00:00:07 Introducción y discusión sobre los cambios de paradigma en la planificación de la cadena de suministro.
00:00:51 Antecedentes del profesor David Simchi-Levi, su trabajo académico y las empresas que fundó.
00:02:43 Nuevo curso sobre planificación de la demanda y análisis; enfoque en la digitalización, el análisis y la automatización.
00:04:22 Equilibrar la eficiencia y la resiliencia de la cadena de suministro, y los desafíos para medir la resiliencia.
00:07:08 Evaluación de riesgos en las cadenas de suministro y la importancia de los cálculos impulsados por máquinas en lugar de la intuición.
00:09:47 Predecir el estado de la cadena de suministro con semanas de anticipación.
00:10:20 Trabajo del equipo del MIT sobre resiliencia de la cadena de suministro 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 de ahorro de costos.
00:19:32 Importancia del aprendizaje automático explicativo en la toma de decisiones.
00:20:56 El papel de los científicos de la cadena de suministro en la creación de métricas explicativas.
00:24:17 Desafíos que enfrentan las empresas al lidiar con pronósticos de caja negra.
00:25:51 Leyes de la física en la cadena de suministro y su importancia.
00:27:34 Ejemplos de leyes de la física en la gestión de la cadena de suministro.
00:29:16 Discusión científica y la importancia de los fundamentos matemáticos en la construcción de algoritmos y marcos.
00:30:57 Importancia de la flexibilidad en el diseño de la cadena de suministro y su impacto en el nivel de servicio, el inventario y el tiempo de respuesta.
00:32:29 Abordar el equilibrio económico en la flexibilidad y la necesidad de teorías fundamentales en la optimización de la cadena de suministro.
00:35:44 Enfocarse en marcos en lugar de soluciones individuales para adaptarse a la naturaleza cambiante de las cadenas de suministro.
00:37:18 Presentación de cuatro marcos para la digitalización de la cadena de suministro, comenzando con una visión unificada de la demanda.
00:38:14 Segmentación de la cadena de suministro para estrategias efectivas.
00:38:53 Enfoque en S&OP y análisis de datos para la planificación.
00:39:37 Jonas habla sobre la complejidad de la demanda y los sistemas empresariales.
00:43:01 Desafíos para extraer y comprender los datos de demanda.
00:45:36 El cambio de pronóstico y planificación a artefactos numéricos. {< timer “00:47:14” >}} Discusión sobre los tomadores de decisiones que se basan en resultados en lugar de predicciones o planes.
00:48:22 Algoritmos emergentes en el aprendizaje y la optimización de la cadena de suministro, y tendencias negativas.
00:49:33 Concepto equivocado de acercar la fabricación a la demanda del mercado para la resiliencia.
00:50:09 Integración del aprendizaje automático y la optimización, aprendizaje fuera de línea y en línea.
00:53:22 Desafíos del software empresarial de múltiples capas y nuevos paradigmas algorítmicos para simplificar los procesos.
00:56:37 Discusión sobre la complejidad de TI en la gestión de la cadena de suministro.
00:57:57 La necesidad de herramientas para manejar conceptos complejos como la resiliencia y la gestión de riesgos.
00:58:43 Las ventajas y limitaciones de Microsoft Excel en la toma de decisiones de la cadena de suministro.
00:59:30 La reticencia a invertir en la digitalización de la cadena de suministro antes de la pandemia.
01:00:20 La oportunidad de mejorar el rendimiento empresarial con una inversión moderada en la digitalización de la cadena de suministro.
Resumen
En esta entrevista, Nicole Zint presenta una discusión con Joannes Vermorel, fundador de Lokad, y el profesor David Simchi-Levi, profesor del MIT, sobre la optimización de la cadena de suministro y el papel de la tecnología en la toma de decisiones. Enfatizan la importancia de equilibrar la eficiencia con la resiliencia, utilizando datos, análisis y automatización para gestionar los riesgos. Se presentan los Indicadores Clave de Rendimiento (KPI) y los Predictores Clave de Rendimiento (KPP) como conceptos esenciales para la toma de decisiones proactiva. Los expertos también discuten la importancia de la explicabilidad en la inteligencia artificial, las “leyes de la física” en la gestión de la cadena de suministro, la flexibilidad y los compromisos económicos entre la flexibilidad y la modelización. La conversación destaca la necesidad de que las empresas digitalicen sus negocios para enfrentar los desafíos y oportunidades futuros.
Resumen Extendido
En esta entrevista, la presentadora Nicole Zint habla con Joannes Vermorel, fundador de Lokad, y el profesor David Simchi-Levi, profesor del MIT y autor de más de 300 publicaciones, sobre la optimización de la cadena de suministro y el papel de la tecnología en la toma de decisiones. La discusión explora los paradigmas de aprendizaje y adaptación en la gestión de la cadena de suministro, con un enfoque en la integración de la digitalización, el análisis y la automatización.
El profesor Simchi-Levi destaca que el estado actual de las cadenas de suministro es muy diferente al de hace una década, y las empresas deben equilibrar la eficiencia con la resiliencia. Señala que si bien la eficiencia es fácil de medir a través de estrategias de reducción de costos, la resiliencia es más difícil de cuantificar. La integración de datos, análisis y automatización desempeña un papel crucial en abordar estos desafíos al ayudar a las empresas a identificar y mitigar los riesgos ocultos.
Joannes Vermorel coincide en que el equilibrio entre resiliencia y eficiencia es fundamental, enfatizando la naturaleza probabilística de la medición de riesgos. Argumenta que el sesgo de supervivencia es frecuente en las evaluaciones de mercado, lo que dificulta evaluar el alcance completo de los riesgos que enfrentan las empresas. Vermorel destaca la importancia de adoptar un enfoque impulsado por máquinas y basado en cálculos para la gestión de riesgos, en lugar de depender únicamente de la intuición humana.
El profesor 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 cadena de suministro, mientras que los KPPs tienen como objetivo predecir el estado de la cadena de suministro en el futuro. El profesor enfatiza la importancia de utilizar datos y análisis para complementar los KPIs con los KPPs, lo que permite a las empresas tomar medidas correctivas antes de que surjan problemas.
Vermorel apoya la distinción entre KPIs y KPPs, destacando que muchos directores de cadenas de suministro pueden no darse cuenta del componente predictivo en sus KPIs. Explica que los sistemas de cadena de suministro del mundo real suelen ser caóticos, con entradas que no son del todo confiables, especialmente al predecir el futuro. Vermorel aboga por abrazar la incertidumbre al lidiar con predicciones futuras, ya que incluso una suposición bien informada puede proporcionar información valiosa para la toma de decisiones.
