literalmente tenemos algo que posea todas las propiedades que la gente busca en Excel, que es una herramienta de toma de decisiones que puedes usar para gestionar una supply chain de varios miles de millones y tomar la decisión que necesita ser tomada ahora, con una corrección superior por diseño, esa sería una forma de verlo. Definitivamente, esa es la orientación de investigación que perseguimos.
Nicole Zint: Profesor Simchi-Levi, ¿puede comentar lo que acaba de decir Joannes?
Prof. David Simchi-Levi: Permítanme profundizar en lo que dijo Joannes y conectarlo con los desafíos actuales de supply chain y desafíos de TI.
Nicole Zint: Entonces, Joannes, en tu opinión, ¿qué tan importante es la digitalización del supply chain y cómo puede beneficiar a las empresas?
Joannes Vermorel: Con la tecnología que tenemos a nuestra disposición, podemos mejorar de manera dramática el desempeño empresarial. Puede que no seamos capaces de lograr todos los beneficios de la digitalización completa del supply chain, pero con una inversión financiera moderada y en un período de tiempo razonablemente corto, las empresas pueden tener un gran impacto en los resultados. Por eso, en mi opinión, a pesar de todos los desafíos que hemos visto, existe una tendencia positiva importante. Nos damos cuenta de que el futuro, o más bien la realidad, ya está aquí, y las empresas que están pensando en cómo avanzar deben aprovechar esta oportunidad para comenzar a cambiar y digitalizar parte de su negocio, de modo que puedan enfrentar no los desafíos de ayer, sino los desafíos y oportunidades de mañana.
Nicole Zint: Profesor, ¿está de acuerdo con la perspectiva de Joannes sobre la importancia de la digitalización del supply chain?
Prof. David Simchi-Levi: Absolutamente, estoy completamente de acuerdo con Joannes. Los beneficios de la digitalización del supply chain son significativos, y las empresas que no la adopten se quedarán atrás. Estamos viendo cómo empresas de todas las industrias adoptan la digitalización y cosechan sus beneficios. Desde la optimización de los niveles de inventario hasta la reducción de los tiempos de entrega, la digitalización del supply chain tiene el potencial de transformar los negocios.
Nicole Zint: ¿Y puede darnos un ejemplo de una empresa que haya implementado con éxito la digitalización del supply chain?
Prof. David Simchi-Levi: Claro, un gran ejemplo es Walmart. Walmart es uno de los minoristas más grandes del mundo y ha podido aprovechar la digitalización del supply chain para reducir sus costos operativos y mejorar sus resultados. Mediante el uso de análisis de datos y algoritmos de machine learning, Walmart ha logrado optimizar sus niveles de inventario, reducir el desperdicio y mejorar los tiempos de entrega.
Nicole Zint: Gracias, Profesor, por ese ejemplo. Y gracias a ambos por acompañarme hoy en esta discusión tan interesante sobre la digitalización del supply chain.