El profesor Simchi-Levi utiliza una analogía deportiva para ilustrar la importancia de los KPPs, refiriéndose a la famosa cita del jugador de hockey Wayne Gretzky: “No patino hacia donde está el disco, patino hacia donde va a estar”. En la gestión de la cadena de suministro, esto significa tomar decisiones hoy para abordar los desafíos potenciales en el futuro, asegurando la adaptabilidad y resiliencia de la cadena de suministro.
La discusión gira en torno a la optimización de la cadena de suministro, la aceptación de la incertidumbre, el análisis de escenarios y el uso de aprendizaje automático e inteligencia artificial en la toma de decisiones de la cadena de suministro.
El profesor Simchi-Levi enfatiza la importancia del análisis de escenarios en la gestión de la cadena de suministro. Al generar múltiples escenarios basados en diversos factores como cambios en la demanda o interrupciones, las empresas pueden identificar riesgos ocultos y oportunidades de ahorro de costos. Sin embargo, reconoce las limitaciones de este enfoque, citando la imprevisibilidad de los eventos del mundo real. Para superar estas limitaciones, sugiere utilizar criterios y herramientas independientes de escenarios específicos o información de proveedores. Da ejemplos de conceptos que ha desarrollado, como “tiempo de recuperación”, “impacto en el rendimiento” y “tiempo de supervivencia”.
Tanto Simchi-Levi como Vermorel coinciden en la importancia de la explicabilidad en el aprendizaje automático y la inteligencia artificial para la gestión de la cadena de suministro. Argumentan que los planificadores humanos de la cadena de suministro no confiarán en las recomendaciones de una máquina si no pueden entender cómo la máquina llegó a sus conclusiones. Vermorel sugiere que un “científico de la cadena de suministro” humano debería trabajar junto a los algoritmos de inteligencia artificial para diseñar la lógica de optimización predictiva y sus factores explicativos, reconociendo la experiencia humana necesaria para una toma de decisiones efectiva.
El profesor Simchi-Levi introduce el concepto de “leyes de la física” en el contexto de la gestión de la cadena de suministro. Estas leyes son relaciones generales entre varios factores de la cadena de suministro que son universalmente aplicables, independientemente de la industria o cadena de suministro específica. Proporciona ejemplos de tales relaciones, como la relación entre el inventario de existencias de seguridad, el nivel de servicio y la variabilidad. Estas leyes pueden ayudar a las empresas a gestionar mejor sus cadenas de suministro al comprender los principios subyacentes que rigen sus operaciones.
Vermorel apoya la idea de leyes universales en la gestión de la cadena de suministro, citando la ley de Zipf como ejemplo. Explica que esta ley se puede observar en varios aspectos de los datos de la cadena de suministro, 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 la cadena de suministro.
La discusión también aborda la importancia de la flexibilidad en la gestión de la cadena de suministro. El profesor Simchi-Levi explica que si bien 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 la cadena de suministro pueden diseñar sus cadenas de suministro para la flexibilidad y cuantificar su impacto en varios aspectos de la cadena de suministro, como el nivel de servicio, el inventario y el tiempo de respuesta.
Hablan sobre la importancia de encontrar un equilibrio y el compromiso económico entre la flexibilidad y la modelización. El enfoque se centra en establecer un núcleo de teorías confiables en la gestión de la cadena de suministro para construir sobre ellas. También discuten la necesidad de una estrategia a largo plazo para evitar la necesidad constante de cambio. El profesor Simchi-Levi menciona cuatro marcos para la digitalización de la cadena de suministro, incluyendo una visión unificada de la demanda, la segmentación de la cadena de suministro 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 pronósticos. Concluyen con un ejemplo de venta al por menor de moda y cómo se utiliza la predicción para gestionar la cadena de suministro.
Se discutieron las tendencias emergentes y las tendencias negativas en la optimización de la cadena de suministro. El grupo discutió cómo la nueva normalidad de la interrupción y la volatilidad está afectando a la industria de la cadena de suministro y cómo las empresas necesitan repensar sus estrategias de gestión. También se discutió la integración del aprendizaje automático y la optimización como una oportunidad para una mejor toma de decisiones, siendo el aprendizaje fuera de línea y en línea componentes clave. Sin embargo, se consideró que la complejidad del software empresarial moderno y la necesidad de mejores herramientas para impulsar la toma de decisiones son tendencias negativas que obstaculizan las iniciativas de la cadena de suministro. El grupo coincidió en que las empresas deben aprovechar la oportunidad de digitalizar sus negocios para enfrentar los desafíos y oportunidades futuros.
Transcripción completa
Nicole Zint: En el episodio de hoy, estamos discutiendo estos paradigmas para aprender y optimizar las cadenas de suministro. Nos honra contar con la presencia del profesor David Simchi-Levi. Hoy vamos a hablar sobre su trabajo y sus más de 300 publicaciones. Profesor, como siempre, nos gustaría que nuestros invitados se presenten. Gracias.
Prof. David Simchi-Levi: Hola, Nicole. Hola, Joannes. Es un placer estar aquí. Soy David Simchi-Levi y soy profesor en el MIT. He sido académico durante mucho tiempo, solo en el MIT en los últimos 21 años. Pero paralelamente a mi carrera académica, he fundado algunas empresas. La primera empresa fue de análisis de cadenas de suministro, una empresa que se convirtió en parte de la infraestructura tecnológica de IBM en 2009. En ese momento, teníamos alrededor de 350 clientes que utilizaban nuestra tecnología para la optimización de inventario de múltiples niveles, el diseño de redes de cadena de suministro y temas relacionados. En 2011, fundé otra empresa centrada en análisis de negocios. El enfoque no era solo en la cadena de suministro, sino más allá de ella. Esta empresa se convirtió en parte de Essential Technology en 2016. Luego, fundé una empresa de tecnología en la nube en 2014 que se convirtió en parte de Accenture en 2018. Actualmente, no tengo ninguna empresa y me estoy enfocando en mi investigación en el MIT. En el MIT, lidero el Laboratorio de Ciencia de Datos. El Laboratorio de Ciencia de Datos es una asociación entre el MIT y alrededor de 20-25 empresas que se centra en abordar algunos de los problemas más importantes y desafiantes que tienen, mediante la combinación de datos, modelos y análisis. Espero que tengamos la oportunidad de hablar sobre algunos de los emocionantes trabajos y oportunidades que vemos hoy en el mercado.
Nicole Zint: Es un currículum muy impresionante, debo decir, profesor. Además de todo eso, recientemente lanzó un curso, Planificación y Análisis de la Demanda, donde mencionó estas tres tecnologías emergentes: digitalización, análisis y automatización. ¿Por qué son tan populares en este momento?
Prof. David Simchi-Levi: Es interesante que menciones la nueva clase que acabamos de lanzar sobre análisis de demanda y cadena de suministro. En esta clase, como señalaste, nos enfocamos en la integración de datos, análisis 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 las cadenas de suministro con largos tiempos de entrega, el aumento significativo de los costos logísticos debido a los cambios en los precios del petróleo y las interrupciones en la cadena de suministro que hemos visto en los últimos tres o cuatro años. Desde la guerra comercial entre Estados Unidos y China hasta la COVID, la guerra de Ucrania y el cambio climático, todas estas situaciones han requerido que las empresas repiensen su estrategia de cadena de suministro hoy en día.
Nicole Zint: Lo normal es completamente diferente a lo que vimos hace diez años. ¿Cómo se gestiona eficazmente la cadena de suministro hoy en día? Es diferente a lo que las empresas hacían hace cinco o diez años, y lo resumiré con un ejemplo. Hasta aproximadamente 2020, la industria se centraba mucho en la eficiencia de la cadena de suministro, desde el lean hasta la externalización y la deslocalización. Las empresas se centraban en reducir drásticamente los costos en su cadena de suministro. Pero lo que han observado en los últimos tres años es la necesidad de equilibrar la eficiencia y la resiliencia de la cadena de suministro. La eficiencia es fácil de medir; te enfocas en el costo. La resiliencia no es fácil de medir. ¿Cómo mides la resiliencia? ¿Cómo identificas los riesgos ocultos? Todo esto tiene que ver con las tendencias tecnológicas que acabo de mencionar: digitalización, análisis y automatización. Entonces, Joannes, ¿qué opinas sobre este compromiso entre resiliencia y eficiencia que mencionó el profesor?
Joannes Vermorel: De hecho, es un compromiso en el sentido de un compromiso económico porque la resiliencia no es gratuita. Se trata de construir las 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 estás hablando de una perspectiva probabilística del futuro. Estás mirando cosas que pueden o no suceder. Por ejemplo, si inviertes en tener una segunda línea de proveedores que están cerca 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 tienes sesgo de supervivencia en todas partes. Las únicas empresas que ves son las que todavía están vivas. Aquellas que cometieron un error terminal y desaparecieron ya no están aquí, así que no las ves. Cuando miras a tu alrededor y haces una encuesta, siempre ves, en promedio, a personas que asumen demasiado riesgo en comparación con lo que deberían. La razón de este sesgo es que consistentemente tienes personas que asumieron demasiado riesgo y salieron del mercado, pero cuando haces una encuesta, ya no forman parte de ella porque solo encuestas a empresas activas.
El truco, o más que un truco, uno de los primeros paradigmas de medición de riesgos, es tener una evaluación de potenciales que son, la mayoría de las veces, no realizados pero aún así muy reales. Si lanzas un dado y tienes solo un 3% de probabilidad de tener un evento crítico que terminaría con tu empresa, y haces eso todos los años, a lo largo de medio siglo, es casi seguro que tu empresa desaparecerá debido a esos eventos a largo plazo.
Nicole Zint: Las cadenas de suministro típicamente se han construido en grandes empresas dedicadas. Hay algunas empresas que son muy grandes hoy en día, como, digamos, Apple, pero incluso Apple no es exactamente como una nueva startup. Les llevó décadas establecerse y convertirse en lo que son. Entonces, incluso las empresas que crecieron de manera fantástica, para que alcancen el tipo de madurez de la cadena de suministro, todavía estamos hablando de un proceso de varias décadas. Entonces, es lento, y evaluar el riesgo cuando piensas en términos de períodos de varias décadas, tienes que mirar cosas que suceden muy raramente desde, diría, la perspectiva humana. Es por eso también que el tipo de perspectiva impulsada por máquinas, impulsada por cálculos en lugar de pura intuición, se vuelve tan importante. Joannes, ¿puedes compartir tus pensamientos al respecto?
Joannes Vermorel: Creo que los humanos son muy buenos para percibir las cosas a escala humana, y las cadenas de suministro tienden a divergir de eso en complejidad. Hay simplemente demasiadas cosas, pero también en términos de período de tiempo, realmente pensamos en cosas que podrían suceder una vez o una vez cada cuarto de siglo. Y sin embargo, si operas una gran cadena de suministro, este es el tipo de riesgo en el que deberías pensar.
David Simchi-Levi: Permítanme demostrar lo que Joannes estaba enfatizando con una observación clave. Las empresas típicamente se enfocan en los KPIs. Preguntan: “¿Cuál es el rendimiento de mi cadena de suministro 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 reducir costos. Esta discusión sobre la resiliencia, esta discusión sobre el uso de datos y análisis, también se trata de complementar los KPIs con lo que yo llamo KPPs: predictores clave de rendimiento. Todo podría verse bien en una cadena de suministro ahora, pero nos gustaría predecir cuál será el estado de la cadena de suministro dentro de seis o siete semanas. Porque si podemos hacer eso y ver un problema potencial, podemos resolver el problema hoy antes de que afecte a la cadena de suministro dentro de siete semanas.
Y podrías pensar, “Oye, ¿es posible?” De hecho, la pandemia nos mostró que podemos hacer esto de manera muy efectiva. Permítanme ilustrarlo con una historia. Mi equipo en el Laboratorio de Ciencia de Datos del MIT trabajó en la resiliencia de la cadena de suministro mucho antes de la pandemia. Desarrollamos una nueva forma de medir la resiliencia de una cadena de suministro para identificar riesgos ocultos. Lo implementamos en varias empresas. La primera empresa fue Ford Motor Company, luego otras empresas siguieron su ejemplo, pero no muchas. Todo cambió al comienzo de la pandemia.
En febrero de 2020, recuerden este período de tiempo, la pandemia estaba afectando a China. No estaba en Europa, no estaba en Estados Unidos, solo estaba afectando a China. Escribí un artículo muy corto utilizando el modelo y los datos que tenía, utilizando el modelo de resiliencia de la cadena de suministro, y escribí un artículo corto que decía que a mediados de marzo, seis semanas después, veríamos una interrupción de las cadenas de suministro tanto en América del Norte como en Europa. Y esto es exactamente lo que sucedió. Por lo tanto, la capacidad de utilizar datos, y tenemos tanto datos en tiempo real que provienen de datos internos que tienen las empresas, como datos externos, permite a las empresas complementar sus KPI, indicadores clave de rendimiento, con KPP, predictores clave de rendimiento, que es el estado de la cadena de suministro en este momento.
Nicole Zint: Con el predictor clave de rendimiento, ¿cuál será el estado de mi cadena de suministro dentro de seis semanas o ocho semanas, y tomar medidas correctivas hoy antes de que el problema afecte a la cadena de suministro? Es por eso que Joannes enfatizaba, por una razón, la importancia de utilizar datos y máquinas analíticas para tener un gran impacto en el rendimiento de la cadena de suministro.
Prof. David Simchi-Levi: Realmente me gusta esta distinción entre KPI y KPP. Por cierto, creo que la mayoría de los directores de cadena de suministro en la mayoría de las empresas no se dan cuenta de que en realidad la gran mayoría de lo que llaman KPI incluye, de una forma u otra, un componente de predicción. Por ejemplo, si dices que tienes KPI sobre niveles de servicio, la mayoría de los niveles de servicio incluyen en realidad un pronóstico de demanda. Cuando dices que tienes este nivel de servicio o esta cantidad de nivel de servicio, la realidad es que para la mayoría de los SKU, la demanda es muy escasa. No tienes un SKU donde digas, “Tengo un nivel de servicio del 90%”. Es o está presente o está ausente. Lo que sí tienes es, eventualmente, 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 tu SKU, pero también es una estimación. E incluso entonces, con frecuencia hay situaciones en las que, por ejemplo, la cantidad de stock que tienen en realidad depende de cosas donde tienen ETA que no están completamente garantizadas.
Joannes Vermorel: Entonces, el binario, creo, tener los dos conceptos es muy interesante, especialmente para darse cuenta de cómo en los sistemas de cadena de suministro del mundo real que son muy desordenados, donde hay mucha información que es interna pero no completamente confiable, especialmente cuando se toca el futuro, tienes un área gris que es muy borrosa entre los dos. Y muchas personas, creo, uno de los problemas es confiar demasiado en creer que es como una observación neutral y objetiva, diría yo, del pasado para muchos indicadores. No lo es. Y luego hay otro aspecto, que es que tan pronto como quieras lidiar con el riesgo, significa que no puedes tener esta perspectiva ingenua de un solo futuro. Debes pensar que, cuando predices que habrá una interrupción que vendrá, lo más probable es que, si eres muy cuidadoso, digas algo como “Tengo un 80% de confianza de que habrá una interrupción a partir de ocho semanas como muy pronto y veinte semanas como muy tarde”, etcétera. Pero fundamentalmente, se trata de aceptar el hecho de que tan pronto como tocas el futuro, tienes cosas que son probables pero no seguras. Y sin embargo, tiene valor. No es porque haya un grado de incertidumbre que de repente debas decir que no existe. Quiero decir, tener una suposición muy buena, incluso si es solo una suposición, ya es algo que tiene mucho valor, y debes actuar en consecuencia, incluso 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 América del Norte, Gretzky, solía decir: “No patino hacia donde está el disco; patino hacia donde el disco va a estar”. Esto es realmente de lo que se trata KPP.
Nicole Zint: Quiero tomar una decisión hoy para abordar dónde estará mi cadena de suministro dentro de seis semanas o siete semanas porque si puedo hacer esto hoy, puedo reservar capacidad, reducir mis costos y responder de manera efectiva a una posible interrupción que mi sistema sugiere que veré en un futuro cercano. Entonces, es realmente interesante que podamos predecir o supuestamente predecir algo que puede suceder en nuestra cadena de suministro, digamos dentro de seis, siete u ocho semanas. Sin embargo, en Lokad, tratamos de abrazar esta incertidumbre y más bien que no podemos predecir exactamente lo que va a suceder, pero queremos tener una visión general de la probabilidad de que ocurran diferentes futuros. Entonces, profesor, cuando dices que puedes predecir algo dentro de seis o siete semanas, ¿cómo puedes saberlo exactamente? ¿Estás enfocándote en un escenario futuro que el modelo produce, o estás abrazando estas diferentes probabilidades?
Prof. David Simchi-Levi: Estamos utilizando una combinación de enfoques. No hay una estrategia única que funcione para todos, y permíteme resaltar esto, ya que creo que se relaciona con lo que Joannes y tú estaban enfocando. 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 interrupción en un proveedor específico o en una región específica. Y utilizando esto, estamos tratando de identificar riesgos ocultos en la cadena de suministro. Pero hay un límite a nuestra capacidad de generar escenarios, y para ilustrar esto, solo piensa en lo que ha sucedido en los últimos tres meses en comparación con lo que sucedió hace dos años. ¿Quién hubiera 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 podemos obtener de proveedores específicos. Estos tipos de herramientas aún existen y están disponibles para que las empresas las utilicen hoy en día. Permíteme ilustrar esto con un ejemplo. Desarrollé algunos conceptos en torno a la resiliencia de la cadena de suministro: uno es el Tiempo de Recuperación y el Impacto en el Desempeño; todos estos dependen del escenario. Pero también desarrollé el Tiempo de Supervivencia. ¿Qué es el Tiempo de Supervivencia? El Tiempo de Supervivencia es completamente independiente de un escenario. Miras toda la cadena de suministro de principio a fin, tienes un mapeo de la cadena de suministro, sabes dónde está tu inventario y cuánto inventario tienes, y ahora eliminas una instalación de la cadena de suministro y preguntas, sin esa instalación, ¿cuánto tiempo puedo satisfacer la demanda con el suministro? Esto no depende del escenario, ¿verdad? Esto se da dada la interrupción, y te diré cuánto tiempo puedo manejar el suministro. Esto me permite identificar riesgos en la cadena de suministro, pero también oportunidades de ahorro de costos. Cuando implementamos esto en varias empresas, nos dimos cuenta de que a veces las empresas colocan mucho inventario en el lugar equivocado para su propio producto. Esto te permite identificar riesgos ocultos y también identificar oportunidades de ahorro. Entonces, no es un enfoque el que nos brinda una buena comprensión de la resiliencia de la cadena de suministro; son múltiples enfoques.
Nicole Zint: El último elemento que agregaré es que nos enfocamos mucho en utilizar máquinas, aprendizaje automático y optimización para tomar mejores decisiones. Pero nadie va a seguir una recomendación de una máquina si la máquina no puede explicarse a sí misma. Entonces, además de la capacidad de generar un pronóstico o una decisión recomendada, necesitamos una explicación de por qué este pronóstico 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 muy opacos por defecto. Esto es algo obvio tan pronto como tienes dígitos. Las computadoras son mucho mejores haciendo cálculos que las personas, por lo que no se necesitan muchos números para tener algo que sea completamente opaco para el observador humano promedio que no es un genio.
Y el enfoque típico es que un número que tenga sentido en términos de explicación tiende a depender mucho del contexto. Es muy tentador simplemente producir una pared de métricas con millones de números que se pueden extraer al proyectar tus datos en todo tipo de direcciones. Es muy fácil de hacer con las computadoras modernas, pero tus planificadores de la cadena de suministro solo tienen una cantidad limitada de tiempo para hacer eso.
Por lo tanto, el enfoque que tiene Lokad es trabajar en un proceso donde, a nivel algorítmico, será relativamente sencillo para lo que llamamos el científico de la cadena de suministro (que es como un científico de datos especializado en la cadena de suministro) diseñar tanto la lógica de optimización predictiva como sus factores explicativos. Pero hay un problema: no espero que la IA o ninguna receta de aprendizaje automático sofisticada pueda hacer este trabajo. Estoy adoptando más bien un enfoque paradigmático, donde digo que tengo clases de algoritmos donde sé que un científico de la cadena de suministro, con su inteligencia humana, puede hacer el esfuerzo adicional de hacer lo que llamamos “white boxing”.
Esto les permite diseñar el tipo de métricas que tendrán sentido para la gestión de la cadena de suministro en general, para que puedan entender lo que está sucediendo. Pero hay un ingrediente muy humano en eso, que es tener a alguien que esencialmente cree los números para que puedas seleccionar algunos KPI. Tus números, no solo los KPI, pueden ser TPP según tu definición, pero se seleccionan cuidadosamente. El único truco mágico es tener un método algorítmico que se preste muy bien a este tipo de descomposición en profundidad de lo que está sucediendo.
Prof. David Simchi-Levi: Correcto, y puedo resaltar por qué esto es tan importante con un ejemplo de implementación de lo que llamo una vista unificada.
Nicole Zint: De la demanda en una gran empresa de bienes de consumo, cuando implementas esto, comienzas a recibir llamadas telefónicas, típicamente del grupo de finanzas. Las llamadas telefónicas son de tres tipos. El primero es decir: “Oye, científicos de datos, oye, Tim, no entendemos por qué tu enfoque sugiere que este producto o esta familia crecerá increíblemente bien en una región pero no tendrá éxito en otra región”, ¿verdad? Eso es parte de la explicabilidad.
David Simchi-Levi: La segunda parte es aún más desafiante. Recibes otra llamada telefónica y la gente de finanzas dice: “No entendemos, acabas de darnos un pronóstico porque damos un pronóstico todas las semanas para las próximas 80 semanas. El pronóstico que nos diste hoy es diferente al pronóstico que nos diste hace cuatro semanas. ¿Qué está pasando? El mundo no ha cambiado”.
David Simchi-Levi: El tercero es: “Oye, hace un mes nos diste un pronóstico 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 arroja pronósticos 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 Laboratorio de Ciencia de Datos del MIT 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 la cadena de suministro, tienen. Es una combinación de los dos. Pero si no podemos hablar con la máquina para entender lo que la máquina 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 preguntarte, también mencionaste estas “leyes de la física” en tu curso, ya sabes, aplicables a los profesionales y empresas de la cadena de suministro. Pero, ¿qué quieres decir con “leyes de la física” desde la perspectiva de la cadena de suministro?
David Simchi-Levi: Para mí, las “leyes de la física” son relaciones generales entre información, capacidad, nivel de servicio, relaciones de inventario que siempre son verdaderas, independientemente de si tienes una cadena de suministro regional o global, independientemente de si te enfocas en alta tecnología, 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 que comprendas la relación entre los tres, puedes darte cuenta de cómo gestionar mejor tu cadena de suministro.
David Simchi-Levi: Otro ejemplo es la relación entre el nivel de información y cuánta volatilidad tendré en la cadena de suministro. Una vez que entiendas eso, puedes darte cuenta de cuánta visibilidad y compartición de información nos puede permitir reducir la volatilidad. ¿Y cuál es la relación entre la volatilidad y las ventas perdidas? Si entiendes eso, te das cuenta de que necesitas 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 a través de la compartición de información. En mi libro, que tuvo su cuarta edición publicada en septiembre del año pasado, hablo sobre 40 o 50 tipos de “leyes de la física” que permiten a las empresas identificar oportunidades en su negocio. Estas son relaciones globales, y por eso las llamo leyes de la física.
Piensa en lo que aprendimos en las clases de física de la escuela secundaria o la universidad. La idea es que hay algunas relaciones fundamentales en los negocios que definen una especie de medida cuantitativa de diferentes partes. Tienes situaciones en las que puedes proyectar ecuaciones que serán verdaderas, como las cuatro ecuaciones de Maxwell en física, todo el tiempo. No depende de una situación particular.
Joannes Vermorel: Entonces, esencialmente, las cadenas de suministro no son completamente poesía. Hay estas relaciones fundamentales en los negocios que definen una especie de medida cuantitativa de diferentes partes. Por ejemplo, en mi serie de conferencias, señalo que prácticamente todas las distribuciones observadas en la cadena de suministro son una ley de Zipf. Desde los productos de mayor volumen hasta la larga cola, obtendrás una ley de Zipf. Lo mismo ocurre con los proveedores, desde los más grandes hasta los más pequeños, obtendrás una ley de Zipf, y así sucesivamente.
Esta teoría puede ser desafiada en un sentido científico, como cuestionar si es la mejor teoría para explicar el mundo o si hay situaciones que contradicen la teoría general. Sin embargo, no está sujeta a debate en el sentido de que simplemente puedes elegir no creer en ella basándote en tu industria específica.
Lo interesante es que cuando tienes estas bases matemáticas para clases de fenómenos, es increíblemente poderoso para construir herramientas, algoritmos y marcos. En Lokad, utilizamos esto extensivamente. Por ejemplo, la distribución de Zipf tiene la consecuencia de que puedes comprimir enormemente los datos de la cadena de suministro, ya que la mayoría de tus líneas están garantizadas para ser ceros o unos, lo que las hace elegibles para la compresión.
Otro ejemplo es que realmente puedes superar el algoritmo de ordenación quicksort en términos de ordenación. Puedes ser más rápido que el óptimo teórico solo por la baja cardinalidad de lo que tienes que resolver. Hay muchas cosas importantes en términos de diseño de software y también en el diseño de las teorías de la cadena de suministro construidas sobre estas bases matemáticas.
Nicole Zint: Así que, hoy estamos aquí con Joannes Vermorel y el profesor David Simchi-Levi para hablar sobre la optimización de la cadena de suministro. Joannes, a menudo hablas sobre la importancia de la flexibilidad en las cadenas de suministro. ¿Puedes ampliar un poco sobre eso?
Joannes Vermorel: Esto cobra vida si me lo permites. Todo el mundo entiende los conceptos, la idea de la flexibilidad. Todo el mundo entiende que más flexibilidad es mejor que menos, pero la flexibilidad no es gratuita. ¿Cuánta flexibilidad necesito? ¿Dónde debo invertir en flexibilidad y cuáles son los beneficios potenciales de la flexibilidad? Estas son preguntas clave para responder. Pero además de esto, la pregunta es ¿cómo defino la flexibilidad? Una vez que tienes una definición precisa de flexibilidad, por ejemplo, la capacidad de responder al cambio, y el cambio puede venir de muchas formas diferentes, cambio en el volumen de la demanda, cambio en la mezcla de la demanda, interrupción, sabemos exactamente cómo diseñar una cadena de suministro para la flexibilidad. Estos provienen de la física, y una vez que sabes eso, entonces puedes cuantificar cuál es el impacto en mi nivel de servicio. ¿Cuál es el impacto en mi inventario? ¿Cuál es el impacto en mi tiempo de respuesta? Y esto es aprovechado por empresas en la industria automotriz, en la industria de productos de consumo, utilizando las leyes de la física para repensar el grado, el nivel de flexibilidad en la cadena de suministro. Lo mismo es cierto para la redundancia, lo mismo es cierto para la resiliencia. Por eso las leyes de la física son tan importantes.
Nicole Zint: Es bastante interesante que mencionaste la flexibilidad porque a menudo vemos que cuando las empresas tienen que tomar decisiones sobre si mantener un producto en su almacén central o en almacenes más locales, tienes esencialmente este equilibrio o compromiso entre ser más flexible cuando está en el centro de distribución central o tener un mejor servicio para tus clientes porque reciben el producto más rápido.
David Simchi-Levi: Así es, de hecho, se trata de encontrar este tipo de equilibrio perfecto. Pero creo que el punto más específico que Joannes está haciendo es que no se trata solo de encontrar el equilibrio, encontrar el equilibrio es algo dado. Lo que él está señalando es que hay un compromiso económico que siempre está presente con la flexibilidad, y que se puede modelar, y que se confiará en él para hacer optimizaciones en todas las situaciones. Ves, esto es lo que él está diciendo, creo que es una especie de apodo de la ley de la física. Esta es la ley de, diría yo, las cadenas de suministro físicas. Sabes que es como el término abreviado para eso. Hay fundamentos que se pueden, que se han establecido. No son naturalmente completos; no son naturalmente definitivos, pero están ahí. Y es importante abordar, ya sabes, esas cadenas de suministro aquí en este caso con una mentalidad donde no todo está, diría yo, en debate. Ves, ese es el punto de este tipo de enfoque de la física. Cuando la gente dice que tenemos la ecuación para el electromagnetismo, sabes que esencialmente nos referimos a las cuatro ecuaciones de Maxwell, así que no están hechas por Maxwell, pero bueno, las cuatro ecuaciones del electromagnetismo. Puedes intentar refutarlas, pero mientras tanto, todo el mundo va a hacer 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 estén equivocados. Esto no es ciencia. Se trata de descubrir el flujo en tu modelo, y encontramos más. Pero el punto es que creo que es muy interesante tener que establecer, diría yo, un núcleo.
Nicole Zint: Entonces, Joannes, ¿podrías hablarnos sobre las teorías en las que te basas para construir un enfoque cuantitativo que funcione para la optimización de la cadena de suministro?
Joannes Vermorel: Hay dos teorías en el sentido científico en las que se puede confiar para que puedas construir sobre ellas. Ya sabes, en lugar de tener solo opiniones y debates. Porque el problema es que si no tienes este núcleo, 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. Eso es la cima de la generalidad. Pero si tienes fundamentos muy sólidos, puedes tener cosas que se acerquen cada vez más a eso. Creo que ahí es donde radica el verdadero interés.
Nicole Zint: Es interesante que estés diciendo que encontrar esta solución que puede funcionar para muchos problemas diferentes, no solo uno. Y de hecho, profesor, eso es algo que también hemos visto en tus publicaciones. Que a menudo hablas no solo de un solo algoritmo o una sola solución, sino más bien de un marco que puede ser aplicable a diferentes tipos de problemas. Entonces, ¿por qué te has enfocado en eso en lugar de simplemente entregar módulos individuales?
Prof. David Simchi-Levi: Bueno, probablemente sea muy obvio, pero al mismo tiempo, vemos que no es muy común que la gente se enfoque en el marco. Pero siempre se trata de encontrar esa única solución. Pero luego, cuando la cadena de suministro está cambiando, y mencionaste, ya sabes, si el mundo está cambiando todo el tiempo, entonces estamos atrapados. Así que necesitamos volver a hacer el problema una y otra vez. Y de hecho, en Lokad, nos enfocamos exactamente en eso. Encontrar el enfoque de resolución de problemas en lugar de esa única solución que solo es aplicable en este momento.
Nicole Zint: Profesor, ¿podrías también responder a la pregunta sobre por qué te enfocas en los marcos?
Prof. David Simchi-Levi: En tu descripción del enfoque de mi investigación, gran parte del enfoque es asegurarnos de tener una estrategia duradera para la cadena de suministro. Para que no necesitemos cambiar nuestra estrategia cada semana o cada día con una interrupción reciente o un cambio en la demanda. Y tal vez destaque esto con el trabajo que he realizado en torno a la digitalización de la cadena de suministro. ¿Cuáles son los marcos que hemos identificado en la digitalización de la cadena de suministro que permiten a las empresas obtener la mayoría de los beneficios de la digitalización completa sin la inversión de cuatro o cinco años en la cadena de suministro digital? Y destacaré cuatro marcos. El primero, que mencioné anteriormente, es la vista unificada de la demanda, reemplazando el pronóstico de consenso. El pronóstico de consenso ha sido utilizado por ejecutivos e industria durante muchos, muchos años. Finanzas tendrá su propio pronóstico. Operaciones tendrá su propio pronóstico. Ventas tendrá un pronóstico diferente. Y luego se reunirán en una reunión de consenso para llegar a un compromiso. No está claro que este compromiso represente correctamente la realidad. Lo que quieres hacer, el marco en el que me enfoco, es ponernos de acuerdo en los datos. Una vez que tengo los datos, me gustaría que la analítica y la máquina generen un pronóstico que pueda ser utilizado por las diferentes áreas funcionales. Ese es el primero. El segundo es…
Nicole Zint: ¿Podrías hablarnos sobre el marco que utilizas en la optimización de la cadena de suministro?
Prof. David Simchi-Levi: Claro, el marco que utilizamos se basa en la idea de que una estrategia única no es apropiada para la mayoría de las empresas. Si observas lo que la mayoría de las empresas están haciendo, tienen una estrategia para todos los canales, todos los mercados y todos los productos. Lo que enfatizamos es la segmentación de la cadena de suministro, segmentando productos, segmentando mercados y segmentando canales. Esto permite a las empresas ajustar la estrategia de la cadena de suministro para cada grupo, para cada segmento, y como resultado, ser más receptivas según las características de cada segmento. El tercer elemento en este marco es enfocarse en el SNOP (Planificación de Ventas y Operaciones) que utiliza datos y analítica para ayudar a las empresas a identificar un plan efectivo. El último es reconocer que, por efectivo que sea el plan, siempre hay desviaciones del plan, como interrupciones en el suministro 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 (Parámetros Clave de Rendimiento) y la torre de control, en la que estoy seguro de que tu empresa se está enfocando con muchos de tus clientes.
Nicole Zint: Joannes, ¿qué opinas de lo que el profesor Simchi-Levi está diciendo, especialmente sobre este proceso de SNOP, que Lokad también tiene?
Joannes Vermorel: Sí, um, pero no es, yo diría, un enfoque diferente. Debido a nuestro enfoque y origen, estamos mirando el punto desde un ángulo ligeramente diferente. No significa que estemos especialmente en desacuerdo. Lo primero que veo es que primero, nunca observamos la cadena de suministro directamente, por lo que cuando decimos, por ejemplo, demanda, hay una intermediación de los sistemas empresariales, que pueden ser muy complejos. Un típico ERP que tiene tres décadas tiene tres décadas de antigüedad, y vamos a hablar de 2000 tablas. Cada tabla tiene algo así como 50 a 200 campos, y luego, si estás hablando con una multinacional, podrían terminar con una situación semi-nocturna donde hay un ERP diferente por país, así que 40 países. Entonces, primero, la señal de entrada es increíblemente compleja en el sentido de la complejidad pura de TI, no se debe tomar a la ligera. Así que primero tenemos esta barrera, yo diría, esta opacidad brutal del paisaje aplicativo. Lo segundo que tenemos es lo que llamamos demanda, cuando comienzas a mirar las industrias reales, verás que es mucho más granular. Por ejemplo, digamos que tienes una empresa 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 van a hacer un gran pedido con potencialmente miles de referencias de productos, y en realidad programarán la entrega. Entonces, dirán: “Queremos que dentro de nueve meses se entregue todo eso, pero queremos que las primeras 500 referencias se entreguen dentro de tres meses, luego las primeras 500, dentro de cuatro meses, etc.”
Nicole Zint: Entonces, Joannes, ¿podrías hablarnos sobre cómo abordas el tema de la previsión de la demanda y cuáles son los desafíos que conlleva?
Joannes Vermorel: Sí, la granularidad de la demanda puede ser bastante complicada. Por ejemplo, si tienes un gran pedido por lotes que requiere entregas programadas durante un período de seis meses, ¿cómo cuentas la demanda? ¿La cuentas cuando se origina o cuando se va a entregar? Entonces, obviamente, hay muchas complejidades. Lo que estoy diciendo es que cuando decimos “demanda”, no es algo unidimensional con una perspectiva de series de tiempo donde se puede proyectar. Por lo general, 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 canibalización muy agresivos, simplemente porque es literalmente tu propia tecnología superior que canibaliza tu propia tecnología anterior de productos. Entonces, los productos suelen ser muy similares, y tu próxima generación es un reemplazo mejor de todo lo que había antes.
David Simchi-Levi: Sí, y por eso es crucial tener las herramientas adecuadas y un científico de la cadena de suministro bien capacitado para enfrentar este desafío. SQL es un lenguaje de programación utilizado para extraer datos, pero necesitamos mejores herramientas que eso para dar sentido a la gran cantidad de datos que tenemos que manejar.
Joannes Vermorel: Exactamente. En Lokad, nuestro enfoque ha sido pensar en qué tipo de herramientas necesitan nuestros científicos de la cadena de suministro. No tenemos ninguna IA que pueda tomar datos y darnos pronósticos de demanda. Necesitamos inteligencia humana para dar sentido a los datos. Una pregunta que hacemos es: ¿Qué tipo de herramientas tienen? ¿Tienen SQL o algo mejor?
Nicole Zint: ¿Y qué hay del plan? ¿Cómo te acercas a eso?
Joannes Vermorel: Bueno, Lokad es una empresa muy operativa y nos enfocamos en la ejecución diaria de las cadenas de suministro. Lo que hacemos actualmente es hacer que el plan desaparezca por completo. Ya no hay más planes, no hay más pronósticos. O, al menos, esas cosas aún existen como artefactos numéricos, pero son completamente transitorios y están enterrados en el tubería de extracción de datos del sistema. 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 que viene de China, eso es una entrada, pero el hecho de que modifique el plan es inconsecuente. Lo único que las personas verán son decisiones que se dirigen hacia algo ligeramente diferente. Y si miran las fuerzas impulsoras en dólares o euros, verán que los riesgos expresados en dólares para ciertas clases de riesgo han aumentado drásticamente debido a esta nueva información.
Nicole Zint: Entonces, Joannes, ¿qué piensas sobre el impacto de las interrupciones en la cadena de suministro?
Joannes Vermorel: Bueno, las interrupciones en la cadena de suministro pueden causar graves riesgos para los proveedores en el extranjero. Puede explotar su riesgo asociado y desviar todas las decisiones lejos de ellos. Sin embargo, para la mayoría de las empresas, el pronóstico y el plan se convierten en un artefacto numérico que es bastante inconsecuente. Quiero decir, hay muchos otros artefactos numéricos que no son ciudadanos de primera clase y que no captan el interés de la empresa. Probablemente necesito aprender más sobre lo que estás haciendo para poder hacer un comentario más sustancial sobre lo que describiste.
Prof. David Simchi-Levi: Las empresas con las que he colaborado enfrentan desafíos en diferentes partes de la cadena de suministro que pueden implicar un pensamiento diferente sobre la planificación y el pronóstico. Permítanme dar un ejemplo muy rápido: si pensamos en la venta minorista de moda, parte del portafolio es un portafolio que no puedo predecir en ningún caso. Podemos generar un pronóstico, pero es tan poco confiable que la cadena de suministro se enfoca solo en la velocidad. Pero hay otras partes de su portafolio donde puedo predecir muy bien, y esta predicción se utiliza para gestionar toda la cadena de suministro. Puede ser que muchos de los ejecutivos de la cadena de suministro no vean la predicción, pero se utiliza para motivar dónde posiciono el inventario, cuánto inventario posiciono, cómo respondo al pedido. Pero en la primera parte, no solo la predicción está oculta, no hay predicción porque es tan poco confiable, y la cadena de suministro se enfoca principalmente en la velocidad. En esa parte, creo que tu punto es un poco diferente, un poco más profundo, que incluso si tienes una predicción y tienes un plan, lo que quieres 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 solo mirando 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 información 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 la optimización de la cadena de suministro, pero también qué tendencias negativas ves que se están volviendo igualmente populares?
Prof. David Simchi-Levi: Creo que, permíteme comenzar con la segunda parte, que es la tendencia en torno a las tendencias negativas. La tendencia negativa en torno al impacto de la interrupción y la volatilidad que vemos en el mercado va a estar con nosotros durante muchos años. Esto es una nueva normalidad y, como resultado, las empresas necesitan repensar la forma en que…
Nicole Zint: Joannes, estabas hablando sobre algunas tendencias negativas que están afectando a los clientes. ¿Podrías ampliar sobre eso?
Joannes Vermorel: Sí, por supuesto. Desde mi perspectiva, hay dos problemas que están afectando a los clientes. El primer problema es que el software empresarial moderno es increíblemente multicapa. Hay capas sobre capas de capas, y los datos fluyen de capa en capa. Para los sistemas modernos, estamos hablando fácilmente de más de 100 capas por donde fluyen los datos. La ciencia de datos solo agrega alrededor de 20 capas adicionales. 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, y así sucesivamente. Muchas empresas 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 cadena de suministro de una manera muy brutal y simple. Intentan hacer algo y, al final del día, ni siquiera pueden tener el nivel de stock correcto solo porque la IA fluye 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 Joannes está diciendo es que la calidad de lo que las personas están haciendo se ve afectada.
Joannes Vermorel: Sí, eso es correcto. El segundo problema que veo es que algunas técnicas de aprendizaje automático, como deep learning, son increíblemente técnicas y agregan sus propias pilas de capas adicionales. Eso se vuelve muy difícil de ejecutar. Ciertamente, las empresas muy grandes logran hacerlo, pero es muy, muy difícil. Por lo tanto, 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 la base de datos en uno solo. Simplemente eliminas clases enteras de capas para que todo lo que quieras hacer en términos de cadena de suministro tenga la posibilidad real de hacerlo a escala con sistemas de TI sin introducir demasiado caos. La realidad es que si vuelvo a por qué las empresas necesitan tantos años para hacer sus cosas, con mucha frecuencia, no es la parte puramente fantástica del aprendizaje automático lo que requiere tanto tiempo o la parte algorítmica muy inteligente del sistema que lleva 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: Lo siento por interrumpir, pero ¿puedes aclarar a qué te refieres con “todo lo que viene antes y después”?
Joannes Vermorel: Sí, claro. Antes de la parte de aprendizaje automático fantástica, necesitas tener tuberías de datos adecuadas, bases de datos adecuadas y limpieza de datos adecuada. Después de la parte de aprendizaje automático, necesitas tener formas adecuadas de integrar la salida de esa parte de aprendizaje automático en el sistema ERP o el sistema de gestión de pedidos o el sistema WMS. Todas estas piezas deben estar bien integradas, y ahí es donde está el desafío.
Nicole Zint: Entonces, Joannes, ¿puedes hablarnos sobre la complejidad de la optimización de la cadena de suministro en términos de datos?
Joannes Vermorel: Es tremendamente complicado, diría, las tuberías de datos. Entonces, la complejidad de la logística de los datos realmente eclipsa la complejidad de la logística de los bienes físicos. Esta es como la perspectiva vintage de un proveedor de software. Pero ahora mismo, mi propia observación es que las personas que están apostando por cosas que simplemente van a dejar que la idea de esas empresas, la complejidad de TI, se dispare. Eso puede ser una respuesta de miedo a los eventos dramáticos que tuvieron lugar durante los últimos dos años. Pero eso no va a hacer que tu cadena de suministro sea más resiliente si, al final, introduces otra clase de riesgo a través de complicaciones súper complicadas. Hoy en día, veo cada vez más empresas que se paralizan debido a un problema de TI que puede ser un ransomware, pero a veces es solo un error interno.
Nicole Zint: Y profesor Simchi-Levi, ¿cómo cree que se puede utilizar la tecnología para mejorar la optimización de la cadena de suministro?
Prof. David Simchi-Levi: Si hablamos antes de la pandemia sobre las oportunidades de utilizar tecnología, aprendizaje automático, optimización para mejorar el rendimiento empresarial y la cadena de suministro, la gente estaría de acuerdo. Pero los ejecutivos estarían muy reacios a invertir en la digitalización de la cadena de suministro, digitalizando la cadena de suministro. No porque no puedan ver el beneficio, entienden el beneficio, pero están preocupados por la enorme inversión financiera y el tiempo que se tarda en llegar al beneficio que están tratando de 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 cadenas de suministro.
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 mediciones directas, necesitamos tener herramientas capaces de hacer eso. Pero no deberíamos desarrollar cosas que realmente se puedan implementar y poner en producción en un período de tiempo relativamente corto, y eso es realmente un desafío. La pregunta 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 tiene todas las propiedades que las personas buscan en Excel, que es una herramienta de toma de decisiones que se puede utilizar para impulsar una cadena de suministro de miles de millones y tomar la decisión que se debe tomar ahora, con una corrección superior por diseño, esa sería una forma de verlo. Esa es definitivamente la orientación de investigación que seguimos.
Nicole Zint: Profesor Simchi-Levi, ¿puedes comentar sobre lo que acaba de decir Joannes?
Prof. David Simchi-Levi: Permíteme basarme en lo que dijo Joannes y conectarlo con los desafíos actuales de la cadena de suministro y los desafíos de TI.
Nicole Zint: Entonces, Joannes, en tu opinión, ¿qué tan importante es la digitalización de la cadena de suministro y cómo puede beneficiar a las empresas?
Joannes Vermorel: Con la tecnología disponible para nosotros, podemos mejorar drásticamente el rendimiento empresarial. Es posible que no podamos lograr todos los beneficios de la digitalización completa de la cadena de suministro, pero con una inversión financiera moderada y un período de tiempo razonablemente corto, las empresas pueden tener un gran impacto en el resultado final. Por eso, en mi opinión, con todos los desafíos que hemos visto, hay una tendencia positiva importante. Nos damos cuenta de que el futuro o la realidad 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 para poder abordar no los desafíos de ayer, sino los desafíos y oportunidades del mañana.
Nicole Zint: Profesor, ¿está de acuerdo con la perspectiva de Joannes sobre la importancia de la digitalización de la cadena de suministro?
Prof. David Simchi-Levi: Absolutamente, estoy completamente de acuerdo con Joannes. Los beneficios de la digitalización de la cadena de suministro son significativos y las empresas que no la adopten se quedarán atrás. Estamos viendo que empresas de todas las industrias están adoptando la digitalización y obteniendo beneficios. Desde la optimización de los niveles de inventario hasta la reducción de los tiempos de entrega, la digitalización de la cadena de suministro tiene el potencial de transformar los negocios.
Nicole Zint: ¿Y puedes darnos un ejemplo de una empresa que haya implementado con éxito la digitalización de la cadena de suministro?
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 de la cadena de suministro para reducir sus costos operativos y mejorar su resultado final. Mediante el uso de análisis de datos y algoritmos de aprendizaje automático, Walmart ha podido 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 muy interesante sobre la digitalización de la cadena de suministro.
